Acceso y operación de la infraestructura de carga para reducir los impactos en la red de la adopción profunda de vehículos eléctricos

Nature Energy volumen 7, páginas 932–945 (2022)Citar este artículo

29k Accesos

12 citas

849 Altmetric

Detalles de métricas

Los vehículos eléctricos contribuirán a la reducción de emisiones en los Estados Unidos, pero su carga puede desafiar las operaciones de la red eléctrica. Presentamos un modelo realista basado en datos de la demanda de carga que captura los diversos comportamientos de carga de los futuros usuarios en la interconexión occidental de EE. UU. Estudiamos el control de carga y la construcción de infraestructura como factores críticos que dan forma a la carga de carga y evaluamos el impacto en la red bajo la adopción rápida de vehículos eléctricos con un modelo de despacho económico detallado de la generación 2035. Encontramos que la demanda pico neta de electricidad aumenta hasta en un 25 % con la adopción del pronóstico y en un 50 % en una prueba de estrés con electrificación completa. Los controles optimizados localmente y la alta carga en el hogar pueden sobrecargar la red. En cambio, cambiar a una carga diurna no controlada puede reducir los requisitos de almacenamiento, la generación excesiva de combustibles no fósiles, la rampa y las emisiones. Nuestros resultados instan a los legisladores a reflejar los impactos a nivel de generación en las tarifas de los servicios públicos e implementar una infraestructura de carga que promueva un cambio de la carga doméstica a la carga diurna.

El uso de vehículos eléctricos (EV), junto con una red eléctrica que se está descarbonizando, puede ayudar a los Estados Unidos a alcanzar los objetivos de reducción de emisiones1,2. Los analistas de la industria pronostican que la cantidad de vehículos eléctricos livianos y sus enchufes de carga se multiplicará a más de 300 millones y 175 millones, respectivamente, en todo el mundo para 2035, un aumento de orden de magnitud en comparación con 20213. La carga de vehículos eléctricos combina el transporte a la red, aún Las transformaciones de los dos sectores están en gran medida descoordinadas, a pesar de sus objetivos compartidos de reducción de emisiones4,5,6,7,8,9,10. Si bien las implicaciones de la electrificación del transporte para la red se han estudiado en niveles bajos de adopción a corto plazo, identificar y mitigar las consecuencias del sistema en niveles profundos de adopción de EV sigue siendo un desafío crítico, ya que requiere modelos que capturen los diversos comportamientos y condiciones de futuros conductores 11.

La infraestructura de carga, los controles y el comportamiento de los conductores tienen implicaciones para las operaciones de la red, lo que hace que la planificación a largo plazo para respaldar la demanda de carga diaria en escenarios de alta electrificación sea un desafío. El comportamiento del conductor es muy heterogéneo y estocástico12,13,14,15,16; dónde, cuándo y con qué frecuencia los conductores eligen conectarse determina la forma de su carga y la demanda en la red. Agregar controles de carga y cambiar el panorama de la infraestructura de carga aumentando o disminuyendo la disponibilidad de diferentes opciones de carga representan herramientas poderosas para remodelar la carga para mejorar los impactos de la red en futuros niveles profundos de adopción de vehículos eléctricos. Los controles de carga, también llamados carga inteligente o administrada, remodelan la demanda al retrasar la carga a un tiempo preestablecido o al modular la energía entregada durante la sesión de carga de un vehículo en respuesta a los precios de la electricidad. El diseño y la geografía de la red de infraestructura de carga, a su vez, cambian las opciones disponibles para los conductores y remodelan la demanda de carga en todo el sistema al cambiar la ubicación de carga y la hora del día (por ejemplo, de la noche a la mañana si se carga en casa al mediodía si se carga en el trabajo). ).

El acceso de carga es clave para evitar los inconvenientes de carga, que pueden ser una barrera tanto para la adopción como para el uso continuado de los EV16,17,18,19,20. Los residentes adinerados de viviendas unifamiliares (SFH, por sus siglas en inglés) están sobrerrepresentados entre los primeros usuarios de vehículos eléctricos y es probable que tengan acceso a la carga en el hogar21. Mientras tanto, los hogares de bajos ingresos, los inquilinos y los residentes de edificios de apartamentos o viviendas de unidades múltiples (MUD) tienen menos probabilidades de tener acceso a la carga del hogar12,13,16,17,22,23 a pesar de los subsidios específicos24. Asumir que el uso de la infraestructura de carga continuará coincidiendo con el comportamiento de los primeros usuarios tergiversaría las opciones de los futuros conductores y podría perder oportunidades valiosas para los hogares, las empresas de servicios públicos y el regulador.

Los enfoques existentes para modelar la demanda de cobro a gran escala imputan las decisiones de cobro basadas en los comportamientos de los primeros usuarios o en las suposiciones del modelador sobre el comportamiento del conductor9,10,25,26,27. Numerosos estudios anteriores han utilizado controles de carga para mejorar el impacto en la red y los costos de los vehículos eléctricos8,9,25,26,28,29,30,31,32,33,34,35,36. Sin embargo, la mayoría de los estudios tienen escenarios limitados con respecto al acceso a la infraestructura de carga, utilizan controles optimizados centralmente en lugar de sitio por sitio, optimizaciones basadas en tarifas o se centran en los recursos y condiciones actuales de la red, y pocos incluyen el almacenamiento de la red y calculan las emisiones (Nota complementaria 1). Los estudios previos con diferentes escenarios de infraestructura de carga se han centrado principalmente en los primeros usuarios y no conceptualizan la infraestructura como una herramienta para el control de carga9,10,26,34,37,38. La importancia de la infraestructura de carga para viajes de larga distancia y días de alta energía para respaldar la adopción de vehículos eléctricos ha sido el foco de atención de otros estudios recientes18,39,40.

La recarga de vehículos eléctricos tiene consecuencias para la distribución, transmisión y generación de electricidad41. Por ejemplo, se ha demostrado que la carga descontrolada aumenta la demanda máxima y provoca la sobrecarga del transformador5, fuerza el reemplazo anticipado de equipos7, sobrecarga las líneas de transmisión28, empeora la calidad de la energía4,6 o requiere mejoras en la subestación42. Evitar los altos costos de las actualizaciones del sistema de distribución es un valor clave que ofrece la carga controlada. Los vehículos eléctricos también pueden aportar valor a la red al proporcionar servicios de regulación de frecuencia y rampas en tiempo real43,44.

En este estudio, modelamos la demanda de carga diaria para vehículos eléctricos personales en escenarios de alta electrificación en 2035 para la parte estadounidense de la red de interconexión occidental (WECC), que cubre 11 estados con más de 75 millones de personas45. Comparamos una variedad de escenarios futuros para comprender cómo la infraestructura de carga, el control y el comportamiento del conductor afectarán el impacto en la red. Nuestro estudio incluye dos estrategias (control y construcción de infraestructura) y utiliza modelos realistas y detallados de los tres elementos: comportamiento del conductor, control y distribución de la red. Nos centramos en los patrones de carga agregados típicos de los vehículos ligeros personales como impulsores del impacto en la red a nivel generacional. Nuestro objetivo es identificar qué escenarios de adopción de vehículos eléctricos a gran escala mitigan mejor las consecuencias negativas de la carga y trazar un camino efectivo de descarbonización a través de la integración vehículo-red. Nuestros resultados instan a acoplar las medidas de tarificación y planificación de la red. Para que los controles de carga sean más efectivos, los legisladores deben considerar la coordinación de la gestión de los impactos de generación y distribución de la red. Lo que es más importante, la planificación debe apuntar a la construcción de infraestructura de carga durante la próxima década que respalde un cambio de la carga doméstica a la carga diurna en WECC.

El comportamiento de los conductores es muy heterogéneo. Utilizamos un método probabilístico basado en datos para capturar las preferencias de carga del conductor en función de los patrones observados en los datos de carga reales (Métodos). Calibramos nuestro modelo utilizando un conjunto de datos de 2,8 millones de sesiones registradas para 27,7 mil conductores de vehículos eléctricos con batería en el Área de la Bahía de California en 2019. Modelamos la conexión entre los grupos de comportamiento de carga y los ingresos, la vivienda, las millas recorridas y el acceso a las opciones de carga de los conductores como como se muestra en la Fig. 1. Implementamos carga controlada sitio por sitio para simular respuestas realistas a las tarifas eléctricas. Nos enfocamos en la parte estadounidense de la red WECC y simulamos la carga de más de 48 millones de vehículos personales en sus 11 estados principales (Métodos).

a, Una descripción general del enfoque de modelado. Para estudiar los impactos en la red de los escenarios de carga de EV, se simuló la demanda de carga para cada región utilizando un modelo de comportamiento del conductor, se agregaron perfiles regionales y se modelaron las dinámicas de la red, incluida la generación de combustibles no fósiles, el almacenamiento y el envío de generadores de combustibles fósiles. En escenarios con control de carga, se aplicaron controles de temporizador en la carga residencial mientras se generaba la demanda de cada condado, y se aplicaron controles de modulación de carga en la carga del lugar de trabajo al perfil de lugar de trabajo no controlado agregado para WECC. Los estados se identifican por abreviatura postal. El despacho por hora de la demanda neta y la demanda total a través de los recursos de generación de combustibles fósiles y no fósiles se ilustra para un día de muestra en el paso "Modelo de cuadrícula". Los perfiles originales de demanda neta y total se muestran con puntos y rayas y líneas punteadas, respectivamente, y los perfiles de demanda neta y total más uniformes logrados a través del envío de 10 GW de almacenamiento en la red se muestran con líneas continuas y discontinuas, respectivamente. b, El modelo para la demanda de carga de vehículos eléctricos en cada región en función de las características del vecindario, el acceso a la carga y los comportamientos de los conductores (Métodos). Las flechas están codificadas por colores de acuerdo con las fuentes de datos: Encuesta comunitaria y del censo de EE. UU.45 y Encuesta de consumidores EASI MRI69 (azul claro), Proyecto de reembolso de vehículos de California (púrpura)71, Comisión de energía de California70 y encuesta del Laboratorio nacional de energía renovable (rojo), Universidad de Estudio de California en Davis12 (amarillo), conjunto de sesiones de carga de los conductores observadas (verde) y modelado (gris) como se detalla en Métodos. EASI MRI significa Easy Analytic Software Inc. Mediamark Research, una base de datos desde la cual se accedió a los datos de millaje anual a nivel de condado.

La planificación reciente en California determina que el 50 % de la flota liviana deberá estar electrificada para 2035 para alcanzar los próximos plazos de descarbonización y rastrear los plazos para el final de las ventas de vehículos con motor de combustión interna10,46. En línea con estos y otros estudios de alta electrificación47,48, incluimos resultados para una adopción del 50 % o 24 millones de EV en WECC (electrificación de la mitad de la flota de vehículos personales) en el año 2035. Sin embargo, la industria y los legisladores están trabajando para acelerar adopción aún más rápido. Incluimos los resultados del 100 % de adopción (electrificación total de la flota de vehículos personales) como una prueba de estrés para caracterizar la preparación de la red para una adopción profunda e identificar qué cambios adicionales serán necesarios en la red o en la carga. También presentamos la sensibilidad de todos los resultados clave a niveles más altos o más bajos de adopción a lo largo del documento.

Para calcular el impacto en la red a nivel de generación en cada escenario de carga, despachamos la demanda de electricidad agregada durante un año completo a un modelo de recursos futuros de generación de la red que refleja los retiros y adiciones previstos de generadores de combustibles fósiles y un mayor almacenamiento eólico, solar y de la red. (Métodos). Asumimos que la generación eólica y solar varía hora a hora a lo largo del año como lo hizo en 2019.

Se supone que el consumo de electricidad anual de referencia aumentará un 16 % en promedio para 2035 debido a la electrificación en aplicaciones distintas del transporte, como la calefacción y la refrigeración48. Encontramos que la adición de la carga de vehículos eléctricos en la adopción profunda aumenta aún más el consumo anual de electricidad en el mismo orden de magnitud. Cada aumento porcentual en la adopción de vehículos eléctricos aumenta el consumo total en aproximadamente un 0,11 % en este sistema (Figura complementaria 7). Con una adopción del 50 %, esto equivale a un aumento del 5 % con respecto a la referencia de 2035. En conjunto, el aumento total debido a la electrificación en todos los sectores es de hasta un 22 % con respecto a los niveles de 2019. En la prueba de esfuerzo con una adopción del 100 % de los vehículos eléctricos, el consumo aumenta un 11 % con los vehículos eléctricos y hasta un 28 % en general con respecto a los niveles de 2019.

El momento de este aumento en el uso de electricidad es crítico, y los impactos de la carga en la red varían sustancialmente con los diferentes perfiles de demanda. Por lo tanto, modelamos cuatro escenarios para la futura infraestructura de carga que varía el acceso de carga en el hogar de universal a bajo según los datos de encuestas recientes de California (Métodos). Con el acceso Universal Home, el 86% del consumo total de electricidad se produce en el hogar, en comparación con el 22% en los casos de acceso Low Home (Nota complementaria 5 y Tabla complementaria 2). Dentro de cada escenario de acceso, modelamos cuatro tipos de control de cobro convencional para representar implementaciones comunes en los Estados Unidos hoy en día49: Temporizadores SFH establecidos para horas de inicio a las 9 p. m. y 12 a. control de modulación en los lugares de trabajo en respuesta a los cargos por demanda a través de la minimización de picos oa las tarifas de tiempo de uso basadas en las emisiones promedio de la red (Avg Em). Los picos en la demanda de los temporizadores síncronos se observan en los datos de carga actuales y persisten en muchos escenarios de planificación10,52, a pesar de sus impactos en la estabilidad de la red53,54. Por el contrario, modelamos un tercer tipo de control de temporizador SFH en el que a los conductores participantes se les asigna aleatoriamente una hora de inicio en la media hora entre las 8 p. m. y las 2:30 a. Home Access con control del lugar de trabajo y temporizadores para representar la combinación dominante de estrategias de control de la actualidad. Esto da como resultado un total de 25 escenarios, un subconjunto de los cuales se ilustra en la Fig. 2.

a,b,d,e, Los perfiles no controlados para un día de semana típico (izquierda) y un fin de semana (derecha) se muestran para el acceso Universal Home (a); Alto Acceso a la vivienda (b); Vivienda baja, acceso al trabajo alto (d) y vivienda baja, acceso al trabajo bajo (e). f–j, el perfil de día de la semana se muestra para un ejemplo de cada tipo de control: temporizadores SFH de medianoche con acceso Universal Home (f); Temporizadores SFH de 9 pm con acceso High Home (g); minimización de picos en el lugar de trabajo con acceso Low Home, High Work (h); minimización de las emisiones promedio en el lugar de trabajo con acceso Low Home, Low Work (i); y temporizadores de SFH aleatorios entre las 8 pm y las 2:30 am con acceso High Home (j) (Métodos). Los perfiles se ilustran para la electrificación completa de los estados de EE. UU. en WECC para mostrar la demanda máxima modelada. La demanda se agrega en hora local para esta ilustración, pero en la simulación se reflejan las dos zonas horarias y hay un retraso de 1 h entre los temporizadores establecidos en Pacific Time y Mountain Time. c, Business As Usual es un caso especial de acceso High Home con una combinación de temporizadores residenciales a las 8 p. El perfil del día de la semana y del fin de semana para cada escenario se repite para compilar la demanda de carga de todo el año. L2 significa carga de nivel 2 y DCFC significa carga rápida de corriente continua.

La demanda de referencia en WECC es más alta al final de la tarde y al comienzo de la noche. La demanda máxima total de electricidad en un día laborable típico en 2035 sin vehículos eléctricos se modela en alrededor de 109 GW a las 5 p. más tarde hacia las 7 p. m., mientras que la carga diurna crea nuevos picos a media mañana a las 10 a. m. y a las 11 a. m. El valor del pico aumenta modestamente con la adición de la carga de vehículos eléctricos hasta alrededor del 30 % de adopción, después de lo cual hay puntos de quiebre en varios escenarios. Los aumentos más pronunciados ocurren en los escenarios de carga con los picos más altos una vez que se alinean los tiempos de la demanda total máxima y la demanda máxima de carga. Con una adopción del 50 %, el aumento oscila entre un 3 % y un 9 % según el escenario, como se muestra en la figura 4. En la prueba de esfuerzo con una adopción del 100 %, la carga aumenta la demanda total máxima entre un 9 % y un 26 %. Los escenarios de carga durante el día aumentan la demanda total máxima en más que los escenarios de carga Hogar Alto y Hogar Universal, excepto en los casos con temporizadores a las 9 p. m.

El momento de la demanda total máxima depende de la interacción de la carga y la demanda de referencia. a, El perfil de demanda para cada escenario de acceso con carga no controlada sobre la demanda de línea base no EV para 2035. L2 significa carga de Nivel 2 y DCFC significa carga rápida de corriente continua. b, c, Las esferas del reloj debajo de cada perfil ilustran el momento de la demanda total máxima para ese escenario de acceso bajo todas las opciones de control para la adopción de 50% EV (b) y la adopción de 100% EV (c). Min(peak) se refiere al control de minimización de picos en el lugar de trabajo y Min(Avg Em) se refiere al control de lugar de trabajo diseñado para minimizar las emisiones promedio de la red. Los bordes gruesos se utilizan para indicar los picos de la tarde. Observamos el momento de los turnos pico desde las 5 p. m. antes de los vehículos eléctricos hasta la noche en muchos de los escenarios de carga en el hogar o hasta la mitad de la mañana en los escenarios de carga durante el día. d, El cambio porcentual en la demanda total máxima a medida que se adoptan los vehículos eléctricos varía del 10 % al 100 %.

a, Se utiliza un día típico del despacho anterior al EV para ilustrar el cálculo de la demanda neta: primero se despacha la generación de combustibles no fósiles; la demanda neta se calcula restando esa generación de la demanda total. La demanda total se muestra con una línea discontinua y la demanda neta se muestra con una línea sólida. b,c, Una comparación del aumento en la demanda máxima total (b) y la demanda neta máxima (c) en comparación con la demanda de electricidad antes de los vehículos eléctricos. Se muestran los valores para la adopción de vehículos eléctricos del 50 % y el 100 %. Observamos que el acceso High Home conduce al aumento más bajo en la demanda total máxima, pero los escenarios de carga diurna conducen a los aumentos más bajos en la demanda neta máxima. Las siguientes formas abreviadas se utilizan para los escenarios de acceso: UH = Hogar Universal; HH = Hogar Alto; LHLW = Hogar Bajo, Trabajo Bajo; LHHW = Hogar Bajo, Trabajo Alto. d,e, El momento de la demanda neta máxima en cada escenario para la adopción de 50% EV (d) y la adopción de 100% EV (e). Encontramos que la demanda neta máxima ocurre en la noche en todos los escenarios, ya que la mayor parte de la carga diurna está cubierta por la generación de combustibles no fósiles.

Sin embargo, la demanda total no cuenta la historia completa del impacto en la red, y es fundamental estudiar cómo se siente esta demanda en las diferentes fuentes de generación de electricidad. La demanda neta, calculada eliminando la contribución de la generación con combustibles no fósiles, impulsa el despacho de generadores con combustibles fósiles.

Para comprender mejor estos impactos, desarrollamos un modelo detallado de la red en 2035 basado en los resultados de la reciente planificación de expansión de capacidad a nivel estatal y regional55,56. Extendimos el modelo de despacho basado en órdenes de mérito presentado por Deetjen y Azevedo57 para reflejar los retiros y adiciones de generadores anunciados, aumentamos la demanda de referencia y aumentamos la generación solar y eólica a un escenario base de 3.5x y 3x los niveles de 2019, respectivamente. Sumamos la demanda de carga en estaciones rápidas y lentas, hogar, lugar de trabajo y carga pública para estudiar los impactos en el sistema de energía a granel, y asumimos que el sistema de distribución podría manejar la demanda (Métodos).

Los cambios en la demanda neta máxima, que se muestran en la Fig. 4, revelan el impacto opuesto a la demanda total. Los escenarios de carga en el hogar, no los escenarios de carga diurna, tienen un peor impacto en la demanda neta máxima y ejercen más presión sobre la flota restante de generadores de combustibles fósiles. Gracias a la alta generación solar durante el día, la demanda neta máxima se produce por la noche en todos los escenarios. El escenario Business As Usual aumenta la demanda neta máxima típica en 1,6 veces más que el escenario Low Home, High Work con un 50 % de vehículos eléctricos o 1,8 veces con un 100 %. En el peor de los casos, el escenario de acceso Universal Home con temporizadores SFH a las 9 pm lo aumenta en 3,3x o 3,4x.

Centrarse en la carga diurna para minimizar los impactos en la red es la primera conclusión importante de este estudio. Dibujado aquí por primera vez, está respaldado por todos los análisis posteriores. El momento de la demanda adicional es más importante en la red futura con una mayor generación renovable. Los escenarios de carga diurna se benefician de su alineación con la generación solar, mientras que los escenarios de carga nocturna pierden esa oportunidad.

Para garantizar la capacidad de la red para soportar la carga bajo altos niveles de adopción de EV, se necesitará almacenamiento. Se necesita una pequeña cantidad, 0,39 GW, para satisfacer la demanda de referencia. La planificación reciente de California tiene como objetivo 9,7 GW de almacenamiento en red de 4 h de duración para 203058, lo que representaría un aumento de más de 40 veces con respecto a los niveles de 2019.

Descubrimos que 10 GW de almacenamiento instalado en WECC es suficiente para que la red admita al menos un 50 % de adopción de vehículos eléctricos. En WECC en 2035 con la carga de EV Business As Usual, 10 GW es entre el 8 % y el 9 % de la demanda total máxima en un día laborable típico o entre el 6 % y el 7 % de la demanda total máxima en un día extremo. La red puede admitir más EV en escenarios con más carga diurna y menos EV en escenarios con más carga en el hogar, como se muestra en la Fig. 5a.

a, El nivel máximo de adopción de EV para el que se puede admitir la carga antes de que haya una capacidad de generación insuficiente al menos 1 h en el año en la red de 2035. Hay capacidad para admitir más vehículos eléctricos en los escenarios de bajo acceso a viviendas, gracias a una mejor alineación de la carga con horas de baja demanda de referencia y mayor generación renovable. Este modelo de la red en 2035 incluye 10 GW de almacenamiento de 4 h de duración independiente de la tecnología operado para suavizar la demanda neta. BAU significa Business As Usual. Max significa Máximo. b, La capacidad mínima de almacenamiento de 4 h de duración que permitiría a la red admitir la carga para niveles crecientes de adopción de vehículos eléctricos. Este tipo de almacenamiento se despacha después de todos los demás recursos de generación para cubrir la demanda insatisfecha y suponemos que se implementa energía solar adicional para cargarla (Métodos). c, Una mirada de cerca a la cantidad de almacenamiento necesaria para respaldar la adopción de EV del 50 % o el 100 % en 2035. Con una carga no controlada en el mejor de los casos, el escenario de acceso Low Home, High Work requeriría solo 4,2 GW o 3,6 % de Demanda total máxima típica entre semana para ese escenario. En nuestra prueba de estrés con una adopción de VE del 100 %, la red necesitaría 8,1 GW de almacenamiento o el 6,1 % de la demanda total máxima típica entre semana. En un 50 %, encontramos que el requisito de almacenamiento varía en un factor de 1,9x de 3,9 GW a 7,4 GW entre escenarios. Al 100 %, encontramos que el requisito varía 3,3 veces, de 7,4 GW a 24,5 GW entre escenarios.

En el mejor de los casos, con acceso Low Home, Business As Usual o High Home access con temporizadores aleatorios o de medianoche, la red puede admitir la carga para la adopción del 100 % de EV. En el peor de los casos, con acceso Universal Home y temporizadores a las 9 p. m., la red puede soportar solo el 59 % de la adopción de EV.

Los controles de carga a menudo se presentan como una solución a las limitaciones de capacidad de la red y, de hecho, encontramos que los temporizadores SFH de las 12 am y los temporizadores SFH aleatorios aumentan sustancialmente el nivel de adopción de EV que la red puede soportar. En el escenario de acceso a Hogar Universal, aumentan la capacidad de 67% a 86% y 83%.

Sin embargo, agregar 10 GW de almacenamiento es costoso y, por lo tanto, calculamos cuánto almacenamiento se necesita en cada escenario. En la Fig. 5b, mostramos la cantidad mínima de almacenamiento de red de 4 h que sería suficiente para cubrir toda la demanda no satisfecha. Afortunadamente, la mayoría de los escenarios requieren menos de 10 GW para alcanzar el 50 % o incluso el 100 % de adopción de EV, como se muestra en la Fig. 5b,c. Nuevamente, encontramos que los escenarios con más carga diurna son mejores que aquellos con alta carga en el hogar.

Las políticas que respalden un futuro con bajo acceso en el hogar y alto en el trabajo podrían traducirse en ahorros de almacenamiento notables. Con la carga no controlada y la adopción de EV del 50 %, ese escenario reduciría el requisito de almacenamiento en 1,3 veces en comparación con Business As Usual o 1,7 veces en comparación con el acceso Universal Home no controlado. El cambio de la carga de Business As Usual al escenario de carga de acceso Low Home, High Work reduciría el costo del almacenamiento instalado en US$700 millones con un pronóstico optimista de 143 US$ kWh−1 para el costo del almacenamiento o US$1500 millones con un pronóstico más alto costo de 299 US$ kWh−1 (refs. 59,60). Estos ahorros son sustanciales en comparación con los costos totales de electricidad (Nota complementaria 6) y crecen sustancialmente a medida que observamos niveles más altos de adopción de vehículos eléctricos. En la prueba de estrés con la adopción del 100 % de los vehículos eléctricos, el cambio al acceso Low Home, High Work generaría ahorros de 1600 millones de USD o 3400 millones de USD con cualquiera de las previsiones de costes.

El almacenamiento también puede proporcionar otros valores a la red. Las políticas que fomentan la carga diurna podrían traducirse en una mejor confiabilidad de la red al liberar la capacidad de almacenamiento para que actúe como reserva para días extremos o proporcione otros servicios de red, en lugar de cubrir la demanda máxima inducida por la carga de vehículos eléctricos.

La segunda conclusión importante de este estudio es que las implementaciones de control de carga comunes pueden causar impactos severos a nivel de generación en la adopción profunda. El control del temporizador, en particular, puede tener impactos negativos sustanciales. Al estudiar el aumento en la demanda neta máxima en la Fig. 4, vimos que los temporizadores SFH de las 9 p. Los impactos en el almacenamiento son menos severos con una adopción del 50 %, pero si observamos la figura 5b, podemos ver que la demanda de almacenamiento crece muy rápidamente en los niveles más altos. Sería necesario agregar capacidad de generación adicional a las 9 p. m. antes de que la adopción de EV alcance el 100 % en el escenario de acceso Universal Home para evitar que la demanda de almacenamiento supere los 24 GW, una cantidad superior al 18 % de la demanda total máxima típica en 2035. Con Low Home, High El acceso al trabajo, el control de minimización de picos aumentaría el requisito de almacenamiento en 1,5 veces sobre la cantidad no controlada al empujar la carga hasta el final de la tarde, donde la demanda de referencia ya es alta, aumentando la demanda neta máxima.

En esta sección, asumimos que la cantidad planificada de almacenamiento en la red de 10 GW se agrega y opera para suavizar la demanda neta. Aun así, hay rampas sustanciales de 1 h en los perfiles finales enviados a los generadores de combustibles fósiles, como se muestra en la Fig. 6. Esta es una métrica importante para la confiabilidad de la red, ya que las rampas frecuentes y rápidas de los generadores de combustibles fósiles pueden acortar la vida útil de las plantas y aumentar los costos operativos43,61. Todos los escenarios parten de una situación en la que no hay vehículos eléctricos, y la adición de carga diurna reduce la rampa al aplanar la demanda neta, mientras que la adición de carga en el hogar aumenta la rampa porque se alinea con el pico de referencia (Fig. 5 y Nota complementaria 7). Los temporizadores SFH aleatorios y de 12 a. m. pueden disminuir la rampa en algunos escenarios, pero el efecto de agregar control es pequeño en comparación con el efecto de cambiar entre escenarios de acceso de carga.

a,c, La rampa máxima de 1 h en el perfil de la demanda del día medio para la generación de combustibles fósiles en cada escenario de carga para el 50 % (líneas discontinuas) y el 100 % de adopción de vehículos eléctricos (líneas continuas) (a) y en todos los niveles de adopción ( C). b,d, Los valores para el 50%, 100% (b) y otros niveles de adopción de EV (d) de la cantidad total anual de exceso de generación de combustibles no fósiles. En cada escenario, 10 GW de almacenamiento en la red operaron para suavizar la demanda neta. Encontramos que tanto el aumento como el exceso de generación de combustibles no fósiles son menores en escenarios con carga doméstica baja y carga diurna alta. La rampa aumenta con la adición de vehículos eléctricos en escenarios con carga doméstica alta, pero disminuye en escenarios con carga diurna alta; agregar la demanda de carga de EV disminuye la cantidad de exceso de generación de combustibles no fósiles disminuye en todos los escenarios, más rápido en aquellos con más carga diurna.

Para algunos de nuestros días modelados en el año, la generación de combustibles no fósiles supera la demanda. Sin transmisión de modelos, no podemos determinar si este exceso de generación se reduce o se exporta a otra región. En cualquier caso, puede representar una oportunidad perdida para que el WECC reduzca sus emisiones y aumente el uso de fuentes de combustibles no fósiles. Sin vehículos eléctricos, el exceso anual total de generación de combustibles no fósiles es de alrededor de 2,8 TWh. Esta cantidad disminuye en todos los escenarios a medida que se agregan más EV, más rápidamente en escenarios con más carga diurna, como se muestra en la Fig. 6. En el escenario Business As Usual con una adopción de EV del 50 %, hay 1,3 TWh; esto se reduce a solo 0,5 TWh con una adopción del 100 % de vehículos eléctricos. Los escenarios con carga diurna alta se alinean mejor con la generación renovable y hacen uso de más de ese exceso de energía (Nota complementaria 7). Nuevamente, cambiar el acceso de carga tiene un efecto mayor que agregar control.

Las emisiones del tubo de escape para vehículos de pasajeros con motor de combustión interna vendidos en los Estados Unidos varían según el tipo (Nota complementaria 8). Dado que los camiones ligeros y los vehículos utilitarios deportivos (SUV) son el segmento más popular, la Agencia de Protección Ambiental (EPA) de los EE. UU. estima que el vehículo de pasajeros promedio en los Estados Unidos emite aproximadamente 404 g de CO2 por milla a través de su tubo de escape62. Los sedanes emiten menos; el Honda Civic 2019, por ejemplo, emite aproximadamente 276 g de CO2 por milla (ref. 63). Encontramos que las emisiones agregadas de la red de CO2 por milla de carga de EV en WECC son sustancialmente más bajas, entre 84 g y 88 g de CO2 por milla en un escenario de caso base para 2035 renovables con 50% de adopción de EV o entre 89 g y 93 g de CO2 por milla con 100% de adopción de EV. Esto representa una mejora de más de 4 veces en las emisiones operativas en comparación con el vehículo promedio con motor de combustión interna o una mejora de 3 veces en comparación con un sedán, que es comparable en tamaño y estilo a los EV modelados aquí (Métodos y Nota complementaria 8). También se observan caídas similares en SO2 y NOX (Figuras complementarias 8 y 9).

Los escenarios con menos carga en el hogar producen menos emisiones de CO2 por milla, como se muestra en la Fig. 7. Este resultado es consistente tanto en los escenarios de la red como en los niveles de adopción de EV. Bajo el escenario base de 'Energías renovables medianas' con niveles de energía solar y eólica de 3,5x y 3x en 2019, la diferencia entre el mejor y el peor de los casos es del 5 % con una adopción de EV del 50 % o del 4,5 % con una adopción de EV del 100 %. Con High Renewables en niveles de 5 × 2019, vemos una mayor diferencia en las emisiones entre escenarios. Universal Home tiene hasta un 36 % más de emisiones por milla que Low Home, High Work access con un 50 % de vehículos eléctricos, o hasta un 23 % más de emisiones con un 100 % de vehículos eléctricos.

a–d, Las emisiones de CO2 adicionales asociadas con la demanda adicional de carga de vehículos eléctricos se muestran para dos niveles de adopción de vehículos eléctricos (50 % (a,c) y 100 % (b,d)) y dos escenarios de generación renovable en 2035: la base caso Renovables Medianas con 3.5× y 3× la eólica y solar de 2019 (a,b) y Renovables Altas con 5× 2019 niveles de cada una (c,d). Encontramos que los escenarios de carga diurna tienen emisiones más bajas que los escenarios de carga en el hogar en ambas condiciones de red. Las emisiones del peor escenario son superiores a las del mejor en un 5,0 % y un 36,6 %, respectivamente, en las dos redes con un 50 % de adopción de vehículos eléctricos. Vemos las mismas tendencias con una adopción del 100 % de vehículos eléctricos, con diferenciales ligeramente más pequeños de 4,5 % y 23,0 % entre el mejor y el peor escenario. e, El perfil de la mediana (percentil 50) de las emisiones promedio y marginales para los días de semana en 2035; las bandas sombreadas muestran el rango del percentil 25 al 75, resaltando la incertidumbre. f,g, El orden de mérito de los generadores ordenados por costo como se usa en el modelo de despacho77: costo de generación (f) y tasa de emisión de CO2 (g) para cada generador. El ancho de la barra de cada generador muestra su capacidad. El orden de despacho es muy variable a lo largo del año con precios de combustible históricos variables y el orden de mérito de cada semana mezcla generadores de esta manera. Las semanas adicionales se presentan en la figura complementaria 12.

Diferentes estrategias de control de carga no cambian nuestro resultado en más del 2%. La carga no controlada en el lugar de trabajo está bien alineada con la generación solar, y vemos que el control de minimización de emisiones promedio no reduce significativamente las emisiones en relación con las no controladas. Esto ocurre, en parte, porque las emisiones promedio y marginales están desalineadas. Las emisiones promedio son bajas durante el día gracias a la alta generación solar, pero las emisiones marginales suelen ser más altas durante el día que en otros momentos (Figuras complementarias 10 y 11). Aunque las emisiones promedio han disminuido, las emisiones marginales han aumentado en los Estados Unidos durante la última década64. El control utilizó como objetivo fijo las emisiones medias a lo largo del año. Esto condujo a un uso marginalmente mejor del exceso de generación de combustibles no fósiles, como vimos en la Fig. 7, pero solo hubo hasta 100 días en el año con un exceso de generación de combustibles no fósiles para alcanzar el objetivo. En los otros días, este control aumentó la demanda diurna de generadores de combustibles fósiles con emisiones marginales a menudo altas.

Sin embargo, sería difícil mejorar este diseño de control porque el perfil de las emisiones marginales y el orden de despacho de los generadores cambia a lo largo del año. La Fig. 7b muestra la alta incertidumbre en los factores de emisión marginales, a menudo más altos al mediodía, y los factores de emisión promedio, que son más bajos al mediodía. La Fig. 7c muestra el orden de mérito de los generadores de combustibles fósiles de una semana a mediados de año. Tanto los generadores de alta como de baja emisión están presentes en todo el orden de mérito, el perfil diario de los factores de emisión marginales es muy variable y el cambio en la demanda de estos generadores tiene un impacto pequeño e inconsistente en las emisiones totales.

La planificación actual de la red depende de los modelos de la futura demanda de carga. Este estudio ha probado la sensibilidad de esos planes a diferentes realizaciones de cobro basadas en escenarios de comportamiento del conductor, infraestructura y control. En la Fig. 8, probamos la sensibilidad de nuestros resultados a las actualizaciones en la planificación de la red. En cada caso, llegamos a la misma conclusión: el acceso de carga Low Home reduce las emisiones de la red EV, los requisitos de almacenamiento, la rampa y el exceso de generación de combustibles no fósiles en comparación con los escenarios de acceso de carga High o Universal Home. Los beneficios de costos y emisiones de cada escenario de carga se analizan en la Nota complementaria 9.

Probamos aumentos del 10 % (líneas continuas) y disminuciones del 10 % (líneas discontinuas) en la capacidad de generación solar, eólica, de gas y de carbón. Mostramos los resultados solo para escenarios de carga no controlados para que sean más fáciles de leer. a–h, el resultado para una adopción de EV del 50 % (a–d) y el resultado para una adopción de EV del 100 % (e–h). En todos los casos, encontramos que la conclusión principal se mantiene: los escenarios de carga diurna reducen los impactos en la red en relación con los escenarios con carga doméstica alta. Agregar capacidad de energía eólica y solar mejora las emisiones de la red, especialmente con la carga diurna. Aumentar la capacidad de gas y carbón en un 10 % es suficiente para eliminar la necesidad de almacenamiento en la red para cubrir la carga por la adopción del 50 % de EV, ya que tanto la capacidad adicional como el almacenamiento en la red actúan como picos. Solo la energía solar y eólica cambian la rampa o la cantidad de exceso de generación de combustibles no fósiles, ya que ambos resultados dependen del perfil de la demanda neta. Aquí se utilizan las siguientes formas abreviadas para los escenarios de acceso: UH = Hogar Universal; HH = Hogar Alto; LHLW = Hogar Bajo, Trabajo Bajo; LHHW = Hogar Bajo, Trabajo Alto. En el etiquetado se utilizan las siguientes abreviaturas: chg = cambio; tapa = capacidad; y gen = generación.

Proporcionamos un análisis de sensibilidad a los precios del gas natural, la capacidad de la batería del vehículo y la prevalencia de la carga rápida en las figuras complementarias. 17–19.

Nuestros resultados muestran el potencial de la infraestructura de carga para mejorar la integración de la red de vehículos eléctricos en WECC en niveles profundos de adopción. En la futura red con mayor generación renovable, el tiempo es más importante y la demanda neta cuenta una historia muy diferente a la demanda total. Cambiar a los conductores de casa a la carga diurna mejora todas las métricas del impacto en la red, incluida la rampa, el uso de generación de combustibles no fósiles, los requisitos de almacenamiento y las emisiones. Esta información es sólida en diferentes niveles de adopción de EV.

Nuestros resultados exigen un mayor acceso de carga durante el día; simplemente limitar la carga en el hogar podría afectar negativamente la adopción y contribuir a un acceso desigual a la propiedad de vehículos eléctricos. Los formuladores de políticas deben garantizar que las opciones de carga durante el día sean convenientes, económicas, generalizadas y de libre acceso para el público.

Si bien las reducciones de emisiones desbloqueadas al cambiar entre escenarios de carga son modestas con niveles medios de energías renovables, los requisitos necesarios de almacenamiento en la red son sustanciales. El almacenamiento es costoso, la penetración de la red actual es baja y la industria ya está bajo presión para crecer frente a otros desafíos de la red. Al evitar el pico vespertino y alinearse mejor con las energías renovables, los escenarios de carga diurna reducen la cantidad de almacenamiento requerido para respaldar la carga de vehículos eléctricos y lo liberan para brindar otros servicios.

Nuestros resultados también revelan desafíos con los controles de cobro basados ​​en los programas de tarifas propuestos y existentes. Los controles centralizados del operador de la red pueden cambiar esta situación para garantizar operaciones de red fluidas.

Revelamos un conflicto entre los beneficios a nivel del sistema y del sitio. El control de minimización de picos se implementa ampliamente en sitios comerciales en función de los límites de capacidad del equipo y las tarifas de electricidad diseñadas para proteger la infraestructura del sistema de distribución7. Sin embargo, la distribución de la carga en el lugar de trabajo a lo largo del día aumenta la demanda al final de la tarde, cuando la alta demanda de referencia y la disminución de la generación solar ya sobrecargan la red a nivel de generación, lo que genera mayores requisitos de almacenamiento. Dados los altos costos de las actualizaciones del sistema de distribución y almacenamiento de la red, se necesita más investigación para evaluar el equilibrio entre estos objetivos.

Recientemente se identificó un conflicto similar con el control de relleno del valle de la carga doméstica en el Reino Unido28. Esto también representa una tensión entre las preocupaciones a corto plazo sobre las actualizaciones de infraestructura y las preocupaciones a largo plazo sobre la descarbonización de la red. Las empresas de servicios públicos de California se están alejando de los cargos por demanda en los sitios comerciales de vehículos eléctricos para mejorar el caso económico de los operadores de estaciones y fomentar la adopción65. Un problema similar surge en el diseño de tarifas residenciales entre estructuras simples y complejas, que tienen mejores impactos en la red54, pero presentan desafíos prácticos, normativos y éticos relacionados con la asignación de tarifas diferentes a los clientes vecinos.

Encontramos que el control del lugar de trabajo diseñado para alinear la carga con emisiones de red promedio bajas no logra reducciones significativas cuando se implementa. La alta variabilidad en el orden de despacho de los generadores y el perfil de las emisiones marginales hace que el diseño de cronogramas de tasas de reducción de emisiones sea un desafío. Además de equilibrar los impactos a nivel de distribución y generación, las futuras tarifas de electricidad deberían armonizarse mejor con los precios mayoristas de electricidad y podrían variar día a día con las condiciones de generación de la red.

Diferentes suposiciones con respecto a la demanda de referencia futura y los recursos de generación podrían conducir a resultados diferentes, posiblemente invirtiendo la dinámica de la carga diurna y nocturna. Por ejemplo, la carga doméstica controlada podría ser mejor en sistemas con baja demanda nocturna y alta dependencia de la generación eólica nocturna. De manera similar, los efectos estacionales causados ​​por cambios en la temperatura exterior podrían afectar los resultados en algunas regiones. También se debe explorar el acoplamiento con diferentes escenarios de electrificación en otros sectores además del transporte y con diferentes vías para la descarbonización de la red. En cualquier caso, la hora del día de carga importa.

La construcción de nuevas estaciones de carga representa una poderosa forma de control de carga a escala de tiempo de varios años para mejorar los impactos de la carga de vehículos eléctricos, respaldar una adopción generalizada equitativa, reducir las emisiones, respaldar la integración renovable y suavizar la transición hacia un futuro descarbonizado.

Desarrollamos un modelo de carga de EV y la red eléctrica para estudiar las consecuencias de la demanda de carga en las emisiones, la capacidad de la red, los costos, el almacenamiento y la integración renovable en 2035 (Fig. 1a). Primero, desarrollamos escenarios para la futura demanda de carga de vehículos eléctricos minuto a minuto, modelando el comportamiento de carga de los conductores en los estados del WECC utilizando un modelo probabilístico basado en datos del comportamiento y la carga del conductor. Luego exploramos una variedad de escenarios para la carga controlada o para cambiar el acceso de los conductores a la carga en el hogar y en el trabajo. Modelamos la carga controlada tanto en entornos residenciales como laborales en función de las tarifas de electricidad existentes. Repetimos el perfil típico de días de semana y días de fin de semana para cada escenario de carga para representar un año completo de demanda de carga. En segundo lugar, ampliamos un modelo existente de la red eléctrica para representar las condiciones y la operación en 2035, utilizando un modelo de despacho de orden reducido para simular el uso de generadores de combustibles fósiles y considerando los niveles futuros de generación renovable y almacenamiento en la red. Luego, combinando los dos elementos, calculamos el despacho de la red durante las 8760 horas del año y las emisiones asociadas con la demanda adicional de carga de vehículos eléctricos para estudiar los impactos de cada escenario.

La demanda de carga de vehículos eléctricos está determinada por el comportamiento del conductor y el tipo de vehículo: dónde, cuándo, cómo, con qué frecuencia y cuánto cobra cada conductor. Para modelar la demanda de carga en WECC, nos basamos y ampliamos sustancialmente nuestro modelo anterior de carga, que agrupaba a los conductores en distintos grupos según sus comportamientos de carga observados52. El enfoque de modelado completo se detalla aquí.

Aquí solo modelamos vehículos personales de servicio liviano y no modelamos escenarios para vehículos comerciales de servicio mediano y pesado. Los vehículos comerciales seguirán patrones de carga muy diferentes, dictados más por la programación que por el comportamiento o las preferencias individuales del conductor. Los vehículos medianos y pesados ​​también experimentarán diferentes cronogramas de adopción66.

El perfil de carga de un conductor está influenciado por las necesidades de movilidad, por las características del vehículo y, de manera crítica, por el acceso a la carga en diferentes lugares. Los datos utilizados para este estudio capturan una amplia gama de comportamientos para conductores de diferentes marcas y modelos de vehículos eléctricos.

Para modelar el comportamiento de carga de los conductores de los grupos de ingresos más bajos, los futuros usuarios y otros conductores subrepresentados en los datos históricos de carga, utilizamos esos tres factores como un intermediario: parametrizamos los grupos de comportamiento observados de los conductores actuales en sus necesidades de energía, batería del vehículo capacidad y acceso a la carga y modelar cómo esos factores cambiarían para representar futuros impulsores de diferentes ingresos o viviendas en diferentes regiones de los Estados Unidos. El modelo probabilístico de la demanda de carga que conecta estas características se muestra en la Fig. 1b.

Cada conexión en la Fig. 1b representa una dependencia condicional: dada la región del conductor, modelamos la probabilidad de que tenga un tipo particular de vivienda, nivel de ingresos y distancia anual para viajar; dados los ingresos y el tipo de vivienda del conductor, modelamos la probabilidad de que tenga un vehículo de capacidad de batería grande o pequeña y su probabilidad de tener acceso a diferentes tipos de carga en el hogar o en el lugar de trabajo; y dado el kilometraje anual del conductor, modelamos su demanda anual total de energía de carga. Los enlaces se ajustaron utilizando una variedad de entradas y conjuntos de datos que se describen a continuación.

Modelar la gama completa de adoptantes en etapas tempranas, intermedias y tardías es un desafío clave para la planificación a largo plazo de los vehículos eléctricos. Los usuarios tardíos están mejor representados en los datos actuales entre los residentes de MUD, los conductores sin acceso a la carga en el hogar y los conductores con vehículos de batería pequeña. Con este método, los patrones de comportamiento únicos de los conductores en cada uno de esos segmentos se capturan y se vuelven a escalar para construir futuros escenarios de carga.

Los grupos de comportamiento de los conductores se identifican agrupando a los conductores a partir de un gran conjunto de datos de sesiones de carga reales52; cada grupo representaba un tipo único de conductor con un patrón de carga en diferentes segmentos, cargando en diferentes momentos del día y cargando con diferentes frecuencias. Diseñamos el vector de características para que cada conductor incluya la capacidad de la batería de su vehículo y las estadísticas que describen su uso de cada segmento de carga: su número de sesiones, su frecuencia de carga los fines de semana en lugar de los días laborables y su tiempo medio de inicio de sesión, energía y duración dentro de cada segmento. segmento. Modelamos las decisiones de carga diarias y los parámetros de la sesión por separado para los conductores de cada grupo. Los datos no revelan ninguna conexión directa clara entre los grupos de comportamiento de los conductores y los indicadores socioeconómicos después de tener en cuenta el acceso, el uso de energía y la capacidad de la batería del vehículo. Los comportamientos observados y capturados por estos grupos representan las preferencias reveladas de los conductores reales. Varios comportamientos identificados en otros estudios se confirman en estos datos, incluyendo, por ejemplo, la presencia de conductores más y menos reacios al riesgo, fuertes hábitos de carga regular y uso mixto de diferentes infraestructuras13,67. Estos comportamientos revelados son diferentes de los identificados a través de las encuestas de preferencias declaradas17. Los tiempos de llegada se validaron aún más utilizando datos de la Encuesta nacional de transporte doméstico 2016-201768 en diferentes niveles de ingresos familiares para los encuestados en el Área de la Bahía (Nota complementaria 4).

Para generar los escenarios presentados en el documento, modelamos la demanda de carga para cada condado en los 11 estados principales en WECC por separado y agregamos los perfiles regionales. WECC se refiere a la Interconexión Occidental, supervisada por el Consejo Coordinador de Electricidad Occidental. En este estudio excluimos las partes canadiense y mexicana del territorio. Cambiamos toda la demanda de carga a la hora del Pacífico al crear la demanda agregada.

Al concatenar los perfiles de días de la semana y fines de semana para compilar un año de carga, asumimos que se pueden ignorar los efectos estacionales causados ​​por los cambios en la temperatura exterior.

Accedimos a la cantidad de vehículos de pasajeros y las distribuciones a nivel de condado de tipos de vivienda, ingresos familiares y demanda de viajes a partir de datos de encuestas del censo, la comunidad y el consumidor45,69. Modelamos la dependencia del acceso a la carga residencial en los ingresos y el tipo de vivienda utilizando datos de una encuesta de californianos de 2021 realizada conjuntamente por la Comisión de Energía de California y el Laboratorio Nacional de Energía Renovable70. La encuesta define tres categorías para el ingreso familiar anual: hasta $60,000, entre $60,000 y $100,000 y más de $100,000. Hacemos coincidir los tipos de vivienda de la encuesta con cinco contenedores en los datos del censo: SFH separados, SFH adjuntos, apartamentos de altura media y baja, apartamentos de gran altura y casas móviles. Modelamos el acceso a la carga en el lugar de trabajo según una encuesta de 2018 de los viajeros de California12. Modelamos la dependencia de la capacidad de la batería en los ingresos del conductor utilizando datos del Proyecto de reembolso de vehículos limpios de California en más de 400,000 compras de vehículos eléctricos en California entre 2010 y 202071.

Para modelar el comportamiento de los conductores, utilizamos un conjunto de datos de más de 2,8 millones de sesiones de carga de 27,7 mil conductores de vehículos eléctricos con batería registrados por un gran proveedor de estaciones de carga en 2019 en el área de la bahía de San Francisco en California. Cada sesión está asociada con una identificación de conductor única y se conocen la hora de inicio, la hora de finalización, la energía, la tasa de carga y la categoría de ubicación. Las sesiones cubren cinco segmentos: carga de nivel 2 (L2) en el lugar de trabajo, carga L2 pública, carga pública rápida (DCFC), carga L2 residencial SFH y carga L2 residencial MUD. La carga L2 se produjo a 6,6 kW y DCFC se produjo a 150 kW.

La limpieza de datos se describe con más detalle en la Nota complementaria 2 y los Métodos complementarios, y las estadísticas sobre los controladores y las sesiones se presentan en las Figuras complementarias. 1–3. El 75% de las sesiones tienen lugar en lugares de trabajo, seguido del 17% en público, el 8% en SFH y menos del 1% (3.592 sesiones) en MUD. De los vehículos, el 53 % tiene baterías de gran capacidad (superiores a 50 kWh) y el 47 % tiene baterías de menor capacidad. La marca más común es Tesla, seguida de Chevrolet y Nissan. Este conjunto de datos sirve como datos de preferencia revelados y contiene un amplio conjunto de comportamientos.

Suponemos que todos los conductores tienen acceso a la recarga pública. Etiquetamos el acceso de carga en el hogar o en el lugar de trabajo para los conductores en el conjunto de datos en función de su historial de carga en 2019. Modelamos la carga gratuita y paga en el lugar de trabajo como categorías separadas de acceso y asignamos acceso gratuito a los conductores cuya tarifa de sesión promedio en 2019 fue inferior a US $ 0,05. Definimos cuatro escenarios variando el acceso de los conductores a la carga. Para el 'Acceso universal al hogar', asumimos que todos los conductores de todos los niveles de vivienda e ingresos tendrían acceso a la carga en el hogar. Para 'Alto acceso al hogar', modelamos el acceso a la carga en el hogar con base en el escenario de 'acceso potencial con modificación del estacionamiento' de la encuesta70, asumiendo que la carga L2 se instalaría para todos los conductores que respondieron que podrían instalar algún tipo de carga en su residencia. Tanto en 'Acceso universal al hogar' como en 'Acceso alto al hogar', asumimos que el 50% de los conductores de altos ingresos tendrían acceso a cargos en el lugar de trabajo según el estudio de 201812, y los conductores de bajos ingresos tendrían menos probabilidades de tener acceso. Para 'Low Home, Low Work', modelamos el acceso a la carga en el hogar en función del escenario de 'acceso existente' de la encuesta70, asumiendo que solo los conductores que ya estacionan junto al equipo de carga de Nivel 1 (L1) podrían instalar cargadores domésticos L2 . Para 'Low Home, High Work', usamos el mismo modelo de bajo acceso a la carga en el hogar, pero aumentamos la probabilidad de acceso a la carga en el lugar de trabajo, limitada por la fracción de californianos que manejan para ir al trabajo45. En todos los casos, asumimos que la carga en el lugar de trabajo fue gratuita para el 75% de quienes tenían acceso. Los escenarios se ilustran en la Fig. 1 y la Fig. 28 complementaria.

Modelamos las decisiones de compra de vehículos en los datos del Proyecto de reembolso de vehículos limpios con regresión logística, representando los ingresos de cada conductor con el ingreso familiar promedio de su código postal y utilizando marcas de vehículos de gama alta para representar vehículos con baterías más grandes. La probabilidad media de que un conductor compre un vehículo de batería grande es del 30,6 %, 33,2 % y 37,9 % para los conductores de ingresos bajos, medios y altos, respectivamente. Modelamos la distribución del uso de energía anual total de los conductores asumiendo una eficiencia media alta en futuros vehículos eléctricos de 5 millas por kWh (ref. 72) con pérdidas insignificantes en la eficiencia de carga y definimos siete contenedores alineados con las distribuciones de kilometraje anual: (0, 600), (600, 1000), (1000, 1600), (1600, 2000), (2000, 3000), (3000, 4000), (4000, +) kWh. Suponemos que la distribución de vehículos eléctricos en los condados coincidirá con la distribución actual de vehículos de pasajeros en los altos niveles de adopción de vehículos eléctricos estudiados en este documento.

Agrupamos los controladores usando agrupamiento aglomerativo con el método de Ward. El algoritmo de agrupamiento se inicializa con cada controlador como un clúster separado. Sea xd el vector de características normalizado que describe el controlador d. En cada paso, el algoritmo elige dos conglomerados para combinar de modo que se minimice la varianza73 total dentro del conglomerado. Donde Cl denota el conjunto de controladores en el grupo l y \({x}^{{C}_{l}}\) representa el centroide de los vectores de características de los controladores en Cl, esto se puede expresar como

Esto crea una jerarquía de clústeres; el diagrama de codo que muestra el beneficio marginal de cada aumento en el número de conglomerados se utiliza para seleccionar el punto de corte óptimo. Agrupamos los conductores en cada contenedor de energía de carga anual por separado y encontramos un total de 136 grupos. El perfil de carga típico entre semana para los conductores en cada grupo se ilustra en la figura complementaria 26.

Modelamos la dependencia del grupo de conductores en el acceso, la capacidad de la batería y la energía mediante el cálculo de la distribución de etiquetas de grupo para los conductores dentro de cada contenedor. Específicamente, donde NA,B,E denota el número de conductores con acceso A en el contenedor de capacidad de batería B y el contenedor de energía E y donde NG denota el número de conductores en el grupo G, la probabilidad se calcula como \(P(G| A, B,E)={N}_{A,B,E}\!^{G}/{N}_{A,B,E}\).

La probabilidad de que un conductor en un grupo determinado cargue en cada segmento en un día de semana o un día de fin de semana se modela usando los historiales de carga de los conductores en el grupo. Para cada grupo de controladores G y segmento de carga z, modelamos la distribución conjunta de los parámetros de la sesión, el tiempo de inicio y la energía, s, utilizando un modelo de mezcla gaussiana con hasta K = 10 componentes ref. 74). Por lo tanto, la función de densidad de probabilidad de la mezcla se puede expresar como

Cada componente, k, en el modelo de mezcla es una distribución Gaussiana y su peso en la mezcla es P(k). Cada componente representa un patrón distinto de comportamiento de carga que ocurre en las sesiones observadas en el segmento z para los conductores del grupo G. En esta notación, el componente k tiene una media μk y una desviación estándar σk, y \({\mathcal{N}}\ ) es la abreviatura de la fórmula de distribución gaussiana estándar.

Probamos la sensibilidad de los comportamientos de carga en los estados de EE. UU. utilizando la Encuesta Nacional de Viajes de Hogares68 y descubrimos que cualquier diferencia en el comportamiento más allá de las capturadas por nuestro modelo de necesidades energéticas era pequeña.

Para una pequeña cantidad de contenedores de batería y energía, no hay controladores con acceso MUD: modelamos la distribución del grupo de comportamiento para esos contenedores utilizando otros contenedores en la categoría de acceso MUD, emparejando lo mejor posible primero por acceso, luego por energía y luego capacidad de la batería, basada en observaciones del impacto relativo de cada uno en el perfil de un grupo. Al modelar el acceso a la carga en el hogar, asumimos que la carga para los residentes de casas móviles podría estar representada por nuestros datos sobre MUD y disminuimos los resultados de la encuesta en un 50 % para reflejar la dificultad específica de instalar la carga L2 en lugar de L1 en una casa móvil.

Debido a la estructura probabilística de circuito abierto y al tamaño de los intervalos de kilometraje del censo, la energía anual total varía ligeramente entre escenarios no controlados, desde 8,654 × 107 MWh para el escenario 'Bajo Hogar Alto Trabajo' hasta 8,994 × 107 MWh para el ' Escenario Hogar Universal, una diferencia de menos del 5%.

Para generar la demanda de carga diaria en cada escenario, usamos este modelo para muestrear cada sesión de carga, repitiendo para simular la carga del número total de vehículos en cada región. El conjunto total de sesiones, sus tiempos de inicio, energías y tasas de carga de segmento, se utilizaron para definir los perfiles de carga de carga no controlados con una resolución de tiempo de 1 min. Con este enfoque, pudimos generar los perfiles de demanda típicos entre semana y fines de semana que representan 48,6 millones de conductores para cada escenario en menos de 9 minutos en una computadora portátil. La carga controlada o inteligente se aplica a la salida de este módulo, utilizando el conjunto de parámetros de sesión o los perfiles no controlados.

Modelamos dos tipos de carga controlada: control de cambio de carga en residencias unifamiliares, donde una sesión no controlada se retrasa a una hora de inicio preestablecida; y control de modulación de carga en los lugares de trabajo, donde cada vehículo a la tasa de carga de un sitio se modula a lo largo de su sesión para optimizar el perfil de carga agregado. Nos enfocamos en la carga unidireccional debido a su implementación generalizada. Siguen existiendo barreras normativas, sociales y técnicas considerables para el despliegue generalizado de carga bidireccional o de vehículo a todo (V2X), a pesar de la creciente investigación académica sobre el tema. Estos desafíos incluyen el impacto de V2X en el estado de la batería, la aceptación de los programas V2X por parte de los conductores, las implicaciones impositivas y de garantía y el desarrollo de suficientes protocolos, regulaciones y estándares de carga41,75.

Para estimar el efecto del control de modulación de carga a gran escala, ajustamos un modelo basado en datos de resultados de control para sitios de menor escala, siguiendo nuestro método propuesto por Powell et al.76. El enfoque completo se detalla aquí. En cada caso el conductor recibe la misma cantidad de energía que sin control. Implementamos minimización de picos y minimización de emisiones promedio.

Simulamos 1000 días-sitio en el lugar de trabajo con 150 vehículos en cada uno mediante un muestreo aleatorio de las sesiones de carga del lugar de trabajo en el conjunto de datos. El problema de optimización para la carga de cada día está sujeto a restricciones que limitan la tasa de carga, el intervalo de tiempo de carga y aseguran que cada vehículo reciba la misma cantidad de energía que en la sesión no controlada. Suponemos que los parámetros de la sesión se conocen de antemano. Escrito como funciones de la carga total del sitio L en cada momento del día t, la carga controlada del sitio después de la minimización máxima es \({L}^{* }=\,{{\mbox{argmin}}}\,\,\ mathop{\max }\nolimits_{t}{L}^{t}\). Dado el perfil del factor de emisión promedio diario, et, simulado por el modelo de despacho para un escenario sin demanda de carga de EV, la carga del sitio controlado después de la minimización de emisiones es L* = argmin∑tetLt.

Usamos los resultados para aprender un modelo basado en datos del mapeo de los perfiles de sitio no controlado a controlado, f: L → L*. Modelamos f con regresión de cresta, normalizamos y dividimos los 1000 perfiles de sitio en conjuntos de entrenamiento, desarrollo y prueba, y entrenamos el modelo con validación cruzada y una búsqueda de cuadrícula sobre el parámetro de cresta. Los errores cuadráticos medios del modelo en el conjunto de desarrollo para las optimizaciones de minimización de picos y minimización de emisiones respectivamente fueron 2,06 % y 3,34 % de la carga máxima.

En la formulación de optimización para la minimización de las emisiones de carga en el lugar de trabajo, agregamos un pequeño término de regularización proporcional a la pendiente del perfil agregado para fomentar un despacho de carga más suave y realista.

Para modelar los perfiles finales para los escenarios de control del lugar de trabajo, aplicamos el modelo entrenado para cada objetivo de optimización al perfil total de carga no controlada del lugar de trabajo de WECC.

Más del 31 % de las sesiones de carga residencial en nuestro conjunto de datos de carga demuestran el uso de temporizadores para retrasar las horas de inicio de la tarde hasta el período de precio más bajo de la empresa de servicios públicos local. Asumimos la misma tasa de respuesta en todos los escenarios futuros con temporizadores.

Modelamos el control del temporizador de cambio de carga identificando los componentes en los modelos de mezcla gaussiana de comportamientos de sesión que representan esos comportamientos y cambiando sus tiempos de inicio. El escenario 'Temporizadores aleatorios' representa un caso teórico en el que a los residentes que utilizan temporizadores se les asignaron horarios de tarifas aleatoriamente con períodos de precios más bajos a partir de las 8:30 p. m., 9 p. m., 9:30 p. m., 10 p. m., ..., 2 a. 30 am Para modelar la carga residencial no controlada, eliminamos esos componentes de los modelos mixtos y agregamos su peso a otros componentes con horarios de inicio vespertinos.

Los fines de semana, las distribuciones de energía para los componentes de la demanda de carga residencial son más variables: al modelar la carga residencial no controlada, apuntamos específicamente a los componentes sin temporizador con las energías más cercanas a los componentes del temporizador que se eliminan.

Modelamos la porción estadounidense de WECC, basándonos en el modelo de despacho de generadores de orden reducido propuesto por Deetjen y Azevedo57,77 y extendiendo el modelo para considerar tanto la generación de combustibles no fósiles como el almacenamiento en la red.

El modelo de despacho construye un orden de mérito de los generadores para cada semana del año utilizando datos de costos históricos y despacha los generadores por el costo más bajo para satisfacer cada hora de demanda. Los costos y la disponibilidad del generador se actualizan semanal o mensualmente, según los datos disponibles, lo que da como resultado 52 órdenes de mérito diferentes a lo largo del año. Construimos el modelo utilizando los últimos datos disponibles de 2019 y agregamos varias extensiones para representar la red futura: eliminamos o agregamos unidades generadoras en función de los retiros y adiciones anunciados hasta 2035; aumentamos la demanda base para representar la electrificación en otros sectores; incluimos dos escenarios para aumentar la generación renovable; modelamos el comportamiento de las adiciones de almacenamiento proyectadas a escala de red y agregamos la demanda de nuestros escenarios de carga de vehículos eléctricos.

Dado que los datos históricos sobre el precio del combustible y la producción se utilizan para calcular el costo de generación de cada planta, los factores que incluyen la eficiencia, la diferencia de contrato y la ubicación hacen que las plantas del mismo tipo tengan diferentes costos de generación. Como resultado, los generadores no están bien ordenados por sus tasas de emisión.

En la literatura sobre el impacto de la carga de vehículos eléctricos se utiliza una variedad de modelos de red, incluidos modelos de transmisión9,28, compromiso de unidad25,34 y otros29,32. El modelo de despacho de pedidos reducidos propuesto por Deetjen y Azevedo57 es rápido y computacionalmente económico, lo que nos permite calcular y comparar muchos escenarios. También es de código abierto, altamente personalizable y se basa en datos disponibles públicamente, lo que nos permite compartir nuestro modelo de código abierto de la futura red también. En la Nota complementaria 1 se incluye una revisión bibliográfica más detallada.

Los datos recopilados por la EPA a través de sus Sistemas de Monitoreo Continuo de Emisiones brindan la operación por hora, el consumo de combustible, la capacidad y las emisiones para cada unidad generadora de combustible fósil en WECC78. Los datos recopilados por la EPA en su base de datos de recursos integrados de generación y emisiones brindan la fecha de construcción, el tipo de combustible y la ubicación de cada planta79. Los datos recopilados por el conjunto de datos del Formulario 923 de la Administración de Información de Energía de EE. UU. dan las compras de combustible y los precios de las plantas de carbón, gas natural y petróleo80. Se accedió a la generación por hora a partir de fuentes de combustibles no fósiles, incluidas la nuclear, la hidráulica, la eólica y la solar, a través del sitio web de datos operativos del sistema eléctrico de la Administración de Información Energética de EE. UU.81.

Los cambios de generación planificados y anunciados para 2035 son el resultado de modelos de planificación de expansión de capacidad que incluyen un pronóstico de caso base Business As Usual de la demanda de carga de vehículos eléctricos. Usamos los resultados de estos modelos y anuncios para actualizar nuestro modelo de generación de red, luego cambiamos la parte de la demanda de los vehículos eléctricos para probar la sensibilidad de los impactos de la red en diferentes escenarios de carga.

Se retiran del conjunto de generadores las plantas o unidades con retiros anunciados hasta 203556: 7.644 MW de capacidad a gas natural y 17.175 MW a carbón. Las incorporaciones anunciadas se incluyen duplicando las plantas existentes más similares, priorizando las que se encuentran en línea más recientemente y en la misma región que las incorporaciones56: 14.283 MW de gas natural y sin carbón.

La demanda de referencia se escala por un factor de 1,16 para representar la electrificación según el perfil de carga del escenario de electrificación de referencia y avance tecnológico moderado del Estudio de Futuros de Electrificación48,82. Este factor se calculó como el aumento porcentual promedio en el consumo sobre los niveles de 2018 en todos los estados del WECC, excluyendo el asociado con la electrificación del transporte, utilizando los datos disponibles por Mai et al.48 e interpolando entre los años 2030 y 2040. Esta estimación representa el efecto de una población en crecimiento, aumentos pronosticados como de costumbre en el uso de tecnologías eléctricas para calefacción, refrigeración, cocina y otros usos finales48 y mejoras moderadas en tecnología y eficiencia83.

Desarrollamos dos escenarios para la expansión de la generación renovable basados ​​en proyecciones recientes impulsadas por el Proyecto de Ley 100 del Senado de California, 'La Ley 100 por ciento de energía limpia de 2018'58. Suponemos que los aumentos en la capacidad proyectados para California podrían reflejarse en toda la región WECC. Nuestro escenario de 'Energías renovables medianas' basado en las proyecciones de 2035 sitúa la capacidad eólica y solar en niveles de 3x y 3,5x para 2019, respectivamente; y nuestro escenario de 'altas energías renovables' basado en las proyecciones de 2045 sitúa la capacidad eólica y solar cada una en niveles de 5 × 2019. Modelamos una cantidad de referencia de almacenamiento de batería en WECC de 10 GW de capacidad y 4 h de duración según el mismo informe58,84.

Calculamos la demanda futura que enfrentarán los generadores de combustibles fósiles, Dff, restando la generación ajustada basada en combustibles no fósiles, Gnon-ff, de la demanda total, Dtotal, ajustada por electrificación por el factor αelect, y ajustada para incluir la demanda agregada de carga EV, DEV. El cálculo se puede expresar como

Usamos multiplicadores, αsolar y αwind, para ajustar la generación renovable y así suponer que las futuras instalaciones tendrán los mismos factores de capacidad y operaciones que las de 2019. Operamos los 10 GW de almacenamiento de línea de base con el programa de carga r1 antes del despacho para pico -afeitado, optimizando la operación para minimizar la norma de la demanda que enfrentan los generadores de combustión, \({r}_{1}\!^{* }=\,{{\mathrm{argmin}}}\,\,| | {D}_{{{\mathrm{peine}}}}-{r}_{1}| {| }_{2}\). Cualquier exceso de generación se reduce en este punto para garantizar que se envíe una Dff no negativa. El monto final despachado a los generadores fue

También aplicamos un segundo tipo de almacenamiento, posterior al despacho del generador, utilizando almacenamiento adicional para cubrir cualquier demanda no cubierta y optimizando para encontrar la capacidad adicional mínima de 4 h de almacenamiento necesaria.

La capacidad de la red para admitir vehículos eléctricos está limitada por la capacidad total máxima de los generadores en cada semana del año.

Para probar la capacidad y estudiar los impactos en niveles de adopción más bajos, escalamos la salida del modelo para la demanda de carga de vehículos eléctricos al 100 %, asumiendo una distribución constante de adopción.

El límite de capacidad es el primer porcentaje de adopción de EV cuando no se pudo admitir la carga total, incluidos los EV. Esta medida es más sensible a días extremos que estudiar el pico en un día medio, pero supone una limitación real y un impacto importante en la red. También representa un umbral importante para la confiabilidad de la red; operando cerca de este límite, es probable que la red se quede corta en días de generación inferior al promedio o demanda superior al promedio.

El modelo de despacho utiliza una heurística para implementar restricciones de tiempo de inactividad mínimo para las plantas de carbón57. Suponemos que estas restricciones estarían activas durante los mismos períodos de tiempo en la red futura. El modelo de despacho se actualiza cada semana en función de los datos históricos sobre los períodos en que ciertos generadores estuvieron fuera de línea en 2019, por lo que la capacidad de generación máxima varía cada semana. Cuando la ventana para la que se activa una restricción de tiempo de inactividad mínimo cruza la división entre una semana y la siguiente, la capacidad en ese período está limitada por la menor de las capacidades de las dos semanas. Mientras tanto, el requerimiento de almacenamiento no se calcula con base en límites semanales sino con una serie de tiempo por hora de la demanda que no se pudo satisfacer al ejecutar el modelo de despacho.

Las proyecciones de capacidad de almacenamiento en 2035 son muy inciertas y cubren una amplia gama de valores. Las adiciones anunciadas en WECC arrojan un aumento aproximado de 8 veces con respecto a los niveles de 202056. Aunque California ya tiene más de tres veces la capacidad de almacenamiento a escala de red de cualquier otro estado85, el requisito de informe del Proyecto de Ley 100 del Senado de 10 GW para 2030 representaría un aumento de 50 veces el nivel de 2019 de 0,2 GW (ref. 58). Suponemos que este valor representaría una proyección de caso base justa para la instalación total en WECC para 2035.

En el segundo tipo de implementación de almacenamiento al agregar capacidad de almacenamiento adicional para cubrir la demanda insatisfecha, incluimos un pequeño término de regularización en el objetivo de facilitar el funcionamiento de la batería. El almacenamiento adicional es necesario para cumplir con las limitaciones de capacidad nocturna. Asumimos que se cargaría con energía solar adicional y no iteramos ni reenviamos con la demanda adicional para cargar el almacenamiento adicional.

Calculamos las emisiones totales en cada hora como la suma de las emisiones de cada generador despachado. El último generador despachado para cada hora de demanda se identifica como generador marginal, y su tasa de emisión en kgCO2 kWh−1 determina el factor de emisión marginal. Para atribuir las emisiones causadas por la adición de EV en cada escenario, restamos las emisiones totales del despacho de un escenario paralelo sin demanda de carga de EV.

Calculamos el exceso de generación de combustibles no fósiles sumando el exceso de generación en las horas en que la generación de combustibles no fósiles supera la demanda. El modelo no representa transmisión, interconexión o congestión; por lo tanto, no modelamos si el exceso de generación se reduce o se exporta a otra región.

Los datos de carga utilizados en este estudio no pueden ponerse a disposición del público debido a problemas de privacidad de los conductores individuales, pero los objetos del modelo y los perfiles de carga que se calibraron con esos datos y se usaron en este estudio están disponibles en https://data. mendeley.com/datasets/y872vhtfrc/2 con https://doi.org/10.17632/y872vhtfrc.2. Este conjunto de datos mínimo hace posible ejecutar el modelo de carga y simular nuevos escenarios de carga futuros para probar. Se puede contactar a GVC ([email protected]) si tiene preguntas sobre el acceso. El modelo de cuadrícula se ejecutó utilizando datos disponibles públicamente. Las instrucciones para su recopilación y procesamiento se incluyen con el código en https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact. Póngase en contacto con SP, IA o RR si tiene alguna pregunta.

El código utilizado para el análisis presentado en este documento está disponible en https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact con DOI 10.5281/zenodo.7031008. Póngase en contacto con SP si tiene alguna pregunta.

Bibra, E. et al. Global EV Outlook 2021: Ambiciones aceleradas a pesar de la pandemia (Agencia Internacional de Energía, 2021).

Bouckaert, S. et al. Net Zero by 2050: A Roadmap for the Global Energy Sector (Agencia Internacional de Energía, 2021).

McKerracher, C. et al. Electric Vehicle Outlook 2021: Resumen ejecutivo (BloombergNEF, 2021).

Coignard, J., MacDougall, P., Stadtmueller, F. & Vrettos, E. ¿Los vehículos eléctricos impulsarán las actualizaciones de la red de distribución?: El caso de California. IEEE eléctrico. revista 7, 46–56 (2019).

Artículo Google Académico

Muratori, M. Impacto de la carga no coordinada de vehículos eléctricos enchufables en la demanda de energía residencial. Nat. Energía 3, 193–201 (2018).

Artículo Google Académico

Quiros-Tortos, J., Ochoa, L. & Butler, T. Cómo funcionan juntos los vehículos eléctricos y la red: lecciones aprendidas de una de las pruebas de vehículos eléctricos más grandes del mundo. IEEE Poder Energía Mag. 16, 64–76 (2018).

Artículo Google Académico

Powell, S. et al. Carga controlada de vehículos eléctricos en el lugar de trabajo: el impacto de los programas de tarifas en el envejecimiento del transformador. aplicación Energía 276, 115352 (2020).

Artículo Google Académico

Brinkel, N., Schram, W., AlSkaif, T., Lampropoulos, I. y van Sark, W. ¿Deberíamos reforzar la red? Optimización de costes y emisiones de la carga de vehículos eléctricos bajo diferentes límites de transformadores. aplicación Energía 276, 115285 (2020).

Artículo Google Académico

Kintner-Meyer, M. et al. Vehículos eléctricos a escala: análisis de fase I: Altos impactos de adopción de vehículos eléctricos en la red eléctrica occidental de EE. UU. (Laboratorio Nacional del Noroeste del Pacífico, 2020).

Proyecto de Ley de la Asamblea 2127 Evaluación de Infraestructura de Carga de Vehículos Eléctricos (Comisión de Energía de California, 2021); https://www.energy.ca.gov/programs-and-topics/programs/electric-vehicle-charging-infrastructure-assessment-ab-2127

Muratori, M. et al. Futuros sistemas integrados de movilidad y energía: una perspectiva de modelado. Renovar. sust. Energía Rev. 119, 109541 (2020).

Artículo Google Académico

Chakraborty, D., Bunch, DS, Lee, JH & Tal, G. Conductores de demanda para el comportamiento de carga de la infraestructura de carga de los pasajeros de vehículos eléctricos enchufables. transporte Res. D 76, 255–272 (2019).

Artículo Google Académico

Lee, JH, Chakraborty, D., Hardman, SJ & Tal, G. Exploración de patrones de carga de vehículos eléctricos: uso mixto de infraestructura de carga. transporte Res. D 79, 102249 (2020).

Artículo Google Académico

Zhang, J., Yan, J., Liu, Y., Zhang, H. y Lv, G. Perfiles de carga de carga de vehículos eléctricos diarios teniendo en cuenta la demografía de los usuarios de vehículos. aplicación Energía 274, 115063 (2020).

Artículo Google Académico

Pan, L., Yao, E. & MacKenzie, D. Modelado de la elección de carga de vehículos eléctricos teniendo en cuenta las actitudes de riesgo y la falta de asistencia. transporte Res. C 102, 60–72 (2019).

Artículo Google Académico

Hardman, S. et al. Una revisión de las preferencias de los consumidores y las interacciones con la infraestructura de carga de vehículos eléctricos. transporte Res. D 62, 508–523 (2018).

Artículo Google Académico

Hardman, S. & Tal, G. Comprender la interrupción entre los propietarios de vehículos eléctricos de California. Nat. Energía 6, 538–545 (2021).

Artículo Google Académico

Wei, W., Ramakrishnan, S., Needell, ZA y Trancik, JE Soluciones de carga y electrificación de vehículos personales para días de alta energía. Nat. Energía 6, 105–114 (2021).

Artículo Google Académico

Mersky, AC, Sprei, F., Samaras, C. y Qian, ZS Eficacia de los incentivos para la adopción de vehículos eléctricos en Noruega. transporte Res. D 46, 56–68 (2016).

Artículo Google Académico

Ledna, C., Muratori, M., Brooker, A., Wood, E. y Greene, D. Cómo apoyar la adopción de EV: compensaciones entre inversiones en infraestructura de carga y subsidios para vehículos en California. Política Energética 165, 112931 (2022).

Artículo Google Académico

Lee, JH, Hardman, SJ & Tal, G. ¿Quién está comprando vehículos eléctricos en California? Caracterización de la heterogeneidad de los primeros usuarios y previsión de la difusión del mercado. Res. de energía Ciencias Sociales 55, 218–226 (2019).

Artículo Google Académico

Brockway, AM, Conde, J. & Callaway, D. Acceso desigual a los recursos de energía distribuidos debido a los límites de la infraestructura de la red en California. Nat. Energía 6, 892–903 (2021).

Artículo Google Académico

Canepa, K., Hardman, S. & Tal, G. Una mirada temprana a la adopción de vehículos eléctricos enchufables en comunidades desfavorecidas de California. transporte Política 78, 19–30 (2019).

Artículo Google Académico

Building EV Infrastructure (CALeVIP, consultado el 9 de septiembre de 2021); https://calevip.org/

Szinai, JK, Sheppard, CJ, Abhyankar, N. y Gopal, AR Reducción de los costos operativos de la red y restricción de energía renovable con gestión de carga de vehículos eléctricos. Política Energética 136, 111051 (2020).

Artículo Google Académico

Zhang, J., Jorgenson, J., Markel, T. y Walkowicz, K. Valor para la red a partir de la carga administrada según el estudio de altas energías renovables de California. Trans. IEEE. Sistema de energía 34, 831–840 (2018).

Artículo Google Académico

Wood, EW, Rames, CL & Muratori, M. Nuevas herramientas/modelos analíticos de EVSE: Herramienta de proyección de infraestructura de vehículos eléctricos (EVI-Pro) (Laboratorio nacional de energía renovable, 2018).

Crozier, C., Morstyn, T. & McCulloch, M. La oportunidad de la carga inteligente para mitigar el impacto de los vehículos eléctricos en los sistemas de transmisión y distribución. aplicación Energía 268, 114973 (2020).

Artículo Google Académico

Manríquez, F., Sauma, E., Aguado, J., de la Torre, S. & Contreras, J. El impacto de los esquemas de carga de vehículos eléctricos en la planificación de la expansión del sistema eléctrico. aplicación Energía 262, 114527 (2020).

Artículo Google Académico

Cheng, AJ, Tarroja, B., Shaffer, B. & Samuelsen, S. Comparación de los beneficios de emisiones de los enfoques de carga inteligente de vehículos eléctricos centralizados y descentralizados: un estudio de caso de la red eléctrica de California del año 2030. J. Fuentes de alimentación 401, 175–185 (2018).

Artículo Google Académico

Zhang, C., Greenblatt, JB, MacDougall, P., Saxena, S. y Prabhakar, AJ Cuantificación de los beneficios de los vehículos eléctricos en la futura red eléctrica en el medio oeste de los Estados Unidos. aplicación Energía 270, 115174 (2020).

Artículo Google Académico

Doluweera, G., Hahn, F., Bergerson, J. & Pruckner, M. Un estudio basado en escenarios sobre los impactos de los vehículos eléctricos en el consumo de energía y la sostenibilidad en Alberta. aplicación Energía 268, 114961 (2020).

Artículo Google Académico

Wolinetz, M., Axsen, J., Peters, J. y Crawford, C. Simulating the value of electric-vehicle-grid Integration usando un modelo conductualmente realista. Nat. Energía 3, 132–139 (2018).

Artículo Google Académico

Chen, X. et al. Impactos de los tipos de flota y modos de carga para vehículos eléctricos en las emisiones bajo diferentes penetraciones de energía eólica. Nat. Energía 3, 413–421 (2018).

Artículo Google Académico

Xu, Y., Çolak, S., Kara, EC, Moura, SJ & González, MC Planificación de las necesidades del vehículo eléctrico mediante el acoplamiento de los perfiles de carga con la movilidad urbana. Nat. Energía 3, 484–493 (2018).

Artículo Google Académico

Jenn, A., Clark-Sutton, K., Gallaher, M. y Petrusa, J. Impactos ambientales de la carga extremadamente rápida. Reinar. Res. Letón. 15, 094060 (2020).

Artículo Google Académico

Sachan, S., Deb, S. & Singh, SN Diferentes infraestructuras de carga junto con estrategias de carga inteligente para vehículos eléctricos. Sostener. Ciudades Soc. 60, 102238 (2020).

Artículo Google Académico

McLaren, J., Miller, J., O'Shaughnessy, E., Wood, E. y Shapiro, E. Emisiones de CO2 asociadas con la carga de vehículos eléctricos: el impacto de la combinación de generación de electricidad, la disponibilidad de la infraestructura de carga y el tipo de vehículo. eléctrico J. 29, 72–88 (2016).

Artículo Google Académico

Needell, ZA, McNerney, J., Chang, MT y Trancik, JE Potencial para la electrificación generalizada de los viajes en vehículos personales en los Estados Unidos. Nat. Energía 1, 16112 (2016).

Artículo Google Académico

He, Y., Kockelman, KM & Perrine, KA Ubicaciones óptimas de las estaciones de carga rápida de EE. UU. para completar viajes de larga distancia en vehículos eléctricos con batería. J. Limpiador Prod. 214, 452–461 (2019).

Artículo Google Académico

Anwar, MB et al. Evaluación del valor de la carga gestionada de vehículos eléctricos: una revisión de metodologías y resultados. Entorno Energético. ciencia 15, 466–498 (2022).

Artículo Google Académico

Borlaug, B. et al. Electrificación de camiones pesados ​​y los impactos de la carga en depósito en los sistemas de distribución de electricidad. Nat. Energía 6, 673–682 (2021).

Artículo Google Académico

Coignard, J., Saxena, S., Greenblatt, J. y Wang, D. Vehículos limpios como facilitadores de una red eléctrica limpia. Reinar. Res. Letón. 13, 054031 (2018).

Artículo Google Académico

Black, D., MacDonald, J., DeForest, N. & Gehbauer, C. Demostración de vehículo a red de la base de la Fuerza Aérea de Los Ángeles: Informe final del proyecto (Laboratorio Nacional Lawrence Berkeley, 2020).

Datos de la Encuesta sobre la Comunidad Estadounidense de la Oficina del Censo de EE. UU. (SimplyAnalytics, consultado el 13 de agosto de 2021); https://simplyanalytics.com/

Fideldy, A. Borrador de actualización de la Junta de diciembre: Estrategia de fuente móvil 2020 (Junta de Recursos del Aire de California, 2020); https://ww2.arb.ca.gov/sites/default/files/2020-11/Draft_2020_Mobile_Source_Strategy.pdf

Mahone, A. et al. Descarbonización profunda en un futuro altamente renovable Resultados actualizados del modelo de rutas de California (Comisión de Energía de California, 2018); https://www.energy.ca.gov/sites/default/files/2021-06/CEC-500-2018-012.pdf

Mai, T. et al. Estudio de Futuros de Electrificación: Escenarios de Adopción de Tecnología Eléctrica y Consumo de Energía para los Estados Unidos. NREL/TP-6A20-71500 (Laboratorio Nacional de Energías Renovables, 2018); https://doi.org/10.2172/1459351

Informe final del Grupo de Trabajo de Integración de Redes y Vehículos de las Agencias Conjuntas de California (Comisión de Servicios Públicos de California, 2020); https://www.gridworks.org/wp-content/uploads/2020/09/GW_VehicleGrid-Integration-Working-Group.pdf

Planes de tarifas para vehículos eléctricos (EV) (Pacific Gas and Electric Company, consultado el 28 de septiembre de 2021); https://www.pge.com/en_US/residential/rate-plans/rate-plan-options/electric-vehicle-base-plan/electric-vehicle-base-plan.page

Opciones de tarifas para tecnología de energía limpia: Go Electric With a Great Plan (Southern California Edison, consultado el 28 de septiembre de 2021); https://www.sce.com/residential/rates/electric-vehicle-planes

Powell, S., Cezar, GV y Rajagopal, R. Estimaciones probabilísticas escalables de carga de vehículos eléctricos dado el comportamiento observado del conductor. aplicación Energía 309, 118382 (2022).

Artículo Google Académico

Chassin, DP et al. Estimación de la inercia del sistema WECC utilizando transitorios de frecuencia observados. Trans. IEEE. Sistema de energía 20, 1190–1192 (2005).

Artículo Google Académico

Muratori, M. & Rizzoni, G. Respuesta de la demanda residencial: gestión dinámica de la energía y precios de la electricidad que varían con el tiempo. Trans. IEEE. Sistema de energía 31, 1108–1117 (2015).

Artículo Google Académico

Informe conjunto de agencias SB 100 (Comisión de Energía de California, Comisión de Servicios Públicos de California y Junta de Recursos del Aire de California, 2021); https://www.energy.ca.gov/sb100

Brown, L. Retiros de generación: Retiros anunciados y potenciales (WECC, 2020); https://www.wecc.org/Administrative/06_Brown_Retirements_October%202020.pdf

Deetjen, TA & Azevedo, IL Modelo de despacho de orden reducido para simular factores de emisiones marginales para el sector eléctrico de los Estados Unidos. Reinar. ciencia Tecnología 53, 10506–10513 (2019).

Artículo Google Académico

Resumen del informe de la agencia conjunta SB 100 de 2021: Lograr un 100 % de electricidad limpia en California (Comisión de Energía de California, Comisión de Servicios Públicos de California y Junta de Recursos del Aire de California, 2021); https://www.energy.ca.gov/sb100

Mongird, K. et al. Evaluación de rendimiento y costo de la tecnología de almacenamiento de energía de red de 2020 (Laboratorio Nacional del Noroeste del Pacífico, 2021).

Cole, W., Frazier, AW y Augustine, C. Proyecciones de costos para el almacenamiento de baterías a gran escala: actualización de 2021 (Laboratorio Nacional de Energía Renovable, 2021).

Kumar, N., Besuner, P., Lefton, S., Agan, D. & Hilleman, D. Costos de ciclos de plantas de energía (Laboratorio Nacional de Energía Renovable, 2012).

Emisiones de gases de efecto invernadero de un vehículo de pasajeros típico (US EPA, consultado el 9 de septiembre de 2021); https://www.epa.gov/greenvehicles/greenhouse-gas-emissions-type-passenger-vehicle

Fuente oficial del gobierno de EE. UU. para información sobre economía de combustible (Departamento de Energía de EE. UU. y EPA de EE. UU., consultado el 10 de abril de 2022); https://fueleconomy.gov/feg/Find.do?action=sbsSelect

Holland, SP, Kotchen, MJ, Mansur, ET & Yates, AJ Por qué las emisiones marginales de CO2 no están disminuyendo para la electricidad de EE. UU.: estimaciones e implicaciones para la política climática. proc. Academia Nacional. ciencia EE. UU. 119, e2116632119 (2022).

Artículo Google Académico

Fitzgerald, G. & Nelder, C. EVGO Fleet and Tariff Analysis: Phase 1: California (Rocky Mountain Institute, 2017); https://rmi.org/wp-content/uploads/2017/04/eLab_EVgo_Fleet_and_Tariff_Analysis_2017.pdf

Ledna, C., Muratori, M., Yip, A., Jadun, P & Hoehne, C. Descarbonización de vehículos de carretera de servicio mediano y pesado: análisis de costos de vehículos de cero emisiones (Laboratorio Nacional de Energía Renovable, 2022).

Nicholas, M., Tal, G. & Ji, W. Lecciones de los datos de carga rápida en uso: por qué los conductores se quedan cerca de casa (Instituto de Estudios de Transporte, Universidad de California, Davis, 2017).

Encuesta Nacional de Viajes de Hogares de 2017 (Departamento de Transporte de EE. UU., 2017); https://nhts.ornl.gov

EASI MRI Consumer Survey Data 2019 (SimplyAnalytics, consultado el 21 de junio de 2021); https://simplyanalytics.com/

Alexander, M. Acceso a la carga en el hogar en California. Número de publicación CEC-600-2022-021 (Comisión de Energía de California, 2022).

California Air Resources Board Clean Vehicle Rebate Project, Rebate Statistics (Centro de Energía Sostenible, consultado el 19 de febrero de 2021); https://cleanvehiclerebate.org/eng/rebate-statistics

Galvin, R. ¿Se están volviendo demasiado grandes y pesados ​​los vehículos eléctricos? Modelado de la demanda futura de viajes de vehículos en una red eléctrica estadounidense descarbonizada. Política Energética 161, 112746 (2022).

Artículo Google Académico

Xu, R. y Wunsch, D. Agrupación vol. 10 (John Wiley & Sons, 2008).

Friedman, J., Hastie, T. y Tibshirani, R. Los elementos del aprendizaje estadístico vol. 1, (Springer, 2001).

Gschwendtner, C., Sinsel, SR & Stephan, A. Implementación Vehicle-to-x (V2X): una descripción general de las configuraciones de prueba predominantes y los desafíos técnicos, sociales y regulatorios. Renovar. sust. Energía Rev. 145, 110977 (2021).

Artículo Google Académico

Powell, S., Cezar, GV, Apostolaki-Iosifidou, E. y Rajagopal, R. Escenarios a gran escala de carga de vehículos eléctricos con un modelo de control basado en datos. Energía 248, 123592 (2022).

Artículo Google Académico

Deetjen, TA & Azevedo, IL Modelo de código abierto de despacho simple. Github github.com/tdeetjen/simple_dispatch (2019).

Datos del Sistema de Monitoreo Continuo de Emisiones (CEMS) (US EPA, 2019); ftp://newftp.epa.gov/DmDnLoad/emissions/hourly/monthly/

Base de datos integrada de recursos de generación y emisiones (eGRID) (US EPA, 2019); https://www.epa.gov/energy/emissions-generation-resource-integrated-database-egrid

Archivo de serie temporal de consumo de combustible y generación mensual EIA-923 (Administración de Información de Energía de EE. UU., 2019); https://www.eia.gov/electricity/data/eia923/

Generación neta por fuente de energía (Administración de Información de Energía de EE. UU., 2019); https://www.eia.gov/opendata/qb.php?category=3390101

Murphy, C. et al. Altos futuros de electrificación: impactos en el sistema de energía a granel de EE. UU. eléctrico J. 33, 106878 (2020).

Artículo Google Académico

Jadun, P. et al. Electrification Futures Study: End-Use Electric Technology Cost and Performance Projects Through 2050 (National Renewable Energy Lab, 2017).

Aportes y suposiciones—Informe conjunto de agencias CEC SB 100 (Comisión de Energía de California, Comisión de Servicios Públicos de California y Junta de Recursos del Aire de California, 2021); https://www.energy.ca.gov/sb100

Almacenamiento de energía: Impactos de los sistemas electroquímicos de almacenamiento de energía de baterías a escala de servicios públicos en el sistema de energía a granel (North American Electric Reliability Corporation, 2021).

Descargar referencias

Agradecemos a N. Crisostomo y M. Alexander de la CCA por su apoyo; nuestros colegas de Stanford y SLAC, incluidos los grupos S3L, INES, GISMo y EV50 por sus valiosos comentarios y debates; T. Deetjen por el modelo de despacho de red original; y ChargePoint para proporcionar datos. Este trabajo fue financiado por la Comisión de Energía de California con la subvención EPC-17-020 (SP y GVC), por la Fundación Nacional de Ciencias de EE. UU. a través del premio CAREER número 1554178 (RR), a través de la financiación de la Iniciativa Stanford Bits & Watts EV50 de Precourt Instituto de Energía (IMLA y LM) y de Volkswagen (SP). SLAC National Accelerator Laboratory es operado por el Departamento de Energía de EE. UU. por la Universidad de Stanford bajo el contrato DE-AC02-76SF00515.

Siobhan Powell

Dirección actual: Departamento de Gestión, Tecnología y Economía, ETH Zurich, Zurich, Suiza

Departamento de Ingeniería Mecánica, Universidad de Stanford, Stanford, CA, EE. UU.

Siobhan Powell

División de Ciencias Aplicadas, SLAC National Accelerator Laboratory, Menlo Park, CA, EE. UU.

Gustavo Vianna Cezar

Instituto Precourt para la Energía, Universidad de Stanford, Stanford, CA, EE. UU.

Liang Min, Inês ML Azevedo y Ram Rajagopal

Departamento de Ingeniería de Recursos Energéticos, Universidad de Stanford, Stanford, CA, EE. UU.

Inês ML Azevedo

Instituto Woods para el Medio Ambiente, Universidad de Stanford, Stanford, CA, EE. UU.

Inês ML Azevedo

Departamento de Ingeniería Civil y Ambiental, Universidad de Stanford, Stanford, CA, EE. UU.

carnero rajagopal

Departamento de Ingeniería Eléctrica, Universidad de Stanford, Stanford, CA, EE. UU.

carnero rajagopal

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

SP, GVC, LM, IMLA y RR concibieron la investigación. SP, RR e IMLA diseñaron el marco de modelado. SP implementó el marco, procesó los datos y analizó los resultados. SP y RR prepararon el primer borrador del manuscrito. SP, GVC, LM, IMLA y RR editado y revisado el manuscrito. GVC, LM, IMLA y RR brindaron apoyo institucional y material para la investigación.

Correspondencia a Siobhan Powell, Inês ML Azevedo o Ram Rajagopal.

Los autores declaran no tener conflictos de intereses.

Nature Energy agradece a Kara Kockelman y a los otros revisores anónimos por su contribución a la revisión por pares de este trabajo.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Notas complementarias 1–12, Tablas 1–11, Figs. 1–28, Métodos y referencias.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Powell, S., Cezar, GV, Min, L. et al. Acceso y operación de la infraestructura de carga para reducir los impactos en la red de la adopción profunda de vehículos eléctricos. Energía nacional 7, 932–945 (2022). https://doi.org/10.1038/s41560-022-01105-7

Descargar cita

Recibido: 01 enero 2022

Aceptado: 21 de julio de 2022

Publicado: 22 septiembre 2022

Fecha de emisión: octubre de 2022

DOI: https://doi.org/10.1038/s41560-022-01105-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Comunicaciones Tierra y Medio Ambiente (2023)

Naturaleza (2022)