Estratégia de carga programada otimiza redes elétricas
A revolução dos veículos elétricos (VEs) está em pleno andamento, prometendo um futuro mais limpo e sustentável para a mobilidade urbana. No entanto, à medida que milhões desses novos veículos entram em nossas ruas, surge um desafio silencioso, mas potencialmente devastador: o impacto em nossas redes elétricas de distribuição. O modelo tradicional de carregamento, onde os motoristas simplesmente plugam seus carros ao chegar em casa, muitas vezes coincide com o horário de pico de consumo residencial, criando picos de demanda que podem sobrecarregar transformadores, causar quedas de tensão e aumentar significativamente as perdas de energia nas linhas de transmissão. Um grupo de pesquisadores da Jiaxing Hengchuang Electric Power Equipment Co., Ltd., liderado por Cao Hangtao, propôs uma solução inovadora que não apenas mitiga esses problemas, mas transforma os veículos elétricos de uma ameaça em um ativo valioso para a estabilidade da rede. Sua proposta, um modelo de “carga e descarga programada”, oferece um novo paradigma para a integração harmoniosa entre a eletromobilidade e a infraestrutura energética.
O crescimento exponencial dos veículos elétricos é um fato. Projeções indicam que as vendas anuais podem crescer mais de 40% nos próximos anos, com uma participação de mercado que pode atingir 30%. Para 2040, estima-se que haverá 300 milhões de veículos elétricos apenas na China, representando uma capacidade de armazenamento móvel de 200 bilhões de kWh. Essa é uma oportunidade sem precedentes para armazenar energia renovável, mas também um risco enorme se a carga não for gerenciada de forma inteligente. A carga desordenada pode levar a um cenário de “picos e vales” acentuados na curva de carga, forçando as concessionárias a acionar usinas de energia de pico, que são caras e poluentes, para atender à demanda. Além disso, as flutuações de tensão podem danificar equipamentos eletrônicos sensíveis em residências e empresas.
O conceito de Veículo para Rede (V2G) existe há anos, prometendo que os carros não apenas consumam energia, mas também possam devolvê-la à rede quando necessário. No entanto, a implementação tem sido limitada. Muitas estratégias V2G atuais são baseadas em sinais de mercado em tempo real ou nas preferências individuais dos usuários, o que introduz um alto grau de aleatoriedade. A demanda agregada de carga e descarga é imprevisível, tornando extremamente difícil para os operadores do sistema planejar e operar a rede de forma eficiente. É aqui que a pesquisa de Cao Hangtao e sua equipe se destaca. Eles propõem um modelo proativo, em vez de reativo, que transforma a incerteza em previsibilidade.
O cerne de sua solução é um sistema de reserva. Em vez de simplesmente conectar o veículo e carregar imediatamente, o proprietário de um VE programaria sua sessão de carregamento ou descarregamento com antecedência, através de um aplicativo ou portal web. Este ato simples muda completamente a dinâmica. Em vez de uma carga aleatória, o sistema obtém um perfil de demanda previsível. O processo começa com o centro de despacho da rede, que analisa a curva de carga prevista para o dia seguinte. Com base nesta previsão, o centro define períodos de tarifa de pico (alta demanda) e tarifa de vale (baixa demanda) e comunica esses preços às estações de carregamento. O motorista, ao planejar sua viagem, envia uma solicitação de reserva à estação de carregamento mais próxima, indicando sua janela de tempo desejada e se precisa carregar (tipicamente em horários de vale) ou está disposto a descarregar (tipicamente em horários de pico).
A estação de carregamento atua como um agregador, coletando todas as solicitações de seus usuários e enviando o perfil de demanda agregado ao centro de despacho. É neste ponto que entra em ação a otimização matemática de alto nível. O centro de despacho executa um modelo sofisticado que tem um objetivo claro: minimizar as perdas totais de potência ativa na rede e manter os níveis de tensão dentro de limites seguros e estáveis. O que torna este modelo particularmente avançado é que ele não considera apenas a potência ativa (a energia real consumida ou fornecida), mas também otimiza de forma coordenada a potência reativa.
A potência reativa, embora não seja consumida como energia útil, é crucial para manter a estabilidade da tensão na rede. Ao permitir que as estações de carregamento de veículos elétricos e as fontes de geração distribuída renovável (RDG), como painéis solares e turbinas eólicas, ajustem também sua saída de potência reativa, o sistema pode corrigir ativamente quedas ou aumentos de tensão. Os pesquisadores tratam as estações de carregamento e os inversores das fontes renováveis como ativos controláveis que podem fornecer tanto potência ativa quanto reativa. As variáveis de otimização incluem a potência ativa e reativa de cada estação de carregamento de VE, bem como a potência reativa dos sistemas fotovoltaicos (PV) e eólicos (WT).
Resolver um problema de otimização tão complexo, não linear e não convexo, é um desafio computacional formidável. As equações que governam o fluxo de potência em uma rede de distribuição são inerentemente quadráticas e difíceis de resolver. Para superar este obstáculo, os pesquisadores empregaram uma técnica matemática avançada conhecida como Relaxação de Cone de Segunda Ordem (SOCR). Este método transforma o problema original, intratável, em um problema de Programação de Cone de Segunda Ordem (SOCP), que é convexo e pode ser resolvido de forma eficiente e confiável usando potentes solucionadores comerciais como o Gurobi. Esta escolha metodológica é fundamental, pois garante que a solução encontrada seja a ótima global, evitando as armadilhas dos algoritmos heurísticos que poderiam ficar presos em soluções subótimas.
Para validar seu modelo teórico, a equipe realizou um estudo de simulação abrangente usando uma versão modificada do sistema de teste padrão IEEE 33 nós, um modelo amplamente utilizado na pesquisa de sistemas de potência. Para aumentar o realismo, o modelo foi enriquecido com dados geográficos reais de uma região de Hangzhou, na China. A rede foi equipada com três estações de carregamento de veículos elétricos localizadas em nós estratégicos, duas instalações de turbinas eólicas e duas fazendas solares fotovoltaicas. A simulação assumiu 500 veículos elétricos, cada um com uma bateria de 50 kWh, que utilizavam o sistema de reserva. Os perfis diários de carga e geração renovável foram baseados em dados de previsão reais para a região.
Os resultados da simulação foram conclusivos. O estudo comparou três cenários diferentes. O primeiro, um cenário de referência, assumia a ausência de veículos elétricos, energia eólica ou solar, apenas a carga “base” convencional de residências e empresas. O segundo cenário integrava veículos elétricos, energia eólica e solar, mas os gerenciava de uma maneira mais simples, otimizando apenas a potência ativa dos veículos elétricos e ignorando as capacidades de potência reativa dos recursos de energia distribuída. O terceiro e último cenário implementava o modelo completo de “carga e descarga programada” com a otimização coordenada de potência ativa e reativa.
O desempenho foi avaliado por meio de três métricas-chave: a diferença diária entre a carga de pico e a de vale, as perdas totais diárias de potência ativa (ζ) e o desvio de tensão em todo o sistema (Г). Os resultados demonstraram claramente a superioridade do modelo proposto. Em comparação com o cenário de referência, o segundo cenário, que apenas gerenciava a potência ativa dos veículos elétricos, reduziu a diferença entre a carga de pico e a de vale em 40,60%, reduziu as perdas de potência em um impressionante 85,19% e reduziu o desvio de tensão em 70,74%. Isso por si só mostra o imenso benefício de simplesmente gerenciar os horários de carregamento dos veículos elétricos.
No entanto, o modelo completo (Cenário 3) alcançou melhorias ainda maiores. Em comparação com o Cenário 2, obteve uma redução adicional de 57,00% nas perdas de potência e uma redução adicional de 6,86% no desvio de tensão. Isso se traduz em uma redução total das perdas de potência de mais de 94% em comparação com o cenário de referência. Os veículos elétricos “programados” realizaram efetivamente uma operação de “enchimento de vales e nivelamento de picos”. Durante as horas de vale (8h às 15h), os veículos elétricos carregaram suas baterias, absorvendo energia em excesso e ajudando a estabilizar a tensão. Durante as horas de pico (17h às 23h), os veículos elétricos descarregaram energia para a rede, reduzindo a carga no fornecimento principal e prevenindo quedas de tensão. A visualização da curva de carga equivalente do sistema mostrou um perfil muito mais plano e gerenciável após a integração dos veículos elétricos programados.
O impacto na estabilidade da tensão foi particularmente notável. No cenário de referência, os níveis de tensão em toda a rede, especialmente nas extremidades dos alimentadores, muitas vezes estavam no limite inferior da faixa aceitável (0,95 p.u.), indicando um sistema sob tensão. O segundo cenário melhorou esta situação, mas alguns nós ainda operavam perto dos limites superior (1,05 p.u.) ou inferior. Em contraste, o terceiro cenário, impulsionado pelo modelo de otimização completo, manteve a tensão em quase todos os 33 nós notavelmente próxima ao ideal de 1,00 p.u., com uma distribuição muito uniforme. Este nível de controle de tensão é crucial para a operação confiável de equipamentos eletrônicos sensíveis e para prevenir danos na infraestrutura da rede.
Esta pesquisa apresenta um plano convincente para o futuro da integração de veículos elétricos. Vai além da noção simplista de que os veículos elétricos são apenas outra carga e os posiciona como recursos inteligentes e flexíveis da rede. O modelo de “carga e descarga programada” oferece um quadro prático para alcançar isso. Ele fornece aos proprietários de veículos elétricos a previsibilidade e o controle que desejam, sabendo quando e quanto sua bateria será carregada, enquanto simultaneamente fornece um valor imenso à rede. Para as concessionárias, isso significa custos operacionais reduzidos devido a menores perdas de energia, investimentos diferidos em nova infraestrutura e uma rede mais estável e confiável. Para a sociedade, significa uma transição mais suave e sustentável para a mobilidade elétrica.
Embora o modelo mostre grande promessa, os pesquisadores são os primeiros a reconhecer suas limitações. Sua simulação assumiu informação perfeita e o cumprimento dos compromissos por parte dos proprietários de veículos elétricos, o que pode não refletir o comportamento do mundo real, onde os usuários podem mudar seus planos ou “faltar” às suas reservas. O modelo também simplificou o processo de tomada de decisão do usuário, concentrando-se apenas na proximidade com uma estação de carregamento e não levando em conta as condições de tráfego ou mudanças na agenda pessoal. Além disso, o estudo não incorporou restrições rígidas sobre a capacidade física de componentes de rede específicos, o que seria essencial para a implementação no mundo real.
Apesar dessas limitações, o trabalho representa um avanço significativo. Ele fornece uma solução robusta, matematicamente sólida e demonstravelmente eficaz para um problema crítico. À medida que a adoção de veículos elétricos continua seu crescimento exponencial, a necessidade de sistemas de gerenciamento inteligentes e coordenados como o proposto por Cao Hangtao e sua equipe se tornará não apenas benéfica, mas essencial. Sua pesquisa oferece um caminho claro para um futuro em que milhões de veículos elétricos não sejam uma ameaça para a rede, mas um pilar de um sistema energético mais inteligente, mais resiliente e mais eficiente.
Cao Hangtao, Zhang Yong, Jiang Ning, Lü Bin, Jiaxing Hengchuang Electric Power Equipment Co., Ltd., Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405005