Predicción de carga de vehículos eléctricos en zonas rurales mediante IA
La rápida adopción de vehículos eléctricos (VE) en las zonas rurales, impulsada por políticas gubernamentales de descarbonización y sostenibilidad, está transformando no solo los hábitos de movilidad, sino también la estructura y el funcionamiento de las redes eléctricas locales. A diferencia de las ciudades, donde la infraestructura de carga está más desarrollada y la densidad de usuarios es alta, las áreas rurales presentan un escenario mucho más complejo: redes eléctricas extensas, líneas de distribución largas, topologías irregulares y una carga distribuida que varía enormemente en el tiempo y el espacio. Predecir con precisión cuándo, dónde y con qué intensidad se cargarán los vehículos eléctricos en estos entornos es fundamental para garantizar la estabilidad de la red, evitar sobrecargas y planificar inversiones en infraestructura.
En un avance significativo en este campo, los investigadores Wang Zilong, de la State Grid Corporation of China, y Huang Li, del Departamento de Ingeniería Eléctrica de la Southeast University, han desarrollado un modelo de inteligencia artificial altamente sofisticado que promete revolucionar la forma en que las compañías eléctricas gestionan la carga de vehículos eléctricos en el entorno rural. Su estudio, publicado en la revista Power Demand Side Management, introduce un nuevo enfoque basado en una red neuronal híbrida que combina las fortalezas del aprendizaje profundo con una comprensión profunda de la estructura física de las redes de distribución.
El modelo, denominado Red Temporal de Convolución de Grafos Modificada (Modified Graph Temporal Convolutional Network, MGTCN), no es simplemente una herramienta de predicción estadística, sino un sistema inteligente capaz de entender las complejas interacciones entre el comportamiento del usuario, la topología de la red eléctrica y los patrones temporales de consumo. Este enfoque representa un salto cualitativo frente a los métodos tradicionales, que a menudo se centran únicamente en las series temporales de carga, ignorando el contexto espacial crítico en el que ocurre la carga.
El desafío principal que aborda este modelo es la naturaleza dual de la carga de vehículos eléctricos: es un fenómeno que ocurre en el tiempo (cuándo se carga) y en el espacio (dónde se carga). En las zonas rurales, una concentración de carga en un solo pueblo puede provocar caídas de tensión, sobrecalentamiento de transformadores o aumentos significativos en las pérdidas de red, afectando a comunidades vecinas a pesar de que el consumo total de la región pueda parecer manejable. Los modelos convencionales, como las redes neuronales recurrentes (LSTM), son excelentes para captar patrones temporales, pero carecen de la capacidad para modelar las relaciones espaciales entre diferentes nodos de la red.
Aquí es donde entra en juego la innovación central del modelo MGTCN. Su primer componente, la Red de Convolución de Grafos (GCN), se encarga precisamente de la dimensión espacial. La red eléctrica rural se modela como un «grafo», una estructura matemática compuesta por nodos (como subestaciones, transformadores y hogares) y enlaces (las líneas eléctricas que los conectan). Esta representación permite al modelo aprender cómo un aumento en la carga en un nodo específico puede influir en los nodos adyacentes. Por ejemplo, si diez vehículos eléctricos en un pueblo comienzan a cargarse simultáneamente por la noche, el modelo puede predecir cómo esa carga extra se propagará a través de las líneas de distribución y afectará la tensión en otros pueblos conectados al mismo transformador. Esta capacidad de modelar la dependencia espacial es crucial para una gestión proactiva de la red.
El segundo componente, la Red de Convolución Temporal (TCN), se especializa en el análisis de la dimensión temporal. A diferencia de las redes recurrentes, que procesan los datos secuencialmente y pueden sufrir problemas de memoria a largo plazo, las TCN utilizan una técnica llamada «convolución dilatada causal» que les permite examinar grandes ventanas de tiempo de manera eficiente. Esto les permite detectar patrones complejos, como picos de carga recurrentes en ciertas horas del día, variaciones semanales (más carga los fines de semana) o incluso efectos estacionales. Por ejemplo, el modelo puede aprender que en invierno, la carga aumenta no solo por el uso del vehículo, sino también porque los propietarios necesitan más energía para calentar la batería y el interior del coche, lo que prolonga el tiempo de carga.
La verdadera genialidad del modelo MGTCN radica en la fusión de estos dos componentes y en la adición de un «mecanismo de atención». Este mecanismo actúa como un filtro dinámico, permitiendo al modelo asignar automáticamente diferentes niveles de importancia a las diversas características de entrada en cada momento. En la práctica, esto significa que el modelo puede decidir, por ejemplo, que durante una ola de frío, la temperatura exterior es un factor mucho más influyente en el comportamiento de carga que el precio de la electricidad. En otro escenario, si hay una tarifa nocturna muy baja, el modelo puede dar más peso al precio, anticipando una oleada de carga durante las horas de madrugada. Esta capacidad de adaptación y priorización es lo que eleva la precisión del modelo a niveles excepcionales.
Para probar la eficacia de su modelo, los investigadores utilizaron una red de distribución rural modificada basada en el estándar IEEE-123, una topología comúnmente utilizada en investigaciones de sistemas de potencia. Esta red simuló un área con cuatro pueblos, una tensión base de 4,16 kV y una carga total de 1,40 + j0,77 MW. Se simularon 2.000 vehículos, de los cuales el 10% eran eléctricos, con patrones de conducción y carga basados en estudios empíricos del comportamiento del usuario. Los datos de entrenamiento abarcaban 91 días con una resolución de 15 minutos, lo que proporcionó una base de datos rica y detallada.
Los resultados de la prueba fueron concluyentes. El modelo MGTCN superó significativamente a otros modelos de referencia, incluyendo LSTM, GCN, TCN y una versión básica de GCN-TCN. La métrica clave, el Error Medio Absoluto Porcentual (MAPE), se redujo al 4,06%. Esta cifra representa una mejora del 39,49% en comparación con el modelo LSTM y del 33,11% en comparación con el TCN. El coeficiente de determinación (R²) alcanzó un impresionante 99,67%, lo que indica que el modelo explica casi toda la variabilidad presente en los datos de carga. Esta precisión es un logro notable, ya que proporciona a las empresas eléctricas una herramienta fiable para la toma de decisiones.
Uno de los hallazgos más reveladores del estudio fue la identificación de un patrón de carga temporal distintivo en las zonas rurales: un perfil de «doble pico, doble valle». El análisis mostró que el pico de carga más alto del día ocurre entre las 23:00 y las 24:00, coincidiendo con las horas de tarifa baja. En un día laborable típico, este pico nocturno alcanzó los 336,09 kW, lo que representa un aumento del 122,05% en comparación con el pico del mediodía. Este comportamiento se debe principalmente a que la mayoría de los usuarios rurales cargan sus vehículos en casa durante la noche, aprovechando las tarifas reducidas y utilizando cargadores de nivel 1 o 2, que son más lentos pero adecuados para cargas prolongadas.
La distribución espacial de esta carga fue igualmente reveladora. La carga no estaba uniformemente distribuida, sino que se concentraba en «puntos calientes» específicos, probablemente asociados con pueblos que tenían una mayor densidad de vehículos eléctricos o puntos de carga comunitarios. Esta concentración crea una presión desigual sobre la red, donde algunos transformadores pueden estar al límite de su capacidad, mientras que otros operan con holgura. Este hallazgo subraya la importancia de la predicción espacial, ya que una gestión eficaz requiere intervenciones localizadas, no soluciones de red generales.
El estudio también exploró el impacto de diferentes niveles de penetración de vehículos eléctricos. Las simulaciones se realizaron con tasas del 10%, 20% y 40%. Con un 10% de penetración, la red permaneció estable, con un rango de carga pico-valle de 0,99 MW y todos los voltajes dentro de los límites aceptables. Con un 20%, se observaron signos de tensión, con el rango de carga que aumentaba a 1,11 MW. Sin embargo, el umbral crítico se alcanzó con un 40% de penetración. En este escenario, el rango de carga pico-valle se disparó a 1,48 MW, un aumento del 49,49% respecto al escenario del 10%. Lo más preocupante fue que el voltaje mínimo en varios nodos cayó por debajo del umbral estándar de 0,95 p.u. (por unidad), llegando a 0,9182 p.u. La tasa de conformidad de voltaje, que mide la proporción de nodos que cumplen con los estándares, se desplomó al 40,65%. Las pérdidas de red también aumentaron significativamente, del 4,07% al 5,90%.
Estos resultados envían un mensaje claro: el impacto de los vehículos eléctricos en las redes rurales no es lineal. A tasas bajas de penetración, los efectos pueden ser manejables con estrategias de carga inteligente. Sin embargo, a tasas más altas, la red enfrenta riesgos reales de inestabilidad, daño a los equipos y una calidad de energía deficiente. El modelo MGTCN ofrece una solución proactiva. Al predecir con precisión estos picos y concentraciones, permite a las empresas eléctricas implementar medidas de mitigación antes de que ocurran los problemas. Esto incluye la planificación de la expansión de la capacidad del transformador en áreas de alto riesgo, la implementación de reguladores de voltaje dinámicos o la creación de programas de precios dinámicos para desincentivar la carga simultánea.
El mecanismo de atención del modelo también proporciona una valiosa transparencia. No solo dice cuánta carga habrá, sino también por qué. Puede señalar que una predicción de alto consumo se debe principalmente a una ola de frío, lo que permite a los planificadores preparar recursos adicionales. Esta interpretabilidad es esencial para ganar la confianza de los operadores de red y los responsables de la toma de decisiones.
Más allá de la predicción, esta investigación tiene profundas implicaciones para la política energética. Mientras los gobiernos promueven activamente la adopción de vehículos eléctricos en las zonas rurales, este estudio demuestra que dicha promoción debe ir acompañada de una inversión paralela en la modernización de la red. Sin esta inversión, el sueño de una movilidad limpia podría verse frustrado por apagones y facturas de electricidad más altas. La investigación de Wang Zilong y Huang Li no solo es un logro técnico, sino también una llamada a la acción para una planificación energética coordinada y sostenible.
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014