Auto Elettriche: Prevedere la Ricarica è un Gioco da Ragazzi? Non Proprio, Ma Abbiamo un Asso Nella Manica!

Ciao a tutti! Oggi voglio parlarvi di un argomento che mi sta particolarmente a cuore e che sta rivoluzionando il nostro modo di muoverci e di pensare all’energia: le auto elettriche (EV). Ormai sono una realtà consolidata, spinte dalla necessità di un settore energetico più pulito e decarbonizzato. Fantastico, vero? Beh, sì, ma come ogni grande cambiamento, porta con sé sfide interessanti.

La diffusione rapidissima delle EV sta mettendo alla prova le nostre infrastrutture di ricarica e la rete elettrica. Immaginate migliaia di auto che si collegano alla presa più o meno nello stesso momento, magari la sera, quando torniamo a casa dal lavoro. Questo può creare picchi di domanda pazzeschi, sovraccaricare trasformatori e linee, e causare problemi di stabilità alla rete. D’altro canto, queste batterie su ruote sono anche una risorsa incredibile: possono funzionare come sistemi di accumulo energetico distribuito, aiutando a ridurre i picchi di carico e a integrare meglio le fonti rinnovabili, che per loro natura non sono sempre costanti.

Qui entra in gioco la sfida cruciale: come possiamo prevedere in modo affidabile quando e quanta energia richiederanno le auto elettriche per ricaricarsi? Una previsione accurata farebbe miracoli: aiuterebbe a bilanciare produzione e consumo di energia, supportando funzioni avanzate delle Smart Grid come la gestione della domanda (Demand Response).

I Limiti dei Modelli Tradizionali

All’inizio, abbiamo provato con i modelli di previsione classici, basati principalmente sulle serie storiche dei dati di ricarica. Sapete una cosa? I risultati sono stati, diciamo, deludenti. Questi modelli faticavano a catturare la complessità e la variabilità del comportamento di ricarica degli utenti. Perché? Perché la ricarica di un’auto elettrica non dipende solo da quando è stata caricata l’ultima volta. Ci sono un sacco di fattori in gioco!

Pensateci: l’ora di inizio della ricarica, la durata, l’energia richiesta… tutto può cambiare in base a mille variabili: le abitudini dell’utente, il modello dell’auto, lo stato della batteria, la temperatura esterna (che influisce sull’efficienza della batteria e sull’uso del climatizzatore), e persino… il traffico! Già, se rimanete bloccati nel traffico, potreste arrivare a casa con la batteria più scarica e aver bisogno di una ricarica più lunga o potente.

Inoltre, c’è un altro aspetto interessante: molti set di dati sulla ricarica presentano tantissimi valori pari a zero. Questo succede semplicemente perché, per molte ore del giorno o della notte, le auto non sono in carica. I modelli tradizionali spesso vanno in crisi con tutti questi “zeri”.

La Nostra Strategia: Un Approccio a Più Livelli

Di fronte a queste difficoltà, abbiamo capito che serviva un cambio di prospettiva. Non bastava guardare solo ai dati storici di ricarica. Dovevamo integrare più informazioni, più contesto. E così è nata la nostra strategia: un metodo di previsione passo-passo che sfrutta dati provenienti da diverse fonti:

• Previsioni del flusso di traffico stradale nelle vicinanze.
• Dati meteo e stagionali (temperatura, pioggia, sole, ecc.).
• Informazioni sul comportamento di ricarica degli utenti (distinguendo tra colonnine private e condivise).
• Ovviamente, i dati storici del carico di ricarica delle EV.

L’idea è quella di costruire la previsione finale pezzo dopo pezzo, usando l’output di un modello come input per il successivo. Un po’ come costruire con i LEGO!

Il Caso Studio Norvegese: Dati Reali per Soluzioni Reali

Per mettere alla prova il nostro approccio, abbiamo utilizzato dati reali provenienti da un complesso residenziale a Risvollan, Trondheim, in Norvegia. Un posto perfetto, con circa 2400 residenti, 1113 appartamenti e un’infrastruttura di ricarica EV potenziata capace di gestire fino a 764 punti di ricarica contemporaneamente, sia privati che condivisi.

Abbiamo raccolto dati dettagliati su migliaia di sessioni di ricarica (orari di inizio e fine, energia caricata), i carichi aggregati orari misurati da contatori intelligenti (AMS) in due dei garage principali, i dati orari del flusso di traffico da sensori su sette strade vicine (concentrandoci sulle auto passeggeri) e, naturalmente, i dati meteo orari della zona. Un bel po’ di roba da analizzare!

Abbiamo notato subito delle differenze interessanti: gli utenti con colonnine private tendono a collegare l’auto nel pomeriggio/sera (15:00-21:00) e a scollegarla la mattina presto (06:00-09:00), probabilmente per andare al lavoro. Chi usa le colonnine condivise, invece, mostra più attività durante le ore lavorative (09:00-15:00), specialmente nei giorni feriali, e orari di scollegamento più distribuiti. Questo suggerisce che le colonnine condivise potrebbero essere usate da residenti con esigenze diverse (lavoratori da casa, anziani, giovani, persone che fanno commissioni locali).

La “Magia” Dietro le Quinte: Traffico, Utenti e Matematica Intelligente

Ma come abbiamo messo insieme tutti questi dati? Ecco i passaggi chiave della nostra metodologia:

1. Previsione del Traffico: Per prima cosa, abbiamo sviluppato modelli per prevedere il flusso di traffico orario per l’ora successiva in ognuna delle sette località monitorate. Abbiamo usato vari algoritmi di machine learning (come Extra Trees Regressor, LightGBM, ecc.) e selezionato i migliori per ogni zona. L’accuratezza qui è stata molto alta, un ottimo punto di partenza!

2. Previsione del Carico Medio per Utente (Privato – PWALU): Armati delle previsioni del traffico, siamo passati a prevedere il carico energetico medio orario ponderato per utente per le sessioni di ricarica private (PWALU) nell’ora successiva. Anche qui, abbiamo testato diversi modelli, combinando i migliori (Random Forest, CatBoost, Extra Trees) in un “ensemble” per massimizzare l’accuratezza.

3. Previsione del Carico Medio per Utente (Condiviso – SWALU) con un Tocco Speciale: Il passo successivo riguardava le sessioni condivise (SWALU). Qui la sfida era maggiore a causa dell’alto numero di ore con zero ricariche. Abbiamo quindi usato un approccio chiamato regressione Zero-Inflated (ZI). Funziona in due tempi: prima un modello classificatore decide se la ricarica sarà zero o diversa da zero. Se prevede zero, il risultato è zero. Se prevede un valore diverso da zero, entra in gioco un secondo modello (regressore) che stima l’effettivo carico energetico. Abbiamo combinato i migliori classificatori (LGBM, CatBoost, XGBoost) e i migliori regressori (CatBoost, HGBM, LGBM) per ottenere la previsione SWALU più precisa possibile, usando come input anche le previsioni del traffico e del PWALU.

4. Il Gran Finale: Previsione del Carico Totale EV con il Nostro Asso Nella Manica (LogZI): Eccoci al momento clou: prevedere il carico di ricarica EV totale orario per l’intero edificio. Anche questo set di dati aveva molti zeri, ma presentava anche picchi di carico occasionali molto alti, rendendo le cose ancora più complesse. Per affrontare questa sfida, abbiamo introdotto una nostra variante innovativa: la regressione Logaritmica Zero-Inflated (LogZI). L’idea di base è simile alla ZI (un classificatore per gli zeri, un regressore per i non-zeri), ma con una marcia in più: il modello regressore lavora sui dati trasformati logaritmicamente. Perché il logaritmo? Perché aiuta a “calmare” la variabilità dei dati, riducendo l’impatto dei valori estremi (i picchi di carico) e distribuendo meglio i valori vicini allo zero, distinguendoli dagli zeri assoluti. Questo rende il modello più robusto e accurato. Abbiamo usato le previsioni del traffico, del PWALU e del SWALU come input per questo modello finale, combinando i migliori classificatori e i migliori regressori (addestrati sui dati logaritmici).

E i Risultati? Beh, Lasciatemelo Dire…

I risultati sono stati davvero incoraggianti! Ricordate i modelli iniziali che faticavano? Bene, confrontando le loro performance con quelle del nostro approccio LogZI passo-passo, abbiamo visto un miglioramento notevole.

L’accuratezza, misurata con un indice chiamato R² (che va da 0 a 1, dove 1 è la perfezione), è schizzata dal 78.1% all’88.7%! Questo significa che il nostro modello spiega molto meglio la variabilità reale della domanda di ricarica.

Ma non solo: gli errori di previsione si sono ridotti drasticamente. L’Errore Medio Assoluto (MAE), che ci dice mediamente di quanto sbaglia la previsione, è sceso da 1.75 kWh a 1.05 kWh. L’Errore Quadratico Medio (RMSE), che penalizza di più gli errori grandi, è passato da 2.48 kWh a 1.77 kWh. Anche altre metriche di errore normalizzate (CVRMSE e NRMSE) hanno mostrato miglioramenti significativi.

In pratica, le nostre previsioni sono diventate molto più precise e affidabili. Il metodo LogZI, combinato con le previsioni intermedie di traffico e comportamento utente, ha dimostrato di funzionare decisamente meglio dei modelli tradizionali, soprattutto grazie alla sua capacità di gestire i dati “difficili” con molti zeri e picchi.

Perché Tutto Questo è Importante?

Ok, belle le percentuali, ma cosa significa tutto questo in pratica? Moltissimo!

• Rete Elettrica Più Stabile ed Efficiente: Previsioni accurate permettono ai gestori della rete (DSO) e agli aggregatori di energia di anticipare meglio i picchi di domanda, gestendo i flussi di energia in modo più efficiente, evitando sovraccarichi e riducendo le perdite.
• Ottimizzazione dell’Infrastruttura di Ricarica: Sapere dove e quando ci sarà più richiesta di ricarica aiuta a pianificare meglio l’installazione di nuove colonnine e a gestire quelle esistenti.
• Supporto alla Gestione della Domanda (Demand Response – DR): Con previsioni affidabili, si possono implementare strategie di DR più efficaci. Ad esempio, si possono offrire incentivi economici agli utenti per spostare la ricarica dalle ore di punta a quelle notturne o quando c’è abbondanza di energia rinnovabile. Il nostro framework può supportare sia il controllo diretto (gestore che regola la ricarica) sia quello indiretto (incentivi).
• Integrazione con le Smart City: L’approccio che integra traffico ed energia è un passo verso città più intelligenti, dove i sistemi di trasporto e quelli energetici comunicano e collaborano per una maggiore efficienza e sostenibilità.
• Valore Scientifico ed Educativo: Questo lavoro non solo migliora le previsioni, ma collega discipline diverse (trasporti, energia, informatica) e fornisce metodologie (come il LogZI) che possono essere utili in altri campi con dati simili. Contribuisce anche al campo emergente dell’energy informatics, formando esperti capaci di affrontare le sfide dei sistemi energetici del futuro.

Guardando al Futuro: Prossimi Passi e Sfide

Certo, il nostro lavoro non è privo di limiti. La qualità e la disponibilità dei dati sono sempre cruciali, e bisogna stare attenti a non creare modelli troppo complessi che funzionano bene solo sui dati specifici usati per addestrarli (overfitting). Inoltre, la generalizzazione dei risultati ad altre aree geografiche o contesti va sempre verificata.

Per il futuro, ci sono tante direzioni interessanti:

• Estendere l’approccio a previsioni multi-step (prevedere più ore o giorni in anticipo).
• Usare set di dati ancora più grandi e per periodi più lunghi.
• Includere fattori economici (come i prezzi dell’elettricità in tempo reale) o ambientali (emissioni).
• Automatizzare il processo per renderlo uno strumento pratico.
• Integrare dati sul traffico in tempo reale per una reattività ancora maggiore.

In conclusione, prevedere la ricarica delle auto elettriche è una sfida complessa, ma assolutamente fondamentale per gestire la transizione energetica. Il nostro approccio, che combina dati di traffico, meteo, comportamento utente e tecniche avanzate come la regressione LogZI, dimostra che si possono ottenere previsioni molto più accurate. È un passo importante verso reti elettriche più intelligenti, stabili e sostenibili, pronte ad accogliere la rivoluzione della mobilità elettrica. E io sono entusiasta di continuare a esplorare questo percorso!

Fonte: Springer