In risposta ai cambiamenti climatici, le nuove tecnologie possono essere impiegate per favorire una resilienza quanto mai necessaria. La diffusione dei veicoli ibridi ed elettrici consente la diffusione di sistemi di trasporto a basse emissioni, mentre la produzione di energia beneficia di fonti rinnovabili sempre più efficienti. Tali fonti energetiche (solari, eoliche) sono di natura stocastica, richiedendo una gestione intelligente dell'energia pulita, che si concretizza nell'implementazione di Energy Management Systems (EMSs). Componenti hardware e software determinano flussi energetici ottimi, siano quelli interni a un singolo veicolo elettrico che quelli che attraversano gli elementi di una rete elettrica locale (o Microgrid).
Il grado di incertezza che scaturisce dall'imprevedibilità delle fonti rinnovabili e la crescente complessità di sistemi che prevedono Microgrid articolate in veicoli plug-in, spingono verso il ricorso all'Intelligenza Artificiale. Grazie ad algoritmi intelligenti come Reti Neurali e Fuzzy Inference Systems e ai principi del Machine Learning è possibile risolvere problemi complessi, sebbene in forma approssimata, anche ove la soluzione non fosse disponibile in forma chiusa.
EMS con software basati su tecniche di Intelligenza Artificiale vengono sintetizzati per la gestione energetica ottima di veicoli ibridi e elettrici e per Micgorid, anche se in misura minore quando si parla di veicoli acquatici.
Questa ricerca vuole portare alla sintesi di EMS per veicoli elettrici ed ibridi, terrestri e acquatici, con la possibilità di collegamento a Microgrid per lo scambio energetico. In particolare, si vogliono implementare algoritmi basati sul paradigma della Fuzzy Logic (Fuzzy Inference System ottimizzati da Algoritmi Evolutivi), allo scopo di trarre informazioni comprensibili sulle ragioni dietro il meccanismo di computazione che porta alle decisioni ottime.
Questa ricerca si prefigge di sintetizzare Energy Management Systems (EMSs) per veicoli elettrici e ibridi, sia terrestri che acquatici, mediante tecniche di Intelligenza Artificiale e con possibile integrazione in Microgrid.
Poiché la letteratura tecnica non è ricca di lavori sulla gestione energetica ottima di E-Boat, si vuole esplorare questo ambito di applicazione, specie nel contesto del V2G e G2V, ove la complessità richiede l'impiego della AI.
In particolare, si intende esplorare le potenzialità della Fuzzy Logic nelle applicazioni di cui sopra, utilizzandola come paradigma di riferimento per lo svolgimento della ricerca.
La gestione energetica di natanti elettrici, nella fattispecie, implica una complessità aggiuntiva per l'algoritmo incaricato della gestione dei flussi energetici. Le correnti, il moto ondoso in ambienti sia lacustri che marini, l'azione del vento sono tutti fattori che possono influire sui consumi di un natante. La natura imprevedibile di tali fattori rende ardua la predizione dei consumi stessi e di conseguenza la gestione energetica ottima del mezzo. Tutto ciò rende i veicoli elettrici acquatici un'applicazione interessante per algoritmi di AI.
Tra i paradigmi di Intelligenza Computazionale più noti, la Fuzzy Logic, implementata in Fuzzy Inference Systems, gode di una proprietà interessante. La conoscenza del fenomeno viene conservata in una linguaggio comprensibile all'uomo ovvero mediante un insieme di regole che collegano logicamente input ed output. Queste regole possono essere imposte da un operatore esperto oppure sintetizzate automaticamente grazie ad un algoritmo di ottimizzazione, specialmente quando il fenomeno oggetto di studio è molto complesso. Quale che sia l'approccio, il risultato è una conoscenza accessibile che permette di indagare le ragioni alla base di un certo comportamento del sistema in esame. Dunque, si vuole far tesoro della proprietà di cui sopra adottando il paradigma della Fuzzy Logic e nello specifico ottimizzando i parametri di un Fuzzy Inference System mediante un Algoritmo Evolutivo. Questo connubio è considerato affidabile [1].
La sintesi degli EMS per questa ricerca vuole spaziare dal singolo veicolo alla Microgrid, alla quale il veicolo stesso può collegarsi per scambiare energia. Il veicolo, specie se si tratta di una E-Boat, può essere visto come una Microgrid in scala ridotta (una Nanogrid) dotata di generatore (PVP), sistema di accumulo (BESS), carico (il sistema di propulsione) e collegamento alla rete esterna.
In [2] e [3], vengono sintetizzati EMS per Microgrid che inglobano veicoli elettrici. Tuttavia, non si usa il paradigma della Fuzzy Logic.
In [4] viene sintetizzato un EMS per una E-Boat, basato sul paradigma della Fuzzy Logic. Il natante è dotato sia di generatore fotovoltaico che di una fuel cell. Tuttavia, non viene esplorato il comportamento del mezzo in fase di collegamento con la stazione di ricarica. Se invece si studiasse questa circostanza, considerando la stazione di ricarica come un elemento di una Microgrid cui si collegano altri mezzi (anche terrestri) e che a sua volta beneficia del collegamento con la power grid, il lavoro diverrebbe tecnicamente più interessante, dando spazio alla gestione energetica ottima di sistemi di mobilità intermodale.
Riferimenti Bibliografici:
[1] "Computational Intelligence", H. Adeli, 2013
[2] "Automated Demand Response Strategies using Home Energy Management System in a RES-based Smart", I. Zunnurain et al., 2018
[3] "A Stochastic Home Energy Management System considering Satisfaction Cost and Response Fatigue", M. Shafie-Khah et al., 2017
[4] Hybrid PEM Fuel-Cell-Solar Power System Design for Electric Boat with MPPT System and Fuzzy Energy Management, W. Obaid et al., 2019