El autor es miembro del Centro de Investigación en Redes Eléctricas Inteligentes de la Universidad Politécnica de Madrid, especializado en integración de vehículos eléctricos en redes inteligentes.
En la era de la transición energética, la integración de vehículos eléctricos (VE) en las redes de distribución se convierte en un reto crucial. Según pronósticos de organismos internacionales, para 2030 el parque mundial de vehículos eléctricos alcanzará los 145 millones de unidades, lo que supondrá una presión sin precedentes sobre las redes eléctricas. Entre todos los puntos de carga, las estaciones públicas presentan una particular dificultad: su demanda fluctúa de forma drástica, a diferencia de las instalaciones privadas, que siguen patrones más predecibles. Un nuevo método basado en redes neuronales gráficas espacio-temporales adaptativas (AST-GCN, por sus siglas en inglés) promete revolucionar esta área, al ofrecer predicciones a corto plazo más precisas al tener en cuenta las complejas interrelaciones diferenciales entre múltiples estaciones de carga.
El reto: la volatilidad de las estaciones públicas
Las estaciones de carga pública son piezas clave de la infraestructura para vehículos eléctricos, pero su funcionamiento difiere drásticamente de las instalaciones privadas. Mientras que los usuarios particulares suelen cargar sus vehículos por la noche o en horarios fijos, las demandas en las estaciones públicas dependen de una multitud de factores variables: el comportamiento de conducción, las condiciones meteorológicas, las fechas festivas o incluso el estado operativo de las propias estaciones. Esta volatilidad hace que predecir la carga con precisión sea extremadamente complicado. Los estudios anteriores se centraban principalmente en estaciones individuales o utilizaban modelos uniformes que no tenían en cuenta los patrones individuales de diferentes ubicaciones.
«El desafío no radica solo en el análisis de series temporales, sino en la consideración de las interdependencias espaciales», explica un equipo de investigación del Laboratorio de Simulación y Control de Sistemas Eléctricos Modernos y Tecnologías de Energías Renovables de la Universidad de Electricidad del Noreste (China). Por ejemplo, las cargas de estaciones cercanas pueden influirse mutuamente: si una estación está saturada, los conductores pueden desplazarse a otra. Al mismo tiempo, ubicaciones geográficamente distantes pueden presentar patrones similares si se encuentran en regiones con comportamientos de conducción parecidos. Los modelos tradicionales no eran capaces de capturar estas relaciones complejas.
¿De dónde proviene la incertidumbre?
La dificultad para predecir la carga en estaciones públicas surge de múltiples factores. Por un lado, los usuarios suelen ser particulares con demandas dispersas: algunos cargan rápidamente entre rutas, otros planifican su carga con antelación. Por otro lado, los tiempos de carga dependen del tipo de vehículo, el estado de la batería e incluso las condiciones climáticas. Así, en meses de verano caluroso, los conductores tienden a cargar más frecuentemente y durante más tiempo para mantener el sistema de climatización, mientras que en inviernos fríos, el consumo de energía para calefacción aumenta, lo que también incrementa la frecuencia de carga.
Los métodos tradicionales de predicción de carga se dividían en dos categorías: enfoques basados en modelos y enfoques basados en datos. Los métodos basados en modelos, como la simulación de Monte Carlo, se basan en suposiciones sobre tiempos de conducción, kilómetros diarios y comportamientos de carga, pero pronto alcanzan sus límites cuando se trata de escenarios reales complejos. Los métodos basados en datos, como las redes neuronales, utilizan datos históricos para detectar patrones, pero carecían de la capacidad de procesar las relaciones espaciales entre diferentes ubicaciones.
El avance: redes neuronales gráficas espacio-temporales adaptativas
El nuevo método AST-GCN combina las fortalezas de las redes neuronales gráficas con mecanismos de aprendizaje adaptativo para capturar las complejas relaciones entre estaciones de carga. El enfoque se divide en varios pasos que, juntos, permiten una alta precisión predictiva.
Primero, se construye un conjunto de características multi-nodo usando el Coeficiente de Información Máxima Rápido (RAPID-MIC). Este conjunto incluye no solo datos históricos de carga, sino también características de fecha (como días festivos o días de la semana) y datos meteorológicos (temperatura, precipitaciones, velocidad del viento). A diferencia de métodos tradicionales como el coeficiente de Pearson, que solo detecta relaciones lineales, RAPID-MIC es capaz de identificar relaciones no lineales entre variables, lo que supone una mejora crucial.
A continuación, mediante un módulo de generación de grafos adaptativos a los datos (DAGG, por sus siglas en inglés), se crea un grafo espacio-temporal de pesos de similitud dinámico. Este grafo reconstruye las conexiones espaciales entre estaciones de carga sin depender de la proximidad geográfica. En lugar de conexiones estáticas entre nodos (estaciones), las vínculos se actualizan constantemente según datos actuales e históricos. Esto permite que estaciones no cercanas geográficamente, pero con patrones de carga similares, estén conectadas — una ventaja que carecen los métodos tradicionales.
Mejora diferencial de características y adaptación paramétrica
Otro aspecto clave del método es el uso de capas de convolución gráfica (GCL, por sus siglas en inglés) para generar características de agregación espacial para cada estación de carga. A diferencia de las redes tradicionales, que usan los mismos parámetros para todos los nodos, aquí se realizan mejoras diferenciales de características que tienen en cuenta los patrones individuales de cada estación.
Para lograr esto, el sistema utiliza un módulo de aprendizaje de parámetros adaptativos por nodo (NAPL, por sus siglas en inglés). Este módulo asigna parámetros individuales a cada estación de carga para aprender sus patrones de carga específicos. Por ejemplo, una estación puede ser utilizada principalmente por vehículos comerciales durante el día o por particulares por la noche. Esto evita que modelos uniformes superpongan patrones y distorsionen las predicciones.
Finalmente, las características temporales de las características de agregación espacial se extraen mediante unidades recurrentes cerradas (GRU, por sus siglas en inglés). Estas unidades son especialmente eficaces para detectar dependencias a largo plazo en series temporales — una ventaja crucial para predecir cargas de estación que dependen en gran medida de patrones diarios, semanales o estacionales.
Las ventajas en detalle
Generación dinámica de grafos
Gracias al módulo DAGG, las conexiones espaciales entre estaciones no se definen de forma estática, sino que se actualizan constantemente según datos actuales. Esto permite que las conexiones cambien cuando los patrones evolucionen — por ejemplo, cuando se abre un nuevo centro comercial y la actividad de carga en la zona aumenta.
Mejora diferencial de características
Las capas GCL permiten que cada estación desarrolle sus propias características espaciales, influenciadas por las características de otras ubicaciones. Esto no solo captura patrones locales, sino también sus interacciones.
Aprendizaje de parámetros individuales
Gracias a NAPL, cada estación se trata como un sistema único con parámetros específicos. Esto es especialmente importante para ubicaciones con patrones de comportamiento extremadamente diferentes, como una estación urbana en el centro de la ciudad versus una estación en una autopista.
Alta interpretabilidad
A diferencia de muchas «cajas negras» en la investigación de inteligencia artificial, el modelo de estructura gráfica hace visibles las relaciones entre estaciones. Las conexiones en el grafo representan cuantitativamente la fuerza de las interrelaciones, lo que ayuda a los expertos a entender y verificar las predicciones.
Prueba práctica: alta precisión en escenarios reales
【Figura 1】Comparación de errores entre métodos (Fuente: datos del estudio)
Para probar la eficacia del método, se aplicó a datos de 13 estaciones públicas de carga en una región china, proporcionados por la compañía eléctrica de la provincia de Jilin (China) en su conjunto de datos público de 2020. Estas incluían 93 puntos de carga (tanto estaciones de carga rápida con hasta 60 kW como estaciones estándar con 30 kW) y abarcaban un conjunto de datos anual desde enero de 2019 hasta enero de 2020.
En comparación con métodos tradicionales como la regresión de vectores de soporte (SVR), las unidades recurrentes cerradas (GRU) o incluso redes gráficas sin componentes adaptativas (noDAGG, noNAPL) — modelos de referencia que comparten la misma arquitectura base pero carecen de los módulos DAGG o NAPL, el método AST-GCN logró las tasas de error más bajas. El error porcentual absoluto medio simétrico (SMAPE) fue del 12,95 % (IC 95%: 12,3-13,6 %), y el error absoluto medio (MAE) fue de 31,72 kW (IC 95%: 30,2-33,2 kW). En comparación, los mejores métodos alternativos lograron un SMAPE del 13,57 % (noNAPL) y 13,80 % (noDAGG).
Destaca especialmente que el método redujo significativamente los valores de predicción peores — es decir, los casos donde la desviación era mayor. Esto es crucial para la estabilidad de la red, ya que desviaciones extremas pueden causar sobrecargas o fluctuaciones de tensión.
¿Qué factores influyen en la precisión?
El análisis de los datos de prueba reveló que ciertos factores influyen en gran medida en la precisión de las predicciones. Entre ellos:
- Temperatura: Tanto fríos extremos como olas de calor aumentan la actividad de carga, lo que incrementa la volatilidad. Aun así, el método AST-GCN logró capturar bien estas fluctuaciones gracias a la inclusión de datos de temperatura.
- Fiestas y fines de semana: En estos días, el comportamiento de conducción difiere mucho de los días laborables. Gracias a la inclusión de características de fecha, el sistema pudo detectar estos patrones y adaptarse en consecuencia.
- Cargas históricas: La inclusión de datos de los siete días anteriores permitió detectar tendencias a corto plazo, como un aumento repentino de viajes debido a un concierto o un evento deportivo.
Perspectivas: cómo el método influirá en el futuro de la movilidad eléctrica
La predicción precisa de cargas en estaciones públicas tiene consecuencias amplias para la movilidad eléctrica y las redes eléctricas:
- Estabilidad de la red: Con predicciones más fiables, los operadores de red pueden tomar medidas preventivas para evitar sobrecargas. Esto podría reducir la necesidad de costosas expansiones de red.
- Planificación de infraestructura de carga: Predicciones precisas ayudan a distribuir optimamente las estaciones de carga. Por ejemplo, una región identificada por el modelo como de alta demanda futura puede equiparse con puntos de carga adicionales de antemano.
- Experiencia del usuario: Menos sobrecargas en las estaciones reducen los tiempos de espera y mejoran la aceptación de los vehículos eléctricos. Además, tarifas dinámicas basadas en picos de carga previstos podrían incentivar a los usuarios a cargar fuera de horas punta.
- Integración de energías renovables: Con predicciones precisas de carga, se puede optimizar la proporción de energía solar y eólica en la carga de vehículos. Por ejemplo, el exceso de energía solar en momentos de alta actividad de carga prevista puede almacenarse o usarse directamente.
El papel de la IA en la transición energética
El método AST-GCN es un ejemplo de la creciente importancia de la inteligencia artificial en la transición energética. Mientras que los métodos tradicionales suelen considerar solo aspectos individuales de la oferta de energía, las redes neuronales avanzadas permiten integrar flujos de datos complejos e interdependientes.
Sin embargo, el desarrollo está aún en sus primeros pasos. Investigaciones futuras podrían mejorar el método al incluir factores adicionales, como datos en tiempo real de congestiones viales, ocupación de parkings o incluso redes sociales. La combinación con edge computing también podría reducir el tiempo de respuesta de las predicciones, permitiendo a los operadores de red responder casi en tiempo real a los cambios.
Conclusión
La predicción de cargas en estaciones públicas es uno de los mayores retos en la integración de vehículos eléctricos en las redes eléctricas. El nuevo método AST-GCN se destaca por su capacidad para capturar relaciones espaciales y temporales diferenciales, superando a los métodos anteriores. Con un SMAPE del 12,95 % y un MAE de 31,72 kW, logra una alta precisión que ayuda a los operadores de red a garantizar la estabilidad y planificar la infraestructura de manera eficiente.
Este avance no solo mejora la gestión de las redes eléctricas, sino que también impulsa la adopción de vehículos eléctricos al abordar uno de los principales obstáculos: la infraestructura de carga fiable y eficiente. A medida que la movilidad eléctrica sigue expandiéndose, soluciones como AST-GCN serán esenciales para construir un sistema energético más sostenible y resiliente.
El método fue publicado en la revista «Energy Informatics Review» en su número 2 de 2023, sometido a evaluación por pares, lo que respalda la fiabilidad de sus resultados. No existen conflictos de interés declarados por los autores.
En un contexto donde la transición energética es una prioridad global, la capacidad de predecir y gestionar la demanda de energía de forma precisa no es solo una ventaja técnica, sino una necesidad para garantizar un futuro energético estable y sostenible. El método AST-GCN representa un paso significativo en esa dirección, demostrando cómo la inteligencia artificial puede ser una aliada crucial en la transformación de nuestros sistemas energéticos.