Estrategia Inteligente de Carga Mejora Salud de Infraestructura EV
La movilidad eléctrica ha dejado de ser una promesa futurista para convertirse en una realidad tangible en las calles de ciudades de todo el mundo. A medida que los vehículos eléctricos (VE) ganan cuota de mercado, la atención se desplaza inevitablemente del vehículo en sí hacia el ecosistema que lo sostiene: la infraestructura de carga. Si bien gran parte del enfoque se ha centrado en la autonomía de las baterías y la velocidad de carga, un aspecto crítico ha permanecido en segundo plano: la salud y longevidad de los propios puntos de carga. Un estudio pionero publicado recientemente en el Chinese Journal of Automotive Engineering aborda directamente este desafío, proponiendo una estrategia de programación de carga que no solo optimiza el tiempo de servicio, sino que también maximiza la vida útil de los equipos de carga.
Dirigido por Lu Yang, Liu Niexuan y Huang Hongye del Instituto de Investigación Científica de Energía Eléctrica de la Red Estatal, Corporación NARI, el trabajo introduce un enfoque revolucionario que redefine cómo se gestionan las estaciones de carga. En lugar de asignar vehículos a los puntos de carga disponibles de forma aleatoria o basada únicamente en la proximidad, la estrategia propuesta prioriza el estado de salud de cada unidad de carga. Este cambio de paradigma representa un avance significativo desde los modelos tradicionales de «primero en llegar, primero en ser atendido», que, aunque simples, pueden llevar a un desgaste desigual y a fallos prematuros del equipo.
El problema subyacente es bien conocido por los operadores de infraestructura. Cuando los puntos de carga más accesibles o rápidos son utilizados de forma constante, especialmente para sesiones de carga rápida de alta potencia, se someten a un estrés térmico y eléctrico significativo. Este uso intensivo acelera la degradación de componentes críticos como los módulos de potencia, los conectores de carga y los sistemas de enfriamiento. Al mismo tiempo, otros puntos de carga pueden permanecer infrautilizados, creando un sistema ineficiente y desequilibrado. Con el tiempo, este patrón conduce a un aumento de los costos de mantenimiento, tiempos de inactividad no planificados y una experiencia de usuario deficiente, ya que los conductores se encuentran con puntos de carga fuera de servicio.
La solución presentada por el equipo de NARI Group es un modelo de evaluación de salud integral para puntos de carga, que sirve como base para una optimización dinámica de la programación. El modelo se basa en 26 indicadores de rendimiento y seguridad, agrupados en seis módulos clave: potencia, control, comunicación, pistola de carga, componentes críticos y factores ambientales. Esta estructura multidimensional permite una evaluación exhaustiva del estado de cada unidad.
Los indicadores de rendimiento eléctrico incluyen métricas precisas como el error de tensión y corriente de salida, la precisión de regulación de tensión y corriente, el desequilibrio de corriente entre módulos en paralelo, el factor de potencia y la eficiencia general del sistema. Por ejemplo, una desviación constante en la tensión de salida, aunque pequeña, puede indicar un deterioro incipiente en los circuitos de control. De manera similar, una eficiencia del sistema que disminuye con el tiempo no solo implica un mayor consumo de energía, sino también un aumento de la generación de calor, que a su vez acelera la degradación de otros componentes electrónicos.
La dimensión de seguridad es igualmente rigurosa. El modelo monitorea temperaturas críticas, incluyendo las de los módulos de control y comunicación, la temperatura de la pistola de carga durante el proceso de carga, y los extremos térmicos de la batería del vehículo (temperatura máxima y mínima). Las altas temperaturas son uno de los principales factores de envejecimiento en la electrónica de potencia. Una pistola de carga que se sobrecalienta repetidamente o un módulo de control que opera constantemente en su límite térmico tienen una vida útil drásticamente reducida. Además, el modelo incorpora el número de fallos de componentes específicos, como contactores de CA, interruptores de emergencia, lectores de tarjetas, ventiladores y dispositivos de protección contra rayos. La frecuencia de estos fallos es un indicador directo de la fiabilidad del sistema. También se considera la antigüedad de la pistola de carga, reconociendo el desgaste mecánico que ocurre con cada conexión y desconexión.
Para transformar esta gran cantidad de datos en una métrica única y accionable, los investigadores desarrollaron un índice de salud normalizado en una escala de 0 a 1. Un valor de 1 representa un punto de carga completamente nuevo y en perfecto estado, mientras que un 0 indica un estado de desecho o no funcional. El proceso para calcular este índice es sofisticado. Primero, todos los datos brutos se normalizan para eliminar sesgos de escala. Luego, se asigna un peso a cada indicador utilizando el método de ponderación por entropía. Este enfoque estadístico es clave porque determina la importancia de cada indicador de forma objetiva, basándose en su variabilidad y su impacto en el estado general del sistema. Los indicadores con mayor variabilidad y correlación con la degradación reciben un peso más alto. Por ejemplo, los fallos de los contactores de CA y los interruptores de emergencia, que mostraron una alta variabilidad en los datos de campo, recibieron los pesos más altos en el modelo (0.1919 y 0.2192 respectivamente), subrayando su importancia crítica para la salud del sistema.
El verdadero poder de esta investigación radica en la integración de este índice de salud en el proceso de toma de decisiones de programación. El equipo desarrolló un modelo de optimización que utiliza el tiempo de carga requerido por un vehículo y el estado de salud de los puntos de carga disponibles como entradas clave. Para simplificar el problema, la carga (en kWh) se convierte en tiempo de carga, creando así una variable de tiempo que puede ser fácilmente gestionada por un algoritmo. El objetivo del operador de carga ya no es simplemente asignar el primer punto disponible, sino encontrar la combinación óptima que maximice la salud general de la estación y minimice las disparidades entre los puntos de carga individuales.
Este es un problema de optimización multiobjetivo, ya que maximizar la salud total y minimizar la varianza de salud son objetivos a menudo en conflicto. Para resolverlo, los investigadores emplearon el algoritmo NSGA-II (Non-dominated Sorting Genetic Algorithm II), una técnica de computación evolutiva de vanguardia. A diferencia de los métodos de optimización tradicionales que buscan una única solución «óptima», NSGA-II genera un conjunto de soluciones de compromiso, conocido como el frente de Pareto. Esto permite al operador elegir la solución que mejor se adapte a sus prioridades específicas, ya sea una salud total máxima o una distribución más uniforme de la carga. La elección de NSGA-II fue crucial, ya que demostró una superioridad significativa sobre otros algoritmos, como el de optimización por enjambre de partículas (PSO), en la capacidad de encontrar soluciones estables y de alto rendimiento.
La validación del modelo se llevó a cabo utilizando datos reales de 10 puntos de carga ubicados en una región de la provincia de Jiangsu, China. Los datos, que abarcaban un año completo, incluían parámetros operativos detallados y registros de carga. Se simularon tres escenarios diferentes: un escenario base sin optimización (asignación aleatoria), el modelo de salud propuesto optimizado con el algoritmo PSO, y el mismo modelo optimizado con el algoritmo NSGA-II. Esta comparación directa proporcionó evidencia clara de la eficacia de la estrategia.
Los resultados fueron concluyentes. Al implementar la estrategia de salud con el algoritmo NSGA-II, la salud anual promedio de toda la estación de carga aumentó un impresionante 18,54% en comparación con el escenario sin optimización. En un nivel individual, cada punto de carga vio una mejora promedio de su salud anual del 1,85%. En contraste, la optimización con el algoritmo PSO logró una mejora mucho más modesta del 2,76% para la estación y del 0,27% para los puntos de carga individuales, destacando la ventaja decisiva del enfoque más sofisticado.
Un hallazgo aún más revelador fue el impacto en la varianza de salud. En el escenario sin optimización, la varianza mensual de salud de la estación tendió a aumentar con el tiempo, alcanzando un máximo de 0,0020. Este aumento indica un creciente desequilibrio, donde algunos puntos de carga se degradan mucho más rápido que otros, creando puntos débiles en la red. Bajo la estrategia optimizada con NSGA-II, la varianza no solo se redujo, sino que mostró una tendencia a la estabilización. El valor máximo de la varianza mensual se redujo a 0,0015, lo que demuestra una utilización mucho más equilibrada y una red más resiliente. Esta uniformidad es vital para la planificación de mantenimiento predictivo y para garantizar una alta disponibilidad.
El análisis de los datos de servicio anual reveló el mecanismo detrás de este éxito. En el escenario sin optimización, la cantidad de vehículos atendidos por cada punto de carga era relativamente uniforme, pero esta uniformidad enmascaraba una asignación ineficiente de la carga. La estrategia inteligente, guiada por el estado de salud, ajustó dinámicamente las asignaciones. Los puntos de carga más saludables fueron utilizados para sesiones de carga más largas o de mayor potencia, aprovechando su mayor capacidad, mientras que los puntos con un estado de salud más bajo fueron reservados para cargas más cortas o de menor demanda. Este enfoque preventivo protege las unidades más débiles de un desgaste adicional, prolongando así la vida útil de todo el parque de puntos de carga.
Para los operadores comerciales, las implicaciones son profundas. Su rentabilidad depende de maximizar los ingresos a través de una alta utilización, mientras se minimizan los costos de mantenimiento y reemplazo. Esta estrategia ofrece una solución elegante a este dilema. Al extender significativamente la vida útil de los equipos, se posponen las grandes inversiones de capital. Al mismo tiempo, al reducir la frecuencia de fallos y la necesidad de mantenimiento reactivo, se disminuyen los costos operativos y se mejora la satisfacción del cliente. Un sistema más saludable y predecible se traduce directamente en una mejor experiencia para el conductor de un vehículo eléctrico.
Más allá de la gestión de activos, este modelo sienta las bases para un mantenimiento verdaderamente predictivo. Al monitorear continuamente los indicadores de salud, los operadores pueden detectar signos tempranos de deterioro, como un aumento gradual en la temperatura de un módulo o un incremento en la frecuencia de errores de un componente específico. Esto permite programar intervenciones de mantenimiento en momentos de baja demanda, evitando interrupciones costosas y mejorando la eficiencia general.
La escalabilidad del enfoque es otro punto fuerte. Aunque la validación se realizó en una sola estación, los principios subyacentes son aplicables a redes de cualquier tamaño, desde pequeñas instalaciones urbanas hasta grandes corredores de carga en autopistas. En el futuro, este sistema podría integrarse con plataformas de gestión de flotas o aplicaciones de navegación para dirigir proactivamente a los conductores hacia las estaciones y puntos de carga que no solo están disponibles, sino que también están en las mejores condiciones para manejar su solicitud de carga.
Los investigadores reconocen que la implementación práctica requiere una estrecha integración con las plataformas de gestión de carga existentes y la estandarización de los protocolos de datos de salud. Sin embargo, el trabajo proporciona un marco claro, técnico y basado en datos para la próxima generación de infraestructura de carga inteligente. El uso de un algoritmo de vanguardia y bien documentado como NSGA-II añade credibilidad y transparencia a los resultados.
En conclusión, la investigación de Lu Yang, Liu Niexuan y Huang Hongye marca un hito en la evolución de la infraestructura de vehículos eléctricos. Al trasladar el enfoque desde la simple disponibilidad hacia la salud holística de los activos, establece un nuevo estándar para la sostenibilidad y la eficiencia. A medida que el mundo se mueve hacia una movilidad completamente electrificada, innovaciones como esta serán esenciales para garantizar que la infraestructura pueda soportar la demanda a largo plazo, no solo en términos de capacidad, sino también en términos de fiabilidad y durabilidad. Esta estrategia no es solo sobre cómo cargar más rápido; es sobre cómo cargar de una manera que preserve y optimice el valioso ecosistema que hace posible la movilidad eléctrica.
Lu Yang, Liu Niexuan, Huang Hongye, State Grid Electric Power Research Institute, NARI Group Corporation, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.09