Optimización de la instalación de cargadores para vehículos eléctricos en carreteras no urbanas: un estudio de caso de BR-386, Motiva Viasul, Brasil

Autores/as
DOI:
https://doi.org/10.47456/bjpe.v12i5.53330
Palabras clave:
Carga de vehículos eléctricos, optimización, algoritmo genético, sistema de información geográfica, ansiedad por la autonomía
Resumen

Este estudio tiene como objetivo encontrar los puntos óptimos para la instalación de cargadores para vehículos eléctricos (EVs) en la carretera no urbana BR-386, perteneciente a la concesión MOTIVA ViaSul. Para ello, se aplica un modelo de algoritmo genético (GA) combinado con un sistema de información geográfica (GIS). El trabajo se implementó en tres etapas. La primera consistió en la adquisición y limpieza de la base de datos, ya que los datos se obtuvieron de diversas fuentes. La segunda etapa fue la implementación del modelo de GA. Esta fase utilizó los datos aplicados, incluyendo el flujo de tráfico (tanto en 2025 como en una estimación para 2030), la infraestructura de energía eléctrica y las especificaciones de los EVs. La tercera etapa fue la aplicación de diferentes escenarios para obtener la solución óptima del modelo. El modelo identificó dos ubicaciones óptimas para la asignación de cargadores de EVs, además del número ideal de cargadores, el tamaño promedio de la cola y el porcentaje de utilización de los cargadores, según el escenario: el de 2025 o el de 2030.

Biografía del autor/a
  1. Tiago de Oliveira Mafra Teixeira, The University of Texas at Arlington

    Undergraduation in Production Engineering from Universidade de Brasília (2023), Master's in Transportation Engineering from Universidade de Brasília (2026), and currently a PhD student in at the University of Texas at Arlington.My research interests lie in the field of Digital Twin, with a focus on its application in Industrial Engineering, process optimization and simulation. Through the Ph.D. program, I aim to deepen my understanding of integrated cyber-physical systems by exploring advanced strategies for realtime modeling, simulation, and control to enhance operational efficiency. I seek to contribute innovative solutions that combine digital technologies and engineering to address complex challenges of Industry 4.0, aligning with the programs research lines and its commitment to digital transformation in manufacturing.  http://lattes.cnpq.br/5585244483534510

  2. Reinaldo Crispiniano Garcia, Universidade de Brasília

     

    He holds a degree in Mechanical-Aeronautical Engineering (1989) and a Master's degree in Operations Research and Industrial Engineering (1992)—both from the Aeronautics Institute of Technology (ITA)—as well as a Ph.D. in Civil and Environmental Engineering from the University of California, Berkeley (1999). He has worked on research and consulting projects in the United States, Europe, and Brazil, notably for the governments of California and Texas, the European Economic Community, the United Nations Development Programme (UNDP), and private companies, among others. Currently, he is an Associate Professor of Production Engineering at the University of Brasília and Director of the Operations Research Laboratory (www.orlab.com.br), as well as Deputy Director of the Federal District's Integrated Research Center for Civil Defense Protection (CIP/CEPED-DF); he also teaches Operations Research at the Sezerdello Correa Institute (ISC) of the Federal Court of Accounts (TCU). In recognition of his contributions to the fields of Operations Research and Decision Science, he was named a Senior Member of INFORMS (Institute for Operations Research and the Management Sciences). He has held various leadership positions, including Coordinator of the Specialization Course in Public Roadworks Auditing for the Federal Court of Accounts (TCU). His areas of expertise include Applied Finance, Energy and Transport Economics (Infrastructure, Logistics), Industrial Engineering, Operations Research, and Economics. http://lattes.cnpq.br/1193145495367613 https://orcid.org/0000-0002-4376-4292

Referencias

Barbosa, W., et al. (2022). Electric vehicles: Bibliometric analysis of the current state of the art and perspectives. Energies, 15(2), 395.

Ghorbani, N., et al. (2018). Optimizing a hybrid wind–PV–battery system using GA-PSO and MOPSO for reducing cost and increasing reliability. Energy, 154, 581–591.

Gnann, T., et al. (2018). Fast charging infrastructure for electric vehicles: Today's situation and future needs. Transportation Research Part D: Transport and Environment, 62, 314–329.

Hassanat, A., et al. (2019). Choosing mutation and crossover ratios for genetic algorithms: A review with a new dynamic approach. Information, 10(12), 390.

Hemavathi, S., & Shinisha, A. (2022). A study on trends and developments in electric vehicle charging technologies. Journal of Energy Storage, 52, Article 105013.

Huang, Y., et al. (2018). Eco-driving technology for sustainable road transport: A review. Renewable and Sustainable Energy Reviews, 93, 596–609.

Hussain, A., et al. (2022). Genetic algorithm with a new round-robin based tournament selection: Statistical properties analysis. PLOS ONE, 17(9), Article e0274456.

Ibrahim, M. A., Mahmood, A. K., & Sultan, N. S. (2019). Optimal PID controller of a brushless DC motor using genetic algorithm. International Journal of Power Electronics and Drive Systems, 10(2), 822–830.

Karnauskas, K. B., Miller, S. L., & Schapiro, A. C. (2020). Fossil fuel combustion is driving indoor CO₂ toward levels harmful to human cognition. GeoHealth, 4(5).

Katoch, S., Chauhan, S. S., & Kumar, V. (2020). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126.

Kazemi, H., & Akinci, H. (2018). A land use suitability model for rainfed farming by multi-criteria decision-making analysis (MCDA) and geographic information system (GIS). Ecological Engineering, 116, 1–6.

Kostopoulos, E. D., Spyropoulos, G. C., & Kaldellis, J. K. (2020). Real-world study for the optimal charging of electric vehicles. Energy Reports, 6, 418–426.

Lima, M. A., et al. (2020). Renewable energy in reducing greenhouse gas emissions: Reaching the goals of the Paris Agreement in Brazil. Environmental Development, 33, Article 100504.

Michalewicz, Z. (1996). Genetic algorithms + data structures = Evolution programs (3rd ed.). Springer.

Muratori, M., Kontou, E., & Eichman, J. (2019). Electricity rates for electric vehicle direct current fast charging in the United States. Renewable and Sustainable Energy Reviews, 113, Article 109235.

Neubauer, J., & Wood, E. (2014). The impact of range anxiety and home, workplace, and public charging infrastructure on simulated battery electric vehicle lifetime utility. Journal of Power Sources, 257, 12–20.

Noel, L., et al. (2019). Fear and loathing of electric vehicles: The reactionary rhetoric of range anxiety. Energy Research & Social Science, 48, 96–107.

Papazoglou, G., & Biskas, P. (2023). Review and comparison of genetic algorithm and particle swarm optimization in the optimal power flow problem. Energies, 16(3), 1152.

Pevec, D., et al. (2019). Electric vehicle range anxiety: An obstacle for the personal transportation (R)evolution? In 2019 4th International Conference on Smart and Sustainable Technologies (SpliTech) (pp. xx–xx). IEEE.

Ruan, J., & Song, Q. (2019). A novel dual-motor two-speed direct drive battery electric vehicle drivetrain. IEEE Access, 7, 54330–54342.

Singh, V., Singh, V., & Vaibhav, S. (2020). A review and simple meta-analysis of factors influencing adoption of electric vehicles. Transportation Research Part D: Transport and Environment, 86, Article 102436.

Xu, M., Yang, H., & Wang, S. (2020). Mitigate the range anxiety: Siting battery charging stations for electric vehicle drivers. Transportation Research Part C: Emerging Technologies, 114, 164–188.

Zhou, G., Zhu, Z., & Luo, S. (2022). Location optimization of electric vehicle charging stations: Based on cost model and genetic algorithm. Energy, 247, Article 123437.

Cover Image
Portada de divulgación de un artículo científico publicado en la Brazilian Journal of Production Engineering (BJPE). La imagen muestra un vehículo eléctrico conectado a una estación de carga rápida en una carretera, con varias estaciones de carga alineadas al fondo, representando la expansión de la infraestructura para la movilidad eléctrica. En la parte inferior aparece el título "Carga Inteligente en Carreteras", seguido por los autores Teixeira, T. de O. M. y Garcia, R. C. C. (2026), junto con los logotipos de las instituciones colaboradoras y de la BJPE.
Descargas
Publicado
2026-07-20
Número
Vol. 12 Núm. 5 (2026): Número especial VII Simposio sobre Ingeniería de Producción (SIENPRO)
Sección
Innovación, sostenibilidad y emprendimiento: caminos para transformar la ingeniería de producción.
Licencia

Derechos de autor 2026 Teixeira, T. de. O. M. & Garcia, R. C. C.

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.

Cómo citar

Teixeira, T. de O. M., & Garcia, R. C. (2026). Optimización de la instalación de cargadores para vehículos eléctricos en carreteras no urbanas: un estudio de caso de BR-386, Motiva Viasul, Brasil. Brazilian Journal of Production Engineering, 12(5), 166-173. https://doi.org/10.47456/bjpe.v12i5.53330