Synergetic capacity planning of public and private EV charging piles via city-scale multi-objective optimization

Sintesi Tecnica: Pianificazione Sinergica della Capacità di Colonnine di Ricarica per Veicoli Elettrici Pubbliche e Private tramite Ottimizzazione Multi-Obiettivo su Scala Urbana

Enunciato del Problema
La rapida espansione dei veicoli elettrici (EV) ha creato un divario persistente tra la crescita dei veicoli e la disponibilità dell'infrastruttura di ricarica. Sebbene la Cina guidi il mercato globale degli EV, la sincronizzazione tra il dispiegamento dei veicoli e la capacità delle colonnine di ricarica rimane imperfetta, caratterizzata da squilibri spaziali in cui i nuclei urbani sono sovradimensionati mentre le aree periferiche rimangono indietro. Gli approcci di pianificazione esistenti spesso si basano su proiezioni aggregate e basate sugli stock che non riescono a catturare le differenze tra i tipi di propulsione (Veicoli Elettrici a Batteria [BEV], Veicoli Elettrici Ibridi Plug-in [PHEV] e Veicoli Elettrici a Estensione di Autonomia [EREV]), gli effetti climatici stagionali e i modelli di utilizzo distinti della ricarica pubblica rispetto a quella privata. Inoltre, la pianificazione su scala urbana manca frequentemente di una logica di allocazione unificata che bilanci costo economico, stabilità della rete ed equità regionale, trattando spesso l'equità come un principio generale piuttosto che come un vincolo applicabile.

Metodologia
Lo studio propone un quadro di pianificazione su scala urbana guidato dalla domanda, applicato a Chongqing, Cina, coprendo il periodo dal 2022 al 2030. La metodologia è composta da tre componenti integrate:

1. Stima della Domanda Bottom-Up ad Alta Risoluzione:

   • Il modello disaggrega la domanda di ricarica degli EV per modello di veicolo e tipo di propulsione (BEV, PHEV, EREV).
   • Incorpora le variazioni stagionali dividendo l'anno in "stagioni miti" (primavera/autunno) e "stagioni a clima estremo" (estate/inverno) per tenere conto dei cambiamenti indotti dalla temperatura nel consumo energetico (carichi di riscaldamento/raffreddamento).
   • La domanda di ricarica è calcolata utilizzando un approccio bottom-up basato sui dati di immatricolazione dei veicoli, sul chilometraggio medio annuale, sulla capacità della batteria e sull'autonomia di guida nominale (CLTC), corretti da fattori di consumo energetico specifici per la stagione e la versione del veicolo.

2. Modello di Pianificazione della Capacità Multi-Obiettivo:

   • È formulato un modello di pianificazione sinergica per ottimizzare simultaneamente l'allocazione delle colonnine di ricarica pubbliche e private tra i distretti amministrativi.
   • Obiettivi:
     • Minimizzare il costo totale del ciclo di vita (investimento e gestione/manutenzione).
     • Minimizzare la fluttuazione del carico di rete (varianza del carico di rete trimestrale).
     • Massimizzare il potenziale totale di approvvigionamento energetico (basato sui tassi di utilizzo).
   • Vincoli: Il modello include vincoli rigidi per l'equità regionale per garantire un servizio equilibrato attraverso la gerarchia "Nucleo-Suburbano-Extraurbano".
   • Solver: L'algoritmo di Ottimizzazione degli Alti di Harris (Harris Hawks Optimization - HHO) è impiegato per risolvere il problema di ottimizzazione non lineare ad alta dimensionalità, gestendo i compromessi tra obiettivi conflittuali.

3. Previsione e Validazione:

   • Un Modello Grigio di Ordine Frazionario ottimizzato da HHO (HHO-FGM) è utilizzato per proiettare la domanda totale di colonnine di ricarica dal 2025 al 2030.
   • Il quadro è validato attraverso analisi di sensitività riguardanti gli standard dei cicli di guida (NEDC, WLTP, CLTC) e i tassi di crescita delle immatricolazioni di EV, nonché confronti con i dati reali di dispiegamento dal 2022 al 2024.

Contributi Chiave

• Contabilità Granulare della Domanda: Lo studio supera i modelli aggregati modellando esplicitamente l'intensità energetica e le dinamiche della domanda per specifici modelli di veicoli e tipi di propulsione, catturando il cambiamento strutturale verso PHEV ed EREV.
• Pianificazione Sinergica Pubblico-Privata: Introduce un quadro di ottimizzazione unificato che pianifica congiuntamente colonnine di ricarica pubbliche e private, affrontando la frammentazione storica in cui questi due settori sono spesso pianificati indipendentemente.
• Ottimizzazione Integrata con l'Equità: L'equità regionale è incorporata come vincolo rigido all'interno della funzione multi-obiettivo, garantendo che l'allocazione risultante non segua meramente la concentrazione della domanda, ma mitighi attivamente le disparità di servizio urbano-rurale.
• Quadro Scalabile: La metodologia è progettata per essere trasferibile ad altre città che sperimentano una rapida elettrificazione ed eterogeneità spaziale, offrendo uno strumento per la progettazione degli investimenti a lungo termine e delle politiche.

Risultati

• Trend della Domanda: Tra giugno 2022 e la fine del 2024, il consumo mensile di energia elettrica degli EV a Chongqing è triplicato, passando da 18,9 GWh a 57,5 GWh. La struttura del mercato è cambiata significativamente, con la quota combinata di PHEV ed EREV che è salita al 57,6%, rendendo necessaria una pianificazione dell'infrastruttura specifica per la tecnologia. È stata osservata una significativa volatilità stagionale, con un picco del consumo invernale dovuto alla domanda di riscaldamento.
• Disallineamento Spaziale: L'analisi storica ha rivelato che il dispiegamento reale delle colonnine di ricarica era fortemente concentrato nel nucleo urbano, lasciando le aree suburbane e di contea sottoservite. La capacità di ricarica pubblica è rimasta costantemente indietro rispetto alla domanda in tutti i distretti.
• Prestazioni di Ottimizzazione: La configurazione ottimizzata ha raggiunto un punteggio di prestazione complessivo di 0,28 nel 2024, un miglioramento significativo rispetto al punteggio di dispiegamento reale di 0,65. Il piano ottimizzato ha bilanciato meglio l'adeguatezza del servizio attraverso la gerarchia urbana mantenendo al contempo la stabilità della rete.
• Proiezioni 2030: Entro il 2030, si prevede che Chongqing richiederà circa 1,8 milioni di unità di ricarica. La strategia ottimizzata mantiene un rapporto stabile privato-pubblico di 9:1, con colonnine private che raggiungono 1,57 milioni e colonnine pubbliche che raggiungono 176.800. Si prevede che questa configurazione riduca le fluttuazioni del carico di rete del 24,8% e migliori il potenziale di approvvigionamento energetico del 6,6% rispetto alla linea di base del 2024.

Significato
L'articolo afferma che il suo significato principale risiede nel fornire uno strumento versatile e spazialmente esplicito per i decisori politici a supporto del dispiegamento sostenibile ed economicamente efficiente dell'infrastruttura EV. Integrando la contabilità della domanda ad alta risoluzione con l'ottimizzazione multi-obiettivo, lo studio affronta lacune critiche nella letteratura esistente che spesso si concentra sull'ottimizzazione a livello di stazione o si basa su ipotesi di domanda semplificate. Il quadro consente un'analisi trasparente dei compromessi tra costo, compatibilità con la rete e accesso equo, offrendo una base solida per coordinare lo sviluppo della rete di ricarica urbana e allineare l'infrastruttura con gli obiettivi di elettrificazione a lungo termine. Gli autori sottolineano che, sebbene Chongqing serva come caso di studio, la metodologia è progettata per essere applicabile ad altre città che affrontano sfide simili di rapida elettrificazione ed eterogeneità spaziale.