
UNIVERSIDAD DE COSTA RICA

SISTEMA DE ESTUDIOS DE POSGRADO

METODOLOGÍA DE UBICACIÓN ÓPTIMA DE
ESTACIONES DE RECARGA RÁPIDA PARA

VEHÍCULOS ELÉCTRICOS

Tesis sometida a la consideración de la Comisión del Programa
de Estudios de Posgrado en Ingenieŕıa Eléctrica para optar al
grado y t́ıtulo de Maestŕıa Académica en Ingenieŕıa Eléctrica

CARMEN DE LOS ÁNGELES SELVA LÓPEZ

Ciudad Universitaria Rodrigo Facio, Costa Rica

2025


Dedicatoria

A Dios, por ser mi luz y fortaleza en cada paso de este camino, por darme la

perseverancia para seguir adelante y la fe para confiar en cada proceso.

A mis padres, por ser mi mayor impulso y motivación, por enseñarme que el esfuerzo

y la dedicación abren caminos y que el aprendizaje es una herramienta invaluable.

Cada etapa de mi trayectoria ha sido posible gracias a su amor, sacrificios y la

formación que con tanto empeño han cultivado en mı́. Este logro es el reflejo de todo

lo que han sembrado.

A mi hermana, por ser mi compañera de vida, por su apoyo incondicional y por

recordarme siempre que los sueños se alcanzan con determinación y valent́ıa.

Con amor, gratitud infinita y la promesa de seguir avanzando,

Carmen Selva-López

ii


Agradecimientos

Quiero expresar mis más sincero agradecimientos a todas las personas que me

acompañaron y apoyaron durante este proceso, quienes con su presencia y orientación

hicieron posible la culminación de esta tesis.

A mi familia, mi mayor pilar y fuente de fortaleza: a mi papá, mi mamá y mi

hermana. Su apoyo incondicional, palabras de ánimo y confianza en mis capacidades

fueron fundamentales para superar los momentos más desafiantes. Gracias por estar

siempre a mi lado, brindándome amor y motivación para alcanzar esta meta.

Al profesor Francisco Siles Canales, director del Programa de Posgrado en Ingenieŕıa

Eléctrica, quien con sus palabras de aliento y constante motivación me impulsó a

continuar, incluso en los momentos más dif́ıciles. Su dedicación y compromiso han

dejado una huella invaluable en mi formación.

Al profesor Gustavo Gómez Ramı́rez, mi tutor, por su paciencia, gúıa y apoyo

constante durante este proceso. Su conocimiento y compromiso fueron esenciales para

dar forma a esta investigación.

A los profesores lectores, Oscar Núñez Mata y Fausto Calderón Obald́ıa, por su

tiempo, disposición y valiosas observaciones, las cuales enriquecieron

significativamente este trabajo.

iii


Un agradecimiento especial a Andrés Chavarŕıa Palma, cuya experiencia como

geógrafo fue clave en todas las etapas de este proyecto. Su orientación me permitió

analizar a Costa Rica desde un contexto geográfico y formular estrategias sólidas para

abordar los desaf́ıos de esta investigación.

Al Sistema de Estudios de Posgrado, por su valioso apoyo económico y por ser parte

fundamental en la culminación de este proyecto de investigación. Este respaldo ha

sido esencial para el desarrollo y éxito de mi trabajo final de graduación.

A la Universidad de Costa Rica, por ser el espacio que me permitió crecer

académicamente, y por brindarme las herramientas necesarias para alcanzar este

importante hito.

A todos ustedes, gracias por su fe en mı́ y por ser parte de este recorrido. Este logro

no habŕıa sido posible sin su apoyo, inspiración y confianza.

iv


"Esta tesis fue aceptada por la Comisi6n del Programa de Estudios de 

Posgrado en Ingenierfa Electrica de la U niversidad de Costa Rica, 

como requisito parcial para optar al grado y titulo de Maestria 

Academica en In enieria Electrica" 

Tir. Jaime Cascante Vindas 
Representante de la Decanatura del s· e Estudios de Posgrado 

Dr. Ing. G ~~_-rt:,.,.f"~}~tt~--7._ji..>~.r?i~IJalti 
Director 

<:g!:car Fernan~Ufiez Mata 
As esis 

Ing. Fausto Calderon Obaldia, PhD 
Asesor de Tesis 

Dr. Federico Ruiz Ugalde 
nte del Director del Programa de Posgrado 

Carmen de los Angeles Selva Lopez 
Postulante 

V 


Tabla de Contenido

Dedicatoria y Agradecimientos ii

Hoja de Aprobación v

Tabla de Contenido vi

Resumen x

Abstract xi

Lista de Tablas xv

Lista de Figuras xvi

Abreviaturas xviii

1. Introducción 1

1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1.1. Los Inicios de los VEs y su Competencia en el Siglo XX . . . . . 1

1.1.2. Resurgimiento de los VEs y el Rol Cŕıtico de la Infraestructura

de Recarga Rápida . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2. Justificación e Importancia de la Investigación . . . . . . . . . . . . . . 4

1.3. Objetivos de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.2. Objetivos Espećıficos . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4. Estudio del Estado de la Cuestión . . . . . . . . . . . . . . . . . . . . . 8

vi


1.5. Contribución Esperada al Estado de la Cuestión . . . . . . . . . . . . . 77

1.6. Metodoloǵıa para la Investigación . . . . . . . . . . . . . . . . . . . . . 78

1.7. Plan de Trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

1.8. Alcances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

1.9. Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

2. Marco Conceptual 90

2.1. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

2.1.1. Geograf́ıa de Sistemas de Transportes . . . . . . . . . . . . . . . 91

2.1.1.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . 91

2.1.1.2. Sistemas de Información Geográfica . . . . . . . . . . . 91

2.1.1.3. Coordenadas Geográficas . . . . . . . . . . . . . . . . 93

2.1.2. Multi-Criteria Decision-Making o Toma de Decisiones Multicriterio 93

2.1.2.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . 93

2.1.2.2. TOPSIS o Método para la Selección de Alternativas

Óptimas Basado en la Proximidad a la Solución Ideal . 95

2.1.2.3. Principio de Pareto . . . . . . . . . . . . . . . . . . . . 98

2.1.3. Veh́ıculos Eléctricos . . . . . . . . . . . . . . . . . . . . . . . . . 100

2.1.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . 100

2.1.3.2. SoC : State of Charge o Estado de Carga . . . . . . . . 100

2.1.3.3. DoD: Depth of Discharge o Nivel de Descarga . . . . . 101

2.1.3.4. Modelo de Dinámica Longitudinal . . . . . . . . . . . 102

2.1.4. Sistemas de Potencia . . . . . . . . . . . . . . . . . . . . . . . . 104

2.1.4.1. Flujos de Potencia . . . . . . . . . . . . . . . . . . . . 104

2.1.4.2. Capacidad de Alojamiento . . . . . . . . . . . . . . . . 105

2.1.4.3. Generación Distribuida . . . . . . . . . . . . . . . . . . 105

2.2. Marco Legal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

2.3. Pregunta de Investigación . . . . . . . . . . . . . . . . . . . . . . . . . 107

2.4. Hipótesis de la Investigación . . . . . . . . . . . . . . . . . . . . . . . . 107

vii


3. Resultados de la Investigación 109

3.1. Metodoloǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

3.1.1. Caracterización del Consumo Energético de VEs en Costa Rica

para la Movilidad Eléctrica . . . . . . . . . . . . . . . . . . . . 110

3.1.2. Proyección de Recarga y Evaluación de Generación Distribuida

para Mitigar Impactos en la Red Eléctrica . . . . . . . . . . . . 113

3.1.2.1. Evaluación de Demandas Regionales . . . . . . . . . . 113

3.1.2.2. Proyecciones de Perfiles de Carga Horaria . . . . . . . 114

3.1.2.3. Simulación Integral con ETAP . . . . . . . . . . . . . 114

3.1.3. Priorización de Ubicaciones Óptimas de Recarga Rápida median-

te TOPSIS y Análisis Regional . . . . . . . . . . . . . . . . . . 120

3.1.4. Análisis y Optimización de Ubicaciones de Recarga Rápida: En-

foque de Pareto y Caracterización Regional . . . . . . . . . . . . 121

3.2. Resultados de la Metodoloǵıa Aplicada a la Optimización de Estaciones

de Recarga Rápida en Costa Rica . . . . . . . . . . . . . . . . . . . . . 123

3.3. Discusión de Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 134

3.3.1. Región Central: Un Epicentro de Actividad Económica y Vehicular134

3.3.2. Región Huetar Norte: Conexión y Desarrollo Rural . . . . . . . 136

3.3.3. Chorotega y Paćıfico Central: Ejes del Turismo Sostenible . . . 136

3.3.4. Región Brunca: Inclusión y Desaf́ıos Geográficos . . . . . . . . . 137

3.3.5. Región Huetar Caribe: Conectividad Loǵıstica y Potencial Sos-

tenible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

3.3.6. Efectos de la Movilidad Eléctrica en la Capacidad de Alojamiento

del SEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

3.3.7. Generación Distribuida en la Capacidad del SEN en Respuesta

a la Creciente Demanda de Movilidad Eléctrica . . . . . . . . . 139

4. Conclusiones, Recomendaciones y Trabajos Futuros 141

4.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

4.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

viii


4.3. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

Bibliograf́ıa 147

Apéndice A. Caracterización de la Movilidad Eléctrica en Costa Rica 159

Apéndice B. Implicaciones de la Movilidad Eléctrica en el SEN de Costa

Rica 171

Apéndice C. Enfoque TOPSIS y Análisis Regional 174

Apéndice D. Enfoque de Pareto y Caracterización Regional 185

ix


Resumen

El crecimiento de la movilidad eléctrica ha generado la necesidad de desarrollar

metodoloǵıas que permitan la planificación eficiente de infraestructura de recarga. Esta

investigación propone un enfoque integral para la ubicación óptima de estaciones de

recarga rápida, combinando criterios geoespaciales, energéticos y de redes eléctricas con

herramientas de análisis multicriterios.

La metodoloǵıa presentada es altamente flexible, ya que puede adaptarse a diversos

contextos geográficos y sistemas eléctricos. Se fundamenta en el uso de Sistemas de

Información Geográfica, y técnicas de toma de decisiones, como el método TOPSIS

(Technique for Order of Preference by Similarity to Ideal Solution) y el principio de

Pareto, para identificar ubicaciones estratégicas que favorezcan la adopción colectiva

de veh́ıculos eléctricos.

Como caso de estudio, la metodoloǵıa se aplicó en Costa Rica, lo que permitió

identificar secciones óptimas en la Red Vial Nacional que favorecen el acceso a la re-

carga rápida y minimizan el impacto en el Sistema Eléctrico Nacional. Los resultados

obtenidos evidencian la utilidad del enfoque propuesto para la planificación de infra-

estructura de movilidad sostenible, con potencial de adaptación en otras regiones o

páıses, independientemente de sus similitudes o diferencias en términos geográficos y

eléctricos.

x


Abstract

The expansion of electric mobility has increased the demand for methodologies

that facilitate the efficient planning of charging infrastructure. This research presents a

comprehensive approach for the optimal location of fast charging stations, integrating

geospatial, energy, and electric grid considerations with multicriteria analysis tools.

The proposed methodology is highly adaptable, allowing for its application across

diverse geographic and power system contexts. It leverages Geographic Information

Systems and multicriteria decision-making algorithms, such as TOPSIS (Technique

for Order of Preference by Similarity to Ideal Solution) and the Pareto principle, to

identify strategic locations that support the widespread adoption of electric vehicles.

As a case study, the methodology was applied in Costa Rica, enabling the identifica-

tion of optimal segments within the National Road Network that improve accessibility

to fast charging while minimizing the impact on the National Electric System. The

results confirm the effectiveness of the proposed approach in planning electric mobi-

lity infrastructure, with the potential for adaptation to other regions and countries,

regardless of their geographic and power system characteristics.

xi


Lista de Tablas

1.1. Estado del arte 2011 - 2023. . . . . . . . . . . . . . . . . . . . . . . . . 10

1.2. Cronograma de Maestŕıa Académica en Ingenieŕıa Eléctrica. . . . . . . 86

3.1. Barras de control del SEN de Costa Rica de acuerdo al diagrama unifilar

en la Figura 3.2. Fuente: Ente Operador Regional (EOR) - Informe

Final [1]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

3.1. Barras de control del SEN de Costa Rica de acuerdo al diagrama uni-

filar en la Figura 3.2 (Continuación). Fuente: Ente Operador Regional

(EOR) - Informe Final [1]. . . . . . . . . . . . . . . . . . . . . . . . . . 119

3.2. Distribución de secciones seleccionadas para la ubicación de estaciones

de recarga rápida para VEs, clasificadas por jerarqúıa vial, tipo de TPDA

y longitud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

3.2. Distribución de secciones seleccionadas para la ubicación de estaciones

de recarga rápida para VEs, clasificadas por jerarqúıa vial, tipo de TPDA

y longitud (Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . 127

3.2. Distribución de secciones seleccionadas para la ubicación de estaciones

de recarga rápida para VEs, clasificadas por jerarqúıa vial, tipo de TPDA

y longitud (Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . 128

A.1. Matriz origen-destino de Costa Rica para viajes capitales. . . . . . . . . 159

A.2. Matriz origen-destino de Costa Rica para viajes intraregionales. . . . . 160

A.2. Matriz origen-destino de Costa Rica para viajes intraregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

xii


A.2. Matriz origen-destino de Costa Rica para viajes intraregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

A.3. Matriz origen-destino de Costa Rica para viajes interregionales. . . . . 162

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

A.3. Matriz origen-Destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

A.3. Matriz origen-destino de Costa Rica para viajes interregionales (Conti-

nuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

A.4. VEs disponibles en Costa Rica al 2022. Fuentes: MINAE y EV Database.169

A.4. VEs disponibles en Costa Rica al 2022 (Continuación). Fuentes: MI-

NAE y EV Database. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

B.1. Resultados de potencia demandada por secciones en la Región Brunca. 171

B.2. Resultados de potencia demandada por secciones en la Región Huetar

Caribe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

B.3. Resultados de potencia demandada por secciones en la Región Chorotega.172

B.4. Resultados de potencia demandada por secciones en la Región Huetar

Norte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

B.5. Resultados de potencia demandada por secciones en la Región Paćıfico

Central. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

B.6. Resultados de potencia demandada por secciones en la Región Central. 173

xiii


C.1. Resultados TOPSIS para la Región Brunca - Viajes Capitales. . . . . . 174

C.2. Resultados TOPSIS para la Región Brunca - Viajes Intraregionales. . . 174

C.2. Resultados TOPSIS para la Región Brunca - Viajes Intraregionales (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

C.3. Resultados TOPSIS para la Región Brunca - Viajes Interregionales. . . 175

C.4. Resultados TOPSIS para la Región Huetar Caribe - Viajes Capitales. . 176

C.5. Resultados TOPSIS para la Región Huetar Caribe - Viajes Intraregionales.176

C.6. Resultados TOPSIS para la Región Huetar Caribe - Viajes Interregionales.176

C.7. Resultados TOPSIS para la Región Chorotega - Viajes Capitales. . . . 177

C.8. Resultados TOPSIS para la Región Chorotega - Viajes Intraregionales. 177

C.9. Resultados TOPSIS para la Región Chorotega - Viajes Interregionales. 177

C.9. Resultados TOPSIS para la Región Chorotega - Viajes Interregionales

(Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178

C.10.Resultados TOPSIS para la Región Huetar Norte - Viajes Capitales. . . 178

C.10.Resultados TOPSIS para la Región Huetar Norte - Viajes Capitales

(Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

C.11.Resultados TOPSIS para la Región Huetar Norte - Viajes Intraregionales.179

C.12.Resultados TOPSIS para la Región Huetar Norte - Viajes Interregionales.179

C.12.Resultados TOPSIS para la Región Huetar Norte - Viajes Interregionales

(Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180

C.13.Resultados TOPSIS para la Región Central - Viajes Interregionales. . . 180

C.13.Resultados TOPSIS para la Región Central - Viajes Interregionales (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

C.13.Resultados TOPSIS para la Región Central - Viajes Interregionales (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182

C.13.Resultados TOPSIS para la Región Central - Viajes Interregionales (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

C.13.Resultados TOPSIS para la Región Central - Viajes Interregionales (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184

xiv


D.1. Resultados Pareto 20 ´ 80 para rutas en la Región Brunca. . . . . . . . 185

D.2. Resultados Pareto 20 ´ 80 para rutas en la Región Huetar Caribe. . . . 185

D.2. Resultados Pareto 20 ´ 80 para rutas en la Región Huetar Caribe (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186

D.3. Resultados Pareto 20 ´ 80 para rutas en la Región Chorotega. . . . . . 186

D.4. Resultados Pareto 20 ´ 80 para rutas en la Región Huetar Norte. . . . 186

D.4. Resultados Pareto 20 ´ 80 para rutas en la Región Huetar Norte (Con-

tinuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

D.5. Resultados Pareto 20 ´ 80 para rutas en la Región Paćıfico Central. . . 187

D.6. Resultados Pareto 20 ´ 80 para rutas en la Región Central. . . . . . . . 187

D.6. Resultados Pareto 20´80 para rutas en la Región Central (Continuación).188

D.6. Resultados Pareto 20´80 para rutas en la Región Central (Continuación).189

D.7. Resultados Pareto 20 ´ 80 para secciones en la Región Brunca. . . . . . 189

D.8. Resultados Pareto 20 ´ 80 para secciones en la Región Huetar Caribe. . 189

D.9. Resultados Pareto 20 ´ 80 para secciones en la Región Chorotega. . . . 190

D.10.Resultados Pareto 20 ´ 80 para secciones en la Región Huetar Norte. . 190

D.10.Resultados Pareto 20 ´ 80 para secciones en la Región Huetar Norte

(Continuación). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

D.11.Resultados Pareto 20 ´ 80 para secciones en la Región Paćıfico Central. 191

D.12.Resultados Pareto 20 ´ 80 para secciones en la Región Central. . . . . . 191

xv


Lista de Figuras

1.1. Categoŕıas y sub-categoŕıas de las publicaciones más prominentes por

año sobre ubicaciones óptimas de estaciones de recarga semi-rápida y

rápida para VEs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

1.2. Evaluación comparativa de enfoques para la ubicación óptima de esta-

ciones de recarga para VEs, basada en el estado del arte presentado en

la Tabla 1.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

1.3. Diagrama de flujo de la metodoloǵıa propuesta para ubicar de manera

óptima estaciones de recarga rápida para VEs. . . . . . . . . . . . . . . 85

2.1. Ejemplo de datos geoespaciales. La red de calles está basado en un siste-

ma de coordenadas planas. La caja a la derecha enumera las coordenadas

x y y de los puntos finales y otros atributos del segmento de calle. Fuen-

te: K. Chang [2]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

3.1. Diagrama de flujo de la metodoloǵıa propuesta para la simulación y el

análisis del SEN de Costa Rica ante la integración de una red estratégica

de estaciones de recarga rápida para VEs. . . . . . . . . . . . . . . . . 116

3.2. Diagrama unifilar del SEN de Costa Rica. Fuente: Grupo ICE [3]. . . . 117

3.3. Ubicación óptima de estaciones de recarga rápida para VEs en Costa Rica.129

3.4. Perfil horario de la demanda total del SEN, desglosada en demanda sin

VEs, demanda de VEs y demanda total con VEs. La gráfica incluye

escenarios de penetración fotovoltaica (FV) al 5 %, 10 %, 15 % y 20 %. . 130

xvi


3.5. Niveles de tensión (en % p.u.) en los nodos correspondientes a las redes

de Alta Tensión a 230 kV del SEN de Costa Rica de acuerdo con la

Figura 3.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

3.6. Niveles de tensión (en % p.u.) en los nodos asociados a las redes de Alta

Tensión de 138 kV del SEN de Costa Rica de acuerdo con la Figura 3.3. 132

3.7. Niveles de tensión (en % p.u.) en los nodos asociados a las redes de

Distribución a 13.8 kV, 24.9 kV y 34.5 kV del SEN de Costa Rica de

acuerdo con la Figura 3.3. . . . . . . . . . . . . . . . . . . . . . . . . . 133

xvii


Abreviaturas

AHP Analytical Hierarchy Process
BLSA Biogeography-Based Optimization Local Search Algorithm
CFRLM Capacitated-Flow Refueling Location Model
DEMATEL Decision Making Trial and Evaluation Laboratory
DoD Depth of Discharge o Nivel de Descarga
ELECTRE ELimination and Choice Expressing Reality
ERDEC Estimating the Required Density of EV Charging
ETAP Electrical Transient Analyzer Program
G2V Grid to Vehicle
GIS Geographic Information Systems
GVWR Gross Vehicular Weight Rating
MATLAB Software de análisis desarrollado por MathWorks y Cleve Moler
MCDM Multi-Criteria Decision Making
MILP Mixed-Integer Linear Programming
MINAE Ministerio de Ambiente y Enerǵıa
MOPT Ministerio de Obras Públicas y Transportes
PSO Particle Swamp Optimization
PYTHON Software de análisis desarrollado por Python Software Foundation
SEN Sistema Eléctrico Nacional
SIMULINK Software de Análisis Desarrollado por MathWorks y Cleve Moler
SoC State of Charge o Nivel de Carga
TOPSIS Technique for Order Preference by Similarity to Ideal Solution
UCR Universidad de Costa Rica
V2G Vehicle to Grid
VCI Veh́ıculo de Combustión Interna
VE Veh́ıculo Eléctrico

xviii


1

Caṕıtulo 1

Introducción

En el presente caṕıtulo se abordan los antecedentes, la justificación y los objetivos

de la investigación, junto con otros aspectos fundamentales, con el propósito de pro-

poner y desarrollar una metodoloǵıa integral para la ubicación óptima de estaciones

de recarga rápida para veh́ıculos eléctricos (de ahora en adelante, refiérase como VEs).

Para alcanzar este objetivo, se desarrolló de manera exhaustiva la base académica en

la que se sustenta esta investigación, con el fin de resaltar la importancia de considerar

factores técnicos, geográficos y socioeconómicos, además de analizar las capacidades de

un sistema eléctrico nacional para satisfacer las demandas proyectadas de movilidad

eléctrica.

1.1. Antecedentes

1.1.1. Los Inicios de los VEs y su Competencia en el Siglo XX

A finales del siglo XIX, la tecnoloǵıa automotriz hab́ıa alcanzado un punto en el que

era posible materializar veh́ıculos autopropulsados. Según C. Sulzberger [4], un gran

número de inventores y entusiastas en Europa y Norteamérica trabajaron arduamente

para reemplazar la fuerza bruta y la tracción animal en el transporte de personas y

mercanćıas, empleando tecnoloǵıas emergentes como la de vapor, la combustión interna

y la propulsión eléctrica.


2

Para el año 1900, aproximadamente 2,370 automóviles circulaban en las principales

ciudades de Estados Unidos, como Nueva York, Chicago y Boston, de los cuales 800

eran VEs. Estos VEs ofrećıan ventajas distintivas sobre los veh́ıculos de combustión

interna (de ahora en adelante, refiérase como VCIs), tales como ser silenciosos, limpios

y de fácil operación. Sin embargo, su limitada autonomı́a, causada por las capacidades

de sus bateŕıas, restrinǵıa su uso a áreas donde pod́ıan regresar rápidamente a sus

puntos de recarga, o a lugares con estaciones de recarga proporcionadas por empresas

locales de enerǵıa eléctrica.

A pesar de estas limitaciones, el futuro de los VEs parećıa prometedor. No obstante,

la falta de acceso a la electricidad en los hogares haćıa inviable su recarga domésti-

ca. Con la gradual llegada de la electrificación a los hogares por parte de las centra-

les eléctricas, el público comenzó a considerar la posibilidad de adquirir un VE, que

ahora pod́ıa ser recargado sin desmontar las bateŕıas gracias a la infraestructura pro-

porcionada por una red de estaciones centralizadas, donde se atend́ıa la recarga y el

mantenimiento de estos veh́ıculos.

En aquel entonces, el proceso de recarga en estas estaciones no era ni económico ni

eficiente para tanto usuarios privados como para los conductores de taxis eléctricos, ya

que el proceso completo, desmontando o no la bateŕıa, requeŕıa alrededor de ocho horas.

Para mejorar esta situación, John Van Vleck, ingeniero de Edison Electric Illuminating

Company, diseñó un “hidrante” de suministro eléctrico que pod́ıa instalarse a lo largo

de las aceras de Nueva York, permitiendo que cualquier VE se estacionara junto al

dispositivo, se enchufara y recibiera corriente para recargar su bateŕıa.

En 1900, General Electric patentó una versión comercial de este concepto, llamado

Electrant. Aunque el público recibió positivamente a Electrant, no existe registro de una

implementación masiva, probablemente debido a los altos costos y a la complejidad de

instalación, que requeŕıa la participación de empresas de servicios públicos para adquirir

los equipos, tender los cables y gestionar los permisos de instalación en propiedad

pública o privada.


3

Simultáneamente, la producción masiva de VCIs inundó el mercado de movilidad

privada, reduciendo drásticamente sus costos en comparación con sus contrapartes

eléctricos. De esta manera, los VEs quedaron totalmente desplazados en sus posibili-

dades de convertirse en una parte esencial de la movilidad privada durante el resto del

siglo XX.

1.1.2. Resurgimiento de los VEs y el Rol Cŕıtico de la Infra-

estructura de Recarga Rápida

En los últimos 15 años del presente siglo, los VEs han experimentado un notable

resurgimiento en popularidad, impulsado por avances tecnológicos significativos y la

reducción de costos en el desarrollo de bateŕıas. Al igual que en el siglo XX, los VEs

continúan destacándose por ser silenciosos, limpios y de fácil operación, caracteŕısticas

intŕınsecas que han sido aprovechadas en sus diseños actuales para alinearse con la

transición hacia medios de transporte privado más sostenibles y libres de emisiones.

Por lo tanto, este resurgimiento, combinado con dichas cualidades, busca contribuir a

la mitigación de los efectos negativos que la demanda actual de VCIs ejerce sobre el

cambio climático.

Si bien esta transición hacia una movilidad sostenible ha sido ampliamente respal-

dada a través del desarrollo de estaciones de recarga para uso residencial y laboral, la

escalonada adopción de VEs aún no ha logrado equiparar ni sustituir por completo a

los VCIs. Tal como lo señalan M. Shahid Mastoi et al. [5], las estaciones de recarga

rápida son un elemento crucial para promover la adopción masiva y colectiva de los

VEs. No obstante, muchos usuarios de VCIs se ven inhibidos de apoyar esta transición

debido a la falta de redes públicas que sean confiables y accesibles.

Por lo que esta disyuntiva genera un ćırculo vicioso: no se instalan suficientes esta-

ciones de recarga rápida por la baja demanda, pero tampoco se reemplazan los VCIs

debido a la carencia de infraestructura que permita completar los trayectos con tiempos

de espera mı́nimos. Sobre el particular, es evidente que una solución adecuada a este

dilema podŕıa influir de manera determinante en la decisión masiva de compra de VEs


4

por parte de los usuarios de movilidad privada.

Por consiguiente, la infraestructura de recarga se configura como un componente

clave para posibilitar esta transición, siendo su ubicación óptima un tema de investiga-

ción ampliamente debatido. Diversos modelos presentados en la literatura han abordado

la optimización geográfica y temporal de la ubicación, la cantidad y los tipos de esta-

ciones de recarga. En este contexto, superar los desaf́ıos asociados con la planificación,

implementación e integración de una infraestructura de recarga rápida y eficiente es

determinante para maximizar el potencial de los VEs y, a su vez, acelerar la transición

hacia un ecosistema de movilidad verdaderamente sostenible.

1.2. Justificación e Importancia de la Investigación

Entre las motivaciones colectivas que existen en torno al tema de la movilidad

eléctrica, se destaca la latente necesidad de desarrollar e implementar una red de esta-

ciones de recarga rápida, de naturaleza pública, de pago sencillo, confiable y accesible.

Esto permitiŕıa a los conductores optar por esta forma novedosa de transporte privado,

y al mismo tiempo, contribuir a la descarbonización.

Dentro de los beneficios claves que traeŕıa consigo la integración de esta red de

estaciones de recarga rápida se encuentra el impulso del proceso de descarbonización,

reconocido por su objetivo de reducir las emisiones de dióxido de carbono (CO2) y

otros gases de efecto invernadero en la atmósfera. Diversos estudios han demostrado

de manera consistente cómo las reducciones en las emisiones de CO2 están vinculadas

con la adopción masiva de VEs, inclusive en escenarios donde un alto porcentaje de la

electricidad proviene de plantas de enerǵıa a base de carbón.

A modo de ejemplo, en el trabajo de S. Küfeoğlu et al. [6] se reporta una signi-

ficativa reducción de gases de efecto invernadero en el Reino Unido como resultado

de la adopción de VEs en lugar de VCIs. La investigación resalta que los VEs tienen

un mejor desempeño en la reducción de emisiones de gases de efecto invernadero en

comparación con los VCIs, ya que en el Reino Unido se logró cumplir con el objetivo


5

de reducir el 40 % del total en 2019, de la meta proyectada del 80 % para el 2050, con

respecto a los niveles de 1990.

Por otro lado, la adquisición de VEs se ha logrado mantener constante en su auge a

través de incentivos, leyes y poĺıticas gubernamentales, los cuales han sido adaptados a

las realidades y metas de cada páıs. De acuerdo con Y. Zhou et al. [7], Estados Unidos

representa el mercado de VEs más grande del mundo, donde se reportó un triplicado

en la adquisición del bien desde el 2011 hasta el 2014. Dentro del mismo peŕıodo y

bajo a misma lógica de incentivos, se reporta un notable crecimiento adquisitivo en los

páıses europeos del hemisferio occidental, espećıficamente en Noruega, mientras que en

China, su mayor crecimiento se reporta en la producción de buses eléctricos.

Estas tendencias de mercado, en conjunto con el desarrollo y promoción de poĺıticas

gubernamentales, son muestras sólidas de que estos incentivos a niveles nacionales, re-

gionales y globales pueden desempeñar un papel importante en el impulso del mercado

de VEs. No obstante, cabe destacar que parte intŕınseca del auge en la adquisición de

VEs a nivel páıs, regional y global amerita el desarrollo e implementación de una red

de estaciones de recarga rápida que satisfaga las necesidades de recarga para cualquier

modelo y marca de VE disponible.

Es totalmente evidente que el auge en la adquisición de VEs ha sido significativo

en comparación con los esfuerzos parcialmente promovidos en los siglos XIX y XX,

pero estos cambios no llegan aún a representar un hito en el abandono de la tecnoloǵıa

fósil en torno al sector de la movilidad sostenible. Los siguientes puntos resumen a

grandes rasgos la importancia y justificación detrás del desarrollo de una metodoloǵıa,

coherente e integral, para la ubicación óptima de estaciones de recarga rápida:

Reducción del rango de ansiedad: La ubicación óptima de estaciones de

recarga rápida para VEs podŕıa reducir el fenómeno experimentado por algunos

usuarios de VEs, conocido como rango de ansiedad. Definido en M. Xu et al. [8]

como el temor de quedarse sin carga en la bateŕıa antes de llegar al destino o

estación de recarga, el rango de ansiedad ha representado un gran obstáculo al


6

momento de que los usuarios deciden si es confiable o no adquirir un VE.

Este problema se puede mitigar mediante la ubicación estratégica de estaciones

de recarga rápida en las diferente jerarqúıas de redes viales, lo que garantizaŕıa

el aumento en la conveniencia y la confianza de los conductores de VEs para

realizar viajes más largos sin preocuparse por quedarse sin carga.

Contribución a promover la movilidad sostenible: La disponibilidad de

una infraestructura de recarga adecuada y bien distribuida es un factor clave

para la reducción de la contaminación a partir de las emisiones de gases de efecto

invernadero. De acuerdo con A. Arora et al. [9], el sector automoviĺıstico de la

Unión Europea tiene por objetivo reducir las emisiones a través de la aceleración

en las ventas de veh́ıculos ligeros cero emisiones para el año 2030.

No obstante, lograr esta meta es probablemente inviable dadas las preocupaciones

que existen en torno a la disponibilidad de materia prima para la producción

de bateŕıas y la infraestructura de recarga, aśı como la capacidad de las redes

eléctricas de respaldar las cargas de los veh́ıculos de cero emisiones. Por ende,

los investigadores enfatizan la necesidad urgente de que los gobiernos trabajen en

conjunto a las empresas de servicios públicos y la industria automoviĺıstica para

expandir la infraestructura de recarga rápida, dado de que la escasez de estas

representan una de las rémoras más serias en la adopción masiva de VEs.

Plusvaĺıa para la economı́a local y para los usuarios de VEs: La atribución

de ubicar óptimamente las estaciones de recarga para VEs podŕıa contribuir en

las economı́as locales de las áreas donde estas lleguen a ser instaladas. En la

actualidad, la mayoŕıa de estaciones de recarga rápida se encuentran ubicadas en

áreas comerciales o tuŕısticas, lo que ha llevado a incentivar la economı́a en estas

áreas cercanas a las estaciones de recarga.

Por otro lado, el impacto en la plusvaĺıa económica no se limita únicamente a

las áreas comerciales o tuŕısticas, sino al estilo de vida presupuestaria que podŕıa

compensar gran parte o en su totalidad del costo adicional inicial durante la


7

propiedad de un VE. En Z. Liu et al. [10] se discute sobre tal argumento, en donde

se alega que los beneficios económicos se derivan de manera más prominente al

costo del combustible y otros gastos relacionados.

Por ello, una ubicación óptima que garantice confiabilidad, seguridad y distribu-

ción, podŕıa incentivar a que más usuarios se inclinen a adoptar VEs como medio

de transporte privado, y a la larga participar en el ahorro colectivo de cantidades

significativas de dinero mediante la naturaleza de conservación de enerǵıa de los

VEs.

1.3. Objetivos de la Investigación

A continuación se detallan los objetivos general y espećıficos de esta investigación:

1.3.1. Objetivo General

Desarrollar una metodoloǵıa que permita la ubicación óptima de estaciones de re-

carga rápida para el abastecimiento de la demanda en movilidad eléctrica, tomando

en consideración aspectos de disponibilidad y accesibilidad a las redes eléctricas y

geográficas, mediante la utilización de algoritmos que involucren diversas variables.

1.3.2. Objetivos Espećıficos

Estimar el consumo energético de las diferentes marcas y modelos de VEs para la

caracterización de la movilidad eléctrica a escala páıs por medio de la construcción

de una matriz origen-destino.

Determinar el requerimiento de la generación distribuida como alternativa para

la mitigación del impacto de las altas demandas sobre la red eléctrica en horas

picos mediante simulaciones de Sistema de Información Geográfica (de ahora en

adelante, refiérase como GIS, por sus siglas en inglés) y flujos de potencia en

nodos candidatos.


8

Establecer una metodoloǵıa que permita la ubicación óptima de estaciones de

recarga rápida a partir de criterios geo-espaciales, de algoritmos de toma de de-

cisiones y de capacidad de alojamiento en redes eléctricas.

Validar la metodoloǵıa propuesta para la evaluación y obtención de resultados en

un contexto real de ubicación óptima de estaciones de recarga rápida mediante

el desarrollo de algoritmos geo-espaciales, de toma de decisiones y eléctricos en

el escenario páıs de Costa Rica.

1.4. Estudio del Estado de la Cuestión

Durante los últimos 15 años del siglo XXI, ha surgido una creciente necesidad,

en las diferentes naciones del mundo, de mitigar los drásticos cambios climáticos que

afectan nuestra vida diaria y la de nuestros ecosistemas. Uno de los principales esfuerzos

para atenuar estos problemas ha sido la implementación y difusión de la movilidad

eléctrica en el sector del transporte privado. Como parte de estos esfuerzos, se han

propuesto numerosas técnicas, modelos y metodoloǵıas que establecen la ubicación

de infraestructura de recarga rápida con el objetivo de reducir el fenómeno conocido

como rango de ansiedad y, por lo tanto, motivar a más usuarios a unirse a la creciente

movilidad eléctrica.

A pesar de estos esfuerzos por resolver este problema que afecta la confianza de

los usuarios en la adopción de VEs, la disponibilidad de las estaciones de recarga

sigue siendo un tema que requiere gran esfuerzo y seguimiento a lo largo de su diseño

y desarrollo. Su complejidad radica en buscar la integración de múltiples variables

concretas, como la demanda de carga y capacidad de los VEs, planificación urbana,

regulaciones y la integración de enerǵıas renovables, aśı como variables abstractas, que

incluyen la ansiedad relacionada con la autonomı́a de los VEs, la accesibilidad y la

ubicación.

Las técnicas, modelos y metodoloǵıas desarrolladas entre 2011 y 2023, presentadas

en la Tabla 1.1, demuestran los avances logrados en el tema y, a su vez, ponen de relie-


9

ve la oportunidad de generar nuevas aportaciones mediante el análisis e integración de

diversas perspectivas, con el fin de optimizar la ubicación de estaciones de recarga rápi-

da para VEs. Por su parte, esta tabla subraya los principales hallazgos y limitaciones

identificadas en cada estudio, facilitando la identificación de brechas en el conocimiento

que buscan ser abordadas en la presente investigación.

Asimismo, las Figuras 1.1 y 1.2 sintetizan las categoŕıas más relevantes identifi-

cadas en las publicaciones realizadas durante un peŕıodo de cinco años, comprendido

entre 2019 y 2023. En particular, la Figura 1.1 presenta los porcentajes asociados a

cada categoŕıa y sus respectivas subcategoŕıas, mientras que la Figura 1.2 destaca las

principales ventajas y desventajas identificadas como patrones comunes a lo largo de la

revisión literaria. En última instancia, esta śıntesis permitió establecer una base sólida

para comprender las tendencias, las limitaciones y las oportunidades relacionadas con

el tema de investigación, sirviendo como un punto de partida clave para el desarrollo

de la metodoloǵıa.


10

Tabla 1.1: Estado del arte 2011 - 2023.

Autor(es) Hallazgos Debilidades

I. Frade et al. [11]

Presenta un estudio sobre la

ubicación de estaciones de re-

carga rápida en un vecindario

densamente poblado de Lis-

boa, Portugal.

Proponen una metodoloǵıa

que busca optimizar la cober-

tura de la demanda utilizando

como base el modelo de cober-

tura máxima.

Se determina el número y la

capacidad de las estaciones a

ser instaladas a partir de fac-

tores como la densidad de po-

blación, la densidad de empleo

y la proximidad a rutas princi-

pales.

Incluyen retos asociados con la

estimación real y actualizada

de la demanda diurna y noc-

turna.

Reconoce la necesidad de un

análisis de mercado adicional

para determinar la tasa de pe-

netración de VEs con el objeti-

vo de utilizar resultados dentro

un contexto práctico.

Menciona la necesidad de lle-

var a cabo mayores considera-

ciones en la autonomı́a de los

VEs, los tiempos de recarga

y mejoras en el suministro de

enerǵıa eléctrica.

Continúa en la siguiente página


11

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

A. Hess et al. [12]

Plantea un enfoque para op-

timizar la expansión de esta-

ciones de recarga rápida den-

tro del contexto de una ciu-

dad inteligente utilizando co-

mo herramientas la programa-

ción de un algoritmo genético

(de ahora en adelante refiéra-

se como GA, por sus siglas en

inglés) y simulaciones del des-

plazamiento de los VEs sobre

mapas reales en Viena, Aus-

tria.

Encuentra una solución ópti-

ma para la ubicación de infra-

estructura a partir de los tiem-

pos promedios de viajes com-

pletados por los VEs.

Suposiciones simplificadas so-

bre la movilidad de VEs y el

uso de estaciones de recarga

que no pueden ser capturados

por los entornos urbanos del

mundo real.

La escalabilidad del enfoque

propuesto de GA para el des-

pliegue óptimo de estaciones

de recarga rápida no se en-

cuentra completamente abor-

dado.

La generalización del enfoque

propuesto a diferentes entor-

nos urbanos con caracteŕısti-

cas y patrones de tráficos va-

riables.

Continúa en la siguiente página


12

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. Cruz-Zambrano et al. [13]

Presenta dos técnicas de op-

timización para encontrar las

ubicaciones óptimas de las es-

taciones de recarga rápida en

Barcelona, España. La prime-

ra consiste en un modelo clási-

co de optimización de captu-

ra de flujo que considera como

única variable a la movilidad,

mientras que la segunda es un

modelo avanzado de optimiza-

ción de captura de flujo que

incluye como variables la red

de distribución y los costos de

ubicación.

Compara los resultados de am-

bos modelos con el objetivo de

analizar el efecto que pueden

ejercer entorno a la reducción

de costos totales.

Estudio centrado únicamente

en Barcelona, lo cual limita la

generalización de los hallazgos

a otras ciudades o regiones.

Suposiciones simplificadas en-

tre la demanda que satisface

una instalación en cualquier

parte del camino.

Falta de datos del mundo real

dado de que esta investigación

se centra en datos simulados,

lo cual produce una impreci-

sión de la demanda de carga

de VEs en Barcelona, España.

Consideración limitada de fac-

tores ambientales como la cali-

dad del aire o la reducción de

emisiones.

Continúa en la siguiente página


13

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Bayram et al. [14]

Propone un marco de traba-

jo relacionado a la ubicación

de recursos de potencia para

una red de estaciones de recar-

ga equipada con dispositivos

de almacenamiento energético.

Opera de manera eficiente la

red eléctrica mientras se man-

tiene un cierto nivel de calidad

de servicio (de ahora en ade-

lante refiérase como QoS, por

sus siglas en inglés) para los

usuarios.

Examina tres escenarios que

aumentan gradualmente en

complejidad con el fin de eva-

luar el desempeño del esquema

propuesto.

Suposición de que los VEs

están sujetos a las decisiones

de enrutamiento tomadas por

el coordinador de redes, donde

en la realidad, muchos conduc-

tores se desv́ıan de las asigna-

ciones propuestas y por ende,

se terminan dirigiendo hacia la

estación más cercana.

Falta de consideración del im-

pacto de factores externos, co-

mo las condiciones climáticas,

la congestión del tráfico y los

accidentes en el rendimiento de

la red.

Suposición de la presencia de

dispositivos de almacenamien-

to energético en las estaciones

de recarga, lo cual podŕıa limi-

tar ampliamente la disposición

de aquellas estaciones de recar-

ga con recursos limitados.

Continúa en la siguiente página


14

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

S. Wagner et al. [15]

Ofrece una visión general de

trabajos previos y estudio de

casos relacionados con el esta-

blecimiento óptimo de infraes-

tructura de recarga para VEs

en ciudades inteligentes.

Se basa en una metodoloǵıa y

aspectos formales de esquemas

de planificación óptima, segui-

do de la validación de los re-

sultados de simulación y estu-

dios de casos llevados a cabo

en Ámsterdam y Bruselas.

Se basa en un estudio de ca-

so de Ámsterdam y Bruselas,

que puede no ser representa-

tivo de otras ciudades. Por lo

tanto, es posible que los ha-

llazgos no sean generalizables

a otras áreas urbanas.

Suposiciones simplificadas a

base de datos disponibles so-

bre el uso de puntos de carga

e información de puntos de in-

terés, que pueden no ser lo sufi-

cientemente completos o preci-

sos para capturar el comporta-

miento de carga de los usuarios

de VEs.

Se centra principalmente en la

demanda de estaciones de re-

carga, pero no considera otros

factores como el suministro de

electricidad, el costo de insta-

lación y mantenimiento, aśı co-

mo el impacto al medio am-

biente.

Continúa en la siguiente página


15

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

T. Donna Chen et al. [16]

Presenta un método numérico

para el diseño de estaciones de

recarga utilizando un modelo

de planificación multiobjetivo.

Considera diversos factores co-

mo los atributos de las esta-

ciones de carga, la distribución

de la demanda de gasolineras

y la infraestructura de la red

eléctrica, entre otros, a través

de un GA.

Los modelos fueron probados y

verificados utilizando informa-

ción de las regiones de Chengu,

China y Chicago, Illinois.

Únicamente considera la de-

manda de estacionamiento co-

mo un proxy (intermediario)

para la demanda de recarga,

lo que puede conllevar a una

sobre-estimación de la deman-

da de recarga en ciertas áreas.

Considera datos de dos regio-

nes, cuyos resultados pueden

ser aplicables a otras regiones,

sin embargo, es posible que la

ubicación óptima de las esta-

ciones de recarga vaŕıe según

las caracteŕısticas espećıficas

de cada región.

Asume un costo máximo pa-

ra aquellos usuarios que esta-

cionen más allá del ĺımite de

acceso a pie. Sin embargo, es-

te costo puede no reflejar con

precisión el costo real para los

conductores de VEs.

Continúa en la siguiente página


16

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

P. Phonrattanasak et al. [17]

Presenta un modelo de op-

timización para la ubicación

de estaciones de recarga rápi-

da en sistemas de distribución

eléctrica residencial.

Minimiza el costo total de

instalación y las pérdidas en

las ĺıneas de transmisión, al

mismo tiempo que se satis-

facen restricciones técnicas y

geográficas.

El punto de partida de este

modelo es la técnica de optimi-

zación por colonias de hormi-

gas (de ahora en adelante re-

fiérase como ACO, por sus si-

glas en inglés).

Considera tamaños de bateŕıa

de aproximadamente 60 kW

como estudio de caso en el

área residencial del Distrito de

Tianjin.

Falta de validación del mo-

delo dentro del contexto de

un sistema de distribución de

enerǵıa eléctrica del mundo

real.

Suposiciones simplificadas en

la modelización de las restric-

ciones técnicas y geográficas

que podŕıan llevar a la afecta-

ción de la aplicabilidad del mo-

delo de optimización propues-

to en el mundo real.

No proporciona un análisis

comparativo con otras técnicas

que podŕıan resaltar las forta-

lezas o debilidades del ACO en

este contexto.

Continúa en la siguiente página


17

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

P. Sadeghi-Barzani et al. [18]

Formula el problema como

un programa lineal en enteros

mixtos (de ahora en adelante

refiérase como MILP, por sus

siglas en inglés), el cual se re-

suelve utilizando GA.

Se centra en encontrar la

ubicación y dimensionamiento

óptimo de las estaciones de re-

carga para VEs con el objetivo

de minimizar los costos totales

del desarrollo de las estaciones

de recarga, que incluyen el te-

rreno, la instalación de recar-

ga, la electrificación, aśı como

las pérdidas en la red eléctrica

y en el consumo energético de

los VEs durante los viajes de

recarga.

Suposición de las distancias

entre las estaciones de recarga

candidatas.

La aplicación del estudio al

distrito espećıfico del noroeste

de Teherán pueden limitar la

generalización de los hallazgos

a otras regiones con diferentes

caracteŕısticas urbanas y de in-

fraestructura.

Simplificación de las comple-

jidades de la planificación y

el desarrollo de infraestructu-

ra de recarga para VEs en el

mundo real producto de los

modelos elementales y suposi-

ciones utilizadas en el enfoque

de optimización.

Falta de exploración completa

del impacto de la confiabilidad

de la red eléctrica en la ubica-

ción y tamaño óptimo de las

estaciones de recarga.

Continúa en la siguiente página


18

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Giménez-Gaydou et al. [19]

Procura un nuevo método pa-

ra determinar las ubicaciones

óptimas de las estaciones de

recarga para VEs en áreas ur-

banas.

Formulan un modelo de asig-

nación de ubicaciones que bus-

ca maximizar los beneficios pa-

ra los usuarios y operadores,

aumentando aśı la demanda

cubierta y el uso de las esta-

ciones.

Utilizan un algoritmo heuŕısti-

co llamado simulación recoci-

da. En sus resultados, los au-

tores concluyen que su enfoque

supera los resultados que los

obtenidos de un modelo clásico

de cobertura.

La utilización de métodos

heuŕısticos, como la simula-

ción recocida, para resolver el

problema de asignación de ubi-

cación, donde bien estos méto-

dos pueden proporcionar un

buen rendimiento, es posible

que no garanticen soluciones

óptimas.

Falta de validación exhausti-

va de los resultados dentro del

contexto del mundo real.

Suposición simplificada para

representar escenarios comple-

jos del mundo real, lo que

podŕıa afectar la precisión del

enfoque propuesto cuando se

aplica a entornos urbanos di-

versos.

Continúa en la siguiente página


19

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

S. Chen et al. [20]

Presenta un modelo de opti-

mización para determinar las

ubicaciones óptimas de las es-

taciones de recarga a partir

de restricciones económicas, de

capacidad, de cobertura y de

conveniencia.

El objetivo del modelo es mi-

nimizar los costos de inversión

y de transporte al cumplir con

las restricciones mencionadas

anteriormente. Para lograr es-

to, los autores trabajaron en

una versión mejorada del GA,

lo que les permitió abordar de

manera integral la considera-

ción de múltiples factores.

La investigación no aborda el

impacto potencial de las supo-

siciones simplificadas en la im-

plementación práctica de la so-

lución propuesta.

Falta de validación del método

propuesto mediante la realiza-

ción de estudios de casos del

mundo real o experimentos de

campo que ayuden a evaluar su

rendimiento en diversos entor-

nos urbanos.

La escalabilidad del método

propuesto para el despliegue a

gran escala de estaciones de

carga podŕıa ser motivo de

preocupación. Seŕıa valioso in-

vestigar el rendimiento del mo-

delo a medida que el tamaño

del problema aumente.

Continúa en la siguiente página


20

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Md. M. Islam et al. [21]

Propone un enfoque de opti-

mización para asignar las ubi-

caciones óptimas de las esta-

ciones de recarga rápida para

VEs considerando factores co-

mo las pérdidas durante viajes,

la construcción y el costo de

pérdida de enerǵıa en las sub-

estaciones.

Aplicaron el algoritmo binario

luciérnaga (de ahora en ade-

lante refiérase como BFFA por

sus siglas en inglés) con el fin

de minimizar el costo diario to-

tal mediante la determinación

de las ubicaciones y cantidad

óptima de estaciones de recar-

ga rápida.

Suposiciones espećıficas reali-

zadas en la aplicación del BFA

y las restricciones utilizadas en

el modelo de optimización.

No aborda ciertas complejida-

des del mundo real o factores

externos que podŕıan afectar la

ubicación óptima de las esta-

ciones de recarga.

Falta de comparación del BFA

con otros algoritmos de opti-

mización para evaluar su ren-

dimiento y efectividad en este

contexto espećıfico.

Continúa en la siguiente página


21

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

N. Shahraki et al. [22]

Se centran en aplicar técni-

cas de optimización que inclu-

yen la formulación de un mo-

delo de optimización para se-

leccionar la ubicación de las

estaciones públicas de recarga

rápida. Esto se logra median-

te la incorporación de patro-

nes de viajes obtenidos a partir

de información detallada de las

trayectorias individuales de los

VEs a gran escala.

Se analiza como caso de estu-

dio el planeamiento de la infra-

estructura pública de estacio-

nes de recarga en Beijing, Chi-

na.

La suposición de que los con-

ductores no cambiaran su com-

portamiento al cambiar de

VCIs a VEHs. Esta suposición

puede no ser válida en escena-

rios del mundo real, ya que los

conductores de VEHs pueden

modificar su comportamiento

para buscar activamente opor-

tunidades de recarga debido a

la ventaja de costos de la elec-

tricidad sobre la gasolina en

una base por milla o kilóme-

tro.

Si bien el estudio aborda la

optimización de las ubicacio-

nes de las estaciones de recar-

ga pública en Beijing, China,

la generalización de los hallaz-

gos a otras regiones o ciuda-

des con diferentes patrones de

tráfico, infraestructura y com-

portamientos del consumidor

puede ser limitada.

Continúa en la siguiente página


22

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Y. Ahn et al. [23]

Presenta el modelo de Estima-

ción de la Densidad Requerida

de Estaciones de Carga de VEs

(de ahora en adelante refiérase

como ERDEC, por sus siglas

en inglés) para estimar la den-

sidad óptima de estaciones de

recarga para ciertas áreas ur-

banas en China.

Se consideran diversos

parámetros, tales como facto-

res regionales y tecnológicos,

para estimar las demandas de

recarga y determinar la densi-

dad óptima de las estaciones

de recarga.

Se destaca la capacidad de pre-

decir los beneficios de reducir

la densidad óptima y el cos-

to total a través del desarro-

llo de tecnoloǵıas relacionadas

con los VEs mediante diferen-

tes combinaciones de paráme-

tros tecnológicos.

El modelo simplificado, ER-

DEC, asume que los veh́ıculos

se mueven en dirección verti-

cal u horizontal, lo que puede

no representar completamente

los patrones de conducción del

mundo real.

Los resultados del estudio se

basan en datos recopilados de

taxis, que pueden no represen-

tar completamente las deman-

das de carga y los patrones

de conducción de los veh́ıculos

eléctricos en general.

Se sugiere que los estudios fu-

turos deben analizar la com-

paración de mapas de resulta-

dos de densidad de diferentes

fechas y peŕıodos de tiempo.

Continúa en la siguiente página


23

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

J. Tan et al. [24]

Proponen un marco de trabajo

integral para la navegación en

tiempo real de los VEs donde

se consideran los impactos en

los sistemas de enerǵıa y trans-

porte.

Este marco de trabajo bus-

ca combinar ambos sistemas

a través de una estrategia de

navegación de recarga masiva

para VEs con el objetivo de

atraer a los VEs para que sean

cargados en horas de menor

demanda y aśı ahorrar tiempo

a sus propietarios.

Para coordinar los precios en

las estaciones de recarga y me-

jorar la estrategia en la que

los VEs eligen en que esta-

ción recargar, los investigado-

res proponen un enfoque de

juego jerárquico.

Falta de validación adicional

del marco propuesto en esce-

narios del mundo real.

Falta de escalabilidad del enfo-

que propuesto a áreas urbanas

más grandes.

Poca o nula consideración de

posibles incertidumbres y cam-

bios dinámicos tanto en los sis-

temas de transporte como en

los de enerǵıa.

Continúa en la siguiente página


24

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

N. Leeprechanon et al. [25]

Propone un modelo de optimi-

zación matemático para la pla-

nificación de estaciones públi-

cas de recarga rápida en áreas

urbanas utilizando el principio

de ubicación por cobertura y el

ACO.

El objetivo del modelo es ma-

ximizar el servicio de recarga

rápida a partir de restricciones

como la distancia de servicio

de tráfico, los tiempos de es-

pera durante los peŕıodos de

mayor demanda y las limita-

ciones en los sistemas de dis-

tribución eléctrica, consideran-

do el tamaño de los cargadores

rápidos.

El modelo depende de simpli-

ficaciones sobre los patrones

de tráfico, el comportamiento

del usuario y las restricciones

del sistema de distribución de

enerǵıa, que pueden no captu-

rar por completo las compleji-

dades de los entornos urbanos

del mundo real.

La efectividad del modelo pro-

puesto y la técnica de opti-

mización necesitan una valida-

ción adicional a través de es-

tudios de casos del mundo real

o simulaciones para demostrar

su aplicabilidad práctica y ro-

bustez.

No se discute a fondo la esca-

labilidad del modelo propuesto

para áreas urbanas más gran-

des o diferentes tipos de siste-

mas de distribución de enerǵıa.

Continúa en la siguiente página


25

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

H. Chen et al. [26]

Presenta un enfoque innovador

que busca proporcionar un ser-

vicio de recarga a los VEs uti-

lizando estaciones de recarga

móviles en redes heterogéneas.

Para determinar la ubicación

óptima de las estaciones de re-

carga móviles en función de

las demandas de recarga y los

costos de mantenimiento, los

autores presentan un algorit-

mo de evolución caótica de

optimización por enjambre de

part́ıculas (de ahora en ade-

lante refiérase como PSO, por

sus siglas en inglés), cuyos re-

sultados demostraron superar

los experimentos de simulación

que ofrecen los métodos con-

vencionales.

Falta de validación de resulta-

dos en un contexto del mundo

real.

El modelo carece de un análisis

comparativo y exhaustivo con

respecto a otros métodos o en-

foques existentes.

Continúa en la siguiente página


26

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

S. Y. He et al. [27]

Presenta un estudio de caso

que selecciona las ubicaciones

óptimas de estaciones públicas

de recarga rápida en Beijing,

China.

Incorporan factores institucio-

nales y espaciales en los mode-

los de ubicación de instalacio-

nes para estimar la demanda y

proporcionar estaciones de re-

carga para VEs. Para ello, pre-

sentan tres formulaciones ma-

temáticas: el problema de con-

junto de cobertura, el proble-

ma de cobertura máxima pa-

ra ubicaciones y el problema p-

medio.

El estudio utiliza datos de cen-

so del 2010, lo cual no refleja

con precisión los patrones de

demanda actuales de las insta-

laciones de carga de VEs.

La ponderación de los facto-

res socio-demográficos se basa

en entrevistas con un tamaño

de muestra relativamente pe-

queño.

Se consideran únicamente 52

estaciones pilotos como sitios

potenciales en lugar de esta-

ciones de recarga públicas ya

existentes.

Continúa en la siguiente página


27

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. C. Catalbas et al. [28]

Proponen un enfoque basado

en mineŕıa de datos para esti-

mar estas ubicaciones en An-

kara, Turqúıa.

Consideran factores como el

número promedio de VEs en

tránsito y sus rangos de auto-

nomı́a para determinar las ubi-

caciones óptimas de las esta-

ciones de recarga. Para lograr-

lo, utilizan dos técnicas de op-

timización: agrupamiento es-

pectral y modelos de mezcla

Gaussiana.

Generalización de los hallaz-

gos, lo cual conlleva a posibles

desaf́ıos al momento de imple-

mentar el enfoque propuesto

en escenarios del mundo real.

Suposiciones realizadas en el

modelado.

Falta de precisión en los datos

de entrada.

Continúa en la siguiente página


28

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

A. Shukla et al. [29]

Presenta un modelo que bus-

ca determinar de manera ópti-

ma la ubicación y el tamaño de

las estaciones de recarga rápi-

da para facilitar la adopción

masiva de VEs, al mismo tiem-

po que se minimizan los costos

de inversión. El modelo se basa

en la captura de flujo de VEs,

pero se diferencia al considerar

la capacidad de las bateŕıas de

los VEs, con el objetivo de ma-

ximizar el flujo de tráfico de los

VEs.

Las técnicas de optimización

utilizadas en esta investiga-

ción incluyen la PSO y análisis

geográfico.

Este enfoque puede ser aplica-

do a diferentes regiones con di-

ferentes tasas de adopción de

VEs, promoviendo aśı un ma-

yor auge en los sistemas soste-

nibles de transporte.

No considera el impacto que

tienen las estaciones de recar-

ga rápida en la red eléctrica, lo

cual es muy significativo si ha-

blamos de áreas con una alta

tasa de adopción de VEs.

Asume que los VEs tienen un

comportamiento uniforme en

cuanto a la conducción y car-

ga, lo cual en la realidad, pue-

de variar según factores como

patrones de conducción, capa-

cidad de la bateŕıa y disponibi-

lidad de infraestructura de re-

carga.

No considera el impacto que

las estaciones de recarga rápi-

da tienen en el medio ambiente

en cuanto a la huella de car-

bono producto de la genera-

ción de electricidad y la dispo-

sición de bateŕıas usadas.

Continúa en la siguiente página


29

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

V. Salapić et al. [30]

Se aborda el problema relacio-

nada con la instalación de esta-

ciones de recarga rápida para

VEs desde los puntos de vista

de la inestabilidad de tensión

y la congestión en las ĺıneas de

distribución eléctrica.

Para hacer frente a estos des-

af́ıos, los investigadores propo-

nen una solución que consis-

te en integrar sistemas de al-

macenamiento de bateŕıas en

las estaciones de recarga rápi-

da. El objetivo es reducir el

estrés en las redes de distribu-

ción eléctrica y garantizar ni-

veles de comodidad adecuados

para los usuarios de VEs.

Se centra en solo tres ubicacio-

nes dado de que la metodoloǵıa

propuesta puede no ser aplica-

ble a otras ubicaciones con pa-

trones de tráfico y demandas

de carga diferentes.

Se realizan varias suposiciones,

como tiempos de llegada y sa-

lida fijos para los VEs, aśı co-

mo una demanda de carga fi-

ja, lo cual no refleja la variabi-

lidad del comportamiento real

de carga de los VEs.

La investigación no fue valida-

da en un entorno real, por en-

de, no queda claro que tan bien

se desempeñaŕıa en la práctica.

Continúa en la siguiente página


30

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

H. Zhang et al. [31]

Proponen un modelo que con-

sidera la interacción entre las

redes de transporte y eléctricas

para la planificación óptima de

estaciones de recarga rápida.

El modelo utiliza el método de

estimación de demanda de re-

carga basado en el rango de au-

tonomı́a y el flujo de tráfico,

conocido como CFRLM.

Los investigadores formularon

el modelo como un MILP, y lo

utilizaron para determinar las

ubicaciones y tamaños ópti-

mos de las estaciones de recar-

ga a partir de las restricciones

eléctricas y de transporte.

Generalización de los hallazgos

a diferentes áreas geográficas o

redes de transporte.

Potencial falta de escalabili-

dad del método propuesto a

sistemas más grandes y com-

plejos.

Poca efectividad del método

propuesto en escenarios del

mundo real, aśı como la adap-

tabilidad a cambios dinámicos

en las redes de transporte y

eléctricas.

Continúa en la siguiente página


31

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

X. Zhang et al. [32]

Presenta un enfoque integral

para la planificación de insta-

laciones de recarga rápida ba-

sado en datos históricos de car-

ga y la matriz de transferencia

de Markov.

Este método incorpora un

pronóstico de múltiples esce-

narios de recarga, un mode-

lo mejorado de ubicaciones de

centros-P y la optimización

mediante un GA.

Se considera el costo de tiempo

de espera en las colas durante

el proceso de optimización.

Se centra únicamente en la op-

timización de las instalaciones

de recarga basándose en datos

históricos de carga y la ma-

triz de transferencia de Mar-

kov, sin tomar en cuenta otros

factores como el flujo de tráfico

y las funciones regionales.

El análisis del modelo se basa

en datos reales de instalaciones

de recarga dentro de un esce-

nario provincial, lo cual no es

representativo de otras regio-

nes o páıses.

No proporciona un análisis de-

tallado de la rentabilidad del

método propuesto en compa-

ración con otros métodos exis-

tentes.

Continúa en la siguiente página


32

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

W. Dai et al. [33]

Se plantea el problema de ubi-

cación de estaciones de recarga

rápida para VEs considerando

la demanda elástica, además

de formularlo como un proble-

ma de optimización de dos ni-

veles.

En este estudio, los investi-

gadores proponen sopesar las

preferencias de distancia y

tiempos de espera, por parte

de los usuarios de VEs, para

capturar la naturaleza elástica

de la demanda de los VEs.

Introducen una ecuación de

punto fijo para describir la re-

lación entre la tasa de servicio

y los tiempos de espera en las

estaciones.

Carece de una descripción de-

tallada del algoritmo heuŕısti-

co utilizado, por ende, dificulta

la reproducibilidad y compren-

sión del enfoque propuesto.

Aunque la investigación es pre-

sentada con resultados de si-

mulación para demostrar la

efectividad del enfoque pro-

puesto, hay una falta de vali-

dación en el mundo real o es-

tudios de caso para evaluar la

aplicabilidad práctica de la es-

trategia con respecto a la de-

manda elástica.

La generalización del enfoque

propuesto a diferentes regio-

nes geográficas, patrones de

tráfico y comportamientos de

usuarios de VEs no se aborda

exhaustivamente.

Continúa en la siguiente página


33

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Y. Zhang et al. [34]

Se aborda el diseño óptimo de

una red de recarga para VEs

que ofrecen los proveedores de

servicio de recarga.

El enfoque considera las de-

mandas variables en el tiempo

y dependientes de la ubicación

de los VEs, aśı como restriccio-

nes de la red eléctrica.

Los investigadores proponen

un método para clasificar las

posibles ubicaciones y excluir

aquellas que no son rentables,

lo cual simplifica el problema.

Para ello, formulan el proble-

ma como una maximización de

beneficios, lo que lo convierte

en un problema de tipo MILP.

La exclusión de ubicaciones no

rentables y la clasificación en

tres categoŕıas pueden basar-

se en suposiciones simplifica-

das que no capturan comple-

tamente la complejidad de es-

cenarios del mundo real.

Aunque el algoritmo heuŕıstico

propuesto tiene como objetivo

mejorar la ganancia total, su

efectividad y robustez en dife-

rentes condiciones del mundo

real pueden no haber sido va-

lidadas exhaustivamente.

La implementación práctica y

la escalabilidad del enfoque

propuesto en redes de recarga

a gran escala y en entornos ur-

banos diversos no se discuten

expĺıcitamente.

Continúa en la siguiente página


34

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Md. M. Islam et al. [35]

Se centra en resolver proble-

mas de optimización multiob-

jetivo para determinar la ubi-

cación óptima y el número de

estaciones de recarga rápida

para VEs en la zona cercana

a Bangi, Malasia.

El método propuesto sopesa

diferentes criterios, como la

pérdida en el transporte, la

pérdida de enerǵıa en las re-

des eléctricas, y los costos de

construcción.

La formulación del problema

de optimización se basa en los

costos de las estaciones, el es-

tado de carga (de ahora en

adelante refiérase como SOC,

por sus siglas en inglés) de las

bateŕıas de los VEs, la densi-

dad de tráfico vial y el flujo

armónico de potencia.

Depende de ciertas suposicio-

nes sobre patrones de tráfico,

el uso de VEs u otros facto-

res que podŕıan afectar la pre-

cisión de los resultados.

Se centra en un área espećıfi-

ca, cerca de Bangi, Malasia,

por ende, los hallazgos puede

no ser directamente aplicables

a otras regiones con diferen-

tes patrones de tráfico, infra-

estructura o uso de VEs.

Falta de precisión y disponibi-

lidad de datos relacionados con

pérdidas en las redes de trans-

porte, pérdidas de enerǵıa en

la red eléctrica y otros facto-

res que podŕıan afectar la pre-

cisión del modelo de optimiza-

ción.

Continúa en la siguiente página


35

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. Erbaş et al. [36]

Se presenta un enfoque basa-

do en el análisis de decisión

multi-criterio difuso (de aho-

ra en adelante, refiérase como

MCDA por sus siglas en inglés)

y GIS para determinar las ubi-

caciones óptimas de las esta-

ciones de recarga rápida.

El estudio considera varios fac-

tores, como la distancia a las

rutas principales, la densidad

de población y la proximidad

al transporte público, entre

otros.

Utiliza lógica difusa para ma-

nejar la incertidumbre y la im-

precisión de los datos de entra-

da.

La dependencia de juicios de

expertos parcialmente subjeti-

vos para determinar los valores

de peso en el método MCDA

basado en GIS.

Posible subjetividad y sesgos

en el uso de lógica difusa apli-

cada para manejar la incerti-

dumbre e imprecisión en los

datos de entrada.

Generalización del estudio

dentro del contexto de An-

gora, Turqúıa, lo cual puede

llegar a limitar los hallazgos a

otras regiones o contextos.

Continúa en la siguiente página


36

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

H.-C. Liu et al. [37]

Presenta un enfoque integrado

en la MCDM para la planifica-

ción de la ubicación de estacio-

nes de recarga.

El enfoque propuesto se basa

en el uso de DEMATEL gris

y UL-MULTIMOORA, ambos

capaces de abordar eficazmen-

te la ambigüedad y las diver-

sas evaluaciones lingǘısticas a

los que los tomadores de deci-

siones pueden enfrentarse, so-

pesando las variables lingüis-

tas inciertas.

Permite la creación de un dia-

grama causal para analizar las

interacciones complejas entre

los criterios utilizando el DE-

MATEL gris.

El enfoque propuesto se aplica

a un estudio de caso espećıfi-

co en Shanghái, China, por los

que los resultados pueden no

ser generalizados a otras regio-

nes o páıses.

Se basa en los juicios subjeti-

vos de los tomadores de deci-

siones, lo que puede introducir

sesgo e incertidumbre durante

el proceso.

Asume que los criterios del en-

foque son independientes entre

śı, lo que puede no ser el caso

en situaciones del mundo real.

Continúa en la siguiente página


37

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Makhlouf et al. [38]

Presenta un enfoque de pro-

gramación de dos niveles cu-

yo objetivo es ubicar estacio-

nes de recarga rápida para VEs

capacitados.

Los investigadores proponen

un modelo que considera el im-

pacto del comportamiento no

óptimo de los conductores de

VEs al momento de consumir

capacidad eléctrica de la esta-

ción de recarga rápida.

Representa las redes viales co-

mo grafos direccionados con

nodos y arcos.

La demanda se modela como

viajes predeterminados desde

un nodo origen hasta un nodo

destino, en ambos sentidos.

Suposiciones provistas al mo-

delo en cuestión, además de la

falta de escalabilidad del mis-

mo a instancias más grandes.

Los resultados computaciona-

les se basan en instancias de

menor tamaño, por lo que la

aplicabilidad del enfoque pro-

puesto a problemas de mayor

escala y complejidades debeŕıa

ser tomado en cuenta para fu-

turas investigaciones.

Continúa en la siguiente página


38

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

B. Faridpak et al. [39]

Se busca minimizar los costos

para los usuarios de VEs me-

diante la elección de operacio-

nes de recarga óptimas, al mis-

mo tiempo que se reduce el im-

pacto que las estaciones pue-

den ocasionar en las redes de

distribución eléctrica.

El tiempo de inicio de car-

ga y el intervalo de tiempo

de carga se modelan como va-

riables inciertas utilizando una

distribución normal, debido al

patrón estocástico de carga de

los usuarios de VEs.

La técnica de optimización uti-

lizada para esta metodoloǵıa

es MILP.

Necesidad de encontrar un

equilibrio entre los costos, el

tiempo de espera, el número

de cargadores, las pérdidas de

enerǵıa, las especificaciones de

los diferentes tipos de bateŕıas

existentes y las variables de in-

certidumbre adicionales.

Aunque el enfoque propuesto

MILP cumple con proporcio-

nar un marco para la ubica-

ción y operación óptimas de es-

taciones de recarga para VEs,

pueden haber limitaciones en

su aplicabilidad para los di-

ferentes escenarios del mundo

real.

Continúa en la siguiente página


39

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

C. Bian et al. [40]

Se presenta un caso de estudio

sobre el despliegue de estacio-

nes de recarga rápida para VEs

en una ciudad.

Proponen un modelo de des-

pliegue que optimiza la ubica-

ción de las estaciones de recar-

ga rápida utilizando informa-

ción geográfica, flujo de tráfico

y clasificación de uso de suelos.

El enfoque tiene como objetivo

maximizar las ganancias de las

estaciones de recarga, lo que

puede fomentar a más inver-

siones y a una mayor adopción

de VEs. Para lograr este ob-

jetivo, los investigadores utili-

zaron una técnica de optimiza-

ción heuŕıstica llamada GA.

La estructura de los flujos de

tráfico utilizados en el mode-

lo es relativamente simple y no

permite identificar el desplaza-

miento desde un origen hacia

un destino en los VEs, lo cual

limita la capacidad de ofrecer

estimaciones de demanda de

carga realmente confiables.

No se exploró a fondo la

sensibilidad del modelo pa-

ra diferentes tamaños de re-

des eléctricas ni sus respectivos

impactos en el proceso comple-

to de optimización.

No se incluyó la teoŕıa de co-

las, lo cual podŕıa haber pro-

porcionado valiosas perspecti-

vas sobre la dinámica de colas

en las estaciones de recarga aśı

como su impacto en la optimi-

zación general.

Continúa en la siguiente página


40

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

H. Fredriksson et al. [41]

Se aborda la ubicación óptima

de estaciones de recarga rápida

para VEs en redes de transpor-

te a gran escala.

El estudio se centra en la sim-

plicidad y eficiencia al encon-

trar el número mı́nimo de es-

taciones de recarga mientras se

garantiza la cobertura de cada

nodo de ruta.

La metodoloǵıa se basa en una

selección controlada de restric-

ciones que permiten agregar y

cumplir requisitos, lo que hace

que la selección sea más realis-

ta.

El problema se formula como

un MILP.

La precisión y efectividad de la

estrategia óptima de ubicación

podŕıa estar limitada producto

de la disponibilidad y la cali-

dad de los datos obtenidos so-

bre las redes de transporte, el

uso de VEs y la infraestructura

de recarga.

Aunque la investigación pro-

pone una estrategia óptima de

ubicación, la implementación

práctica de estaciones de re-

carga en redes de transporte

del mundo real, puede enfren-

tar desaf́ıos como los altos cos-

tos de instalación, los obstácu-

los reguladores y una limita-

da disponibilidad de ubicacio-

nes adecuadas.

Poco o nulo abordaje de la

escalabilidad del enfoque pro-

puesto a redes de transporte

más grandes y complejas.

Continúa en la siguiente página


41

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Y. He et al. [42]

Se busca fomentar la adopción

de VEs mediante la ubicación

óptima de estaciones de recar-

ga rápida para viajes de larga

distancia.

Los investigadores utilizan da-

tos de viajes de veh́ıculos a

gran escala para maximizar

el servicio de demanda a lar-

ga distancia, que generalmen-

te ocurre en viajes por carre-

tera, y considerando las limi-

taciones de cantidad de esta-

ciones y rangos de autonomı́a

de los VEs.

El modelo de optimización se

formuló como un MILP y se

implementó en MATLAB.

La precisión de las ubicacio-

nes óptimas de las estaciones

de carga se encuentra limitada

por la disponibilidad y calidad

de los datos de entrada, como

patrones de demanda de viajes

y datos de uso de VEs.

Se centra principalmente en la

red de carreteras de larga dis-

tancia en Estados Unidos, lo

cual limita la generalización de

los hallazgos a otras regiones o

sistemas de transporte.

No aborda a fondo el impac-

to ambiental que conlleva esta-

blecer un gran número de es-

taciones de recarga, incluidas

consideraciones como el consu-

mo de enerǵıa, el uso del suelo

y posibles conflictos con las co-

munidades locales.

Continúa en la siguiente página


42

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

W. Kong et al. [43]

Presenta un método que tiene

por objetivo lograr una optimi-

zación integral de operadores,

conductores, VEs, condiciones

de tráfico y red eléctrica.

El método propuesto utiliza

datos dinámicos en tiempo real

en lugar de datos estad́ısti-

cos para optimizar los intereses

económicos de los operadores,

mejorar la satisfacción de car-

ga de los usuarios de VEs y ga-

rantizar la eficiencia del tráfico

y seguridad en la red eléctrica.

El estudio práctico realizado

dentro del tercer anillo de Bei-

jing demuestra que el méto-

do propuesto puede resolver de

manera efectiva el problema de

planificación óptima de la ubi-

cación de las estaciones de re-

carga rápida para VEs.

Falta de confiabilidad rela-

cionada con la disponibilidad

y precisión de la aplicación

de datos dinámicos en tiempo

real.

Aunque el art́ıculo menciona

la optimización de los intere-

ses económicos de los operado-

res y la satisfacción de los con-

ductores, la consideración de

otras partes interesadas, como

las comunidades locales y el

impacto ambiental, podŕıa ser

más detallada.

La escalabilidad y generali-

zación del método propues-

to a diferentes ciudades o

áreas pueden necesitar explo-

rarse más a fondo.

Continúa en la siguiente página


43

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

X. Ren et al. [44]

Explora la ubicación óptima

de las estaciones de recarga

rápida para VEs, consideran-

do factores como el costo de

terreno, costo de construcción,

flujo de tráfico vial, condicio-

nes en el red eléctrica y el en-

torno circundante.

El estudio utiliza la teoŕıa de

toma de decisiones correlacio-

nada gris y la teoŕıa de toma

de decisiones objetivo gris para

cuantificar los ı́ndices cualita-

tivos y derivar aśı un esquema

óptimo de toma de decisiones.

El estudio solo considera un

número limitado de factores

que influyen en la selección del

sitio para las estaciones de re-

carga, como el costo del te-

rreno, el costo de construc-

ción, el flujo de tráfico en la

carretera, la condición de la

red eléctrica y el entorno cir-

cundante. Otros factores, co-

mo la demanda del usuario y la

accesibilidad, también pueden

ser consideraciones importan-

tes para determinar las ubica-

ciones óptimas de las estacio-

nes de recarga.

El estudio utiliza un GA pa-

ra resolver la cantidad y ubi-

cación de las estaciones de re-

carga, lo que puede no ser el

método más eficiente o preciso

para todos los escenarios pro-

puestos.

Continúa en la siguiente página


44

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

R. Pagany et al. [45]

Nos presenta un enfoque basa-

do en usuario y destino para

la ubicación óptima de estacio-

nes de recarga rápida utilizan-

do GIS.

La metodoloǵıa propuesta in-

cluye derivar las potenciales

ubicaciones para las estaciones

de recarga a nivel de micro-

localización en espacios públi-

cos y semi-públicos basados en

actividades diarias que reali-

cen los usuarios de VEs.

Los autores utilizan GIS para

analizar las dimensiones espa-

ciales y temporales de las ac-

tividades de los usuarios y aśı

calcular áreas de servicio que

definan zonas de distancias ca-

minables.

La dimensión temporal del

modelo solo depende de sumas

de tiempo de uso y tiempo de

permanencia promedio, y no

distingue entre d́ıas laborables,

fines de semana o demanda de

recarga en resolución horaria.

La transferencia del modelo

a otras regiones está limita-

da por la necesidad de obtener

más conocimiento sobre las ac-

tividades reales de los usuarios

y los procesos de recarga de los

VEs en el entorno de prueba.

Se considera irreal la distribu-

ción equitativa de VEs entre

el número de puntos de interés

(ahora refiérase como POI, por

sus siglas en inglés), ya que las

capacidades de ciertos tipos de

POIs no son idénticas.

Continúa en la siguiente página


45

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. Eagon et al. [46]

Propone un enfoque de méto-

dos formales para el problema

de ubicación de estaciones de

recarga para VEs.

Los autores tienen por objeti-

vo optimizar la selección de las

ubicaciones de estaciones de

recarga en función de un con-

junto dado de puntos de de-

manda vehicular, mientras se

reduce los costos iniciales y se

cumple con la demandas del

consumidor.

La técnica de optimización uti-

lizada en esta investigación

asegura que los VEs manten-

gan un aceptable SoC duran-

te todo el viaje completo, ya

que descargar por completo las

bateŕıas de litio-ion puede ser

perjudicial para sus estados de

salud (de ahora en adelante re-

fiérase como SoH, por sus si-

glas en inglés).

No considera completamente

la naturaleza cambiante del

tráfico o las condiciones am-

bientales en el rendimiento es-

perado de los VEs mientras

viajan dentro de la red de

transporte.

El método está diseñado prin-

cipalmente para elegir ubica-

ciones óptimas de recarga pa-

ra un solo agente con un ob-

jetivo de ruta espećıfico utili-

zando lógica temporal. Por en-

de, se sugiere ampliar el en-

foque para manejar objetivos

de varios agentes y evaluar si-

multáneamente múltiples car-

gadores potenciales para ha-

cerlo más aplicable a los VEs

de los consumidores.

Continúa en la siguiente página


46

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

I. Baffo et al. [47]

Los autores proponen una me-

todoloǵıa cuyo objetivo es re-

solver el problema con el di-

seño de una red de recar-

ga a través de una formula-

ción matemática del problema,

además de un modelo de nego-

cio para la venta de servicio de

recarga eléctrica.

La metodoloǵıa en estudio uti-

liza un algoritmo heuŕıstico

evolutivo que optimiza el pro-

ceso en varios pasos, dando co-

mo resultados el número y la

posición de las estaciones que

se deben activar, el número de

enchufes eléctricos que se de-

ben abrir por cada estación ac-

tivada, el número de clientes

asignados en cada estación y

en cada enchufe, el nivel de ser-

vicio calculado en la red y el

nivel de servicio calculado en

la estación.

Suposiciones realizadas en el

modelo, limitaciones en los da-

tos utilizados y restricciones en

el algoritmo.

Generalización de los resulta-

dos obtenidos a otras áreas ur-

banas y la escalabilidad del en-

foque.

Continúa en la siguiente página


47

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

A. Mourad et al. [48]

Explora un modelo de optimi-

zación para determinar las ubi-

caciones óptimas de estaciones

de recarga rápida para VEs.

El modelo toma en cuenta el

flujo de movilidad, las deman-

das de recarga, las especifica-

ciones de red eléctrica, aśı co-

mo la disponibilidad de fuentes

de enerǵıas alternativas como

la fotovoltaica.

El objetivo es maximizar la

demanda de recarga cubierta

mientras se respeta los ĺımi-

tes en los presupuestos de in-

versión y la capacidades dis-

ponibles provistas por la red

eléctrica.

Se centra en el área geográfi-

ca de Paŕıs-Saclay y esto ha-

ce que no sea generalizable a

otras regiones con patrones de

movilidad y demandas de re-

carga diferentes.

No se declara expĺıcitamente

cual método o técnica de opti-

mización fue utilizado para re-

solver el problema, lo que difi-

culta la replicación del trabajo.

Se asume que la capacidad de

la red eléctrica es fija, lo cual

es impreciso en la práctica, ya

que la capacidad de la red pue-

de ampliarse con el tiempo.

No se considera el impacto que

las cargas de los VEs podŕıan

efectuar en la demanda y ofer-

ta eléctrica total, lo que podŕıa

llevar a implicaciones en la es-

tabilidad y confiabilidad de la

red eléctrica.

Continúa en la siguiente página


48

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

S. Hashemian et al. [49]

Explora la ubicación y el ta-

maño óptimo de las estaciones

de recarga rápida para VEs en

redes de transporte y distribu-

ción acopladas.

Los autores proponen un mo-

delo MILP que considera las

limitaciones en las redes de

transporte y de distribución.

Destaca que la ubicación y el

tamaño de las estaciones de re-

carga pueden tener un impacto

en el flujo de tráfico en áreas

urbanas y los ı́ndices operati-

vos en las redes de distribución

de enerǵıa eléctrica.

Los autores discuten como es-

tas estaciones pueden ser uti-

lizadas como acondicionadores

de ĺınea eléctrica, lo que las ha-

ce aún más valiosas.

No toma en cuenta la dinámi-

ca del transporte, como la res-

puesta del modelo de tráfico,

para ubicar estaciones de re-

carga para VEs.

El tiempo de solución del mo-

delo propuesto podŕıa ser un

desaf́ıo al implementarlo en re-

des de gran escala, limitando

aśı la escalabilidad del mode-

lo.

Se limita únicamente a anali-

zar la sensibilidad del modelo

con respecto a las incertidum-

bres de los parámetros relacio-

nados con el comportamiento

de los VEs en dos estudios de

caso perturbados.

Asume que todos los VEs po-

seen la misma demanda de re-

carga, lo cual puede no ser pre-

ciso en escenarios del mundo

real.

Continúa en la siguiente página


49

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

Zulqarnain Zeb et al. [50]

Propone una novedosa estrate-

gia para el dimensionamiento y

la ubicación óptima de los di-

ferentes tipos de estaciones de

recarga en el sistema de distri-

bución activa de edificios co-

merciales y residenciales inclu-

yendo oficinas y hogares.

El comportamiento incierto de

los dueños de veh́ıculos es mo-

delado utilizando distribucio-

nes probabiĺısticas ajustadas a

datos reales, y se consideran

las limitaciones geográficas de

área de estacionamiento.

La ubicación y el número de

los tres diferentes tipos de es-

taciones de recarga son optimi-

zados y analizados en un siste-

ma de distribución activo.

Se basa en una red de distri-

bución espećıfica de la Univer-

sidad Nacional de Ciencias y

Tecnoloǵıa (NUST, por sus si-

glas en inglés) en Islamabad,

Pakistán, lo cual puede no ser

representativo de otras redes

de distribución en diferentes

regiones.

Asume que el comportamien-

to de los propietarios de VEs

puede ser modelado utilizan-

do distribuciones probabiĺısti-

cas ajustadas a datos reales.

Sin embargo, la precisión del

modelo puede verse afectada

por el tamaño limitado de la

muestra.

No considera el impacto de

otros factores como la dispo-

nibilidad de fuentes de enerǵıa

renovable y el impacto de las

estaciones de recarga en la es-

tabilidad de la red.

Continúa en la siguiente página


50

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

X. Gan et al. [51]

Se enfoca en el problema de

óptimamente ubicar estaciones

de recarga rápida para VEs

mientras se considera la de-

manda elástica, lo que significa

que la demanda de recarga se

reduce debido a largas distan-

cias de conducción o tiempos

de espera en la estación.

Los autores proponen una

ecuación de punto fijo para

describir la relación entre la ta-

sa de llegada a una estación

de recarga rápida y el plan de

implementación de las estacio-

nes de recarga rápida, que se

resuelve utilizando el método

Newton-Raphson.

Incluyen las suposiciones rea-

lizadas en la formulación del

problema de implementación

de estaciones de recarga rápi-

da, las restricciones espećıficas

o simplificaciones utilizadas en

el algoritmo heuŕıstico aplica-

do y la generalización de los

resultados a diferentes escena-

rios del mundo real.

La validación de la efectividad

del algoritmo heuŕıstico pro-

puesto debeŕıa ser aplicado a

estudios de caso del mundo

real o a simulaciones de mayor

extensión y complejidad.

Continúa en la siguiente página


51

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

G. Napoli et al. [52]

El objetivo es determinar las

ubicaciones más eficientes y

efectivas para instalar estacio-

nes de recarga rápida, al mis-

mo tiempo que se minimiza el

costo total del sistema y se ga-

rantiza accesibilidad a las ins-

talaciones de recarga para to-

dos los VEs.

La metodoloǵıa implica el uso

de un modelo de optimización

que toma en cuenta varios fac-

tores como el flujo de tráfico,

la demanda de viajes y sumi-

nistro eléctrico.

El modelo se resuelve utilizan-

do MILP, lo cual permite iden-

tificar las ubicaciones óptimas

de las estaciones de recarga a

partir de diferentes escenarios

y restricciones.

Ignora la posible congestión en

las estaciones de recarga rápi-

da y públicas, al mismo tiem-

po que no establece el tiempo

de recarga en una estación co-

mo función de su tipo y capa-

cidad, la cantidad de enerǵıa

recargada y el número de VEs

recargando en la estación.

El algoritmo en cuestión es

únicamente aplicado a carrete-

ras urbanas, por lo que se di-

ficulta su aplicabilidad a otros

tipos de carreteras o regiones.

El modelo amerita una prepa-

ración significativa de los da-

tos de entrada, lo que implica

que el modelo puede no ser lo

suficientemente fácil de imple-

mentar en la práctica.

Asume una capacidad fija de

bateŕıa aśı como un rango fijo

de autonomı́a.

Continúa en la siguiente página


52

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

S. R. Gampa et al. [53]

Propone un enfoque difuso de

múltiples objetivos basado en

el algoritmo de optimización

Grasshoper (de ahora en ade-

lante refiérase como GOA, por

sus siglas en inglés) en dos eta-

pas.

La primera parte de este en-

foque utiliza un planteamiento

Fuzzy GOA para optimizar el

tamaño y asignación de Gene-

ración Distribuida y Capacito-

res Shunt.

En la segunda etapa, se con-

sidera la ubicación óptima de

las estaciones de recarga pa-

ra VEs es utilizando un enfo-

que Fuzzy GOA basado en la

mejora del rendimiento del sis-

tema de distribución obtenido

con la incorporación de Gene-

ración Distribuida y Capacito-

res Shunt, previamente obteni-

dos en la primera etapa.

Carece de un análisis compara-

tivo e integral con otras técni-

cas de optimización, lo cual

podŕıa proporcionar una com-

prensión más clara de las ven-

tajas y limitaciones del enfo-

que propuesto de Fuzzy GOA.

No discute extensamente el

análisis de sensibilidad del en-

foque propuesto a variaciones

en los parámetros de entrada,

lo cual es crucial para com-

prender la robustez de la técni-

ca de optimización.

La escalabilidad del enfoque

propuesto para sistemas de

distribución más grandes o to-

poloǵıas de redes complejas no

se aborda a fondo, lo cual

podŕıa limitar su aplicabilidad

en sistemas de distribución a

gran escala del mundo real.

Continúa en la siguiente página


53

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

C. Csiszár et al. [54]

Plantea una metodoloǵıa de

multicriterio ponderado con

clasificación y selección. Pri-

meramente, el método calcu-

la variables de clasificación

estáticas basadas en estad́ısti-

cas y relaciones espaciales.

La segunda parte se lleva a ca-

bo a través de un script GIS la

cual selecciona los sitios candi-

datos que se ajustan a los ob-

jetivos del modelo en si.

Para esta metodoloǵıa, los

principales factores que in-

fluencian la demanda de carga

en rutas principales fue deter-

minado a partir del volumen

del tráfico y asentamientos de

poblaciones cercanas.

Depende de ciertas suposicio-

nes sobre el comportamiento

de los usuarios de VEs, las fu-

turas tendencias o la disponi-

bilidad de datos, lo que puede

introducir incertidumbres en

los resultados.

La presente precisión y dispo-

nibilidad de los datos utiliza-

dos, como el volumen de tráfi-

co, estad́ısticas y atributos de-

mográficos, podŕıan afectar la

confiabilidad de los hallazgos.

Falta de exploración sobre si

la aplicabilidad de la metodo-

loǵıa es posible en otras regio-

nes o páıses.

Continúa en la siguiente página


54

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. Heilig et al. [55]

Propone una metodoloǵıa que

utiliza GIS para analizar la

accesibilidad espacial de posi-

bles ubicaciones de estaciones

de recarga rápida en una red

vial.

Esta metodoloǵıa se basa en el

análisis de la red vial, y se uti-

lizan los tiempos de viajes en

la red cargada para garantizar

una accesibilidad deseada du-

rante las horas picos, aśı como

la construcción de un entorno

para la infraestructura de las

estaciones de recarga rápida.

Se lleva a cabo un análisis de

red, desarrollado en GIS, de los

tiempos de viaje en un d́ıa de

la semana con la demanda t́ıpi-

ca para d́ıas de la semana e in-

tervalos de tiempo determina-

dos.

Una posible limitación de esta

metodoloǵıa es la poca posibi-

lidad de replicar los resultados

a otras regiones o ciudades, ya

que la metodoloǵıa y los da-

tos utilizados fueron espećıfi-

cos para la región de Stuttgart,

Alemania.

Asume una cierta penetración

de mercado de VEs y ciertos

precios de electricidad, lo cual

podŕıa no ser aplicable en otras

regiones o a lo largo del tiempo

para la misma región en cues-

tión.

Continúa en la siguiente página


55

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

M. Li et al. [56]

Llevan a cabo un estudio

donde evalúan los impactos

espacios-temporales de la re-

carga masiva de VEs en una

una red eléctrica, 100 % reno-

vable en Australia.

El estudio en śı utiliza un mo-

delo integrado de oferta y de-

manda eléctrica basado en GIS

con el fin de simular el pro-

ceso de licitación competitiva

por hora basado en la disponi-

bilidad de recursos renovables

y el costo del generador.

El modelo cubre todo el terri-

torio de Australia.

Se basa en un modelo que de-

pende de diversas suposiciones

y simplificaciones, lo cual pue-

de no reflejar con precisión las

condiciones del mundo real y

las complejidades del sistema

eléctrico australiano.

Considera únicamente los im-

pactos de carga de VEs en el

sistema eléctrico y no consi-

dera los posibles impactos de

otros factores, como los cam-

bios en el comportamiento de

viaje, la planificación urbana y

el desarrollo de infraestructu-

ra.

Asume que el sistema eléctri-

co es 100 % renovable, lo cual

puede ser no factible o rentable

al corto plazo, además de que

los resultados pueden no ser

aplicables a otros páıses o re-

giones con mezclas de enerǵıa

y diferentes poĺıticas.

Continúa en la siguiente página


56

Tabla 1.1 – Continuación de la página anterior

Autor(es) Hallazgos Debilidades

P. Prakobkaew et al. [57]

Propone una metodoloǵıa para

determinar la ubicación ópti-

ma de las nuevas