Un gruppo di scienziati indiani ha sviluppato un nuovo metodo per programmare la ricarica dei veicoli elettrici (EV) nelle stazioni di ricarica che includono sistemi di generazione fotovoltaica e di accumulo di energia tramite batterie (Bess).
Il metodo proposto è composto da due componenti: ottimizzazione e gerarchizzazione. La prima ottimizza sia la collocazione delle stazioni di ricarica EV all’interno di un sistema radiale a 33 nodi IEEE, sia la dimensione del sistema fotovoltaico e del Bess. La seconda determina l’ordine di ricarica dei veicoli.
“Questa ricerca affronta il caos ottimizzando il posizionamento e le operazioni delle stazioni nella rete di distribuzione, assicurando un flusso di potenza efficiente e riducendo al contempo emissioni e costi,” ha dichiarato il team. “Superando questi ostacoli, si favorisce un trasporto sostenibile che non sovraccarica le vecchie reti elettriche, rendendo i veicoli elettrici una soluzione pratica per tutti, dai pendolari urbani ai guidatori su lunga distanza.”
La parte di ottimizzazione si basa su un algoritmo MOROA (“multi-objective remora optimization algorithm”) ispirato ai movimenti dei pesci remora e al modo in cui si attaccano a organismi marini più grandi. Per determinare la dimensione ottimale di fotovoltaico e Bess, il modello effettua prima una “esplorazione libera,” simile a una ricerca globale con salti significativi. In seguito, passa a “attacchi” mirati, localizzando meglio l’area di soluzione, e infine entra nella fase di “sfruttamento,” affinando la soluzione migliore.
Per la gerarchizzazione, il sistema adotta l’analytical hierarchy process (AHP) per valutare la possibilità di assegnare uno slot di ricarica a un VE. La richiesta parte da un’app mobile. Il sistema valuta vari parametri per l’assegnazione, tra cui ora di arrivo, ora di partenza supponendo una ricarica di cinque ore, stato di carica attuale, stato desiderato di carica, distanza dalla stazione, e disponibilità degli slot. Un algoritmo assegna un punteggio normalizzato a ciascun parametro in base al quale viene presa la decisione.
“Il meccanismo dei pesi nella classifica riduce lo stress sulla rete, traducendosi in meno blackout e tariffe elettriche più basse per la comunità,” ha spiegato il team. “I proprietari di EV beneficiano di ricariche più veloci ed economiche, mentre gli operatori delle stazioni aumentano i profitti grazie all’integrazione ottimizzata fotovoltaico-Bess. A livello ambientale, la riduzione delle emissioni sostiene la neutralità carbonica globale, evitandone potenzialmente tonnellate annue nelle aree con alto tasso di VE.”
Per testare il metodo, i ricercatori hanno effettuato una simulazione MATLAB del sistema IEEE 33 nodi, inserendo due stazioni di ricarica—EVCS 1, EVCS 2—ciascuna con BESS e fotovoltaico dimensionati in modo ottimale. EVCS 1 era progettata per 40 EV, ed EVCS 2 per 80, ma hanno ricevuto richieste simultanee rispettivamente da 80 e 150 veicoli. Nella simulazione sono stati considerati tre tipi di EV: MG Comet (batteria da 17,3 kWh), Tata Tiago (19,2 kWh), Citroën eC3 (29,2 kWh).
Sono stati simulati quattro scenari: caso base senza aggiunte (caso 1); IEEE 33 nodi con le due EVCS (caso 2), con EVCS e PV (caso 3); e con EVCS, PV e BESS (caso 4). Dove necessario, MOROA ha posizionato EVCS 1 sul nodo 29, EVCS 2 sul nodo 11. Dove necessario il PV, sono stati previsti 514 moduli da 5 kW per la prima stazione e 318 per la seconda. EVCS 1 necessita di 90 BESS da 18 kWh ciascuno, EVCS 2 di 92.
Nel caso 1, la perdita totale di potenza era 2.206,88 kW. Negli altri casi rispettivamente 2.417,97 kW, 1.604,01 kW e 1.591,52 kW per i casi 2, 3 e 4. Le emissioni dalla rete di upstream erano 34.055,24 kg, 35.543,88 kg, 24.926,55 kg e 25.056,24 kg rispettivamente. I costi totali per ciascuna configurazione erano 92.629.901,34 INR ($1.045.566,50), 96.952.067,57 INR, 161.078.952,90 INR, e 164.542.048,50 INR.
“Questo approccio potrebbe rivoluzionare la pianificazione urbana, integrando EVCS intelligenti in città smart dove la combinazione fotovoltaico-BESS gestisce le richieste in tempo reale da flotte EV estese,” hanno concluso i ricercatori. “Ulteriori studi potranno integrare l’AI per la modellazione predittiva del traffico EV o fonti rinnovabili ibride come il vento, migliorando la resilienza alle variabilità climatiche. Perfezionando le incertezze nei comportamenti EV—come gli arrivi casuali—le future evoluzioni potranno ottimizzare reti più grandi, riducendo ancora di più costi ed emissioni per una transizione armonica verso la mobilità elettrica globale.”
I risultati sono pubblicati in “Multi-objective electric vehicle charge scheduling for photovoltaic and battery energy storage based electric vehicle charging stations in distribution network,” sulla rivista Green Energy and Intelligent Transportation. Allo studio hanno partecipato ricercatori della Siksha ‘O’ Anusandhan University e della Biju Patnaik University of Technology.
I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.
Inviando questo modulo consenti a pv magazine di usare i tuoi dati allo scopo di pubblicare il tuo commento.
I tuoi dati personali saranno comunicati o altrimenti trasmessi a terzi al fine di filtrare gli spam o se ciò è necessario per la manutenzione tecnica del sito. Qualsiasi altro trasferimento a terzi non avrà luogo a meno che non sia giustificato sulla base delle norme di protezione dei dati vigenti o se pv magazine ha l’obbligo legale di effettuarlo.
Hai la possibilità di revocare questo consenso in qualsiasi momento con effetto futuro, nel qual caso i tuoi dati personali saranno cancellati immediatamente. Altrimenti, i tuoi dati saranno cancellati quando pv magazine ha elaborato la tua richiesta o se lo scopo della conservazione dei dati è stato raggiunto.
Ulteriori informazioni sulla privacy dei dati personali sono disponibili nella nostra Politica di protezione dei dati personali.