Evaluación tecno-económica de estrategias de recarga inteligente de vehículos eléctricos residenciales en la planificación de redes de distribución eléctrica a largo plazo.

Abstract

Este proyecto evalúa el impacto técnico y económico de diferentes estrategias de recarga inteligente de vehículos eléctricos residenciales en redes de distribución eléctrica a largo plazo. Se han desarrollado modelos de optimización para simular el comportamiento de carga bajo distintos escenarios y niveles de adopción, demostrando una clara reducción de picos de demanda y una disminución significativa en las inversiones necesarias en infraestructura. Para ello, se han definido y comparado tres estrategias: una recarga no gestionada (estrategia 0), una recarga optimizada en función del coste horario de la energía (estrategia 1), y una tercera que incorpora también el término de potencia contratada (estrategia 2). La simulación se ha aplicado a un municipio semiurbano representativo, asumiendo un 15 % de penetración de vehículos eléctricos en el año 2030. Los perfiles de carga individuales se han generado mediante un modelo de optimización desarrollado en MATLAB, a partir de la creación de una base de datos previa mediante la utilización de datos reales de consumo, movilidad y tipología de edificios. Los resultados muestran que las estrategias inteligentes, especialmente la estrategia 2, no solo permiten aplanar la curva de carga diaria, sino que reducen en más del 90 % las inversiones necesarias en refuerzo de red en escenarios de alta adopción. Esta metodología ofrece una herramienta eficaz para la planificación eléctrica, alineada con los objetivos de descarbonización y eficiencia energética, y pone de relieve la importancia de integrar criterios económicos y técnicos en el diseño de políticas públicas para la movilidad eléctrica.

This project assesses the technical and economic impact of different smart charging strategies for residential electric vehicles on long-term electrical distribution networks. Optimization models were developed to simulate charging behavior under various scenarios and levels of user adoption, demonstrating a clear reduction in demand peaks and a significant decrease in the infrastructure investments required. To this end, three strategies were defined and compared: unmanaged charging (strategy 0), charging optimized according to hourly energy prices (strategy 1), and a third that also incorporates contracted power charges (strategy 2). The simulation was applied to a representative semi-urban municipality, assuming a 15% penetration of electric vehicles by the year 2030. Individual charging profiles were generated through an optimization model developed in MATLAB, based on a previously constructed database using real data on energy consumption, mobility patterns, and building typologies. The results show that smart charging strategies, especially strategy 2, not only help flatten the daily load curve but also reduce the required network reinforcement investments by more than 90% in high-adoption scenarios. This methodology provides an effective tool for distribution network planning, aligned with decarbonization and energy efficiency goals, and highlights the importance of integrating both economic and technical criteria in the design of public policies for electric mobility.