Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

A continuación presento un resumen técnico detallado del artículo "Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations" (Control Predictivo de Modelo Conjunto de Precio y Potencia para la Reducción de la Potencia Pico en Estaciones de Carga de VE en el Lugar de Trabajo), traducido y adaptado al español.

1. Planteamiento del Problema

El artículo aborda un desafío económico y operativo crítico para los operadores de estaciones de carga de vehículos eléctricos (VE) en lugares de trabajo: los cargos por demanda.

• El Problema: Los cargos por demanda son tarifas de servicios públicos basadas en el consumo de potencia pico durante un ciclo de facturación (generalmente mensual). Estos cargos pueden representar entre el 30% y el 70% de la factura eléctrica total de un cliente comercial.
• La Complejidad: La naturaleza estocástica (aleatoria) de las llegadas de los VE hace que la gestión de la demanda sea difícil. Incluso con carga inteligente, una sola llegada mal sincronizada en un día ocupado puede elevar la carga de la estación por encima del pico actual, incrementando significativamente el costo para el operador.
• Limitaciones de Trabajos Previos: La mayoría de las estrategias anteriores se centraban únicamente en optimizar los horarios de potencia o en fijar precios estáticos. No lograban anticipar adecuadamente los picos futuros ni utilizar la fijación de precios dinámica para incentivar activamente a los usuarios a elegir servicios de carga controlables.

2. Metodología Propuesta

Los autores proponen un marco de optimización conjunta de precio y potencia que integra un enfoque de Control Predictivo de Modelo (MPC) con modelos de comportamiento del usuario.

A. Marco de Optimización y Elección del Usuario

Cuando un usuario llega a la estación, el algoritmo le presenta un menú de precios dinámicos para dos opciones:

1. REGULAR (Estándar): Carga a potencia máxima hasta llenar la batería. La carga es incontrolable.
2. SCHEDULED (Programada): La energía requerida se garantiza para la hora de salida, pero el perfil de potencia es controlable por el algoritmo.
3. LEAVE (Irse): El usuario se va si los precios son demasiado altos.

El objetivo es maximizar el beneficio esperado del operador seleccionando los precios ($z_{sch}, z_{reg}$) y los perfiles de potencia para los usuarios que eligen la opción programada.

B. Estrategias de Control Propuestas

Para mejorar la gestión de la potencia pico, se proponen tres modificaciones al problema de optimización base:

1. Umbral Duro Iterativo (Iterative Hard Thresholding): Se añade una restricción estricta ($G_\tau \leq M$) a la carga de la estación. Si la solución es inviable, el umbral $M$ se relaja iterativamente hasta encontrar una solución factible que minimice el aumento del pico.
2. Penalización Softplus de Carga por Demanda: En lugar de una penalización lineal simple, se utiliza la función convexa softplus para penalizar las aproximaciones al pico de potencia actual. Esto desalienta que la carga se acerque al límite, incluso antes de superarlo.
3. Control Predictivo de Modelo (MPC) con Pronóstico: Esta es la contribución central. El algoritmo incorpora pronósticos de series temporales para anticipar llegadas futuras y picos de demanda.
   • Se reemplaza el término de costo de demanda actual con una estimación basada en el pronóstico de la potencia futura: $c_D (\max(\hat{G}_{futuro}, D_{actual}) - D_{actual})$.
   • Se prueban tres tipos de pronósticos: un modelo ingenuo (asume que no hay nuevas llegadas), un modelo lineal (regresión Elastic Net) y un modelo basado en árboles (XGBoost).

C. Modelado del Comportamiento

Se utiliza un modelo de elección discreta de dos pasos para estimar la probabilidad de que un usuario elija Regular, Programado o Irse en función de los precios presentados. Esto permite al controlador anticipar cómo los cambios de precio afectarán la adopción de la carga controlable.

3. Contribuciones Clave

1. MPC Anticipativo: Desarrollo de un método de control que utiliza pronósticos de series temporales para anticipar picos de demanda, permitiendo decisiones de carga tempranas (por ejemplo, cargar más temprano en el día para evitar tarifas pico).
2. Flexibilidad de Carga Dinámica: Aumento de la flexibilidad de la carga disponible para el controlador mediante la fijación de precios dinámicos que incentivan a los usuarios a seleccionar servicios controlables (Scheduled).
3. Superioridad sobre el Estado del Arte: Demostración empírica de que el enfoque propuesto supera a los algoritmos de optimización de referencia (no-MPC) y a reformulaciones no anticipativas, logrando reducciones significativas tanto en los cargos por demanda como en los costos operativos totales.

4. Resultados del Estudio Numérico

Los autores validaron sus algoritmos mediante una simulación de Monte Carlo utilizando datos reales de 2,274 sesiones de carga de la plataforma SlrpEV (Smart Learning Pilot for EV Charging Stations) de 2023.

• Reducción de Costos:
  • El algoritmo MPC (con modelos Naive, Lineal y XGBoost) logró reducir los cargos por demanda en aproximadamente un 15-17% en comparación con la estrategia de referencia.
  • Se observó una reducción adicional del ~1% en los costos de energía (tarifas TOU).
  • Reducción total de costos operativos: Aproximadamente 4.5% - 4.6%.
• Comparación de Modelos de Pronóstico:
  • Sorprendentemente, el modelo de pronóstico más simple (Naive, que asume que no llegan nuevos vehículos) obtuvo la mejor reducción de potencia pico (25.93 kW), a pesar de tener un error cuadrático medio (RMSE) de entrenamiento más alto que los modelos Lineal y XGBoost.
  • Esto sugiere que minimizar el RMSE del pronóstico no garantiza un mejor rendimiento del MPC, posiblemente porque los modelos complejos se entrenaron con datos de un sistema de control diferente (no-MPC), creando una discrepancia en la distribución de datos.
• Comportamiento de Precios:
  • El controlador MPC ajusta los precios estratégicamente: ofrece descuentos agresivos para la carga Programada en las primeras horas de la mañana (6-8 AM) para asegurar una base de carga controlable, mientras mantiene precios más bajos para la carga Regular durante el día. En contraste, el controlador de referencia debe subir precios drásticamente durante las horas pico para compensar la falta de anticipación.

5. Significado y Conclusiones

• Viabilidad Técnica y Económica: El estudio demuestra que la optimización conjunta de precios y potencia es técnicamente factible y económicamente beneficiosa. Los ahorros en cargos por demanda pueden aumentar los beneficios del operador o traducirse en precios más bajos para los usuarios.
• Importancia de la Anticipación: La capacidad de prever la demanda (incluso con modelos simples) es crucial para gestionar eficazmente los picos de potencia en entornos laborales donde las llegadas son impredecibles.
• Limitaciones y Trabajo Futuro:
  • El estudio se basó en una estación pequeña (8 cargadores), lo que hace que la carga sea irregular y difícil de pronosticar. Los autores sugieren que el método podría funcionar aún mejor en estaciones más grandes o agregadas debido a la Ley de los Grandes Números.
  • Existe un problema de "autorreferencia": los modelos de pronóstico se entrenan con datos de un sistema de control antiguo, pero deberían idealmente entrenarse con datos generados por el propio MPC.
  • Se necesita más trabajo para simular mejor el comportamiento de los usuarios que deciden "irse" (no cargar), ya que el conjunto de datos actual solo incluye a quienes decidieron cargar.

En resumen, el papel presenta un avance significativo en la gestión de la demanda para estaciones de carga de VE, demostrando que combinar control predictivo con incentivos de precios dinámicos es una estrategia superior para mitigar los costos de demanda y optimizar la operación de infraestructura de carga.