A MEC-Based Optimization Framework for Dynamic Inductive Charging

1. Enunciato del Problema

L'adozione diffusa dei Veicoli Elettrici a Batteria (BEV) è ostacolata dall'"ansia da autonomia" e dai lunghi tempi di ricarica. La Ricarica Induttiva Dinamica (DIC) offre una soluzione consentendo il trasferimento di energia wireless mentre i veicoli sono in movimento, riducendo potenzialmente le dimensioni e i costi delle batterie. Tuttavia, l'infrastruttura DIC affronta due sfide critiche:

• Alto Costo e Vincoli di Potenza: I sistemi DIC sono costosi da implementare e operano sotto rigidi vincoli di budget energetico.
• Allocazione delle Risorse Non Coordinata: La letteratura attuale si concentra sulle prestazioni del singolo veicolo o sulla pianificazione infrastrutturale. Manca una strategia a livello di sistema per allocare la potenza limitata tra più veicoli con esigenze eterogenee.
• Il Problema Centrale: Senza un coordinamento intelligente, la ricarica non coordinata porta a un utilizzo subottimale delle risorse (quando la domanda è alta ma la potenza è disponibile) e a una critica insoddisfazione degli utenti (quando la domanda supera la capacità, lasciando veicoli con batterie scariche incapaci di completare i loro viaggi).

2. Metodologia

Gli autori propongono un framework di Controllo Predittivo (MPC) integrato con il Mobile Edge Computing (MEC) e le comunicazioni Vehicle-to-Everything (V2X) per ottimizzare dinamicamente l'allocazione della potenza.

A. Architettura di Sistema

• Scenario: Un segmento stradale urbano realistico di 10 km a Istanbul, Turchia, modellato nel simulatore di traffico SUMO. La strada presenta 10 "strisce" DIC (segmenti con bobine incorporate) su due corsie.
• Comunicazione: I veicoli trasmettono lo stato della batteria (Stato di Carica - SoC), la capacità, il SoC di uscita desiderato e i dati del percorso a un'unità ITS-PM (Gestione della Potenza del Sistema di Trasporto Intelligente) ospitata su un server MEC. Il server calcola le assegnazioni di potenza ottimali e le invia ai veicoli.
• Ciclo di Controllo: Il sistema opera in intervalli di tempo discreti ($\Delta T = 5$ secondi) su un orizzonte di previsione ($K$ intervalli).

B. Formulazione dell'Ottimizzazione

Il cuore della metodologia è un Programma Quadratico Convesso (QP) risolto a ogni intervallo di tempo per minimizzare una funzione di costo ($J_t$) soggetto a vincoli fisici e operativi.

• Variabili di Decisione:
  • $P_{v,k}$: Potenza allocata al veicolo $v$.
  • $P_{s,k}$: Potenza assegnata alla striscia $s$.
  • $b_{v,k}$: SoC previsto della batteria.
• Vincoli:
  • Dinamica della Batteria: Evoluzione del SoC basata sul consumo e sull'efficienza di ricarica.
  • Limiti di Potenza: Limiti basati sulla capacità della bobina, sui limiti del pad del veicolo e sul budget totale del sistema ($P_{tot}$).
  • Vincoli delle Strisce: La potenza deve essere distribuita tra le strisce, permettendo un riequilibrio dinamico (fino a un fattore $\rho$) tra strisce adiacenti.
• Funzione Obiettivo ($J_t$):
  La funzione minimizza tre componenti:
  1. Errore di Tracciamento della Batteria: Minimizza la differenza quadrata tra il SoC previsto e il SoC target desiderato ($b^{des}_v$).
  2. Ponderazione dell'Urgenza: Prioritizza i veicoli con un ampio divario tra il SoC corrente e quello desiderato e quelli con tempi di viaggio residui brevi ($\tau_v$).
  3. Entrate ed Efficienza: Include termini per le entrate dell'operatore (prezzo dell'energia) e per minimizzare il divario tra la potenza assegnata alla striscia e l'assorbimento effettivo del veicolo per massimizzare l'utilizzo.

3. Contributi Chiave

1. Algoritmo di Allocazione della Potenza basato su MPC: Un algoritmo innovativo che bilancia dinamicamente l'urgenza individuale del veicolo, le traiettorie previste e i vincoli di capacità a livello di sistema per massimizzare equità ed efficienza.
2. Progettazione del Protocollo di Comunicazione: Un protocollo definito per scambiare dati minimi ma critici (livelli di batteria, percorsi, assegnazioni di potenza) tra veicoli e infrastruttura utilizzando gli standard V2X esistenti (ETSI ITS-G5) potenziati con messaggi specifici di gestione della potenza.
3. Framework di Simulazione Open-Source: Gli autori hanno rilasciato uno strumento di simulazione basato su SUMO che modella vincoli DIC realistici (topologia delle strisce, budget di potenza, variabilità del traffico) per consentire ricerche riproducibili in questo dominio.

4. Risultati

Il framework è stato valutato rispetto a una strategia di Riferimento (BENCH) (allocazione statica e non coordinata) sotto tre intensità di traffico: Bassa ($\lambda=5$), Media ($\lambda=12$) e Alta ($\lambda=20$ veicoli/min).

• Traffico Basso (Risorse Abbondanti): Sia la strategia BENCH che OPT hanno performance simili, soddisfacendo tutte le richieste dei veicoli. Il coordinamento ha offerto benefici marginali in questo scenario.
• Traffico Medio (Domanda Oscillante):
  • BENCH: Ha faticato durante i picchi di domanda, non riuscendo a sfruttare pienamente la capacità di potenza disponibile a causa dell'allocazione statica.
  • OPT: Ha raggiunto un utilizzo delle risorse quasi perfetto riequilibrando dinamicamente la potenza tra le strisce in base alla domanda in tempo reale.
• Traffico Alto (Scarsità di Risorse):
  • Utilizzo delle Risorse: Entrambe le strategie hanno saturato il budget totale di potenza.
  • Soddisfazione dell'Utente ($\phi_v$): Questo è stato il differenziatore critico.
    • BENCH: Ha portato a una "coda pesante" di veicoli criticamente insoddisfatti. La distribuzione uniforme ha significato che molti veicoli sono partiti con carica insufficiente, rischiando ansia da autonomia o fermate di emergenza.
    • OPT: Ha implementato una politica basata prima sull'equità. Ha prioritizzato aggressivamente i veicoli con batterie scariche (Veicoli in Test - VUT) a scapito dei veicoli ben caricati.
    • Esito: La Funzione di Distribuzione Cumulativa (CDF) ha mostrato che OPT ha ridotto significativamente il numero di veicoli criticamente insoddisfatti (migliorando la coda inferiore della distribuzione), garantendo che i bisogni più urgenti fossero soddisfatti anche se ciò significava che alcuni veicoli meno critici ricevevano leggermente meno della loro massima carica possibile.

5. Significato e Lavori Futuri

• Fattibilità a Livello di Sistema: Questo è il primo lavoro ad analizzare i sistemi DIC a livello di flusso di traffico, dimostrando che una gestione intelligente della potenza è essenziale per la sostenibilità economica e operativa.
• Impatto Economico: Massimizzando la soddisfazione degli utenti durante i picchi di carico e abilitando la tariffazione dinamica, il framework supporta la sostenibilità economica dell'infrastruttura DIC.
• Potenziale di Riduzione delle Batterie: Una DIC efficiente potrebbe permettere batterie veicolari più piccole ed economiche, accelerando ulteriormente l'adozione dei BEV.
• Direzioni Future: Gli autori suggeriscono ricerche future per confrontare strategie in ambienti diversi (autostrada vs urbano), ottimizzare i protocolli di comunicazione per il 5G/6G e indagare l'impatto sui requisiti di produzione delle batterie.

Conclusione: Il documento dimostra che senza un framework di ottimizzazione intelligente basato su MEC, i sistemi DIC non riusciranno a soddisfare le esigenze degli utenti durante i picchi di domanda. L'approccio MPC proposto trasforma con successo una risorsa vincolata in una rete di ricarica equa, efficiente e incentrata sull'utente.