Fuente: Pixabay/CC0 Dominio público
Incorporar millones de vehículos eléctricos (EV) a la red eléctrica creará una oportunidad transformadora para los esfuerzos de descarbonización de EE. UU. Sin embargo, también trae consigo un desafío importante. Los científicos e ingenieros están buscando la mejor manera de cargar los vehículos de manera inteligente, eficiente, económica y limpia a través de una red que tal vez no pueda manejarlos todos a la vez o todo el tiempo.
Investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. y estudiantes graduados de la Universidad de Chicago están colaborando en un nuevo y emocionante proyecto para abordar este desafío. Este proyecto utilizará una combinación particular de recompensas y castigos computacionales, una técnica llamada aprendizaje por refuerzo, para entrenar un algoritmo que ayudará a programar y administrar la carga de un conjunto diverso de vehículos eléctricos.
El primer grupo de vehículos que el equipo está estudiando son los que cargan los empleados de Argonne en el laboratorio Smart Energy Plaza, que ofrece cargadores de CA normales y cargadores rápidos de CC. Dado que los empleados no suelen necesitar sus vehículos durante la jornada laboral, existe cierta flexibilidad en el tiempo de carga de cada coche.
“Hay una cierta cantidad total de energía que se puede asignar, y diferentes personas tienen diferentes necesidades cuando se trata de tener automóviles disponibles al final del día”, dijo el ingeniero eléctrico jefe de Argonne, Jason Harper. “Ser capaz de entrenar el modelo para que funcione dentro de las limitaciones de la hora de salida de un trabajador específico, teniendo en cuenta la demanda máxima en la red, nos permitirá proporcionar una carga eficiente y de bajo costo”.
“Cuando se cargan varios vehículos eléctricos al mismo tiempo, pueden provocar un pico de demanda en la planta de energía. Esto introduce mayores tarifas, que tratamos de evitar”, agregó Salman Yousaf. Yousaf es un estudiante graduado en ciencia de datos aplicada en la Universidad de Chicago que está trabajando en un proyecto con otros tres estudiantes.
El aprendizaje por refuerzo en el algoritmo implica tener en cuenta la retroalimentación de los resultados positivos, como un vehículo eléctrico que tenga la cantidad deseada de carga a una hora de salida designada. También tiene en cuenta los resultados negativos, como la necesidad de extraer energía por encima de un cierto umbral máximo. Con base en estos datos, el algoritmo de programación de carga puede tomar decisiones más inteligentes sobre qué autos cargar y cuándo.
“La programación de carga inteligente es en realidad un problema de optimización”, dijo Harper. “En tiempo real, la estación de carga tiene que hacer concesiones constantemente para asegurarse de que cada automóvil se cargue de la manera más eficiente posible”.
Si bien las estaciones de carga de Argonne son el primer lugar donde los investigadores del proyecto llevan a cabo un aprendizaje por refuerzo, existe la posibilidad de extenderlas mucho más allá de los límites del laboratorio. “Hay mucha flexibilidad cuando se trata de cargar en el hogar, donde la carga durante la noche permitiría cierta movilidad para moverse alrededor de la distribución de la carga”, dijo Yousaf.
“La verdadera carga inteligente realmente tiene en cuenta a todos los actores del ecosistema”, agregó Harper. “Esto significa la compañía eléctrica, el propietario de la estación de carga y el conductor del vehículo eléctrico o el propietario de la vivienda. Queremos satisfacer las necesidades de todos, teniendo en cuenta las limitaciones que todos enfrentan”.
El trabajo futuro en el modelo simulará una red de carga mucho más grande, inicialmente basada en datos recopilados de los cargadores Argonne.
Harper y sus colegas también desarrollaron una aplicación móvil llamada EVrest que permite a los usuarios de estaciones de carga en red (en este caso, inicialmente empleados de Argonne) reservar estaciones y participar en la programación de carga inteligente. La plataforma EVrest recopila datos sobre el comportamiento de carga y utiliza estos datos para entrenar futuros modelos de IA para ayudar con la gestión de carga inteligente y la integración de la red de vehículos.