Dataset ad alta risoluzione delle risposte di ricarica dei veicoli elettrici sotto varie perturbazioni della qualità della potenza

Perché la presa della tua auto conta

Man mano che le auto elettriche diventano veicoli di uso quotidiano, tendiamo a concentrarci sulle batterie, sull’autonomia e sul numero di punti di ricarica disponibili. Ma un altro fattore, meno visibile, influenza in modo silenzioso la velocità e la sicurezza con cui queste auto si ricaricano: la stabilità dell’elettricità che arriva dalla rete. Questo studio presenta un dataset dettagliato e aperto che cattura come un veicolo elettrico reale reagisce quando la potenza dalla presa è momentaneamente “imperfetta” in modi diversi, creando le basi per caricabatterie più intelligenti, reti più robuste e una migliore protezione delle costose batterie.

Gli intoppi invisibili della fornitura elettrica

Nelle reti elettriche reali, l’elettricità che arriva a casa tua o al parcheggio non è sempre perfettamente uniforme. La rete può subire brevi cali di tensione, picchi improvvisi, interruzioni di breve durata o forme d’onda distorte causate da macchinari pesanti, fluttuazioni delle fonti rinnovabili o tempeste. Queste perturbazioni della qualità della potenza possono rallentare la ricarica, attivare protezioni di sicurezza o, se si verificano con sufficiente frequenza, ridurre la vita utile della batteria. Fino ad ora, ricercatori e ingegneri disponevano di pochi dati reali condivisi che mostrassero esattamente come un veicolo elettrico completo si comporti sotto ciascun tipo di disturbo, rendendo difficile confrontare studi o progettare hardware di ricarica robusto.

Costruire una piattaforma di prova controllata

Per colmare questa lacuna, gli autori hanno realizzato una piattaforma di laboratorio specializzata che permette di “riprodurre” molti tipi di condizioni di rete imperfette in modo controllato. Hanno prima creato forme d’onda di tensione disturbate, sia con apposita elettronica sia generandole via software e poi riproducendole come segnali elettrici reali. Questi segnali alimentano una sorgente di corrente alternata programmabile, che a sua volta alimenta una colonnina di ricarica AC standard collegata a un’auto elettrica di produzione. Mentre l’auto si ricarica, gli strumenti registrano a elevata velocità tensione e corrente lato rete, e un’interfaccia dati all’interno dell’auto registra la tensione della batteria, la corrente di ricarica, lo stato di carica, la temperatura e altri segnali chiave. Tutte queste informazioni vengono memorizzate in file semplici e leggibili dalle macchine in modo che altri gruppi possano riutilizzare i dati.

Dieci tipi di disturbi e come reagisce l’auto

Il dataset esplora in modo sistematico dieci tipologie rappresentative di disturbo, come spostamenti di frequenza, armoniche aggiunte (ondulazioni extra sulla d’onda di potenza), sottotensioni e sovratensioni di breve o lunga durata, interruzioni totali o parziali e i classici “sag” e “swell” in cui la tensione cala o aumenta improvvisamente. Ogni esperimento modifica l’intensità e la durata del disturbo, mantenendo il livello di carica iniziale della batteria noto. Sovrapponendo la tensione disturbata con la corrente di ricarica dell’auto, gli autori mostrano come eventi diversi lascino “impronte” differenti: le interruzioni portano la corrente quasi a zero, i sag spesso attivano le protezioni del caricatore interrompendo bruscamente la ricarica, mentre transitori brevissimi disturbano pochissimo la corrente. Deviazioni più lunghe e più miti spingono dolcemente la corrente verso l’alto o verso il basso, rivelando la sensibilità del caricatore alle variazioni di rete quotidiane.

Dai segnali grezzi a una risorsa per la ricerca

Oltre a raccogliere i dati, il team si è preoccupato di garantirne accuratezza e utilità generale. Hanno calibrato gli strumenti rispetto a contatori di riferimento, verificato l’allineamento temporale fino a pochi millesimi di secondo, riparato piccoli vuoti nello stream di dati a bordo veicolo e confermato che i disturbi corrispondessero alle intensità e durate previste. Hanno poi riassunto ciò che era registrato in ogni file tramite statistiche semplici e misure in frequenza, e usato metodi di clustering per verificare che eventi chiaramente distinti, come una perdita totale di tensione, emergano in modo netto in questo spazio di caratteristiche. Un sottoinsieme esteso di test si è concentrato sui cali di tensione attraverso veicoli, caricabatterie e livelli di carica iniziali differenti, mostrando che sebbene i livelli assoluti di corrente cambino, il modello di base — cali più profondi che portano a ricariche più deboli — è sorprendentemente coerente.

Perché questo è importante per le ricariche future

In definitiva, questo lavoro non propone di per sé un nuovo algoritmo o un nuovo design di caricabatterie. Fornisce invece un “linguaggio comune” di misure reali accuratamente validate su cui altri possono costruire. Con questo dataset, i ricercatori possono confrontare in modo più equo metodi per rilevare e classificare le perturbazioni di rete, i produttori possono testare virtualmente nuovi caricabatterie prima di distribuirli, e i pianificatori di rete possono capire meglio quando la ricarica dei veicoli elettrici è destinata a fallire. Per gli automobilisti, il beneficio a lungo termine è più silenzioso: caricabatterie e reti che gestiscono con garbo gli intoppi elettrici quotidiani, mantenendo i tempi di ricarica prevedibili e le batterie più sane nel corso degli anni di utilizzo.

Citazione: Li, H., Zhang, Y., Yang, S. et al. High-resolution Dataset of Electric Vehicle Charging Responses Under Varied Power Quality Disturbances. Sci Data 13, 403 (2026). https://doi.org/10.1038/s41597-026-06768-5

Parole chiave: ricarica veicoli elettrici, perturbazioni della qualità della potenza, calo di tensione, dati smart grid, affidabilità della ricarica delle batterie