Il V2G è una tecnologia che consente ai veicoli elettrici (EV) di non essere solo utilizzatori di energia, ma anche generatori mobili in grado di reimmettere energia nella rete elettrica, contribuendo alla regolazione dei flussi energetici e al bilanciamento della domanda. In pratica, l’EV diventa una risorsa di stoccaggio distribuito, capace di assorbire o fornire energia in funzione delle esigenze del sistema.

Il V2G si basa sull’utilizzo di caricabatterie bidirezionali e sistemi di controllo intelligenti che stabiliscono quando sia più opportuno caricare la batteria (ad esempio durante l’eccesso di produzione da fonti rinnovabili) e quando invece scaricarla, restituendo energia alla rete o agli usi locali. Questo concetto si declina in diverse applicazioni, tra cui:

• V2H (Vehicle-to-Home): l’energia viene reimmessa direttamente nella rete domestica per alimentare i carichi della casa;
• V2B (Vehicle-to-Building): applicazione estesa ad edifici terziari o industriali;
• V2G (Vehicle-to-Grid): l’energia è restituita alla rete pubblica.

Il lavoro di ricerca, in questo caso, si colloca nel contesto V2H, con l’obiettivo di aumentare l’autoconsumo e ridurre il prelievo dalla rete, sfruttando le capacità della batteria dell’auto elettrica in modo intelligente e ottimizzato.

In particolare si propone una metodologia innovativa di gestione delle batterie dei veicoli elettrici (EV) per migliorare l’autoconsumo e l’autosufficienza energetica di un prosumer residenziale dotato di impianto fotovoltaico (PV). L’elemento chiave è l’integrazione bidirezionale tra veicolo e casa, nota come Vehicle-to-Home (V2H), dove la batteria dell’auto non è solo un carico, ma anche una risorsa per l’alimentazione dell’abitazione.

Si introduce una procedura completa che unisce:

• Previsione statistica dei profili di consumo domestico, produzione fotovoltaica e uso dell’auto elettrica;
• Ottimizzazione off-line dei cicli di carica/scarica della batteria EV, tramite un algoritmo di programmazione lineare mista (MILP);
• Gestione real-time basata su logiche a regole (rule-based), che corregge dinamicamente le previsioni e adatta il comportamento della batteria.

Un contributo fortemente innovativo è l’utilizzo di dati reali di comportamento di 215 veicoli elettrici, da cui sono stati estratti i profili di uso tramite clustering k-medoids. I tre profili ottenuti (EV#1, EV#2, EV#3) rappresentano diversi comportamenti-tipo: pendolare regolare, utente freelance, e uso intenso con bassa permanenza a casa. L’analisi stagionale su quattro settimane rappresentative (inverno, primavera, estate, autunno) consente di valutare il comportamento del sistema in scenari realistici.

Per quanto riguarda la previsione, vengono applicati modelli ARMA (Auto-Regressive Moving Average) per stimare i profili di carico e generazione PV, mentre per i veicoli elettrici viene applicata una procedura su base settimanale che prevede il numero, l’orario e l’energia dei viaggi futuri.

L’aspetto più innovativo risiede nella combinazione di previsione e controllo ottimizzato, che supera i limiti delle logiche reattive basate su eventi istantanei (come il semplice “carico quando collegato”). Il sistema riesce così a massimizzare l’uso dell’energia fotovoltaica locale, ricaricando l’auto nei momenti migliori e scaricandola per alimentare i carichi domestici quando necessario.

I risultati mostrano:

• Aumenti dell’autoconsumo fino al 17% rispetto alla logica tradizionale;
• Incrementi dell’autosufficienza fino al 19%, in particolare nei mesi con alta produzione solare;
• Effetti positivi maggiori nei casi in cui la disponibilità di energia PV sia comparabile o superiore al fabbisogno dell’auto (rapporto EV_PV/EV_wheel ≥ 1).

Si è valutato anche l’impatto dell’accuratezza delle previsioni: usando dati perfetti (previsioni “ideali”) le prestazioni migliorano ulteriormente, dimostrando il potenziale del metodo. Inoltre, viene studiato l’effetto della taglia dell’impianto fotovoltaico, mostrando che con impianti da 15 kW il sistema raggiunge prestazioni ottimali, oltre le quali l’efficacia marginale diminuisce.