Estrategia de Ofertas en Tiempo Real para Vehículos Eléctricos y Energía Eólica
La integración de los vehículos eléctricos (VE) y la energía eólica en los mercados de energía y regulación de frecuencia representa uno de los desafíos más apremiantes y, al mismo tiempo, una de las oportunidades más prometedoras para los sistemas eléctricos modernos. Ambas tecnologías son fundamentales para la descarbonización, pero traen consigo una incertidumbre inherente que puede comprometer la estabilidad de la red. La energía eólica depende del clima, y la disponibilidad de los vehículos eléctricos está sujeta a los patrones individuales de conducción y carga de los usuarios. Esta variabilidad a menudo conduce a desviaciones entre los planes previos y la entrega física real, lo que resulta en penalizaciones financieras y mayor presión sobre la red. Una nueva investigación, recientemente publicada en el Chinese Journal of Automotive Engineering, presenta una solución integral para este problema: una estrategia innovadora de ofertas en tiempo real que permite a las flotas de vehículos eléctricos y a los parques eólicos participar conjuntamente y de manera rentable en los mercados de energía y regulación de frecuencia, garantizando simultáneamente el equilibrio de la red.
El equipo de investigación, liderado por Pang Songling del Instituto de Investigación Eléctrica de Hainan Power Grid Co., Ltd. y del Laboratorio Conjunto de Redes Inteligentes y Microrredes Insulares, en colaboración con colegas del Laboratorio Nacional Clave de Tecnología de Equipos de Transmisión de Energía de la Universidad de Chongqing, ha desarrollado un modelo de optimización de dos niveles. Este modelo va más allá de los simples algoritmos de comercio y aborda los problemas nucleares de la incertidumbre y la integridad del mercado mediante la introducción de un modelo de límites dinámicos de programación y un mecanismo de evaluación de desviaciones robusto. El trabajo representa un avance significativo al trasladar la investigación teórica a una aplicación práctica para el mundo real, que es de gran beneficio tanto para los operadores de red como para los participantes del mercado.
El punto central de la estrategia es el concepto del «límite dinámico de programación» para vehículos eléctricos. Los modelos tradicionales a menudo se basan en suposiciones estáticas sobre la disponibilidad de una flota de vehículos, hechas la noche anterior. Estas suposiciones pueden volverse rápidamente inexactas durante el día a medida que los vehículos llegan o se van antes o después de lo esperado. El nuevo modelo resuelve este problema al actualizar continuamente el límite de programación. El agregador de vehículos eléctricos, una entidad central que gestiona miles de vehículos, recopila datos en tiempo real sobre el estado de carga actual (SOC), la hora de salida prevista y los requisitos de carga de cada vehículo individual. Cuando un vehículo se conecta a una estación de carga, se clasifica inmediatamente en una de varias categorías basadas en estos parámetros. Esta clasificación considera el SOC inicial, el SOC deseado y la hora de salida prevista. Al agregar estos vehículos clasificados, el agregador puede obtener una visión precisa y dinámica de la capacidad total de potencia y energía disponible de la flota en cualquier momento. Esta capacidad para cuantificar la «capacidad flexible» de la flota en tiempo real es la base para tomar decisiones comerciales fundamentadas en el mercado en tiempo real, que es rápido y altamente competitivo.
Este modelo de límite dinámico se complementa con un algoritmo de asignación de potencia rápida. Una vez que el agregador determina la potencia óptima total para la carga, descarga y reserva de regulación de frecuencia para un período determinado, debe distribuir esta instrucción de manera eficiente y justa entre los vehículos individuales. El algoritmo propuesto minimiza la desviación entre el plan de carga ideal individual y el plan realmente implementado. Considera las limitaciones físicas de cada vehículo, como la potencia máxima de carga y descarga, los límites del SOC para proteger la batería y los requisitos de carga individuales del usuario. Esta traducción fluida de una decisión a nivel de flota a miles de comandos individuales de vehículos es un avance técnico crucial que posibilita la implementación a gran escala de tecnologías Vehicle-to-Grid (V2G).
La verdadera innovación del estudio radica en su enfoque integrado de los mercados de energía y regulación de frecuencia. En lugar de considerar estos mercados por separado, el modelo permite una participación simultánea. Los vehículos eléctricos y los parques eólicos pueden no solo vender energía, sino también ofrecer su capacidad para responder en segundos a las desviaciones de frecuencia, inyectando o absorbiendo potencia. Esta participación dual es crucial, ya que permite a los participantes del mercado generar ingresos de múltiples fuentes. Un vehículo eléctrico puede obtener beneficios mediante la arbitraje de energía, cargando cuando el precio de la electricidad es bajo y descargando cuando es alto, y al mismo tiempo recibir una tarifa de capacidad solo por estar disponible para proporcionar servicios de regulación de frecuencia cuando sea necesario. Esto maximiza la rentabilidad y hace que la participación en el mercado sea más atractiva para ambas partes.
Para garantizar que los participantes del mercado cumplan con sus compromisos, se incorpora un mecanismo robusto de evaluación de desviaciones. Este mecanismo es el pilar de la integridad del mercado. En la realidad, la potencia real de un parque eólico o la potencia neta de una flota de vehículos eléctricos se desviará de la cantidad ofrecida en el mercado previo debido a eventos imprevistos. El mecanismo propuesto cuantifica el costo de estas desviaciones. Si un participante del mercado entrega más energía de la que ofreció (por ejemplo, porque el viento sopla más fuerte de lo pronosticado), podría recibir una compensación a un precio de tiempo real más bajo. Si, por el contrario, entrega menos de lo que ofreció, se enfrenta a una alta penalización, que a menudo es significativamente mayor que la recompensa por una sobreentrega. Un principio similar se aplica a las desviaciones en la capacidad de regulación de frecuencia ofrecida. Esta estructura asimétrica de penalización, donde el incumplimiento se castiga más severamente que la sobreentrega, está diseñada para fomentar pronósticos conservadores y precisos y garantizar la confiabilidad del sistema en su conjunto.
La estructura matemática del modelo se concibe como un problema de optimización de dos niveles, reflejando la estructura jerárquica del mercado. En el nivel superior, los participantes individuales del mercado, el agregador de vehículos eléctricos y el proveedor de energía eólica, actúan como «jugadores líderes». Su objetivo principal es minimizar sus propios costos de evaluación de desviaciones y sus costos operativos, como el desgaste de la batería en los vehículos eléctricos. Toman sus decisiones comerciales basándose en sus modelos internos de los recursos disponibles y las condiciones actuales del mercado. En el nivel inferior, el intercambio de electricidad actúa como un «jugador seguidor». Su objetivo es minimizar el costo total de operación del sistema, que incluye el costo de la energía, el costo de la adquisición de servicios de regulación de frecuencia y el costo de equilibrar cualquier desequilibrio restante mediante generadores de reserva más costosos. El intercambio liquida el mercado determinando los precios marginales nodales en tiempo real basados en todas las ofertas que recibe.
La interacción entre estos dos niveles es compleja e iterativa. Las acciones del nivel superior influyen en los precios de liquidación del mercado establecidos por el nivel inferior, lo que a su vez influye en las estrategias comerciales óptimas de los participantes. Para resolver este problema computacionalmente desafiante, los investigadores utilizaron las condiciones de Karush-Kuhn-Tucker (KKT), transformando efectivamente el problema de dos niveles en un programa lineal mixto de un solo nivel. Esta elección metodológica hace que el modelo sea manejable para su aplicación en la vida real y permite una toma de decisiones oportuna en un intervalo de mercado de 15 minutos.
El estudio presenta un análisis de caso detallado para validar la efectividad de la estrategia propuesta. La simulación, realizada durante un período de 24 horas con 96 intervalos de quince minutos, utiliza parámetros realistas para flotas de vehículos eléctricos y perfiles de generación eólica. Los resultados son convincentes. El modelo de límite de programación dinámico captura con éxito el ritmo diario de la disponibilidad de vehículos eléctricos, donde la capacidad de potencia y energía de la flota cae a cero por la mañana cuando los vehículos abandonan sus estaciones de carga y vuelve a subir por la noche cuando regresan. Esta visión dinámica es mucho más precisa que una capacidad estimada estática y previa.
Para la energía eólica, la estrategia muestra una adaptación inteligente a las condiciones del mercado. Durante los períodos de altos precios para los servicios de regulación de frecuencia, el parque eólico ofrece estratégicamente capacidad para la regulación ascendente, manteniendo su salida de potencia por debajo de su capacidad máxima pronosticada para tener margen para aumentos rápidos. Por el contrario, cuando los precios de la energía son altos y su salida de potencia está cerca de su máximo, se centra en ofrecer desviaciones de energía y acepta que su capacidad para la regulación descendente está limitada por sus restricciones físicas de rampa. El análisis muestra que la energía eólica a menudo supera la programación previa, convirtiendo potenciales penalizaciones por desequilibrio en una fuente adicional de ingresos cuando el precio de tiempo real es favorable.
Los impactos en los vehículos eléctricos son igualmente profundos. El modelo muestra que los vehículos eléctricos pueden realizar arbitraje de energía rentable sin comprometer las necesidades de los usuarios. Al cargar energía adicional cuando la energía eólica es excesiva y los precios de la electricidad son bajos, y al descargar esta energía almacenada durante las horas de precios máximos, los propietarios de vehículos eléctricos pueden maximizar su beneficio financiero. Es crucial que la estrategia garantice que esta actividad de arbitraje se realice dentro de los límites del límite dinámico de programación, lo que asegura que el vehículo esté suficientemente cargado para la hora de salida del propietario. Además, la inclusión de los costos de desgaste de la batería en la optimización evita ciclos excesivos, promoviendo la salud a largo plazo de la batería del vehículo.
El estudio también destaca la relación sinérgica entre los vehículos eléctricos y la energía eólica. La flexibilidad de la flota de vehículos eléctricos actúa como un amortiguador natural para la variabilidad de la generación eólica. Cuando la energía eólica supera las previsiones, los vehículos eléctricos pueden absorber la energía excedente cargando más. Cuando la energía eólica está por debajo de lo esperado, los vehículos eléctricos pueden descargar para ayudar a satisfacer la demanda. Este apoyo mutuo reduce el desequilibrio general del sistema, disminuye la necesidad de servicios de equilibrio costosos de plantas de energía convencionales y contribuye a una red más estable y eficiente.
Las implicaciones de esta investigación van mucho más allá del ámbito teórico. Proporciona un plan práctico sobre cómo los operadores de red y los diseñadores de mercados pueden crear un mercado eléctrico más inclusivo y resistente. Al establecer reglas claras para las penalizaciones por desviaciones y permitir una toma de decisiones rápida y precisa a través de la modelización dinámica, la estrategia reduce las barreras de entrada para los recursos energéticos distribuidos. Transforma a los vehículos eléctricos de consumidores pasivos en activos activos y generadores de ingresos para la red, lo que puede mejorar significativamente la viabilidad económica de las tecnologías V2G y fomentar una mayor aceptación por parte de los consumidores.
Para los operadores de parques eólicos, la estrategia ofrece una forma más sofisticada de monetizar su generación, pasando de una simple venta de energía a participar en servicios auxiliares de mayor valor. Esta diversificación de fuentes de ingresos puede mejorar la viabilidad financiera de los proyectos eólicos, especialmente en mercados con una alta penetración de energías renovables donde los precios de la energía pueden ser volátiles.
El trabajo también subraya la importancia del análisis avanzado de datos y la infraestructura de comunicación en tiempo real. El éxito del modelo de límite dinámico depende de un flujo de datos confiable y oportuno desde los vehículos eléctricos individuales hasta el agregador. Esto requiere medidas sólidas de ciberseguridad y protocolos de comunicación estandarizados, que son componentes centrales de una red eléctrica inteligente moderna.
Aunque el modelo actual representa un avance significativo, los autores reconocen áreas para futuras investigaciones. El estudio se centra en un solo agregador de vehículos eléctricos; un mercado más complejo con múltiples agregadores competidores introduciría nuevas dinámicas estratégicas. La inclusión de otros recursos flexibles, como almacenamiento de baterías distribuido y gestión de la demanda de edificios comerciales, podría aumentar aún más la flexibilidad del sistema. Además, el desarrollo de mecanismos de incentivos efectivos para alentar a los propietarios de vehículos eléctricos a participar en tales programas sigue siendo un desafío social y económico crucial.
En conclusión, la investigación de Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi y Zhang Qian ofrece un marco innovador para la integración en tiempo real de vehículos eléctricos y energía eólica en los mercados de energía y regulación de frecuencia. Al combinar un modelo de límite de programación dinámico, un algoritmo de asignación de potencia rápida y un mecanismo de evaluación de desviaciones bien calibrado en un modelo de optimización de dos niveles riguroso, han creado una estrategia que no solo garantiza el equilibrio de energía en tiempo real, sino que también maximiza el beneficio económico tanto para los propietarios de recursos como para todo el sistema eléctrico. Este trabajo es un paso decisivo hacia un futuro en el que la variabilidad de las energías renovables no es una carga, sino una característica gestionada, y en el que los millones de vehículos eléctricos en las carreteras se convierten en un pilar de una red eléctrica flexible, sostenible y económicamente eficiente.
Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi, Zhang Qian, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Smart Grid and Island Microgrid Joint Laboratory, State Key Laboratory of Power Transmission Equipment Technology, Chongqing University, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.08