Infraestructura Urbana de Carga para VE se Vuelve más Inteligente: Gracias a Montecarlo y Redes de Reservorios
En un mundo que se electriza rápidamente, uno de los mayores obstáculos para la adopción masiva de vehículos eléctricos no es la ansiedad por la autonomía ni el costo de las baterías, sino dónde y cuándo se puede conectar. Ciudades de todo el mundo enfrentan una paradoja: las estaciones de carga a veces permanecen inactivas mientras los conductores circulan manzanas buscando un puerto disponible. Esta disparidad no solo es inconveniente; es ineficiente, costosa y amenaza el impulso de la revolución de los vehículos eléctricos.
Pero una nueva ola de investigación académica está cambiando las reglas del juego, no con hardware nuevo y llamativo, sino con software más inteligente detrás de la planificación de infraestructura. En la intersección del modelado del comportamiento del tráfico, el aprendizaje automático y la ingeniería de sistemas de energía, un equipo de Shangyi Electric Power Company (State Grid Jibei Electric Power Company) y la Universidad de Yanshan ha revelado un método novedoso para pronosticar la demanda de carga de vehículos eléctricos en el tiempo y el espacio, y utilizar esas ideas para optimizar dónde deberían ubicarse nuevas estaciones de carga, cuántos cargadores necesitan y qué tan grandes deberían ser.
El resultado: menos conductores varados, menores costos de construcción, menor tensión en la red y un marco de planificación que finalmente trata a los vehículos eléctricos no como vehículos aislados, sino como cargas dinámicas y móviles moldeadas por rutinas humanas, geografía urbana y ritmos estacionales.
Es la hora pico en una ciudad china de tamaño mediano. Una propietaria de un vehículo eléctrico privado sale de su vecindario residencial con la batería al 85%, rumbo al centro para trabajar. Mientras tanto, un taxista, en su tercer turno del día, ingresa a un distrito comercial con solo un 22% de carga, buscando un cargador rápido antes de que llegue la demanda máxima. Un autobús eléctrico municipal, en una ruta fija, se desliza a su depósito para una recarga nocturna. Los tres son vehículos eléctricos. Los tres tienen comportamientos de carga radicalmente diferentes. Y ninguno se ajusta perfectamente a los modelos de carga estáticos del pasado.
Ese es el desafío central abordado en el estudio: los pronósticos tradicionales de carga para vehículos eléctricos a menudo dependen de datos históricos de estaciones existentes, un método que funciona bien para refinar operaciones donde la infraestructura ya existe, pero se queda corto cuando se intenta planificar nuevas estaciones en zonas subdesarrolladas. No se puede predecir la demanda de cargadores que aún no existen basándose en el uso de cargadores que sí existen.
Por eso, los investigadores tomaron un camino diferente, literalmente.
Comenzaron dividiendo el área urbana objetivo (40.46 km², con 79 carreteras y 49 nodos de tráfico) en 33 celdas de cuadrícula, cada una entre 0.64 y 2.25 km². Estos no eran bloques arbitrarios; se clasificaron por función en el mundo real: zonas residenciales, comerciales e industriales. ¿Por qué? Porque dónde están las personas determina qué hacen. Un conductor en un distrito comercial a las 3 p.m. es mucho más propenso a conectarse para una recarga rápida que alguien en una zona industrial a medianoche.
Luego llegó el motor conductual: simulación de Montecarlo. En lugar de asumir un comportamiento promedio, el equipo modeló vehículos eléctricos individuales: 13,000 automóviles privados, 5,000 taxis y 2,000 autobuses, cada uno con su propia capacidad de batería (18 kWh, 45 kWh y 200 kWh, respectivamente), kilometraje diario (extraído de distribuciones log-normal que reflejan encuestas del mundo real) y patrones de viaje.
Crucialmente, no simularon solo un día «típico». Consideraron la variación estacional y las diferencias por tipo de día: días laborales (dominados por ciclos casa-trabajo-casa), fines de semana (más erráticos, casa-recados-casa o cadenas complejas de múltiples paradas) y días festivos (una mezcla de ocio y picos de viaje). La decisión de cada vehículo de cargar, y dónde, se rigió por la física y la psicología: batería restante, distancia del próximo tramo, umbral mínimo aceptable de estado de carga y disposición a desviarse.
Por ejemplo, el modelo calcula si un automóvil privado que termina una recarga en un distrito comercial al mediodía todavía tiene suficiente energía para llegar a casa y completar el viaje del día siguiente. Si no, o si el conductor prefiere no arriesgarse, el automóvil se convierte en candidato para una carga al mediodía. Un taxi, por el contrario, podría cargar de manera oportunista cada pocas horas, optimizando el tiempo activo, no la conveniencia.
Al ejecutar esta simulación 200 veces (para suavizar el ruido estadístico), el equipo generó un conjunto de datos sintéticos masivo: demanda de potencia de carga hora por hora en cada una de las 33 cuadrículas, a través de múltiples días representativos. Esto se convirtió en su «historia virtual», un mapa de carga espaciotemporal de alta resolución donde aún no existían cargadores reales.
Pero la salida cruda de Montecarlo es ruidosa. Los planificadores del mundo real necesitan tendencias claras y accionables, no gráficos de dispersión de 200 ejecuciones estocásticas. Entran en juego las Redes de Reservorios (ESN por sus siglas en inglés), un tipo de red neuronal recurrente conocida por su entrenamiento rápido, robustez ante entradas ruidosas y fuertes habilidades de pronóstico de series de tiempo.
A diferencia de las redes tradicionales de retropropagación que ajustan todos los pesos durante el entrenamiento, las ESN mantienen la mayoría de sus conexiones internas de «reservorio» fijas y aleatorias, entrenando solo la capa de salida. Esto las hace computacionalmente ligeras y menos propensas al sobreajuste, ideales para ajustar curvas de carga complejas y no lineales con datos limitados.
Los investigadores entrenaron tres ESN separadas, una por tipo de zona (residencial, comercial, industrial), alimentándolas no solo con datos de carga pasados, sino también con características contextuales: tipo de función de la cuadrícula y flujo de tráfico estimado. Dimensión de entrada: 10. Tamaño del reservorio: 500 neuronas. Salida: carga de carga pronosticada (kW) para el siguiente paso de tiempo.
¿El resultado? Al compararse con las redes neuronales clásicas de retropropagación (BP) en datos de zonas residenciales, la ESN redujo el error porcentual absoluto medio (MAPE) en un 22% y el error cuadrático medio (RMSE) en más de un 25%. Traducción: capturó los picos y valles reales de carga, como la oleada residencial después de las 6 p.m. o el aumento comercial al mediodía, de manera mucho más fiel. El modelo no solo predijo cuánta energía se consumiría; acertó en cuándo y dónde alcanzaría su punto máximo.
Armados con pronósticos espaciotemporales precisos, el equipo luego dio vuelta al problema: Dado este patrón de demanda, ¿dónde deberíamos construir estaciones y qué tan grandes deberían ser para minimizar el costo social total?
Aquí es donde su modelo de planificación brilla al rechazar la simplificación excesiva. Demasiados enfoques anteriores se centraron solo en la perspectiva de la utility: minimizar el gasto de capital. Otros priorizaron la conveniencia del conductor a toda costa. Este marco obliga a un equilibrio holístico, balanceando cuatro grandes categorías de costo:
- CapEx y OpEx de Infraestructura – Transformadores, cargadores, adquisición de terrenos y mantenimiento anual fijo (escalado como un porcentaje del costo de construcción).
- Costo de Viaje del Usuario – No solo el tiempo, sino la energía desperdiciada al conducir a los cargadores. Cada kilómetro desviado consume batería preciosa, pagada por el conductor, a menudo a tarifas premium de carga.
- Pérdidas en la Red – La carga concentrada de vehículos eléctricos puede sobrecargar alimentadores, aumentando las pérdidas resistivas (I²R). El modelo cuantifica esto en kWh y lo convierte a dólares utilizando precios locales de energía.
- Costo de Oportunidad por Sub/Sobredimensionamiento – Muy pocos cargadores significan colas y desvíos; demasiados significan activos varados y tarifas más altas.
¿El motor de optimización? Optimización por Enjambre de Partículas (PSO por sus siglas en inglés), un algoritmo bioinspirado que imita el bandada de pájaros o cardúmenes de peces para explorar espacios de solución de alta dimensión de manera eficiente. PSO ajusta iterativamente soluciones candidatas (es decir, conjuntos de ubicaciones y tamaños de estaciones), guiado por una puntuación de «aptitud»: el costo total anualizado del sistema.
Las restricciones mantuvieron las cosas realistas:
- La capacidad de cada estación limitada entre 5 y 45 cargadores.
- Se aplicó un espaciado mínimo (para evitar la canibalización y garantizar cobertura geográfica).
- Se respetaron los límites de conexión a la red (ninguna estación puede consumir más de lo que su alimentador puede entregar de manera segura).
- Se asumió un uso simultáneo de cargadores del 80-100% (basado en datos empíricos de flotas).
¿El resultado? Claros rendimientos decrecientes y un punto óptimo.
Al probar cantidades de estaciones de 4 a 10, el modelo mostró que el costo total disminuyó de 4 a 7 estaciones: los conductores ahorraron más en tiempo/energía de viaje que el costo de construcción adicional incurrido. Pero más allá de 7, los costos aumentaron nuevamente. Una octava estación añadió aproximadamente ¥200,000 en hardware y mantenimiento, pero solo ahorró unos ¥20,000 en costos de viaje del usuario. La ganancia marginal no justificó el gasto.
Siete estaciones surgieron como el óptimo, con un costo social anual proyectado de ¥4.696 millones (aproximadamente $655,000 al tipo de cambio actual). Esto se desglosa en:
- ¥4.158M en construcción y mantenimiento
- ¥0.248M en costos de desvío del usuario
- ¥0.289M en pérdidas adicionales de la red
Nótese la distribución: la infraestructura domina, pero los costos del usuario y de la red no son notas al pie. Son palancas que moldean la decisión.
Aún más revelador: dónde se ubicaron las siete estaciones (ver Fig. 5 en el artículo original). Ninguna se agrupó de manera redundante. En su lugar, formaron una red estratégica:
- Una cerca del núcleo residencial del sur (7 cargadores)
- Un centro de alta capacidad (¡24 cargadores!) en el corazón comercial denso
- Un nodo de tamaño mediano (15 cargadores) que sirve a la zona de empleo del norte
- Puestos avanzados más pequeños que cubren brechas
Esto no es «dispersar y rezar». Es un despliegue consciente de la demanda y los costos.
Entonces, ¿por qué esto importa más allá de una ciudad china?
Porque la metodología trasciende la geografía. A medida que los mercados de vehículos eléctricos maduran, desde Berlín hasta Bangalore, los planificadores municipales e ingenieros de utilities enfrentan el mismo dilema: cómo evitar los errores del pasado de construir estaciones infrautilizadas mientras se previene la crisis actual de desiertos de acceso.
Lo que distingue a este enfoque es su realismo conductual. No trata a los vehículos eléctricos como «baterías sobre ruedas» estáticas. Los modela como agentes integrados en ecosistemas urbanos: respondiendo a horarios de trabajo, embotellamientos, hábitos de compras e incluso cambios de temperatura estacionales (que afectan la eficiencia de la batería y la carga de climatización). Esa granularidad es lo que permite a la ESN superar a modelos de series de tiempo más simples: aprende el ritmo de la vida de la ciudad, no solo tendencias estadísticas.
Además, la arquitectura de dos etapas, Montecarlo para generación de datos y ESN para extracción de patrones, resuelve un problema crítico de circularidad: se necesitan datos de demanda para planificar cargadores, pero se necesitan cargadores para obtener datos de demanda. La generación de datos sintéticos evita ese punto muerto.
Críticamente, el modelo es escalable. Si bien el artículo probó una ciudad de tamaño mediano, los pasos de partición de cuadrícula y entrenamiento de ESN pueden paralelizarse. Las metrópolis más grandes podrían usar cuadrículas más finas o conjuntos de ESN específicos por zona. Los operadores de flotas podrían incorporar telemática propietaria para calibrar distribuciones de kilometraje y tiempo de permanencia. Incluso las plataformas de transporte podrían licenciar el marco para ubicar cargadores de manera preventiva cerca de zonas de alta actividad.
¿Y el futuro? Los autores insinúan dos fronteras.
Primero, la integración de retrofit. A medida que la adopción de vehículos eléctricos se acelera, las ciudades no solo construirán nuevas estaciones; convertirán estaciones de servicio, estacionamientos y lotes comerciales. Este motor de pronóstico de carga podría identificar qué sitios existentes tienen la mayor demanda latente y capacidad de red disponible para conversión, transformando la infraestructura fósil de ayer en los centros de vehículos eléctricos del mañana.
Segundo, y más transformador, la preparación para V2G (Vehículo-a-Red). Actualmente, el modelo trata a los vehículos eléctricos como cargas puras. Pero a medida que los cargadores bidireccionales se vuelven comunes, los vehículos eléctricos estacionados podrían suministrar energía de vuelta a la red durante picos, suavizando la integración de renovables. La misma base de pronóstico espaciotemporal, sabiendo dónde estarán los vehículos eléctricos inactivos y cargados, y cuándo, es el primer paso esencial para gestionar esa flota de almacenamiento distribuido. Un plan de estaciones de carga diseñado hoy con el V2G del mañana en mente no necesitará una revisión total en 2030.
Por supuesto, ningún modelo es perfecto. Las simulaciones de Montecarlo heredan los sesgos de sus supuestos de entrada; las encuestas de viaje pueden pasar por alto comportamientos particulares; la degradación de la batería con el tiempo no se modela; eventos inesperados (festivales, construcciones, huelgas de transporte público) pueden interrumpir incluso los mejores pronósticos. Y si bien PSO encontró un óptimo local, no se puede garantizar la optimalidad global en paisajes tan complejos.
Sin embargo, la validación habla por sí sola. Cuando el equipo comparó las curvas de carga pronosticadas con datos piloto del mundo real (no mostrados en el resumen pero referenciados en la metodología), las bandas de error de la ESN se mantuvieron estrechas, especialmente durante períodos críticos de aumento como las tardes de días laborales. Esa confiabilidad es lo que da a los planificadores la confianza para apostar millones en sus recomendaciones.
En una era donde las decisiones de infraestructura fijan resultados de emisiones y equidad durante décadas, acertar en el pronóstico no es académico; es existencial. Este trabajo demuestra que con la combinación correcta de simulación basada en física, agilidad de aprendizaje automático y optimización consciente de los costos, las ciudades pueden pasar de un parche reactivo a una integración proactiva e inteligente de vehículos eléctricos.
El camino hacia un transporte 100% electrificado no estará pavimentado solo con cargadores. Será trazado por algoritmos que entiendan por qué conducimos, cuándo nos detenemos y cómo encontrarnos allí, con energía lista, costos minimizados y la red intacta.
—
Yufei Wang¹, Fei Zhang¹, Junchao Guo¹, Xin Sun¹, Wei Huo², Dongsheng Wang², Lijun Yang²
¹Shangyi Electric Power Company, State Grid Jibei Electric Power Company, Zhangjiakou 076750, Provincia de Hebei, China
²Escuela de Ingeniería Eléctrica, Universidad de Yanshan, Qinhuangdao 066004, Provincia de Hebei, China
Modern Electric Power, Vol. 40, No. 2, abr. 2023
DOI: 10.19725/j.cnki.1007-2322.2021.0251