Clusters de VE otimizam redes de energia e tráfego
A rápida evolução da mobilidade elétrica não está apenas transformando a forma como nos deslocamos, mas também a infraestrutura que sustenta nossa vida moderna. Os veículos elétricos (VEs) deixaram de ser vistos simplesmente como substitutos dos motores de combustão interna para se tornarem ativos dinâmicos e inteligentes capazes de conectar dois sistemas críticos: a rede de transporte e a rede elétrica. Essa convergência, muitas vezes denominada “rede de acoplamento energia-transporte”, oferece uma oportunidade única para melhorar a eficiência, a sustentabilidade e a resiliência de ambos os sistemas. No entanto, aproveitar todo esse potencial exige ir além de modelos simplistas e abraçar a interação complexa e dinâmica entre onde os VEs vão e como consomem eletricidade. Um estudo pioneiro da Universidade de Tecnologia de Kunming, publicado na prestigiosa revista Automation of Electric Power Systems (AEPS), oferece uma solução sofisticada, propondo uma nova estratégia para desbloquear a plena flexibilidade dos clusters de VEs por meio de uma otimização coordenada e dinâmica.
O desafio é multifacetado. Por um lado, o carregamento não coordenado de uma frota crescente de VEs pode causar uma tensão significativa nas redes de distribuição elétrica locais, provocando flutuações de tensão, sobrecarga de equipamentos e custos operacionais mais elevados para as empresas de energia. Isso é particularmente acentuado durante os horários de pico, quando a demanda por eletricidade já está alta. Por outro lado, as decisões que os motoristas de VEs tomam — para onde ir, qual rota seguir e qual estação de carregamento usar — são profundamente influenciadas pelas condições de tráfego em tempo real, pela disponibilidade das estações e pelos preços. Isso cria um ciclo de feedback: o congestionamento do tráfego pode gerar filas nas estações de carregamento mais populares, o que, por sua vez, desencoraja os motoristas a usá-las, possivelmente desviando a demanda de tráfego e carregamento para locais menos ideais. Isso pode resultar em uma distribuição desigual da carga, em que algumas partes da rede estão sobrecarregadas enquanto outras permanecem subutilizadas, e algumas estradas estão congestionadas enquanto outras estão vazias. A chave para quebrar esse ciclo e alcançar um sistema harmônico e eficiente está em tratar o VE não como um consumidor passivo, mas como um participante ativo e flexível em uma rede maior e integrada.
A pesquisa, liderada pelo professor Liu Zhijian e sua equipe, incluindo os estudantes de pós-graduação Dai Jing e Yang Lingrui, aborda diretamente esse desafio. Seu trabalho supera as limitações de estudos anteriores, que muitas vezes examinavam os sistemas de energia e transporte de forma isolada ou utilizavam modelos estáticos que não conseguem capturar a natureza fluida e em tempo real dos fluxos de tráfego e energia. Por exemplo, modelos anteriores poderiam ter determinado um preço ótimo de carregamento para uma estação com base em um único instantâneo da demanda, ignorando como esse preço influenciaria o comportamento dos motoristas na hora seguinte, à medida que os padrões de tráfego mudavam. Outros modelos tentaram orientar os motoristas com base apenas no caminho físico mais curto, uma estratégia que é fundamentalmente egoísta e leva à “tragédia dos comuns”, em que a escolha ótima individual de todos resulta em um resultado coletivamente subótimo: congestionamento e estresse na rede.
A inovação central da abordagem da equipe de Kunming é sua estrutura de otimização de dois níveis dinâmicos. Esse modelo não observa apenas a rede elétrica ou a rede viária; ele cria um diálogo contínuo entre os dois, utilizando um conceito poderoso chamado “custo instantâneo de viagem por fluxo unitário” como um sinal universal. Esse custo não é uma simples soma de combustível e pedágios. Em vez disso, é uma métrica sofisticada e em tempo real que encapsula a carga econômica total de uma viagem em um determinado momento. Inclui o custo direto da eletricidade para o carregamento, o valor do tempo do motorista durante a viagem (o “custo do tempo”) e um novo elemento crucial: um custo de penalidade pelos atrasos causados por esperar em fila em uma estação de carregamento. Ao integrar esses fatores, o modelo cria uma visão holística da saúde do sistema.
O processo começa com uma simulação detalhada da rede de tráfego dinâmico. Os pesquisadores utilizam um método chamado Carregamento de Rede Dinâmico (Dynamic Network Loading, DNL) para modelar como o tráfego flui pelas estradas e cruzamentos da cidade ao longo do tempo. Uma característica fundamental do seu modelo é o uso de “arcos virtuais” para representar tanto os pontos de partida das viagens quanto as próprias estações de carregamento. Essa abstração elegante permite que o processo complexo de esperar e carregar em uma estação seja tratado matematicamente da mesma forma que dirigir por uma estrada, com seu próprio “tempo de viagem” que aumenta à medida que mais VEs se juntam à fila. Esse tempo de viagem é calculado usando uma “função de impedância do arco”, uma relação matemática que mostra como o tempo para atravessar um segmento — seja uma estrada física ou um arco de carregamento virtual — aumenta de forma não linear à medida que o número de veículos que o utilizam cresce. Isso captura a realidade de que adicionar um carro a mais a uma estrada pouco movimentada tem pouco impacto, mas adicionar um carro a mais a uma rodovia muito congestionada pode desacelerar drasticamente todos os outros.
Com esse modelo de tráfego dinâmico em vigor, o foco se desloca para os próprios VEs. Os pesquisadores reconhecem que nem todos os VEs são iguais. Eles vêm em diferentes tipos — carros particulares, ônibus, veículos de compartilhamento de corridas — cada um com padrões de condução, tamanhos de bateria e necessidades de carregamento distintos. Mais importante ainda, a flexibilidade de um único VE não é estática; ela depende do seu estado de carga atual, seu destino e quanto tempo pretende permanecer em uma estação de carregamento. A equipe desenvolve um “domínio de operação flexível” para cada VE, uma representação matemática de todos os possíveis padrões de carregamento e descarregamento que ele pode seguir enquanto ainda atende às necessidades do seu motorista. Esse domínio define os limites superior e inferior da potência que o VE pode absorver da rede ou fornecer a ela em um determinado momento.
O verdadeiro poder do modelo reside em sua capacidade de agregar milhares de VEs individuais em um único “cluster” gerenciável. Tentar gerenciar cada VE individualmente seria computacionalmente impossível. Para resolver isso, os pesquisadores empregam uma técnica matemática sofisticada conhecida como soma de Minkowski, combinada com uma aproximação linear usando uma forma geométrica chamada “zonótopo”. Isso permite que eles combinem de forma eficiente os domínios de operação flexível de centenas ou milhares de VEs em um único domínio de operação flexível, variável no tempo, para todo o cluster em uma determinada estação de carregamento. Esse cluster agregado pode então ser tratado como uma grande bateria virtual, uma unidade de “armazenamento de energia generalizado” que a rede elétrica pode despachar para ajudar a equilibrar oferta e demanda.
É aqui que as duas camadas do modelo se unem em um poderoso loop de feedback. A camada superior é o modelo de Otimização da Rede de Transporte (TNO), que busca minimizar o custo total de viagem para todos os usuários de VE em toda a rede. Ele utiliza o “custo instantâneo de viagem por fluxo unitário” em tempo real para orientar os motoristas para as rotas e estações de carregamento mais eficientes. Esse custo é derivado do estado atual da rede: preços altos de eletricidade em uma estação, tráfego pesado em uma rota ou longas filas em um carregador aumentarão o custo de usar esse caminho, desencorajando os motoristas de escolhê-lo.
A camada inferior é o modelo de Otimização da Rede de Distribuição (DNO), que se concentra na operação econômica e estável da rede elétrica. Seu objetivo é minimizar os custos, que incluem a despesa com a operação de geradores tradicionais, as penalidades por ter que cortar (desperdiçar) energia renovável de parques eólicos ou solares quando há oferta excessiva e as penalidades por ter que interromper (cortar) energia para clientes não VE durante períodos de alta demanda. O modelo DNO utiliza o domínio de operação flexível agregado dos clusters de VE como uma poderosa nova ferramenta. Quando a geração renovável é alta e os preços da eletricidade são baixos, o modelo pode sinalizar à camada TNO para incentivar mais VEs a carregar em estações conectadas a essa parte da rede, efetivamente armazenando o excesso de energia limpa. Por outro lado, quando a demanda é alta e os preços disparam, o modelo pode incentivar os VEs a descarregar energia de volta para a rede (vehicle-to-grid, ou V2G), ajudando a atender a demanda de pico e evitando penalidades custosas.
A genialidade do sistema está em sua natureza iterativa. O modelo TNO calcula os fluxos de tráfego com base nos custos atuais. Esses fluxos determinam quais VEs estão em quais estações de carregamento e por quanto tempo, o que por sua vez define o domínio de operação flexível disponível para o modelo DNO. O modelo DNO então calcula um novo conjunto de preços ótimos de eletricidade e custos do sistema. Esses preços atualizados são devolvidos ao modelo TNO, alterando o “custo instantâneo de viagem por fluxo unitário” e levando os motoristas a ajustar seu comportamento. Esse ciclo se repete até que o sistema atinja um estado ótimo e estável em que as decisões dos motoristas e as necessidades da rede elétrica estão perfeitamente alinhadas.
Para validar seu modelo complexo, os pesquisadores realizaram um estudo de caso detalhado baseado em uma versão reconstruída da rede de transporte Nguyen, um benchmark padrão no campo. Eles simularam uma rede com quatro estações de carregamento, cada uma conectada a uma parte diferente de uma rede elétrica simulada. Duas estações estavam localizadas perto de parques eólicos, uma perto de uma fazenda solar e uma sem geração renovável local, criando um cenário diversificado e realista. A simulação foi executada por um período de 8 horas, dividido em intervalos de 5 minutos, com três tipos diferentes de VEs compreendendo a frota.
Os resultados foram impressionantes. Em comparação com uma estratégia tradicional de “caminho mais curto”, o novo modelo de coordenação dinâmica demonstrou vantagens profundas. No cenário do caminho mais curto, os motoristas naturalmente se dirigiram às duas estações de carregamento mais próximas (c3 e c4). Isso levou a um congestionamento severo, com volumes de tráfego nas estradas de ligação excedendo sua capacidade e tempos de viagem disparando. Enquanto isso, as estradas que levam às outras duas estações (c1 e c2) permaneceram completamente sem uso, um desperdício massivo de infraestrutura. Esse congestionamento se traduziu em um custo total de viagem 47% mais alto para os usuários, principalmente devido ao imenso tempo perdido no tráfego.
A história do lado da rede elétrica foi igualmente dramática. Como nenhum VE estava carregando nas estações c1 e c2, aquelas partes da rede tinham zero flexibilidade. Quando o vento soprava forte em c2, a energia excedente não tinha para onde ir e era desperdiçada, incorrendo em altas “penalidades por corte”. Da mesma forma, quando a demanda local aumentou em c1, a rede não tinha forma de atendê-la com recursos flexíveis de VE e teve que recorrer a geradores de reserva caros e poluentes. O custo operacional total para a rede elétrica foi significativamente mais alto.
Em contraste marcante, o modelo de coordenação dinâmica alcançou um resultado equilibrado e eficiente. O “custo instantâneo de viagem por fluxo unitário” guiou com sucesso os motoristas para longe das rotas congestionadas e para as estações subutilizadas. O fluxo de tráfego foi distribuído de forma muito mais uniforme pela rede, sem que nenhuma estrada experimentasse congestionamento paralisante. Isso por si só levou a uma redução substancial no tempo de viagem e no custo para os usuários.
O impacto na rede elétrica foi transformador. Os clusters de VE em todas as quatro estações tornaram-se participantes ativos na estabilidade da rede. Na estação c2, o modelo orientou com sucesso um grande número de VEs para carregar durante períodos de alta geração eólica, absorvendo 67,9% da energia eólica que de outra forma seria desperdiçada. Na estação c3, conseguiu utilizar 61,7% do excesso de energia solar. Essa capacidade de “absorver” energia renovável não apenas reduziu o desperdício, mas também baixou o custo geral da eletricidade. Além disso, a ampla disponibilidade de clusters de VE flexíveis permitiu que a rede atendesse melhor à demanda de pico. O modelo mostrou um aumento significativo na “capacidade de fornecimento de carga”, o que significa que os VEs puderam fornecer mais energia à rede quando necessário, reduzindo a necessidade de interrupções de carga custosas. Em geral, o estudo descobriu que a estratégia coordenada levou a um aumento de 33% no consumo de energia renovável e um aumento de 25,8% na resposta de fornecimento de carga em comparação com a estratégia de caminho mais curto.
As implicações dessa pesquisa são de grande alcance. Ela fornece um quadro robusto e matematicamente sólido para o futuro das cidades inteligentes. Em vez de ver os VEs como um problema a ser gerenciado, este trabalho mostra como eles podem ser parte central da solução. Ao criar um canal de comunicação perfeito e em tempo real entre os sistemas de transporte e energia, as cidades podem alcançar um nível de eficiência e sustentabilidade que antes era inatingível. Os motoristas se beneficiam de tempos de viagem mais curtos e previsíveis e potencialmente custos de carregamento mais baixos. As empresas de energia se beneficiam de uma rede mais estável, resiliente e econômica. A sociedade se beneficia de menores emissões de gases de efeito estufa e uma transição mais rápida para um futuro de energia renovável.
Liu Zhijian, Dai Jing, Yang Lingrui, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230728004