Come può un simulatore replicare la ricarica reale delle auto elettriche?

Le auto elettriche stanno cambiando il modo in cui usiamo l’energia, ma la loro ricarica è ancora un mistero per le reti elettriche. Per capire meglio, gli scienziati hanno creato un modello di caricatore EV su Typhoon HIL, una piattaforma che simula in tempo reale i circuiti elettrici. Il modello riproduce le dinamiche della corrente, la logica di controllo e persino le decisioni del Battery Management System (BMS), come l’interruzione della carica al 97% di stato di carica (SOC) per proteggere la batteria. I risultati della simulazione sono stati confrontati con dati reali raccolti da unità di misura fasoriale (PMU) installate in una stazione di ricarica. La differenza media (MAE) è stata di 0,14 kW e l’errore quadratico medio (RMSE) di 0,36 kW, dimostrando una corrispondenza quasi perfetta. Grazie a questo “gemello digitale”, è possibile testare strategie di ricarica intelligente, valutare l’impatto sulla rete e ottimizzare l’infrastruttura senza rischi. In pratica, il simulatore diventa un laboratorio virtuale dove ingegneri e ricercatori possono sperimentare nuove soluzioni per una mobilità più sostenibile e una rete più stabile.

Il modello fisico implementato su Typhoon HIL si basa su equazioni differenziali che descrivono la relazione V‑I della batteria, includendo la resistenza interna, la capacità elettrochimica e gli effetti termici. La simulazione è eseguita con un passo temporale di 100 µs, garantendo la risoluzione necessaria per catturare i transitori di corrente durante le fasi di pre‑carica, costante‑corrente e costante‑tensione. Il BMS è stato programmato per monitorare il SOC mediante un algoritmo coulomb‑counting, integrando anche una correzione basata sulla tensione terminale per ridurre l’errore di stima. La strategia di terminazione al 97% SOC è stata inserita per simulare la pratica comune di preservare la vita della cella, evitando l’over‑charging. I dati di validazione provengono da PMU con frequenza di campionamento di 50 Hz, sincronizzati tramite GPS per garantire l’allineamento temporale con la simulazione. L’analisi statistica ha mostrato un MAE di 0,14 kW e un RMSE di 0,36 kW, valori inferiori alla soglia di 0,5 kW tipicamente accettata per modelli di carica. Inoltre, il framework supporta l’integrazione di algoritmi di controllo predittivo (MPC) e di apprendimento automatico, consentendo di testare scenari di ricarica flessibile in risposta a segnali di prezzo o a limiti di capacità della rete. Questo approccio apre la strada allo sviluppo di gemelli digitali completi, in grado di interagire in tempo reale con sistemi di gestione della rete (EMS) e di fornire dati di simulazione affidabili per studi di pianificazione a lungo termine.