Controle Inteligente de Tensão: IA Gerencia Redes com Energia Solar e Veículos Elétricos
A integração massiva de energias renováveis e veículos elétricos (VEs) nas redes de distribuição elétrica representa um dos desafios mais significativos e urgentes da transição energética global. Enquanto a energia solar fotovoltaica (FV) e os veículos elétricos oferecem um caminho claro para a descarbonização do setor de transporte e da geração de eletricidade, sua adoção acelerada introduz complexidades operacionais sem precedentes. A natureza intermitente da geração solar, que atinge seu pico durante as horas centrais do dia, e os padrões de carregamento dos veículos elétricos, que tendem a se concentrar nas tardes e noites, geram flutuações extremas na demanda e oferta de eletricidade. Essas flutuações podem causar desvios de tensão significativos, tanto sobretensões quanto subtensões, ameaçando a estabilidade, a segurança e a qualidade do fornecimento de energia. As redes elétricas tradicionais, projetadas para um fluxo unidirecional de energia de grandes usinas para consumidores passivos, não estão equipadas para lidar com essa bidirecionalidade dinâmica. Neste contexto, a inovação tecnológica não é apenas desejável, mas essencial para garantir um sistema energético resiliente e sustentável. Uma equipe de pesquisadores da Universidade de Shandong apresentou uma solução revolucionária na revista Power System Protection and Control, baseada em uma estratégia de aprendizado por reforço profundo (deep reinforcement learning, DRL) hierárquica e multi-escala. Esta abordagem baseada em inteligência artificial (IA) coordena em tempo real uma variedade de recursos controláveis, desde inversores solares até o comportamento de carregamento de milhares de veículos elétricos, para estabilizar de forma eficiente e confiável a qualidade da tensão na rede.
O estudo, liderado por QI Xianglong, CHEN Jian, ZHAO Haoran, ZHANG Wen e ZHANG Keyu do Laboratório Chave de Despacho e Controle Inteligente do Sistema de Energia da Universidade de Shandong, marca uma mudança de paradigma na gestão de redes elétricas. Em vez de depender de métodos de controle tradicionais, que muitas vezes exigem modelos matemáticos precisos do sistema e condições de comunicação perfeitas, os pesquisadores desenvolveram um sistema guiado por dados. Sua estratégia aborda o cerne do problema: a diferente velocidade de resposta dos diversos recursos de controle disponíveis. Dispositivos como compensadores de var estáticos (SVC) ou inversores fotovoltaicos podem ajustar sua saída de potência reativa em segundos ou minutos, tornando-os ideais para controle fino. Por outro lado, influenciar o comportamento de carregamento dos proprietários de veículos elétricos é um processo muito mais lento, medido em horas, pois depende de decisões humanas. Tentar controlar todos esses recursos com uma única estratégia unificada seria ineficiente e poderia gerar sinais de controle contraditórios.
Para resolver este dilema, os pesquisadores projetaram uma arquitetura de controle hierárquica de dois níveis, que separa deliberadamente as tarefas de controle de acordo com seu horizonte temporal e velocidade de resposta. O nível inferior, que opera em uma escala de tempo curta de 15 minutos, é responsável pelo controle físico direto e de precisão. Ele controla a potência reativa dos inversores FV e das instalações SVC. Esses dispositivos podem gerar ou absorver potência reativa, o que é crucial para corrigir problemas de tensão local sem afetar a potência ativa transmitida. Este nível utiliza uma abordagem multiagente (Multi-Agent DRL, MADRL), onde cada inversor e cada instalação SVC possui seu próprio agente inteligente. Esses agentes são treinados de forma centralizada, permitindo que aprendam com as interações de toda a rede e atuem de maneira cooperativa. No entanto, na execução prática, atuam de forma descentralizada, baseando-se exclusivamente em medições locais em seu ponto de conexão à rede. Este conceito de “treinamento centralizado com execução descentralizada” (CTDE) é uma vantagem chave, pois aumenta a robustez do sistema. Mesmo que a comunicação entre os diferentes dispositivos falhe, os agentes locais podem continuar a cumprir suas tarefas de controle de forma autônoma e eficaz, fortalecendo a resiliência de toda a rede.
O nível superior da arquitetura atua em uma escala de tempo mais longa, com intervalos de decisão de uma hora. Seu elemento de controle principal não é um dispositivo físico, mas um sinal econômico: o preço da eletricidade em tempo real. Em vez de controlar diretamente a potência de carregamento dos veículos elétricos, este nível influencia indiretamente o comportamento dos usuários por meio da fixação dinâmica de preços. Ao ajustar o preço da eletricidade em tempo real, o sistema cria incentivos financeiros para que os usuários desloquem suas sessões de carregamento para momentos que sejam benéficos para a rede. Por exemplo, se uma alta produção solar ao meio-dia causar uma sobretensão, o preço pode ser reduzido para encorajar os proprietários de veículos elétricos a carregar seus veículos naquele momento, consumindo assim o excesso de energia verde. Em contrapartida, o preço pode ser aumentado à tarde, quando a produção solar diminui e a demanda geral de eletricidade aumenta, para evitar uma carga adicional causada por muitos veículos elétricos carregando simultaneamente. Este nível trata a potência de carregamento agregada dos veículos elétricos como um recurso de resposta lenta e de grande escala que pode ser gerenciado por meio de incentivos econômicos.
Um fator crítico de sucesso desta estratégia é a modelagem precisa do comportamento humano. A eficácia do nível superior depende da capacidade de prever com precisão como os usuários responderão às mudanças de preço. Os pesquisadores desenvolveram um modelo probabilístico detalhado que leva em conta os diferentes padrões de deslocamento e estacionamento dos proprietários de veículos elétricos. Eles classificaram os usuários de acordo com seu propósito principal de viagem: ir ao trabalho, voltar para casa ou atividades de lazer, pois cada um tem horários de chegada e saída característicos nas estações de carregamento. Esses padrões foram modelados com distribuições estatísticas (distribuições normais). Além disso, o modelo considera o estado de carga atual (State of Charge, SOC) da bateria do veículo e a autonomia desejada ao sair do ponto de carregamento. Combinando esses fatores, o modelo pode prever as “janelas de carregamento” de cada usuário. Ele calcula então o incentivo financeiro (a diferença entre o custo de carregar ao preço atual e o custo de um momento potencialmente mais barato) e deriva disso a probabilidade de um usuário mudar seu comportamento de carregamento. Isso permite que o nível de controle superior faça previsões fundamentadas sobre o impacto agregado de suas decisões de preços.
Para avaliar a eficácia de sua estratégia DRL hierárquica, os pesquisadores realizaram simulações extensivas em uma rede modificada de 33 nós IEEE, um modelo padrão na pesquisa de redes elétricas. A rede de teste incluía três usinas FV de 1,5 megawatts, três instalações SVC, bancos de capacitores comutáveis (SC) e três estações de carregamento, cada uma servindo a 700 veículos elétricos. Para uma simulação realista, foram utilizados dados reais de geração FV e carga da Bélgica. Os resultados foram convincentes: a estratégia proposta manteve a tensão em todos os pontos da rede dentro da faixa de operação segura de 0,93 a 1,07 p.u. (por unidade), evitando assim de forma eficaz tanto sobretensões quanto subtensões.
Para uma avaliação objetiva, a nova estratégia foi comparada com vários cenários de referência. Um cenário básico que usava apenas os dispositivos rápidos (FV e SVC), sem influenciar os veículos elétricos por meio de incentivos de preço, causou flutuações de tensão significativas, especialmente durante os picos de carga vespertinos. Um cenário com um preço de tempo de uso (Time-of-Use) fixo estabelecido no dia anterior melhorou a situação, mas não conseguiu compensar as flutuações dinâmicas do dia. Outro cenário que tentava controlar todos os dispositivos na mesma escala de tempo horária mostrou um desempenho deficiente, destacando a necessidade da separação baseada em escalas de tempo. Mesmo um algoritmo de otimização consolidado, o Particle Swarm Optimization (PSO), foi superado pela estratégia DRL.
A estratégia DRL hierárquica obteve a menor desvio médio de tensão. Em comparação com o cenário básico, reduziu-o em 38%, e em comparação com as outras estratégias avançadas, entre 16% e 18%. Essa melhoria no desempenho significa uma melhoria significativa na qualidade, confiabilidade e eficiência da rede. As implicações desta pesquisa são amplas. Para os operadores de rede, oferece uma ferramenta poderosa para gerenciar a crescente penetração de energias renováveis e veículos elétricos sem depender de expansões de infraestrutura custosas e demoradas. Pode adiar ou mesmo evitar investimentos em novos transformadores ou linhas elétricas. Para os consumidores, abre a possibilidade de participar ativamente no mercado energético e reduzir suas contas de eletricidade por meio de um carregamento inteligente, contribuindo ao mesmo tempo para a estabilidade da rede. Para os responsáveis políticos, fornece uma base tecnológica concreta para alcançar objetivos climáticos ambiciosos com um alto grau de segurança de fornecimento.
Este trabalho marca um progresso significativo na aplicação da inteligência artificial a infraestruturas críticas. Diferentemente de muitos sistemas de IA que são “caixas pretas”, a estrutura hierárquica deste controlador oferece um certo grau de interpretabilidade. Os engenheiros podem entender como as responsabilidades são separadas entre os incentivos econômicos de longo prazo (nível superior) e o controle físico de curto prazo (nível inferior). O uso da estrutura CTDE garante uma robustez inerente diante de falhas de comunicação. Outra vantagem chave é que a estratégia é “livre de modelo”. Não requer um modelo matemático perfeito e constantemente atualizado de toda a rede elétrica, o que é um desafio enorme, já que a topologia da rede muda constantemente. Em vez disso, o sistema aprende a estratégia de controle ótima diretamente dos dados, tornando-o extremamente adaptável a condições mutáveis.
As possibilidades de aplicação desta tecnologia vão além do controle de tensão. A mesma estrutura DRL hierárquica poderia ser aplicada a outros desafios de gestão de redes, como o controle de frequência, o gerenciamento de congestionamento ou a otimização do carregamento de uma frota de veículos elétricos para um serviço de transporte compartilhado. Também poderia ser integrada aos controladores de microrredes para gerenciar comunidades energéticas locais com um alto grau de autoconsumo. À medida que o mundo energético continua a evoluir, a capacidade de tomar decisões inteligentes em tempo real através de múltiplas escalas de tempo será fundamental. A pesquisa de QI Xianglong e seus colegas na Universidade de Shandong fornece um plano robusto e escalonável para as redes elétricas inteligentes que se auto-otimizam no futuro.
Este estudo é um exemplo impressionante de pesquisa interdisciplinar que combina um profundo conhecimento da engenharia de redes elétricas com os mais recentes avanços em inteligência artificial. Vai além de uma exploração teórica e apresenta uma solução prática e validada para um dos desafios mais urgentes do setor energético moderno. Ao aproveitar o poder da IA para orquestrar a complexa dança de elétrons em uma rede de painéis solares, veículos elétricos e consumidores tradicionais, este trabalho pavimenta o caminho para um sistema energético mais sustentável, resiliente e centrado no consumidor. O futuro da rede inteligente não é apenas uma rede conectada; é inteligente, adaptativa e aprende com cada interação.
QI Xianglong, CHEN Jian, ZHAO Haoran, ZHANG Wen, ZHANG Keyu, Key Laboratory of Power System Intelligent Dispatch and Control, Shandong University. Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240122