Nuevo modelo mejora la capacidad de red para carga de vehículos eléctricos
La movilidad eléctrica avanza a paso firme en todo el mundo, impulsada por políticas de descarbonización, avances tecnológicos y una creciente conciencia ambiental entre los consumidores. A medida que millones de vehículos eléctricos (VE) se incorporan a las carreteras, las redes eléctricas de distribución enfrentan una transformación profunda. La demanda adicional de energía para la recarga, especialmente durante horas pico, pone a prueba la capacidad de infraestructuras diseñadas en otra era. Un desafío crítico para las empresas de servicios públicos, planificadores urbanos e inversores en infraestructura de carga es determinar con precisión cuánta capacidad adicional puede soportar una red sin comprometer su estabilidad y seguridad. Este parámetro, conocido como capacidad disponible o capacidad abierta, es fundamental para guiar decisiones estratégicas sobre dónde y cuándo se pueden instalar nuevos puntos de carga.
Tradicionalmente, la evaluación de esta capacidad se ha basado en métodos simplificados que, si bien son fáciles de implementar, tienden a ser excesivamente conservadores. Estos enfoques a menudo ignoran la complejidad inherente de los patrones de consumo, tratando la carga de vehículos eléctricos como una carga aislada y adicional, sin considerar cómo se superpone y correlaciona con la demanda de energía convencional de hogares y negocios. El resultado es una estimación del «peor de los casos» que subestima el margen real de la red, llevando a una planificación cautelosa que puede retrasar injustificadamente el despliegue de infraestructura esencial para la transición energética.
Una investigación reciente, publicada en el Journal of Global Energy Interconnection, ofrece una solución más sofisticada y realista a este problema. Un equipo de ingenieros liderado por Zhao Zijun, de la sucursal de Changsha de State Grid Hunan Electric Power Co., Ltd., ha desarrollado un nuevo marco de evaluación que incorpora explícitamente la correlación espacio-temporal entre la carga de vehículos eléctricos y la carga base convencional. Este enfoque innovador representa un salto cualitativo, pasando de una visión estática y aislada de la demanda a un modelo dinámico y holístico que refleja con mayor fidelidad el funcionamiento real de la red.
La esencia del nuevo método radica en reconocer que la carga de vehículos eléctricos no es un evento aleatorio, sino que sigue patrones predecibles influenciados por rutinas diarias, horarios laborales y tarifas eléctricas. Muchos propietarios de VE cargan sus vehículos durante la noche, precisamente cuando la demanda residencial general está en su punto más bajo. Esta superposición temporal significa que la carga del VE no necesariamente se suma a la carga pico, sino que a menudo se distribuye en los «valles» de la curva de carga diaria. Ignorar esta correlación negativa lleva a sobrestimar el estrés en la red. El modelo de Zhao Zijun cuantifica esta relación, permitiendo a los planificadores identificar oportunidades para integrar más carga de VE sin necesidad de costosas ampliaciones de red.
El proceso metodológico se estructura en dos fases clave. La primera aborda un problema fundamental: la selección del «día típico». La capacidad disponible se evalúa a menudo en función de un perfil de carga representativo de un día promedio. Los métodos tradicionales seleccionan este día típico basándose en la carga total agregada de la red, un enfoque que puede diluir las características específicas de nodos individuales. La innovación del equipo chino consiste en analizar cada nodo de la red por separado. Al examinar las series temporales de carga en cada punto de conexión, pueden identificar un día típico que es representativo no solo para la red en su conjunto, sino también para sus componentes más críticos. Esto aumenta significativamente la precisión y la relevancia del escenario de análisis, evitando que la planificación se base en datos promediados que ocultan puntos de estrés locales.
La segunda fase es la construcción del modelo de evaluación propiamente dicho. Aquí, los investigadores han desarrollado un modelo de optimización estocástica robusto de dos niveles. Este modelo es complejo por diseño, ya que busca encontrar la máxima capacidad adicional que la red puede soportar bajo una amplia gama de condiciones inciertas, garantizando siempre que se respeten los límites técnicos de voltaje, corriente y capacidad de transformadores. Un aspecto crucial es la incorporación de la incertidumbre de las fuentes de energía renovable, particularmente la energía solar fotovoltaica (PV). La generación solar es altamente variable y depende de condiciones meteorológicas impredecibles. El modelo trata esta incertidumbre mediante un «conjunto de incertidumbre en forma de caja» que define los límites máximos y mínimos esperados para la producción solar en cada momento del día. Además, introduce parámetros de «conservadurismo» que permiten ajustar el nivel de cautela del análisis, permitiendo a los operadores de red elegir entre escenarios más agresivos o más conservadores.
Para transformar este complejo problema de optimización en uno resoluble, el equipo utilizó las condiciones de Karush-Kuhn-Tucker (KKT), una herramienta matemática poderosa que permite convertir un problema de dos niveles (donde una optimización está anidada dentro de otra) en un problema de un solo nivel. Este paso es esencial para hacer el modelo viable desde un punto de vista computacional, permitiendo su aplicación a redes de tamaño realista.
La validación del modelo se llevó a cabo en una versión modificada del sistema de prueba IEEE 33-bus, un estándar ampliamente reconocido en la comunidad de ingeniería eléctrica. La red de prueba fue enriquecida con elementos del mundo real: estaciones de carga de vehículos eléctricos en nodos específicos (14, 22 y 25), instalaciones de generación fotovoltaica (en nodos 10, 25 y 26) y datos de carga histórica de fuentes confiables como el operador de red PJM en Estados Unidos. Lo que aporta un valor único a este estudio es el uso de datos de carga de VE reales, recopilados durante un año completo en una estación de carga en la provincia de Hunan, China, con una resolución de 15 minutos. Este nivel de detalle es crucial para capturar la variabilidad real del comportamiento del usuario, algo que los datos sintéticos no pueden replicar.
Los resultados de la simulación fueron reveladores. Cuando se comparó con métodos tradicionales que ignoran la correlación de carga, el nuevo modelo de Zhao Zijun arrojó una capacidad disponible significativamente mayor: 62,92 MW frente a 60,00 MW en un período de 24 horas. Esta diferencia de casi 3 MW representa una capacidad sustancial que, bajo métodos anteriores, habría sido considerada «no disponible» y, por lo tanto, no utilizada. Este hallazgo no es solo un número; es una oportunidad para acelerar la transición energética sin comprometer la seguridad.
Un hallazgo aún más interesante fue la forma de la curva de capacidad disponible. El modelo generó una curva en forma de «pato», un fenómeno bien conocido en redes con alta penetración de solar. Esta curva muestra que la capacidad disponible es más baja durante las horas de la tarde, cuando la demanda convencional es alta y la generación solar comienza a disminuir, y alcanza su punto máximo durante la noche, cuando la demanda general es baja. Esta dinámica refleja perfectamente las condiciones operativas reales y proporciona una guía mucho más inteligente para la planificación. Por ejemplo, indica que las áreas con una gran cantidad de carga nocturna (como estaciones de carga en hogares o flotas de vehículos que operan durante el día) son ideales para la expansión, ya que aprovechan la capacidad ociosa de la red.
El análisis también examinó el impacto en las pérdidas de energía de la red. Se descubrió que el nuevo modelo, al maximizar la capacidad disponible, también tiende a minimizar las pérdidas en los períodos de baja demanda. Esto se debe a que, al seleccionar un día típico que representa mejor los valles de carga, el modelo encuentra soluciones que son más eficientes desde el punto de vista energético. Durante las horas pico, donde la capacidad disponible es menor, las pérdidas son naturalmente más altas, lo cual es un compromiso inherente. El modelo no busca simplemente la capacidad máxima, sino un equilibrio óptimo entre capacidad y eficiencia.
Las implicaciones de esta investigación son profundas para múltiples actores. Para las empresas de servicios públicos, este modelo proporciona una herramienta poderosa para justificar inversiones más inteligentes. Pueden demostrar a los reguladores que una parte de la red tiene más capacidad de la que se pensaba, evitando así costos innecesarios de reforzamiento de líneas y subestaciones. Para los desarrolladores de infraestructura de carga, ofrece una base científica para elegir ubicaciones óptimas, reduciendo el riesgo de proyectos que podrían ser bloqueados por preocupaciones de capacidad. Para las ciudades, facilita la integración de la movilidad eléctrica en los planes de desarrollo urbano, permitiendo una planificación más ambiciosa y sostenible.
Desde una perspectiva de política pública, este trabajo subraya la necesidad de metodologías de planificación basadas en datos para una transición energética efectiva. Las metas ambiciosas de electrificación del transporte no se pueden lograr si la infraestructura de respaldo se planifica con herramientas obsoletas. Una evaluación demasiado conservadora puede crear cuellos de botella artificiales, desalentar la inversión privada y retrasar la adopción de vehículos eléctricos. Por el contrario, una evaluación demasiado optimista puede poner en riesgo la estabilidad de la red. El modelo de Zhao Zijun ofrece un punto medio racional, basado en una comprensión profunda de la física de la red y el comportamiento del consumidor.
El estudio también destaca la importancia de la colaboración entre la academia y la industria. Los autores no son teóricos aislados, sino ingenieros que trabajan dentro de una empresa de servicios públicos real, enfrentando los mismos desafíos que sus colegas en todo el mundo. Su solución está arraigada en la práctica, diseñada para ser implementada y validada con datos del mundo real. Este enfoque «de la práctica a la teoría y de vuelta a la práctica» es lo que le da al trabajo su credibilidad y relevancia.
Aunque el estudio representa un avance significativo, los autores reconocen sus limitaciones. Una de las más importantes es que el modelo actual se centra en el funcionamiento normal de la red y no incorpora criterios de seguridad N-1, que exigen que la red siga operando de manera estable incluso si un componente clave falla. Incorporar esta capa de resiliencia sería el siguiente paso lógico para hacer el modelo aún más robusto y aplicable a los estándares de confiabilidad de la industria.
En conclusión, la investigación publicada en el Journal of Global Energy Interconnection ofrece una contribución vital al campo de la ingeniería de sistemas de energía. Al incorporar la correlación espacio-temporal de las cargas, ha elevado el nivel de precisión en la evaluación de la capacidad de la red. Este no es un avance técnico menor; es un cambio de paradigma que permite a las redes eléctricas aprovechar mejor sus recursos existentes. Al hacerlo, elimina una de las principales barreras para la adopción masiva de vehículos eléctricos, acelerando así el camino hacia un futuro de transporte más limpio, silencioso y sostenible. El trabajo de Zhao Zijun y sus colegas es un recordatorio de que, detrás de cada vehículo eléctrico que se enchufa, hay una red inteligente y bien planificada que hace posible la revolución.
Zhao Zijun, Hu Xiangwei, Deng Yazhi, Li Yongjian, Lu Xinxing, Peng Qingwen, Yang Xiaodan, State Grid Hunan Electric Power Co., Ltd., Changsha Power Supply Branch, Journal of Global Energy Interconnection, DOI: 10.19705/j.cnki.issn2096-5125.2024.03.005