Estrategia de carga óptima impulsada por inteligencia artificial para VE con mejora integrada de la calidad de la energía en redes eléctricas

Por qué importa una carga más inteligente

A medida que los vehículos eléctricos dejan de ser una rareza y se normalizan, nuestros enchufes empiezan a importar tanto como los tubos de escape. Millones de coches cargando a la vez pueden ejercer una presión silenciosa sobre los mismos conductores y transformadores que alimentan hogares, hospitales y fábricas. Este artículo explora cómo la inteligencia artificial puede convertir la carga de VE de una extracción de potencia ciega en una coreografía coordinada y casi invisible con la red: manteniendo la iluminación estable, los equipos protegidos y los costes bajo control, mientras los conductores siguen obteniendo la autonomía que necesitan.

La tensión oculta en los conductores

Hoy en día, la mayoría de los coches eléctricos se cargan siempre que están enchufados, con solo precios diferenciados por franjas horarias que guían el comportamiento de forma limitada. Cuando muchos conductores cargan al mismo tiempo, la demanda combinada puede llevar las líneas y transformadores de barrio más allá de lo previsto en su diseño. Los cargadores rápidos, que dependen de electrónica de potencia, añaden otra complicación: pueden distorsionar la forma sinusoidal suave de la tensión de la red, provocando parpadeos, calentamiento adicional y desgaste prematuro en dispositivos sensibles. El estudio muestra que, en un alimentador realista con 20 cargadores mixtos, la carga no controlada empujó las oscilaciones de tensión más allá de los límites recomendados y elevó la distorsión armónica muy por encima de los estándares del sector.

Enseñar a la red a mirar por delante

Para afrontar este reto, los autores dotan primero a la red de una forma de previsión. Utilizan un modelo moderno de aprendizaje automático llamado Temporal Fusion Transformer para estudiar patrones de carga pasados, mediciones de la red y tipos de cargador. A partir de esto, el sistema predice, en pasos de tiempo finos, no solo cuánta potencia se necesitará, sino también cómo esa demanda es probable que perturbe la tensión y las formas de onda. En lugar de limitarse a pronosticar la carga total, anticipa indicadores de estrés, como cuánto puede desviarse la tensión y cuán distorsionada podría quedar la corriente, de modo que se puedan preparar acciones correctivas antes de que aparezcan los problemas.

Dejar que una IA coordine la carga

Los pronósticos por sí solos no protegen la red; lo hacen las decisiones. La segunda pieza del marco es un controlador basado en aprendizaje que trata cada intervalo de control como un nuevo movimiento en un juego a largo plazo. Este controlador, entrenado con un método conocido como aprendizaje por refuerzo profundo, experimenta en simulación con diferentes formas de ralentizar, acelerar o desplazar la carga entre vehículos. Recibe recompensas cuando mantiene las tensiones cerca de su valor ideal, reduce la distorsión de las formas de onda, contiene los costes eléctricos y aun así carga las baterías a tiempo. A lo largo de miles de episodios, descubre patrones de carga que equilibran las necesidades de los conductores con la salud de la red, evitando picos bruscos y repartiendo la demanda de manera más suave durante el día y la noche.

Limpiar la energía mientras fluye

Incluso con una programación cuidadosa, hay momentos que llevan la red cerca de sus límites. Para esos casos, el marco añade una capa final: un optimizador de calidad de la energía conectado a dispositivos que pueden inyectar o absorber potencia reactiva y filtrar ruido eléctrico. Este optimizador ajusta finamente el plan de carga del controlador para que las tensiones se mantengan dentro de bandas de seguridad estrechas y la distorsión armónica cumpla normas estrictas. Decide cuándo activar un compensador de distribución y filtros armónicos, eligiendo configuraciones que mantengan la energía limpia mientras minimizan pérdidas adicionales y costes de operación.

Qué revelan las simulaciones

Usando un modelo informático detallado de una línea de distribución de 11 kV alimentando 20 cargadores de VE distintos, los autores comparan la carga no controlada con su enfoque guiado por IA. Con el sistema inteligente activo, la distorsión armónica media cae casi un tercio, y las peores puntas se reducen en más de dos tercios, devolviendo la red dentro de los límites recomendados. Las oscilaciones de tensión se reducen y el tiempo que el sistema pasa fuera de la banda segura se recorta en aproximadamente tres cuartas partes. El factor de potencia medio —una medida de la eficiencia con la que la red entrega potencia útil— sube de un valor límite a otro claramente por encima del requisito típico. Al mismo tiempo, el marco reduce el coste operativo general, en gran parte al evitar picos derrochadores y pérdidas innecesarias.

Equilibrar a conductores y red

Para el público no especializado, la conclusión clave es que el problema no son los coches eléctricos en sí, sino cómo y cuándo toman la energía. Este estudio demuestra que con la mezcla adecuada de predicción, control adaptativo y hardware de limpieza selectivo, un gran número de VE puede integrarse en las redes existentes sin oscurecer la iluminación ni dañar equipos. El sistema propuesto basado en IA actúa eficazmente como un controlador de tráfico para electrones, dirigiendo las sesiones de carga para que las baterías se llenen a tiempo, la red se mantenga dentro de su zona de confort y el coste operativo global disminuya. Si se escala, este tipo de coordinación inteligente podría facilitar una adopción masiva de VE mucho más sencilla y económica que limitarse a sobredimensionar la red.

Cita: K, S., C, M. Artificial intelligence-driven optimal charging strategy for EV with integrated power quality enhancement in electric power grids. Sci Rep 16, 10884 (2026). https://doi.org/10.1038/s41598-026-36546-7

Palabras clave: carga de vehículos eléctricos, red inteligente, inteligencia artificial, calidad de la energía, transporte renovable