Modelo Pronostica Carga Rápida de EVs con Inteligencia Urbana
La rápida evolución del transporte eléctrico está transformando las ciudades, y con ella, la necesidad de una infraestructura de carga más inteligente, eficiente y estratégicamente ubicada. La planificación de estaciones de carga rápida para vehículos eléctricos (VE) ha sido históricamente un desafío complejo, basado a menudo en modelos simplificados que dividen las ciudades en zonas funcionales como residenciales, comerciales o industriales. Sin embargo, este enfoque tradicional ignora la verdadera complejidad del tejido urbano moderno, donde los límites entre funciones son borrosos y las personas realizan cadenas de desplazamientos que responden a una multiplicidad de necesidades. Un nuevo estudio, publicado en la revista Southern Power System Technology, presenta un modelo revolucionario que integra la estructura espacial de la ciudad y la psicología del conductor para predecir con mayor precisión dónde y cuándo se necesitará la carga rápida.
Liderado por Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao y Chuan Yang del Departamento de Ingeniería Eléctrica de la Universidad de Energía Eléctrica de Shanghái, este trabajo abandona el modelo de zonas rígidas y lo sustituye por un análisis basado en datos geoespaciales reales. Su metodología reconoce que las ciudades contemporáneas no son sistemas monolíticos con un único centro, sino entidades polinucleares, con múltiples focos de actividad dispersos por todo su territorio. Estos «centros secundarios» o «ciudades satélite» emergentes, dotados de servicios completos, han reducido drásticamente la necesidad de viajes largos y transzonales, un cambio que los modelos convencionales no han sabido capturar. Al incorporar esta realidad, el nuevo modelo ofrece una visión más realista y útil para la toma de decisiones de planificación urbana y energética.
El núcleo de esta innovación es el uso de datos de Puntos de Interés (POI, por sus siglas en inglés). Los POIs—que incluyen desde restaurantes y centros comerciales hasta oficinas, parques y hospitales—no son simples marcadores en un mapa; son indicadores directos de la actividad humana y de la función urbana. El equipo de investigación recopiló una extensa base de datos de más de 119.000 POIs de una gran ciudad china, clasificándolos en 16 categorías y asignando a cada uno un «peso funcional» basado en su impacto en la vida diaria. Por ejemplo, un gran parque empresarial o un hospital de referencia tiene un peso mucho mayor en la categoría «trabajo» o «salud» que una pequeña tienda de conveniencia. Este sistema de ponderación permite cuantificar la intensidad funcional de cada rincón de la ciudad.
Para transformar estos datos puntuales de POIs en una representación coherente de la estructura espacial urbana, los investigadores emplearon una técnica llamada análisis de densidad de kernel. Este método calcula la concentración de POIs dentro de un radio determinado alrededor de cada punto de una cuadrícula, creando una superficie suave que resalta las zonas de alta actividad. El resultado es un mapa detallado de los «centros» de la ciudad, que va más allá del centro tradicional para identificar núcleos secundarios y emergentes en las zonas suburbanas. Este análisis reveló una estructura urbana policéntrica, con racimos de actividad esparcidos por la región, reflejando la tendencia moderna de descentralización.
Esta estructura espacial es la base para simular el comportamiento de los desplazamientos de los VE. En lugar de asumir que los viajes ocurren al azar entre zonas predefinidas, el equipo utilizó un modelo de gravedad mejorado para predecir el flujo de vehículos entre diferentes ubicaciones. En este modelo, la atracción de un destino está determinada por su peso funcional y su distancia al origen. Un lugar con un peso alto, como un gran centro comercial, ejerce una «fuerza de atracción» fuerte, pero esta fuerza disminuye con la distancia. El modelo también incorpora el concepto de «impedancia», que tiene en cuenta la fricción del desplazamiento, haciendo que los viajes más largos sean menos probables. Combinando estos factores, el modelo puede simular cadenas de viajes realistas—secuencias de desplazamientos que un conductor podría hacer en un solo día, como de casa al trabajo, del trabajo a hacer compras y de compras a casa.
La innovación del estudio va más allá de la modelización espacial y aborda el aspecto psicológico de la toma de decisiones del conductor. Los investigadores reconocen que los conductores de VE no son actores racionales perfectos que siempre buscan la estación de carga óptima. En cambio, operan con una «racionalidad acotada», tomando decisiones basadas en una combinación de información objetiva y preferencias subjetivas. Un conductor podría priorizar una estación que está un poco fuera de su camino si tiene un precio más bajo, cargadores más rápidos o se encuentra en un área familiar. Para capturar este comportamiento, el equipo desarrolló un marco de toma de decisiones basado en un «modelo de adsorción», que simula cómo los conductores evalúan sus opciones bajo presión.
En este marco, la urgencia del conductor por cargar se representa como una «fuerza de fricción». Cuando el nivel de la batería baja, esta fricción aumenta, lo que reduce los estándares del conductor sobre lo que constituye una estación de carga aceptable. Por el contrario, un conductor con una batería saludable tiene estándares más altos y es más selectivo. El modelo también incorpora la «capacidad de adsorción» del conductor, que es su evaluación subjetiva de una estación basada en factores como el precio, la potencia disponible y la distancia del desvío. La decisión de cargar no se toma cuando se encuentra la mejor opción, sino cuando aparece la primera opción que cumple con el umbral de «satisfacción» del conductor en ese momento. Esto refleja fielmente el comportamiento del mundo real, donde los conductores a menudo eligen la primera estación disponible cuando sienten ansiedad por quedarse sin energía.
Para validar su modelo, el equipo de investigación realizó una simulación a gran escala que involucró a 50.000 vehículos eléctricos virtuales navegando por la red vial de la ciudad de estudio durante un período de 24 horas. La simulación se basó en un mapa digital detallado de 78.748 segmentos de carretera y 2.426 enlaces vial simplificados tras el procesamiento por cuadrícula. A cada vehículo se le asignó una cadena de viaje única, una capacidad de batería y un estado de carga inicial basados en distribuciones estadísticas derivadas de datos del mundo real. A medida que avanzaba la simulación, el modelo rastreaba la ubicación, velocidad, nivel de batería y estado de carga de cada vehículo en intervalos de un minuto.
Los resultados de la simulación fueron reveladores y significativos. Cuando el modelo tuvo en cuenta la compleja estructura espacial de la ciudad y la racionalidad acotada de los conductores, la demanda de carga rápida predicha fue notablemente diferente de los modelos que usaban zonificación funcional simple. La distancia media de viaje para los VE fue de 33,4 kilómetros, un 24,4% menos que los 44,2 kilómetros en un escenario que ignoraba los datos de POI. Esta distancia de viaje más corta condujo a una reducción del 44,3% en los viajes de larga distancia de más de 60 kilómetros, lo que a su vez redujo la demanda de carga total.
La distribución temporal de la carga también mostró un patrón distinto. Surgieron dos picos claros: uno a finales de la mañana (entre 480 y 660 minutos después de la medianoche) y otro a finales de la tarde (entre 1.020 y 1.200 minutos). El primer pico corresponde a conductores que comienzan su día con una batería parcialmente cargada y necesitan recargar durante su primer desplazamiento. El segundo, y más grande, pico refleja la oleada de carga al final del día cuando los conductores regresan a casa y conectan sus vehículos. El modelo predijo una carga pico de aproximadamente 3.200 kilovatios durante el primer pico y 2.340 kilovatios durante el segundo.
Crucialmente, la distribución espacial de esta carga estaba altamente concentrada alrededor de los múltiples centros de actividad de la ciudad, identificados por el análisis de POI. La demanda más alta se observó en las estaciones de carga ubicadas cerca de importantes centros comerciales, corredores de transporte y centros de empleo. Este hallazgo subraya la importancia de colocar la infraestructura de carga rápida no solo en áreas residenciales, sino a lo largo de las rutas dinámicas de la vida urbana diaria. En contraste, un modelo que ignoraba la estructura espacial predijo una carga mucho más centralizada, concentrada casi exclusivamente en el núcleo del centro de la ciudad, lo que habría llevado a una subestimación significativa de la demanda en las zonas suburbanas y centros secundarios en crecimiento.
Las implicaciones de esta investigación son de gran alcance. Para los planificadores urbanos, proporciona una herramienta poderosa para optimizar la ubicación de nuevas estaciones de carga, asegurando que las inversiones se realicen donde tendrán el mayor impacto. Para las compañías eléctricas, ofrece una previsión más precisa de la demanda máxima de electricidad, permitiendo una mejor gestión de la red y la prevención de sobrecargas. Para los fabricantes de VE y los operadores de flotas, puede informar el diseño de sistemas de navegación y recomendación de carga que se alineen mejor con el comportamiento real del conductor.
El estudio también destaca la naturaleza cambiante de la movilidad urbana. El cambio de una estructura centrada en un solo núcleo a una policéntrica, impulsado por cambios económicos y demográficos, tiene efectos profundos en los patrones de transporte. Al capturar este cambio, el modelo no es solo un predictor de la demanda actual, sino una herramienta prospectiva que puede adaptarse al desarrollo urbano futuro. Es igualmente aplicable a la planificación de redes de carga en ciudades emergentes y a la modernización de infraestructuras en entornos urbanos maduros.
Una de las principales fortalezas de esta investigación es su base en datos del mundo real y su adhesión a principios científicos establecidos. El uso del análisis de densidad de kernel, modelos de gravedad y distribuciones probabilísticas para el comportamiento de viaje garantiza que el modelo sea tanto teóricamente sólido como empíricamente validado. La incorporación de la racionalidad acotada añade una capa de realismo conductual que a menudo falta en modelos puramente técnicos. Este enfoque holístico, que cierra la brecha entre geografía, ingeniería de transporte y psicología humana, representa un avance significativo en el campo de la previsión de carga de VE.
El equipo de investigación reconoce que su modelo no está exento de limitaciones. Depende en gran medida de la calidad y disponibilidad de los datos de POI, y su precisión podría mejorarse aún más mediante la integración de fuentes de datos adicionales, como la densidad de población, la actividad económica y los horarios de transporte público. Futuros trabajos explorarán estas vías para crear una imagen aún más completa de la movilidad urbana.
En conclusión, el estudio de Qu, Zhao, Mao, Zhao y Yang presenta un cambio de paradigma en la forma en que pensamos y predecimos la demanda de carga de vehículos eléctricos. Al ir más allá de las zonas funcionales simplistas y abrazar la complejidad del espacio urbano y el comportamiento humano, han desarrollado un modelo que no solo es más preciso, sino también más revelador. A medida que las ciudades de todo el mundo se esfuerzan por alcanzar sus objetivos de reducción de carbono y construir sistemas de transporte sostenibles, herramientas como esta serán esenciales para tomar decisiones informadas basadas en datos. El futuro de la movilidad urbana no es solo eléctrico; es inteligente, adaptable y profundamente conectado con la trama misma de la ciudad.
Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao, Chuan Yang, Departamento de Ingeniería Eléctrica, Universidad de Energía Eléctrica de Shanghái, Southern Power System Technology, DOI: 10.13648/j.cnki.issn1674-0629.2024.10.015