Modelo de carga predice comportamiento de conductores
La revolución de la movilidad eléctrica no se trata únicamente de baterías y motores. A medida que los vehículos eléctricos (VE) se convierten en una presencia cada vez más común en nuestras carreteras, el verdadero desafío para las ciudades y las redes eléctricas trasciende la tecnología del vehículo en sí. El núcleo del problema radica en predecir y gestionar cómo millones de decisiones individuales, influenciadas por factores tan variados como el precio de la electricidad, el clima o la hora del día, se traducirán en una demanda de carga que puede amenazar con sobrecargar la infraestructura existente. Un nuevo estudio, publicado en la revista Electric Power Construction, presenta un modelo de vanguardia que promete una comprensión sin precedentes de este complejo ecosistema. Desarrollado por un equipo de investigación liderado por Ding Leyan y Ke Song de la Universidad de Wuhan, en colaboración con expertos del Instituto de Investigación Eléctrica de China Southern Power Grid, este modelo no solo pronostica cuándo y dónde se cargarán los vehículos, sino que también incorpora la psicología humana y las dinámicas del tráfico para ofrecer estrategias que pueden guiar ese comportamiento hacia un uso más eficiente y sostenible de la energía.
La mayoría de los modelos de predicción de carga anteriores han abordado el problema desde una perspectiva limitada, a menudo tratando a los vehículos eléctricos como una carga estática o analizando sus patrones de carga como una simple serie temporal. Estos enfoques, aunque útiles, pasan por alto elementos críticos de la realidad. Un coche no es un dispositivo que se conecta a la red de forma aislada; es un vehículo en movimiento, parte de un sistema de transporte dinámico y congestionado. Su consumo de energía no depende solo de la distancia recorrida, sino también de las condiciones del tráfico, las paradas y arranques frecuentes, y el uso de sistemas de climatización. Además, la decisión de cuándo y dónde cargar no es un cálculo puramente racional, sino que está profundamente arraigada en las emociones, las expectativas y las prioridades personales del conductor. El modelo desarrollado por Ding, Ke y sus colegas representa un salto cualitativo al integrar estos tres mundos: la física del tráfico, la economía de la energía y la psicología del usuario, creando así una herramienta de simulación que es notablemente más realista y poderosa.
El cimiento del modelo es un «modelo de red de tráfico semidinámica» que transforma una simple representación estática de calles y cruces en una simulación viva de la ciudad. La red se divide en zonas funcionales clave: áreas residenciales, comerciales e industriales. Esta segmentación es crucial, ya que reconoce que los patrones de viaje y carga son fundamentalmente diferentes dependiendo de la ubicación. Un conductor que regresa a casa después del trabajo tiene motivaciones distintas a un taxista buscando su próxima carrera en el centro de la ciudad. El modelo va más allá al introducir una variable dinámica: el tiempo de viaje en cada tramo de carretera. En lugar de asumir que la velocidad es constante, el modelo calcula que el tiempo que se tarda en recorrer un camino aumenta a medida que el tráfico se vuelve más denso. Este aumento del tiempo de viaje no solo retrasa al conductor, sino que también incrementa directamente el consumo de energía del vehículo, ya que las paradas y arranques frecuentes son ineficientes. Al actualizar el estado del tráfico en intervalos regulares (de 15 minutos en este estudio), el modelo crea un bucle de retroalimentación realista donde el tráfico afecta el consumo, y el consumo (a través de la necesidad de carga) afecta a su vez el tráfico y la carga en la red eléctrica.
Con esta red de tráfico semidinámica como escenario, el modelo introduce una capa de complejidad adicional al examinar cómo factores externos influyen en el comportamiento del conductor. El precio de la electricidad es un factor económico obvio y poderoso. El estudio demuestra que cuando los precios son altos, muchos conductores retrasan su carga, lo que puede desplazar los picos de demanda de la noche temprana a la madrugada. A la inversa, precios bajos pueden incentivar a los usuarios a cargar más, potencialmente creando nuevas presiones en la red. El clima también juega un papel dual. Las temperaturas extremas, ya sea calor sofocante o frío intenso, obligan al vehículo a utilizar más energía para climatizar el interior, aumentando así su consumo total. Pero el clima también influye en la psicología humana. Un día lluvioso y desagradable puede disuadir a las personas de salir de casa para actividades no esenciales, reduciendo así el número total de vehículos en movimiento y, por ende, la demanda general de carga. La estacionalidad es otro factor clave; el modelo incorpora un «coeficiente estacional» que refleja el mayor consumo de energía en invierno debido a la calefacción, lo que resulta en una mayor frecuencia de carga y una carga total más alta.
El logro más destacado de esta investigación, sin embargo, es su adopción de la «teoría de la perspectiva acumulada» (Cumulative Prospect Theory), un marco de la economía conductual que desafía la noción de que los humanos toman decisiones de forma completamente racional. Esta teoría sostiene que las personas evalúan las decisiones en función de sus ganancias y pérdidas percibidas en relación con un punto de referencia, y que son más sensibles al dolor de una pérdida que al placer de una ganancia equivalente (una tendencia conocida como aversión a la pérdida). Los investigadores aplicaron esta teoría para construir dos modelos de utilidad de decisión altamente diferenciados: uno para propietarios de vehículos privados y otro para conductores de taxis, reconociendo que sus objetivos y restricciones son radicalmente distintos.
Para los propietarios de vehículos privados, el modelo identifica dos puntos de referencia psicológicos principales: el tiempo de llegada y el estado de carga (SOC) de la batería. Un conductor tiene una «hora de llegada esperada» con una ventana de tolerancia. Llegar fuera de esta ventana se percibe como una pérdida, y la magnitud de esta percepción negativa aumenta con la severidad del retraso o la anticipación. De manera similar, el conductor tiene un nivel de SOC esperado al salir de casa. Si el nivel de batería está por debajo de este punto de referencia, genera una sensación de ansiedad o riesgo. El modelo cuantifica estas emociones, mostrando cómo un conductor podría estar dispuesto a pagar un precio más alto por la electricidad o tomar una ruta más larga hasta una estación de carga preferida para evitar la «pérdida» subjetiva de llegar tarde o de quedarse sin batería. Este enfoque permite al modelo predecir no solo cuándo un vehículo necesita carga, sino también cuándo el conductor se sentirá lo suficientemente motivado para actuar.
El modelo para los taxistas es aún más sofisticado, ya que su conducción es una fuente directa de ingresos. Su toma de decisiones es un constante equilibrio entre el tiempo y el dinero. El estudio desarrolla un «modelo de utilidad de decisión al final del turno» que analiza la elección de un taxista al final de su jornada laboral. ¿Debería tomar una última carrera? La decisión se basa en el valor percibido de la tarifa en comparación con el costo en tiempo y energía. El modelo incorpora un punto de referencia para los ingresos esperados. Una carrera que supere esta expectativa se percibe como una ganancia, mientras que una que la incumpla se siente como una pérdida. Las simulaciones revelaron que la sensibilidad de un conductor hacia el tiempo frente al dinero varía ampliamente. Algunos conductores, altamente aversos a la pérdida de ingresos, aceptarán una carrera larga y bien pagada incluso si significa llegar a casa muy tarde. Otros, que priorizan el tiempo con su familia, rechazarán una carrera lucrativa si los mantendrá fuera hasta altas horas de la noche. Al simular este proceso de toma de decisiones complejo, el modelo puede predecir con una gran precisión cuándo y dónde los taxistas buscarán carga.
Uno de los aspectos más innovadores de este trabajo es la transición de la predicción a la acción. Más allá de simplemente pronosticar el comportamiento, el marco propuesto incluye una «estrategia de orientación» diseñada para influir en las decisiones de los usuarios para el beneficio de la red eléctrica. Para un conductor privado que se está cargando antes de un viaje planificado, el sistema puede recomendar un ligero ajuste en su hora de salida o un cambio en la potencia de carga. Por ejemplo, si el modelo predice que el conductor llegará tarde y experimentará una utilidad negativa, podría sugerir salir 10 minutos antes. Si el conductor está preocupado por su SOC, podría recomendar aumentar la velocidad de carga en los últimos 15 minutos para aliviar su ansiedad. Para los taxistas, la estrategia de orientación actúa como un sistema de despacho inteligente, recomendando una carrera específica de una lista de opciones disponibles. No simplemente elige la carrera mejor pagada; elige la carrera que maximice la utilidad total del conductor, equilibrando ingresos y tiempo. Esto podría significar recomendar una carrera más corta y menos lucrativa a un conductor que valora llegar a casa temprano, o una carrera más larga y mejor pagada a uno que priorice maximizar sus ganancias. Las simulaciones mostraron que estas estrategias de orientación fueron altamente efectivas, aumentando significativamente la utilidad de decisión tanto para conductores privados como para taxistas, lo que lleva a una experiencia de usuario más satisfactoria.
Los resultados de la simulación ofrecen una imagen vívida de cómo se distribuye la carga de vehículos eléctricos en una ciudad. Como se esperaba, las áreas residenciales experimentan un pico significativo de carga por la noche, entre las 21:30 y las 22:30, cuando los conductores regresan a casa y conectan sus vehículos. Las áreas comerciales, por otro lado, ven un pico más temprano, entre las 17:30 y las 19:00, impulsado por conductores que cargan durante la cena o mientras hacen compras. El modelo también demuestra la sensibilidad de la red a la penetración de vehículos eléctricos. A medida que la proporción de VEs en la flota vehicular aumenta del 60% al 80%, la carga máxima total aumenta más del 32%, lo que subraya la necesidad de mejoras en la red. El estudio también muestra que precios más altos de electricidad pueden reducir la carga de pico en casi un 28% al desalentar la carga, mientras que las estaciones frías pueden aumentar la carga de pico en un 24% debido al mayor consumo de energía.
Esta investigación representa un avance significativo en el campo de la predicción de carga de vehículos eléctricos. Al trascender las suposiciones simplistas y abrazar la complejidad completa del comportamiento humano y los sistemas urbanos, Ding, Ke y sus colegas han creado una herramienta que no es solo predictiva, sino también prescriptiva. Puede utilizarse para diseñar esquemas de precios por horarios más efectivos, planificar la ubicación óptima de nuevas estaciones de carga y desarrollar sistemas inteligentes de gestión de carga que puedan suavizar los picos de demanda y prevenir sobrecargas en la red. La capacidad del modelo para simular los efectos de diferentes políticas y escenarios proporciona una plataforma poderosa para la planificación estratégica. Por ejemplo, una ciudad podría utilizar este modelo para evaluar el impacto de una nueva tarifa de congestión en los patrones de viaje y carga de vehículos eléctricos, o una compañía eléctrica podría usarlo para evaluar los beneficios de un nuevo programa de respuesta a la demanda que incentive la carga fuera de los horarios pico.
El trabajo también subraya la importancia de la investigación interdisciplinaria. Resolver los desafíos de la transición energética requiere una colaboración entre ingenieros eléctricos, científicos de la computación, planificadores de transporte y economistas conductuales. Este estudio es un ejemplo paradigmático de dicha colaboración, que combina experiencia en sistemas de potencia, modelado de flujo de tráfico y psicología cognitiva. Los investigadores reconocen que su modelo es un punto de partida y que se necesita más trabajo, particularmente en la recopilación de datos del mundo real para validar y refinar los parámetros del comportamiento. Las investigaciones futuras podrían ampliar el modelo para incluir fines de semana y feriados, diferentes tipos de infraestructura de carga y el potencial de la tecnología de vehículo a red (V2G), donde los vehículos eléctricos pueden devolver energía a la red.
En conclusión, el modelo presentado por Ding Leyan, Ke Song y su equipo ofrece una visión mucho más realista y matizada del futuro de la carga de vehículos eléctricos. Reconoce que la red eléctrica del mañana será moldeada no solo por la tecnología, sino por millones de decisiones diarias tomadas por conductores que navegan por sus vidas. Al comprender e incorporar la psicología detrás de estas decisiones, esta investigación proporciona una herramienta crucial para construir un sistema energético más inteligente, resiliente y sostenible. Es una contribución vital al esfuerzo continuo por gestionar la electrificación del transporte de una manera que sea eficiente, equitativa y beneficiosa para todas las partes interesadas.
Ding Leyan, Ke Song, Zhang Fan, Lin Xiaoming, Wu Mengwei, Zhang Jieming, Yang Jun, Wuhan University, Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.06.002