Estimación de la demanda futura de recarga residencial de vehículos eléctricos y análisis de su impacto sobre la capacidad de la red de distribución: caso de estudio de Majadahonda

Abstract

Este Trabajo Fin de Grado desarrolla una metodología para estimar la demanda futura de recarga residencial de vehículos eléctricos y analizar su impacto sobre la red de distribución, utilizando Majadahonda como caso de estudio. El trabajo combina información residencial georreferenciada, datos de movilidad, escenarios de penetración de vehículos eléctricos y datos de capacidad de red para construir perfiles horarios de demanda entre 2035 y 2050. El modelo asigna vehículos a viviendas, distingue entre vehículos eléctricos puros y vehículos híbridos enchufables, estima necesidades de recarga y genera perfiles horarios bajo distintos supuestos de comportamiento.

Además de la carga inmediata al llegar al domicilio, se analizan dos mecanismos de gestión: la recarga inteligente, basada en desplazar la carga hacia las horas de menor precio, y la limitación de potencia como medida de mitigación en situaciones de elevada simultaneidad. Los resultados muestran que la electrificación del parque móvil incrementa la demanda y modifica la curva horaria, concentrando inicialmente la carga en horas de tarde-noche. La recarga inteligente parcial reduce el pico máximo, pero una adopción excesivamente homogénea puede generar nuevos picos nocturnos por sincronización. La limitación de potencia, especialmente en escenarios de alta recarga inteligente, permite reducir estos picos, aunque introduce un equilibrio entre reducción de demanda máxima y energía no suministrada.

Finalmente, el trabajo desarrolla una herramienta cartográfica que representa la demanda futura por zonas y la compara con capacidad ilustrativa asociada a subestaciones, ofreciendo una base metodológica útil para la planificación preliminar de redes de distribución.

This Final Degree Project develops a methodology to estimate future residential electric vehicle charging demand and analyse its impact on the distribution network, using Majadahonda as a case study. The project combines georeferenced residential data, mobility information, electric vehicle penetration scenarios and network capacity data to build hourly demand profiles between 2035 and 2050. The model assigns vehicles to dwellings, distinguishes between battery electric vehicles and plug-in hybrid electric vehicles, estimates charging requirements and generates hourly profiles under different behavioural assumptions.

In addition to immediate charging after arriving home, two charging management strategies are analysed: smart charging, based on shifting charging sessions towards lower-price hours, and power limitation as a mitigation measure under high simultaneity conditions. The results show that vehicle fleet electrification increases demand and modifies the hourly load curve, initially concentrating charging in evening hours. Partial smart charging reduces the maximum demand peak, but an excessively homogeneous response to the same price signal may create new night-time peaks due to synchronisation. Power limitation, especially in scenarios with high smart charging adoption, helps reduce these peaks, although it introduces a trade-off between maximum demand reduction and non-supplied charging energy.

Finally, the project develops a cartographic tool that represents future charging demand by spatial areas and compares it with illustrative capacity associated with substations. This provides a useful methodological basis for preliminary distribution network planning and for identifying areas where future residential charging demand may require more detailed technical analysis.