Ubicación óptima de estaciones de carga para vehículos eléctricos y generación distribuida mediante la partición de la red de distribución usando el algoritmo modificado rápido de Newman

Cargando ciudades más limpias

A medida que más conductores cambian de coches de gasolina a vehículos eléctricos, nuestras redes eléctricas deben adaptarse. La carga rápida y cómoda es esencial, pero si muchos coches se conectan al mismo tiempo, la red local de postes, cables y transformadores puede verse sobrecargada. Este artículo explora cómo ubicar tanto estaciones de carga para vehículos eléctricos como pequeñas fuentes locales de energía de forma más inteligente para que los vecindarios puedan acoger más VE manteniendo la estabilidad del suministro y reduciendo las facturas.

Dividir grandes redes en vecindarios más pequeños

En lugar de tratar la red de distribución de una ciudad como un único enredo de cables, los autores la dividen en “vecindarios” eléctricos más pequeños y cohesionados llamados microredes virtuales. Emplean una técnica de la ciencia de redes, el algoritmo modificado rápido de Newman, pero la adaptan a la electricidad midiendo qué tan fuertemente están vinculados dos puntos de la red en términos eléctricos reales, no solo por distancia física. Esta medida, denominada fuerza de acoplamiento eléctrico, combina la facilidad con que fluye la potencia entre dos puntos con la capacidad segura de cada línea. El resultado es un conjunto de agrupaciones donde las líneas dentro de cada grupo están fuertemente conectadas y operan como una zona local coherente.

Colocar cargadores y pequeñas plantas donde más ayudan

Una vez que la red se divide en estos vecindarios virtuales, el siguiente paso es decidir dónde ubicar cada estación de carga y cada generador distribuido, como un pequeño generador síncrono o una unidad eólica. Los autores asignan a cada microred virtual exactamente una estación de carga y una pequeña fuente de energía. A continuación, buscan el mejor nodo dentro de cada vecindario enfocándose en los puntos más débiles del sistema: ubicaciones donde la tensión es más baja y la estabilidad es menor. Al reforzar esos puntos, pueden reducir la energía desperdiciada y mantener las tensiones dentro de límites seguros, incluso a medida que crece la demanda de carga de VE.

Tomando estrategias de la naturaleza para hallar la mejor disposición

Encontrar la combinación ideal de ubicaciones y tamaños para cargadores y generadores es un gran rompecabezas con muchas piezas móviles. Para resolverlo, los autores comparan tres métodos de búsqueda avanzados conocidos como algoritmos metaheurísticos. Dos de ellos son enfoques nuevos inspirados en la naturaleza: el algoritmo de Optimización de Estrella de Mar, basado en cómo las estrellas de mar forrajean y regeneran sus brazos, y el algoritmo de Optimización Puma, basado en cómo los pumas exploran y cazan en su territorio. El tercero, Optimización por Enjambre de Partículas, es una técnica más consolidada modelada en bandadas de aves o cardúmenes de peces. Los tres buscan minimizar las pérdidas de potencia en las líneas mejorando a la vez una medida de la estabilidad de tensión, y además deben respetar límites operativos como el calentamiento de líneas y las capacidades máximas de los generadores.

Grandes mejoras en redes pequeñas y grandes

Los investigadores prueban su marco en dos redes de referencia estándar: un sistema modesto de 33 barras y otro mucho mayor de 118 barras. En el caso más pequeño, su método reduce las pérdidas de potencia activa en alrededor de un 82% y eleva la tensión mínima desde un nivel preocupante hasta uno cercano al valor deseado, además de mejorar significativamente un índice de estabilidad. En la red más grande, las pérdidas disminuyen aproximadamente un 68–69% con mejoras similares en la calidad de la tensión y la estabilidad. Entre los tres métodos de búsqueda, el algoritmo basado en puma converge más rápido hacia soluciones de alta calidad, especialmente en la red mayor, lo que sugiere que es adecuado para planificación a gran escala cuando el tiempo y el poder de cálculo son limitados.

Mirando hacia redes en tiempo real y ricas en renovables

Más allá de la planificación estática, el estudio dibuja cómo esta estrategia puede extenderse a condiciones más realistas y variables en el tiempo. Los autores construyen perfiles de carga diarios para distintos tipos de clientes y simulan la carga no coordinada de VE, que eleva la demanda punta y el estrés en la red. Luego añaden generadores impulsados por viento dentro de las microredes virtuales y muestran que estas renovables locales pueden recortar los picos tanto de demanda como de pérdidas, al tiempo que refuerzan las tensiones. Aunque el trabajo actual se centra en el rendimiento técnico más que en costes o emisiones, apunta a un futuro en el que las redes urbanas se dividan en vecindarios inteligentes que alberguen cargadores de VE y generación limpia local en ubicaciones cuidadosamente elegidas.

Qué significa esto para los conductores comunes

Para los no expertos, el mensaje principal es que el lugar donde ubicamos las estaciones de carga y las pequeñas plantas importa tanto como la cantidad que construimos. Al primero dividir la red en vecindarios eléctricos naturales y luego usar métodos de búsqueda inteligentes inspirados en la naturaleza para reforzar los puntos más débiles, las compañías eléctricas pueden reducir drásticamente el desperdicio, mantener las tensiones estables y hacer espacio para muchos más vehículos eléctricos. En la práctica, esto se traduce en menos apagones y caídas de tensión, una carga más fiable y un camino más fluido hacia un transporte más limpio conforme las renovables y los VE se vuelvan centrales en la vida cotidiana.

Cita: Mohamed, M.A.E., Gawish, A.N.A. & Metwally, M.E. Optimal electric vehicle charging stations and distributed generation placement by partitioning the distribution network using the modified newman fast algorithm. Sci Rep 16, 6341 (2026). https://doi.org/10.1038/s41598-026-35433-5

Palabras clave: carga de vehículos eléctricos, redes de distribución eléctrica, generación distribuida, optimización de la red, microredes virtuales