Le auto elettriche possono alimentare il campus? Scopri il progetto V2G di Tor Vergata

Le auto elettriche (EV) stanno cambiando la mobilità urbana, ma portano anche una sfida: più energia assorbita dalla rete. All'Università di Roma Tor Vergata hanno sperimentato un servizio chiamato vehicle‑to‑grid (V2G), che permette alle auto parcheggiate di restituire energia alla rete quando la domanda è alta.

Il progetto parte da dati GPS ad alta risoluzione (floating car data) per capire quando e dove le auto sono fermate. In quattro fasi: prima si individuano i viaggi, poi si segnala il punto del campus dove è possibile il V2G, successivamente un algoritmo pianifica in tempo reale i trasferi tenendo conto delle esigenze di chi guida e dei limiti delle colonnine, infine si prevedono i volumi di energia con modelli ARIMA e LSTM.

I risultati mostrano che, durante le ore di picco, le auto possono restituire una quantità significativa di energia, riducendo il carico sulla rete. Il modello LSTM è stato il più preciso nel predire quanta energia sarà disponibile. Il sistema rispetta i profili di consumo del campus e non limita la mobilità degli utenti.

In pratica, il campus diventa una micro‑rete: le batterie delle auto, quando non in uso, fungono da serbatoio decentralizzato. Questo approccio è scalabile e può aiutare altre città a rendere la rete più resiliente e sostenibile.

Il modello V2G implementato a Tor Vergata si basa su una gerarchia di controllo a due livelli. Il livello di supervisione centrale raccoglie i dati FCD in tempo reale, li filtra con un algoritmo di clustering spaziale (DBSCAN) per identificare aggregati di veicoli stazionati entro un raggio di 30 m dalle colonnine di ricarica. Il livello operativo utilizza un algoritmo di programmazione lineare misto (MILP) per ottimizzare la potenza di scarica di ciascun veicolo, soggetta a vincoli di stato di carica (SOC) minimo (30 % per garantire autonomia) e di capacità della rete (limite di 500 kW per zona).

Per la previsione della potenza disponibile, il modello LSTM è stato addestrato su 12 mesi di serie temporali con step di 15 minuti, includendo variabili esogene quali temperatura, prezzo dell’energia e calendario accademico. La rete LSTM a tre strati ha mostrato un RMSE del 4,2 % rispetto ai dati reali, superando l’ARIMA (RMSE 7,8 %). Inoltre, è stato introdotto un meccanismo di reinforcement learning (Q‑learning) per aggiornare dinamicamente le politiche di scarica in risposta a eventi imprevisti, come blackout locali o variazioni improvvise della domanda.

Dal punto di vista della stabilità della micro‑rete, l’integrazione V2G ha ridotto il picco di carico di circa 12 % durante le ore di punta, migliorando il fattore di carico della rete del campus da 0,68 a 0,81. L’analisi di sensitività ha evidenziato che un aumento del 10 % della penetrazione di EV comporta una riduzione lineare del picco di 1,3 %, suggerendo che la scalabilità del modello è promettente per future espansioni urbane.