Nuevo modelo optimiza estaciones de carga rápida para zonas rurales
La movilidad eléctrica está viviendo un momento de transformación sin precedentes. Si bien en las grandes ciudades el despliegue de infraestructura de carga ha alcanzado niveles de madurez, las zonas rurales, municipios y regiones periféricas aún enfrentan un acceso limitado y desigual a puntos de recarga. Este desfase no solo frena la adopción generalizada de vehículos eléctricos (VE), sino que también pone en riesgo la equidad en la transición energética. Un estudio reciente liderado por investigadores de la Universidad de Tsinghua y el Buró de Suministro de Energía de Shantou de la Red Eléctrica de Guangdong presenta una solución innovadora: un modelo de planificación avanzado que integra el comportamiento real de los usuarios, patrones de tráfico y limitaciones económicas para optimizar la ubicación y capacidad de estaciones de carga rápida en áreas de nivel municipal.
El trabajo, desarrollado por Zhuoxu Chen y Zechun Hu del Departamento de Ingeniería Eléctrica de la Universidad de Tsinghua, en colaboración con Yujian Wan y Junsong Li del Buró de Suministro de Energía de Shantou, propone un marco integral que va más allá de los enfoques tradicionales de minimización de costos. Publicado en la revista Automated Electric Power Systems, el modelo incorpora la teoría del equilibrio de usuario estocástico (SUE) para reflejar la toma de decisiones imperfecta y bajo incertidumbre que caracteriza a los conductores en entornos menos urbanizados. Este enfoque representa un avance significativo hacia una planificación de infraestructura más inteligente, centrada en el usuario y adaptada a la realidad de las comunidades fuera de los centros metropolitanos.
El desafío es claro. A pesar del crecimiento explosivo en la venta de vehículos eléctricos —más de 10 millones a nivel mundial en 2022, con China liderando el mercado—, la red de carga pública sigue presentando una distribución desigual. En 2022, China instaló 259.300 nuevos puntos de carga y 37.000 estaciones públicas, alcanzando una relación de 2.7 vehículos por cargador. Sin embargo, esta cifra promedio enmascara una realidad muy diferente en las áreas rurales y municipales, donde la cobertura es escasa. Durante los fines de semana largos o las vacaciones, los conductores que viajan por carreteras secundarias a menudo se enfrentan a largas colas, estaciones sobrecargadas o, en el peor de los casos, a la ansiedad por la autonomía, temiendo quedarse sin energía en medio de la nada. La falta de una planificación estratégica en estos territorios convierte la movilidad eléctrica en una experiencia estresante, en lugar de una alternativa sostenible y cómoda.
Los modelos de planificación existentes a menudo fallan en abordar esta complejidad. Muchos asumen que los conductores son agentes completamente racionales que siempre eligen la estación más cercana, la más barata o la menos congestionada. Esta visión idealizada ignora la realidad del mundo real, donde los conductores toman decisiones basadas en una mezcla de factores: la distancia que están dispuestos a desviarse de su ruta, el precio de la carga, el tiempo de espera esperado, la presencia de servicios como cafeterías o baños, e incluso su nivel de confianza en la información disponible. En zonas con menor conectividad digital y menos información en tiempo real, esta incertidumbre se amplifica. Un conductor en un municipio puede no saber si la única estación cercana está ocupada, cuánto tiempo tardará en cargar o si el precio ha cambiado. Ignorar este «comportamiento limitadamente racional» conduce a errores en la predicción de la demanda, a una ubicación ineficiente de las estaciones y, finalmente, a inversiones subóptimas.
Es aquí donde el modelo desarrollado por Chen y su equipo marca la diferencia. «La mayoría de los modelos asumen que los usuarios tienen información perfecta y actúan de manera completamente racional», explica Hu, autor correspondiente del estudio. «Pero en las zonas municipales, los conductores operan con información incompleta. Tomamos decisiones bajo incertidumbre, influenciados por hábitos, preferencias personales y la percepción de lo que es conveniente. Nuestro modelo incorpora explícitamente esta racionalidad limitada, lo que lo hace mucho más realista».
El núcleo del modelo es un marco de equilibrio de usuario estocástico (SUE) basado en la teoría de elección discreta. A diferencia de los modelos deterministas, el SUE reconoce que los usuarios no siempre toman la «mejor» decisión. En su lugar, eligen una estación de carga en función de una utilidad percibida, que combina varios costos: la distancia de desvío, el precio de la carga, la congestión de la estación y la atracción de los servicios circundantes. Cada uno de estos factores se pondera según la sensibilidad del usuario, permitiendo al modelo simular patrones de decisión realistas en condiciones de incertidumbre.
La verdadera innovación radica en cómo esta dinámica de comportamiento se integra en el proceso de planificación. El modelo no trata el comportamiento del usuario como una entrada fija, sino como una condición de equilibrio. Esto significa que el diseño final de la red de estaciones debe ser coherente con el comportamiento que se espera de los usuarios. Se crea un bucle de retroalimentación: la ubicación de las estaciones influye en las decisiones de los usuarios, y esas decisiones, a su vez, afectan el rendimiento y la rentabilidad de las estaciones. Este enfoque garantiza que la solución final no solo sea económicamente viable para los desarrolladores, sino también funcional y conveniente para los usuarios.
Para generar patrones de demanda realistas, el equipo utilizó un método de simulación de cadenas de viaje. Este enfoque reconstruye los itinerarios individuales de los conductores, simulando pares origen-destino, horarios de salida, velocidades de conducción y consumo de batería. Un aspecto crucial es la inclusión de nodos de conexión externa, puntos donde las carreteras interestatales se entrelazan con las redes locales. Esto permite al modelo capturar no solo la demanda local de residentes, sino también la demanda transitoria de turistas, vehículos comerciales y conductores que simplemente están de paso. La simulación se calibró con datos del mundo real, incluyendo parámetros de vehículos, comportamiento del conductor (como el estado inicial de carga de la batería y la tolerancia a los desvíos) y patrones de viaje regionales. Se modelaron cuatro escenarios distintos, que reflejaban variaciones en la población vehicular total, la penetración de VE y la proporción de tráfico entrante, lo que garantiza que el modelo sea robusto ante fluctuaciones estacionales y picos de demanda impredecibles.
Una vez que se simula la demanda, entra en juego el modelo de optimización. El objetivo es doble: minimizar el costo total de inversión y operación para los desarrolladores de estaciones de carga, y minimizar la distancia de desvío agregada para los usuarios, un indicador clave de comodidad y satisfacción. El modelo también debe respetar restricciones físicas y económicas, como los límites de capacidad de la red eléctrica, la disponibilidad de terrenos y los presupuestos de construcción.
Lo que distingue a este modelo es su capacidad de resolución computacional. La formulación original involucra restricciones de equilibrio complejas y no convexas derivadas del modelo de elección Logit, que son notoriamente difíciles de resolver, especialmente cuando se combinan con variables enteras (por ejemplo, si se construye o no una estación en un lugar determinado). Para superar este obstáculo, el equipo aplicó una serie de técnicas de linealización, transformando el problema en un programa lineal mixto-entero (MILP). Esta transformación es crucial, ya que permite el uso de potentes solucionadores comerciales como Gurobi para encontrar soluciones globalmente óptimas de manera eficiente.
El estudio de caso se llevó a cabo en una red de transporte modificada de 33 nodos, diseñada para reflejar la conectividad de carreteras escasa típica de las regiones municipales. Se consideraron doce sitios candidatos para estaciones de carga rápida, cada uno capaz de albergar entre 8 y 16 cargadores de 96 kW. Tras la optimización, el modelo recomendó construir estaciones en solo cinco ubicaciones: los nodos 2, 17, 20, 21 y 26. Un hallazgo clave es que el nodo 17 es un punto de conexión externa, lo que resalta la importancia estratégica de las ubicaciones de acceso para servir al tráfico en tránsito.
Los resultados revelan varias conclusiones fundamentales. En primer lugar, las estaciones seleccionadas no son necesariamente las más centralizadas o las más accesibles desde todos los orígenes. En cambio, representan un equilibrio entre cobertura, costo y comportamiento del usuario. Por ejemplo, la estación n17, aunque en la periferia, sirve a una alta proporción de vehículos externos (60.1% en un escenario), lo que la convierte en un nodo crítico para la conectividad regional. La construcción de estaciones adicionales en otros nodos externos se consideró innecesaria, ya que aumentaría los costos de capital sin mejorar significativamente la calidad del servicio.
En segundo lugar, el modelo evita naturalmente la sobreconcentración. En las simulaciones por escenario, la demanda de usuarios se distribuyó relativamente de manera uniforme entre las cinco estaciones, previniendo los tipos de congestión que se observan en los puntos calientes del mundo real. Este resultado es una consecuencia directa del marco SUE: cuando una estación se vuelve demasiado congestionada, su costo percibido aumenta (debido a tiempos de espera más largos), lo que induce a los usuarios a considerar alternativas, incluso si requieren un desvío ligeramente más largo.
En tercer lugar, la integración de factores no relacionados con el viaje, como la disponibilidad de servicios cercanos, demostró ser influyente. Las estaciones ubicadas cerca de zonas comerciales o turísticas eran más atractivas, no porque fueran más baratas o más cercanas, sino porque ofrecían una experiencia general más agradable. Esto se alinea con la creciente evidencia de que la carga de vehículos eléctricos no es solo una necesidad funcional, sino parte de un ecosistema más amplio de movilidad y estilo de vida.
Para validar la precisión del modelo, los investigadores realizaron extensos análisis de sensibilidad. Probaron cómo cambios en las preferencias de los usuarios, como una mayor aversión a la espera o una mayor sensibilidad al precio, afectaban la solución óptima. Como era de esperar, cuando los usuarios se volvieron más sensibles a la congestión, el modelo recomendó redes más distribuidas para evitar cuellos de botella. Por el contrario, cuando la sensibilidad al precio dominó, se favoreció la concentración alrededor de zonas de menor costo.
Quizás lo más revelador fue el análisis del coeficiente de racionalidad, un parámetro que controla qué tan estrechamente los usuarios siguen la elección «óptima». Cuando se estableció en cero (comportamiento completamente aleatorio), la distancia media de desvío fue alta y la utilización de la estación fue baja. Cuando se estableció en infinito (racionalidad perfecta), los usuarios se congregaron en las estaciones más baratas o más cercanas, lo que provocó alta congestión. El equilibrio óptimo surgió en valores intermedios, donde los usuarios exhiben una racionalidad limitada, un hallazgo que subraya la importancia de la realismo conductual en la planificación de infraestructuras.
Desde una perspectiva política, las implicaciones son significativas. A medida que los gobiernos impulsan la electrificación del transporte en zonas rurales y suburbanas, como parte de esfuerzos más amplios para reducir emisiones y promover la independencia energética, este modelo ofrece una base científica para tomar decisiones de inversión. Permite a los planificadores abandonar los métodos de adivinanza y evidencia anecdótica, reemplazándolos con estrategias basadas en datos e informadas por el comportamiento.
Además, el modelo respalda el concepto de «corredores de carga inteligentes»: redes estratégicas de estaciones de carga rápida a lo largo de rutas de viaje principales que garantizan una movilidad sin problemas para largas distancias con vehículos eléctricos. Al optimizar tanto la ubicación como la capacidad, tales corredores pueden reducir la ansiedad por la autonomía, mejorar la estabilidad de la red y mejorar la experiencia general del usuario.
La investigación también tiene aplicaciones prácticas para empresas de servicios públicos y operadores privados de carga. Para la Red Eléctrica de Guangdong, que financió el estudio, el modelo proporciona una herramienta para evaluar el impacto de nuevas estaciones de carga en las redes de distribución locales. Al integrar restricciones de flujo de potencia, el modelo garantiza que las nuevas estaciones no sobrecarguen transformadores ni causen inestabilidad de voltaje, un problema común en redes rurales con capacidad limitada.
Para los operadores privados, el modelo ayuda a identificar oportunidades de inversión de alto valor. Al simular el comportamiento del usuario y el potencial de ingresos bajo diferentes esquemas de precios, permite una previsión financiera más precisa y una evaluación de riesgos.
En una era en la que la inteligencia artificial y los datos masivos están remodelando todos los aspectos del transporte, este estudio se destaca por su equilibrio entre rigor técnico y relevancia práctica. No depende de algoritmos opacos o modelos de aprendizaje automático caja negra. En cambio, se basa en principios bien establecidos de economía, teoría de juegos e investigación de operaciones, lo que hace que sus resultados sean interpretables, auditables y accionables.
El éxito de la revolución de los vehículos eléctricos no dependerá únicamente de los avances en la tecnología de baterías o la escala de fabricación. También dependerá de la inteligencia de la infraestructura que la respalda. Como demuestra esta investigación, el futuro de la carga no consiste solo en construir más estaciones, sino en construir las correctas, en los lugares adecuados, para las personas adecuadas.
Chen Zhuoxu, Hu Zechun et al., Automated Electric Power Systems. DOI: 10.7500/AEPS20230731003