Nuevo modelo optimiza la integración de vehículos eléctricos en redes eléctricas
La revolución de los vehículos eléctricos (VE) está en pleno auge, y con ella, el desafío de integrar millones de nuevas cargas móviles en las redes eléctricas existentes. A medida que las flotas de VE crecen exponencialmente, especialmente en mercados líderes como China, donde ya circulan más de doce millones de unidades, la presión sobre las redes de distribución se vuelve cada vez más intensa. El problema no es solo la demanda adicional, sino la naturaleza impredecible de cuándo, dónde y con qué intensidad se cargarán estos vehículos. Un enfoque tradicional basado en la expansión de infraestructura es costoso y poco sostenible. La solución, cada vez más clara, reside en la inteligencia: en modelos de gestión que transformen esta carga incierta en un recurso flexible capaz de estabilizar la red, no de desestabilizarla.
Un equipo de investigadores de China ha dado un paso fundamental hacia esta solución. En un estudio publicado recientemente en la prestigiosa revista Automation of Electric Power Systems, Jinpeng Li, Yinliang Xu y sus colegas han desarrollado un modelo de despacho para la integración de VE a gran escala que promete equilibrar la eficiencia económica con una alta fiabilidad del sistema, incluso bajo condiciones de incertidumbre extrema. Este trabajo aborda directamente las debilidades de los métodos tradicionales de optimización, ofreciendo una herramienta práctica y escalable para los operadores de red del futuro.
El corazón del problema son las múltiples fuentes de incertidumbre. No se trata solo del comportamiento de los conductores, con sus patrones de llegada, salida y demanda de carga variables. También están las fluctuaciones inherentes de las energías renovables, como la solar y la eólica, cuya generación no se puede programar con precisión. Además, la carga residencial y comercial convencional también presenta variaciones. Tratar todas estas incertidumbres de manera conjunta es esencial, ya que sus efectos combinados pueden provocar sobrecargas en las líneas, caídas de voltaje o una falta de reservas para equilibrar el sistema, lo que pone en riesgo la estabilidad de toda la red.
Los métodos convencionales para manejar esta incertidumbre han mostrado sus limitaciones. La optimización estocástica (SO) depende de la simulación de numerosos escenarios, lo que puede ser computacionalmente muy costoso y, si se usan pocos escenarios, inexacto. Por otro lado, la optimización robusta (RO) se centra en el peor caso imaginable, lo que garantiza la seguridad pero a un precio prohibitivo, ya que el sistema opera de forma excesivamente conservadora, comprando reservas y restringiendo recursos que rara vez se necesitan. Ambos enfoques fallan en ofrecer un control directo sobre el nivel de riesgo que el operador está dispuesto a asumir.
Es aquí donde el nuevo modelo, basado en una restricción de probabilidad conjunta distribucionalmente robusta (DRJCC), marca la diferencia. A diferencia de los métodos anteriores, que tratan las restricciones de voltaje, potencia y reserva de forma independiente, el modelo DRJCC las combina en una única restricción de probabilidad conjunta. Esto significa que el operador de red puede especificar un nivel de riesgo global para todo el sistema, por ejemplo, que todas las condiciones de operación se cumplan simultáneamente con una probabilidad del 95%. Este enfoque es más realista, ya que reconoce que las fallas en diferentes partes de la red a menudo ocurren juntas, y permite una gestión de riesgos mucho más intuitiva y eficiente.
Sin embargo, resolver una restricción de probabilidad conjunta es matemáticamente extremadamente complejo, casi imposible en la práctica. La gran innovación del equipo de Li y Xu radica en cómo superan este obstáculo. Utilizan un método conocido como aproximación óptima de Bonferroni (OBA), que transforma este problema inabordable en un modelo de programación cuadrática mixta entera, que puede resolverse con eficiencia mediante software comercial.
La verdadera genialidad del enfoque OBA, y lo que lo distingue de aproximaciones más simples, es que trata el nivel de riesgo en sí mismo como una variable de decisión. En lugar de asignar un nivel de riesgo fijo a cada restricción (por ejemplo, 1.25% de riesgo para cada una de las ocho restricciones para sumar un 10% total), el modelo OBA permite que el algoritmo de optimización determine cómo distribuir ese riesgo total de la manera más económica. Puede decidir, por ejemplo, aceptar un riesgo ligeramente mayor de una pequeña fluctuación de voltaje si eso permite reducir significativamente el costo de mantener reservas de potencia, que son mucho más caras. Esta flexibilidad dinámica es clave para reducir la conservadurismo innecesario y lograr una operación más económica sin sacrificar la seguridad.
«La capacidad de optimizar el propio nivel de riesgo es un cambio de paradigma», explicó Yinliang Xu, profesor asociado en la Escuela Internacional de Posgrado Tsinghua Shenzhen y autor correspondiente del estudio. «Nos permite encontrar un compromiso mucho más inteligente entre costo y fiabilidad, algo que los métodos anteriores no podían hacer».
Para probar la eficacia de su modelo, el equipo realizó simulaciones exhaustivas en dos redes de distribución estándar modificadas: la red IEEE de 33 nodos y la más grande de 123 nodos. Estas redes incluían generadores distribuidos, estaciones de carga para VE, y fuentes de energía renovable. Las incertidumbres se modelaron utilizando datos históricos y ajustadas con modelos de mezcla gaussiana (GMM), una técnica estadística potente para capturar distribuciones de probabilidad complejas y multimodales que se asemejan a la realidad.
Los resultados fueron concluyentes. Comparado con un modelo de optimización estocástica (SO) que, aunque más barato en costo nominal, tenía una fiabilidad promedio inferior al 15%, el modelo OBA logró una fiabilidad superior al 96% con un costo operativo significativamente más bajo que los métodos robustos. En comparación directa con un modelo que utiliza una aproximación de Bonferroni estándar (BA), el modelo OBA logró una reducción de costos de aproximadamente un 6.5%, manteniendo al mismo tiempo un alto nivel de fiabilidad. Este ahorro, en redes a gran escala, representa millones de dólares.
Un aspecto crucial del modelo es su escalabilidad. En la red de 123 nodos, con más de 4.400 vehículos eléctricos conectados, el tiempo de cálculo para el modelo OBA fue de solo 20 segundos. Cuando el número de VE se incrementó a 10.000, el tiempo de resolución creció de manera modesta, demostrando que el modelo es viable para su implementación en tiempo real en redes urbanas complejas. Esta eficiencia computacional es fundamental para su adopción práctica por parte de las empresas de servicios públicos.
«La velocidad de cálculo es un factor decisivo», afirmó Hua Feng, ingeniero principal de State Grid Zhejiang Lishui Power Supply Company y coautor del estudio. «Muchos modelos teóricos se vuelven inviables cuando se aplican a redes del mundo real. Nuestro enfoque, al agrupar flotas de VE y utilizar la aproximación OBA, evita el problema de la dimensionalidad y lo hace aplicable».
Más allá de la reducción de costos, el modelo demostró una capacidad sobresaliente para tareas operativas clave. Pudo realizar con éxito la gestión de picos de carga (peak shaving), desplazando estratégicamente la carga de los VE desde las horas de máxima demanda y precio alto hacia períodos de menor carga. Esto no solo reduce los costos de energía, sino que también alivia el estrés en transformadores y líneas, aumentando la vida útil de la infraestructura.
El modelo también integró de forma nativa la provisión de servicios auxiliares, como la reserva de potencia para compensar las fluctuaciones de la generación renovable. Optimizó la compra de reservas de generadores convencionales y de los propios agregadores de VE, garantizando que hubiera capacidad suficiente para mantener el equilibrio del sistema. Esto convierte a los VE, a través de sus agregadores, en socios activos en la gestión de la red, no solo en consumidores pasivos.
Xiaogang Chen, ingeniero principal de State Grid Zhejiang, destacó la aplicabilidad práctica: «Los operadores de red necesitan herramientas que sean no solo teóricamente sólidas, sino también implementables. Este modelo ofrece un compromiso claro entre costo y fiabilidad, lo cual es esencial para la toma de decisiones bajo incertidumbre. Podemos especificar nuestro nivel de riesgo deseado, digamos un 5% de probabilidad de violación de restricciones, y el modelo nos dará una estrategia óptima que cumpla con ese objetivo».
Otra característica innovadora es la separación de las incertidumbres en dos categorías: la carga neta (sin incluir los VE) y la carga de los propios VE. Esta modelización en dos capas refleja la realidad de que diferentes fuentes de incertidumbre afectan diferentes partes del sistema y pertenecen a diferentes actores. La tensión en los nodos se ve más afectada por la carga neta, mientras que la reserva necesaria en una estación de carga proviene directamente del comportamiento de los VE. Esta separación permite una gestión de riesgos más precisa y una asignación de responsabilidades más clara entre el operador de red y el agregador de VE.
La robustez del modelo se ve reforzada por su naturaleza «distribucionalmente robusta». En lugar de asumir una distribución de probabilidad específica para las incertidumbres (lo que puede ser incorrecto si cambian las condiciones), el modelo considera una familia de distribuciones posibles basadas en momentos conocidos (como la media y la varianza). Esto lo hace más resistente a errores en la estimación de la distribución y lo hace más adecuado para condiciones del mundo real.
En una aplicación práctica, este modelo podría integrarse en los sistemas de los agregadores de vehículos eléctricos. Estos agregadores actúan como intermediarios, agrupando miles de VE individuales para formar una «planta virtual» que puede participar en mercados de energía y servicios auxiliares. El marco DRJCC-OBA permitiría a estos agregadores presentar ofertas más precisas y confiables, respaldadas por una garantía probabilística rigurosa, aumentando así su credibilidad y rentabilidad.
El estudio también subraya la importancia de la coordinación. Durante los días soleados, el exceso de generación solar puede dirigirse al cargado de VE, reduciendo el desperdicio de energía. Inversamente, cuando la generación solar cae repentinamente, los VE con baterías cargadas podrían, en un futuro con V2G (Vehicle-to-Grid), proporcionar energía de respaldo para ayudar a estabilizar la frecuencia y el voltaje.
A pesar de sus fortalezas, los investigadores reconocen limitaciones. El modelo actual no aborda explícitamente el impacto del envejecimiento de las baterías por ciclos frecuentes de carga y descarga, ni la posible discrepancia entre la distribución estimada y la verdadera distribución subyacente. Estos son temas para investigaciones futuras.
En resumen, el trabajo de Li, Xu, Feng, Chen, Zhan y Zhang representa un avance significativo en la integración inteligente de vehículos eléctricos. Al combinar teoría de optimización avanzada con consideraciones prácticas de ingeniería, han desarrollado una herramienta que es matemáticamente elegante y, lo que es más importante, viable operativamente. A medida que el mundo se mueve hacia una movilidad electrificada, innovaciones como esta serán esenciales para garantizar que nuestra red eléctrica permanezca estable, eficiente y resiliente.
Jinpeng Li, Hua Feng, Xiaogang Chen, Hanbing Zhan, Zhenbin Zhan, Yinliang Xu, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230830009