CONSENT: A Negotiation Framework for Leveraging User Flexibility in Vehicle-to-Building Charging under Uncertainty

Resumen Técnico: CONSENT - Un Marco de Negociación para la Carga V2B

1. El Problema

La rápida adopción de vehículos eléctricos (VE) en entornos de Vehículo a Edificio (V2B) genera un conflicto fundamental entre dos partes:

• Operadores de Edificios: Buscan minimizar los costos energéticos, especialmente las tarifas de demanda (picos de potencia) y las tarifas horarias variables. La carga no coordinada de los VE puede exacerbar estos picos, elevando los costos operativos.
• Conductores: Priorizan la conveniencia, la carga completa y los horarios de salida fijos.

Los desafíos técnicos y humanos incluyen:

• Incertidumbre: Los sistemas de control deben operar con conocimiento incompleto sobre las llegadas futuras de VE, las cargas del edificio y los precios de la energía.
• Alineación de Incentivos: La estrategia óptima para el edificio (retrasar la carga o reducir la carga) choca con las preferencias del usuario.
• Comportamiento Estratégico: Existe el riesgo de que los usuarios mientan sobre sus preferencias (por ejemplo, declarar un horario de salida más temprano o una necesidad de carga mayor de la real) para obtener mayores incentivos, lo que socava la integridad del sistema.
• Brecha de Optimización: La literatura previa trata por separado el control de carga (técnico) y la negociación con usuarios (sociotécnico), sin co-optimizar ambos bajo incertidumbre.

2. Metodología: El Marco CONSENT

El autores proponen CONSENT, un marco de negociación basado en Control Predictivo de Modelos Estocástico (SMPC) y Programación Lineal Entera Mixta (MILP). El sistema funciona como un puente estratégico entre la gestión energética estática del edificio y las necesidades de movilidad dinámicas de los usuarios.

Componentes Clave:

• Generación de Opciones Personalizadas:

  • Cuando un VE llega, el sistema no solo ofrece la carga estándar, sino un menú de opciones negociadas.
  • Estas opciones implican flexibilidad moderada en dos dimensiones:
    1. Hora de salida: Retrasar la salida del vehículo.
    2. Estado de Carga (SoC): Aceptar un nivel de batería ligeramente inferior al solicitado.
  • A cambio de esta flexibilidad, el usuario recibe descuentos monetarios (incentivos).

• Motor de Decisión (MC-MPC):

  • Utiliza Muestreo de Monte Carlo para generar múltiples escenarios futuros (llegadas de VE, cargas del edificio, precios).
  • Resuelve un MILP en un horizonte de tiempo rodante para determinar la política de carga óptima y los incentivos necesarios para cada nivel de flexibilidad.
  • Esto permite tomar decisiones robustas ante la incertidumbre sin necesidad de reentrenamiento extensivo (a diferencia del Aprendizaje por Refuerzo puro).

• Modelo de Usuario y Encuesta:

  • Se realizó una encuesta con 28 participantes para cuantificar la "costo de inconveniencia" de los usuarios.
  • Se agruparon a los usuarios en 4 tipos basados en su sensibilidad al tiempo y al SoC.
  • Se utiliza un modelo logit para predecir la probabilidad de aceptación de una oferta.

• Garantías Teóricas:
  El marco está diseñado con tres garantías formales:

  1. Incentivo Compatible (Strategy-Proofness): Es óptimo para el usuario reportar sus preferencias reales. Mencionar un horario de salida más temprano o una necesidad de carga mayor no aumenta su utilidad; de hecho, restringe las opciones de ahorro del sistema.
  2. Viabilidad Presupuestaria: El costo total del edificio (incluyendo los incentivos pagados) nunca supera el costo base sin participación del usuario.
  3. Participación Voluntaria: Ningún usuario racional sale perdiendo al participar; siempre tienen la opción de rechazar la oferta y cargar externamente.

3. Contribuciones Clave

1. Co-optimización: Es el primer marco que integra simultáneamente la política de control de carga en tiempo real y la política de negociación con el usuario bajo incertidumbre.
2. Mecanismo de Negociación Estratégico: Proporciona un método para generar incentivos personalizados que alinean los objetivos del operador y del usuario, garantizando la veracidad de los reportes de los usuarios.
3. Validación Empírica: El modelo se calibra con datos de una encuesta real y se valida utilizando datos operativos reales de un edificio comercial y un fabricante de vehículos (Nissan) en California.
4. Eficiencia Computacional: Demuestra que el enfoque basado en MPC es escalable y computacionalmente eficiente en comparación con alternativas de Aprendizaje por Refuerzo para este tipo de problemas con restricciones duras.

4. Resultados de la Evaluación

Las simulaciones compararon CONSENT contra varios escenarios base (carga no coordinada, carga inteligente sin negociación, y negociación basada en menús estáticos).

• Ahorro para el Operador del Edificio:

  • CONSENT reduce los costos del operador en un 3.5% en comparación con una política de carga inteligente optimizada pero sin negociación (donde la carga es gratuita para el usuario).
  • Reduce los costos en más del 5.8% comparado con la carga no coordinada.
  • Logra un ahorro superior al de las políticas puramente centradas en el operador que ignoran la satisfacción del usuario.

• Beneficio para el Usuario:

  • Los usuarios reducen sus costos de carga en un 22% por debajo de la tarifa minorista de energía de la utilidad.
  • El costo por kWh es de $0.138, significativamente menor que las tasas de carga pública promedio en EE. UU.

• Tasa de Rechazo y Adopción:

  • La tasa de rechazo de usuarios (aquellos que se niegan a cargar en el edificio) disminuye drásticamente del 34.89% (en sistemas de negociación por menús tradicionales) al 21.99% con CONSENT.
  • Esto demuestra una mejor alineación de incentivos y una mayor satisfacción del usuario.

• Análisis de Sensibilidad:

  • El sistema es robusto ante diferentes perfiles de flexibilidad de los usuarios.
  • Se identificó un compromiso (trade-off) en los niveles de compartición de costos: ceder más ahorro al usuario reduce el beneficio del edificio, pero mantener un equilibrio (ej. 90% de ahorro al usuario) sigue siendo rentable para el edificio y atractivo para el usuario.

5. Significado e Impacto

El marco CONSENT transforma la carga de vehículos eléctricos de un problema de fricción operativa a una plataforma de colaboración y ahorro compartido.

• Cambio de Paradigma: Mueve el enfoque de la "gestión de la demanda" coercitiva a la "negociación voluntaria" basada en incentivos.
• Escalabilidad: Al utilizar MPC y muestreo estocástico, el sistema puede manejar grandes flotas de vehículos y adaptarse a nuevos patrones de datos sin reentrenamiento costoso.
• Estabilidad de la Red: Al permitir el "peak shaving" (recorte de picos) mediante la flexibilidad de los usuarios, contribuye a la estabilidad de la red eléctrica y reduce la necesidad de infraestructura adicional.
• Justicia y Transparencia: Las garantías de estrategia-proofness aseguran que el sistema sea justo y que los usuarios no tengan incentivos para manipularlo, lo cual es crucial para la adopción a largo plazo.

En conclusión, CONSENT demuestra que es posible lograr un equilibrio óptimo donde tanto los operadores de edificios como los conductores de vehículos eléctricos obtienen beneficios económicos significativos, resolviendo el conflicto entre la eficiencia del sistema y la conveniencia del usuario.