Comunicación presentada al VI Congreso Ciudades Inteligentes
Autores
- Vicente Porcar, Administrador, GLOBAL ENERGY & TRADING (GET)
- Javier Palanca, Investigador, Valencian Research Institute for Artificial Intelligence (VRAIn), Universitat Politècnica de València
- Jaume Jordan, Investigador, Valencian Research Institute for Artificial Intelligence (VRAIn), Universitat Politècnica de València
- Vicente Julian, Profesor, Valencian Research Institute for Artificial Intelligence (VRAIn), Universitat Politècnica de València
Resumen
Presentamos una muestra de cómo las nuevas tecnologías pueden contribuir a una transición ordenada y eficiente en el modelo de transporte en las ciudades, y al impulso de la movilidad eléctrica. Un ejemplo de como las técnicas de inteligencia artificial, geolocalización, sistemas de transmisión y almacenamiento, uso de datos abiertos y el big data proporcionan soluciones innovadoras para el impulso de la movilidad eléctrica en España y a nivel internacional, a través de una herramienta de ayuda a la planificación de infraestructuras de carga para vehículos eléctricos. Administraciones públicas, distribuidoras eléctricas y desarrolladores y operadores de dichas estaciones de carga, precisan valorar las inversiones a realizar, su timing priorizado, observando condicionantes urbanísticos de tráfico y de la propia red eléctrica de cada área de actuación. Describiremos, a continuación, como los mecanismos de financiación pueden dan soporte a la innovación y a la cooperación internacional, entre empresas y centros tecnológicos, en la búsqueda de soluciones a retos que requieren soluciones avanzadas necesarias pero inexistentes en el mercado.
Palabras clave
Planificación Estaciones Carga Vehículos Eléctricos, Datos Abiertos, Inteligencia Artificial
Introducción
Los vehículos eléctricos (VE) son un elemento clave en la transición energética y para un transporte sostenible. Se está creando un mercado emergente a su alrededor, en el que los gobiernos y otros agentes están centrando su atención. La llegada del vehículo eléctrico viene acompañada de la necesidad de nuevas infraestructuras para apoyar las necesidades de recarga eléctrica. Estas necesidades también tienen requisitos particulares como la cantidad de energía eléctrica necesaria en la red eléctrica donde se encuentra la estación de carga. En 2018 de los más de mil millones de vehículos registrados en nuestras carreteras, poco más de cinco millones son eléctricos, según informe del 2019 de la Agencia Internacional de la Energía. Las proyecciones para el 2.030 de dicha agencia, en un escenario de política de VE más agresivo, que incluiría mejoras sustanciales en políticas e incentivos, indican que se podría llegar a 250 millones (>33 millones en Europa) de vehículos eléctricos, contando los e-buses y otros vehículos eléctricos.
La falta de información, la incertidumbre tecnológica, las limitaciones en la vida de la batería y sus tiempos de carga junto a la falta de infraestructuras de carga limitan la demanda potencial de vehículos eléctricos. Esto trae consigo un efecto conocido como ansiedad de alcance, que es el temor a tener un alcance insuficiente para llegar al destino. Sin embargo, dado que el desarrollo de la infraestructura es costoso, es necesario dirigir las inversiones hacia el establecimiento de instalaciones de recarga eléctrica en las zonas de máximo impacto de manera escalonada y priorizada.
Actualmente, se está haciendo un esfuerzo significativo en la consolidación del VE en la sociedad. La oferta de los diferentes fabricantes de automóviles que comercializan vehículos eléctricos e híbridos ha ido aumentando con el tiempo. Además, los gobiernos, las administraciones y los ayuntamientos también están proporcionando fondos y oportunidades para establecer diferentes estaciones de recarga de VE. Los usuarios de VE tienen diferentes herramientas para encontrar las estaciones de recarga de VE existentes e incluso pueden planificar su ruta. Por ejemplo, hay varias herramientas en línea como las que figuran en (Alternative Fueling Station Locator, 2020) (EV GO, 2020) (CHARGE HUB, 2020) que proporcionan la ubicación de estaciones de carga de vehículos eléctricos alternativos para los Estados Unidos y el Canadá. Además, hay una herramienta más completa en (Charging Station Map, 2020), que consiste en una aplicación móvil y una herramienta en línea para encontrar estaciones de carga de VE en todo el mundo que incluye información sobre el tipo de conectores.
Del mismo modo, hay varias herramientas alternativas como las de (Open Charge Map, 2020) (Chargepoint, 2020). Por último, en la conocida aplicación Google maps (Google Maps, 2020), una simple búsqueda de «estaciones de carga de VE» proporcionará las estaciones de carga que se encuentran en el área mostrada en el mapa. En el campo de la carga de VE, hay un importante trabajo de investigación que se centra en la optimización de la carga de un conjunto de VE de forma descentralizada (Lingwen et. al, 2013). Otros trabajos tratan de optimizar el uso de la red de suministro eléctrico reduciendo el impacto del VE sobre ella (Tan & Osama, 2014).
Sin embargo, no existe un esfuerzo en la planificación de la localización de los puntos de recarga, ni a nivel urbano ni interurbano. Nuestro enfoque aborda el problema de la optimización de la colocación de nuevas infraestructuras para la carga de vehículos eléctricos. Para ello, proponemos un conjunto de herramientas que buscan la solución óptima comprobando las mejores ubicaciones posibles de las estaciones de carga e intentando distribuir por toda la ciudad un conjunto de estaciones requeridas. Además, tiene que satisfacer limitaciones como el número máximo de postes por estación, el suministro de electricidad a los mismos, la información urbanística, además de considerar la población y el tráfico por barrio para optimizar la inversión.
Metodología
Una de las principales causas que está limitando la adopción de los vehículos eléctricos es la denominada ansiedad de autonomía que entre otros factores viene determinada por la infraestructura de las estaciones de recarga. Con el objetivo de hacer frente a este problema, en este trabajo se plantea una herramienta que de forma eficiente evalúe el conjunto de configuraciones posibles para poder ofrecer una distribución óptima de estaciones de recarga que satisfaga a los usuarios y potencie el uso del vehículo eléctrico. Más de 80.000 habrá que instalar en España antes del 2.030 según informe de la consultora DELOITTE.
Definición del problema
El problema consiste en localizar un conjunto de estaciones de recarga en determinados puntos de interés (PoIs) de la ciudad.
Sea P = {p1, … , pn}, un conjunto de posibles localizaciones de estaciones de recarga (PoIs), y E = {ei, … , en}; |E| << |P|, el conjunto de estaciones que se van a instalar en la ciudad. Un punto de interés viene caracterizado por un conjunto de atributos que lo definen p1 = {a1, a2, … , an}. El objetivo de la aplicación es determinar una configuración de estaciones de recarga en determinados PoIs.
Una configuración está compuesta por el conjunto de puntos p1 donde se ha localizado una estación ei, C = { {p1, ei}; {p2; ej}, … , {pk, en} }. Cada configuración tiene asociada una valoración asignada por una función V (C) : 2E à R. Esta función V es una combinación lineal de distintos factores que se pretende maximizar o minimizar. El objetivo es determinar cuál es la configuración óptima (o cercana a la óptima) para el establecimiento de las estaciones argmax V (C). Para ello se planteó el uso de un algoritmo genético.
Diseño del algoritmo genético
Los algoritmos genéticos de optimización y aprendizaje están basados en los procesos evolutivos encontrados en la naturaleza. En este tipo de algoritmos se converge de manera gradual hacia soluciones de alta calidad mediante la aplicación de un conjunto de operadores. Los algoritmos genéticos es su capacidad de resolver problemas con soluciones cercanas a la óptima en espacios de soluciones donde un algoritmo de fuerza bruta demoraría demasiado tiempo.
En el caso concreto de buscar la mejor configuración de estaciones de recarga, si tuviéramos 100 posibles localizaciones potenciales donde poder colocar una estación de recarga y quisiéramos elegir 20, habría que analizar: 100! / (20!(100 – 20)!) = 5,36e+20 posibles configuraciones. Dado este escenario, el hecho de utilizar un algoritmo genético nos permite usar una heurística dedicada a la búsqueda estocástica que llega a soluciones cercanas a la óptima.
Para resolver el problema de la configuración de estaciones, propusimos un algoritmo genético que genera sucesivos conjuntos de soluciones (generaciones), donde cada nueva generación hereda propiedades de las mejores soluciones de la anterior. Inicialmente, el algoritmo crea una población aleatoria inicial de N individuos. Cada individuo es una solución al problema. En este caso, el tamaño del cromosoma es el número de posibles localizaciones, es decir, P. El valor de cada gen dentro de un cromosoma indica el número de puntos a instalar en dicha estación.
En principio, el tipo de punto de recarga viene definido por el usuario en la interfaz de configuración. En líneas generales el algoritmo permite tener multiobjetivos para separar los parámetros que miden la utilidad y el coste en lugar de considerar un solo indicador, y planificar por etapas en la implantación de las estaciones de recarga previstas.
La información potencialmente tenida en cuenta por la herramienta (y que sirve de entrada al algoritmo) es la siguiente: Puntos de interés; Población por área; Tráfico medio por área; Actividad en redes sociales geolocalizada en el área; Localización de centros de trasformación; Identificación de vías prioritarias de la ciudad; Identificación de las áreas funcionales de la ciudad; Identificación de las zonas prohibidas; Carga de las estaciones ya existentes; Estimación de la penetración del vehículo eléctrico en la ciudad.
Entre los diferentes algoritmos genéticos que soportan la optimización multiobjetivo utilizamos el conocido Algoritmo Genético de Clasificación No Dominado II (NSGA-II). La principal ventaja de NSGA-II con respecto a un algoritmo genético con una sola función de fitness es la optimización multiobjetivo que obtiene soluciones cerca de la frontera de Pareto. Esto significa que el algoritmo intenta obtener soluciones casi óptimas considerando todos los objetivos, y por lo tanto, para cualquier solución no se puede mejorar un valor objetivo sin la disminución de otro valor objetivo (partiendo de soluciones conocidas).
En otras palabras, las soluciones devueltas por el algoritmo NSGA-II son no dominadas. El algoritmo NSGA-II utiliza operadores genéticos específicos para la selección, crossover y mutación. En cuanto al operador de selección, a diferencia de un operador genético general, el NSGA-II utiliza su propio operador de selección que elige los mejores individuos con respecto a la frontera de Pareto. El operador crossover que nosotros empleamos en nuestra implementación es la técnica de los dos puntos, en la que dos puntos de los cromosomas se seleccionan y se intercambia todo entre estos dos puntos entre los cromosomas padres. Por último, utilizamos la técnica del flip bit como un operador de mutación, que invierte los valores de los atributos con una probabilidad independiente de que cada atributo a ser invertido.
El proceso termina cuando al menos una de estas situaciones tiene lugar: (i) se excede el número de generaciones; (ii) cuando hay un cierto número de generaciones donde no hay ningún individuo en la nueva generación que tenga un valor de fitness más alto que el mejor individuo en las generaciones anteriores; (iii) cuando el algoritmo excede un límite de tiempo.
Herramienta
En este trabajo se ha desarrollado una herramienta que integra un algoritmo genético para la obtención de configuraciones de localización de estaciones de recarga de acuerdo a una función V. Para ello, la herramienta sigue las siguientes fases: (i) extracción de los P y su caracterización a partir de distintas fuentes de información; (ii) aplicación del algoritmo genético de acuerdo a las condiciones definidas por el problema a tratar; (iii) visualización de los resultados.
En la primera fase la herramienta determina los P potenciales para la localización de una estación de recarga ei. A la hora de seleccionar los puntos de interés potenciales se tuvo en cuenta principalmente aparcamientos y garajes colectivos. La principal razón fue la cantidad de usuarios, las demandas y las necesidades de carga en tiempo y cantidad, el tiempo de permanencia, la potencia contratada en la instalación, la existencia de un gestor de carga, etc., frente a otras opciones como podrían ser las viviendas individuales. Para poder determinar estos PoIs, se planteó el uso del Plan General de Ordenación Urbana y los distintos usos del suelo para detectar qué zonas de la ciudad contaban con aparcamientos y garajes colectivos. Este conjunto de PoIs se consideró como punto de partida de las posibles localizaciones de las estaciones de recarga.
Para determinar el área de influencia de cada uno de los PoI se creó un diagrama de Voronoi. Esto nos permitió tener en cuenta una zona en vez de un único punto para proporcionar más flexibilidad a la hora de ubicar una estación de recarga. Los polígonos alrededor de los puntos de control designan su área de influencia. Una vez determinados los polígonos que contienen los puntos de interés, se caracterizaron a partir de la extracción de información de distintas fuentes: actividad geoposicionada en la ciudad procedente de las redes sociales, secciones censales, estado del tráfico en tiempo real, intensidad del tráfico por tramo, puntos de recarga existentes, zonas turísticas, tiempo de permanencia en zonas donde puede haber estacionamiento de vehículos (i.e., centros comerciales, zonas de trabajo, etc.).
En una segunda fase, la herramienta toma los polígonos y la información que caracteriza a cada uno de ellos y las restricciones del problema (e.g., el número de estaciones que se quieren instalar, tiempo límite para obtener una solución, etc.) e inicia la búsqueda de soluciones por medio del algoritmo genético. Finalmente, una vez que se ha obtenido la configuración óptima, el usuario puede visualizar la localización de las estaciones en el mapa de la ciudad.
Resultados y datos obtenidos
El sistema actual ha sido evaluado en la ciudad de Valencia (España) y en la ciudad de Lima (Perú). Por restricciones de espacio se incluyen sólo detalles parciales de los experimentos en la ciudad de Valencia.
Ciudad de Valencia
Se ha probado la solución actual en la ciudad de Valencia (España) en colaboración con el ayuntamiento de la ciudad. El objetivo es determinar los lugares más apropiados en Valencia donde colocar estaciones de carga eléctrica utilizando el sistema presentado anteriormente. Actualmente, hay 76 puntos de carga en la provincia de Valencia, y 24 de ellos están situados en la ciudad de Valencia. El Ayuntamiento de Valencia ha llevado a cabo varias iniciativas dirigidas a mejorar la infraestructura para facilitar la introducción del VE.
En la primera fase, nuestro sistema determina los potenciales puntos de interés para la ubicación de una estación de carga teniendo en cuenta los datos del Plan General de Ordenación Urbana. Los puntos seleccionados como potenciales estaciones de recarga de EV fueron: centros comerciales, lugares de trabajo, aparcamientos, vías de pubs, comunidades de vecinos, garajes privados, estaciones de servicio y aparcamientos de flotas de vehículos. Considerando estos posibles puntos, el sistema determina el área de influencia de cada uno de los puntos de interés creando un diagrama Voronoi alrededor de los puntos seleccionados. Después de esto, en una segunda fase, el sistema recoge datos sobre diferentes aspectos de la ciudad de Valencia:
- En particular, se extrae del portal de datos abiertos del Ayuntamiento de Valencia. Se calcula la media anual de tráfico para cada tramo de la calle en el mapa.
- Información sobre la población que vive o trabaja en cada zona de la ciudad. Como en el caso anterior, esta información se extrae del portal de datos abierto del Ayuntamiento de Valencia. La cantidad de población se calcula para cada bloque de edificios.
- El tiempo medio de permanencia en los espacios comerciales y públicos. Esta información se obtiene de las estadísticas publicadas por el ayuntamiento y extraídas de las fichas de Google en el buscador.
- Información sobre la actividad social geo-localizada de las redes sociales. Esta información se obtiene mediante una herramienta denominada uTool, que realiza un análisis de la actividad de una ciudad a través de los mensajes que los usuarios intercambian en una red social.
Después de esto, el sistema devuelve las mejores soluciones en forma de un conjunto de ubicaciones que optimizan el posible uso de las estaciones de acuerdo con las restricciones eléctricas definidas. La figura 1 muestra un ejemplo de una solución dada por el sistema, es decir, los lugares donde se ubicaría cada punto de carga, con su presupuesto económico y potencia eléctrica requerida.
El sistema propuesto se ha probado con diferentes datos y configuraciones para el estudio de caso particular de Valencia, a fin de comparar soluciones de diferente calidad. La figura 2 representa dos ejemplos de soluciones. La figura 2 (a) es una solución calculada con una población inicial de 250 con un valor de aptitud de 0,563. La solución de la Figura 2 (b) se calcula con una población inicial de 4000 que da un valor de aptitud de 0,639.
Mediante las pruebas realizadas se ha podido validar la planificación de una ubicación eficiente de las infraestructuras de las estaciones de recarga de vehículos eléctricos para el sector público y privado en una ciudad. Las principales ventajas del sistema propuesto son la integración de la información procedente de diferentes fuentes y la modelización y el análisis de la ubicación de las estaciones de recarga mediante el uso de técnicas de optimización. La solución propuesta permite disponer de datos en tiempo real y en diferentes contextos sobre la actividad en una ciudad. Esta información es relevante para detectar puntos/áreas relevantes de la ciudad donde colocar puntos de carga.
Conclusiones
Se ha presentado una aplicación inteligente de ayuda a la resolución del problema de cómo planificar un servicio esencial para la transición hacia la movilidad eléctrica; que permite optimizar inversiones; más de 100 millones de euros/año, dando cobertura a los usuarios. Ayudando a planificar el despliegue de puntos de carga en paralelo a la evolución creciente de la demanda.
La herramienta toma en cuenta la información de la ciudad. Esto incluye la distribución de la población, la intensidad del tráfico, la actividad en las redes sociales y la ubicación de los centros de transformación eléctrica, así como el costo de la instalación de las estaciones y el número de postes de carga necesarios para cada estación para cubrir la demanda.
El núcleo de la herramienta es capaz de responder con mayor rapidez con el acceso a los datos de uso de las estaciones provenientes de los sistemas de operación de los servicios de carga de los distintos operadores.
En términos generales, el uso de cada vez un mayor volumen de datos abiertos, aunque no siempre estructurados y en formatos susceptibles de mejora para un mejor tratamiento posterior, unido al conocimiento de tecnologías de Big Data, Inteligencia Artificial, procesamiento cloud, IoT, Robotics, 5G, nos permite, desde ya mismo, abordar el desarrollo de otras muchas herramientas de utilidad, como la mostrada hoy. Ya podemos plantear soluciones a retos para la dotación de nuevos servicios municipales, o para la adaptación de los existentes, en aras de un mejor servicio al ciudadano y de un modo más eficiente. Los servicios en las ciudades han de estar disponibles en el tiempo, lugar y forma en que puedan ser demandados por los usuarios Pueden prestarse con la mayor flexibilidad posible a la demanda.
Recientemente, se ha observado en la lucha contra el COVID 19 la promoción del uso de tecnologías en la detección de la enfermedad, su seguimiento, su control y tratamiento. Entre otras podemos citar el desarrollo de:
- sensorización, geolocalización, analítica de datos, modelos de predicción de la enfermedad; de su origen, sintomatología, extensión y selección de tratamientos a cada paciente
- modelos inteligentes de planificación y gestión de servicios
- modelos de revisión de recursos necesarios
- robótica, herramientas de video y visión artificial en los procesos de atención y tratamiento
- sistemas de cloud, blockchain, ciberseguridad, para la trazabilidad, almacenamiento y seguridad de la información
En definitiva, los servicios públicos pueden reorientarse, con desarrollos basados en las citadas tecnologías, teniendo en cuenta: cuando y donde se requieren por parte de los usuarios potenciales; quienes, cuantos y como son.
Las rutas de transporte, el tamaño de los vehículos, los horarios y la dotación de medios ya pueden ajustarse mejor a la demanda. De esta forma, es de esperar que los servicios de limpieza, seguridad, trabajo, salud, educación transporte, podrán prestarse de manera más flexible, adaptándose a las necesidades de los usuarios, con mayor calidad y al menor coste.
Agradecimientos
CDTi, FEDER, FONDECYT, Ayuntamiento de Valencia, Municipalidad de San Isidro (Lima), Green Energy, Etra,
Referencias
- K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan. A fast and elitist mul-tiobjective genetic algorithm: Nsga-ii.IEEE Transactions on EvolutionaryComputation, 6(2):182–197, April 2002.
- Lingwen Gan, Ufuk Topcu, and Steven H Low. Optimal decentralized pro-tocol for electric vehicle charging. IEEE Transactions on Power Systems,28(2):940–951, 2013.
- Tan Ma and Osama A Mohammed. Optimal charging of plug-in electric vehicles for a car-park infrastructure. IEEE Transactions on Industry Ap-plications, 50(4):2323–2330, 2014.
- Alternative Fueling Station Locator. (6 mayo 2020)
- Charge Hub. (6 mayo 2020)
- Chargepoint. (6 mayo 2020).
- Charging Station Map Worldwide. (6 mayo 2020)
- EV Go. (6 mayo 2020)
- Google Maps Application. (6 mayo 2020)
- Open Charge Map. (6 mayo 2020)