Ubicación óptima de puntos de recarga con análisis espacial

La escasez de puntos de recarga para vehículos privados con tecnologías sostenibles es un hecho. Son necesarios, y se están instalando más de 10.000 por año, pero ¿dónde son más necesarios?

Según Anfac, en España, a mitad de 2024, hay casi 30.000 puntos de recarga para vehículos eléctricos, lejos de los 45.000 fijados como objetivo para 2023 en el PNIEC y en el Fit for 55. Se están instalando, muchos, pero faltan aún muchos más. Entonces, ¿dónde hay suficientes y dónde faltan? Cuál sería el mapa de puntos de recarga de vehículos eléctricos óptimo?

Para responder a la pregunta, la aproximación ideal sería aplicar técnicas de análisis de datos espaciales en 3 niveles:

1. Estadística espacial descriptiva: distribución espacial, cobertura de población, empresas, vehículos, cobertura de aforos de carreteras
2. Modelización predictiva: cuántos vehículos usarán un punto de recarga en una ubicación y con una potencia dadas
3. Optimización y simulación: simulación de escenarios hipotéticos, no reales y diseño de escenarios óptimos en función de parámetros como número de cargadores y potencia a instalar, predicción de demanda y posibles restricciones geográficas de instalación -potencia, trabajo, transporte de los mismos-.

Realizaremos aquí un esbozo del paso preliminar, el análisis de la red oficial de electrolineras con técnicas de análisis espacial descriptivas, cruzando esta red con datos de población, empresas y desplazamientos por carretera de desarrollo propio.

Enfoque 1. Población con acceso a puntos de recarga

• Una primera aproximación es medir la población que tiene accceso a puntos de recarga, así como sus características. Para ello, en torno a los puntos de recarga calculamos isocronas y asignamos edificios y portales a cada una de ellas.

Generamos a continuación isocronas de 5, 10, 15 minutos en coche en torno a cada una de ellas, obteniendo así el área desde la cual cada punto de recarga es accesible en dichos minutos de conducción. Veamos un zoom sobre Zaragoza.

Al cruzar estas isocronas con la población a nivel de grid de 100 metros obtenemos el mapa de la población con acceso a electrolinera, y el número de estas accesible desde cada grid, así como la población y características de esta.

Si nos fijamos en distribución de población, hogares y viviendas se ratifica lo que el mapa avanza a simple vista: los puntos de recarga están al alcance de zonas con alta densidad de población, mientras que las viviendas secundarias y con poca densidad tienen menor acceso.

Esta distribución tiene consecuencias cuando nos fijamos en viviendas totales y específicamente unifamiliares, población laboral, oficinas e instalaciones industriales.

La cobertura de viviendas unifamiliares es muy baja -muchas son viviendas secundarias, por lo que tienen poca población residente pero son origen y destino de muchos viajes regulares de población flotante-.

Por su parte, la cobertura de empleados es alta, pero se debe a la buena accesibilidad desde oficinas y comercios en núcleos urbanos, dado que la mayoría de instalaciones industriales no tienen acceso a electrolineras.

Enfoque 2. Movilidad de población

Para ejemplificar esta segunda aproximación hemos extraído un set de datos que estima el número de desplazamientos -totales y per cápita- y los kilómetros recorridos -totales y per cápita- por carretera, en vehículo privado, para 3.900 distritos en España. Estos distritos, y los datos de origen, provienen de los datos abiertos por el MITMA en el marco del proyecto Open data movilidad.

Sobre ellos, en este caso hemos obviado motivos de desplazamiento, hora, día y los sociodemográficos de los viajeros para mostrar un set muy sencillo donde a cada distrito se asignan los viajes y distancias cuando dicho distrito es origen del desplazamiento. Es decir, tomamos como referencia para la estimación de demanda de puntos de recarga estos indicadores de viajes.

Veamos un mapa en Barcelona.

Este mapa constituye otra aproximación, otra manera de valorar la red actual de puntos de recarga y tomar decisiones sobre ubicación de nuevos puntos. Por supuesto, sobre él hay muchas posibles mejoras, sobre todo las enfocadas a reducir la granularidad, dado que el distrito de MITMA es una geometría de cierto tamaño. Usando fuentes de datos geográficos, sociodemográficos, de atracción de alta precisión es posible calcular los centros de gravedad de alta precisión de origen y destino de desplazamientos, así como estimar estos desplazamientos para unidades geográficas mucho más precisas.

Hemos mostrado aquí una imagen muy simplificada, pero estos datos permiten extraer estacionalidad anual, diferenciar laborables vs festivos, tramos horarios en el día, motivo de desplazamiento (residencia, trabajo, habitual o no…) habilitando análisis exploratorios como el presente de gran riqueza. Lo único malo… pues eso, la otra cara de la granularidad, el gran volumen de datos, con la consiguiente dificultad para procesarlos y, sobre todo, la necesidad de herramientas analíticas capaces de extraer los insights, el conocimiento relevante.

Enfoque 3. Estimación de tráfico de vehículos en las vías

Es claro que contar con orígenes y destinos de viajes, sean potenciales o reales, no es suficiente para el problema de la recarga de vehículos, necesaria también en ruta. Por ello ensayamos aquí un tercer enfoque descriptivo basado en la estimación del tráfico de vehículos por los tramos en que las electrolineras se sitúan.

Nos basamos para ello en nuestra simulación de tráfico por carretera a nivel de tramo de vía.

Asignamos electrolineras a sus tramos para enriquecerlas con la estimación de tráfico en el tramo resultante de nuestra simulación. Vemos a continuación el resultado en Barcelona, donde los aforos son, en general, bastante elevados.

Si sacamos unos cruces bivariantes de la distribución total de electrolineras y tráfico de vehículos en tramos, vemos cómo la mayor parte de electrolineras, en valor absoluto, se sitúan en tramos de bajo tráfico de vehículos. Pero si atendemos a la penetración de puntos de recarga por tramos, esta es mayor cuanto mayor es el aforo estimado de vehículos en nuestra simulación. Es decir, de manera general los puntos de recarga se ubican donde más necesarios son, en este tercer enfoque de análisis, pero estas prevalencias -2.1% vs 0.3% general- podrían ser aún mayores, cabría «pegarse más» al tráfico de vehículos en el tramo.

Y hasta aquí esta primera aproximación, exploratoria y descriptiva, al problema. Únicamente añadiré que estos métodos de enriquecimiento y análisis de datos sirven igualmente para otros tipos de energía, como pudiera ser hidrógeno, y por supuesto los combustibles derivados de petróleo o gas.

Nos encantará conocer vuestras opiniones, experiencias, enfoques diferentes sobre este apasionante problema, así que por favor no dudéis en comentar o contactarnos. Gracias por leer.