Nuevos estudios revelan desafíos ocultos de la carga rápida para vehículos eléctricos
A medida que los vehículos eléctricos (VE) ganan terreno en las carreteras y estacionamientos de todo el mundo, la atención se centra no solo en sus beneficios medioambientales, sino también en la infraestructura que los sostiene. Dos estudios recientes, publicados de forma independiente por equipos de investigación en China, profundizan en aspectos críticos del ecosistema de movilidad eléctrica: uno aborda cómo los conductores pueden navegar de forma más inteligente hacia las estaciones de carga, y el otro analiza los impactos físicos y eléctricos que estas estaciones ejercen sobre la red de suministro. Juntos, estos trabajos ofrecen una visión completa de los desafíos técnicos que deben superarse para que la transición hacia la electrificación del transporte sea sostenible, eficiente y fiable.
El primer estudio, liderado por Song Yuhang, Chen Yufan, Wei Yanling y Gao Shan de la Southeast University en Nanjing, presenta un enfoque innovador para la planificación de rutas de carga utilizando técnicas de aprendizaje reforzado. Aunque existen numerosos algoritmos para guiar a los conductores de VE hacia sus destinos, muchos de ellos simplifican excesivamente la realidad del entorno urbano. Un defecto común es tratar las estaciones de carga como simples nodos en un mapa, ignorando que, en la vida real, acceder a ellas implica desacelerar, girar, posiblemente estacionar y, en algunos casos, hacer cola. Estas maniobras consumen tiempo y energía, factores que no suelen reflejarse en los modelos tradicionales.
Para superar esta limitación, el equipo de la Southeast University propone un método de «expresión en tres segmentos». En lugar de ver un viaje a una estación de carga como un simple desplazamiento entre dos puntos de una red vial, lo descompone en tres fases distintas. La primera fase es el movimiento desde un punto de partida —como una casa o un lugar de trabajo— hasta la carretera más cercana. La segunda fase es la conducción convencional a lo largo de la red de carreteras, de una intersección a otra. La tercera y última fase es la aproximación a un destino, ya sea un punto final o una estación de carga. Esta segmentación permite al algoritmo incorporar de forma explícita los costos energéticos y temporales asociados con el acceso a una estación de carga, como la pérdida de velocidad al girar o el tiempo de espera si la estación está ocupada.
Esta metodología transforma el proceso de carga de un evento separado en una elección más natural dentro de la navegación. En este modelo, decidir girar hacia una estación de carga se convierte en una opción de dirección, similar a elegir entre girar a la izquierda o a la derecha en una intersección. Esta simplificación no solo hace que el problema sea más manejable para los algoritmos de inteligencia artificial, sino que también mejora la precisión de las rutas planificadas. Al tratar la carga como una decisión de ruta más, el sistema puede evaluar de forma más efectiva el costo total —en tiempo, distancia y dinero— de diferentes opciones, incluso si no implican la ruta más corta en términos puramente geográficos.
El equipo implementó este modelo utilizando dos enfoques de aprendizaje reforzado: Q-learning y Deep Q-Networks (DQN). Ambos métodos permiten a un agente de inteligencia artificial aprender a tomar decisiones óptimas a través de la experiencia. El agente recibe recompensas por resultados positivos, como llegar a un destino con un mínimo de tiempo, distancia y costo de carga, y penalizaciones por fallos, como quedarse sin batería. El entorno en el que opera el agente está construido sobre la lógica de los tres segmentos, con variables de estado que incluyen la ubicación del vehículo, el nivel de batería, la hora del día, la distancia acumulada y el costo total de carga.
Un aspecto clave del modelo es cómo maneja el proceso de carga en sí. Cuando el vehículo llega a una estación, el algoritmo no solo considera el precio por kilovatio-hora, sino también el tiempo de espera esperado, modelado en función del número de cargadores disponibles y de la demanda actual. También calcula el tiempo necesario para cargar hasta un nivel objetivo, que depende de la potencia del cargador y de la capacidad de la batería. Esta visión holística permite al sistema comparar el costo total de cargar en diferentes estaciones, incluso si no están directamente en la ruta más directa.
Los investigadores probaron su sistema en un entorno simulado que representa un área de 34 kilómetros cuadrados alrededor de la Southeast University. Los resultados mostraron que su enfoque producía consistentemente rutas eficientes bajo diversas condiciones de batería. Por ejemplo, cuando el vehículo partía con solo un 2,8% de carga y necesitaba alcanzar un 3% mínimo al llegar, el algoritmo navegaba con éxito hacia una estación de carga, reponía la energía y completaba el viaje. El modelo DQN, que utiliza redes neuronales para aproximar los valores de decisión, mostró un rendimiento ligeramente mejor en escenarios complejos debido a su capacidad para manejar espacios de estado de alta dimensión y aprender de experiencias pasadas almacenadas en una memoria de repetición.
Lo más significativo es que el estudio demostró que su método superaba a los enfoques convencionales que tratan las estaciones de carga como simples vértices de red. En comparaciones directas, el modelo de expresión en tres segmentos resultó en tiempos de viaje más cortos, menor consumo de energía y menores costos de carga. Esta mejora se deriva de la capacidad del modelo para tener en cuenta las ineficiencias del mundo real al acceder a la infraestructura de carga, algo que los métodos tradicionales pasan por alto. Además, el marco resultó ser transferible: cuando se probó en un área urbana diferente, como alrededor del Parque del Pueblo en Chengdu, el mismo algoritmo se adaptó rápidamente y produjo rutas igualmente optimizadas sin necesidad de cambios estructurales.
Las implicaciones de esta investigación van más allá del ámbito académico. A medida que los fabricantes de automóviles y las empresas tecnológicas compiten por desarrollar sistemas de conducción autónoma y plataformas de movilidad inteligente, la planificación de rutas precisa y realista será esencial. Un vehículo eléctrico autónomo no puede permitirse calcular mal sus necesidades energéticas o no tener en cuenta el tiempo que lleva acceder a una estación de carga. El método de expresión en tres segmentos proporciona una forma más granular y físicamente fundamentada de modelar estas interacciones, lo que podría conducir a sistemas de navegación más fiables y fáciles de usar en los VE del futuro.
Sin embargo, mientras que un software más inteligente ayuda a los conductores a encontrar cargadores, otro estudio, realizado por investigadores de la Changsha University of Science and Technology, revela que el acto de cargar rápidamente plantea desafíos significativos para la red eléctrica. Liderado por Wang Hongbiao, Su Shiping, Hu Yajie y Ouyang Zhenyu, esta investigación, publicada en Electrical Measurement & Instrumentation, investiga los problemas transitorios de calidad de energía causados por las estaciones de carga rápida a gran escala.
A diferencia del proceso de carga lenta en un enchufe doméstico, los cargadores rápidos entregan energía a tasas que superan los 50 kilovatios, y algunos llegan a más de 350 kW. Estos sistemas de alta potencia utilizan electrónica de potencia compleja para convertir la corriente alterna (CA) de la red en corriente continua (CC) adecuada para cargar la batería. Este proceso implica rectificadores, transformadores de alta frecuencia y convertidores CC-CC, todos los cuales dependen del conmutado rápido de dispositivos semiconductores como IGBTs y diodos. Aunque eficiente, este conmutado genera transitorios electromagnéticos: ráfagas breves pero intensas de ruido eléctrico que pueden propagarse por la red.
El equipo de investigación desarrolló un modelo de simulación detallado de una red de distribución que incorpora una estación de carga rápida basada en bus de CC, una topología cada vez más utilizada para integrar fuentes de energía renovable como la energía solar. Su análisis se centró en dos tipos de perturbaciones: caídas de tensión y transitorios electromagnéticos. Las caídas de tensión son reducciones a corto plazo en la magnitud de la tensión, que normalmente duran desde unos pocos milisegundos hasta unos pocos segundos. Pueden ocurrir cuando una carga grande, como una flota de VE que comienza a cargar simultáneamente, extrae una repentina oleada de corriente de la red.
En sus simulaciones, los investigadores observaron que la activación de una estación de carga rápida causaba una caída de tensión inmediata a los 0,1 segundos del proceso. La tensión permanecía por debajo de los niveles nominales durante todo el período de carga y solo se recuperaba cuando la estación se desconectaba. Esta caída sostenida indica que los sistemas de regulación de tensión de la red podrían tener dificultades para responder lo suficientemente rápido a cambios repentinos de carga, especialmente en áreas con generación limitada o infraestructura de red débil.
Más insidiosos son los transitorios electromagnéticos, que se manifiestan como oscilaciones de alta frecuencia o picos de impulso en las formas de onda de tensión y corriente. Estas perturbaciones surgen de las acciones de conmutación dentro de la electrónica de potencia del cargador. El estudio identificó un transitorio de impulso a los 0,105 segundos y un transitorio oscilatorio a los 0,121 segundos después de que la estación se activara. Aunque de corta duración, estos eventos pueden interferir con equipos sensibles como controladores industriales, dispositivos médicos y sistemas de comunicación que comparten la misma alimentación.
La gravedad de estos transitorios aumenta dramáticamente bajo condiciones de fallo. Durante un cortocircuito entre dos fases, por ejemplo, la tensión en las fases afectadas cayó a 0,6 y 0,69 por unidad, respectivamente, mientras que los transitorios electromagnéticos se volvieron más intensos y ocurrieron en momentos diferentes: 0,372 segundos para el impulso y 0,41 segundos para la oscilación. En un fallo de dos fases a tierra, el transitorio oscilatorio apareció aún antes, a los 0,302 segundos, y duró 5 milisegundos. Es notable que los investigadores encontraran que los transitorios no ocurrían durante la extinción de ciertos fallos, lo que sugiere que la configuración de puesta a tierra y el tipo de fallo desempeñan un papel crucial en la generación de transitorios.
Estas conclusiones tienen implicaciones prácticas inmediatas. A medida que las ciudades instalan más estaciones de carga rápida, a menudo agrupadas en áreas comerciales o a lo largo de autopistas, el efecto acumulativo de múltiples cargadores conectándose simultáneamente podría crear una «tormenta perfecta» de caídas de tensión y transitorios, particularmente durante las horas pico de carga por la mañana o por la noche. Sin mitigación adecuada, como restauradores dinámicos de tensión, filtros activos o almacenamiento de energía local, la fiabilidad de la red local podría verse comprometida, lo que podría provocar mal funcionamiento del equipo o incluso apagones.
El estudio también subraya la importancia de las estrategias de carga inteligente. La carga no controlada, o «tonta», donde los vehículos comienzan a cargar tan pronto como se conectan, agrava estos problemas. En contraste, la carga coordinada, donde el momento y la tasa de carga se gestionan mediante comunicación con la red, puede suavizar los perfiles de carga y reducir la probabilidad de perturbaciones severas. La integración de almacenamiento de baterías en las estaciones de carga puede mitigar aún más las corrientes de entrada al proporcionar energía instantánea durante el arranque.
Desde una perspectiva de diseño, la investigación sugiere que los fabricantes pueden mejorar la calidad de la energía optimizando los algoritmos de control, incorporando mecanismos de arranque suave y utilizando componentes de filtrado de mayor calidad. La adopción de semiconductores de banda ancha como el carburo de silicio (SiC) o el nitruro de galio (GaN) también podría reducir las pérdidas por conmutación y las emisiones de transitorios, lo que conduciría a una entrega de energía más limpia.
Las autoridades reguladoras también podrían necesitar actualizar las normas para abordar estos desafíos. Las directrices existentes, como IEEE 1159 e IEC 61000, proporcionan recomendaciones generales para la calidad de la energía, pero podrían no captar completamente el comportamiento dinámico de las estaciones de carga rápida. Los autores recomiendan que futuras revisiones incluyan disposiciones específicas para la infraestructura de carga de VE, particularmente en cuanto a la inmunidad a transitorios y los límites de emisión.
En conjunto, estos dos estudios ilustran la naturaleza multifacética de la transición hacia los VE. Por un lado, algoritmos inteligentes están haciendo que sea más fácil para los conductores navegar por el panorama de carga. Por otro, la realidad física de extraer grandes cantidades de energía de la red exige nuevas soluciones de ingeniería para mantener la estabilidad y la fiabilidad. El trabajo de Song Yuhang, Chen Yufan, Wei Yanling y Gao Shan de la Southeast University ofrece una forma más realista y eficiente de planificar los viajes de VE, mientras que la investigación de Wang Hongbiao, Su Shiping, Hu Yajie y Ouyang Zhenyu de la Changsha University of Science and Technology destaca los costos ocultos de la carga rápida para el sistema eléctrico.
A medida que el mundo avanza hacia la electrificación, ambos aspectos deben abordarse simultáneamente. Los vehículos más inteligentes necesitan redes más inteligentes. La integración de los VE no es simplemente una cuestión de reemplazar motores de combustión interna con baterías; es una transformación de todo el ecosistema energético. Asegurar que esta transformación sea sostenible, eficiente y resistente requerirá una innovación continua no solo en vehículos y tecnología de carga, sino también en la infraestructura y las políticas que los respaldan.
Song Yuhang, Chen Yufan, Wei Yanling, Gao Shan, Southeast University, Journal of Automation of Electric Power Systems, DOI: 10.7500/AEPS20230621004; Wang Hongbiao, Su Shiping, Hu Yajie, Ouyang Zhenyu, Changsha University of Science and Technology, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.06.021