Optimización de infraestructura para vehículos eléctricos rurales
Un nuevo estudio publicado en la revista Northeast Electric Power Technology ha presentado un marco integral para la planificación de estaciones de carga para vehículos eléctricos (VE) y sistemas fotovoltaicos distribuidos en redes eléctricas rurales. Liderada por ZHANG Hui del Instituto de Ingeniería de Shenyang y la Compañía de Suministro de Energía de Chengde de State Grid, en colaboración con WANG Cunxu y WANG Liang, esta investigación aborda uno de los desafíos más urgentes en la transición energética de China: cómo expandir la infraestructura de VE hacia áreas rurales sin comprometer la estabilidad de la red ni la eficiencia económica.
A medida que China avanza hacia sus ambiciosos objetivos de «doble carbono», con la meta de alcanzar el pico de emisiones de carbono para 2030 y la neutralidad de carbono para 2060, la electrificación del transporte se ha convertido en una prioridad nacional. Si bien las zonas urbanas han experimentado una rápida expansión de las redes de carga para VE, las regiones rurales han quedado rezagadas. Esta disparidad no es solo un problema de acceso; refleja desafíos técnicos, económicos e infraestructurales más profundos. Las redes eléctricas rurales, diseñadas tradicionalmente para una baja densidad de carga asociada a actividades agrícolas y residenciales, no están preparadas para soportar el aumento repentino en la demanda que podría generar una adopción masiva de vehículos eléctricos. Además, la integración de fuentes de energía renovable, como la energía solar en techos, añade otra capa de complejidad debido a su naturaleza intermitente.
Este estudio aborda directamente estos desafíos mediante la propuesta de un modelo de optimización novedoso de dos niveles que considera simultáneamente la viabilidad económica y la seguridad de la red. En su esencia, el modelo se basa en una comprensión profunda del comportamiento del usuario rural, un factor a menudo ignorado en los enfoques tradicionales centrados en entornos urbanos. Al incorporar la teoría de cadenas de viaje —un método que mapea la secuencia y el momento de los desplazamientos diarios—, los investigadores pudieron simular patrones de carga de VE realistas en entornos rurales. A diferencia de los habitantes de las ciudades, que suelen desplazarse durante las horas pico de la mañana y la tarde, los residentes rurales tienden a viajar más tarde por la mañana y regresar antes por la tarde, principalmente para visitar a familiares, asistir a mercados o realizar actividades agrícolas. Este comportamiento de viaje distintivo influye significativamente en cuándo y dónde surge la demanda de carga.
Para capturar la aleatoriedad inherente y la variabilidad tanto en el uso del VE como en la generación solar, el equipo empleó simulaciones de Monte Carlo y muestreo por hipercubo latino. Estas técnicas estadísticas avanzadas les permitieron generar una amplia gama de escenarios posibles, garantizando que el modelo de planificación sea robusto frente a la incertidumbre. Para la energía solar, los investigadores utilizaron el agrupamiento k-means para identificar cinco patrones típicos de producción diaria, cada uno con su propia probabilidad de ocurrencia. Este enfoque permite a los planificadores tener en cuenta diferentes condiciones climáticas y variaciones estacionales sin sobrecargar el modelo.
El núcleo del estudio es su modelo de programación bi-nivel multiobjetivo. El nivel superior del modelo se centra en minimizar el costo anual total para la sociedad, que incluye no solo los gastos directos de construcción y mantenimiento de las estaciones de carga, sino también los costos indirectos soportados por los usuarios y la red eléctrica. Estos costos indirectos, a menudo ignorados en la planificación tradicional, son críticos para una evaluación holística. Por ejemplo, el tiempo que los usuarios pasan viajando a las estaciones de carga y esperando representa una carga económica real, especialmente en áreas de baja densidad poblacional donde las distancias son mayores. De manera similar, la tensión que la carga de VE ejerce sobre la red —manifestada en pérdidas de energía y fluctuaciones de voltaje— tiene implicaciones financieras que deben ser incorporadas en el proceso de planificación.
El nivel inferior del modelo cambia el enfoque de la economía al rendimiento técnico. Su objetivo es minimizar las pérdidas de potencia activa y las desviaciones de voltaje en la red de distribución. Este doble objetivo asegura que la red permanezca estable y eficiente incluso bajo una alta penetración de VE y una producción solar fluctuante. La inclusión de la estabilidad de voltaje como un criterio clave es particularmente importante para las redes rurales, que a menudo operan cerca de los límites inferiores de los niveles de voltaje aceptables. Aumentos repentinos de carga debido a la carga de VE pueden sacar a estos sistemas de cumplimiento, causando daños a los equipos y una mala calidad de energía para los consumidores.
Para resolver este complejo problema de optimización, los investigadores desarrollaron un algoritmo híbrido que combina las fortalezas de los diagramas de Voronoi y una versión mejorada del algoritmo de optimización por enjambre de partículas (PSO). Los diagramas de Voronoi, una herramienta geométrica que divide el espacio en regiones basadas en la proximidad a un conjunto de puntos, se utilizan para definir las zonas de servicio de cada estación de carga. Esto asegura que cada punto de demanda sea asignado a la estación más cercana disponible, creando una distribución espacial natural y eficiente. Mientras tanto, el algoritmo PSO mejorado maneja la búsqueda global de la solución óptima. Al ajustar dinámicamente el peso de inercia y los coeficientes de aceleración, el algoritmo evita quedar atrapado en óptimos locales —una trampa común en los métodos PSO tradicionales— y converge más rápido y de manera más confiable a la mejor configuración posible.
La aplicación práctica de este modelo se demostró mediante un estudio de caso en un distrito rural recientemente desarrollado que abarca aproximadamente 60 kilómetros cuadrados. El área, servida por un sistema de distribución modificado de 33 nodos, cuenta con 49 nodos en la red vial y una mezcla de uso de suelo residencial, agrícola y comercial. Después de ejecutar extensas simulaciones, el modelo determinó que el número óptimo de estaciones de carga para esta región es cinco. Menos estaciones conducirían a tiempos excesivos de viaje para los usuarios y congestión, mientras que más estaciones aumentarían los costos de construcción y operación más allá del punto de rendimientos decrecientes.
El costo anual total para la sociedad bajo esta configuración óptima se calculó en 5,29 millones de yuanes. Esta cifra se desglosa en varios componentes: 7,4 millones de yuanes para construcción y mantenimiento (amortizados durante 20 años), 3,67 millones de yuanes para el tiempo de viaje del usuario, 1,05 millones de yuanes por penalizaciones por desviación de voltaje y 3,88 millones de yuanes por pérdidas de energía en la red. Aunque algunos de estos costos individuales puedan parecer altos, la idea clave es que su suma se minimiza, reflejando un equilibrio entre los intereses de diferentes partes interesadas. Por ejemplo, agregar una sexta estación podría reducir el tiempo de espera del usuario, pero el costo adicional de construcción y las pérdidas en la red superarían los beneficios, llevando a un costo total más alto.
La distribución espacial de las cinco estaciones revela un patrón claro de optimización de zonas de servicio. La zona de servicio más grande, coloreada de rojo en las figuras del estudio, cubre 22 puntos de demanda y requiere 18 unidades de carga, reflejando la alta concentración de actividad en esa parte del distrito. En contraste, la zona más pequeña, coloreada de azul, sirve solo a dos puntos de demanda y requiere solo siete unidades de carga. Este enfoque granular y basado en datos asegura que los recursos se asignen donde más se necesitan, evitando las ineficiencias de una estrategia de despliegue uniforme.
Quizás la contribución más significativa del estudio radica en su tratamiento de la estabilidad de la red. Los investigadores encontraron que, sin una optimización adecuada de la potencia reactiva, la integración de VE y paneles solares podría provocar severas fluctuaciones de voltaje y pérdidas de energía sustanciales. En su simulación, el sistema no optimizado experimentó una pérdida máxima de potencia activa de 0,386 megavatios y una pérdida total diaria de 4,471 megavatios-hora. Después de aplicar el algoritmo de optimización propuesto, estas cifras se redujeron a 0,271 megavatios y 2,849 megavatios-hora, respectivamente —una reducción de casi el 37 por ciento. Esta mejora no solo ahorra energía, sino que también prolonga la vida útil del equipo de la red y mejora la calidad del servicio para todos los clientes.
La estabilidad de voltaje mostró ganancias similares. Antes de la optimización, el voltaje en el nodo 18 bajó por debajo de 0,93 por unidad, quedando fuera del rango aceptable de 0,93 a 1,05 por unidad. Después de la optimización, el voltaje se elevó a 0,95 por unidad, eliminando el riesgo de condiciones de bajo voltaje. La desviación total de voltaje en toda la red se redujo en más del 40 por ciento, de 36,638 a 21,739 por unidad-hora. Estos resultados demuestran que, con la planificación y estrategias de control adecuadas, las redes rurales pueden acomodar altos niveles de recursos energéticos distribuidos sin comprometer la confiabilidad.
El éxito del algoritmo PSO mejorado también fue evidente en su comportamiento de convergencia. A diferencia del PSO estándar, que rápidamente se estancó en una solución subóptima, la versión mejorada continuó refinando su búsqueda durante todo el proceso de iteración. Esta capacidad para escapar de óptimos locales y explorar el espacio de soluciones de manera más exhaustiva es crucial para resolver problemas del mundo real con muchas variables y restricciones. La combinación con los diagramas de Voronoi mejoró aún más el rendimiento del algoritmo al proporcionar una manera estructurada de explorar diferentes configuraciones espaciales.
Esta investigación tiene implicaciones importantes para responsables políticos, compañías de servicios públicos y fabricantes de automóviles. Para los gobiernos, proporciona una metodología científicamente sólida para asignar fondos públicos a la infraestructura de carga rural. En lugar de confiar en cuotas arbitrarias o consideraciones políticas, los planificadores ahora pueden usar modelos basados en datos para identificar las ubicaciones y capacidades más rentables para nuevas estaciones. Para las compañías eléctricas, el estudio ofrece una hoja de ruta para modernizar las redes rurales para manejar cargas futuras, no solo de VE sino también de otras formas de generación distribuida. Y para los fabricantes de automóviles, señala que el mercado de VE está expandiéndose más allá de las ciudades, creando nuevas oportunidades en regiones desatendidas.
El estudio también destaca la importancia de la colaboración interdisciplinaria para abordar desafíos energéticos complejos. El equipo reunió experiencia en ingeniería de sistemas de potencia, modelado de transporte y optimización computacional para crear una solución integral. Este enfoque integrador es cada vez más necesario a medida que los límites entre diferentes sectores —electricidad, transporte y tecnología de la información— se desdibujan en la era de las redes inteligentes y los vehículos conectados.
Mirando hacia el futuro, los investigadores sugieren varias vías para trabajos futuros. Una es incorporar mecanismos de respuesta a la demanda, permitiendo que la carga de VE se traslade a momentos en que la generación solar es alta y la carga de la red es baja. Otra es considerar sistemas de almacenamiento de baterías en las estaciones de carga, que podrían suavizar aún más los flujos de energía y proporcionar energía de respaldo durante los apagones. Además, el modelo podría ampliarse para incluir otros tipos de recursos energéticos distribuidos, como turbinas eólicas o generadores de biomasa, haciéndolo aplicable a una gama más amplia de entornos rurales.
En conclusión, el estudio de ZHANG Hui, WANG Cunxu y WANG Liang representa un paso significativo adelante en la planificación de la infraestructura rural para VE. Al combinar modelado del comportamiento, simulación estocástica y técnicas avanzadas de optimización, han desarrollado una herramienta práctica y efectiva para equilibrar objetivos económicos y técnicos. Su trabajo no solo avanza la literatura académica, sino que también proporciona conocimientos accionables para profesionales que trabajan para construir un futuro energético más sostenible y equitativo. A medida que China continúa su camino hacia la neutralidad de carbono, estudios como este desempeñarán un papel vital para asegurar que ninguna comunidad quede atrás en la revolución de la energía limpia.
ZHANG Hui, WANG Cunxu, WANG Liang, Northeast Electric Power Technology, DOI: 10.19759/j.nep.2024.07.002