Pronóstico de Carga de VE: ¿Están Listas las Redes?

Pronóstico de Carga de VE: ¿Están Listas las Redes?

Una flota de casi doscientos taxis eléctricos llega a una cochera suburbana. Sus baterías, agotadas tras los turnos nocturnos y el viento gélido, forman cola para una recarga rápida, incrementando instantáneamente la demanda local en más de 3 megavatios. Mientras tanto, un planificador municipal consulta un panel que muestra mapas de calor en tiempo real de la carga de vehículos eléctricos, superpuestos sobre flujos de tráfico y curvas de carga de subestaciones. Un punto caliente pulsa cerca de un centro comercial recién inaugurado: vehículos eléctricos privados permanecen inactivos durante la hora del almuerzo, recargando mientras sus propietarios pasean.

Esta es la nueva normalidad: los vehículos eléctricos ya no solo consumen energía, sino que la reconfiguran. Y a medida que las ventas globales de vehículos eléctricos superaron los 14 millones de unidades en 2024—un 35% más que el año anterior—, el desafío una vez teórico de la integración de los vehículos eléctricos en la red se ha convertido en una realidad operativa urgente. Pero detrás de cada sesión de carga se esconde una maraña de decisiones humanas, variables ambientales y limitaciones infraestructurales. La pregunta ya no es si los vehículos eléctricos impactarán la red, sino con qué precisión podemos anticipar cuándo, dónde y cuánto consumirán, o incluso devolverán.

Entra en juego el paradigma “Vehículo-Calle-Red”: un marco holístico que ahora gana tracción entre investigadores y operadores de red visionarios. Ya no contentos con tratar a los vehículos eléctricos como cargas estáticas y homogéneas (como los antiguos calentadores de agua o unidades de climatización), los ingenieros construyen modelos predictivos que fusionan dinámicas de transporte, psicología del conductor, química de las baterías y señales de precios en tiempo real. Y las consecuencias son graves: los pronósticos inexactos no solo desperdician capacidad, sino que arriesgan caídas de tensión, sobrecargas de transformadores y, en el peor de los casos, apagones localizados durante horas críticas de máxima demanda.

No siempre fue así de complejo.

Hace una década, la mayoría de los estudios de carga de vehículos eléctricos dependían de simulaciones de Monte Carlo—muestreos aleatorios de horarios de salida, distancias de viaje y umbrales de estado de carga (SOC, por sus siglas en inglés) derivados de encuestas de viajes nacionales como la Encuesta Nacional de Viajes por Hogares de EE. UU. (NHTS). Estos enfoques, aunque útiles para una planificación general, sufrían de tres fallos fatales: geografía estática, racionalidad asumida y escasez de datos.

Los primeros modelos trataban las ciudades como zonas uniformes, ignorando cómo un vecindario en una colina de San Francisco o un punto de congestión en una carretera de circunvalación en Berlín alteran la duración del viaje y el uso de energía. Asumían que los conductores siempre se conectarían en la primera oportunidad posible—incluso si sabían que el precio de la electricidad se reduciría a la mitad en tres horas. Y, críticamente, extrapolaban el comportamiento a partir de datos de automóviles de gasolina o pequeñas flotas piloto, mucho antes de que la adopción real de vehículos eléctricos revelara peculiaridades que ninguna encuesta podría capturar: el “acaparador de SOC” que no deja que su batería caiga por debajo del 40%, el trabajador de oficina que omite por completo la carga en casa si su lugar de trabajo ofrece carga gratuita de Nivel 2, o el conductor de Uber que cambia baterías en menos de siete minutos porque el tiempo de inactividad equivale a ingresos perdidos.

“El antiguo enfoque de ‘conectar y rezar’ está obsoleto”, dice la Dra. Jing Han, investigadora de sistemas de energía de la Universidad de Zhengzhou. “No se puede modelar el comportamiento de carga sin modelar por qué la gente conduce, hacia dónde está dispuesta a desviarse y qué tan ansiosa se pone al ver el 18% en el tablero”.

Esa realización ha provocado un cambio metodológico—alejándose de las proyecciones estadísticas aisladas y hacia el acoplamiento espaciotemporal: reconociendo que el tiempo y el espacio no son dimensiones separadas en la carga de vehículos eléctricos, sino hilos profundamente entrelazados.

Considere a una persona usuaria típica. Sale de su apartamento a las 7:45 a.m. (tiempo), dirigiéndose a un campus tecnológico a 12 km de distancia (espacio). En el camino, el tráfico se ralentiza cerca de una zona de construcción—el frenado regenerativo de su automóvil captura algo de energía, pero la calefacción de la cabina (hace -2°C) consume más. Llega a las 8:22 con un 61% de SOC—por encima de su “umbral de ansiedad” autoimpuesto del 50%. Se estaciona, se conecta—no para recargar, sino para acondicionar la cabina para su regreso a las 5:30 p.m. Esa demanda de 3 kW, que dura 45 minutos al mediodía, es invisible para los modelos puros de series de tiempo, pero es una carga significativa para el transformador del edificio de oficinas.

Ahora multiplique eso por miles. Agregue furgonetas de reparto que se cargan entre turnos en centros logísticos. Agregue autobuses municipales que se cargan de manera oportunista durante escalas de 10 minutos. Agregue compradores de fin de semana que permanecen una hora extra porque el centro comercial ofrece carga gratuita—y de repente, la curva de carga no es suave, predecible ni siquiera repetitiva a diario. Late con ritmo humano.

¿La respuesta? Una nueva generación de arquitecturas predictivas—que tratan la ciudad no como una colección de alimentadores y nodos, sino como un sistema vivo.

A la vanguardia está la integración de redes neuronales de grafos (GNN, por sus siglas en inglés) con el modelado de transporte tradicional. Piense en la red de carreteras de una ciudad como un grafo: las intersecciones son nodos, las carreteras son aristas, y el flujo de tráfico, la elevación e incluso el clima en tiempo real se convierten en pesos de las aristas. Cuando un vehículo eléctrico inicia un viaje, su sistema de navegación no solo calcula la distancia más corta, sino que estima el coste energético, teniendo en cuenta gradientes, límites de velocidad y temperatura ambiente (frío = mayor resistencia = más kWh/km). Los modelos avanzados ahora simulan miles de estos viajes simultáneamente, rastreando el SOC de cada vehículo en tiempo real, prediciendo cuándo y dónde buscará energía.

Un marco pionero, denominado “WaveGrid”, combina convoluciones temporales al estilo WaveNet con aprendizaje de grafos adaptativo. A diferencia de los modelos anteriores que asumían relaciones espaciales fijas (por ejemplo, “la Estación A siempre alimenta a la Subestación X”), WaveGrid aprende correlaciones dinámicas: los martes lluviosos, ¿la carga se desplaza de las unidades urbanas al aire libre a los aparcamientos cubiertos? Durante las finales de fútbol, ¿los vehículos eléctricos se agrupan cerca de los estadios o los evitan por completo? El modelo se autoajusta, identificando patrones latentes en la telemetría histórica de cargadores públicos, contadores inteligentes y sistemas de gestión de flotas.

Críticamente, estos modelos no solo ingieren datos, sino que inyectan realismo conductual.

Los investigadores ahora modelan a las personas conductoras como agentes con racionalidad limitada, no como robots maximizadores de utilidad. Utilizando la teoría del arrepentimiento, simulan cómo los usuarios eligen las opciones de carga: no la óptima, sino la que minimiza el arrepentimiento anticipado. (“Si espero 30 minutos por una tarifa más barata, ¿quedaré atrapado en el tráfico y perderé mi reunión?”). Otros incorporan elementos de teoría de juegos: cuando 50 automóviles convergen en una plaza de carga rápida, ¿quién cede? ¿Quién paga una prima para saltarse la cola? La teoría de colas, una vez relegada a la ingeniería de telecomunicaciones, ahora ayuda a predecir los tiempos de espera—y los consiguientes diferimientos de carga—en las redes de cargadores.

Incluso la degradación de la batería está entrando en la ecuación. Una nueva clase de pronósticos “conscientes de V2G” no solo pregunta: “¿Puede este vehículo eléctrico descargar?” sino “¿Su propietario lo permitirá?”—teniendo en cuenta la antigüedad de la batería, los términos de la garantía y los umbrales de compensación personalizados. Las pruebas de campo en Shenzhen sugieren que el 43% de los propietarios de vehículos eléctricos permitirán la descarga de apoyo a la red—si se les compensa con solo ¥0.80/kWh por encima del coste de carga y se les garantiza que no habrá degradación acelerada. Eso es un activo de red voluntario, distribuido en miles de garajes.

Pero los datos por sí solos no son suficientes. Los avances más prometedores unen el modelado mecanicista con el aprendizaje automático—un enfoque híbrido de “IA informada por la física”.

Tomemos la temperatura. En lugar de tratarla como un simple regresor (“más frío = más carga”), los modelos más nuevos incorporan termodinámica de baterías de primeros principios: cómo la resistencia interna de ion-litio aumenta exponencialmente por debajo de 5°C, cómo los ciclos de acondicionamiento de la cabina interactúan con las señales de frecuencia de la red, cómo los sistemas de gestión de baterías (BMS, por sus siglas en inglés) limitan las tasas de carga para proteger las celdas. Estas restricciones físicas actúan como “barreras de protección” para las redes neuronales, evitando predicciones implausibles (por ejemplo, un Modelo 3 consumiendo 250 kW a -15°C en un conector CCS estándar).

De manera similar, las cadenas de viajes—secuencias de viajes vinculadas (casa → trabajo → gimnasio → cena → casa)—ya no se aproximan mediante distribuciones gaussianas. En su lugar, los investigadores construyen procesos de decisión de Markov (MDP, por sus siglas en inglés) donde cada elección de destino depende probabilísticamente de paradas anteriores, el SOC actual, la hora del día e incluso eventos del calendario (vacaciones escolares, conciertos). Un estudio que rastreó 12,000 vehículos eléctricos en tres ciudades europeas encontró que el tiempo de permanencia en el destino—no solo la distancia—es el predictor más fuerte del inicio de la carga. ¿Una parada de 45 minutos para comprar alimentos? Es poco probable que cargue. ¿Una película de 2.5 horas? Casi seguro.

Esta granularidad revela puntos de apalancamiento sorprendentes. Por ejemplo, la carga en el lugar de trabajo—a menudo descartada como menor—resulta ser la clave para aplanar el pico vespertino. Si los empleadores ofrecen carga inteligente de inicio retrasado (por ejemplo, “Su automóvil alcanzará el 90% a las 6 p.m., pero solo consumirá energía entre las 11 p.m. y las 5 a.m.”), pueden desplazar hasta el 68% de la carga del lugar de trabajo del mediodía a las horas de menor demanda—sin incomodar a las personas conductoras. Del mismo modo, la fijación de precios dinámicos en los cargadores públicos no se trata solo del coste; se trata de señalar escasez. Cuando una aplicación en tiempo real muestra “Solo 2 cargadores libres—tiempo de espera estimado: 18 min”, muchos usuarios optan por conducir 1.2 km más hasta una estación menos concurrida, incluso si las tarifas son un 15% más altas. Esa elasticidad espacial, una vez cuantificada, permite a los operadores de red “empujar” las cargas lejos de los alimentadores estresados.

Aún así, persisten brechas significativas, y no son solo técnicas.

Primero, resiliencia ante condiciones climáticas extremas. La mayoría de los modelos se entrenan en condiciones “normales”. Pero a medida que aumenta la volatilidad climática, ¿qué sucede cuando un vórtice polar golpea Dallas o una ola de calor de 45°C cubre Múnich? El rendimiento de la batería se desploma, las cargas de la cabina se disparan y los patrones de viaje cambian dramáticamente (por ejemplo, más viajes cortos y frecuentes para evitar la ansiedad por la autonomía). Sin embargo, pocas herramientas de pronóstico incluyen dinámicas de transición climática—cómo evolucionan las cargas durante el inicio de una tormenta, no solo después de que se estabiliza.

Segundo, el dilema de la descarga. La tecnología Vehículo-a-Red (V2G) promete una flota de baterías distribuidas, pero su adopción sigue siendo glacial. ¿Por qué? Porque los vehículos eléctricos y cargadores actuales no fueron diseñados para el flujo bidireccional. Adaptar un Nissan Leaf para V2G cuesta ~$2,200; el hardware de carga rápida de CC rara vez admite energía inversa. Incluso donde existe el hardware, los esquemas de compensación son opacos. “No quiero vender energía a 8 ¢/kWh y recomprarla a 22 ¢”, bromeó un taxista de Berlín en un grupo de discusión reciente. La fragmentación regulatoria no ayuda: en los EE. UU., ocho estados permiten V2G, doce lo prohíben y el resto guarda silencio.

Tercero—y más insidiosamente—los silos de datos. Las empresas de servicios públicos poseen telemetría de red. Los fabricantes de automóviles poseen datos del vehículo. Las empresas de navegación poseen opciones de ruta. Las redes de carga poseen registros de sesiones. Rara vez se comunican. Como dijo un asesor de políticas de la UE: “Estamos tratando de dirigir una orquesta donde cada músico toca de una partitura diferente y no la comparte”.

Romper estos silos requiere más que API; exige una nueva gobernanza. Los proyectos piloto en los Países Bajos y Ontario ahora utilizan aprendizaje federado que preserva la privacidad: los modelos se entrenan en conjuntos de datos sin que los datos sin procesar abandonen nunca el servidor de su propietario. Los fabricantes de vehículos eléctricos contribuyen con fragmentos anónimos de trayectorias de SOC; los operadores de red contribuyen con caídas de tensión de las subestaciones; el algoritmo encuentra correlaciones sin exponer quién cargó dónde.

De cara al futuro, la convergencia de tres tendencias redefinirá el pronóstico de carga:

Flotas Autónomas: Los robotaxis no tienen “umbrales de ansiedad”. Optimizan puramente para la eficiencia del sistema—cargando solo cuando los precios bajan y se alivia la congestión de la red y su próxima ventana de despacho lo permite. Su previsibilidad podría convertirlos en recursos ideales para el equilibrio de la red—si las empresas de servicios públicos pueden negociar contratos a nivel de flota.
Intercambio de Baterías 2.0: Una vez descartado como marginal, el intercambio de baterías está resurgiendo, especialmente para vehículos eléctricos comerciales. NIO opera ahora más de 2,300 estaciones de intercambio en China; cada una funciona como una carga amortiguada: la demanda de intercambio es instantánea, pero la recarga de la batería se difiere y suaviza. Los pronosticadores ahora deben predecir niveles de inventario de baterías, no solo llegadas de vehículos.
“Gemelos Digitales” con IA: Empresas de servicios públicos como National Grid UK están construyendo réplicas digitales a escala de ciudad—integrando cámaras de tráfico, API meteorológicas, estado del cargador e incluso datos de eventos de redes sociales (por ejemplo, un hashtag de concierto trending). Estos gemelos simulan escenarios de “qué pasaría si”: ¿Qué pasa si retrasamos el 30% de la carga en el lugar de trabajo en 90 minutos? ¿Qué pasa si una tormenta eléctrica repentina deja patinetes eléctricos en tierra, desplazando la demanda a los vehículos eléctricos? Los operadores reales luego actúan sobre las simulaciones con mayor confianza.

Nada de esto reemplaza el juicio humano. El modelo más sofisticado no puede anticipar una tendencia viral en TikTok que envíe a miles de personas a un mercado emergente en un campo rural—de repente tensionando un transformador de 50 años. Ahí es donde brilla el pronóstico probabilístico: en lugar de una única curva de carga, los operadores reciben intervalos de confianza—digamos, “80% de probabilidad de que la demanda máxima se mantenga por debajo de 1.8 MW; 20% de probabilidad de que se dispare a 2.4 MW si una tendencia de festival local se dispara”. Esa incertidumbre no es ruido, es inteligencia procesable.

Como señala el Dr. Yaoqiang Wang de la Universidad de Zhengzhou: “El objetivo no es la predicción perfecta. Es la anticipación resiliente. Nunca eliminaremos la aleatoriedad, pero podemos diseñar sistemas que prosperen dentro de ella”.

El camino por delante está cargado, no solo de electrones, sino de posibilidades. Con cada vehículo eléctrico conectado, no solo estamos repostando un automóvil. Estamos reentrenando la red para que piense como una ciudad: adaptable, interconectada y viva con intención humana.

Zhang Xiawei¹,², Liang Jun¹,²,³, Wang Yaoqiang¹,², Han Jing¹,²
¹ Escuela de Ingeniería Eléctrica y de la Información, Universidad de Zhengzhou, Zhengzhou 450001, China
² Centro de Investigación en Ingeniería de Electrónica de Potencia y Sistemas de Potencia de Henan, Zhengzhou 450001, China
³ Escuela de Ingeniería, Universidad de Cardiff, Cardiff CF24 3AA, Reino Unido
Journal of Modern Power Systems and Clean Energy
DOI: 10.35833/MPCE.2024.000000