Analisi e sviluppo di algoritmi per la predizione dell'autonomia per veicoli elettrici

The growing importance of electric vehicles (EVs) is primarily driven by their positive environmental impact. However, "range anxiety" remains a significant barrier to their wider adoption as a viable transportation option. This thesis addresses this challenge by developing an algorithm to predict the remaining driving distance (DTE) for EVs, using a 5-day dataset collected during the 2024 Millemiglia. The dataset was enriched with exogenous signals to create a realistic testing set for evaluating and comparing algorithms. Several predictive algorithms based on coast-down models were tested, including four that rely exclusively on past data and one that predicts the speed profile based on future route characteristics. Additionally, two new black-box models were developed, both utilize knowledge of the characteristics of the future path. The first model uses speed limits as input, while the second incorporates road curvature. To identify the most accurate algorithm, a thorough comparison was conducted. The models identified as most precise were the black-box model that estimates DTE using speed limits for the upcoming route and an indirect prediction method that forecasts energy consumption by computing a weighted average of historical and recent consumption data along the current route. Both approaches utilize past driving data: the black-box model for training and the indirect method for determining typical historical energy consumption per kilometer. These models aim to boost user confidence in the range of EVs, optimize battery usage, and promote the adoption of electric mobility as a reliable and sustainable transportation solution.

L’importanza crescente dei veicoli elettrici (EV) è attribuibile principalmente al loro positivo impatto ambientale. Tuttavia, un ostacolo significativo alla loro adozione su larga scala è rappresentato dalla cosiddetta "range anxiety" (ansia da autonomia). Questa tesi si propone di ridurre tale barriera sviluppando un algoritmo per la previsione della distanza rimanente (DTE) di un veicolo elettrico, utilizzando un dataset raccolto durante i cinque giorni della Millemiglia 2024. Il dataset è stato accuratamente elaborato e arricchito con segnali esogeni, garantendo una rappresentazione realistica e adeguata al contesto applicativo. Sono stati analizzati diversi algoritmi predittivi basati su modelli di dinamica del veicolo, tra cui quattro metodi che si basano esclusivamente su dati passati e un modello che utilizza la predizione del profilo di velocità in funzione delle caratteristiche future del percorso. Sono stati inoltre sviluppati due nuovi modelli black-box che utilizzano la conoscenza delle caratteristiche del percorso futuro. Il primo utilizza come input i limiti di velocità, mentre il secondo integra anche la curvatura del tracciato. A seguito dell'analisi dei diversi algoritmi, è stato condotto un confronto per identificare il modello più accurato nella stima del DTE. I risultati hanno evidenziato che i modelli più precisi sono il black-box, che utilizza i limiti di velocità del tratto futuro, e un algoritmo di predizione indiretta che stima il consumo energetico medio attraverso una media pesata tra i dati storici di consumo e quelli relativi al percorso attuale. Entrambi gli approcci si basano sull’uso di dati di esperienze di guida passate: il modello black-box utilizza questi dati per il training, mentre l’algoritmo a predizione indiretta li impiega per stimare il consumo energetico storico medio per chilometro. L’obiettivo di tali algoritmi è aumentare la fiducia degli utenti nell’autonomia dei veicoli elettrici, ottimizzare l’efficienza nell’uso della batteria e favorire l’adozione della mobilità elettrica come soluzione sostenibile e affidabile.