Los vehículos eléctricos (VE) se han consolidado como pilares clave de la movilidad sostenible en todo el mundo, gracias a su eficiencia energética, bajo costo de operación y evidentes beneficios ambientales. Sin embargo, su rápida adopción plantea retos significativos para la gestión de las redes eléctricas, especialmente en términos de eficiencia de carga y costos asociados. La carga desordenada de miles de VE puede sobrecargar las redes, aumentar las cargas pico, deteriorar la calidad del voltaje, incrementar las pérdidas en las transmisiones y acortar la vida útil de los transformadores. Frente a estos problemas, un equipo de investigadores ha desarrollado una estrategia de gestión de carga innovadora basada en el modelo de juego de Stackelberg, que equilibra de forma dinámica las necesidades de la red eléctrica, los minoristas de energía y los usuarios de VE.
El reto de gestionar la carga de miles de vehículos eléctricos
A medida que los VE invaden las calles, la forma en que se cargan se convierte en un factor crucial para la estabilidad de las redes eléctricas y la satisfacción de los usuarios. Las estrategias tradicionales han mostrado limitaciones claras:
- Las estrategias centralizadas, que gestionan la carga según las demandas de la red y el comportamiento de los usuarios, no escalan bien a medida que aumenta el número de VE. Requieren una capacidad de cálculo excesiva en el centro de control, lo que las hace impracticables en entornos con cientos o miles de vehículos.
- Los métodos descentralizados, como los precios estáticos por horas (time-of-use), intentan desplazar la carga a horas de baja demanda, pero a menudo crean nuevos picos en periodos que deberían ser tranquilos. Los usuarios, al buscar aprovechar los precios bajos, terminan concentrando su carga en ventanas temporales estrechas, generando «segundos picos» que vuelven a tensionar la red.
Estas deficiencias han impulsado a los investigadores a buscar enfoques más flexibles y adaptables. La solución surge desde la teoría de juegos: un modelo que simula la interacción entre todos los actores involucrados, permitiendo decisiones más inteligentes y equilibradas.
El modelo de Stackelberg: una danza entre minoristas y usuarios
La estrategia innovadora, desarrollada por Xu Hui, Chen Ping, Li Xianglong, Wang Peiyi y Ma Longfei, del State Grid Beijing Electric Power Company (Empresa Estatal de Electricidad de Pekín), reimagina el proceso de carga como un juego dinámico entre dos grupos:
- Líder: El minorista de electricidad (o estación de carga), que establece los precios de la energía. Su objetivo es maximizar sus beneficios, pero también debe considerar la salud de la red (por ejemplo, minimizar las fluctuaciones de la carga).
- Seguidores: Los usuarios de VE, que ajustan su potencia de carga y horarios según los precios establecidos. Su prioridad varía: algunos buscan cargar lo más rápido posible (cuando tienen prisa), mientras que otros priorizan ahorrar costos (cuando tienen tiempo de sobra).
Lo que distingue a este modelo es su capacidad para capturar las interdependencias entre todos los actores. A diferencia de estudios anteriores que se centraban solo en la competencia entre usuarios, aquí el minorista actúa como un intermediario entre la red y los conductores. Sus decisiones de precios influyen directamente en el comportamiento de los usuarios, que a su vez afectan la estabilidad de la red. Este ciclo de retroalimentación permite alcanzar un equilibrio donde nadie puede mejorar su situación sin empeorar la de los demás: el equilibrio de Stackelberg.
¿Cómo funciona en la práctica?
El modelo se basa en un proceso de «inducción hacia atrás» (backward induction), una técnica de resolución de juegos dinámicos que garantiza que tanto el minorista como los usuarios tomen decisiones óptimas.
- El minorista (líder): Analiza la demanda esperada, las condiciones de la red y el comportamiento histórico de los usuarios para establecer precios en un horizonte de predicción (por ejemplo, las próximas 6 horas). Estos precios no son fijos: se ajustan para incentivar la carga en momentos donde la red tiene capacidad sobrante y desincentivarla en horas pico. Al mismo tiempo, el minorista busca maximizar sus ingresos, pero también reduce las fluctuaciones de la carga (medidas por la varianza de la demanda), lo que beneficia a la red.
- Los usuarios (seguidores): Cada conductor evalúa su situación: ¿Necesita cargar urgentemente (por ejemplo, porque debe salir en una hora) o puede esperar? Esto se cuantifica en un «nivel de urgencia» (w), que determina su estrategia:
Si la urgencia es baja (w pequeño), el usuario prioriza los costos, eligiendo horas con precios bajos y reduciendo la potencia de carga para ahorrar.
- Si la urgencia es alta (w cercano a 1), el usuario prioriza la velocidad, aceptando precios más altos para cargar a potencia máxima y completar la carga en el menor tiempo posible.
Esta interacción dinámica asegura que la carga se distribuya de forma más uniforme en el tiempo, reduciendo los picos y bajando los costos para los usuarios.
Resultados sorprendentes: una red más estable y costos más bajos
Para validar su estrategia, el equipo de investigación llevó a cabo simulaciones en un barrio residencial, replicando las condiciones reales de una comunidad con VE. Compararon su modelo con dos escenarios de referencia:
-
Carga desordenada: Los usuarios cargan cuando quieren, sin ningún control. El resultado fue alarmante: la red sufrió picos de hasta 2,28 MW, con una relación pico-valle de 2,09 MW y una varianza de la carga de 0,35 (un indicador de fluctuaciones). Estas oscilaciones ponen en riesgo la vida útil de los transformadores y la calidad del suministro.
-
Precios estáticos por horas: Aunque redujo los picos iniciales, creó un segundo pico en horas de baja demanda, con una varianza de 0,85. Los usuarios, al aprovechar los precios bajos en la noche, generaron una concentración de carga que volvió a tensionar la red.
En contraste, el modelo de Stackelberg logró:
- Reducir el pico máximo de carga a 1,63 MW y la relación pico-valle a 1,36 MW.
- Bajar la varianza de la carga a 0,13, lo que significa una red mucho más estable y menos pérdidas en las transmisiones.
- Reducir los costos de carga en un 25%: de 44,48 yuanes por vehículo (con precios estáticos) a 33,09 yuanes con el nuevo modelo.
Estos resultados demuestran que la flexibilidad del modelo permite equilibrar la estabilidad de la red y los intereses económicos de los usuarios. Los precios no son fijos, sino que responden en tiempo real a la demanda, incentivando una distribución más eficiente de la carga.
Ajustes clave: parámetros que optimizan el rendimiento
El éxito del modelo radica en su capacidad para adaptarse a diferentes escenarios, gracias a dos parámetros ajustables:
-
Horizonte de predicción (k): Es el número de horas en el futuro que el minorista considera para establecer los precios. Al probar valores de k=2, 4, 6, 8 y 10 horas, los investigadores encontraron que:
- A medida que k aumenta, la varianza de la carga disminuye (de 0,3 a 0,12), lo que mejora la estabilidad de la red.
- Sin embargo, un k excesivo (como 10) incrementa drásticamente el número de iteraciones necesarias para calcular los precios (hasta 2014 iteraciones), lo que eleva el costo computacional. Por ello, recomiendan k=6 como equilibrio: reduce la varianza significativamente sin sobrecargar el sistema.
-
Coeficiente de ponderación de la red (α): Refleja el impacto de la estabilidad de la red en los beneficios del minorista. Con valores de α=10, 100, 1000 y 10000:
- A menor α, el minorista prioriza sus propios beneficios (4315 yuanes), pero la red sufre (varianza de 0,33).
- A mayor α, la red se estabiliza (varianza de 0,13 con α=10000), pero los beneficios del minorista caen hasta generar pérdidas (-653 yuanes).
El equilibrio ideal se encontró con α=1000: varianza de 0,18 y beneficios positivos para el minorista (1074 yuanes), garantizando así la sostenibilidad económica y la estabilidad de la red.
Futuro: hacia una integración bidireccional (V2G)
Los investigadores señalan que su trabajo abre la puerta a desarrollos más ambiciosos, especialmente con la llegada de la tecnología V2G (Vehicle-to-Grid). Esta permite a los VE no solo cargar energía, sino también devolverla a la red en momentos de pico, actuando como almacenes distribuidos.
Integrar el V2G con el modelo de Stackelberg podría:
- Optimizar aún más la gestión de la energía, usando los VE como «baterías móviles» para suavizar los picos.
- Generar ingresos adicionales para los usuarios, que podrían vender energía de vuelta a la red en horas de alta demanda.
- Reducir la dependencia de plantas de energía de respaldo, fomentando la integración de energías renovables (solar, eólica), que son más variables.
Conclusión: un paso hacia la movilidad eléctrica sostenible
El modelo de Stackelberg no solo resuelve problemas técnicos, sino que también equilibra intereses económicos y ambientales. Al permitir que la red, los minoristas y los usuarios interactúen de forma dinámica, logra una gestión de la carga más eficiente, reduciendo costos y garantizando la estabilidad del suministro.
En un contexto donde los VE son cada vez más comunes, estrategias como esta son esenciales para evitar colapsos en las redes y hacer que la movilidad eléctrica sea accesible y sostenible para todos.
Autores: Xu Hui, Chen Ping, Li Xianglong, Wang Peiyi, Ma Longfei
Afiliación: State Grid Beijing Electric Power Company, Pekín 100031, China
Revista: Computer Applications and Software
DOI: 10.3969/j.issn.1000-386x.2024.08.054