Estrategia Inteligente para Cargas de Coches Eléctricos en Olas de Calor
Las olas de calor cada vez más intensas y prolongadas están poniendo a prueba la capacidad de las ciudades modernas, no solo en términos de salud pública, sino también en la estabilidad de sus redes eléctricas. A medida que las temperaturas ascienden, la demanda de energía para aire acondicionado se dispara, creando un pico de carga que puede sobrecargar el sistema. Esta tensión se ve agravada por la rápida adopción de vehículos eléctricos (VE), cuya carga, si no se gestiona adecuadamente, puede transformar una situación de estrés en una crisis energética. Un nuevo estudio, liderado por Han Linyang y Ye Chengjin de la Universidad de Zhejiang, propone una solución innovadora que no busca restringir el uso de los vehículos, sino convertirlos en un activo valioso para la red eléctrica mediante una estrategia de «carga en valle».
La investigación, publicada en la prestigiosa revista Automation of Electric Power Systems, aborda el problema desde una perspectiva integral, reconociendo que la solución no reside únicamente en la ingeniería de potencia, sino también en la comprensión del comportamiento humano. Tradicionalmente, los modelos para predecir la carga de los VE se basan en suposiciones simplificadas: los usuarios cargan cuando la batería está baja, siguiendo patrones de viaje predefinidos. Sin embargo, esta aproximación falla al ignorar un factor crítico: las personas no son máquinas. Sus decisiones sobre cuándo y dónde cargar están profundamente influenciadas por factores externos como el clima, su horario y, sobre todo, su comodidad y conveniencia.
El equipo de Zhejiang University da un paso adelante al incorporar la «Teoría del Comportamiento Planificado» en su modelo. Esta teoría psicológica sostiene que la intención de una persona para realizar una acción, como cargar su coche, se basa en tres pilares: su actitud hacia la acción, las normas sociales que percibe y su percepción de control sobre la misma. Durante una ola de calor, estos pilares cambian drásticamente. La incomodidad del calor hace que los viajes no esenciales parezcan menos atractivos, mientras que la necesidad de un vehículo fresco y climatizado aumenta la dependencia del automóvil. Este cambio de comportamiento, a su vez, altera los patrones de tráfico, lo que influye directamente en cuándo y dónde un vehículo está disponible para cargar. El estudio analiza datos de encuestas de viaje junto con registros meteorológicos para cuantificar cómo la voluntad de los usuarios varía según la temperatura, revelando patrones claros: en días laborables, la intensidad media de viajes aumenta, ya que las personas dependen más de sus vehículos climatizados para ir al trabajo, mientras que en días festivos, disminuye, ya que se evitan salidas innecesarias. Esta comprensión granular del comportamiento humano es la base sobre la que se construye toda la simulación.
El segundo gran avance del estudio radica en la forma en que calcula el consumo de energía del vehículo. Los modelos convencionales suelen utilizar una métrica simple de «kWh por kilómetro», ajustando este valor con un factor de corrección para la temperatura. Este enfoque, según los investigadores, es fundamentalmente defectuoso porque ignora que una parte significativa del drenaje de la batería en climas cálidos no proviene de la conducción, sino del funcionamiento del sistema de aire acondicionado y de enfriamiento. Estos sistemas consumen energía en función de cuánto tiempo están encendidos, no de la distancia recorrida. Un coche detenido en un atasco a 40 °C con el aire acondicionado al máximo drenará su batería mucho más rápido que uno que recorra la misma distancia en una mañana fresca y despejada.
Para superar esta limitación, el equipo desarrolló un modelo de cálculo de energía en tres componentes. El primero es el consumo para la propulsión, influenciado por la velocidad, la distancia y la congestión del tráfico. El segundo es el consumo para el control climático, que depende directamente de la temperatura exterior y de la duración del viaje. El tercero es el consumo para accesorios de baja tensión, como ventiladores y bombas, que también aumenta en temperaturas elevadas. Al integrar la duración y la distancia del viaje como entradas principales, este modelo ofrece una imagen mucho más precisa de las necesidades energéticas reales de un VE, especialmente en las condiciones estresantes de una ola de calor. Sus simulaciones confirmaron que el consumo energético del vehículo aumenta drásticamente durante el clima caluroso, particularmente durante las horas pico de tráfico, cuando tanto la congestión como el uso del aire acondicionado son altos, lo que lleva a un aumento significativo en la frecuencia y el volumen de carga requeridos.
Con un modelo realista de dónde van las personas y cuánta energía usan, la pieza final del rompecabezas es comprender cómo eligen cargar. Los investigadores abandonan la regla simplista de «cargar cuando la batería está baja». En su lugar, proponen un «modelo de elección racional» donde los conductores son vistos como agentes económicos que toman decisiones complejas para minimizar su costo total de propiedad. Este costo no es solo el precio de la electricidad; también incluye el costo de la degradación de la batería por descargas profundas o sobrecargas, y lo que denominan «costo de inconveniencia», una medida cuantificable del malestar de cargar en un lugar o momento determinado. Un conductor podría preferir pagar una tarifa ligeramente más alta para cargar en un punto cercano y seguro a su casa, en lugar de uno más barato pero remoto y menos seguro. Esta visión holística de la toma de decisiones del usuario permite al modelo predecir no solo si un coche se cargará, sino también cuándo y dónde lo hará.
Este nivel de detalle es crucial para los operadores de la red, que necesitan conocer no solo la carga total, sino su ubicación precisa en la red. Con esta herramienta de simulación altamente precisa, los investigadores pasaron a su propuesta central: una «estrategia de orientación espacial». Su solución es un mecanismo elegante y basado en el mercado que llaman «descuentos para carga en valle». El concepto es simple en principio, pero sofisticado en su ejecución. Cada día, el operador de la red de distribución utilizaría su modelo de simulación para predecir el perfil de carga del día siguiente. Al analizar los precios marginales de los nodos—el costo de suministrar una unidad adicional de energía en cada punto de la red—podría identificar momentos y lugares específicos donde hay un exceso de electricidad, a menudo durante la tarde cuando la generación solar es alta pero la demanda general es más baja.
El operador entonces ofrecería un descuento en el precio de carga en estos nodos y momentos de «valle». Esta información se comunicaría a los conductores con anticipación, quizás a través de una aplicación dedicada o el sistema de navegación de su vehículo. Frente a un incentivo financiero, los conductores se verían alentados a ajustar sus planes de carga. Un conductor que normalmente carga en casa por la noche podría optar por cargar en su lugar de trabajo durante la tarde, o buscar un punto de carga público con descuento de camino a casa. Esto no es una orden; es un empujón, aprovechando la racionalidad económica del conductor para lograr un beneficio a nivel del sistema.
La brillantez de esta estrategia radica en que resuelve múltiples problemas simultáneamente. Reduce la carga pico en la red al desplazar la demanda fuera de las horas críticas de la tarde, reduciendo así el riesgo de apagones y la necesidad de plantas eléctricas de «pico» costosas y contaminantes. Aumenta la utilización de la energía renovable al crear demanda durante períodos de alta generación solar. Y lo más importante, lo hace sin molestar a los usuarios; de hecho, les ahorra dinero. Los resultados de la simulación del estudio son convincentes. Cuando se aplicó a una ciudad modelo durante un escenario de «calor extremo», la implementación de descuentos para carga en valle redujo la diferencia entre la carga pico y valle en un notable 38,1% y redujo la necesidad de desalojo de carga de emergencia en un 75,7%. Los costos de operación de la red disminuyeron, lo que condujo a un aumento neto en los ingresos del sistema. Para los conductores, el costo total de propiedad del vehículo—la suma de las tarifas de carga, el desgaste de la batería y la inconveniencia—disminuyó en un 5,57%, un ahorro significativo para una flota grande de vehículos.
Esta investigación representa un avance significativo en el campo de la integración vehículo-red. Va más allá de los silos técnicos de la ingeniería eléctrica y los modelos de transporte para crear un enfoque verdaderamente integrado y centrado en el ser humano. Al reconocer que los conductores son actores racionales con necesidades y preferencias complejas, la estrategia transforma a los vehículos eléctricos de una carga pasiva e impredecible en un recurso activo, receptivo y valioso para la estabilidad de la red. Ofrece un plan para un futuro en el que el sistema energético no solo sea inteligente, sino también empático, trabajando en armonía con las personas a las que sirve.
Las implicaciones de este trabajo van mucho más allá del desafío inmediato de las olas de calor. Los mismos principios podrían aplicarse para gestionar la carga durante otros eventos climáticos extremos, para integrar mayores niveles de energía eólica y solar, o para optimizar el uso del almacenamiento de energía local. Proporciona una herramienta poderosa para planificadores urbanos y compañías eléctricas mientras navegan la compleja transición hacia un sistema de transporte sostenible y electrificado. A medida que el número de vehículos eléctricos en las carreteras continúa creciendo exponencialmente, estrategias como esta serán esenciales para garantizar que la promesa del transporte limpio no venga a costa de una red eléctrica frágil e inestable. El trabajo de Han Linyang, Ye Chengjin, Zhu Chao, Gao Qiang y Yu Haiyue demuestra que con la combinación adecuada de modelado avanzado y comprensión del comportamiento, podemos construir un sistema energético que no solo sea robusto y eficiente, sino también justo y fácil de usar.
Han Linyang, Ye Chengjin, Zhu Chao, Gao Qiang, Yu Haiyue, Universidad de Zhejiang. Automation of Electric Power Systems. DOI: 10.7500/AEPS20230731005