Optimizador de carga inteligente: carga y descarga inteligente de vehículos eléctricos

Área de la Ciencia:

• Ingeniería eléctrica
• Sistemas energéticos sostenibles
• Inteligencia artificial

Sus antecedentes:

• La adopción generalizada de vehículos eléctricos (VE) es crucial para una economía baja en carbono, pero plantea riesgos para la fiabilidad de la red eléctrica debido al alto consumo de electricidad.
• La sobrecarga de los transformadores de la red eléctrica es una preocupación importante asociada con el rápido desarrollo de los vehículos eléctricos.
• Las estrategias efectivas de programación de carga y descarga son esenciales para mitigar los impactos negativos de los vehículos eléctricos en la red eléctrica.

Objetivo del estudio:

• Explorar y evaluar dos estrategias inteligentes para programar la carga y descarga de vehículos eléctricos para reducir la sobrecarga de los transformadores de la red eléctrica.
• Para minimizar la relación pico-promedio de la carga de la red a través de la eliminación de pico y llenado de valle.
• Reducir los costes de carga de los vehículos eléctricos para los usuarios, garantizando al mismo tiempo que se satisfagan sus necesidades de movilidad.

Principales métodos:

• Acoplamiento de la memoria a corto plazo (LSTM) con programación lineal de números enteros (ILP) para optimizar los horarios de carga y descarga, centrándose en minimizar los retrasos.
• Aplicar Q-learning, una técnica de aprendizaje por refuerzo, para determinar las acciones óptimas de carga/descarga de vehículos eléctricos en función del estado de carga y la demanda de la red.
• Utilización de la programación inteligente para gestionar la integración de los vehículos eléctricos en el sistema eléctrico.

Principales resultados:

• Tanto las estrategias LSTM-ILP como Q-learning demostraron tener éxito en la reducción de la relación pico-promedio de la carga de la red.
• Las estrategias aplicadas redujeron efectivamente la influencia de las demandas de carga de vehículos eléctricos en la red eléctrica.
• La investigación validó la capacidad de la programación inteligente para equilibrar la estabilidad de la red y las necesidades de carga del usuario.

Conclusiones:

• Las estrategias inteligentes de programación de carga y descarga, como LSTM-ILP y Q-learning, son efectivas para gestionar el impacto de los vehículos eléctricos en la red.
• Estos métodos contribuyen a un futuro energético más fiable y sostenible mediante la optimización de la integración de los vehículos eléctricos.
• La investigación proporciona un enfoque viable para minimizar la tensión de la red y reducir simultáneamente los costos de carga de los usuarios de vehículos eléctricos.