⚡ electrical engineering

Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

Questo articolo propone un approccio di controllo predittivo basato su un'ottimizzazione congiunta di prezzi e potenza per incentivare la ricarica flessibile delle auto elettriche nei luoghi di lavoro, riducendo significativamente i costi degli operatori e i picchi di potenza.

Autori originali: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Pubblicato 2026-03-25

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina un grande parcheggio aziendale con delle colonnine di ricarica per le auto elettriche. Il proprietario di questo parcheggio ha un problema: la bolletta della luce è salata, e non tanto per quanto consuma in totale, ma per il picco massimo di energia che usa in un singolo momento.

È come se la compagnia elettrica dicesse: "Non ti chiederemo quanto hai bevuto in un mese, ma se in un solo istante hai bevuto un secchio intero, ti faremo pagare una multa salata."

Questo articolo parla di come un'intelligenza artificiale (chiamata MPC) e un po' di "psicologia dei prezzi" possano aiutare il proprietario a evitare queste multe e risparmiare soldi.

Ecco come funziona, spiegato con delle metafore:

1. Il Problema: La Folla Improvvisa

Immagina che le auto arrivino al parcheggio in modo casuale. Se tutti arrivano alle 9:00 e si collegano subito, si crea un "ingorgo" elettrico. La richiesta di energia schizza alle stelle e il proprietario deve pagare la multa (chiamata Demand Charge).
I metodi vecchi cercavano solo di gestire i fili: "Ok, rallentiamo un po' la ricarica di questa auto". Ma spesso non funzionava bene perché non sapevano cosa sarebbe successo dopo.

2. La Soluzione Magica: Il Menu dei Prezzi

Gli autori propongono di non gestire solo i fili, ma anche i prezzi. Immagina che ogni volta che un guidatore arriva, gli venga mostrato un menu con due opzioni:

Opzione "Normale" (Regolare): Ricarica alla massima velocità possibile. È come andare in autostrada senza limiti di velocità, ma costa di più se c'è traffico.
Opzione "Pianificata" (Controllabile): Tu mi dai la tua energia e il mio orario di uscita, e io decido quando caricare l'auto. È come prenotare un tavolo in un ristorante: ti garantisco il posto, ma potresti dover aspettare un po' per essere servito. In cambio, ti offro uno sconto.

L'obiettivo è convincere le persone a scegliere l'opzione "Pianificata". Se lo fanno, il sistema può spostare la ricarica nelle ore in cui la luce costa poco e non c'è traffico.

3. Il Cervello: L'Intelligenza Artificiale (MPC)

Qui entra in gioco il vero eroe della storia: il Model Predictive Control (MPC).
Immagina che il sistema sia come un capo cuoco esperto in una cucina affollata.

Il metodo vecchio guarda solo il piatto che sta cucinando adesso. Se arriva un nuovo cliente, aggiunge ingredienti e spera che la pentola non trabocchi.
Il nostro sistema (MPC) è come un cuoco che guarda anche il meteo e la lista degli ordini futuri. Sa che alle 14:00 arriveranno 10 clienti affamati. Quindi, inizia a preparare le basi ora, alle 10:00, quando la cucina è tranquilla, così alle 14:00 non deve accendere tutti i fornelli insieme.

Il sistema usa previsioni (come un meteo per l'elettricità) per sapere se sarà una giornata "affollata". Se prevede un picco, alza i prezzi dell'opzione "Normale" e abbassa quelli dell'opzione "Pianificata" per spingere le persone a spostare la ricarica in orari tranquilli.

4. I Risultati: Risparmiare senza Stressare

Gli autori hanno simulato questa situazione migliaia di volte (come un videogioco con migliaia di partite diverse). Ecco cosa hanno scoperto:

Risparmio reale: Il sistema ha ridotto i costi totali del proprietario di circa il 4-5%. Sembra poco? Per un'azienda, è come trovare un'auto nuova nel portafoglio ogni anno.
La multa evitata: Hanno ridotto la "multa del picco" (Demand Charge) di quasi il 17%.
Il paradosso della previsione: Hanno notato una cosa curiosa. Non serve che il sistema sia perfetto nel prevedere il futuro (come un oracolo). Anche una previsione "stupida" (che dice "non arriverà nessuno") ha funzionato meglio di modelli matematici complessi e precisi. Perché? Perché il sistema è così intelligente che sa adattarsi comunque, mentre i modelli complessi a volte si confondono con dati troppo specifici.

In Sintesi

Questo articolo ci dice che per gestire l'energia delle auto elettriche al lavoro non serve solo tecnologia dura (cavi e batterie), ma serve intelligenza e flessibilità.

Invece di dire alle persone "Non puoi caricare ora!" (che le fa arrabbiare), il sistema dice: "Ehi, se carichi un po' più tardi o ci dai il controllo, ti faccio uno sconto!".
È come se il parcheggio diventasse un orchestra: invece di tutti gli strumenti che suonano a tutto volume insieme (creando caos e costi), il direttore d'orchestra (l'algoritmo) coordina i musicisti (le auto) per suonare in momenti diversi, creando una melodia economica e silenziosa.

Il messaggio finale: Se i proprietari di colonnine usano questi trucchi, risparmiano soldi. Quei soldi possono essere usati per abbassare i prezzi per i clienti o per installare più colonnine. Tutti vincono.

1. Il Problema

Il lavoro affronta la sfida della gestione dei costi energetici per gli operatori di stazioni di ricarica per veicoli elettrici (EV) presso i luoghi di lavoro. Un costo significativo per questi operatori è la tassa di domanda (demand charge), una tariffa applicata dalle utility basata sul picco di potenza assorbito durante un ciclo di fatturazione mensile.

Contesto: Le tassa di domanda possono rappresentare dal 30% al 70% del totale della bolletta elettrica commerciale.
Sfida: La ricarica intelligente (smart charging) deve bilanciare la soddisfazione dell'utente con la riduzione dei picchi di potenza. Tuttavia, l'arrivo degli EV è stocastico (imprevedibile). Un singolo arrivo mal sincronizzato può far superare il picco corrente, aumentando drasticamente i costi fissi mensili.
Limitazione degli approcci esistenti: Le strategie precedenti si concentrano spesso sull'ottimizzazione della potenza per sessioni già in corso o su prezzi fissi, senza un meccanismo anticipatorio efficace per gestire l'incertezza futura o incentivare attivamente gli utenti a scegliere opzioni controllabili.

2. Metodologia

Gli autori propongono un framework di ottimizzazione congiunta di prezzo e potenza basato sul Model Predictive Control (MPC). L'obiettivo è massimizzare il profitto dell'operatore riducendo sia i costi energetici (TOU - Time of Use) che le tasse di domanda.

A. Modello di Scelta dell'Utente

Quando un utente arriva alla stazione, gli vengono presentate due opzioni di prezzo generate dall'algoritmo:

REGOLARE (REGULAR): Ricarica alla massima potenza fino al completamento (carico non controllabile).
PROGRAMMATA (SCHEDULED): L'energia richiesta è garantita entro l'orario di uscita, ma il profilo di potenza è gestito dall'algoritmo (carico controllabile).
USCITA (LEAVE): L'utente se ne va se i prezzi sono troppo alti.

La probabilità di scelta è modellata tramite un modello di scelta discreta a due stadi basato su utilità, che lega la decisione dell'utente alla differenza di prezzo tra le opzioni.

B. Formulazione dell'Ottimizzazione

Il problema mira a minimizzare il costo atteso dell'operatore, che include:

Costi energetici (basati sui prezzi TOU).
Costi di domanda (basati sull'aumento del picco mensile).
Ricavi derivanti dalla vendita di energia.

C. Strategie di Controllo Proposte

Per migliorare la gestione dei picchi, vengono introdotte tre varianti rispetto a un algoritmo di benchmark non anticipatorio:

Soglia Rigida Iterativa (Iterative Hard Thresholding): Impone un vincolo rigido sul carico istantaneo ( $G_\tau \le M$ ). Se la soluzione è non fattibile, il limite $M$ viene rilassato iterativamente.
Penalità Softplus: Sostituisce il termine di costo di domanda lineare con una funzione convessa softplus ( $\log(1+e^x)$ ). Questo penalizza l'avvicinamento al picco corrente anche prima che venga superato, incentivando una distribuzione più uniforme del carico.
Model Predictive Control (MPC) con Previsioni: Questa è l'innovazione principale. L'algoritmo integra una previsione delle serie temporali per anticipare gli arrivi futuri e i picchi di domanda.
- Vengono testati tre modelli di previsione: un modello "naive" (basato sul profilo precedente), un modello lineare (Elastic Net) e un modello basato su XGBoost.
- Il termine di costo di domanda viene modificato per includere il picco previsto nel futuro immediato, permettendo al controllore di agire preventivamente (es. caricando più energia nelle ore a basso costo se si prevede un giorno affollato).

3. Contributi Chiave

Approccio MPC Anticipatorio: Sviluppo di un metodo MPC che utilizza previsioni temporali per anticipare i picchi di domanda, superando i limiti delle ottimizzazioni reattive.
Flessibilità tramite Prezzi Dinamici: Aumento della flessibilità del carico disponibile per il controllore incentivando gli utenti a scegliere l'opzione "SCHEDULED" attraverso sconti mirati nei momenti critici.
Superamento del Benchmark: Dimostrazione che l'approccio proposto supera le strategie di ottimizzazione state-of-the-art (inclusi metodi non-MPC e riformulazioni convesse) nella riduzione sia delle tasse di domanda che dei costi totali.

4. Risultati

Lo studio è stato validato tramite una simulazione Monte Carlo su dati reali di 2.274 sessioni di ricarica da una stazione pilota (SlrpEV) in California, con una tariffa di domanda di 20 $/kW.

Riduzione dei Costi: L'algoritmo MPC (in particolare con il modello naive) ha ridotto i costi totali dell'operatore del ~4,5% rispetto al benchmark.
Riduzione della Tassa di Domanda: La componente di demand charge è stata ridotta di circa il 16,9% (da 624 $a 519$ in media).
Efficienza Operativa: L'MPC riesce a spostare il carico verso le fasce orarie a basso costo (off-peak) e a evitare parzialmente i periodi di picco TOU, riducendo il picco di potenza istantaneo (es. da 28,64 kW nel benchmark a 24,57 kW in un esempio specifico).
Paradosso dell'Accuratezza: È emerso che la massima accuratezza della previsione (minimo RMSE) non corrisponde necessariamente alla migliore riduzione del picco. Il modello "naive" ha ottenuto i migliori risultati di riduzione del picco nonostante un errore di previsione più alto, suggerendo che la coerenza con la distribuzione dei dati di controllo è più importante della pura accuratezza statistica.

5. Significato e Implicazioni

Fattibilità Tecnica ed Economica: L'ottimizzazione congiunta di prezzo e potenza è tecnicamente fattibile e genera risparmi significativi. Questi risparmi possono essere usati per aumentare i profitti degli operatori o per offrire tariffe più basse agli utenti.
Scalabilità: Sebbene lo studio sia stato condotto su una stazione piccola (8 colonnine), gli autori notano che su reti più grandi la Legge dei Grandi Numeri livellerebbe le curve di carico, rendendo le previsioni ancora più accurate e l'MPC ancora più efficace.
Accettazione Utente: Il lavoro conferma che gli utenti sono disposti ad accettare la ricarica programmata in cambio di sconti, un comportamento già osservato in studi precedenti.
Limiti e Lavori Futuri: Lo studio attuale assume che gli utenti abbiano già deciso di ricaricare (non simulando pienamente l'opzione "LEAVE" nella simulazione Monte Carlo). Futuri lavori dovranno integrare meglio il comportamento umano e testare la scalabilità su centinaia di stazioni gestite da un singolo operatore.

In conclusione, il paper dimostra che l'uso di un controllore predittivo (MPC) combinato con strategie di pricing dinamico è uno strumento potente per mitigare i costi di domanda nelle infrastrutture di ricarica EV, trasformando la gestione della domanda da un problema reattivo a uno proattivo.