Optimización de almacenamiento para estaciones solares de carga
La movilidad eléctrica está transformando el panorama energético global, impulsada por la creciente adopción de vehículos eléctricos (VE) y la urgencia de alcanzar los objetivos de descarbonización. En este contexto, las estaciones de carga para vehículos eléctricos con sistemas integrados de generación fotovoltaica y almacenamiento de energía (PSCS, por sus siglas en inglés) se han consolidado como una solución clave para garantizar una infraestructura de carga sostenible, eficiente y económicamente viable. Sin embargo, su diseño óptimo enfrenta desafíos significativos derivados de la naturaleza intermitente de la energía solar y el comportamiento impredecible de los usuarios.
Un equipo de investigación liderado por Jiang Yu, de la Escuela de Ingeniería Eléctrica de la Universidad de Tecnología de Nanjing, ha desarrollado un modelo innovador para optimizar la capacidad del sistema de almacenamiento en estaciones PSCS. Este trabajo, publicado en la revista Zhejiang Electric Power, aborda directamente las incertidumbres asociadas con la generación fotovoltaica y los patrones de carga de los usuarios, proponiendo una estrategia que maximiza tanto la rentabilidad económica como los beneficios ambientales. Los coautores del estudio incluyen a Lü Ganyun, Yu Xiangyi y Shan Tingting de la misma institución, Jia Dexiang del Instituto de Investigación Energética de State Grid, y Yu Ming y Wu Qiyu de la sucursal de Lishui de State Grid Jiangsu Electric Power Co., Ltd.
El desafío de la incertidumbre en la energía solar
La principal ventaja de una estación PSCS es su capacidad para generar, almacenar y consumir energía solar localmente, reduciendo así la dependencia de la red eléctrica y las emisiones de carbono. Sin embargo, la cantidad de energía solar disponible varía considerablemente según el clima, la hora del día y la estación del año. Modelos tradicionales de planificación suelen basarse en un «día típico» de irradiación solar, una simplificación que puede conducir a una sobreestimación o subestimación crítica de la capacidad de almacenamiento necesaria.
Un sistema sobredimensionado implica una inversión inicial innecesariamente alta en baterías, lo que perjudica la viabilidad económica del proyecto. Por otro lado, un sistema subdimensionado no podrá satisfacer la demanda de carga durante períodos de baja generación solar o alta demanda, obligando a la estación a comprar electricidad cara de la red y perjudicando su rentabilidad. Para superar esta limitación, Jiang Yu y su equipo recurrieron a un enfoque de escenarios múltiples basado en datos reales.
Utilizaron un algoritmo K-means mejorado para analizar un año completo de datos históricos de producción fotovoltaica de una ciudad del sur de China. A diferencia del algoritmo K-means estándar, que puede producir agrupaciones inestables debido a una selección aleatoria de puntos iniciales, el método mejorado selecciona los centros iniciales basándose en la máxima distancia entre ellos, lo que garantiza una mejor cobertura del conjunto de datos. Además, sustituyeron la distancia euclidiana convencional por una función de kernel gaussiano, que es más adecuada para capturar relaciones no lineales en los datos de irradiación solar.
Este enfoque sofisticado permitió al equipo identificar tres escenarios de producción fotovoltaica distintos, cada uno con su propia probabilidad de ocurrencia:
- Escenario 1 (17.48%): Días nublados o lluviosos con baja producción de energía solar.
- Escenario 2 (27.89%): Días parcialmente nublados con producción media.
- Escenario 3 (54.64%): Días soleados con alta producción de energía solar.
La calidad de esta agrupación se evaluó mediante el coeficiente de silueta, una métrica que mide cuán bien se agrupan los datos. El algoritmo mejorado obtuvo un coeficiente de 0.628, superando significativamente a los métodos tradicionales (K-means: 0.478, K-means++: 0.598). Un coeficiente más alto indica que los datos dentro de cada grupo son más similares entre sí y más distintos de los grupos vecinos, lo que se traduce en escenarios más representativos y fiables. Esta modelización precisa de la incertidumbre solar es fundamental para diseñar un sistema de almacenamiento que sea robusto y eficiente en una amplia gama de condiciones meteorológicas.
Modelado del comportamiento del usuario: más allá del promedio
Si bien la producción solar es un factor de incertidumbre clave, el comportamiento de los usuarios es igualmente impredecible y crítico para la operación de una estación de carga. Suponer que todos los usuarios cargan sus vehículos de la misma manera es una simplificación que conduce a resultados subóptimos. El estudio de Jiang Yu aborda esta complejidad mediante un modelo detallado que clasifica los vehículos en tres categorías principales: autobuses, taxis y vehículos privados, cada uno con patrones de uso y necesidades de carga muy diferentes.
Los autobuses eléctricos operan según horarios fijos y rutas predefinidas. Con un rango diario de entre 140 y 200 kilómetros y una batería de 324 kWh, su alta demanda energética requiere dos ciclos de carga al día: uno durante una pausa diurna para asegurar la operación de la tarde y otro por la noche para prepararse para el día siguiente. Este patrón predecible permite una planificación de carga más sencilla, pero su gran consumo de energía influye significativamente en la carga total de la estación.
Los taxis eléctricos son vehículos de alta utilización, que pueden recorrer hasta 400 km diarios. Al igual que los autobuses, su modelo de negocio depende de una alta disponibilidad, lo que también los obliga a cargar dos veces al día, generalmente durante las pausas para el almuerzo y los cambios de turno nocturno. Evitan cargar durante las horas pico para maximizar sus ingresos, lo que influye en la forma de la curva de carga de la estación.
Los vehículos privados representan el segmento más volátil. Su carga suele ocurrir después del regreso del trabajo o al final de un viaje de fin de semana. Aunque sus necesidades diarias (alrededor de 70 km) son menores que las de los vehículos comerciales, el momento exacto de la carga puede variar enormemente. Para modelar esta variabilidad, los investigadores utilizaron el método de Monte Carlo, simulando miles de escenarios aleatorios basados en distribuciones estadísticas de la hora de regreso a casa y el kilometraje diario. Esto generó una curva de carga agregada mucho más realista que refleja las fluctuaciones naturales de la demanda.
Un aspecto innovador del modelo es la incorporación del efecto de la temperatura ambiental en el consumo de energía del vehículo. Es bien conocido que tanto el frío extremo como el calor intenso reducen la autonomía de los vehículos eléctricos, ya que el sistema de climatización consume una cantidad significativa de energía de la batería. El equipo utilizó una función polinómica cúbica derivada de datos empíricos para cuantificar este efecto, ajustando así el consumo energético por kilómetro según las condiciones climáticas. Este nivel de detalle es crucial para una predicción precisa de la demanda de carga, especialmente en regiones con estaciones marcadas.
La demanda flexible: aprovechando los incentivos económicos
Para aumentar aún más la eficiencia y rentabilidad de la estación PSCS, el estudio incorpora el concepto de respuesta a la demanda (demand response). Este mecanismo utiliza señales de precios, como tarifas horarias (ToU), para influir en el comportamiento de los usuarios y alinear mejor la carga con la disponibilidad de energía solar barata.
El modelo se centra en los vehículos privados, cuyos horarios de carga son más flexibles. Si el precio de la carga es más alto durante las horas pico (por ejemplo, por la tarde), los usuarios pueden tener un incentivo para retrasar su carga hasta las horas valle (por la noche) o hasta que haya más energía solar disponible. Este «desplazamiento de carga» tiene múltiples beneficios: reduce la necesidad de comprar electricidad cara de la red durante las horas pico, mejora la autoconsumo de la energía solar generada durante el día y ayuda a nivelar la curva de carga general, lo que es beneficioso para la estabilidad de la red eléctrica.
Para cuantificar este efecto, los investigadores utilizaron una matriz de elasticidad de precios, que mide cuánto cambia la demanda de carga en un período determinado en respuesta a un cambio de precio en ese mismo período (elasticidad propia) o en un período diferente (elasticidad cruzada). Al optimizar la estructura de precios de la estación, los operadores pueden diseñar incentivos que maximicen el beneficio total, incluso si el precio por kWh se reduce en ciertos momentos, porque el aumento en el volumen de carga puede compensarlo.
Un modelo económico que valora el carbono
La contribución más significativa del estudio radica en su modelo económico integral. El objetivo no es simplemente minimizar el costo de la electricidad comprada, sino maximizar la rentabilidad total mientras se minimizan las emisiones de carbono. Para lograrlo, el modelo incluye explícitamente el costo de las emisiones de carbono como una variable de decisión.
Cuando una estación PSCS necesita comprar electricidad de la red, indirectamente asume la responsabilidad de las emisiones de CO₂ asociadas con la generación de esa electricidad, que depende del mix energético de la red en ese momento (por ejemplo, más carbón por la noche, más renovables durante el día). El modelo asigna un costo por kilogramo de CO₂ emitido, basado en factores de emisión horarios. Este costo se suma al gasto directo de compra de electricidad, creando un incentivo económico poderoso para reducir la dependencia de la red, especialmente durante los períodos de alta intensidad de carbono.
La función objetivo final busca minimizar el costo diario total, que es la suma de:
- Costo de compra de electricidad de la red.
- Costo de las emisiones de carbono.
- Costos de operación y mantenimiento.
- Menos los ingresos por la venta de excedentes de energía solar a la red.
- Menos los ingresos por la prestación de servicios de carga a los usuarios.
Este enfoque holístico garantiza que la solución óptima no solo sea la más barata a corto plazo, sino también la más sostenible y resiliente a largo plazo, al internalizar el impacto ambiental en la toma de decisiones económicas.
Resultados de la simulación: eficiencia y sostenibilidad
El modelo fue probado en un caso práctico: una estación PSCS ubicada en una zona residencial con una capacidad de generación fotovoltaica de 350 kWp. El análisis comparó cinco escenarios diferentes, variando el uso de datos solares (típicos vs. escenarios múltiples) y la inclusión de la respuesta a la demanda.
Los resultados fueron concluyentes. El escenario más avanzado, que combinaba el modelo de escenarios múltiples para la solar y la respuesta a la demanda, determinó una capacidad de almacenamiento óptima de 461 kWh. Este sistema generó un beneficio diario de 4.334,17 yuanes, el más alto de todos los escenarios. En contraste, un sistema que utilizaba datos solares «típicos» requería una batería más grande (496 kWh) y generaba un beneficio menor (4.218,21 yuanes), demostrando la ineficiencia de los modelos simplificados.
El impacto ambiental fue aún más notable. El escenario óptimo también logró la menor emisión diaria de CO₂: 8.218 kg. Esto fue significativamente mejor que los escenarios que no consideraban la incertidumbre solar o la respuesta a la demanda, que superaban las 8.500 kg. Este resultado subraya que una planificación más inteligente no solo es más rentable, sino también más verde.
Hacia un futuro de carga inteligente
El trabajo de Jiang Yu y sus colegas proporciona un marco de planificación riguroso y realista para el despliegue de infraestructura de carga para vehículos eléctricos. Demuestra que la clave para el éxito no reside en la mera instalación de paneles solares y baterías, sino en la aplicación de técnicas de modelado sofisticadas que aborden la incertidumbre inherente a los sistemas energéticos modernos.
La integración de algoritmos de agrupación de datos, simulación estocástica, modelado del comportamiento del consumidor y optimización económica crea una estación de carga que es más que un simple punto de conexión. Se convierte en un nodo inteligente dentro de una red energética más amplia, capaz de tomar decisiones autónomas para maximizar su rendimiento económico y minimizar su huella de carbono.
A medida que el mercado de los vehículos eléctricos madure, estudios como este serán esenciales para guiar a los desarrolladores, operadores de redes y formuladores de políticas. La transición energética requiere soluciones que sean no solo tecnológicamente avanzadas, sino también económicamente sostenibles y socialmente viables. Este modelo representa un paso significativo en esa dirección, sentando las bases para una red de carga para vehículos eléctricos que es verdaderamente inteligente, limpia y eficiente.
Jiang Yu, Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu, Shan Tingting, Escuela de Ingeniería Eléctrica, Universidad de Tecnología de Nanjing; Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405002