Estações Multigeradoras Aumentam Rentabilidade de Veículos Elétricos
Um novo modelo de otimização demonstra como as estações de energia de última geração na China — que atendem veículos elétricos, a hidrogênio e a gás natural — podem aumentar a lucratividade operacional em mais de 11% através de preços dinâmicos e gestão inteligente de carga. Este avanço, desenvolvido por pesquisadores da NARI Technology e do Instituto de Pesquisa em Energia Elétrica da State Grid, integra sinais de preço em tempo real com conversão flexível de energia — produção eletrolítica de hidrogênio, power-to-gas e armazenamento multimodal — transformando as estações em participantes ativos da rede, em vez de meros pontos de abastecimento. Em um sistema simulado com 2.000 veículos de três tipos de combustível, apenas o preço dinâmico melhorou a receita diária em 5,3%; adicionando o deslocamento coordenado de carga, o ganho subiu para 11,3%. Crucialmente, o modelo mantém a satisfação dos motoristas ao impor neutralidade energética — sem perda líquida de carga, hidrogênio ou gás por veículo — enquanto remodela a demanda para coincidir com os picos de geração renovável. Este é um passo fundamental para uma infraestrutura de abastecimento escalável e responsiva à rede, enquanto a China avança para implantar mais de 25 milhões de veículos de nova energia até 2025 — e mais de 160 milhões até 2035.
A inovação centra-se em uma mudança de design simples mas poderosa: tratar o preço de abastecimento do veículo não como uma tarifa fixa, mas como uma variável de decisão em tempo real que co-otimiza com o procurement de energia, o despacho de armazenamento e a modulação de carga. Diferente de estudos anteriores que fixavam taxas de carregamento ou reabastecimento — ou os tratavam como inputs exógenos — este modelo os endogeniza dentro de um horizonte diário de 96 intervalos (passos de 15 minutos), sujeito apenas a uma âncora de preço médio que preserva a estabilidade de preços regional. O resultado é um padrão de preços em escada: tarifas mais baixas durante os picos solares do meio-dia, taxas mais altas durante os picos noturnos — espelhando o comportamento do mercado spot de eletricidade que agora emerge nos programas piloto de Guangdong, Zhejiang e Sichuan. Isso permite que as estações absorvam o excesso de energia eólica e solar quando os preços da rede caem, convertam-na em hidrogênio ou gás natural sintético via eletrólise e metanação, armazenem-na e vendam-na posteriormente em horários de preço premium — enquanto simultaneamente incentivam os motoristas a abastecer quando a oferta é abundante.
Dados de campo do estudo mostram quão intimamente preço e comportamento se entrelaçam. Quando as taxas de carregamento caíram 18% entre 10h e 14h, a carga de veículos elétricos (EV) disparou 22% — impulsionada não por subsídios, mas por sinais transparentes e diferenciados no tempo. Enquanto isso, o reabastecimento de hidrogênio — frequentemente criticado pelos altos custos — viu a carga deslocar-se mais cedo para o dia, à medida que as estações priorizavam o uso do excedente solar para eletrólise em vez de comprar hidrogênio dispendioso da rede. O reabastecimento de gás natural manteve-se mais uniformemente distribuído, mas sua curva de preços aplainou-se à medida que as estações aproveitavam a eletricidade mais barata fora de pico para comprimir e armazenar gás. A economia do sistema depende de três capacidades em camadas: conversão flexível, arbitragem temporal via armazenamento e demanda responsiva.
Primeiro, conversão de energia. A estação está equipada com uma turbina eólica de 800 kW e uma matriz fotovoltaica de 1 MW no telhado — padrão para os centros de energia modernos chineses. Quando a produção renovável excede a demanda local, o excesso de energia alimenta dois caminhos: um eletrolisador com 55% de eficiência produzindo hidrogênio, e uma unidade power-to-gas com 60% de eficiência gerando metano. O hidrogênio é priorizado para conversão devido ao seu preço de mercado mais alto (26 RMB/kg vs. 2,6 RMB/m³ para gás natural), rendendo maior margem quando armazenado e revendido. Somente quando o armazenamento de hidrogênio se aproxima da capacidade é que o excedente de energia é desviado para a síntese de metano. Um compressor — operando com 80% de eficiência e razão de pressão de 250:1 — então prepara o gás de baixa pressão para uso veicular. Esta lógica em cascata garante que cada kWh extra de solar ou eólico desloque a compra externa mais cara.
Segundo, deslocamento temporal via armazenamento. Três reservatórios independentes — baterias para eletricidade, tanques de alta pressão para hidrogênio e vasos de buffer em cascata para gás natural — permitem o desacoplamento entre produção e entrega. A ciclagem da bateria é a mais ativa, carregando durante os picos solares e descarregando no início da noite para atender a demanda de EVs sem extrair da rede. O armazenamento de hidrogênio tem dois abastecimentos principais: ao meio-dia (eletrólise movida a solar) e durante a noite (energia da rede de baixo custo). O armazenamento de gás, em contraste, opera de forma mais estável, absorvendo a produção comprimida tanto de gás comprado quanto sintetizado, liberando-a depois durante os picos da tarde e noite. Crucialmente, todas as unidades de armazenamento impõem condições de contorno cíclicas: o inventário do final do dia iguala os níveis do início do dia. Isso evita estratégias de “esgotamento” que sacrificam a resiliência de longo prazo por ganhos de curto prazo — garantindo sustentabilidade ao longo dos dias, não apenas dentro de um.
Terceiro, e talvez o mais novo, é a gestão de carga como ferramenta de receita, não apenas uma obrigação de serviço de rede. O modelo permite até 20% de ajuste para cima ou para baixo na demanda veicular em qualquer janela de 15 minutos — assim, um EV poderia ser solicitado a atrasar o carregamento em 30 minutos, ou um caminhão a hidrogênio poderia aceitar um abastecimento ligeiramente mais lento — para alinhar-se com oferta mais barata. Uma compensação é paga por cada ajuste (por exemplo, 224 RMB/dia em um cenário), mas o efeito líquido é fortemente positivo: as estações reduzem as importações caras da rede em 11,5% enquanto aumentam as vendas de combustível auto-gerado de alta margem. Importantemente, a energia total entregue por veículo permanece inalterada. Nenhum motorista recebe menos energia, hidrogênio ou gás — apenas com timing diferente. Isso evita as preocupações de equidade que têm atormentado alguns pilotos de resposta à demanda.
A análise de sensibilidade revela onde os retornos se estabilizam. Expandir a oscilação de preço permitida de ±5% para ±25% aumenta a receita de forma constante — mas os ganhos diminuem acentuadamente além de 25%, sugerindo que limites regulatórios em torno desta faixa podem ser economicamente racionais. Similarmente, aumentar a flexibilidade de carga de 10% para 30% da demanda instantânea produz retornos acelerados; além de 30%, o benefício marginal declina, indicando tetos comportamentais ou técnicos sobre quanto os motoristas ou sistemas veiculares tolerarão no reagendamento. Esses limiares oferecem orientação prática para formuladores de políticas: exijam variação de preço moderada e tolerâncias de atraso modestas, e deixem as forças de mercado fazerem o resto.
Estrategicamente, o modelo alinha-se com os duplos mandatos de Pequim: acelerar o transporte limpo e integrar renováveis. Até 2025, a China espera ter mais de 25 milhões de veículos de nova energia nas estradas — acima dos 16,2 milhões em meados de 2023. No entanto, o crescimento da infraestrutura de carregamento tem ficado para trás, especialmente para caminhões de hidrogênio e GNL. Um gargalo é a economia: estações de hidrogênio isoladas frequentemente perdem dinheiro devido à baixa utilização e alto capex. Esta abordagem integrada muda a equação. Um único local servindo EVs, ônibus a célula de combustível e caminhões de logística a GNL pode cruzar-subsidiar: o carregamento rápido de EVs de alta margem financia a eletrólise de hidrogênio; o excesso de solar compensa a eletricidade do compressor; preços flexíveis suavizam o fluxo de caixa. Transforma a infraestrutura de um centro de custo em um nó de lucro na transição energética.
A implementação já está em andamento. Na província de Jiangsu — lar dos autores do estudo — o Grupo NARI pilotou estações multienergéticas similares em Nanjing e Suzhou, ligando-as a testes provinciais do mercado spot. Resultados iniciais mostram 8–12% maior utilização de ativos versus locais monotipo convencionais. Nacionalmente, a Comissão Nacional de Desenvolvimento e Reforma (NDRC) sinalizou abertura a preços dinâmicos em suas diretrizes de 2024 para “infraestrutura energética inteligente”, desde que as tarifas médias permaneçam dentro de faixas orientadas pelo governo. Essa é precisamente a restrição embutida neste modelo: ele otimiza dentro de guarda-rail de estabilidade, satisfazendo tanto a eficiência de mercado quanto a equidade social.
Para observadores internacionais, as implicações estendem-se além da China. O Regulamento de Infraestrutura de Combustíveis Alternativos (AFIR) da Europa e o programa NEVI dos EUA ambos enfatizam interoperabilidade e integração de rede — mas carecem de mecanismos de preço para incentivá-la. Este modelo chinês oferece um template: incorpore responsividade de preço ao nível da estação, use armazenamento e conversão como buffers, e deixe os motoristas “votarem com suas carteiras” por timing de energia mais limpo e barato. Não requer subsídios — apenas uma arquitetura tarifária mais inteligente. À medida que montadoras como Stellantis e Hyundai lançam caminhões a hidrogênio, e Tesla e BYD expandem redes de carregamento rápido, a questão não é se construir hubs multigeradores — mas como operá-los lucrativamente. A resposta da China: precifique dinamicamente, armazene flexivelmente e desloque a demanda inteligentemente.
Criticamente, a abordagem evita terminologia politizada. Não há menção a “prosperidade comum” ou “circulação dupla”. Em vez disso, é enquadrada em termos universais de engenharia e economia: maximização de receita, satisfação de restrições, alinhamento de custo marginal. Isso amplia a aplicabilidade global. Uma estação em Hamburgo ou Houston poderia adotar a mesma lógica — trocando yuan por euros, RMB/kg por USD/kg — e ver ganhos comparáveis, assumindo hardware e estruturas de mercado similares. Essa traduzibilidade é chave para a confiança do investidor: isto não é uma jogada política específica da China, mas uma atualização operacional replicável.
Olhando adiante, a equipe reconhece duas fronteiras. Primeiro, incerteza: tempos de chegada de EVs no mundo real, cronogramas de caminhões a hidrogênio e previsões renováveis são estocásticos — não determinísticos como no caso base. Trabalhos futuros integrarão programação probabilística ou otimização robusta para proteger contra variabilidade sem sacrificar muito upside. Segundo, coordenação espacial: otimizar uma estação é valioso, mas otimizar uma rede — permitindo que a carga se desloque entre locais próximos via incentivos baseados em app — poderia desbloquear eficiências em todo o sistema. Simulações iniciais sugerem ganhos de 15–18% ao nível de cluster, especialmente em corredores urbanos densos como o Delta do Rio Yangtze.
Por agora, a mensagem central é clara: preços dinâmicos não são apenas para mercados de eletricidade. Quando aplicados ao varejo de energia veicular — com design cuidadoso para proteger o bem-estar do usuário — tornam-se uma alavanca poderosa para lucratividade da estação, integração renovável e resiliência da cadeia de suprimentos. À medida que a frota de EVs da China baloniza para 100 milhões de unidades nesta década, acertar na economia do reabastecimento pode provar-se tão crucial quanto a química da bateria ou a eficiência do motor. Esta pesquisa mostra como.
Autor: Wang Jun, Wang Xin, Zhu Jinda, Du Wei
Afiliação: NARI Technology Co., Ltd.; NARI Group Corporation (State Grid Electric Power Research Institute); Laboratório Nacional Chave de Tecnologia e Equipamento de Prevenção de Riscos de Operação da Rede Elétrica, Nanjing, China
Revista: Automation of Electric Power Systems, Vol. 48, No. 22, 25 de Novembro de 2024
DOI: 10.7500/AEPS20230808007