Probabilistic Electric Vehicle Availability Modelling from Large-Scale Travel Survey Data for Grid Integration Studies

Resumen Técnico: Modelado Probabilístico de la Disponibilidad de Vehículos Eléctricos a partir de Datos de Encuestas de Viajes a Gran Escala para Estudios de Integración en la Red

Planteamiento del Problema
La estimación precisa de la disponibilidad de los Vehículos Eléctricos (VE) es un requisito previo para evaluar el potencial de Vehicle-to-Grid (V2G). Sin embargo, los estudios de integración en la red existentes dependen frecuentemente de supuestos deterministas, como ventanas de carga nocturnas fijas o presencia constante en el hogar. Estos enfoques descuidan la estocasticidad inherente al comportamiento de la movilidad humana y a las restricciones de carga, lo que conduce a una sobreestimación sistemática de la flexibilidad disponible. Además, aunque los conjuntos de datos de encuestas de viajes a gran escala (por ejemplo, la UK National Travel Survey) ofrecen datos empíricos detallados, su integración en modelos de sistemas de potencia sigue siendo limitada debido a la falta de metodologías estandarizadas para traducir los datos de movilidad en representaciones de disponibilidad relevantes para la red.

Metodología
El estudio propone un marco probabilístico integral para modelar la disponibilidad de los VE integrando cuatro etapas distintas:

1. Reconstrucción de Datos: Se procesaron los registros a nivel de viaje de la UK National Travel Survey (NTS) de 2023 para reconstruir las cadenas de movilidad diaria. El conjunto de datos se filtró por validez, resultando en una muestra analítica de 10,044 viajes. La disponibilidad del vehículo se discretizó en una cuadrícula temporal de 30 minutos, definiendo un estado binario donde el vehículo está presente (en casa/accesible a la red) o ausente.
2. Modelado Estadístico: Las distribuciones de tiempo de salida y regreso se caracterizaron mediante Modelos de Mezcla Gaussiana (GMM). El número óptimo de componentes de mezcla se determinó mediante el Criterio de Información Bayesiano (BIC) para equilibrar el ajuste del modelo y la complejidad, capturando clases conductuales latentes (por ejemplo, conmutadores o trabajadores flexibles).
3. Representación de Procesos Estocásticos: La dinámica de disponibilidad temporal se modeló utilizando un proceso de Markov no homogéneo (variante en el tiempo). Este enfoque captura la probabilidad de transición entre estados de disponibilidad en función del tiempo, reflejando patrones de movilidad diarios no estacionarios.
4. Calibración de Conectividad: Para abordar la brecha entre la presencia física y la conectividad a la red, se introdujo una probabilidad de conexión condicional, $P_{plug}(t)$. Esta se calibró utilizando datos de sesiones de carga empíricos de un depósito municipal de VE. La disponibilidad efectiva para V2G, $A(t)$, se define como la probabilidad conjunta de que un vehículo esté presente y conectado: $A(t) = \phi(t) \cdot P_{plug}(t)$.

El modelo fue validado contra los datos GPS de EVFLEET para asegurar la fidelidad estadística respecto a los tiempos de llegada/salida y para evaluar las características del tiempo de permanencia.

Resultos Clave

• Movilidad Multimodal: El análisis GMM reveló que el comportamiento de viaje es multimodal, con los tiempos de salida dominados por un pico matutino (08:09) y los tiempos de regreso por un pico vespertino (17:37). Aproximadamente el 40% del comportamiento de viaje cae fuera del modo de conmutación dominante, lo que introduce una variabilidad significativa que suele ignorarse en los modelos deterministas unimodales.
• Estructura de Disponibilidad de "Doble Depresión": La probabilidad modelada de presencia del vehículo exhibe una estructura de "doble depresión" (double-dip). La disponibilidad cae a un mínimo de 0.42 a las 10:30, se recupera ligeramente y vuelve a caer a 0.25 en la tarde temprana (13:00–14:00) antes de recuperarse a 0.87 para las 21:00.
• Impacto del Comportamiento de Conexión: Mientras que la disponibilidad de movilidad media es 0.78, la integración de las probabilidades de conexión empíricas (media de 0.57) reduce la disponibilidad efectiva media a aproximadamente 0.25. Esto representa una reducción estructural del 67.9% en la capacidad disponible en comparación con las estimaciones basadas únicamente en la movilidad.
• Sobreestimación a Nivel de Sistema: Al aplicarse a la estimación de la capacidad V2G, las formulaciones de Flujo de Potencia Óptimo (OPF) deterministas (asumiendo un 100% de disponibilidad) sobreestiman la capacidad pico por un factor de 2.4 en comparación con el modelo estocástico (780 kW frente a 320 kW). La discrepancia es más pronunciada al mediodía, cuando la disponibilidad es más baja.
• Validación: El modelo mostró una fuerte concordancia con los datos GPS de EVFLEET para los tiempos de llegada y salida (errores de alineación de picos dentro de ±30 minutos). Sin embargo, los datos empíricos exhibieron colas más pesadas en las distribuciones de tiempo de permanencia (extendiéndose más allá de las 100 horas) en comparación con las distribuciones sintéticas, lo que sugiere que los eventos de inactividad extrema introducen una varianza adicional.

Significancia y Reivindicaciones
El artículo afirma que la disponibilidad de los VE está estructuralmente limitada por la interacción entre el comportamiento de movilidad multimodal y la conectividad de carga condicional. La contribución principal es la cuantificación del sesgo sistemático introducido por los supuestos deterministas en los estudios de integración en la red. Los autores sostienen que:

1. Los modelos deterministas son insuficientes: No solo introducen un error aleatorio, sino que crean sesgos sistemáticos que conducen a programas de despacho inviables y a la sobreasignación de recursos V2G.
2. La agregación no elimina las restricciones: A diferencia de la variabilidad estocástica, la brecha entre la presencia física y la disponibilidad integrada es estructural. Aumentar el tamaño de la flota no incrementa proporcionalmente la capacidad V2G porque la restricción del comportamiento de conexión permanece.
3. Avance Metodológico: El marco propuesto proporciona una metodología escalable y basada en datos que cierra la brecha entre los datos de movilidad a gran escala y las aplicaciones de sistemas de potencia, permitiendo evaluaciones más realistas del potencial V2G.
4. Implicaciones Operativas: Los resultados sugieren que la agrupación por franjas horarias (time-of-day binning) es estructuralmente inadecuada para la programación de flotas de VE. Las futuras estrategias de integración en la red deben incorporar distribuciones de disponibilidad variables en el tiempo y modelar explícitamente las restricciones de comportamiento para evitar sobreestimar la flexibilidad despachable.