Los vehículos eléctricos (VEs) se están volviendo populares en las ciudades inteligentes debido a su capacidad para reducir significativamente la intensidad de carbono en los sistemas de transporte. Sin embargo, la introducción a gran escala de VEs en las redes eléctricas existentes planteará importantes desafíos de estabilidad que los investigadores económicos pueden abordar. Específicamente, mediante esquemas de precios, investigadores y responsables políticos pueden incentivar a los propietarios de VEs a trasladar la carga de sus vehículos a períodos en los que resulte más beneficioso para la red a cambio de ahorros. Además, el uso de métodos de aprendizaje automático puede informar dichos esquemas aprovechando las señales de información ambiental, lo que conduce a mejores resultados para las ciudades y los propietarios de VEs.

Este proyecto diseña algoritmos de precios que aprovechan los datos disponibles para moldear el perfil de demanda de carga de VEs y satisfacer los objetivos de las partes interesadas, tales como operadores de redes y proveedores de electricidad. Específicamente, el proyecto ha propuesto un novedoso esquema de precios que, en combinación con el aprendizaje automático, puede lograr mejores resultados para la red y garantizar ahorros para los propietarios de VEs. Los resultados actuales muestran que el esquema de precios propuesto puede moldear la demanda generada por la carga de VEs de modo que siga los patrones de producción de las fuentes de energía renovable. Es importante destacar que los algoritmos propuestos superan los puntos de referencia, obteniendo resultados muy cercanos al óptimo teórico. Esta parte del proyecto está en revisión en una importante revista de sistemas de información.

Asimismo, el esquema de precios propuesto puede mejorar la rentabilidad de centros de carga de VEs y cumplir objetivos de sostenibilidad. El aprendizaje automático es crucial para fijar precios, y los resultados se acercan al óptimo teórico. Esta parte del proyecto está en revisión en una importante revista.