Modelado de la demanda de energía de vehículos eléctricos: un enfoque big data para la planificación energética

Abstract

La rápida expansión de los vehículos eléctricos en ciudades andinas de gran altitud, como el Distrito Metropolitano de Quito, capital de Ecuador, presenta desafíos únicos para la planificación de la infraestructura eléctrica, lo que requiere metodologías avanzadas que capturen la heterogeneidad del comportamiento y los efectos de sincronización masiva en escenarios de alta penetración. Este estudio introduce un enfoque híbrido que combina el modelado basado en agentes con la simulación de Monte Carlo y una arquitectura TimescaleDB para proyectar la demanda de carga con una resolución cuarto-horaria hasta 2040. La calibración del modelo utilizó datos reales de 764 puntos de carga recopilados durante 30 meses, que generaron 2.1 millones de sesiones de carga. Se incorporó un factor de coincidencia dinámico (FC = 0.222 + 0.036 * e(−0.0003n)), lo que resultó en una reducción del 52% en la sobreestimación de la demanda en comparación con los modelos tradicionales. Los resultados del proyecto para 2040 muestran una demanda máxima de 255 MW (IC 95%: 240–270 MW) y un consumo anual de 800 GWh. Estos hallazgos revelan que las tarifas por tiempo de uso no optimizadas pueden generar un "efecto acantilado" crítico, aumentando la demanda máxima en un 32%, mientras que la gestión de carga inteligente con aleatorización la reduce en un 18 ± 2.5%. La validación del modelo genera un MAPE de 4.2 ± 0.8% y un RMSE de 12.3 MW. La arquitectura TimescaleDB demostró velocidades de procesamiento de 2398.7 registros/segundo y logró una compresión de datos del 91%. Esta metodología ofrece herramientas robustas para la planificación energética urbana y la optimización de políticas de gestión de la demanda en contextos de gran altitud, con el código fuente disponible para asegurar la reproducibilidad.