🔢 mathematics

Scalable No-Stockout Charging Scheduling for Battery Swapping Under Time-of-Use Prices

Este artículo propone un marco de programación escalable y guiado por precios para estaciones de intercambio de baterías que garantiza la ausencia de desabastecimiento mientras minimiza los costos de carga por tiempo de uso, demostrando mediante datos sintéticos y del mundo real que logra soluciones casi óptimas con reducciones de costos significativas en comparación con las estrategias de referencia.

Autores originales: Eunbin Cho, Junki Cho, Hakjin Lee, Jaehoon Sim, Junghoon Seo

Publicado 2026-07-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Eunbin Cho, Junki Cho, Hakjin Lee, Jaehoon Sim, Junghoon Seo

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 un mundo donde los vehículos eléctricos (VE) no se quedan simplemente enchufados durante una hora; en su lugar, entran rápidamente en una estación, cambian su batería agotada por una fresca en segundos y vuelven a la carretera a toda velocidad. Esta es la magia del intercambio de baterías. Pero entre bastidores, la estación se enfrenta a un rompecabezas complicado: tiene un número limitado de baterías y cargadores, y los precios de la electricidad cambian a lo largo del día, volviéndose más baratos por la noche y más caros durante el día. El objetivo del gerente de la estación es simple pero difícil: asegurarse de que cada coche que llegue reciba una batería llena (que nadie se quede varado), mientras carga las baterías devueltas solo cuando la electricidad es barata. Si cargan demasiado pronto, desperdician dinero; si esperan demasiado, podrían quedarse sin baterías para el siguiente coche. Este artículo se sumerge en ese mismo rompecabezas, tratando de encontrar el programa perfecto que ahorre dinero sin dejar nunca a un cliente esperando.

Los autores de este artículo abordaron este dolor de cabeza de la programación construyendo un modelo matemático superinteligente. Piensa en la estación como una cocina con mucha actividad donde los "chefs" son los cargadores y los "ingredientes" son las baterías. El desafío es que cada vez que un coche se va con una batería nueva, esa batería específica emprende un "viaje" y regresa vacía en un momento específico. La estación tiene que decidir: ¿Qué batería vacía va a qué cargador y cuándo empezamos a cargarla?

Para resolver esto, el equipo creó dos versiones de una "receta" (un programa matemático) para la estación. La primera versión, llamada Modelo F, era como un manual de instrucciones masivo y detallado que rastreaba cada una de las baterías, cada cargador y cada segundo del día. Era precisa, pero tan pesada que a las computadoras les tomaba mucho tiempo resolverla, especialmente cuando la estación se hacía grande. Por ello, los autores inventaron una segunda versión, el Modelo R. Se dieron cuenta de que muchos de los pasos en la primera receta eran redundantes. Al simplificar las instrucciones —centrándose solo en las decisiones críticas de "qué batería para qué coche" y "cuándo empezar a cargar"— crearon una versión optimizada que era matemáticamente idéntica pero mucho más rápida. Es como darse cuenta de que no necesitas escribir cada paso para atarte los zapatos para saber cómo hacerlo; solo necesitas los nudos clave.

El artículo luego probó estos modelos contra un tercer método más rápido llamado P-BPD (Descomposición de Trayectoria de Batería Guiada por el Precio). Imagina esto como un atajo ingenioso donde la computadora no mira cada segundo del día. En su lugar, observa la "historia de vida" completa de una sola batería: "Sirve al Coche A, luego se carga, luego sirve al Coche B". La computadora construye estas historias como bloques de LEGO y las ensambla para formar un programa completo. Este método está diseñado para ser increíblemente rápido, incluso para estaciones enormes.

Cuando ejecutaron las simulaciones, los resultados fueron impresionantes. Para estaciones pequeñas y medianas, el Modelo R simplificado fue capaz de encontrar el programa perfecto (probado como el mejor posible) en menos de un segundo o unos pocos segundos. Fue de 3 a 7 veces más rápido que el modelo pesado original. Para las estaciones "xlarge" masivas, los modelos exactos a veces se quedaban trabados o tardaban demasiado, pero el atajo P-BPD siempre encontraba un programa de funcionamiento. Aunque el atajo no era perfectamente óptimo (era aproximadamente un 7–8% más caro que el mejor teórico en las pruebas más pequeñas, y tenía una pequeña brecha de 9–12% en las pruebas más grandes), seguía siendo vastamente superior a las formas antiguas de hacer las cosas.

El equipo también probó sus métodos con datos del mundo real de una estación comercial de intercambio de baterías en Corea del Sur, reproduciendo 30 días de tráfico real que involucró más de 1,000 intercambios. Compararon sus programadores inteligentes contra dos líneas base "torpes": una que carga las baterías inmediatamente cuando regresan (ASAP) y otra que simplemente intenta elegir el turno más barato sin preocuparse por quedarse sin baterías (línea base TOU). Los resultados fueron claros: sus programadores inteligentes sirvieron a cada uno de los coches (100% de tasa de servicio) y redujeron la factura de electricidad en aproximadamente un 50% en comparación con el método de "cargar inmediatamente". Incluso comparado con la línea base más inteligente de "turno más barato", todavía ahorraron alrededor de un 1.3%.

En resumen, el artículo demuestra que no tienes que elegir entre ahorrar dinero y mantener a los clientes felices. Al usar un modelo matemático optimizado o un atajo ingenioso "basado en historias", una estación de intercambio de baterías puede calcular automáticamente el programa de carga perfecto. Esto asegura que ningún coche espere nunca por una batería, mientras que el dueño de la estación paga el precio más bajo posible por la electricidad, convirtiendo una pesadilla logística caótica en una operación fluida y rentable.

Resumen Técnico: Programación de Carga Escalable sin Desabastecimiento para el Intercambio de Baterías bajo Precios de Uso Horario (TOU)

Definición del Problema
El artículo aborda el desafío operativo de programar la recarga de baterías en una estación de intercambio de baterías que presta servicio a una flota comercial de vehículos eléctricos (VE). La estación debe garantizar un nivel de servicio de "no desabastecimiento" (no-stockout), asegurando que cada vehículo que llegue reciba una batería completamente cargada de inmediato, mientras minimiza simultáneamente el costo total de recarga de las baterías devueltas bajo una tarifa de electricidad de Tiempo de Uso (TOU).

El problema se caracteriza por tres restricciones complejas:

Compatibilidad Heterogénea: Las baterías y los cargadores pertenecen a clases de compatibilidad específicas; una batería solo puede recargarse en un cargador compatible.
Dinámicas Específicas de Eventos: Cada intercambio de vehículo es un evento distinto con un tiempo de llegada específico y un retraso de retorno determinista. La batería queda disponible para su recarga solo después de que finaliza el viaje.
Capacidad Finita: La estación tiene un número limitado de cargadores, lo que crea competencia por los espacios de carga de bajo precio entre las baterías en espera.

El objetivo es determinar, para cada evento de servicio, qué batería física despachar y cuándo programar la recarga de la batería devuelta, de tal manera que se minimice el costo total de energía TOU sin fallar nunca en el servicio a un vehículo entrante.

Metodología
Los autores proponen un marco unificado que combina optimización exacta y descomposición heurística:

Formulaciones Exactas (Modelo F y Modelo R):
- Modelo F: Un Programa Lineal Entero Mixto (MILP) directo que rastrea cinco familias de variables binarias: asignación de servicio, tiempos de inicio de carga, disponibilidad de la batería, estado de espera y ocupación del cargador. Modela explícitamente el estado de cada batería física a lo largo de un horizonte finito.
- Modelo R: Una formulación reducida matemáticamente equivalente. Los autores demuestran que las variables de ocupación del cargador ( $x$ ), estado de espera ( $W$ ) y disponibilidad ( $A$ ) pueden derivarse algebraicamente de las variables de asignación de servicio ( $y$ ) y de inicio de carga ( $\sigma$ ). Al eliminar $x$ y $W$ , y relajar $A$ a variables continuas (preservando la integridad), el Modelo R reduce significativamente el número de variables binarias explícitas, mejorando la tractabilidad computacional sin sacrificar la optimalidad.
Descomposición de Trayectoria de Batería Guiada por Precios (P-BPD):
- Para manejar instancias de gran escala donde la certificación exacta es computacionalmente prohibitiva, los autores desarrollan una heurística basada en la generación de columnas.
- Concepto de Trayectoria (Path): Cada columna representa una "trayectoria" completa y factible para una sola batería física, codificando una secuencia de eventos de servicio y los bloques de carga asociados entre ellos.
- Problema Maestro: Un problema de partición de conjuntos selecciona una trayectoria por batería para cubrir todos los eventos de clientes exactamente una vez, respetando las restricciones de capacidad del cargador.
- Subproblema de Precios: Un algoritmo de programación dinámica genera nuevas trayectorias con costos reducidos negativos. Este subproblema está "guiado por precios", utilizando precios duales del problema maestro para identificar bloques de carga que minimicen el costo ajustado (precio de la electricidad más precios sombra de capacidad).
- Heurísticas: La implementación incluye el uso de precios de banda limitada (restringiendo el espacio de búsqueda a predecesores recientes) e inicios calientes (warm starts) codiciosos para acelerar la convergencia.
Control de Horizonte Rodante (Rolling-Horizon Control):
- Tanto el Modelo R como el P-BPD se despliegan como solucionadores de ventana dentro de un controlador de horizonte rodante. En cada época de decisión (llegada de vehículo o finalización de carga), el sistema re-optimiza sobre una ventana de previsión de 24 horas utilizando información actualizada de la flota, comprometiéndose únicamente con las acciones inmediatas.

Contribuciones Clave

Modelo por Batería Exacto y Reducción: El artículo introduce un MILP unificado que integra la minimización de costos TOU con una restricción estricta de no desabastecimiento por evento. La derivación del Modelo R demuestra que las decisiones binarias pueden concentrarse únicamente en las asignaciones de servicio y los inicios de carga, reduiendo significativamente la dimensión binaria explícita.
Escalabilidad Certificada y Programación Rápida: El Modelo R extiende el rango de instancias que pueden resolverse mediante certificación exacta. La heurística P-BPD construye programas de gran escala factibles con límites superiores de brecha de optimalidad ex post certificados, cerrando la brecha entre la optimalidad teórica y la escalabilidad práctica.
Validación Comercial: El estudio incluye una reproducción (replay) de 30 días de 1,002 intercambios de una estación comercial real en Corea del Sur, así como estudios de escalabilidad sintéticos, cuantificando las compensaciones entre la calidad de la solución, la fiabilidad del servicio y el tiempo de computación.

Resultos

Eficiencia Computacional: En estudios sintéticos, el Modelo R redujo los tiempos de certificación medianos en factores de 3.1 a 7.2 en comparación con el Modelo F completo. Para escalas pequeñas y medianas, el P-BPD resolvió instancias en 0.24 a 1.4 segundos con primas de costo de solo 7–8% sobre las soluciones óptimas certificadas.
Escalabilidad: En escalas grandes (54–72 baterías), el Modelo F no pudo certificar soluciones dentro de los límites de tiempo, mientras que el Modelo R certificó un subconjunto de instancias. El P-B_D generó con éxito programas de servicio completo para todas las instancias de gran escala con tiempos de resolución medianos de 4.9 a 8.0 segundos y brechas de optimalidad certificadas de 9–12%.
Ahorro de Costos: En comparación con una línea base de "carga inmediata" (ASAP), los programas optimizados redujeron los costos de energía de carga en un 50–60%. Comparado con una línea base consciente de los precios TOU que ignora los riesgos de desabastecimiento, el método propuesto redujo los costos en aproximadamente un 1.3% garantizando un 100% de fiabilidad en el servicio.
Reproducción en el Mundo Real: En la reproducción de 30 días de la estación comercial, ambos controladores (de modelo reducido y heurístico) atendieron cada intercambio (100% de fiabilidad) y lograron la reducción de costos del ~50% respecto a la carga inmediata. Los controladores operaron dentro de un presupuesto de replanificación de 120 segundos, con tiempos de resolución medianos de 3.2 segundos (Modelo R) y menos de 2.2 segundos (P-BPD).

Significancia
El artículo afirma proporcionar un marco de programación escalable que impone garantías de servicio a nivel de evento con la resolución de baterías físicas individuales. Al unificar las restricciones de servicio estrictas con la optimización consciente de los precios, los métodos propuestos permiten que las estaciones de intercambio de baterías desplacen la recarga a períodos de bajo precio sin comprometer la disponibilidad de la flota. El trabajo demuestra que la certificación exacta es posible para escalas moderadas mediante el Modelo R, y que se pueden generar programas casi óptimos y de servicio completo en tiempo real para operaciones de gran escala utilizando la heurística P-BPD. Esto aborda una brecha operativa crítica en la literatura, que a menudo trata el inventario y los precios por separado o depende de penalizaciones de servicio blandas.

Más como este