Synergetic capacity planning of public and private EV charging piles via city-scale multi-objective optimization

Resumen Técnico: Planificación de Capacidad Sinérgica de Puntos de Carga Públicos y Privados para Vehículos Eléctricos mediante Optimización Multiobjetivo a Escala Urbana

Enunciado del Problema
La rápida expansión de los vehículos eléctricos (VE) ha creado una brecha persistente entre el crecimiento de la flota vehicular y la disponibilidad de infraestructura de carga. Si bien China lidera el mercado global de VE, la sincronización entre la implementación de vehículos y la capacidad de los puntos de carga sigue siendo imperfecta, caracterizada por desequilibrios espaciales donde los núcleos urbanos presentan un exceso de oferta mientras que las áreas periféricas se rezagan. Los enfoques de planificación existentes suelen basarse en proyecciones agregadas y basadas en existencias que no capturan las diferencias entre tipos de tren motriz (Vehículos Eléctricos de Batería [BEV], Vehículos Eléctricos Híbridos Enchufables [PHEV] y Vehículos Eléctricos de Rango Extendido [EREV]), los efectos climáticos estacionales y los patrones de uso distintos de la carga pública frente a la privada. Además, la planificación a escala urbana carece frecuentemente de una lógica de asignación unificada que equilibre el costo económico, la estabilidad de la red y la equidad regional, tratando a menudo la equidad como un principio general en lugar de una restricción exigible.

Metodología
El estudio propone un marco de planificación a escala urbana impulsado por la demanda, aplicado a Chongqing, China, que abarca el período de 2022 a 2030. La metodología consta de tres componentes integrados:

1. Estimación de Demanda de Alta Resolución de Abajo hacia Arriba:

   • El modelo desagrega la demanda de carga de VE por modelo de vehículo y tipo de tren motriz (BEV, PHEV, EREV).
   • Incorpora variaciones estacionales dividiendo el año en "temporadas suaves" (primavera/otoño) y "temporadas de clima extremo" (verano/invierno) para contabilizar los cambios inducidos por la temperatura en el consumo de energía (cargas de calefacción/refrigeración).
   • La demanda de carga se calcula mediante un enfoque de abajo hacia arriba basado en datos de registro de vehículos, kilometraje anual promedio, capacidad de la batería y autonomía nominal (CLTC), corregidos por factores de consumo de energía específicos de la temporada y la versión del vehículo.

2. Modelo de Planificación de Capacidad Multiobjetivo:

   • Se formula un modelo de planificación sinérgica para optimizar simultáneamente la asignación de puntos de carga públicos y privados en los distritos administrativos.
   • Objetivos:
     • Minimizar el costo total del ciclo de vida (inversión y operación/mantenimiento).
     • Minimizar la fluctuación de la carga de la red (varianza de la carga trimestral de la red).
     • Maximizar el potencial total de suministro de energía (basado en las tasas de utilización).
   • Restricciones: El modelo incluye restricciones rígidas para la equidad regional a fin de garantizar un servicio equilibrado en toda la jerarquía "Núcleo-Suburbano-Exurbano".
   • Solucionador: Se emplea el algoritmo de Optimización de Halcones de Harris (HHO) para resolver el problema de optimización no lineal de alta dimensión, manejando las compensaciones entre objetivos conflictivos.

3. Proyección y Validación:

   • Se utiliza un Modelo Gris de Orden Fraccional optimizado por HHO (HHO-FGM) para proyectar la demanda total de puntos de carga desde 2025 hasta 2030.
   • El marco se valida mediante análisis de sensibilidad respecto a los estándares de ciclos de conducción (NEDC, WLTP, CLTC) y las tasas de crecimiento del registro de VE, así como comparaciones contra datos reales de despliegue de 2022 a 2024.

Contribuciones Clave

• Contabilidad de Demanda Granular: El estudio supera los modelos agregados al modelar explícitamente la intensidad energética y la dinámica de la demanda para modelos de vehículos y tipos de tren motriz específicos, capturando el cambio estructural hacia PHEV y EREV.
• Planificación Sinérgica Público-Privada: Introduce un marco de optimización unificado que planifica conjuntamente los puntos de carga públicos y privados, abordando la fragmentación histórica donde estos dos sectores suelen planificarse de forma independiente.
• Optimización Integrada con Equidad: La equidad regional se integra como una restricción rígida dentro de la función multiobjetivo, asegurando que la asignación resultante no siga meramente la concentración de la demanda, sino que mitigue activamente las disparidades de servicio urbano-rural.
• Marco Escalable: La metodología está diseñada para ser transferible a otras ciudades que experimentan una electrificación rápida y heterogeneidad espacial, ofreciendo una herramienta para la inversión a largo plazo y el diseño de políticas.

Resultados

• Tendencias de Demanda: Entre junio de 2022 y finales de 2024, el consumo mensual de electricidad de VE en Chongqing se triplicó, pasando de 18.9 GWh a 57.5 GWh. La estructura del mercado cambió significativamente, con la cuota combinada de PHEV y EREV ascendiendo al 57.6%, lo que hace necesaria una planificación de infraestructura específica por tecnología. Se observó una volatilidad estacional significativa, con un pico de consumo en invierno debido a la demanda de calefacción.
• Desajuste Espacial: El análisis histórico reveló que el despliegue real de puntos de carga estaba fuertemente concentrado en el núcleo urbano, dejando a las áreas suburbanas y de condado con un servicio insuficiente. La capacidad de carga pública se rezagó consistentemente detrás de la demanda en todos los distritos.
• Rendimiento de la Optimización: La configuración optimizada logró una puntuación de rendimiento integral de 0.28 en 2024, una mejora significativa sobre la puntuación de despliegue real de 0.65. El plan optimizado equilibró mejor la adecuación del servicio en toda la jerarquía urbana mientras mantenía la estabilidad de la red.
• Proyecciones 2030: Para 2030, se proyecta que Chongqing necesitará aproximadamente 1.8 millones de unidades de carga. La estrategia optimizada mantiene una relación estable de 9:1 entre carga privada y pública, con puntos de carga privados alcanzando 1.57 millones y puntos de carga públicos alcanzando 176,800. Se espera que esta configuración reduzca las fluctuaciones de la carga de la red en un 24.8% y mejore el potencial de suministro de energía en un 6.6% en comparación con la línea base de 2024.

Significado
El artículo afirma que su principal significado radica en proporcionar una herramienta versátil y espacialmente explícita para que los responsables políticos apoyen el despliegue sostenible y rentable de infraestructura de VE. Al integrar la contabilidad de demanda de alta resolución con la optimización multiobjetivo, el estudio aborda brechas críticas en la literatura existente que a menudo se centran en la optimización a nivel de estación o dependen de supuestos de demanda simplificados. El marco permite un análisis transparente de compensaciones entre costo, compatibilidad con la red y acceso equitativo, ofreciendo una base sólida para coordinar el desarrollo de redes de carga urbanas y alinear la infraestructura con los objetivos de electrificación a largo plazo. Los autores enfatizan que, si bien Chongqing sirve como estudio de caso, la metodología está diseñada para ser aplicable a otras ciudades que enfrentan desafíos similares de electrificación rápida y heterogeneidad espacial.