Nuevo modelo predice carga de EV con flujo de tráfico
Un avance significativo en la planificación de la infraestructura eléctrica para vehículos eléctricos (VE) ha sido presentado por investigadores de la Universidad Tecnológica del Sur de China y el Centro de Control de Despacho de la Red Eléctrica de Guangdong. Su nuevo modelo, publicado en Power System Technology, promete una predicción mucho más precisa de la demanda de carga al integrar directamente el flujo de tráfico en tiempo real con el estado de carga de las baterías.
La revolución de los vehículos eléctricos no solo está transformando el paisaje de nuestras carreteras, sino también poniendo a prueba la capacidad de nuestras redes eléctricas. A medida que millones de nuevos vehículos eléctricos se conectan a la red, el patrón colectivo de carga se convierte en una carga compleja y altamente impredecible que puede poner a prueba la estabilidad de la red, especialmente durante las horas pico. Los métodos tradicionales para modelar esta carga de carga han dependido en gran medida de simulaciones que rastrean el comportamiento de vehículos individuales. Si bien estas simulaciones de tipo Monte Carlo pueden ser útiles, son intensivas en cálculo y a menudo fallan en capturar los patrones emergentes a gran escala que surgen de la interacción de miles de conductores tomando decisiones simultáneas sobre rutas y carga. La limitación fundamental radica en la naturaleza inherentemente aleatoria del comportamiento humano: cuándo decide alguien conducir, a dónde va y cuándo decide cargar son influenciados por una miríada de factores, desde rutinas diarias hasta condiciones de tráfico en tiempo real. Esta aleatoriedad se traduce en una distribución probabilística de la demanda de carga en el tiempo y el espacio, lo que convierte la predicción precisa en un desafío significativo para los operadores de la red y los planificadores urbanos.
Reconociendo estas limitaciones, los investigadores han buscado durante mucho tiempo una perspectiva más holística y macroscópica. La idea central es que los vehículos eléctricos no son solo baterías sobre ruedas; son componentes integrales de un sistema de transporte dinámico. Su movimiento está gobernado por los mismos principios de equilibrio del tráfico que dictan el comportamiento de todos los vehículos en una red. Cuando un conductor elige una ruta, afecta el tiempo de viaje de los demás, creando un bucle de retroalimentación que finalmente lleva a un estado de equilibrio donde ningún conductor individual puede mejorar su tiempo de viaje cambiando unilateralmente su ruta. Este concepto, conocido como equilibrio del tráfico, ha sido una piedra angular de la ingeniería de transporte durante décadas. Sin embargo, su aplicación al problema específico de la carga de vehículos eléctricos ha sido limitada, con muchos modelos existentes ignorando los efectos de congestión del tráfico o tratándolos como condiciones estáticas promedio.
La nueva investigación, publicada en la revista Power System Technology, da un salto significativo al vincular directamente el estado dinámico de la red de transporte con la evolución del estado de carga (SOC) de las baterías. Los autores, Zhu Junliang y Wu Zhigang de la Escuela de Energía Eléctrica de la Universidad Tecnológica del Sur de China, junto con Liu Jianing del Centro de Control de Despacho de la Red Eléctrica de Guangdong, han desarrollado un marco sofisticado que combina un modelo de equilibrio de tráfico semidinámico con un concepto novedoso llamado «Estado de Carga Combinado» (CSOC). Esta fusión les permite avanzar más allá de las limitaciones de la simulación individual de vehículos y, en cambio, modelar el comportamiento colectivo de toda una flota de vehículos eléctricos como una sola entidad probabilística en evolución.
La metodología se basa en una fundación de múltiples capas. En su núcleo se encuentra el modelo de equilibrio de tráfico semidinámico, que divide el día en múltiples períodos de tiempo. Para cada período, calcula cómo se distribuye el flujo de tráfico a través de la red vial basándose en el principio de equilibrio del usuario, donde los conductores eligen rutas para minimizar su tiempo de viaje. Lo crucial es que este modelo es «semidinámico» porque tiene en cuenta el «flujo residual de tráfico»: vehículos que comienzan un viaje en un período de tiempo pero no lo terminan hasta el siguiente. Esto captura el fenómeno del mundo real de la congestión, donde un retraso en una hora puede repercutir en la siguiente, afectando cuándo y dónde llegan las personas a sus destinos. Al utilizar este modelo, los investigadores pueden generar una imagen altamente realista de cómo se distribuyen espacialmente los vehículos eléctricos en una ciudad en cualquier hora dada, incluyendo el impacto de la capacidad y longitud de las carreteras en los tiempos de viaje.
En el otro lado de la ecuación está el modelo CSOC. En lugar de rastrear el nivel de batería de cada automóvil, este enfoque trata a toda la población de vehículos eléctricos como si tuviera un estado de carga combinado que sigue una distribución de probabilidad, asumida inicialmente como normal. A medida que los vehículos eléctricos viajan, su SOC colectivo «consume» a una tasa proporcional a la distancia y la eficiencia energética de las rutas elegidas. El modelo luego calcula cómo cambia y evoluciona esta distribución de probabilidad. Cuando el SOC de un vehículo cae por debajo de un umbral predefinido, genera una demanda de carga. El modelo CSOC puede entonces determinar la probabilidad de que un vehículo que llega a un destino (como una estación de carga) en un momento específico tenga una batería lo suficientemente baja como para requerir carga. Al combinar esta probabilidad con el número de vehículos que llegan y la potencia de carga, el modelo puede calcular la carga de carga esperada para esa ubicación y momento.
El verdadero poder de este enfoque integrado radica en su capacidad para capturar el bucle de retroalimentación entre los sistemas de transporte y energía. Por ejemplo, si una carretera principal se congestiona, el modelo de tráfico semidinámico muestra que los tiempos de viaje aumentan. Esto significa que los vehículos eléctricos tardan más en llegar a sus destinos, consumiendo más energía en el camino. Este mayor consumo de energía desplaza la distribución CSOC, lo que lleva a una mayor probabilidad de que los vehículos necesiten cargar al llegar. Además, la congestión podría hacer que algunos conductores tomen rutas más largas y menos directas, lo que aumenta aún más su consumo de energía y demanda de carga. Este efecto en cascada, donde las condiciones de tráfico influyen directamente en los patrones de carga, es algo que los modelos anteriores lucharon por representar con precisión. El nuevo modelo, sin embargo, captura esta interdependencia de forma natural dentro de su marco.
Para validar su enfoque, el equipo de investigación realizó extensas simulaciones en dos redes distintas. La primera fue una red de prueba de 13 nodos bien conocida, a menudo utilizada en la investigación académica, lo que les permitió realizar comparaciones detalladas con métodos establecidos. La segunda fue una red a gran escala y del mundo real extraída de los datos de OpenStreetMap del distrito de Tianhe en Guangzhou, China, que consta de casi 6,000 segmentos de carretera y 4,800 nodos. Esta prueba a gran escala fue crucial para demostrar la aplicabilidad práctica del modelo en un entorno urbano real.
Los resultados fueron convincentes. Cuando se comparó con la simulación tradicional de Monte Carlo, un método que depende de ejecutar miles de viajes aleatorios de vehículos, el nuevo modelo produjo perfiles de carga de carga virtualmente idénticos, confirmando su precisión. Sin embargo, la diferencia en la eficiencia computacional fue asombrosa. En la red de 13 nodos, el nuevo método logró su resultado en solo 4,8 segundos, mientras que una simulación de Monte Carlo con 100 ejecuciones tomó más de 4 horas. En la masiva red del mundo real, el nuevo modelo tardó 978 segundos (aproximadamente 16 minutos), en comparación con más de 11 horas para una simulación de Monte Carlo de 50 ejecuciones. Esto representa una aceleración de más de 40 veces, lo que hace que el modelo no solo sea preciso, sino también factible para aplicaciones en tiempo real o casi en tiempo real, como la programación de la red para el día siguiente.
El estudio también arrojó valiosas ideas sobre los factores que influyen en la demanda de carga. Un hallazgo clave fue el retraso temporal entre la demanda de viaje y la demanda de carga. El pico en el tráfico de vehículos ocurrió a las 6:00 p.m., pero el pico en la carga de carga se observó a las 7:00 p.m. Este retraso de una hora es una consecuencia directa del hecho de que los vehículos eléctricos no pueden cargar mientras conducen; deben completar su viaje antes de enchufarse. Esta idea es crítica para los operadores de la red que necesitan anticipar cuándo golpeará la oleada de demanda de electricidad.
Otro hallazgo significativo se refirió al impacto de las tasas de penetración de vehículos eléctricos. La investigación confirmó que a medida que aumenta el porcentaje de vehículos eléctricos en las carreteras, la carga diaria total de carga aumenta de forma directamente proporcional, lineal. Esto sugiere que predecir la demanda futura de carga puede ser relativamente sencillo si se conoce la tasa de crecimiento de la adopción de vehículos eléctricos. Sin embargo, el modelo también destacó la profunda influencia de la estructura física subyacente de la red vial. Cuando los investigadores simularon una reducción en la capacidad de la carretera, simulando un cuello de botella o un cierre de carretera, observaron un efecto dramático. No solo se desplazó el pico de demanda de viaje más tarde en la noche, sino que también aumentó el pico de carga de carga y se desplazó. Esto se debe a que la congestión obliga a los vehículos a pasar más tiempo en la carretera, quemando más energía, y a veces tomando desvíos más largos, ambos lo que lleva a una mayor necesidad de carga. De manera similar, cuando se aumentaron artificialmente las longitudes de las carreteras, el pico de carga se retrasó aún más y la carga diaria promedio aumentó, nuevamente debido al mayor consumo de energía de las distancias de viaje más largas.
Estos hallazgos subrayan un punto crítico: la red eléctrica y la red de transporte no son sistemas separados, sino que están profundamente entrelazados. El diseño y la operación de uno tiene un impacto directo y medible en el otro. Una red vial mal diseñada que es propensa a la congestión no solo frustrará a los conductores, sino que también creará una carga de carga más volátil y de pico más alto para la red eléctrica. Por el contrario, un sistema de transporte bien optimizado puede ayudar a suavizar la demanda de carga, facilitando y abaratando su gestión.
Las implicaciones de esta investigación son de gran alcance. Para las compañías de servicios públicos, este modelo proporciona una poderosa nueva herramienta para pronosticar la carga. Al incorporar datos de tráfico en tiempo real o predichos, pueden generar predicciones de demanda de carga mucho más precisas, lo que permite una mejor programación de la unidad, una reducción en la necesidad de costosas plantas de energía de pico y una mejor estabilidad de la red. Para los planificadores urbanos y las autoridades de transporte, el modelo ofrece una forma de evaluar la «huella energética» de diferentes estrategias de desarrollo urbano y gestión del tráfico. Una nueva autopista o un cambio en la señalización de tráfico ahora se puede evaluar no solo por su impacto en el tiempo de viaje, sino también por su impacto en el consumo de electricidad y las emisiones de carbono de la ciudad.
Para la industria emergente de carga de vehículos eléctricos, el modelo puede informar decisiones estratégicas sobre dónde colocar nuevas estaciones de carga. Al predecir no solo el volumen de demanda, sino también su distribución precisa en el tiempo y el espacio, los operadores pueden evitar la sobreconstrucción en algunas áreas mientras que no satisfacen la demanda en otras. Esto conduce a una infraestructura de carga más eficiente y resistente.
Los autores reconocen que el modelo puede refinarse aún más. El trabajo futuro incorporará la influencia de los precios de carga en las decisiones de planificación de rutas, ya que los conductores podrían elegir rutas más largas para llegar a una estación de carga más barata. El modelo actualmente asume que la carga solo ocurre al final de un viaje, pero en realidad muchos conductores realizan «carga oportuna» durante su viaje. Incorporar estos comportamientos de usuario más complejos hará que el modelo sea aún más realista. Además, el auge de la movilidad autónoma y compartida podría cambiar fundamentalmente los patrones de viaje, y el modelo necesitará adaptarse a estos nuevos paradigmas.
En conclusión, esta investigación representa un cambio de paradigma en la forma en que pensamos y modelamos la carga de vehículos eléctricos. Al pasar de una simulación micro de individuos a un análisis macro del comportamiento del sistema, proporciona una herramienta más precisa, eficiente e informativa. Une con éxito la ingeniería del transporte con el análisis de sistemas de energía, demostrando que un enfoque holístico y basado en sistemas es esencial para manejar los desafíos complejos de nuestro futuro electrificado. Mientras el mundo se dirige hacia un sistema de transporte con cero emisiones, herramientas como esta serán indispensables para garantizar que nuestras redes eléctricas puedan mantenerse al día con la demanda, allanando el camino para una transición más fluida y sostenible.
Zhu Junliang, Wu Zhigang, Liu Jianing. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.0095