Clusters de VE optimizan redes de energía y tráfico
La rápida evolución de la movilidad eléctrica no solo está transformando la forma en que nos desplazamos, sino también la infraestructura que sustenta nuestra vida moderna. Los vehículos eléctricos (VE) ya no son vistos simplemente como un sustituto de los motores de combustión interna, sino como activos dinámicos e inteligentes capaces de conectar dos sistemas críticos: la red de transporte y la red eléctrica. Esta convergencia, a menudo denominada «red de acoplamiento energía-transporte», ofrece una oportunidad única para mejorar la eficiencia, sostenibilidad y resiliencia de ambos sistemas. Sin embargo, aprovechar este potencial requiere ir más allá de modelos simplistas y abrazar la compleja e interactiva dinámica entre dónde van los VE y cómo consumen electricidad. Un estudio pionero de la Universidad de Tecnología de Kunming, publicado en la prestigiosa revista Automation of Electric Power Systems (AEPS), ofrece una solución sofisticada, proponiendo una nueva estrategia para desbloquear la plena flexibilidad de los clusters de VE mediante una optimización coordinada y dinámica.
El desafío es multifacético. Por un lado, la carga no coordinada de una flota creciente de VE puede crear una tensión significativa en las redes de distribución eléctrica local, provocando fluctuaciones de voltaje, sobrecarga de equipos y mayores costos operativos para las empresas eléctricas. Esto es particularmente agudo durante las horas pico, cuando la demanda de electricidad ya es alta. Por otro lado, las decisiones que toman los conductores de VE—adónde ir, qué ruta tomar y qué estación de carga utilizar—están profundamente influenciadas por las condiciones de tráfico en tiempo real, la disponibilidad de las estaciones y los precios. Esto crea un bucle de retroalimentación: la congestión del tráfico puede generar colas en las estaciones de carga populares, lo que a su vez disuade a los conductores de usarlas, posiblemente desviando la demanda de tráfico y carga a ubicaciones menos óptimas. Esto puede resultar en una distribución desigual de la carga, donde algunas partes de la red están estresadas mientras otras permanecen infrautilizadas, y algunas carreteras están congestionadas mientras otras están despejadas. La clave para romper este ciclo y lograr un sistema armonioso y eficiente radica en tratar al VE no como un consumidor pasivo, sino como un participante activo y flexible en una red más grande e integrada.
La investigación, liderada por el profesor Liu Zhijian y su equipo, incluyendo a los estudiantes de posgrado Dai Jing y Yang Lingrui, aborda directamente este desafío. Su trabajo supera las limitaciones de estudios anteriores, que a menudo examinaban los sistemas de energía y transporte de forma aislada o utilizaban modelos estáticos que no capturan la naturaleza fluida y en tiempo real de los flujos de tráfico y energía. Por ejemplo, modelos anteriores podrían haber determinado un precio óptimo de carga para una estación basado en una instantánea única de la demanda, ignorando cómo ese precio influiría en el comportamiento de los conductores durante la siguiente hora a medida que cambiaban los patrones de tráfico. Otros modelos intentaron guiar a los conductores basándose únicamente en la ruta física más corta, una estrategia que es fundamentalmente egoísta y conduce a la «tragedia de los comunes», donde la elección óptima individual de todos resulta en un resultado colectivamente subóptimo: congestión y estrés en la red.
La innovación central del enfoque del equipo de Kunming es su marco de optimización de dos niveles dinámicos. Este modelo no solo observa la red eléctrica o la red vial; crea un diálogo continuo entre ambas, utilizando un poderoso concepto llamado «costo instantáneo de viaje por flujo unitario» como una señal universal. Este costo no es una simple suma de combustible y peajes. En cambio, es una métrica sofisticada y en tiempo real que encapsula la carga económica total de un viaje en cualquier momento dado. Incluye el costo directo de la electricidad para la carga, el valor del tiempo del conductor durante el viaje (el «costo del tiempo») y un elemento crucial nuevo: un costo de penalización por los retrasos causados por hacer cola en una estación de carga. Al integrar estos factores, el modelo crea una visión holística de la salud del sistema.
El proceso comienza con una simulación detallada de la red de tráfico dinámico. Los investigadores utilizan un método llamado Carga de Red Dinámica (DNL) para modelar cómo fluye el tráfico a través de las carreteras e intersecciones de la ciudad a lo largo del tiempo. Una característica clave de su modelo es el uso de «arcos virtuales» para representar tanto los puntos de partida de los viajes como las estaciones de carga en sí. Esta abstracción elegante permite que el proceso complejo de hacer cola y cargar en una estación se trate matemáticamente de la misma manera que conducir por una carretera, con su propio «tiempo de viaje» que aumenta a medida que más VE se unen a la cola. Este tiempo de viaje se calcula utilizando una «función de impedancia del arco», una relación matemática que muestra cómo el tiempo para atravesar un segmento—ya sea una carretera física o un arco de carga virtual—aumenta de forma no lineal a medida que aumenta el número de vehículos que lo utilizan. Esto captura la realidad de que agregar un automóvil más a una carretera poco transitada tiene poco impacto, pero agregar un automóvil más a una autopista muy congestionada puede ralentizar dramáticamente a todos.
Con este modelo de tráfico dinámico en su lugar, el enfoque se desplaza hacia los propios VE. Los investigadores reconocen que no todos los VE son iguales. Vienen en diferentes tipos—automóviles privados, autobuses, vehículos de uso compartido—cada uno con patrones de conducción, tamaños de batería y necesidades de carga distintos. Más importante aún, la flexibilidad de un VE individual no es estática; depende de su estado de carga actual, su destino y cuánto tiempo planea permanecer en una estación de carga. El equipo desarrolla un «dominio de operación flexible» para cada VE, una representación matemática de todos los posibles patrones de carga y descarga que puede seguir mientras aún cumple con las necesidades de su conductor. Este dominio define los límites superiores e inferiores de la potencia que el VE puede absorber de la red o suministrar a ella en cualquier momento dado.
El verdadero poder del modelo radica en su capacidad para agregar miles de VE individuales en un solo «cluster» manejable. Intentar gestionar cada VE individualmente sería computacionalmente imposible. Para resolver esto, los investigadores emplean una sofisticada técnica matemática conocida como la suma de Minkowski, combinada con una aproximación lineal utilizando una forma geométrica llamada «zonotopo». Esto les permite combinar eficientemente los dominios de operación flexible de cientos o miles de VE en un solo dominio de operación flexible, variable en el tiempo, para todo el cluster en una estación de carga determinada. Este cluster agregado puede tratarse entonces como una gran batería virtual, una unidad de «almacenamiento de energía generalizado» que la red eléctrica puede despachar para ayudar a equilibrar la oferta y la demanda.
Aquí es donde las dos capas del modelo se unen en un poderoso bucle de retroalimentación. La capa superior es el modelo de Optimización de Red de Transporte (TNO), que busca minimizar el costo total de viaje para todos los usuarios de VE en toda la red. Utiliza el «costo instantáneo de viaje por flujo unitario» en tiempo real para guiar a los conductores hacia las rutas y estaciones de carga más eficientes. Este costo se deriva del estado actual de la red: precios altos de electricidad en una estación, tráfico pesado en una ruta o largas colas en un cargador aumentarán el costo de usar ese camino, disuadiendo a los conductores de elegirlo.
La capa inferior es el modelo de Optimización de Red de Distribución (DNO), que se centra en la operación económica y estable de la red eléctrica. Su objetivo es minimizar los costos, que incluyen el gasto de operar generadores tradicionales, las penalizaciones por tener que recortar (desperdiciar) energía renovable de parques eólicos o solares cuando hay demasiada oferta, y las penalizaciones por tener que interrumpir (cortar) la energía a clientes no VE durante períodos de alta demanda. El modelo DNO utiliza el dominio de operación flexible agregado de los clusters de VE como una poderosa herramienta nueva. Cuando la generación renovable es alta y los precios de la electricidad son bajos, el modelo puede señalar a la capa TNO para alentar a más VE a cargar en estaciones conectadas a esa parte de la red, almacenando efectivamente el exceso de energía limpia. Por el contrario, cuando la demanda es alta y los precios se disparan, el modelo puede incentivar a los VE a descargar energía de vuelta a la red (vehicle-to-grid, o V2G), ayudando a satisfacer la demanda pico y evitar costosas penalizaciones.
La brillantez del sistema radica en su naturaleza iterativa. El modelo TNO calcula los flujos de tráfico basados en los costos actuales. Estos flujos determinan qué VE están en qué estaciones de carga y durante cuánto tiempo, lo que a su vez define el dominio de operación flexible disponible para el modelo DNO. El modelo DNO luego calcula un nuevo conjunto de precios óptimos de electricidad y costos del sistema. Estos precios actualizados se devuelven al modelo TNO, cambiando el «costo instantáneo de viaje por flujo unitario» y haciendo que los conductores ajusten su comportamiento. Este ciclo se repite hasta que el sistema alcanza un estado óptimo y estable donde las decisiones de los conductores y las necesidades de la red eléctrica están perfectamente alineadas.
Para validar su modelo complejo, los investigadores realizaron un estudio de caso detallado basado en una versión reconstruida de la red de transporte Nguyen, un punto de referencia estándar en el campo. Simularon una red con cuatro estaciones de carga, cada una conectada a una parte diferente de una red eléctrica simulada. Dos estaciones estaban ubicadas cerca de parques eólicos, una cerca de una granja solar y una sin generación renovable local, creando un escenario diverso y realista. La simulación se ejecutó durante un período de 8 horas, dividido en intervalos de 5 minutos, con tres tipos diferentes de VE que componían la flota.
Los resultados fueron sorprendentes. En comparación con una estrategia tradicional de «ruta más corta», el nuevo modelo de coordinación dinámica demostró ventajas profundas. En el escenario de ruta más corta, los conductores naturalmente se dirigieron a las dos estaciones de carga más cercanas (c3 y c4). Esto provocó una congestión severa, con volúmenes de tráfico en las carreteras de conexión que excedieron su capacidad y tiempos de viaje que se dispararon. Mientras tanto, las carreteras que conducen a las otras dos estaciones (c1 y c2) permanecieron completamente sin usar, un desperdicio masivo de infraestructura. Esta congestión se tradujo en un costo total de viaje un 47% más alto para los usuarios, principalmente debido al inmenso tiempo perdido en el tráfico.
La historia del lado de la red eléctrica fue igualmente dramática. Debido a que ningún VE cargaba en las estaciones c1 y c2, esas partes de la red tenían cero flexibilidad. Cuando el viento soplaba fuerte en c2, la energía excesiva no tenía adónde ir y se desperdiciaba, incurriendo en altas «penalizaciones por recorte». De manera similar, cuando la demanda local aumentó en c1, la red no tenía forma de satisfacerla con recursos flexibles de VE y tuvo que recurrir a generadores de respaldo costosos y contaminantes. El costo operativo total para la red eléctrica fue significativamente más alto.
En contraste marcado, el modelo de coordinación dinámica logró un resultado equilibrado y eficiente. El «costo instantáneo de viaje por flujo unitario» guió con éxito a los conductores lejos de las rutas congestionadas y hacia las estaciones infrautilizadas. El flujo de tráfico se distribuyó mucho más uniformemente a través de la red, sin que ninguna carretera experimentara congestión paralizante. Esto solo llevó a una reducción sustancial en el tiempo de viaje y el costo para los usuarios.
El impacto en la red eléctrica fue transformador. Los clusters de VE en las cuatro estaciones se convirtieron en participantes activos en la estabilidad de la red. En la estación c2, el modelo dirigió con éxito un gran número de VE a cargar durante períodos de alta generación eólica, absorbiendo el 67,9% de la energía eólica que de otro modo se habría desperdiciado. En la estación c3, logró utilizar el 61,7% de la energía solar excesiva. Esta capacidad para «absorber» energía renovable no solo redujo el desperdicio, sino que también bajó el costo general de la electricidad. Además, la amplia disponibilidad de clusters de VE flexibles permitió a la red satisfacer mejor la demanda pico. El modelo mostró un aumento significativo en la «capacidad de suministro de carga», lo que significa que los VE pudieron proporcionar más energía a la red cuando se necesitaba, reduciendo la necesidad de interrupciones costosas de carga. En general, el estudio encontró que la estrategia coordinada condujo a un aumento del 33% en el consumo de energía renovable y un aumento del 25,8% en la respuesta de suministro de carga en comparación con la estrategia de ruta más corta.
Las implicaciones de esta investigación son de gran alcance. Proporciona un marco robusto y matemáticamente sólido para el futuro de las ciudades inteligentes. En lugar de ver a los VE como un problema a gestionar, este trabajo muestra cómo pueden ser parte central de la solución. Al crear un canal de comunicación perfecto y en tiempo real entre los sistemas de transporte y energía, las ciudades pueden lograr un nivel de eficiencia y sostenibilidad que antes era inalcanzable. Los conductores se benefician de tiempos de viaje más cortos y predecibles, y potencialmente de costos de carga más bajos. Las empresas eléctricas se benefician de una red más estable, resistente y rentable. La sociedad se beneficia de menores emisiones de gases de efecto invernadero y una transición más rápida hacia un futuro de energía renovable.
Aunque el modelo es altamente sofisticado, el principio subyacente es elegante: la información es poder. Al proporcionar a los conductores una sola señal inteligente—el verdadero costo en tiempo real de su viaje—que refleja la salud tanto de la carretera como de la red, el sistema puede auto-optimizarse. Esto representa un cambio de paradigma de una regulación de arriba hacia abajo, de control y mando, a una coordinación de abajo hacia arriba, impulsada por el mercado. El éxito de este enfoque depende del desarrollo de plataformas de software avanzadas y protocolos de comunicación que puedan calcular estos costos en tiempo real y entregárselos a los conductores a través de aplicaciones de navegación y sistemas de vehículos. A medida que el número de VE continúa creciendo exponencialmente, las ideas de esta investigación serán invaluables para construir la infraestructura inteligente e integrada del mañana.
Liu Zhijian, Dai Jing, Yang Lingrui, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230728004