El proceso de carga de vehículos eléctricos (PEV) está determinado por la relación entre la potencia de entrada y el estado de carga de la batería. Esta relación está representada por ecuaciones diferenciales que integran el tiempo con respecto al estado de carga. En el modelo planteado, la potencia en función del tiempo p(t)p(t) y el estado de carga x(t)x(t) están regidos por la ecuación diferencial de carga, considerando una eficiencia constante η\eta. A través de este modelo, se puede calcular la duración de un proceso de carga dado, teniendo en cuenta factores como la potencia inicial, la eficiencia de carga y el estado de la batería.

La ecuación diferencial que rige el comportamiento del sistema es:

ηp(t)x˙(t)=CAPdonde η es la eficiencia de carga.\eta p(t) \dot{x}(t) = \frac{CAP}{\text{donde } \eta \text{ es la eficiencia de carga.}}

Para obtener la duración de la carga desde el estado inicial xinitx_{\text{init}} hasta un estado final xfinx_{\text{fin}}, se deben integrar las ecuaciones bajo las condiciones dadas. En la fase inicial de carga, si la potencia es constante p(t)=pinitp(t) = p_{\text{init}}, la ecuación se simplifica a:

x(t)=xinit+ηpinitCAP⋅tx(t) = x_{\text{init}} + \frac{\eta p_{\text{init}}}{CAP} \cdot t

Aquí, x(t)x(t) describe la variación del estado de carga en función del tiempo, y es necesario determinar el instante t′t' en el que se alcanza el valor bb (un valor intermedio del estado de carga). El cálculo de t′t' depende del valor de la potencia inicial pinitp_{\text{init}}, y es importante encontrar el momento exacto en el que la carga alcanza este valor intermedio para pasar a la siguiente fase.

En la segunda fase de carga, la potencia cambia en función del estado de carga xx, y la ecuación de la energía se ajusta a:

p(t)=d(1−x)p(t) = d(1 - x)

Aquí, la constante dd representa la tasa de descarga, que disminuye conforme el estado de carga se acerca al valor final xfinx_{\text{fin}}. La ecuación diferencial para este intervalo es más compleja, pero su solución sigue siendo una función exponencial en función del tiempo. El momento en que se alcanza el valor xfinx_{\text{fin}} marca el fin del proceso de carga:

x(t)=xfin=(b−1)e−ηdCAP(t−t′)x(t) = x_{\text{fin}} = (b - 1)e^{ -\frac{\eta d}{CAP}(t - t')}

Este proceso define el tiempo final t′′t'' necesario para completar la carga. Además, es crucial garantizar que el proceso de carga se complete dentro del intervalo de tiempo disponible, lo que introduce restricciones adicionales sobre la potencia y el tiempo total disponible para cada vehículo.

El modelo de optimización propuesto para el proceso de carga considera múltiples factores, como el costo de la energía de la red, el costo de la producción de plantas fósiles, y los costos asociados con los retrasos en la carga de los vehículos. La optimización se basa en minimizar estos costos, mientras se ajustan las ventanas de tiempo de carga y los niveles de potencia. Esto se logra mediante la programación del proceso de carga en función de los flujos promedio de energía.

El modelo de optimización se estructura de la siguiente manera:

∑i=1N(Cgrid,IDLE,i+Cgrid,CH,i+CF,IDLE,i+CF,CH,i+Ctard,i)\sum_{i=1}^{N} \left( C_{\text{grid,IDLE,i}} + C_{\text{grid,CH,i}} + C_{\text{F,IDLE,i}} + C_{\text{F,CH,i}} + C_{\text{tard,i}} \right)

Donde Cgrid,IDLE,iC_{\text{grid,IDLE,i}} y Cgrid,CH,iC_{\text{grid,CH,i}} representan los costos asociados a la carga en la red eléctrica durante los intervalos de inactividad y carga, respectivamente. Los términos CF,IDLE,iC_{\text{F,IDLE,i}} y CF,CH,iC_{\text{F,CH,i}} corresponden a los costos derivados de las plantas fósiles, y Ctard,iC_{\text{tard,i}} refleja el costo de los retrasos en la carga de los vehículos.

El coste de producción de las plantas fósiles se calcula multiplicando el costo unitario de producción de las plantas de energía por la energía producida y la duración del intervalo. Del mismo modo, el costo por retraso se calcula multiplicando el retraso en la carga por la energía solicitada por cada vehículo y un coeficiente de penalización αi\alpha_i.

Es fundamental tener en cuenta que las restricciones de balance de potencia y las restricciones dinámicas del almacenamiento eléctrico deben cumplirse durante el proceso de optimización. Estas restricciones aseguran que la energía solicitada por cada vehículo se entregue completamente y que no se superen los plazos de carga.

La optimización también debe considerar la disponibilidad y fiabilidad de las previsiones de patrones de potencia de la red (PNL) y de los costos de producción de las plantas de energía. Estos factores influyen directamente en la planificación de los intervalos de carga y en la programación de la energía disponible durante los períodos de carga e inactividad.

En resumen, la duración mínima de un intervalo de carga está estrechamente relacionada con la potencia inicial y la eficiencia de carga, y su optimización depende de factores económicos, energéticos y operacionales. La correcta implementación de un modelo de optimización permite no solo reducir los costos, sino también garantizar la eficiencia en la distribución de energía dentro de las redes inteligentes.

¿Cómo influye la optimización en la planificación y gestión de vehículos eléctricos y estaciones de carga?

El cambio progresivo de los vehículos tradicionales a los vehículos eléctricos (VE) se considera una de las medidas clave para lograr una reducción significativa de las emisiones de contaminantes, especialmente en las áreas urbanas. Los VE se utilizarán ampliamente en un futuro cercano, con nuevas tecnologías que estarán presentes no solo para las estaciones de carga, sino también para las baterías y los vehículos mismos. Además, los VE actuarán como recursos energéticos distribuidos, ya que podrán ofrecer servicios de regulación y suministro de energía, habilitando operaciones como la conexión vehículo-a-red (V2G) o vehículo-a-edificio (V2B). De esta forma, podrían absorber el exceso de producción de electricidad de fuentes renovables y devolverla a la red en períodos de alta demanda.

En los últimos años, se ha incrementado el número de VE y estaciones de carga (EC), pero el uso generalizado de los VE podría ocasionar problemas técnicos en la red eléctrica, como inestabilidad debido a cargas distribuidas e intermitentes, ineficiencias en el proceso de carga (por ejemplo, menor capacidad de carga y tiempos de recarga más largos), largas filas y un mal aprovechamiento de las EC. Para evitar estos inconvenientes, es necesario integrar las redes de transporte y eléctricas para planificar la instalación de EC en el territorio, programar los vehículos y hacer un uso óptimo de las EC.

En este contexto, el enfoque de control y optimización se aplica para la gestión energética de sistemas donde los VE están presentes, con un enfoque particular en los problemas de planificación y programación. A través de un enfoque interdisciplinario que combina conocimientos de los sectores del transporte, la fabricación y las redes inteligentes, se buscan métodos para la gestión óptima de los VE. Este tipo de gestión no solo es crucial para mejorar la eficiencia, sino también para garantizar que los VE operen de manera efectiva sin sobrecargar la infraestructura existente.

La gestión óptima de los VE y las EC representa un problema de decisión que atraviesa diferentes disciplinas: transporte, logística, programación y redes inteligentes. En las redes inteligentes, la producción y almacenamiento de energía generalmente se programan mediante un sistema de gestión de energía (EMS), cuyo objetivo es minimizar los costos, las pérdidas de energía y las emisiones de CO2, mientras se satisfacen las demandas energéticas. Cuando las EC están conectadas a una red inteligente, los VE que las utilizan representan una carga adicional para el sistema eléctrico y, al mismo tiempo, un sistema de almacenamiento adicional en el caso de que se habilite la tecnología V2G. Sin embargo, la carga generada por los VE es diferible, lo que implica que puede ser gestionada de manera flexible, a diferencia de la demanda convencional de energía.

Este libro presenta el modelo de optimización de la programación de los VE a través de una formalización de tiempo discreto, en la que se tienen en cuenta las plantas de producción de energía a base de combustibles fósiles, los sistemas de almacenamiento y las fuentes renovables para satisfacer la carga eléctrica de la red. Sin embargo, esta formalización suele implicar un gran número de variables de decisión, lo que dificulta la resolución del problema mediante herramientas comerciales de optimización. Por ello, el libro también explora una alternativa para la programación óptima de los VE mediante una formalización de eventos discretos.

En este contexto, es esencial considerar otros aspectos que influyen en la programación de los VE, tales como la evaluación de la demanda de transporte, la ubicación óptima de las estaciones de carga y la asignación de usuarios a las EC. Esto requiere una comprensión integral tanto de la red de transporte como de la asignación de tráfico, no solo para los VE, sino también para los vehículos convencionales, con el fin de evaluar la demanda energética y asignar el tráfico de manera eficiente. Asimismo, la planificación de la instalación de las EC debe tener en cuenta las características territoriales y la estructura de la red eléctrica, ya que ambos factores influirán en las decisiones sobre la ubicación y tamaño de las estaciones.

Es fundamental reconocer que la optimización de la infraestructura de carga de VE no solo depende de la cantidad de vehículos y estaciones de carga, sino también de la previsión de la demanda energética, la integración de las fuentes de energía renovable y el diseño adecuado de la red de transporte. La implementación de modelos de simulación, programación y optimización es crucial para lograr un sistema de movilidad eléctrica eficiente y sostenible, minimizando los problemas derivados de la alta concentración de VE en áreas urbanas y mejorando la integración de la movilidad eléctrica en el sistema energético general.

¿Cómo optimizar la ubicación y gestión de estaciones de carga para vehículos eléctricos en redes inteligentes?

La transición progresiva de los vehículos tradicionales a los vehículos eléctricos (VE) se ha establecido como una de las principales estrategias para reducir significativamente las emisiones de contaminantes, especialmente en las áreas urbanas. En este contexto, la optimización de las estaciones de carga (EC) y la gestión de los VE dentro de redes inteligentes (smart grids) se presentan como tareas fundamentales para garantizar la eficiencia del sistema eléctrico. La optimización no solo implica aspectos energéticos, sino que también involucra la planificación del transporte, la logística, y la asignación de recursos en función de la demanda y las condiciones del tráfico.

En los sistemas de redes inteligentes, los VE que dependen de las estaciones de carga representan una carga adicional sobre el sistema eléctrico, que debe ser satisfecha de manera eficiente. Cuando se incorpora la tecnología vehículo-a-red (V2G, por sus siglas en inglés), los VE también actúan como sistemas de almacenamiento, lo que agrega otra capa de complejidad en la gestión de energía. Sin embargo, una de las características clave de la carga de los VE es su flexibilidad, ya que la demanda de carga puede diferirse. Esto permite tratar el proceso de carga de los VE de manera similar a la programación de otros procesos industriales, en los que existen máquinas (estaciones de carga) que sirven a productos (vehículos) de acuerdo con el tiempo de liberación, la fecha de vencimiento, las demandas de energía, entre otros factores.

Dentro de la planificación de redes inteligentes, el problema de programación de los VE puede abordarse desde varias perspectivas. En primer lugar, se encuentra la formalización de un problema de optimización de tiempo discreto en el que las plantas de producción de energía, los sistemas de almacenamiento y las fuentes renovables se coordinan para satisfacer la carga eléctrica de la red. Este enfoque de optimización puede aprovechar pronósticos de demanda y energía renovable, pero suele implicar un número elevado de variables de decisión, lo que hace que el problema sea difícil de resolver mediante herramientas comerciales convencionales de optimización.

Por otro lado, otro enfoque utilizado es la formalización de eventos discretos. Este modelo permite una mayor eficiencia al reducir el número de variables de decisión y disminuir el tiempo de ejecución. Este tipo de optimización también ha mostrado ser eficaz cuando se incorporan vehículos eléctricos públicos, como los autobuses eléctricos, que, aunque se asemejan a los VE privados, presentan patrones de tiempo más definidos y, por tanto, requieren un modelo de programación periódico para su carga eficiente.

Además de los problemas de programación de carga, existen otros aspectos cruciales a considerar para optimizar la infraestructura de VE. Uno de los más relevantes es la evaluación de la demanda de transporte, que determina cuántas estaciones de carga se necesitan y dónde deben ubicarse para atender la demanda de los usuarios. La ubicación de las estaciones de carga debe tener en cuenta no solo los patrones de tráfico, sino también las condiciones de equilibrio de usuarios, que dependen de la distribución geográfica de los vehículos y los puntos de carga.

En cuanto a la asignación de usuarios a estaciones de carga, este es un tema clave que se puede abordar mediante modelos de equilibrio de usuarios estocástico (SUE, por sus siglas en inglés). Estos modelos permiten definir el comportamiento de tráfico en redes donde algunas de las rutas están equipadas con estaciones de carga para vehículos eléctricos, optimizando el flujo de vehículos y reduciendo los tiempos de espera en las estaciones de carga. Al emplear funciones de elección de ruta basadas en modelos logit, se pueden estimar las decisiones de los usuarios en cuanto a qué estaciones de carga elegir, y cómo estas elecciones impactan en el comportamiento global del sistema.

Además de los modelos de programación y optimización de VE, la investigación ha avanzado en la identificación de los mejores lugares y tamaños para las estaciones de carga en función de las condiciones del sistema eléctrico. Los resultados de estos estudios permiten determinar la ubicación y dimensionamiento óptimos de las estaciones de carga dentro de una red de distribución eléctrica, teniendo en cuenta las restricciones técnicas de la red y los costos asociados. El uso de tecnologías de energías renovables, como pequeños generadores eólicos (WTs) y paneles solares fotovoltaicos (PV), junto con microturbinas de cogeneración, permite que las estaciones de carga sean más sostenibles y autónomas desde el punto de vista energético.

En cuanto a otros aspectos que son dignos de consideración, se encuentran los problemas de decisión relacionados con el uso compartido de vehículos eléctricos, como los sistemas de car-sharing y bike-sharing. Los VE son una opción ideal para este tipo de sistemas urbanos, pero surgen varias cuestiones de optimización, como la localización de estaciones de carga, la gestión del número de viajes regulares, el reposicionamiento de vehículos en sistemas de car-sharing flotante, el intercambio de baterías y la gestión de estaciones de carga. Estos problemas requieren enfoques de optimización adicionales para garantizar que el sistema funcione de manera eficiente y con el menor costo operativo posible.

La optimización de las estaciones de carga de vehículos eléctricos dentro de una red inteligente no solo implica la programación eficiente de la carga, sino también la correcta integración de estos vehículos dentro de un sistema de transporte y energía más amplio, donde se deben considerar los patrones de tráfico, las preferencias de los usuarios, las capacidades de la red y los costos operativos. La cooperación entre la tecnología de redes inteligentes, los modelos de optimización y la planificación del transporte será esencial para alcanzar los objetivos de sostenibilidad y eficiencia energética en las ciudades del futuro.

¿Cómo funcionan y se protegen los derechos de autor, marcas registradas y secretos comerciales?
¿Cómo las normas sociales impactan los contratos y relaciones comerciales?
¿Cómo influyen los láseres en los materiales y sus procesos de absorción y ablación?