Ottimizzazione QUBO incentrata sull’aggregatore di VE per il coordinamento di potenza attiva e reattiva in reti di distribuzione guidate da DLMP

Perché la tua auto potrebbe contribuire a mantenere accese le luci

Con la diffusione delle auto elettriche nei quartieri, questi veicoli si stanno silenziosamente trasformando in uno degli strumenti più potenti della rete. Anziché essere solo un altro dispositivo da collegare alla presa la notte, la batteria e il caricatore di un’auto parcheggiata possono contribuire ad appiattire la domanda, sostenere la tensione locale e persino generare guadagni per il proprietario. Questo articolo esplora come migliaia di veicoli elettrici, agendo insieme tramite un aggregatore, possano essere schedulati in modo da ricaricarsi a basso costo, stabilizzare la rete e prepararsi per un futuro in cui nuove forme di calcolo affronteranno problemi troppo complessi per i metodi odierni.

Da auto solitarie a sciami coordinati

Lo studio si concentra sugli aggregatori di veicoli elettrici—aziende o piattaforme che gestiscono la ricarica di flotte numerose per conto degli automobilisti. Piuttosto che considerare ogni auto come un carico isolato, l’aggregatore raggruppa i veicoli con orari di arrivo, bisogni energetici e potenze di caricatore simili in pochi cluster. Questo rende affrontabile un problema esteso con 1.000 auto rispettando al contempo quando ogni guidatore arriva a casa, quanto dovrà guidare il giorno successivo e quanto velocemente l’auto può ricaricare. Questi cluster poi funzionano come blocchi di domanda controllabili che possono essere spostati nel tempo o regolati verso l’alto o verso il basso per aiutare la rete.

Una gerarchia elettrica invertita che privilegia la flessibilità

Tradizionalmente, l’operatore locale di rete dice a tutti gli altri cosa fare: fissa i prezzi e i generatori e i consumatori rispondono. Qui, quella gerarchia è ribaltata. L’aggregatore di veicoli elettrici è trattato come il leader in un gioco a due livelli, decidendo quanta ricarica e supporto di tensione ogni cluster fornirà nell’arco della giornata. L’operatore del sistema di distribuzione segue, adeguando la generazione locale e le impostazioni di rete in risposta. Prezzi noti come distribution locational marginal prices catturano il vero costo della fornitura di energia, incluse perdite e congestioni su determinati alimentatori. L’aggregatore prevede questi prezzi, programma la sua flotta di conseguenza e poi aggiorna il piano man mano che l’operatore reagisce, ripetendo il processo fino a quando nessuna delle parti ha incentivo a cambiare.

Trasformare la fisica in un rompicapo di scelte acceso–spento

Coordinare migliaia di auto su molti intervalli temporali è un incubo combinatorio. Gli autori riformulano questa sfida come un problema di ottimizzazione quadratica binaria non vincolata, o QUBO, in cui decisioni continue—come livelli di potenza e tensioni—sono discretizzate in una griglia di scelte acceso–spento. Penalità intelligenti nella formulazione matematica assicurano che i limiti fisici, come le potenze dei caricatori, i bisogni energetici e i vincoli di tensione, siano rispettati. Un metodo di clustering spettrale, anch’esso espresso in forma QUBO, trova automaticamente cluster di veicoli ben bilanciati. I problemi binari risultanti sono risolti con un algoritmo di annealing simulato potenziato, una strategia di ricerca ispirata al raffreddamento dei materiali che si stabilizzano in stati a bassa energia e ben adatta all’hardware quantistico futuro.

Cosa succede quando 1.000 auto partecipano

Il quadro è testato su una rete di distribuzione standard a 33 nodi con 1.000 auto suddivise in quattro cluster. Quando le auto rispondono solo con la loro potenza attiva di ricarica, la rete già beneficia dallo spostamento della domanda. Quando utilizzano anche i loro caricatori per fornire potenza reattiva—un ingrediente invisibile ma cruciale per mantenere stabili le tensioni—i vantaggi diventano evidenti. Rispetto a schemi di coordinamento più convenzionali, i costi totali di sistema diminuiscono di quasi il 40%, i costi dell’operatore di rete si riducono di circa un quarto e la bolletta energetica dell’aggregatore si riduce di tre quarti. Le perdite di potenza sulle linee diminuiscono di quasi il 5%, le deviazioni di tensione migliorano di circa il 10% e le tensioni minime alla fine dell’alimentatore superano le soglie di qualità comunemente accettate.

Nuovi guadagni per le auto e nuovi strumenti per gli ingegneri

Oltre ai guadagni tecnici, lo schema apre una nuova fonte di ricavi: vendendo supporto di tensione, la flotta guadagna oltre 47 dollari al giorno in pagamenti per potenza reattiva, pur soddisfacendo il 100% dei bisogni energetici dei guidatori e mantenendo un indice di soddisfazione dei clienti vicino al 99%. Rispetto a metodi di ricerca popolari come gli algoritmi a sciame di particelle e genetici, l’approccio QUBO è più lento ma scala in modo più regolare a problemi molto grandi e lavora in modo efficiente con risolutori commerciali moderni. Poiché QUBO è anche il linguaggio nativo di molti computer quantistici emergenti, gli autori sostengono che il loro quadro può raccogliere benefici immediati sulle macchine odierne pur essendo pronto a sfruttare gli speedup quantistici futuri man mano che l’elettrificazione della rete e la diffusione delle rinnovabili continuano a crescere.

Citazione: Suri, V., Nagpal, N., Siano, P. et al. EVA-centric QUBO optimization for active and reactive power coordination in DLMP-driven distribution systems. Sci Rep 16, 12513 (2026). https://doi.org/10.1038/s41598-026-35457-x

Parole chiave: aggregazione veicoli elettrici, reti di distribuzione intelligenti, demand response, supporto di potenza reattiva, ottimizzazione ispirata al quantum