Techno-Economic Analysis of Shared Mobile Storage for Demand Charge Reduction

Resumen Técnico: Análisis Tecno-Económico del Almacenamiento Móvil Compartido para la Reducción de Cargos por Demanda

Planteamiento del Problema
Los usuarios comerciales e industriales (C&I) a menudo enfrentan costos de electricidad significativos impulsados por los cargos por demanda, los cuales se basan en la demanda máxima de potencia real promediada sobre intervalos cortos. Si bien los sistemas de almacenamiento de energía mediante baterías (BESS) estacionarias son una solución convencional, sufren de altos costos iniciales y rigidez espacial. Las flotas de vehículos eléctricos (EV) compartidos ofrecen una alternativa de "almacenamiento móvil" que puede servir a múltiples usuarios en diferentes ubicaciones. Sin embargo, la literatura existente a menudo depende de modelos idealizados que descuidan las restricciones logísticas y operativas críticas. Específicamente, estudios previos frecuentemente pasan por alto el acoplamiento espacio-temporal del consumo de energía (gastos generales de tránsito), los costos de mano de obra de los conductores de EV y los complejos compromisos que involucran la degradación de la batería y las capacidades de la infraestructura de carga. El problema central abordado es determinar el verdadero valor económico neto de las flotas de EV compartidas para la reducción de cargos por demanda una vez que estos factores granulares y prácticos se contabilizan rigurosamente.

Metodología
Los autores proponen un marco de gestión de flotas de alta fidelidad que integra factores operativos y económicos que a menudo se omiten en estudios previos de almacenamiento móvil.

1. Formulación Matemática: El problema de despacho se formula como un Programa Lineal de Enteros Mixtos (MILP). El objetivo es minimizar conjuntamente los cargos totales por demanda para los usuarios C&I y los costos operativos de la flota de EV. El modelo captura explícitamente:

   • Acoplamiento espacio-temporal: El consumo de energía durante el tránsito entre la estación de carga central y las ubicaciones de los usuarios.
   • Costos de mano de obra: Modelados como un costo fijo por conductor basado en las horas de trabajo.
   • Degradación de la batería: Representada a través de la depreciación basada en el uso (costo por kWh ciclado) y la depreciación basada en la edad.
   • Infraestructura de carga: Costos y capacidades de cargadores tanto de CA Nivel 2 como de CC rápidos en los sitios de los usuarios y en la estación central.
   • Restricciones: La formulación incluye restricciones para el estado de carga (SOC), eficiencias de carga/descarga, tiempos de tránsito (asumidos como un intervalo de tiempo) y el requisito de que un EV debe estar en tránsito durante un intervalo antes de que pueda comenzar a descargar en el sitio de un usuario.

2. Desarrollo de Algoritmo: Debido a la complejidad computacional del MILP, que crece exponencialmente con el número de usuarios y EVs, los autores desarrollan un algoritmo heurístico basado en el valor marginal.

   • El algoritmo identifica iterativamente al usuario "más valorado" (mayor reducción marginal de cargo por demanda por servicio) y al EV disponible "menos utilizado".
   • Despacha el EV seleccionado al usuario si el ahorro marginal en el cargo por demanda supera los costos operativos incrementales (carga y depreciación).
   • Este enfoque logra un rendimiento cercano al óptimo con un tiempo de computación significativamente reducido en comparación con la resolución del MILP completo, lo que lo hace escalable para las operaciones diarias de la flota.

3. Configuración del Caso de Estudio: El marco se valida utilizando datos reales de medidores inteligentes de 730 edificios comerciales en San Francisco, California, servidos por PG&E. El estudio considera dos esquemas tarifarios (B-10 y B-19) y evalúa tres configuraciones de infraestructura: Todo-CA, Todo-CC y una configuración Escalonada (mezclando CA para usuarios más pequeños y CC para usuarios más grandes).

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Formulación Unificada de MILP: Presenta un modelo que integra explícitamente la energía de tránsito, los costos de mano de obra y la degradación de la batería en un único objetivo de despacho, asegurando la viabilidad operativa y una evaluación económica precisa.
2. Heurística Eficiente: Propone un algoritmo heurístico basado en el valor marginal que resuelve el complejo problema de despacho en tiempo polinomial, logrando resultados cercanos al óptimo mientras maneja la carga computacional de flotas grandes.
3. Evaluación Tecno-Económica Integral: A través de un caso de estudio, identifica los costos de mano de obra como el factor dominante que afecta los ingresos y valida una estrategia de despliegue de cargadores Escalonada. Esta estrategia, que mezcla cargadores de CC rápidos para grandes usuarios y cargadores de CA para usuarios más pequeños, demuestra ofrecer ahorros netos superiores en comparación con las configuraciones de infraestructura uniformes.

Resultados
Utilizando datos de San Francisco, el análisis revela varios hallazgos clave:

• Viabilidad Económica: Un número modesto de EVs puede lograr ahorros significativos en cargos por demanda suficientes para recuperar los gastos de propiedad y operación.
• Variación Estacional: Los ahorros netos son sustancialmente mayores en verano (promediando $34,111 para un solo EV) en comparación con el invierno ($18,025), impulsados por tarifas de cargos por demanda más altas y cargas pico durante los meses de verano.
• Impacto de la Infraestructura: La configuración de infraestructura Escalonada rinde consistentemente los mayores ahorros netos. Si bien las configuraciones de Todo-CC ofrecen mayores ahorros en verano, el alto costo amortizado de los cargadores de CC las hace menos viables para usuarios más pequeños (Programa B-10). El enfoque Escalonado equilibra estos factores de manera efectiva.
• Dimensionamiento de la Flota: Existe un punto de rendimientos decrecientes. Para la configuración Escalonada, el tamaño óptimo de la flota se encuentra en tres EVs en invierno y seis EVs en verano. Más allá de estos tamaños, la reducción marginal del cargo por demanda por cada EV adicional disminuye mientras que los costos de mano de obra continúan aumentando linealmente, erosionando eventualmente los ahorros netos.
• Impulsores de Costos: Los costos de mano de obra se identifican como el factor dominante que afecta la rentabilidad. El estudio calcula un "costo de mano de obra crítico" (aproximadamente $120–$210/hr dependiendo de la temporada) más allá del cual el modelo de negocio deja de ser rentable. Los costos de mano de obra estimados actualmente ($19/hr) están muy por debajo de este umbral.
• Sensibilidad a la Incertidumbre: El modelo es sensible a la incertidumbre en el pronóstico de la carga. Los ahorros netos disminuyen monótonamente a medida que aumenta el error de pronóstico. Sin embargo, el modelo de negocio sigue siendo viable bajo niveles moderados de incertidumbre (hasta un 10–15% de error), particularmente si se asume la operación autónoma (eliminando los costos de mano de obra).

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en cerrar la brecha entre el potencial teórico del almacenamiento móvil y la viabilidad comercial práctica. Al modelar explícitamente las fricciones del "mundo real"—específicamente la energía de tránsito, la mano de obra del conductor y el desgaste de la batería— los autores demuestran que el almacenamiento móvil compartido no es solo teóricamente posible, sino económicamente atractivo bajo condiciones específicas.

Los autores señalan modestamente que su heurística es un enfoque "miope" sin una garantía de aproximación teórica universal, pero demuestra un rendimiento cercano al óptimo empíricamente. Enfatizan que los tamaños de flota óptimos y las cifras de ahorro son específicos de cada caso, dependiendo de las estructuras tarifarias locales, las características de la carga y los supuestos de costos. El trabajo proporciona una línea base realista para evaluar la viabilidad comercial del almacenamiento de energía móvil compartido, yendo más allá de los supuestos idealizados para ofrecer un marco que contabiliza la compleja interacción entre logística, energía y economía. Se sugiere que el trabajo futuro incorpore el modelado estocástico para las variaciones en el tiempo de viaje, la disponibilidad de los EV y la confiabilidad de los cargadores.