Una Rete Intelligente per la Mobilità Elettrica
La rivoluzione elettrica nel settore automobilistico non riguarda solo i veicoli che guidiamo, ma sta ridisegnando l’intero ecosistema urbano, dal traffico alla rete elettrica. Mentre il numero di veicoli elettrici (VE) in circolazione cresce esponenzialmente, emerge una sfida fondamentale: come pianificare una rete di stazioni di ricarica che sia efficiente, sostenibile e in grado di soddisfare le esigenze di un sistema di trasporto e di energia sempre più interconnesso. Un recente studio pubblicato sulla rivista Electrical Engineering affronta questa complessa questione con un approccio innovativo e multidisciplinare. Guidato da Gu Yingbin del Chaozhou Power Supply Bureau di Guangdong Power Grid Co., Ltd., il team di ricerca ha sviluppato un modello di pianificazione a due livelli che tiene conto dell’interazione dinamica tra il flusso di traffico e la stabilità della rete elettrica, offrendo una soluzione strategica per l’ottimizzazione della capacità delle stazioni di ricarica.
Per anni, la pianificazione delle infrastrutture di ricarica ha seguito un approccio frammentato. Molti studi si sono concentrati esclusivamente sull’analisi della domanda degli utenti o sugli impatti locali sulla rete elettrica, spesso trascurando una realtà fondamentale: i veicoli elettrici non viaggiano in isolamento. Condividono le strade con un gran numero di veicoli a motore termico, e le decisioni dei conducenti riguardo a rotte e tempi di ricarica sono influenzate da una miriade di fattori, tra cui la congestione del traffico, il costo dell’energia e la disponibilità delle stazioni. Questa interdipendenza crea un sistema accoppiato, dove le scelte nel dominio del trasporto influenzano direttamente la domanda di energia e viceversa. Un aumento dei prezzi dell’elettricità in una zona potrebbe spingere i conducenti a cercare stazioni alternative, modificando il flusso del traffico. Allo stesso modo, un ingorgo su una strada potrebbe ritardare i VE, alterando il profilo temporale del loro consumo energetico. Ignorare questa complessa retroazione porta a piani di sviluppo subottimali, con stazioni sovradimensionate in aree poco frequentate o sottodimensionate in punti critici, e potenziali problemi di stabilità per la rete elettrica. È proprio per colmare questa lacuna che la ricerca di Gu Yingbin e colleghi rappresenta un passo avanti significativo.
Il cuore del loro lavoro è un sofisticato modello di ottimizzazione a due livelli (bi-level planning model). Il livello superiore del modello ha un obiettivo ambizioso: minimizzare il “costo sociale generalizzato totale”. Questo concetto va ben oltre il semplice costo di costruzione delle stazioni; rappresenta un indicatore olistico del benessere collettivo, che aggrega diversi elementi chiave. Include il tempo di viaggio complessivo per tutti gli utenti della rete stradale, il consumo netto di energia elettrica, i costi operativi della rete di distribuzione e, ovviamente, l’investimento necessario per la costruzione e la gestione delle stazioni di ricarica. Il compito del livello superiore è quindi quello di determinare la capacità ottimale (cioè la potenza di ricarica per unità) per ogni stazione candidata all’interno della rete, al fine di ridurre al minimo questo costo sociale complessivo.
Questa decisione strategica viene poi trasmessa al livello inferiore, che funge da simulatore del mondo reale. Qui, il modello risolve due problemi fondamentali e interdipendenti. Il primo è il Problema di Assegnazione del Traffico (Traffic Assignment Problem, TAP), che simula come i conducenti, sia di VE che di veicoli a motore termico, scelgono le loro rotte. Il modello si basa sul principio di equilibrio dell’utente di Wardrop, un concetto fondamentale nella teoria del traffico. Questo principio stabilisce che, in uno stato di equilibrio, nessun conducente può ridurre il proprio tempo di viaggio o il costo totale del viaggio (che include il prezzo dell’energia elettrica alla stazione di ricarica) cambiando unilateralmente percorso. In pratica, ciò significa che tutti i percorsi utilizzati tra un punto di partenza e un punto di arrivo avranno un costo identico e minimo. Integrando il prezzo dell’elettricità nella funzione di costo del viaggio, il modello cattura un feedback cruciale: se una stazione ha un prezzo elevato, i conducenti saranno incentivati a cercare percorsi alternativi, ridistribuendo così il flusso di traffico e la domanda di ricarica.
Parallelamente, il livello inferiore risolve il Problema del Flusso di Potenza Ottimo (Optimal Power Flow, OPF) per la rete di distribuzione elettrica. Questo componente è essenziale per garantire la fattibilità tecnica del piano. Il modello utilizza un approccio avanzato, il Modello di Flusso di Ramo (Branch Flow Model, BFM) con una relazione di cono del secondo ordine, per rappresentare con precisione fenomeni come le perdite di rete, le cadute di tensione e i limiti termici dei cavi e dei trasformatori. Questa precisione è vitale, poiché le reti di distribuzione, a differenza di quelle di trasmissione, sono particolarmente sensibili a carichi concentrati. Una stazione di ricarica rapida mal posizionata potrebbe causare una caduta di tensione inaccettabile o sovraccaricare un trasformatore, compromettendo la sicurezza e l’affidabilità della fornitura. Integrando l’OPF, il modello garantisce che qualsiasi soluzione proposta sia tecnicamente valida e sicura.
Il processo è iterativo e dinamico. Il livello superiore propone una configurazione di capacità. Il livello inferiore simula le conseguenze di quella decisione sul traffico e sulla rete elettrica, calcolando i costi risultanti. Queste informazioni vengono restituite al livello superiore, che valuta se il costo sociale generalizzato è diminuito. Se non è così, o se vengono violate restrizioni chiave (come un budget di investimento massimo o la necessità che gli introiti dalla vendita di energia coprano i costi operativi della rete), il modello aggiusta la proposta e ripete il ciclo. Questo loop di feedback permette all’algoritmo di convergere verso una soluzione che bilancia in modo ottimale tutti gli obiettivi in competizione.
La soluzione di questo problema di ottimizzazione è computazionalmente intensiva. I metodi tradizionali, come il gradiente discendente, sono inefficaci a causa della natura non lineare e discontinua della relazione tra la capacità della stazione di ricarica e il costo sociale. Per superare questo ostacolo, il team di Gu Yingbin ha implementato un algoritmo basato su modelli surrogate (surrogate model). Questo approccio è ingegnoso: invece di eseguire la simulazione completa e costosa a ogni iterazione, l’algoritmo costruisce un modello approssimato, più veloce da calcolare, che “impara” il comportamento del sistema reale a partire da un insieme di simulazioni precedenti. Questo modello surrogate viene quindi utilizzato per esplorare rapidamente migliaia di possibili soluzioni, identificando quelle più promettenti. Solo queste soluzioni candidate vengono validate con la simulazione esatta e completa. Questa strategia ibrida riduce drasticamente il tempo di calcolo, rendendo il modello applicabile a reti urbane di grande scala, senza sacrificare la qualità della soluzione.
L’efficacia e la validità di questa strategia sono state dimostrate attraverso un’analisi di caso dettagliata. Lo studio utilizza una rete di trasporto a forma di anello, collegata a una rete di distribuzione radiale, uno scenario comune in molte città. Sono state considerate otto ubicazioni candidate per le stazioni di ricarica, ciascuna collegata a un nodo specifico della rete elettrica. I parametri del modello, come la capacità delle strade, i tempi di viaggio in condizioni di traffico libero, le tariffe elettriche basate sul tempo (con prezzi più alti in punta) e i profili di domanda giornaliera del traffico, sono stati calibrati per riflettere condizioni del mondo reale.
L’analisi confronta due scenari. Nel primo caso (Caso 1), le capacità delle stazioni di ricarica sono determinate dal modello di ottimizzazione a due livelli. Nel secondo caso (Caso 2), a tutte le stazioni viene assegnata una capacità media uniforme. I risultati sono rivelatori. Il costo sociale generalizzato totale nel Caso 1 è di circa 444.140 dollari al giorno, rispetto a 448.090 dollari nel Caso 2. Questa differenza di quasi 4.000 dollari al giorno, sebbene possa sembrare modesta a prima vista, rappresenta un miglioramento significativo nell’efficienza del sistema. Quando si scala a una città con centinaia di stazioni, i risparmi annuali potrebbero raggiungere milioni di dollari.
Il risparmio non deriva da una riduzione della qualità del servizio, ma da un’assegnazione molto più intelligente delle risorse. Il modello ottimizzato identifica che alcune ubicazioni, come quelle su rotte ad alto traffico, richiedono una capacità di ricarica molto elevata (350 kW) per gestire la domanda e minimizzare i tempi di attesa. Altre ubicazioni, in aree meno congestionate, possono funzionare in modo efficiente con una capacità più modesta (120 kW), evitando così un investimento di capitale non necessario. Questa differenziazione strategica è la chiave del successo: l’infrastruttura viene posizionata dove è più necessaria, massimizzando il ritorno dell’investimento.
Dal punto di vista del sistema di trasporto, il Caso 1 ottiene una riduzione del tempo di viaggio totale, che indica una congestione minore. Ciò è dovuto al fatto che le stazioni di ricarica ben dimensionate riducono i tempi di coda e consentono un flusso di traffico più fluido. Dal punto di vista della rete elettrica, il modello garantisce la stabilità della tensione. L’analisi mostra che la deviazione di tensione in tutti i nodi rimane inferiore al 7%, un livello ampiamente accettato come sicuro. Ciò dimostra che il modello non migliora solo il traffico, ma protegge anche l’integrità della rete elettrica, un risultato cruciale che gli approcci tradizionali spesso trascurano.
Uno dei risultati più interessanti dello studio è l’impatto dei veicoli elettrici sui prezzi marginali dell’elettricità. Con l’aumentare della percentuale di veicoli elettrici che si collegano alla rete per ricaricarsi, il prezzo marginale dell’elettricità nei nodi di ricarica tende ad aumentare, specialmente durante le ore di punta. Questo fenomeno riflette la maggiore pressione sulle risorse di generazione. Tuttavia, lo studio suggerisce anche una soluzione: la tecnologia Veicolo alla Rete (V2G). Se i veicoli elettrici possono non solo consumare energia, ma anche restituirla alla rete quando i prezzi sono alti, si trasformano in una grande flotta di batterie mobili distribuite. Questo può aiutare a livellare la domanda, ridurre i picchi e, in ultima analisi, ridurre i costi generali del sistema.
Questa visione trasformativa suggerisce che i veicoli elettrici non dovrebbero essere visti solo come consumatori di elettricità, ma come asset energetici attivi. Con algoritmi di ricarica intelligente e segnali di prezzo dinamici, i proprietari di veicoli elettrici possono essere incentivati a ricaricare quando l’energia rinnovabile è abbondante ed economica, e a scaricare quando la domanda è alta e i prezzi sono elevati. Questa flessibilità è essenziale per l’integrazione di fonti di energia intermittenti come il solare e l’eolico, migliorando la resilienza della rete e riducendo la dipendenza dalle centrali elettriche a combustibili fossili di riserva.
Le implicazioni di questo lavoro vanno ben oltre il mondo accademico. Per i pianificatori urbani e i responsabili politici, fornisce uno strumento basato sui dati per prendere decisioni di investimento pubblico nell’infrastruttura di ricarica. Invece di basarsi su supposizioni o pressioni politiche, possono valutare progetti specifici in base al loro contributo al benessere sociale complessivo. Per le società elettriche, il modello è uno strumento di pianificazione proattiva, che consente loro di anticipare la futura domanda di carico e di apportare le migliorie necessarie alla rete prima che sorgano problemi di affidabilità. Per gli operatori di reti di ricarica e i produttori di automobili, i risultati offrono una guida strategica su dove e come schierare l’infrastruttura per massimizzare l’adozione e la redditività.
Inoltre, lo studio sottolinea la necessità critica di una collaborazione senza precedenti tra settori tradizionalmente separati: il trasporto e l’energia. Le agenzie del traffico e le società elettriche devono condividere dati e coordinare i loro piani. Ad esempio, i centri di controllo del traffico potrebbero fornire dati sulla congestione in tempo reale alle società elettriche, consentendo loro di prevedere i picchi di domanda di ricarica. A sua volta, le società elettriche potrebbero condividere i prezzi marginali con le app di navigazione, consentendo ai conducenti di incorporare il costo dell’elettricità nelle loro decisioni di percorso. Questa integrazione creerebbe un ecosistema di mobilità veramente intelligente ed efficiente.
In conclusione, la ricerca guidata da Gu Yingbin rappresenta un progresso significativo nella pianificazione dell’infrastruttura del futuro. Unendo i mondi del traffico e dell’energia in un unico framework di ottimizzazione, offre una soluzione pratica e potente a una delle maggiori sfide dell’era elettrica. Dimostra che la strada verso una mobilità sostenibile non riguarda solo l’elettrificazione dei veicoli, ma la progettazione di sistemi interconnessi che siano efficienti, resilienti e vantaggiosi per l’intera società. Mentre le città di tutto il mondo si avventurano in questa transizione, modelli come questo saranno essenziali per costruire un futuro di trasporto pulito, silenzioso e accessibile.
Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize, Huang Shuqiang, Chaozhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Electrical Engineering, DOI: 10.19426/j.cnki.cn11-4746/tm.2024.07.003