Optimización de carga en tres capas para vehículos eléctricos
La revolución de los vehículos eléctricos (VE) está en pleno auge, y con ella crece la necesidad de infraestructuras inteligentes que puedan gestionar eficazmente su integración en las ciudades modernas. A medida que millones de estos vehículos se incorporan a las carreteras, el desafío ya no es solo fabricarlos, sino también gestionar su comportamiento de carga de manera que no sobrecargue ni la red eléctrica ni las redes de transporte urbano. La carga descoordinada, especialmente durante las horas punta, puede provocar fluctuaciones de carga, pérdidas de energía, inestabilidad de tensión e incluso congestión del tráfico alrededor de las estaciones de carga. En respuesta a este complejo problema, un equipo de investigadores de la Universidad de Jiliang de China ha desarrollado un innovador marco de optimización en tres capas, diseñado para equilibrar los intereses de la red eléctrica, la red viaria y los propietarios de vehículos eléctricos.
El estudio, realizado por Wang Haodong, Yu Jiangtao y Zheng Di del Colegio de Ingeniería Mecánica y Eléctrica de la Universidad de Jiliang de China, introduce un método de optimización integral denominado «vehículo-carretera-red». Publicado en la revista Modern Electronics Technique, la investigación presenta un modelo exhaustivo que aborda simultáneamente la estabilidad de la red de distribución, la fluidez del sistema de transporte y la carga económica para los conductores. Al integrar estas tres dimensiones, la estrategia propuesta busca transformar los vehículos eléctricos de posibles disruptores en activos inteligentes y compatibles con la red que contribuyan a un ecosistema urbano más resiliente y eficiente.
El núcleo de la investigación radica en su enfoque multinivel, que reconoce que la carga de vehículos eléctricos no es meramente un evento eléctrico, sino un proceso socio-técnico complejo que involucra energía, movilidad y comportamiento del usuario. Los métodos de optimización tradicionales a menudo han tratado estos aspectos de forma aislada. Algunos estudios se centran en la gestión del lado de la red, utilizando precios por horarios o control directo de carga para desplazar la carga a horas valle. Otros se concentran en la navegación y el enrutamiento, guiando a los conductores a la estación de carga más cercana o menos congestionada. Sin embargo, estos enfoques fragmentados no logran captar la imagen completa. Una ruta que minimiza el tiempo de conducción podría llevar a una estación de carga que ya está sobrecargada, causando largas colas e insatisfacción del usuario. Por el contrario, una estrategia de carga que reduce las pérdidas de red podría dirigir involuntariamente a un gran número de vehículos a un solo lugar, creando embotellamientos de tráfico y anulando los beneficios de la optimización de la red.
El modelo en tres capas propuesto por el equipo de la Universidad de Jiliang de China aborda directamente esta fragmentación. La capa superior del modelo se enfoca en la operación macro del sistema eléctrico. Su objetivo principal es minimizar la varianza de la carga equivalente del sistema durante un período de 24 horas. Este objetivo de «rellenar valles y recortar picos» es crucial para la estabilidad de la red, ya que grandes fluctuaciones en la demanda pueden tensar los transformadores, aumentar las pérdidas de transmisión y elevar el riesgo de apagones. Al optimizar la potencia total de carga y descarga de los vehículos eléctricos en diferentes intervalos de tiempo, la capa superior garantiza que la carga de vehículos eléctricos complemente, y no entre en conflicto con, el perfil de carga natural de la red. Esta capa utiliza un algoritmo de Búsqueda del Cuco (CS), una metaheurística inspirada en la naturaleza conocida por su capacidad para escapar de óptimos locales y encontrar soluciones de alta calidad en espacios de búsqueda complejos. La salida de esta capa es un programa de demanda de potencia total de vehículos eléctricos para cada hora, que sirve como señal directriz para las capas siguientes.
La capa intermedia opera a nivel de la red de distribución. Toma la demanda total de potencia de la capa superior como una restricción y luego asigna esta potencia entre estaciones de carga individuales, optimizando los flujos de potencia activa y reactiva. Este es un avance significativo, ya que la mayoría de los modelos anteriores se han centrado únicamente en la potencia activa. Al incorporar la potencia reactiva, el modelo puede representar con mayor precisión la física del sistema de distribución, lo que lleva a una gestión más eficaz de los perfiles de voltaje y una reducción más sustancial de las pérdidas de potencia activa. El objetivo de la capa intermedia es minimizar la pérdida total de potencia activa en todas las ramas de la red, lo que se traduce directamente en una mayor eficiencia de la red y menores costos operativos para las empresas eléctricas. Para resolver este complejo problema de optimización no lineal, los investigadores emplean técnicas de Relajación de Cono de Segundo Orden (SOCR), que convierten las ecuaciones de flujo de potencia no convexas en una forma convexa que puede resolverse eficientemente utilizando solucionadores comerciales como CPLEX. El resultado es una distribución óptima de potencia para cada estación de carga, asegurando que la red opere dentro de los límites seguros de voltaje y corriente mientras minimiza el desperdicio de energía.
La capa inferior es donde la estrategia se conecta con el conductor individual. Se centra en el costo total de carga del usuario, que es una métrica compuesta que incluye no solo el precio de la electricidad, sino también el valor del tiempo del conductor. Este es un conocimiento crítico, ya que reconoce que para muchos propietarios de vehículos eléctricos, el tiempo es un bien precioso. El costo total se define como la suma del tiempo empleado en conducir a la estación de carga, el tiempo empleado esperando en fila y el costo directo de la electricidad consumida. El modelo utiliza un algoritmo de Dijkstra para encontrar la ruta óptima a través de la red viaria, representada como una matriz de adyacencia donde cada enlace tiene un peso basado en el tiempo de viaje y la congestión. La longitud de la cola en la estación de carga se modela como una función de la tasa de llegada de vehículos, que se ve influenciada por las decisiones de todos los demás conductores en el sistema. Esto crea un bucle de retroalimentación: la elección de una estación de carga afecta su cola, lo que a su vez afecta el costo total para futuros conductores. La capa inferior utiliza la información de asignación de potencia de la capa intermedia para determinar qué estaciones están disponibles y cuánta potencia pueden entregar, asegurando que la estación elegida por el conductor pueda satisfacer realmente sus necesidades de carga. La salida es un plan de carga personalizado que minimiza el costo total del conductor, equilibrando el compromiso entre un viaje más largo a una estación menos concurrida y un viaje más corto a una potencialmente más ocupada.
La integración de estas tres capas es lo que le da poder al modelo. Las capas no son independientes; se comunican e influyen entre sí. La capa superior establece el programa general de potencia, que restringe a la capa intermedia. La asignación de potencia de la capa intermedia determina la disponibilidad y capacidad de las estaciones de carga, que es una entrada clave para la planificación de rutas de la capa inferior. Las decisiones de la capa inferior sobre qué estaciones usarán los conductores retroalimentan al modelo, permitiendo una predicción más precisa de la distribución de carga. Este sistema de bucle cerrado permite una optimización coordinada que sería imposible con un enfoque de una sola capa.
Para validar su modelo, los investigadores realizaron un detallado estudio de simulación basado en un escenario del mundo real en Hangzhou, China. Modelaron un área urbana específica con una red vial compleja dividida en zonas residenciales, comerciales, educativas y recreativas. Se introdujo una flota de 1.000 vehículos eléctricos, todos modelados como vehículos Zeekr 001 con una batería de 100 kWh, en esta red. La infraestructura eléctrica se basó en el sistema de distribución estándar IEEE-33 nodos, aumentado con cinco estaciones de carga de vehículos eléctricos, dos granjas solares fotovoltaicas (PV) y dos turbinas eólicas. Esta configuración permitió a los investigadores estudiar la interacción entre vehículos eléctricos y fuentes de energía renovable, un aspecto clave de una red futura sostenible.
La simulación comparó tres escenarios diferentes para demostrar la efectividad de su método en tres capas. El primer escenario fue una línea base sin vehículos eléctricos conectados a la red. El segundo escenario representó un enfoque de «vehículo-red», donde la carga de vehículos eléctricos se optimizó para beneficio de la red, pero sin considerar la red vial ni los costos del conductor. El tercer escenario fue el modelo completo de «vehículo-carretera-red» propuesto en el artículo.
Los resultados fueron impresionantes. En comparación con la carga descoordinada, la optimización en tres capas redujo la varianza de carga equivalente del sistema en un 72,82%. Este alisado tan dramático de la curva de carga significa que la red experimenta mucho menos estrés, reduciendo la necesidad de costosas plantas de energía de punta y mejorando la fiabilidad general. Aún más impresionante, las pérdidas de potencia activa del sistema se redujeron en un 83,41%. Esta es una medida directa de eficiencia; menos energía se desperdicia como calor en las líneas de energía, lo que se traduce en menores emisiones de carbono y menores costos de electricidad. El modelo también mejoró significativamente la estabilidad del voltaje, reduciendo la desviación de voltaje en más del 72% en comparación con el caso descoordinado, asegurando que todos los usuarios reciban energía dentro de estándares de calidad aceptables.
Desde la perspectiva del conductor, los beneficios fueron igualmente convincentes. Los investigadores compararon tres comportamientos de carga diferentes dentro del marco optimizado. En el primero, los conductores eligieron la estación con el tiempo de conducción más corto, ignorando las longitudes de las colas. En el segundo, eligieron la estación con el tiempo de espera más corto, ignorando la distancia de conducción. En el tercero, utilizaron el modelo completo para minimizar su costo total. Los conductores que solo minimizaron el tiempo de conducción terminaron con largas esperas, haciendo que su tiempo total de viaje y costo fueran más altos. Aquellos que solo minimizaron el tiempo de espera tuvieron que conducir mucho más lejos, aumentando su consumo de energía y tiempo de viaje. Los conductores que utilizaron la optimización en tres capas, sin embargo, lograron el costo total más bajo, reduciéndolo en un 8,89% en comparación con la estrategia de tiempo de conducción más corto y en un 4,51% en comparación con la estrategia de tiempo de espera más corto. Esto demuestra que el enfoque holístico del modelo lleva a mejores resultados para los usuarios individuales al ayudarles a tomar decisiones más inteligentes e informadas.
El éxito de esta investigación radica en su enfoque práctico y equilibrado. No busca maximizar un objetivo a expensas de los demás. En cambio, encuentra una solución óptima de Pareto donde la red, la red vial y los conductores se benefician. Este es un paso crucial hacia la construcción de un ecosistema de vehículos eléctricos verdaderamente sostenible y amigable con el usuario. La capacidad del modelo para reducir las pérdidas de red y la varianza de carga lo hace atractivo para las empresas eléctricas y los operadores del sistema. Su capacidad para prevenir la congestión del tráfico alrededor de las estaciones de carga lo hace valioso para los planificadores urbanos y las autoridades de transporte. Y su capacidad para reducir el costo total de propiedad para los conductores lo hace atractivo para los consumidores, fomentando así una mayor adopción de vehículos eléctricos.
Las implicaciones de este trabajo van más allá de los resultados técnicos inmediatos. Proporciona un plan para cómo las futuras ciudades inteligentes pueden gestionar la integración de nuevas tecnologías. A medida que más y más dispositivos se vuelven conectados e inteligentes, desde vehículos eléctricos hasta hogares inteligentes y vehículos autónomos, la necesidad de una optimización integrada y multinivel solo crecerá. Esta investigación muestra que al construir modelos que reflejan la naturaleza interconectada de la infraestructura moderna, podemos lograr resultados que son mayores que la suma de sus partes.
Aunque el estudio actual es un avance significativo, los autores reconocen sus limitaciones. La simulación se realizó en una red a escala relativamente pequeña, y el modelo asumió una flota homogénea de vehículos eléctricos. En la realidad, las áreas urbanas tienen tipos diversos de vehículos con diferentes necesidades de carga, tamaños de batería y patrones de conducción. Trabajos futuros necesitarán escalar el modelo a redes más grandes y multi-regionales e incorporar un conjunto más diverso de comportamientos de vehículos y usuarios. Además, el modelo podría mejorarse mediante la integración de datos en tiempo real de sensores de tráfico, pronósticos del tiempo y sistemas de monitoreo de redes para crear una plataforma de optimización verdaderamente dinámica y adaptativa.
A pesar de estos desafíos, el método de optimización de carga en tres capas representa un gran paso adelante. Mueve la conversación de simplemente gestionar la carga de vehículos eléctricos a orquestarla inteligentemente como un componente clave de un sistema urbano más grande e integrado. A medida que el mundo continúa su transición hacia la movilidad eléctrica, estrategias como esta serán esenciales para garantizar que los beneficios de los vehículos eléctricos se realicen sin crear nuevos problemas. Al equilibrar las necesidades de la red, la carretera y el conductor, esta investigación ofrece una solución práctica y poderosa para los desafíos de la ciudad del siglo XXI.
Wang Haodong, Yu Jiangtao, Zheng Di, Universidad de Jiliang de China, Modern Electronics Technique, DOI: 10.16652/j.issn.1004⁃373x.2024.10.030