Vehículos Eléctricos y 5G, Aliados para Redes Más Inteligentes
Una innovadora investigación de la Universidad del Sudeste está redefiniendo el papel de las infraestructuras modernas en la transición energética. Un equipo de científicos liderado por Zhang Xinyu, del Departamento de Ingeniería Eléctrica, ha demostrado cómo la fusión de dos tecnologías omnipresentes en la vida urbana —los vehículos eléctricos (VE) y las estaciones base de redes 5G— puede crear una solución revolucionaria para los desafíos de estabilidad y eficiencia de las redes eléctricas. Publicado en la prestigiosa revista Power System Technology, el estudio presenta un modelo de toma de decisiones que permite a los agregadores de energía aprovechar el potencial combinado de estas baterías distribuidas, transformándolas en una fuerza coordinada y altamente rentable en los mercados eléctricos.
El argumento central de la investigación es tan elegante como poderoso: mientras el mundo se electrifica y se conecta a velocidades sin precedentes, dos flotas masivas de baterías están surgiendo de forma paralela. Al final de 2022, China contaba con más de 10 millones de vehículos eléctricos en circulación y más de 2,3 millones de estaciones base 5G. Cada uno de estos vehículos y cada una de estas estaciones alberga una batería de iones de litio, un recurso de almacenamiento electroquímico que, de forma aislada, es demasiado pequeño para tener un impacto directo en el mercado mayorista de electricidad. Sin embargo, cuando se agrupan y gestionan de forma inteligente, su potencial colectivo para proporcionar servicios de flexibilidad a la red es inmenso. La innovación no reside solo en la idea de la agregación, sino en cómo se superan las incertidumbres inherentes a la participación en mercados dinámicos.
La participación de un agregador en el mercado eléctrico es un ejercicio de equilibrio constante sobre un cable de alta tensión. Debe hacer ofertas para el día siguiente basándose en predicciones de precios, pero también debe gestionar recursos cuyo comportamiento es inherentemente impredecible. ¿Cuándo llegará un vehículo eléctrico a una estación de carga? ¿Con qué nivel de carga y con qué hora de salida programada? ¿Qué tan dispuesto estará el propietario del vehículo a permitir que su batería se utilice para servicios de red? Por otro lado, las estaciones base 5G tienen un patrón de carga predecible, ligado al tráfico de datos, pero su función principal es garantizar la continuidad del servicio de telecomunicaciones, lo que significa que siempre deben mantener una reserva mínima de energía para hacer frente a cortes de suministro. Además, los precios de la energía y de los servicios de regulación de frecuencia fluctúan constantemente. Estas capas de incertidumbre han limitado la efectividad de los métodos tradicionales de planificación.
Los enfoques convencionales se dividen en tres categorías principales. La optimización estocástica (SO) utiliza datos históricos y supuestos sobre distribuciones de probabilidad para calcular un beneficio esperado. Aunque es potente, su rendimiento depende críticamente de la calidad y cantidad de los datos, y puede fallar espectacularmente si el futuro se desvía de los patrones pasados. La optimización robusta (RO) adopta una postura defensiva, diseñando estrategias que funcionen incluso en el peor de los casos. Aunque esto garantiza la seguridad, conduce a decisiones excesivamente conservadoras que sacrifican rentabilidad. La optimización robusta distribucional (DRO) intenta encontrar un punto intermedio, considerando un conjunto de posibles distribuciones de probabilidad, pero aún requiere una estimación precisa de este conjunto, lo que puede ser tan difícil como el problema original.
Ante estas limitaciones, Zhang Xinyu y su equipo proponen un paradigma radicalmente diferente: la optimización por satisfacción robusta (Robust Satisficing, RS). Este modelo no busca el beneficio máximo posible, sino que invierte la lógica. Primero, el agregador establece un objetivo de beneficio aceptable. Luego, el modelo no maximiza el beneficio, sino que maximiza la robustez —la capacidad del sistema para alcanzar ese objetivo de beneficio a pesar de cualquier desviación de las predicciones. En lugar de depender de distribuciones de probabilidad complejas, el modelo introduce un «factor de impacto adversarial», un indicador que mide directamente cuán sensible es el sistema a las incertidumbres. El objetivo se convierte entonces en minimizar esta sensibilidad.
Esta filosofía de diseño es profundamente pragmática. En lugar de apostar por un escenario ideal, el modelo RS se centra en la resiliencia. No importa si los precios del mercado se comportan de manera inesperada o si los patrones de carga de los vehículos eléctricos cambian repentinamente; el modelo está diseñado para mantener el rendimiento lo más cerca posible del objetivo deseado. Esta característica lo hace particularmente adecuado para el mundo real, donde los eventos inesperados son la norma, no la excepción.
Las pruebas de simulación realizadas por el equipo de la Universidad del Sudeste proporcionan una validación contundente de la superioridad del modelo RS. En un escenario basado en el mercado de servicios auxiliares PJM, el modelo RS fue comparado con SO, RO y DRO bajo 1.000 escenarios de prueba diferentes. Los resultados fueron concluyentes. El modelo RS no solo generó el beneficio neto promedio más alto, sino que también exhibió la menor variabilidad en sus resultados. En comparación directa con el modelo DRO, que se considera un estándar de oro, el RS aumentó el beneficio real obtenido en un asombroso 76,92%, mientras que reducía la desviación estándar en un 11,05%. Lo más revelador fue que, cuando se evaluó el rendimiento del DRO bajo las mismas condiciones, su beneficio fue un 130,79% más bajo que el del RS. Este desfase demuestra que la teoría robusta puede no traducirse en un rendimiento práctico superior, y que el enfoque RS, al centrarse en la robustez del resultado, es más efectivo.
Más allá de la rentabilidad, el modelo RS también destaca en la calidad del servicio. La regulación de frecuencia, un servicio crítico para mantener la estabilidad de la red, se remunera no solo por la capacidad ofrecida, sino también por la precisión con la que se sigue la señal de control. El modelo RS logró una puntuación de precisión promedio del 91,27%, con una fluctuación mínima. En contraste, el modelo SO mostró la puntuación más baja y la mayor volatilidad, lo que lo hace inadecuado para mercados con penalizaciones severas por bajo rendimiento. Esta confiabilidad es esencial para los agregadores, ya que les permite cumplir con sus contratos y mantener una reputación sólida en el mercado.
El verdadero salto cualitativo de la investigación, sin embargo, es la co-optimización de los vehículos eléctricos y las estaciones base 5G. El estudio compara tres escenarios: operar solo con vehículos eléctricos, solo con estaciones base, y una flota combinada. Los resultados muestran un claro efecto de sinergia. La suma de los ingresos de los dos recursos operando de forma independiente fue de 1.548,89 dólares. Cuando se gestionaron conjuntamente, el ingreso total ascendió a 2.012,47 dólares, un aumento del 29,93%. Esta ganancia sustancial se deriva de una complementariedad temporal fundamental entre los dos tipos de recursos.
Las estaciones base 5G tienen su mayor demanda de energía durante las horas pico de tráfico de datos, principalmente durante la tarde y la noche. Durante estos periodos, su capacidad de almacenamiento debe reservar energía para garantizar la continuidad del servicio, lo que limita su flexibilidad para participar en el mercado. Paralelamente, muchas personas regresan a casa del trabajo por la tarde y conectan sus vehículos eléctricos. Sus baterías, a menudo parcialmente descargadas, tienen un gran potencial para absorber energía (regulación descendente) o, si tienen carga suficiente, para inyectar energía en la red (regulación ascendente). Por la madrugada, cuando el tráfico de datos es bajo y las estaciones base tienen más capacidad de maniobra, la mayoría de los vehículos eléctricos ya están completamente cargos y no pueden absorber más energía. En este momento, la capacidad de reserva de las baterías de las estaciones base puede utilizarse para estabilizar la red, mientras que los vehículos eléctricos actúan como un soporte pasivo.
Esta sincronización permite al agregador actuar de forma estratégica. Puede utilizar las baterías de las estaciones base para absorber energía barata de fuentes renovables durante la noche y las baterías de los vehículos para suministrar energía cara durante las horas pico. La operación conjunta crea un sistema de equilibrio interno. Si un recurso se acerca a sus límites operativos debido a su participación en el mercado, el otro puede compensar. Esto reduce la necesidad de comprar energía costosa en el mercado en tiempo real para corregir desequilibrios, aumentando así la eficiencia general y la rentabilidad del agregador.
Otro hallazgo clave es la flexibilidad en el perfil de potencia base. Las estrategias tradicionales se centran en el arbitraje de precios, comprando barato y vendiendo caro. Sin embargo, el modelo RS revela una estrategia más sofisticada: ajustar el perfil de potencia base no solo para aprovechar las diferencias de precios, sino también para permitir ofertas de regulación de frecuencia más rentables. Por ejemplo, aumentar la descarga durante un periodo de precios bajos puede parecer contraproducente, pero si permite al agregador ofertar una mayor capacidad de regulación descendente cuando los precios son altos, el beneficio neto supera el costo de la energía. Esta maniobra estratégica solo es posible gracias a la redundancia y la capacidad de equilibrio que proporciona el sistema combinado.
El modelo RS también es notable por su adaptabilidad al riesgo. Un agregador puede ajustar su objetivo de beneficio para alinearse con su apetito por el riesgo. Un objetivo alto lleva a ofertas más agresivas, con un mayor potencial de beneficio pero también una mayor volatilidad. Un objetivo más conservador produce una operación más estable y fiable, con una precisión de regulación más alta. Esta capacidad de ajuste permite que el modelo se adapte a diferentes tipos de participantes en el mercado, desde empresas de capital de riesgo hasta operadores de servicios públicos que priorizan la fiabilidad.
En conjunto, este estudio no es solo un avance técnico, sino una visión de futuro para las ciudades inteligentes. Demuestra que la convergencia de la movilidad eléctrica y las telecomunicaciones de alta velocidad no es un mero hecho tecnológico, sino una oportunidad estratégica para construir sistemas energéticos más resilientes, eficientes y sostenibles. Al romper las barreras entre sectores, la investigación de Zhang Xinyu abre el camino para una nueva era de integración energética.
Zhang Xinyu, Departamento de Ingeniería Eléctrica, Universidad del Sudeste, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.2232