📈 economics

Efficient Electric Vehicle Charging Allocation: A Two-Stage Optimization and Participation Analysis

Questo paper propone un framework di ottimizzazione a due stadi per l'allocazione della ricarica dei veicoli elettrici che, determinando quote di ammissione alle stazioni e assegnando i veicoli in modo da massimizzare l'utilità, riduce significativamente la congestione peggiore con un impatto limitato sull'utilità media, integrando inoltre un modello di partecipazione per analizzare le soglie di adozione.

Autori originali: Ruiwu Liu, Yangjian Zhu

Pubblicato 2026-03-18

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Ruiwu Liu, Yangjian Zhu

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 il mondo delle auto elettriche come una grande festa in una città dove tutti vogliono bere da un numero limitato di fontane (le colonnine di ricarica). Il problema è che, a differenza di quando si mette benzina (che richiede pochi secondi), ricaricare un'auto elettrica è come riempire una vasca da bagno: ci vuole tempo. Se tutti corrono verso le stesse fontane popolari, si crea un ingorgo terribile: code lunghissime, attese infinite e molta frustrazione.

Questo articolo propone una soluzione intelligente, divisa in due fasi, per gestire questa folla e rendere tutto più fluido, come un direttore d'orchestra che dirige il traffico.

Ecco come funziona, spiegato con parole semplici:

1. La Fase 1: Il "Controllore del Traffico" (Gestione dell'Ingorgo)

Immagina di avere un controllore del traffico aereo che non lascia atterrare tutti gli aerei sullo stesso aeroporto, anche se è il più vicino.

Cosa fa: Prima ancora che le auto arrivino, il sistema calcola quante auto possono essere ammesse in ogni colonnina per evitare che una ne diventi un "parcheggio" mentre le altre restano vuote.
L'obiettivo: Non si tratta di far andare tutti felici subito, ma di evitare il disastro peggiore. Il sistema dice: "Ok, la colonnina A è già piena, non ne accettiamo altre per ora; mandiamo le auto verso la colonnina B che è libera".
La metafora: È come se un buttafuori intelligente alla porta di un club decidesse quanti clienti far entrare in base a quanto è affollato il locale, per evitare che la fila fuori diventi infinita.

2. La Fase 2: Il "Buttafuori Gentile" (Assegnazione Ottimale)

Una volta che il controllore ha detto "Ok, la colonnina A può accettare 5 auto, la B ne può accettare 10", arriva la seconda fase.

Cosa fa: Il sistema guarda ogni singola auto e decide quale colonnina è la migliore per quella specifica auto, tenendo conto di quanto è lontana, quanto è scarica la batteria e quanto l'utente è disposto a pagare.
L'obiettivo: Massimizzare la felicità (utilità) di tutti. Se un'auto è molto vicina alla colonnina B, le viene assegnata quella. Se un'altra è più vicina alla A, va lì.
La metafora: È come un maggiordomo che, sapendo quanti posti ci sono in ogni tavolo del ristorante, assegna ogni ospite al tavolo più comodo per lui, senza creare confusione.

3. Il Problema della "Fretta" (Partecipazione)

C'è un ultimo pezzo del puzzle: perché le persone dovrebbero obbedire a questo sistema invece di scegliere da sole la colonnina più vicina?

Il dilemma: Se il sistema funziona bene, anche chi non partecipa (chi sceglie da solo) potrebbe beneficiare del fatto che le altre persone sono state organizzate (un po' come se il traffico fosse meno pesante per tutti). Questo crea un incentivo a "barare" e non iscriversi al sistema (il famoso "free-rider").
La soluzione: Gli autori spiegano che per far funzionare il sistema, serve un punto di partenza critico. Se poche persone partecipano, il sistema non vale la pena (i costi di gestione sono alti rispetto ai benefici). Ma se si raggiunge una certa massa critica (ad esempio con sconti iniziali o incentivi), il sistema diventa vantaggioso per tutti e si auto-sostiene.

In sintesi: Cosa ci guadagniamo?

Gli esperimenti numerici mostrano che questo metodo a due fasi:

Riduce drasticamente le code peggiori: Niente più attese di ore in una sola colonnina mentre le altre sono vuote.
Mantiene la felicità alta: La maggior parte delle persone arriva alla sua colonnina in modo efficiente, senza perdere troppo tempo.
Scalabilità: Più colonnine ci sono nella città, meglio funziona il sistema, perché c'è più libertà di scelta per il "buttafuori".

Conclusione creativa:
Invece di lasciare che le auto elettriche siano come un branco di pecore che corre tutte verso l'erba più verde (creando un calpestio terribile), questo articolo propone di avere un pastore intelligente che le guida verso i pascoli giusti, assicurandosi che nessuno rimanga affamato e che nessuno si stanchi troppo camminando. È un equilibrio tra ordine (evitare il caos) e libertà (scegliere la strada migliore per te).

1. Il Problema

L'adozione rapida dei veicoli elettrici (EV) ha creato una sfida critica: i tempi di ricarica sono significativamente più lunghi rispetto al rifornimento di benzina. Quando la domanda si concentra su specifiche stazioni di ricarica, ciò genera gravi congestioni, code lunghe e tempi di attesa estremi.
Le decisioni di ricarica non coordinate creano esternalità di congestione: un veicolo che sceglie una stazione aumenta i tempi di attesa per gli altri, mentre stazioni sottoutilizzate rimangono inattive. La letteratura esistente affronta spesso la congestione tramite modelli di coda o l'allocazione tramite prezzi dinamici e routing, ma manca di un quadro unificato che separi esplicitamente il controllo della congestione a livello di sistema dalla massimizzazione del benessere a livello di utente, considerando anche le dinamiche di partecipazione volontaria.

2. Metodologia: Un Framework a Due Stadi

Gli autori propongono un framework di ottimizzazione a due stadi per la gestione delle reti di ricarica EV, integrato con un modello di partecipazione ridotta.

Stadio 1: Controllo della Congestione e Quote di Ammissione

L'obiettivo è controllare la congestione nel "caso peggiore" (worst-case) a livello di stazione.

Meccanismo: Un coordinatore centrale determina quote di ammissione ( $f_i$ ) per ogni stazione di ricarica.
Modellazione della Coda: La stazione è approssimata come una coda $M/M/c_i$ . Poiché l'inversione della mappa di stato stazionario per ottenere un flusso di uscita esplicito è intrattabile per $c_i > 1$ , gli autori utilizzano un'approssimazione di flusso in uscita saturante (basata su Gusrialdi et al., 2017):
$g_i(k) = c_i \mu_i \frac{x_i(k)}{1 + x_i(k)}$
dove $x_i(k)$ è il numero di veicoli nella stazione e $g_i(k)$ è il numero di veicoli che lasciano la stazione.
Ottimizzazione: Il problema è formulato come una minimizzazione del ritardo massimo (min-max) tra tutte le stazioni, soggetto a vincoli di conservazione del flusso e stabilità della coda. Questo internalizza le esternalità di congestione a livello di sistema.

Stadio 2: Assegnazione per Massimizzazione dell'Utilità

Dato il set di quote determinato nello Stadio 1, il coordinatore assegna i veicoli alle stazioni per massimizzare l'utilità complessiva.

Vincoli: Ogni veicolo deve essere assegnato a una stazione raggiungibile (in base allo stato di carica, SoC) e il numero totale di veicoli assegnati a una stazione non può superare la quota $f_i(k)
Calcolo dell'Utilità:
- Viene pre-calcolato in forma chiusa l'importo ottimale di ricarica ( $E^*_{ni}$ ) per ogni coppia Veicolo-Stazione, massimizzando una funzione di beneficio concava soggetta al vincolo di capacità della batteria.
- L'utilità netta include il beneficio di ricarica, il disagio per la distanza e un termine di costo temporale legato alla congestione ( $\eta W_i(k)$ ).
Formulazione: Il problema è risolto come un problema di assegnazione/trasporto capacitato (risolvibile efficientemente tramite flussi a costo minimo o programmazione lineare).

Modello di Partecipazione

Per analizzare la sostenibilità della piattaforma coordinata, gli autori introducono un modello di adozione ridotto.

Dinamica: Confronta l'utilità dei partecipanti ( $\pi_J$ ) con quella dei non partecipanti ( $\pi_{NJ}$ ).
Fattori Chiave:
- Benefici di rete ( $A$ ) e spillover per i non partecipanti ( $G$ , effetto free-rider).
- Costi di coordinazione/congestione convessi ( $B$ ).
- Costi di adesione ( $c$ ).
Risultato: Il modello identifica soglie di partecipazione critiche. La piattaforma è sostenibile solo per intervalli intermedi di partecipazione, evidenziando la necessità di incentivi iniziali ("cold-start") per superare la soglia di adozione.

3. Contributi Chiave

Separazione dei Livelli: Unificazione esplicita del controllo della congestione (Stadio 1) e della massimizzazione del benessere (Stadio 2), a differenza degli approcci esistenti che spesso trattano questi aspetti in modo accoppiato o focalizzato solo su risposte individuali.
Gestione Pratica delle Quote: A differenza dei modelli di matching stabili (es. Gale-Shapley) che possono prevedere il rifiuto dei clienti, il modello utilizza quote di ammissione che riflettono la realtà operativa delle stazioni, fornendo una regola di allocazione direttamente implementabile.
Trattabilità Computazionale: L'uso di soluzioni in forma chiusa per l'importo di ricarica ottimale riduce lo Stadio 2 a un classico problema di trasporto, rendendo il modello scalabile.
Analisi Economica della Congestione: Chiarisce due modi di internalizzare la congestione: tramite vincoli rigidi (quote, $\eta=0$ ) o tramite costi temporali espliciti nell'utilità ( $\eta>0$ ).
Modellazione della Partecipazione: Estende l'analisi oltre l'allocazione operativa, caratterizzando le soglie di adozione in presenza di esternalità di rete e costi di coordinamento.

4. Risultati Sperimentali

Le simulazioni numeriche confrontano il framework proposto con due baseline:

Scelta libera (Free Choice): I veicoli scelgono la stazione più vicina.
Matching basato (Yoshihara/Gale-Shapley): Un algoritmo di matching esistente.

Risultati principali:

Riduzione della Congestione: Il meccanismo a due stadi riduce drasticamente le misure di congestione nel caso peggiore (lunghezza massima della coda e tempi di attesa massimi) rispetto alla scelta libera.
Utilità Media: In reti piccole, l'impatto sull'utilità media è limitato a causa della scarsità di opzioni. Tuttavia, all'aumentare del numero di stazioni, l'allocazione ottimizzata supera significativamente le baseline in termini di utilità media, sfruttando meglio l'eterogeneità delle preferenze.
Confronto con il Matching: Il metodo proposto supera l'algoritmo di matching basato su Yoshihara (2020) in termini di efficienza allocativa e profili di ritardo, poiché evita comportamenti di rifiuto e si concentra sulla massimizzazione del benessere globale sotto vincoli di capacità.
Scalabilità: I risultati mostrano pattern di scalabilità favorevoli all'aumentare della densità delle stazioni.

5. Significato e Implicazioni

Questo lavoro offre un quadro operativo e teorico robusto per la gestione delle reti di ricarica EV.

Gestione Operativa: Dimostra che un coordinamento centrale, anche con informazioni limitate (stime di coda), può mitigare efficacemente la congestione critica senza sacrificare eccessivamente il benessere degli utenti.
Politiche di Adozione: Il modello di partecipazione evidenzia che i sistemi coordinati non sono automaticamente sostenibili; richiedono meccanismi specifici (come sussidi iniziali) per superare il problema del "free-rider" e raggiungere una massa critica di utenti.
Futuri Sviluppi: Il framework è pronto per essere calibrato con dati reali, esteso a prezzi dinamici nel tempo e meccanismi di prenotazione, offrendo una base solida per la progettazione di infrastrutture di ricarica intelligenti.

In sintesi, la proposta degli autori bilancia l'efficienza operativa (riduzione delle code) con l'efficienza economica (massimizzazione dell'utilità), fornendo strumenti analitici per la gestione sia tecnica che comportamentale delle reti di ricarica EV.