Compound effects of traffic and climate on electric vehicle HVAC energy consumption: a spatiotemporal framework with city-level attribution

Resumen Técnico: Efectos Compuestos del Tráfico y el Clima en el Consumo Energético de los Sistemas HVAC de Vehículos Eléctricos

Enunciado del Problema
El consumo energético real de los vehículos eléctricos (VE) se desvía frecuentemente entre un 20 % y un 40 % de los valores nominales, una discrepancia impulsada por factores externos como la temperatura ambiente y la congestión del tráfico. Si bien el calefacción, ventilación y aire acondicionado (HVAC) de la cabina es un contribuyente principal a esta brecha, la literatura existente típicamente evalúa la temperatura y el tráfico de forma aislada o bajo condiciones estáticas. Esta separación falla en capturar el efecto compuesto del clima y el tráfico que varían conjuntamente, dejando desconocida la contribución relativa de cada factor a la variabilidad energética a nivel de ruta. En consecuencia, las herramientas de estimación de autonomía suelen tratar al HVAC como una sobrecarga estática, fallando en explicar por qué vehículos idénticos en rutas idénticas consumen significativamente más energía durante períodos de congestión o por qué ciudades con climas comparables exhiben intensidades energéticas de HVAC vastly diferentes. Este estudio aborda la brecha en la comprensión de cómo la duración del viaje inducida por el tráfico y la temperatura ambiente influyen conjuntamente en la energía del HVAC, particularmente en entornos urbanos densos donde la adopción de VE es crítica.

Metodología
Los autores desarrollaron un marco de simulación espacio-temporal que acopla velocidades de conducción conscientes del tráfico, temperaturas ambientales específicas de ubicación y tiempo, y submodelos energéticos basados en física a nivel de segmento. El marco integra tres componentes centrales:

1. Simulación de Energía del Vehículo: Construida sobre la plataforma de código abierto FASTSim, el modelo calcula la energía de tracción utilizando parámetros detallados del vehículo y ciclos de conducción derivados del tráfico.
2. Dinámica Térmica: Un modelo térmico de cabina lumped de primer orden 1R1C (gobernado por una ecuación diferencial 1R1C) simula la temperatura del aire de la cabina, el intercambio de calor con el ambiente y la lógica de control del HVAC (feedforward + corrección proporcional con banda muerta). Un modelo lumped similar se aplica a la gestión térmica de la batería (BTMS).
3. Integración de Datos Espacio-Temporales: El marco utiliza una base de datos local SQLite de temperaturas ambientales horarias (derivadas de datos de reanálisis MERRA-2) y perfiles de velocidad conscientes del tráfico obtenidos mediante APIs de enrutamiento (por ejemplo, Google Routes).

Para aislar y cuantificar factores, el estudio emplea un diseño experimental factorial a través de siete ciudades del Reino Unido y ocho rutas radiales desde Manchester:

• Experimento Diurno: Aísla efectos temporales (hora de salida/tráfico) dentro de Londres.
• Bucles Transciudad: Examina el efecto compuesto del clima regional y el tráfico urbano a través de siete ciudades.
• Experimento Radial: Mantiene la temperatura casi constante mientras varía los tipos de red vial (autopista vs. carreteras A) para aislar efectos espaciales.

Posteriormente, se aplica un método de descomposición basado en regresión para atribuir la variabilidad de la energía del HVAC a componentes de temperatura y duración del viaje, generando un modelo de predicción de forma cerrada.

Contribuciones Clave

1. Marco Espacio-Temporal Acoplado: El estudio introduce una simulación a nivel de segmento que propaga conjuntamente estados térmicos y cinemáticos, capturando la penalización compuesta donde la congestión extiende la duración de las cargas térmicas.
2. Diseño Experimental Factorial: El diseño abarca sistemáticamente el dominio espacio-temporal, utilizando el experimento radial para aislar por primera vez las contribuciones de la red vial a la energía del HVAC manteniendo constante la temperatura.
3. Descomposición Energética: Un método de atribución basado en regresión separa las contribuciones de la temperatura ambiente y la duración del viaje (determinada por el tráfico y el tipo de vía) a la variabilidad de la energía del HVAC en una base por ruta.
4. Modelo de Predicción Práctico: La derivación de un modelo de forma cerrada y parsimonioso que estima la energía del HVAC utilizando solo tres entradas: temperatura ambiente, velocidad promedio y distancia del viaje. Este modelo ofrece interpretabilidad física y un costo computacional despreciable.

Resultados

• Dominancia del HVAC en Invierno: Si bien el consumo total de energía varió un 14 % entre las siete ciudades del Reino Unido, el componente del HVAC varió hasta un 89 %. La gestión térmica de la cabina fue identificada como el diferenciador principal entre rutas bajo condiciones invernales.
• Tráfico vs. Temperatura: En Londres, el 83 % de la energía del HVAC por encima del promedio fue atribuible al tiempo de viaje extendido por la congestión en lugar de temperaturas ambientales más bajas. Por el contrario, en el experimento radial, las características de la red vial (y las variaciones de velocidad resultantes) representaron el 92 % de la variación direccional en la energía del HVAC, mientras que la temperatura contribuyó con menos del 8 %.
• Sensibilidad No Lineal a la Velocidad: La energía del HVAC por unidad de distancia exhibe una fuerte dependencia no lineal de la velocidad ($1/v$). Por debajo de 40 km/h, la energía es altamente sensible a las reducciones de velocidad; por encima de 60 km/h, el beneficio marginal de aumentos adicionales de velocidad disminuye rápidamente.
• Rendimiento del Modelo: El modelo de predicción derivado ($E_{hvac} = 0.85 + (1.23 - 0.10 \times T_{amb}) \times D/v$) explicó el 99.0 % de la varianza de la energía del HVAC a través de 15 rutas invernales diversas. El modelo identifica una sobrecarga fija de arranque en frío de aproximadamente 0.85 kWh por viaje.
• Variación Estacional: La energía del HVAC disminuyó de una media invernal de 2.44 kWh a 0.45 kWh en verano (una reducción del 82 %), siguiendo una curva suave que se aproxima a cero cerca de 17 °C.

Significado y Afirmaciones
El artículo afirma que la variabilidad de la autonomía de los VE está sustancialmente moldeada por las condiciones de tráfico y las características de la red vial, no solo por el clima. El estudio argumenta que tratar al HVAC como un fenómeno exclusivo del clima corre el riesgo de subestimar las penalizaciones energéticas en entornos urbanos congestionados. Los hallazgos sugieren que la mitigación de la congestión puede ser una palanca política más efectiva y duradera para reducir las penalizaciones energéticas del HVAC que la adaptación climática, ya que las penalizaciones de tiempo de viaje persisten incluso a medida que aumentan las temperaturas ambientales. Además, la distribución espacialmente desigual de las penalizaciones energéticas del HVAC implica que la planificación de la infraestructura de carga basada únicamente en la población de vehículos puede conducir a inequidad energética; las ciudades con congestión crónica e inviernos fríos pueden requerir significativamente mayor capacidad de carga por vehículo para mantener niveles de servicio equivalentes. El método de descomposición propuesto y el modelo de predicción ofrecen una herramienta fundamentada físicamente para la planificación de rutas, el diseño de infraestructura y la evaluación de la equidad energética.