Pronósticos Inteligentes para Flotas de Camiones Eléctricos
En un avance significativo para la integración de vehículos eléctricos pesados en la red, investigadores han desarrollado un novedoso modelo de pronóstico que mejora drásticamente la precisión de las predicciones de carga para agrupaciones de camiones eléctricos. Esta innovación aborda uno de los desafíos más urgentes en la electrificación del transporte de carga: la demanda de energía impredecible y de alto impacto que estos vehículos ejercen sobre las redes eléctricas locales y regionales.
A diferencia de los vehículos eléctricos de pasajeros, que normalmente consumen energía moderada durante períodos extendidos, los camiones eléctricos pesados —a menudo denominados ETs— se caracterizan por sus capacidades de batería masivas y tasas de carga extremadamente altas. Un solo camión eléctrico puede demandar tanta potencia como docenas de vehículos eléctricos de pasajeros combinados durante una sesión de carga rápida. Cuando cientos de estos vehículos operan dentro de un centro logístico o depósito, su comportamiento de carga colectivo puede crear picos repentinos y pronunciados en la demanda de electricidad, potencialmente desestabilizando la red, aumentando los costos de carga máxima y degradando la calidad de la energía.
Hasta ahora, los modelos de pronóstico para estas flotas han tomado metodologías prestadas de estudios de vehículos eléctricos de pasajeros, que no logran capturar las dinámicas operativas únicas del transporte de carga. Estas incluyen horarios de entrega estrictos, pesos de carga variables, planificación de rutas complejas bajo limitaciones de tiempo y la influencia de las condiciones del tráfico en el consumo de energía. Como resultado, las predicciones existentes a menudo fallan en capturar la aleatoriedad y volatilidad del mundo real en los patrones de carga de camiones eléctricos.
Un nuevo estudio publicado en Electric Power ofrece una solución convincente. Liderado por Hang Liu de State Grid Handan Electric Power Supply Company, el equipo de investigación introduce un marco de pronóstico de carga construido sobre un modelo de cadena de Markov de orden superior, diseñado explícitamente para incorporar las realidades logísticas de las operaciones de camiones eléctricos. Este enfoque no solo refina la predicción temporal de cuándo los camiones se conectarán, sino que también mejora significativamente la precisión de estimar la demanda total de energía en cualquier hora dada.
En el corazón del modelo hay una comprensión sofisticada del flujo de trabajo diario del camión eléctrico. Los investigadores comienzan modelando la red de distribución como un gráfico, con nodos que representan centros de distribución, puntos de clientes y estaciones de carga. Crucialmente, introducen una restricción de «ventana de tiempo flexible» en el proceso de optimización de rutas. En la logística del mundo real, los clientes a menudo especifican una ventana de entrega preferida, pero las llegadas tempranas o tardías son permisibles, aunque con una penalización financiera para el transportista. Esta flexibilidad es una característica definitoria de la carga comercial que los modelos de programación rígida ignoran. Al utilizar un algoritmo genético para minimizar una función de costo combinada de gastos de viaje y penalizaciones por ventanas de tiempo, el equipo genera rutas de entrega optimizadas y realistas para cada camión en la flota.
Una vez establecida la ruta, el modelo simula el viaje del vehículo en detalle. Considera cómo la congestión del tráfico —cuantificada a través de datos de flujo de tráfico en tiempo real o históricos— afecta la velocidad promedio y, en consecuencia, el consumo de energía. Diferentes tipos de carreteras (por ejemplo, autopistas versus calles urbanas) tienen perfiles de energía distintos, y el tráfico frecuente de parar y seguir en áreas densas puede aumentar significativamente el consumo de energía por kilómetro. Al integrar este modelo dinámico de consumo de energía, el sistema puede rastrear continuamente el estado de carga (SOC) de un camión durante su turno.
La decisión de cargar no es arbitraria. El modelo activa un evento de carga cuando el SOC de un camión cae por debajo de un umbral crítico —establecido en 20% en el estudio— o cuando su energía restante es insuficiente para completar su ruta asignada. Este es un desencadenante más matizado que una simple alerta de batería baja; es una predicción basada en el futuro operativo inmediato del vehículo. Además, el modelo respeta el horario logístico. Si un camión tiene una entrega posterior que debe cumplir, solo cargará lo suficiente para llegar a su próximo destino a tiempo, en lugar de cargar a su capacidad total. Esto previene una tensión innecesaria en la red y alinea el comportamiento de carga con las prioridades comerciales.
Este proceso produce una línea de tiempo precisa para los tiempos de inicio y fin de carga de cada camión. Agregar estos datos en toda la flota proporciona un pronóstico altamente granular de cuántos camiones estarán cargando en cualquier hora del día. En su validación utilizando datos del mundo real de un parque logístico con una flota de 400 camiones eléctricos, los investigadores encontraron que la predicción de cantidad de carga de su método coincidía estrechamente con las mediciones reales, superando a un modelo tradicional de distribución de Poisson al reducir el error promedio en un 8%.
Sin embargo, conocer el número de camiones cargando es solo la mitad de la batalla. La carga total de energía también depende de cuánta energía necesita cada camión, lo que está directamente ligado a su SOC al llegar al cargador. Aquí es donde entra en juego la segunda innovación mayor del modelo: una «discretización difusa de dos niveles» del SOC.
Los modelos tradicionales a menudo dividen el rango de SOC de 0-100% en un puñado de contenedores amplios (por ejemplo, 0-20%, 20-40%, etc.). Para un vehículo con una batería de 300 kWh, un solo contenedor puede representar una enorme cantidad de 60 kWh de energía potencial, creando un gran margen de error en la predicción de carga. El nuevo modelo introduce un enfoque anidado. Primero crea cinco conjuntos difusos primarios que capturan el estado cualitativo de la batería: «muy bajo», «bajo», «normal», «alto» y «muy alto». Dentro de cada uno de estos conjuntos primarios, luego crea una subdivisión más fina en n intervalos más pequeños. Esta discretización de doble capa permite al modelo capturar diferencias sutiles pero críticas en la demanda de carga. Un camión que llega con 18% de SOC tiene un perfil de carga muy diferente al que llega con 2%, aunque ambos caigan en la misma categoría «baja» en un modelo tosco.
Con estos datos de SOC de alta resolución, los investigadores luego aplican su cadena de Markov de orden superior. Un modelo de Markov estándar (de primer orden) asume que el SOC futuro de un camión depende solo de su estado actual. En realidad, su trayectoria está influenciada por su historial reciente —su SOC durante las últimas varias horas. Un modelo de orden superior, en este caso de segundo orden, incorpora esta memoria. Calcula probabilidades de transición de múltiples pasos, preguntando no solo «¿A dónde irá el SOC de este camión desde aquí?» sino «Dado su SOC hace dos horas y su SOC ahora, ¿dónde es más probable que esté en la próxima hora?».
Este contexto histórico es vital para capturar la inercia y las tendencias en el comportamiento de una flota. Por ejemplo, si un gran número de camiones ha estado en rutas de larga distancia durante las últimas horas, el modelo puede anticipar una ola de llegadas con descarga profunda al depósito en la noche, lo que lleva a una oleada de carga predecible y sustancial. Al aprovechar estos datos históricos más ricos, la cadena de Markov de orden superior produce un pronóstico mucho más preciso y estable de la demanda agregada de energía.
Los resultados de su simulación son sorprendentes. El modelo predijo con éxito la curva de carga diaria característica de la flota de camiones eléctricos, con un pico importante en la tarde-noche (alcanzando 8.1 MW en su caso de prueba) a medida que los camiones regresaban de sus entregas del día. Al compararlo con un modelo estándar de cadena de Markov de primer orden, su enfoque de orden superior redujo el error promedio de predicción en un impresionante 22.24%. Este nivel de precisión se mantuvo incluso cuando escalaron la simulación a flotas más grandes de 600 y 800 camiones, demostrando la robustez del modelo.
Las implicaciones de este trabajo se extienden mucho más allá del interés académico. Para una empresa de servicios públicos o un operador de red, una mejora del 22% en la precisión del pronóstico es un cambio radical. Permite una planificación mucho más efectiva de los recursos de generación, reduce la necesidad de costosas plantas de energía pico y minimiza el riesgo de sobrecargas locales de la red. Para la propia empresa logística, un pronóstico de carga preciso es la base para implementar estrategias de carga inteligente. Pueden negociar mejores tarifas eléctricas desplazando la carga no urgente a horas de menor demanda o incluso participar en programas de respuesta a la demanda, generando ingresos al reducir su carga durante emergencias del sistema.
Además, la capacidad del modelo para rastrear no solo la carga sino también el potencial para servicios de vehículo-a-red (V2G) es una característica visionaria. El artículo señala que los camiones con un SOC «alto» o «muy alto» y sin órdenes de entrega inmediatas pueden servir como un recurso de energía distribuida, alimentando energía de vuelta a la red durante los períodos pico. Pronosticar con precisión esta capacidad disponible es un primer paso crítico para desbloquear este valioso servicio de equilibrio de red.
Si bien el modelo actual es un avance mayor, los autores reconocen sus limitaciones. Aún no considera la degradación a largo plazo de la salud de la batería, que es un factor crucial en la economía de las flotas comerciales. Trabajos futuros podrían integrar modelos de envejecimiento de baterías para crear un marco operativo más holístico que equilibre las necesidades de la red con la longevidad del vehículo.
En una era donde la electrificación del transporte pesado se acelera rápidamente, esta investigación proporciona una herramienta vital para asegurar que esta transición no solo sea beneficiosa para el medio ambiente, sino también técnica y económicamente viable para la red eléctrica. Al basar un modelo matemático sofisticado en las realidades prácticas de las operaciones logísticas, el equipo ha construido un puente entre el mundo del transporte de carga y la ingeniería de sistemas de energía. Su trabajo allana el camino para un futuro donde las flotas masivas de camiones eléctricos no sean una amenaza para la estabilidad de la red, sino un activo predecible, manejable e incluso de apoyo en el ecosistema de energía limpia.
Autores: Hang Liu, Hao Shen, Yong Yang (State Grid Handan Electric Power Supply Company); Ling Ji (Guodian Nanjing Automation Co., Ltd.); Yang Yu (State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources, North China Electric Power University). Publicado en: Electric Power, Vol. 57, No. 5, Mayo 2024. DOI: 10.11930/j.issn.1004-9649.202306066.