⚡ electrical engineering

ev-flow: A Reproducible, NHTS-Grounded Generator of Synthetic Plug-in Electric Vehicle Charging Behavior for Eight U.S. Regions

El artículo presenta \texttt{ev-flow}, un paquete de Python de código abierto que genera perfiles de carga de vehículos eléctricos enchufables sintéticos, reproducibles y conductualmente realistas para ocho regiones de los EE. UU., aprovechando microdatos de la Encuesta Nacional de Viajes en los Hogares de 2017 y un proceso determinista de nueve etapas para abordar la escasez de telemetría del mundo real con restricciones de privacidad y la heterogeneidad regional en las herramientas existentes.

Autores originales: Bertrand Travacca

Publicado 2026-06-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bertrand Travacca

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando diseñar una nueva red eléctrica para una ciudad. Necesitas saber exactamente cuándo se conectarán millones de vehículos eléctricos (VE), cuánto tiempo permanecerán conectados y cuánta electricidad consumirán. Pero hay un problema: los datos reales son como una caja fuerte cerrada; las empresas que poseen los datos (como los fabricantes de automóviles y las redes de carga) no los compartirán debido a las normas de privacidad.

Por lo tanto, los investigadores suelen tener que adivinar. Pero adivinar no es suficiente para construir una red eléctrica. Necesitas una población de coches "falsa" pero realista que se comporte exactamente como lo harían las personas reales.

Aquí entra ev-flow (abreviatura de "Electric Vehicle Flow" o Flujo de Vehículos Eléctricos). Piensa en este software como un motor de videojuego superavanzado que simula la vida diaria de 1,000 coches eléctricos en ocho regiones diferentes de EE. UU. (como el Área de la Bahía, Nueva York, Chicago, etc.).

Así es como funciona, desglosado en pasos sencillos:

1. El "ADN" de los coches (La fuente de datos)

En lugar de inventar números, ev-flow comienza con una encuesta masiva de la vida real llamada NHTS (National Household Travel Survey). Imagina que esto es un diario gigante donde miles de familias estadounidenses reales escribieron a dónde condujeron, cuándo salieron y cuánto tiempo se quedaron.

El truco de magia: El software toma estas entradas de diarios reales y las "cose" entre sí. Dice: "Bien, este coche pertenece a una familia en Chicago. Vamos a darle los hábitos de viaje de una familia real de Chicago de la encuesta".

2. La "Personalidad" de los coches

Una vez que el software tiene un coche, le otorga una personalidad basada en dónde vive.

La mezcla de ventas: Si el coche está en California, es más probable que sea un Tesla con una batería grande. Si está en Nueva York, podría ser una marca diferente. El software consulta datos de ventas reales para decidir qué tipo de coche es.
El hábito de conexión: Esta es la parte más importante. El software pregunta: "¿Cuándo se conecta este conductor?". Utiliza una receta matemática compleja (basada en estudios reales) para decidir si el conductor se conecta inmediatamente al llegar a casa o si espera hasta la cena. Incluso tiene en cuenta el hecho de que las personas en inviernos fríos (como en Chicago) podrían necesitar calentar su coche, lo que consume energía adicional.

3. El "Libro de Contabilidad de la Batería"

El software mantiene una tarjeta de puntuación continua para cada uno de los coches.

Rastrea el Estado de Carga (SoC): ¿Qué tan llena está la batería?
Simula la conducción: A medida que el coche conduce, la batería disminuye.
Simula la carga: Cuando el coche se conecta, la batería aumenta.
El giro del híbrido: Para los vehículos híbridos enchufables (coches que tienen tanto una batería como un motor de gasolina), el software tiene una regla especial. Si la batería se agota mientras conduce, el software dice: "Está bien, cambia a gasolina", y registra ese uso de energía. Esto hace que la simulación sea mucho más realista que las herramientas antiguas que simplemente pretendían que el coche dejaba de moverse cuando la batería moría.

4. La "Máquina del Tiempo"

El software crea un año completo (365 días) de conducción para cada coche.

Conoce las zonas horarias.
Conoce el horario de verano (Daylight Saving Time).
Genera los datos en un formato que los ingenieros pueden usar para ver exactamente cuánta energía necesita la red a las 6:00 PM de un martes en Seattle frente a las 6:00 PM de un sábado en Boston.

¿En qué se diferencia de otras herramientas?

El artículo compara ev-flow con otras herramientas como emobpy o VencoPy.

El "Problema Europeo": Muchas herramientas existentes están construidas para Europa. Asumen que la gente conduce coches alemanes y sigue horarios europeos. No funcionan bien en los EE. UU.
El "Problema de la Agregación": Algunas herramientas de EE. UU. solo te dan un promedio grande y borroso (por ejemplo, "Todo el país usa 500 megavatios"). No te muestran los coches individuales.
La solución de ev-flow: Esta herramienta está construida específicamente para los EE. UU. Crea coches individuales (no solo promedios) y cubre tanto la carga en el hogar como la carga en el lugar de trabajo.

La característica de "Honestidad"

Los autores están muy orgullosos de una característica específica: la Validación Honesta.
Normalmente, cuando un modelo informático comete un error, los investigadores intentan ocultarlo o ajustar los números hasta que parezca perfecto.

ev-flow hace lo contrario. Tiene un "árbitro" integrado que verifica los resultados contra reglas del mundo real.
Si la simulación dice "Los coches se conectan a las 6:00 PM" pero los datos reales dicen "Se conectan a las 7:00 PM", el software no lo oculta. Lo señala y dice: "FALLO: Sabemos que esto es diferente porque nuestra fuente de datos es de California, pero estamos simulando Nueva York".
Etiqueta estos errores como "Fallos Explicados". Esto le dice al usuario: "Sabemos que esta parte no es perfecta, y aquí está exactamente por qué". Esto genera confianza porque sabes exactamente dónde es fuerte el modelo y dónde es débil.

Resumen

ev-flow es una herramienta gratuita y de código abierto que permite a los investigadores crear una población "falsa" pero altamente realista de coches eléctricos. Utiliza diarios de viaje reales de EE. UU. para decidir a dónde van los coches, datos de ventas reales para decidir qué coches son, y una matemática estricta para decidir cuándo cargan. Está diseñado para ayudar a las compañías eléctricas e ingenieros a determinar cómo manejar el enorme aumento de los coches eléctricos sin provocar un apagón en la red.

Idea clave: No es solo un generador de números aleatorios; es un gemelo digital de los hábitos de conducción estadounidenses, construido con una política de "decir la verdad" sobre sus propias limitaciones.

Resumen Técnico: EV-FLOW

Planteamiento del Problema

Los estudios de integración de vehículos eléctricos (VE) en la red requieren grandes poblaciones de perfiles de carga individuales que sean conductualmente realistas, con resolución regional y estadísticamente diversas para modelar la heterogeneidad en el tamaño de las baterías, los equipos de carga, los tiempos de permanencia y las necesidades estacionales. Sin embargo, la telemetría de carga de alta resolución del mundo real es escasa, fragmentada y está restringida por razones de privacidad y sensibilidad comercial. Los generadores sintéticos de código abierto existentes se calibran principalmente para encuestas de movilidad europeas (p. ej., emobpy, VencoPy) o carecen de la base regional específica de EE. UU., el alcance dual residencial/laboral y la reproducibilidad de extremo a extremo requeridas para los análisis de capacidad de acogida de alimentadores de distribución en EE. UU. y el desarrollo de algoritmos de carga gestionada.

Metodología

El artículo presenta ev-flow (nombre de importación pev_synth), un paquete de Python de código abierto con licencia MIT que genera un comportamiento de carga sintético para vehículos eléctricos enchufables (PEV) en ocho regiones de EE. UU. El sistema se basa en un flujo de trabajo determinista de nueve etapas (M1–M9) que transforma microdatos de encuestas en perfiles de carga con marcas de tiempo.

Procedencia de los Datos y Flujo de Trabajo

El flujo de trabajo se fundamenta en los microdatos de la Encuesta Nacional de Viajes en el Hogar de 2017 (NHTS) y modelos regionales de mezcla de ventas.

M1 (nhts_loader): Ingiere los microdatos de NHTS-2017 (específicamente el subconjunto de California para el emparejamiento de donantes) y los almacena en caché como tablas Parquet.
M2 (vehicle_archetypes): Muestrea una flota sintética a partir de distribuciones de mezcla de ventas regionales (p. ej., CVRP-CA para California, NYSERDA para Nueva York). Asigna trenes motrices (BEV/PHEV), capacidades de batería, clasificaciones de cargador a bordo (OBC) e intensidades de energía basados en priors empíricos.
M3 (donor_matcher): Empareja vehículos sintéticos con hogares reales de la NHTS basándose en ingresos, tamaño del hogar, clase urbana/rural y número de vehículos. Emplea una escala de relajación para encontrar donantes y gestiona el préstamo entre estados para regiones con bases de datos reducidas.
M4 (travel_week_builder): Une los días de viaje de la NHTS en un calendario de viajes representativo de 365 días. Aplica un factor de aumento de energía invernal dependiente de la temperatura ( $f_T$ ) derivado del modelo de Yuksel–Michalek.
M5 (plug_in_model): Determina los eventos de conexión mediante un modelo logístico de Bernoulli de tres capas. Los tiempos de inicio se muestrean de la parametrización de mezcla de Gaussianas SPEECh K=16 publicada (Powell et al., 2022), mientras que los coeficientes de propensión de conexión se extraen de priors de la literatura (Munkhammar et al., Kreft et al.).
M6 (soc_trajectory): Propaga un libro de contabilidad de estado de carga (SoC) en tiempo continuo. Modela explícitamente la extensión de autonomía por gasolina de los PHEV: cuando el SoC de un PHEV alcanza el límite inferior, el déficit es cubierto por el motor y se registra como un "gas_kwh_equivalent" en la siguiente sesión.
M7 (hourly_resampler): Rasteriza sesiones de conexión continuas en cuadrículas booleanas de 15 minutos y horarias.
M8 (validation_bounds_curator): Ensambla límites numéricos rastreables de publicaciones para la validación.
M9 (validator): Compara las distribuciones generadas contra estos límites, clasificando cada divergencia como PASS, FAIL, EXPLAINED_FAIL, EXPLAINED_SKIP o ERROR.

Reproducibilidad y Arquitectura

El paquete impone una estricta reproducibilidad a través de una única semilla maestra (20260520). Esta semilla se propaga a través de namespaces de sub-semillas deterministas por módulo y por vehículo, asegurando que entradas idénticas (región, tipo de perfil, semilla) produzcan salidas bit a bit idénticas. La arquitectura separa el flujo de trabajo generativo interno de una API pública (objetos Fleet y Profile), lo que permite a los usuarios generar, filtrar y consultar flotas sin acceder a la mecánica interna del flujo de trabajo.

Contribuciones Clave

Base Regional de EE. UU.: A diferencia de las herramientas europeas, ev-flow está calibrado con el comportamiento de viaje de EE. UU. (NHTS) y mezclas de ventas regionales en ocho regiones distintas (Bahía de San Francisco, Boston, Chicago, Dallas-Fort Worth, Cuenca de Los Ángeles, Área Metropolitana de Nueva York, Seattle y una referencia nacional de EE. UU.).
Alcance de Perfil Dual: Genera perfiles tanto de residenciales como de lugares de trabajo, abordando un vacío dejado por las herramientas que se centran únicamente en la carga doméstica o la demanda agregada.
Modelado Explícito de PHEV: La versión 3.0 introduce un término explícito de extensión de autonomía por gasolina para PHEV, mejorando las relaciones de conservación de energía de la flota en comparación con modelos anteriores centrados solo en la red.
Marco de Validación Honesto: El validador no ajusta los modelos para que pasen las comprobaciones. En su lugar, clasifica las divergencias. Por ejemplo, marca la discrepancia entre el muestreador SPEECh (telemetría de California) y los límites de validación (ensayo My Electric Avenue del Reino Unido) como un EXPLAINED_FAIL en lugar de un defecto.
Enriquecimiento Descriptivo de EVSE: Cada vehículo tiene asignados atributos descriptivos de marca de EVSE y conector (p. ej., Tesla, ChargePoint, J1772, NACS) basados en priors de mercado, aunque estos no alteran la tasa de carga física.

Resultados y Validación

El artículo reporta resultados de validación para un caché residencial del Área de la Bahía (1,000 vehículos) frente a 21 comprobaciones aplicables:

11 PASS: Incluyendo la distribución de capacidad de batería (ahora pasa contra un límite específico de la región), eficiencia de carga, integridad entre artefactos y distribuciones de marca de EVSE/conector.
0 FAIL: No se encontraron divergencias inexplicables.
6 EXPLAINED_FAIL: Las limitaciones documentadas incluyen:
- CDFs de Conexión: Las distribuciones de tiempo de inicio de conexión de días laborables y fines de semana omiten tres de las cuatro bandas horarias debido a la discrepancia de datos de anclaje entre el muestreador SPEECh entrenado en California y los límites de validación basados en el Reino Unido.
- Varianza de Millaje Anual: La varianza está inflada debido a la limitación estructural de la NHTS de asignar solo un día de viaje por hogar.
- Conservación de Energía de la Flota: La relación es 0.945 (mejorada del ~0.895 en v2.1 con el nuevo libro de contabilidad de gasolina de PHEV) pero permanece por debajo del objetivo de cierre teórico de ~1.11 debido a la energía de viaje no servida por los priors de conexión inadecuados.
4 EXPLAINED_SKIP: Comprobaciones para límites que son solo informativos o dependen de dependencias fuera del alcance (p. ej., pruebas de humo de optimizadores).

Significancia y Reivindicaciones

El artículo posiciona a ev-flow como un llenador de un nicho específico: un generador de código abierto y programable que combina el comportamiento de viaje basado en NHTS, la heterogeneidad de la mezcla de ventas regional y el alcance residencial/laboral con un diseño orientado a la reproducibilidad.

Los autores afirman que la significancia no reside en perfeccionar el modelo, sino en la transparencia y utilidad:

Confianza mediante la Honestidad: Al clasificar y atribuir explícitamente cada divergencia (EXPLAINED_FAIL), la herramienta permite a los investigadores utilizar datos sintéticos con pleno conocimiento de sus limitaciones (p. ej., la discrepancia de anclaje de datos entre el Reino Unido y California).
Reproducibilidad: La arquitectura de semilla única asegura que los resultados puedan ser replicados exactamente en diferentes grupos de investigación y entornos de computación.
Base para Estudios de Red: Proporciona las poblaciones necesarias, grandes, diversas y regionalmente resueltas para los análisis de capacidad de acogida de alimentadores de distribución, pronósticos de carga y benchmarking de algoritmos de carga inteligente, que anteriormente dependían de modelos agregados de código cerrado o herramientas no estadounidenses.

El artículo concluye que, si bien el modelo tiene limitaciones (p. ej., no tiene flujo de potencia bidireccional, coeficientes de conexión basados en juicios), sirve como una base dependiente y honesta para la próxima generación de investigación de integración de PEV en la red de EE. UU.