Centrais Elétricas Virtuais Impulsionam Flexibilidade da Rede com Estratégia de Licitação Baseada em IA
Numa era definida pela transição urgente para emissões líquidas zero, a integração de fontes de energia renovável e veículos elétricos (VE) nos sistemas de energia tornou-se uma necessidade e um desafio. Embora painéis solares e VEs prometam energia mais limpa e descentralizada, sua variabilidade inerente representa riscos significativos para a estabilidade da rede. É aqui que entram as centrais elétricas virtuais (VPP) – agregadores digitais que coordenam recursos energéticos distribuídos para atuar como uma única central elétrica despachável. Agora, um estudo revolucionário publicado na Power System Technology demonstra como o aprendizado de máquina avançado pode melhorar drasticamente a precisão e a rentabilidade das licitações de VPPs nos mercados de energia de dia seguinte.
Liderada por Guoji Zhang e sua equipe do Laboratório Chave de Controle Inteligente mais Limpo de Carvão e Eletricidade da Universidade de Tecnologia de Taiyuan, a pesquisa introduz uma estrutura inovadora que combina reconstrução do espaço de fases com regressão de processo gaussiano (GPR) para prever o “espaço de licitação” de uma VPP composta por sistemas fotovoltaicos (PV), clusters de VEs e armazenamento em baterias. Essa capacidade preditiva permite que os operadores de VPPs apresentem lances mais precisos e competitivos, reduzindo os desvios custosos entre os volumes de energia programados e liquidados – um ponto problemático comum nos mercados de energia do mundo real.
O conceito de “espaço de licitação” é central para o estudo. Ao contrário das centrais elétricas tradicionais com curvas de geração fixas, a flexibilidade operacional de uma VPP é dinâmica e varia no tempo. Sua capacidade de comprar ou vender eletricidade a qualquer hora depende do estado coletivo de seus ativos subjacentes: quantos VEs estão conectados, seu estado de carga, a produção solar prevista e a capacidade disponível dos sistemas de armazenamento. Este envelope multidimensional – abrangendo limites de potência, fronteiras de energia e restrições temporais – define a faixa operacional viável da VPP, ou “espaço de licitação”. Prever com precisão este espaço com 24 horas de antecedência é crítico para formular uma estratégia de mercado rentável.
Historicamente, muitos modelos trataram a disponibilidade de VEs e a geração PV como variáveis independentes, ignorando suas complexas interdependências temporais. Esta omissão frequentemente leva a planos de licitação superoptimistas que não podem ser fisicamente realizados, resultando em penalidades financeiras por desequilíbrios. A equipe de Zhang aborda esta lacuna tratando todo o espaço de licitação como uma série temporal caótica – um sistema que parece aleatório, mas contém estruturas determinísticas ocultas. Aplicando o teorema de imersão de Takens, eles reconstroem os dados históricos unidimensionais num espaço de fase de dimensão superior, efetivamente “desdobrando” o atrator que governa o comportamento do sistema. Esta técnica, emprestada da dinâmica não linear, revela padrões invisíveis nos dados brutos de séries temporais.
Uma vez reconstruído o espaço de fase, os investigadores implementam a regressão de processo gaussiano – um método de aprendizado de máquina probabilístico e não paramétrico, bem adequado para pequenos conjuntos de dados e quantificação de incerteza. Ao contrário das redes neurais profundas que requerem grandes volumes de dados de treinamento e longos tempos de computação, o GPR fornece não apenas uma previsão pontual, mas também um intervalo de confiança, permitindo uma tomada de decisão consciente do risco. O modelo é treinado em registros históricos de horários de conexão/desconexão de VEs, produção PV e estados de armazenamento, e aprende a antecipar os limites viáveis de potência e energia para cada intervalo de 15 minutos do dia seguinte.
A verdadeira inovação, no entanto, reside em como esta previsão é integrada no processo de licitação de mercado. A equipe desenvolveu uma estrutura de optimização em duas etapas. Na primeira etapa, cada VPP atua como um licitante estratégico, visando minimizar seu custo líquido de eletricidade (ou maximizar o lucro), apresentando curvas preço-quantidade que refletem seu espaço de licitação previsto. Crucialmente, esta etapa modela a interação competitiva entre múltiplas VPPs como um problema de equilíbrio de Nash – cada participante assume que as estratégias dos outros são fixas e optimiza de acordo. O resultado é um conjunto de lances que são economicamente racionais e fisicamente viáveis.
Na segunda etapa, um operador de mercado simulado liquida o mercado usando um mecanismo de preços marginais nodais (LMP), garantindo que o despacho final respeite as restrições da rede e o equilíbrio do sistema. O modelo penaliza os desvios entre o lance submetido pela VPP e o programa liquidado, imitando as tarifas de desequilíbrio do mundo real. Ao acoplar firmemente as camadas de previsão e optimização, a estrutura garante que os lances da VPP não são apenas agressivos, mas também confiáveis.
Para validar a sua abordagem, os investigadores realizaram simulações extensivas no sistema de distribuição de 38 nós RBTS – um banco de testes padrão em estudos de sistemas de energia. Eles configuraram quatro VPPs distintas em diferentes locais da rede, cada uma com misturas únicas de VEs, PV e armazenamento. Usando mais de 1.000 horas de dados do mundo real de carregamento de VEs e geração solar, compararam seu modelo GPR aprimorado com espaço de fase contra redes neurais convencionais de retropropagação (BP) e um GPR de base sem reconstrução do espaço de fase.
Os resultados foram convincentes. O método proposto superou consistentemente ambos os benchmarks em termos de precisão de previsão, especialmente durante períodos críticos de transição – como o amanhecer ou surtos de carregamento de VEs à noite – onde ocorrem mudanças rápidas na carga líquida. Mais importante ainda, a previsão melhorada traduziu-se diretamente em benefícios económicos. As VPPs usando o novo modelo reduziram seus custos de procura de eletricidade de dia seguinte em até 7% em comparação com aquelas que usam redes BP. Eles também experimentaram significativamente menos cortes pelo operador de mercado, significando que seus lances tinham maior probabilidade de serem totalmente aceites.
Uma descoberta particularmente impressionante foi a eficácia do modelo mesmo com dados históricos limitados. Em cenários com apenas 300 pontos de dados (aproximadamente 12 dias de intervalos de 15 minutos), o GPR de espaço de fase alcançou erros de previsão bem dentro do limiar de 10% que normalmente desencadeia penalidades de desequilíbrio em muitos mercados de eletricidade. Isto torna a abordagem altamente prática para novos operadores de VPP que carecem de histórico operacional extensivo.
Para além da economia, o estudo destaca o valor estratégico do carregamento bidirecional de VEs. Quando os VEs podem descarregar de volta para a rede (V2G), eles se tornam ativos de flexibilidade poderosos. As simulações mostraram que VPPs com frotas capazes de V2G poderiam arbitrar diferenças de preço – carregando durante as horas noturnas de baixo preço e descarregando durante os picos da tarde – reduzindo assim a dependência da rede principal e melhorando a integração renovável local. Esta capacidade é especialmente valiosa em regiões com alta penetração solar, onde a geração do meio-dia frequentemente excede a demanda local, causando colapsos de preços, enquanto as rampas noturnas sobrecarregam os geradores convencionais.
As implicações para os operadores de rede são igualmente significativas. À medida que mais VPPs adoptam tais estratégias de licitação inteligentes, a previsibilidade geral e a capacidade de despacho dos recursos distribuídos melhoram. Isto reduz a necessidade de reservas rotativas caras e facilita uma maior penetração renovável sem comprometer a confiabilidade. Além disso, ao alinhar o carregamento de VEs com as necessidades da rede, a abordagem ajuda a achatar a famosa “curva de pato”, aliviando a pressão sobre as centrais térmicas durante as rápidas rampas noturnas.
De uma perspectiva política, a pesquisa sublinha a importância das regras de mercado que recompensam a precisão e a flexibilidade. Os mercados de eletricidade atuais muitas vezes penalizam os desequilíbrios, mas fornecem incentivos limitados para previsões precisas. O sucesso do modelo de Zhang sugere que os reguladores poderiam melhorar ainda mais a eficiência do mercado, introduzindo mecanismos que recompensem as VPPs por apresentarem lances confiáveis – talvez através de tarifas de desequilíbrio reduzidas ou direitos de despacho prioritários.
Olhando para o futuro, a equipe reconhece que a implantação no mundo real exigirá abordar camadas adicionais de incerteza – não apenas na disponibilidade de recursos, mas também no comportamento dos participantes do mercado e em eventos climáticos extremos. Seu próximo passo é desenvolver um modelo de licitação robusto que contabilize explicitamente a natureza estocástica do espaço de licitação, potencialmente usando optimização robusta de distribuição ou programação estocástica baseada em cenários.
No entanto, este trabalho representa um grande salto em frente na inteligência operacional das centrais elétricas virtuais. Ao fundir conceitos da teoria do caos, aprendizado de máquina e economia de mercado, Zhang e seus colegas criaram uma estrutura que é teoricamente rigorosa e praticamente viável. À medida que os mercados de eletricidade em todo o mundo evoluem para acomodar o futuro descentralizado e descarbonizado, tais inovações serão indispensáveis.
Para utilities, agregadores e formuladores de políticas, a mensagem é clara: o futuro da flexibilidade da rede reside não apenas em mais baterias ou inversores mais inteligentes, mas em algoritmos mais inteligentes que podem liberar todo o potencial dos ativos existentes. E com este estudo, o caminho a seguir tornou-se significativamente mais claro.
Autorado por Guoji Zhang, Yanbing Jia, Xiaoqing Han e Ze Zhang do Laboratório Chave de Controle Inteligente mais Limpo de Carvão e Eletricidade (Universidade de Tecnologia de Taiyuan), Ministério da Educação, Taiyuan 030024, Província de Shanxi, China. Publicado em Power System Technology, Vol. 48, No. 9, Setembro de 2024. DOI: 10.13335/j.1000-3673.pst.2024.0234.