A medida que el cambio global hacia los vehículos eléctricos (VE) acelera, entender el impacto acumulativo de la carga masiva de VE en las redes eléctricas se ha convertido en una preocupación apremiante para los planificadores energéticos, responsables políticos y actores de la industria. Un nuevo estudio publicado en Southern Energy Construction ofrece un marco completo para calcular las cargas de carga de grupos de VE, arrojando luz sobre cómo diferentes tipos de vehículos —desde coches particulares hasta autobuses y vehículos de logística— afectarán a los sistemas eléctricos en 2030. La investigación, dirigida por YOU Lei, JIN Xiaoming y LIU Yun del China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., presenta un enfoque basado en datos que podría revolucionar las estrategias de gestión de redes en la era de la electrificación masiva.
La urgencia de pronósticos precisos de las cargas de carga de VE
El auge de los VE es innegable. Solo en China, en 2022, se vendieron 6,887 millones de vehículos de energía nueva, de los cuales 5,365 millones fueron VE, lo que representa una cuota de mercado del 25.6% —un claro indicador del rápido crecimiento del sector. Aunque esta transición promete beneficios ambientales significativos, también presenta un desafío único: la naturaleza impredecible y variable de las cargas de carga de los VE. A diferencia de las cargas estacionarias tradicionales, los VE introducen patrones dinámicos de consumo de energía, impulsados por comportamientos de uso diversos entre los tipos de vehículos. Si no se gestionan, estas cargas podrían exacerbar la demanda punta, ampliar las brechas de carga de la red y comprometer la estabilidad de los sistemas eléctricos.
«La adopción masiva de VE es una espada de doble filo», explica el equipo de investigación. «Si bien reduce las emisiones de carbono, la demanda de carga agregada de millones de vehículos —cada uno con patrones de uso distintos— amenaza con crear escenarios de ‘punta sobre punta’, donde la carga de VE coincide con periodos de alta demanda existentes. Modelar con precisión estas cargas es fundamental para garantizar la resistencia de la red».
Estudios anteriores han intentado abordar este problema, a menudo basándose en métodos de simulación de Monte Carlo para modelar el comportamiento de los usuarios. Sin embargo, estos esfuerzos se han visto limitados por clasificaciones estrechas de tipos de vehículos —generalmente se centran solo en coches particulares, taxis y autobuses— y ajustes de probabilidad subjetivos que carecen de bases estadísticas sólidas. Con la aparición de nuevas categorías de VE, como los vehículos de servicios de transporte compartido y los camiones de logística eléctricos, es necesario un enfoque más inclusivo y respaldado por datos.
Un marco novedoso: Clasificación de VE y modelado de comportamientos
La investigación presenta una metodología refinada que clasifica los VE en seis tipos distintos según su uso: coches particulares, autobuses, taxis, vehículos de servicios de transporte compartido, vehículos oficiales y vehículos de logística. Para cada categoría, el equipo analizó datos del mundo real para extraer parámetros típicos de rendimiento de baterías y establecer modelos probabilísticos que capturen la aleatoriedad de los comportamientos de viaje y carga. Al integrar pronósticos de tasas futuras de adopción de VE, el modelo simula horarios de carga diarios para vehículos individuales y los agrega para calcular las cargas totales de los grupos —un enfoque que ofrece una granularidad sin precedentes.
«Nuestro método va más allá del modelado uniforme», destaca el autor principal. «Cada tipo de vehículo tiene patrones únicos: un coche particular podría cargarse por la noche en casa, mientras que un taxi prioriza la carga rápida durante los periodos de inactividad para maximizar las horas operativas. Al tener en cuenta estas diferencias, podemos generar pronósticos de carga mucho más precisos».
Conocimientos clave sobre comportamientos para cada tipo de vehículo surgieron de la análisis:
- Autobuses: Operan según horarios fijos, con carga principal durante la noche después de las 19:00. Debido a la larga distancia diaria (50–300 km), algunos autobuses requieren carga rápida al mediodía para satisfacer la demanda. Utilizan cargadores rápidos (90 kW) para minimizar el tiempo de inactividad.
- Coches particulares: Se cargan principalmente en casa (80%) o en el trabajo (20%), con picos de carga en casa entre las 18:00 y 22:00, y en el trabajo entre las 8:00 y 10:00. La mayoría usa cargadores lentos (7 kW), y solo el 15% opta por la carga rápida.
- Taxis: Operan en turnos de 12 horas, con carga distribuida en cuatro ventanas diarias (0:00–8:00, 8:00–15:00, 15:00–19:00 y 19:00–24:00). Dependen casi exclusivamente de la carga rápida (90 kW) y generalmente se cargan dos veces al día para mantener la eficiencia operativa.
- Vehículos de servicios de transporte compartido: Similares a los taxis en distancia diaria (50–400 km) pero con horas de finalización más tardías (a menudo después de las 21:00). Utilizan una combinación de carga rápida (75%) y lenta (25%).
- Vehículos oficiales: Se cargan principalmente en el lugar de trabajo después de las 16:00, usando cargadores lentos (7 kW) debido a viajes diarios predecibles y más cortos.
- Vehículos de logística: Operan durante las horas diurnas (4:00–20:00) y se cargan después del turno (19:00–22:00). Más del 70% usa carga rápida, lo que refleja la necesidad de minimizar el tiempo de inactividad para los horarios de entrega.
Al cuantificar estos comportamientos, el modelo asigna parámetros clave como capacidad de batería, consumo de energía por kilómetro, potencia de carga y eficiencia (establecida constantemente en 95% para todos los tipos). Esta granularidad permite una simulación precisa de perfiles de carga diarios.
Simulación 2030: Un caso de estudio en el sur de China
Para validar la metodología, los investigadores la aplicaron a un escenario hipotético de 2030 en una provincia del sur de China, pronosticando tasas de adopción de VE en todas las seis categorías. Las proyecciones, basadas en análisis de regresión lineal de datos de 2020 y estimaciones para 2025, sugieren un crecimiento significativo: los VE particulares podrían alcanzar los 2–3 millones, los vehículos de logística los 316,000 y los vehículos de servicios de transporte compartido los 160,000, entre otros.
La simulación arrojó resultados sorprendentes. Al agregar las cargas de vehículos individuales, el estudio identificó patrones críticos en el comportamiento de carga de los grupos:
- Horas punta: El grupo de VE en su conjunto experimenta su demanda más alta entre las 19:00 y 23:00, con una carga punta de 10.0927 GW —equivalente a la producción de varias centrales eléctricas grandes. Un pico secundario, más pequeño, ocurre entre las 8:00 y 10:00, representando solo el 18–20% del pico nocturno, impulsado principalmente por coches particulares que se cargan en el trabajo.
- Impacto de tipos de vehículos: Los autobuses surgieron como los contribuyentes más grandes a las cargas punta, alcanzando 4,639.5 MW —muy por encima de los coches particulares, cuya carga punta (3,210.4 MW) representa menos del 70% de la de los autobuses. Los taxis, a pesar de su gran número, mostraron las cargas punta más bajas debido a los horarios de carga dispersos y la eficiencia de la carga rápida.
- Sensibilidad de coches particulares: El modelo probó dos escenarios para la adopción de VE particulares (2 millones vs. 3 millones). El escenario de alta adopción aumentó las cargas punta de coches particulares en ~50%, lo que destaca el papel significativo que jugarán los vehículos particulares a medida que su número crezca. Si las tendencias actuales continúan, los VE particulares podría eventualmente superar a los autobuses como la fuente dominante de demanda de carga.
«Estos hallazgos destacan la necesidad de una planificación de red dirigida», enfatizan los investigadores. «Los autobuses, con su alto consumo de energía individual y horarios de carga sincronizados, presentan desafíos inmediatos. Sin embargo, el gran volumen de coches particulares, a medida que su número aumenta, requerirá estrategias a largo plazo para gestionar su impacto agregado».
Implicaciones para la planificación de redes y políticas
Los resultados del estudio tienen implicaciones de gran alcance para el desarrollo de infraestructura energética. Al identificar horas punta y tipos de vehículos dominantes, los operadores de red pueden optimizar la ubicación de estaciones de carga, actualizar redes de distribución en áreas de alta demanda e implementar programas de respuesta a la demanda para desplazar la carga a horas fuera de punta.
Para los responsables políticos, los datos respaldan incentivos para la carga inteligente —como precios por hora de uso para fomentar la carga nocturna para coches particulares o subvenciones a infraestructuras de carga rápida para autobuses y vehículos de logística. Además, el modelo puede informar sobre la integración de energías renovables, ya que el excedente de energía solar o eólica durante las horas diurnas podría dirigirse a la carga de VE, reduciendo la dependencia de combustibles fósiles.
«La clave es la flexibilidad», argumentan los autores. «Los sistemas de red deben evolucionar desde distribuidores pasivos a gestores activos de la demanda. Nuestro modelo proporciona las herramientas para anticipar dónde y cuándo aumentarán las cargas, permitiendo una planificación proactiva plutôt que reactiva».
Avanzando en el campo: Metodología e investigación futura
Lo que distingue a esta investigación es su inclusión de tipos de vehículos menos estudiados, como los de servicios de transporte compartido y logística, que se están electrificando rápidamente pero a menudo se pasan por alto en los modelos de carga. Al incorporar sus comportamientos únicos —como la carga nocturna tardía de los vehículos de transporte compartido o las necesidades de recarga al mediodía de los vehículos de logística— el marco ofrece una visión más holística de la demanda futura.
La metodología también aborda las limitaciones de enfoques anteriores al basar los modelos de probabilidad en datos empíricos, como las distribuciones de distancia diaria de flotas reales de VE y encuestas sobre patrones de carga. Esto reduce la subjetividad y mejora la confiabilidad del modelo para aplicaciones prácticas.
En el futuro, el equipo planea refinar el modelo al incorporar datos de tráfico en tiempo real y efectos climáticos en el rango de VE, mejorando aún más la precisión. También pretenden explorar variaciones regionales, ya que los comportamientos de carga en áreas urbanas vs. rurales pueden diferir significativamente.
Conclusión
En una época en la que los sistemas energéticos deben equilibrar sostenibilidad y confiabilidad, una investigación como esta no es meramente académica —es esencial para construir redes resilientes del mañana. Este estudio proporciona un marco robusto y escalable para pronosticar las cargas de carga de grupos de VE, ofrecendo conocimientos accionables para planificadores, servicios públicos y responsables políticos. Al resaltar el papel dominante de los autobuses en las cargas punta a corto plazo y la influencia creciente de los coches particulares, traza un camino claro para inversiones en infraestructura y gestión de demanda.
En una era en la que los sistemas energéticos deben equilibrar sostenibilidad y confiabilidad, esta investigación no es solo académica —es esencial para construir las redes resilientes del futuro.
Autores: YOU Lei, JIN Xiaoming, LIU Yun
Afiliación: China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., Guangzhou 510663, Guangdong, China
Revista: Southern Energy Construction
DOI: 10.16516/j.ceec.2024.5.17