Deadline-Aware Electric Vehicles Charging with Distribution Transformer Overload Mitigation

Sintesi Tecnica: Ricarica di Veicoli Elettrici con Consapevolezza delle Scadenze e Mitigazione del Sovraccarico del Trasformatore di Distribuzione

Problematica
La rapida adozione dei veicoli elettrici (EV) esercita una pressione significativa sulle infrastrutture di distribuzione, in particolare sui trasformatori residenziali e commerciali non progettati per carichi di ricarica simultanei elevati. Sebbene la ricarica degli EV sia intrinsecamente flessibile nel tempo, il raggruppamento degli arrivi e l'eterogeneità delle scadenze di partenza possono causare sovraccarichi di breve durata ma severi. Tali sovraccarichi accelerano l'invecchiamento dell'isolamento del trasformatore e aumentano il rischio di guasti prematuri degli asset.

Gli schemi di coordinamento esistenti tipicamente impongono scadenze rigide e limiti severi al trasformatore, assumendo implicitamente che vi sia capacità sufficiente per soddisfare tutte le richieste. In condizioni di alta penetrazione di EV o di infrastrutture vincolate, queste formulazioni diventano inammissibili. Al contrario, le strategie sensibili al trasformatore che limitano rigorosamente il carico tendono a ridurre la ricarica in modo uniforme, fallendo nel considerare l'eterogeneità dell'urgenza dei diversi EV (ad esempio, pendolari con partenze fisse rispetto alla ricarica notturna flessibile). Ciò crea un vuoto operativo critico: come allocare la capacità limitata del trasformatore tra gli EV con scadenze variabili quando soddisfare tutte le richieste senza sovraccaricare il trasformatore è impossibile.

Metodologia
Il documento propone un framework di ricarica EV consapevole delle scadenze che scambia esplicitamente l'invecchiamento termico del trasformatore con la qualità del servizio di ricarica. L'approccio è sviluppato in tre fasi:

1. Formulazione Deterministica Offline:
   I ricercatori formulano prima un problema di ottimizzazione deterministica assumendo la piena conoscenza degli arrivi degli EV, delle richieste e dei carichi di base.

• Invecchiamento del Trasformatore: Lo stress è modellato utilizzando una proxy convessa del sovraccarico, $\Phi(P_t) = (P_t / P_{rated})^\alpha$, dove $\alpha > 1$. Questo cattura l'aumento rapido dell'invecchiamento man mano che il carico si avvicina alla capacità nominale.
• Scadenze Soft (Morbide): Invece di vincoli rigidi, il modello utilizza un termine di energia non soddisfatta pesato tramite penalità al momento della partenza. Ogni EV $j$ ha un coefficiente $\pi_j$ che riflette la sua flessibilità di ricarica (valori più alti di $\pi_j$ per i veicoli critici in termini di tempo). L'obiettivo minimizza la somma dell'invecchiamento cumulativo del trasformatore e delle penalità per l'energia non soddisfatta normalizzata.

2. Formulazione MDP Stocastica:
   Per affrontare l'incertezza del mondo reale (arrivi, partenze casuali ed evoluzione del carico di base), il problema viene esteso a un Processo Decisionale di Markov (MDP) a orizzonte finito.

• Stato: Include il carico di base e l'energia residua/scadenze degli EV connessi.
• Costo: Il costo per singolo step combina la proxy istantanea dell'invecchiamento del trasformatore e la penalità per l'energia non soddisfatta dei veicoli in partenza.
• Sfida: Risolvere esattamente la ricorsione di Bellman è computazionalmente intrattabile a causa dell'elevata dimensionalità dello spazio degli stati.

3. Policy Online a Bassa Complessità:
   Sfruttando le intuizioni strutturali dell'MDP, gli autori sviluppano una policy di ricarica in tempo reale basata su un Indice di Urgenza Consapevole del Costo Marginale.

• Meccanismo: Ad ogni step temporale, l'algoritmo calcola il costo marginale di invecchiamento ($g_t$) dell'aumento del carico del trasformatore. Calcola quindi un indice di urgenza $U_j(t)$ per ogni EV connesso, definito come il rapporto tra il beneficio marginale del servizio (basato sull'energia residua, il tempo alla scadenza, il coefficiente di flessibilità) e il costo marginale di invecchiamento.
• Allocazione: Gli EV sono ordinati per $U_j(t)$ in ordine decrescente. La potenza di ricarica viene allocata sequenzialmente finché la capacità del trasformatore non viene esaurita o il beneficio marginale del servizio del successivo EV scende al di sotto del costo marginale di invecchiamento ($U_j(t) < 1$). Ciò assicura che la capacità sia allocata preferenzialmente agli EV critici per il tempo solo quando il costo per la salute dell'asset è giustificato.

Risultati Chiave
L'approccio proposto è stato valutato attraverso studi di caso su un trasformatore di distribuzione da 100 kW in quattro scenari che vanno dalla bassa alla alta penetrazione di EV e congestione:

• Trade-off tra Invecchiamento e Servizio: Considerare esplicitamente l'invecchiamento del trasformatore nell'obiettivo ha ridotto costantemente lo stress termico in tutti gli scenari. Tuttavia, all'aumentare della congestione, sia l'invecchiamento che l'energia non soddisfatta sono aumentati, evidenziando il trade-off intrinseco.
• Performance Online vs Offline: La policy online ha prodotto un invecchiamento equivalente del trasformatore leggermente superiore rispetto al benchmark offline (che possiede una conoscenza perfetta del futuro), ma ha ottenuto un'energia di ricarica non soddisfatta inferiore. Ciò indica che la policy online alloca la potenza in modo più aggressivo per soddisfare la domanda realizzata, migliorando il completamento del servizio a un costo modesto per la vita utile dell'asset.
• Sensibilità all'Esponente di Invecchiamento ($\alpha$): Aumentare l'esponente di invecchiamento $\alpha$ ha reso il costo di invecchiamento più convesso, portando l'ottimizzatore ad evitare più aggressivamente la ricarica nelle ore di punta. Ciò ha ridotto l'invecchiamento ma ha aumentato l'energia non soddisfatta, confermando che $\alpha$ controlla efficacemente l'aggressività della protezione dell'asset.
• Differenziazione del Servizio: Negli scenari con EV "critici" (coefficienti di penalità elevati), la policy ha prioritizzato con successo questi veicoli, dimostrando la capacità del framework di gestire l'eterogeneità del servizio sotto congestione severa.

Significatività e Rivendicazioni
Il documento sostiene di affrontare un vuoto operativo fondamentale nella coordinazione della ricarica EV in cui i vincoli rigidi falliscono sotto congestione. I suoi principali contributi sono:

1. Fattibilità sotto Congestione: Ammorbidendo le scadenze tramite la penalità dell'energia non soddisfatta, il framework rimane ammissibile anche quando la capacità del trasformatore è insufficiente per soddisfare tutte le richieste, diversamente dagli approcci con vincoli rigidi.
2. Prioritizzazione Consapevole dell'Asset: La proposta policy online consente un trade-off fondato tra la protezione degli asset di distribuzione (tramite i costi di invecchiamento marginali) e il mantenimento della qualità del servizio (tramite gli indici di urgenza), permettendo un'allocazione preferenziale agli EV critici per il tempo.
3. Applicabilità in Tempo Reale: La low-complexity online policy approssima le performance del benchmark offline utilizzando solo informazioni locali e in tempo reale, rendendola adatta all'implementazione pratica senza richiedere conoscenze future.

Gli autori concludono che tenere esplicitamente conto della salute dell'asset e della flessibilità delle scadenze è essenziale per la coordinazione della ricarica EV sotto congestione, offrendo una via per bilanciare la preservazione della durata del trasformatore con le aspettative di ricarica dei clienti. Il lavoro futuro prevede l'estensione di questo framework ai vincoli a livello di linea (feeder) e alla coordinazione multi-trasformatore.