A Agregação de VE Está a Transformar o Planeamento de Armazenamento em Escala de Rede — e Por Que Isso Importa
Num recanto discreto do setor energético chinês, ocorre uma mudança subtil mas poderosa. Engenheiros e investigadores começam a tratar os veículos elétricos não apenas como consumidores de energia, mas como ativos de rede dinâmicos e móveis. Esta mudança de perspetiva está a desbloquear novas estratégias para a implantação de armazenamento de energia, particularmente ao nível da distribuição, onde a volatilidade das renováveis e a incerteza da carga há muito que complicam o planeamento.
Um estudo inovador, recentemente publicado na Energy Storage Science and Technology por Luo Shigang, Teng Jie e Tan Zhuangxi, oferece um dos planos mais claros até agora de como esta integração pode — e deve — ser feita. O artigo introduz uma nova estrutura de otimização estocástica de dois estágios para localizar e dimensionar sistemas de armazenamento de energia conectados à rede, com uma característica especialmente notável: incorpora explicitamente a flexibilidade despachável de estações de carregamento de veículos elétricos (VE) agregadas no processo de planeamento. E os resultados não são incrementais — são transformadores.
À primeira vista, a ideia parece óbvia: se milhões de VEs já se conectam à rede todos os dias, por que não tratá-los como uma carga coletiva e controlável (ou, por vezes, como um recurso de energia distribuído)? Mas o diabo, como sempre, está nos detalhes — na fidelidade da modelagem, na tratabilidade computacional e nas restrições operacionais do mundo real. O método da equipa contorna muitos dos obstáculos tradicionais. Em vez de afogar os planeadores em problemas de otimização de alta dimensão ou exigir dados individuais de cada VE, eles usam um modelo baseado na soma de Minkowski com aproximação de segunda ordem para descrever a região agregada viável de uma estação de carregamento. Este modelo captura a flexibilidade essencial de uma frota de VEs — horários de chegada, horários de partida, requisitos de estado de carga — mas sem a explosão combinatória que historicamente tornou tais abordagens impraticáveis para o planeamento em larga escala.
O que faz este trabalho destacar-se num campo lotado é o seu realismo operacional. Muitas vezes, os estudos de planeamento de armazenamento de energia tratam o armazenamento como uma caixa negra: carregar quando é barato, descarregar quando é caro. Essa abordagem, embora economicamente intuitiva, pode sair pela culatra. Nalguns casos, o comportamento de armazenamento em larga escala orientado por arbitragem pode até agravar a congestão da rede — introduzindo novos picos onde não existiam, ou transferindo stress de um alimentador para outro. Luo e os seus colegas evitam esta armadilha ao fazer do equilíbrio espaço-temporal do fluxo de potência o objetivo central — não apenas a minimização de custos ou a maximização pura de lucro.
Pense nisto como no planeamento de tráfego urbano: não se quer apenas menos carros na estrada; quer-se tráfego mais suave e uniformemente distribuído ao longo do tempo e entre faixas. Da mesma forma, o indicador de equilíbrio da equipa quantifica quão uniformemente a corrente flui por todos os ramos e intervalos de tempo. Minimizar esta métrica leva a perfis de tensão mais planos e resilientes, reduz o stress térmico em linhas e transformadores e diminui o risco de falhas em cascata. É uma métrica de nível sistémico — exatamente o tipo de métrica de pensamento avançado que os operadores de rede necessitam à medida que os recursos de energia distribuída se multiplicam.
O modelo também contorna elegantemente outra dor de cabeça clássica: como representar as perdas de energia durante os ciclos de carga/descarga sem incapacitar o resolvedor com variáveis binárias ou não linearidades. A sua solução? Substituir as ineficiências internas da bateria por um ramo de resistência virtual nas equações de fluxo de potência — um truque pequeno mas elegante, emprestado da literatura avançada de modelagem de distribuição. Isto lineariza a representação das perdas, preservando a fidelidade física, e funciona perfeitamente com as relaxações cónicas das equações Distflow, que a equipa usa para garantir escalabilidade computacional e precisão da solução.
Mas talvez a perceção mais importante desta pesquisa não esteja na matemática — esteja nas implicações.
Quando os autores testaram a sua estrutura num sistema de distribuição IEEE 33-bus modificado, encontraram algo surpreendente: à medida que a proporção controlável de VEs aumentou — de 20% para 80% — a capacidade ótima de armazenamento de energia instalada aumentou ligeiramente, ao contrário da expetativa ingénua de que mais flexibilidade dos VEs substituiria o armazenamento por baterias. Porquê?
Porque os VEs e o armazenamento estacionário não são substitutos — são complementares. Os VEs oferecem capacidade de deslocamento de carga de curto prazo e altamente granular, ideal para suavizar a produção solar intradiária ou resposta rápida a quedas de tensão locais. O armazenamento estacionário, especialmente quando co-localizado com geração fotovoltaica, fornece um deslocamento de energia de maior duração — movendo o excesso de solar do meio do dia para as horas de ponta do final do dia, por exemplo. Juntos, eles cobrem diferentes fatias do espetro de flexibilidade. O modelo reconhece esta sinergia e aloca os recursos em conformidade.
Mais crucialmente, o impacto no carbono é dramático. Com apenas 50% de controlabilidade dos VEs, as emissões diárias de carbono caíram mais de 18% no caso de teste — não por adicionar mais geração, mas por uma coordenação mais inteligente. Uma maior participação dos VEs elevou essa redução para quase 30%. Entretanto, a limitação fotovoltaica despencou: a utilização solar saltou de cerca de 86% no caso base para mais de 97% quando os VEs e o armazenamento otimizado operaram em conjunto.
Isto não é teórico. A geração de cenários do estudo utiliza registos de carregamento do mundo real — horários de início, horários de paragem, energia total fornecida — de uma rede provincial de carregamento de VEs na China. E o modelo de agregação de segunda ordem mostrou-se notavelmente preciso: quando validado contra o agendamento completo individual de cada VE, o seu erro quadrático médio no rastreamento de potência agregada caiu para quase zero uma vez que mais de 50 VEs estavam na pool de uma estação. Esse é o limiar onde a suavização estatística entra em ação — e onde os planeadores podem tratar confiantemente um hub de carregamento como uma carga previsivelmente flexível, muito parecido com um pequeno recurso do lado da procura de resposta rápida.
De uma perspetiva utility, a economia também faz sentido. No caso de estudo, o armazenamento instalado — 2,25 MWh no Nó 16 e 3,32 MWh no Nó 21 — custou aproximadamente 2,3 milhões de RMB anuais (amortizados), mas gerou 3,46 milhões de RMB em benefícios anuais: 2,67 milhões de RMB em compras de energia reduzidas, 0,12 milhões de RMB em melhorias de rede diferidas e 0,67 milhões de RMB em custos de conformidade de carbono evitados. Isso representa um retorno do investimento de 150% — e inclui o custo do próprio armazenamento.
Este tipo de resultado inverte a narrativa tradicional. O armazenamento de energia é frequentemente visto como um centro de custo — um amortecedor necessário para acomodar as renováveis. Aqui, é um multiplicador de valor: permite uma melhor coordenação com os VEs, que por sua vez desbloqueia mais penetração de renováveis, o que então justifica ainda mais armazenamento. É um ciclo virtuoso.
Claro, a implementação no mundo real não é trivial. O modelo assume uma coordenação centralizada das estações de carregamento — algo que requer infraestrutura de comunicação robusta, APIs padronizadas (como OCPP 2.0) e quadros regulatórios que permitam que os agregadores licitem flexibilidade nos mercados de serviços de rede. Também pressupõe uma previsão precisa dos padrões de chegada/partida dos VEs, o que permanece desafiador em ambientes urbanos não estruturados.
Mas os sinais apontam para a viabilidade. Na Califórnia, utilities como a PG&E já estão a pilotar programas de “carregamento gestionado” onde os EVSEs respondem a sinais de preço ou de fiabilidade. No Reino Unido, o serviço “Resposta Dinâmica de Frequência” da National Grid aceita agora licitações de frotas de VEs. E na China — onde esta pesquisa se origina — a State Grid Corporation tem implantado agressivamente zonas piloto vehicle-to-grid (V2G) em cidades como Shenzhen e Nanjing. As peças estão a encaixar.
O que faltava, até agora, era uma metodologia de planeamento suficientemente sofisticada para antecipar esta convergência — e otimizar a rede para ela, com anos de antecedência. A maioria dos estudos de localização de armazenamento ainda trata as cargas como passivas, as renováveis como exógenas e os VEs como ruído. Este artigo muda isso. Força os planeadores a perguntar: Onde colocamos o armazenamento não apenas para amortecer a solar, mas para permitir que os VEs se tornem participantes ativos da rede?
A resposta, afinal, é a co-localização estratégica. No caso de teste IEEE-33, o armazenamento foi colocado nos Nós 16 e 21 — não por coincidência, os mesmos alimentadores que acolhem conjuntos fotovoltaicos e aglomerados de carregamento de VEs. Isto cria micro-hubs locais de flexibilidade: a solar carrega as baterias durante o dia; as baterias e o carregamento coordenado de VEs suportam conjuntamente o pico da tarde; a capacidade de descarga excedente dos VEs (quando disponível e consentida) fornece serviços auxiliares.
É uma visão da rede de distribuição não como um pipeline unidirecional, mas como uma malha de nós de flexibilidade inteligentes e interativos — onde os ativos comunicam, negociam e adaptam-se em tempo real.
Criticalmente, os autores evitam exagerar. Eles não assumem que todos os VEs são capazes de V2G (uma tecnologia ainda incipiente); em vez disso, focam-se no carregamento inteligente unidirecional, que é muito mais implantável hoje. Eles não exigem previsão perfeita — a incerteza na solar e na carga é tratada via redução de cenários K-Medoids, um algoritmo de clustering robusto que preserva as características distribucionais melhor do que o simples k-means. E eles não ignoram os limites de hardware: restrições de estado de energia da bateria, ratings do conversor e limites térmicos da linha são todos explicitamente aplicados via formulações de cone de segunda ordem, que garantem uma otimalidade quase global.
O uso da decomposição de Benders pelo método também é notável. Ao separar as decisões de investimento (primeiro estágio: onde e quanto construir) das decisões operacionais (segundo estágio: como despachar o armazenamento e os VEs em centenas de cenários), alcança-se tanto escalabilidade como realismo. O problema mestre converge em menos de 30 iterações — um instante para um sistema tão complexo — e cada subproblema (um por cenário) pode ser resolvido em paralelo, tornando a abordagem viável mesmo para alimentadores maiores.
Olhando para o futuro, esta estrutura poderia ser facilmente estendida. E se alguns VEs apoiarem V2G? O modelo pode absorver curvas de potência bidirecionais com modificação mínima. E se os camhões pesados a hidrogénio se juntarem à mistura? Os seus tempos de reabastecimento mais longos e maiores demandas de energia simplesmente alterariam os parâmetros da região agregada viável. A arquitetura central é modular e extensível.
Mais profundamente, este trabalho desafia uma suposição profundamente enraizada no planeamento de utilities: que a modelagem de carga passiva e de pior caso é “conservadora” — e, portanto, segura. Na realidade, num mundo de flexibilidade distribuída, ignorar os recursos controláveis é a postura mais arriscada de todas. Leva a sobre-investimento em cabos e transformadores, armazenamento subutilizado, renováveis encalhadas e oportunidades de descarbonização perdidas.
A contribuição de Luo, Teng e Tan é fornecer uma alternativa rigorosa e implementável — uma metodologia de planeamento que não apenas tolera a incerteza, mas que a aproveita. Ao tratar os VEs não como uma ameaça à estabilidade da rede, mas como um reservatório latente de capacidade adaptativa, eles abriram um novo espaço de desenho para a rede de distribuição: um que não é apenas mais limpo ou mais barato, mas mais inteligente, mais resiliente e fundamentalmente mais centrado no ser humano — concebido em torno de como as pessoas realmente vivem, conduzem e carregam.
No final, o número mais importante deste estudo não é o ROI de 150% ou o corte de emissões de 30%. É a mensagem implícita: a rede do futuro não será construída apesar dos veículos elétricos. Será construída com eles — em parceria ativa.
E, pela primeira vez, temos um plano para fazer isso corretamente.
Luo Shigang¹, Teng Jie², Tan Zhuangxi³ ¹ Instituto de Pesquisa Económica e Tecnológica da State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, China ² State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, China ³ Universidade de Ciência e Tecnologia de Hunan, Xiangtan 411100, China Energy Storage Science and Technology DOI: 10.19799/j.cnki.2095-4239.2023.0310