Os veículos elétricos (VE) têm se consolidado como pilares da mobilidade sustentável em todo o mundo, graças à sua eficiência energética, baixo custo operacional e evidentes benefícios ambientais. No entanto, sua rápida adoção traz desafios significativos para a gestão das redes elétricas, especialmente no que diz respeito à eficiência e aos custos de carregamento. O carregamento desordenado de milhares de VE pode sobrecarregar as redes, aumentar as cargas de pico, deteriorar a qualidade da tensão, incrementar perdas na transmissão e reduzir a vida útil dos transformadores. Diante desses problemas, uma equipe de pesquisadores desenvolveu uma estratégia inovadora de gestão de carregamento baseada no modelo de jogo de Stackelberg, que equilibra de forma dinâmica as necessidades da rede elétrica, revendedores de energia e usuários de VE.
O desafio de gerenciar o carregamento de milhares de veículos elétricos
À medida que os VE invadem as ruas, a forma como são carregados se tornou um fator crucial para a estabilidade das redes elétricas e a satisfação dos usuários. As estratégias tradicionais de controle de carregamento têm mostrado limitações claras:
- Estratégias centralizadas: Gerenciam o carregamento com base nas demandas da rede e no comportamento dos usuários, mas não escala bem com o aumento do número de VE. Requerem uma capacidade de processamento excessiva no centro de controle, o que as torna impraticáveis em ambientes com centenas ou milhares de veículos.
- Métodos descentralizados: Como os preços estáticos por horas (time-of-use), buscam deslocar as cargas para horários de baixa demanda, mas frequentemente criam novos picos em períodos que deveriam ser tranquilos. Os usuários, ao buscar aproveitar os preços baixos, acabam concentrando seu carregamento em janelas temporais estreitas, gerando “segundos picos” que voltam a tensionar a rede.
Essas deficiências impulsionaram os pesquisadores a buscar abordagens mais flexíveis e adaptáveis. A solução surge da teoria dos jogos: um modelo que simula a interação entre todos os atores envolvidos, permitindo decisões mais inteligentes e equilibradas.
O modelo de Stackelberg: uma dança entre revendedores e usuários
A estratégia inovadora, desenvolvida por Xu Hui, Chen Ping, Li Xianglong, Wang Peiyi e Ma Longfei, da State Grid Beijing Electric Power Company (Empresa Estatal de Energia Elétrica de Pequim), reimagina o processo de carregamento como um jogo dinâmico entre dois grupos:
- Líder: O revendedor de eletricidade (ou estação de carregamento), que define os preços da energia. Seu objetivo é maximizar seus lucros, mas também deve considerar o desempenho da rede, como minimizar a variância da carga.
- Seguidores: Os usuários de VE, que ajustam sua potência de carregamento e horários com base nos preços estabelecidos. Sua prioridade varia: alguns buscam carregar o mais rápido possível (quando estão com pressa), enquanto outros priorizam a economia de custos (quando têm tempo sobressalente).
O que distingue esse modelo é sua capacidade de capturar as interdependências entre todos os stakeholders. Ao contrário de estudos anteriores que se concentraram apenas na competição entre usuários, aqui o revendedor atua como um mediador entre a rede e os condutores. Suas decisões de preços influenciam diretamente o comportamento dos usuários, que por sua vez afetam a estabilidade da rede. Usando a indução retroativa para resolver o jogo, os pesquisadores garantem que tanto o revendedor quanto os usuários alcancem um equilíbrio, onde nenhum pode melhorar sua situação sem piorar a dos outros: o chamado equilíbrio de Stackelberg.
Como funciona na prática?
O modelo se baseia em um processo de “indução para trás” (backward induction), uma técnica de resolução de jogos dinâmicos que garante que tanto o revendedor quanto os usuários tomem decisões ótimas.
- O revendedor (líder): Analisa a demanda esperada, as condições da rede e o comportamento histórico dos usuários para estabelecer preços em um horizonte de previsão (por exemplo, nas próximas 6 horas). Esses preços não são fixos: se ajustam para incentivar o carregamento em momentos em que a rede tem capacidade excessiva e desincentivá-lo em horas de pico. Ao mesmo tempo, o revendedor busca maximizar seus ingresos, mas também reduzir as flutuações da carga (medidas pela variância da demanda), o que beneficia a rede.
- Os usuários (seguidores): Cada condutor avalia sua situação: precisa carregar com urgência (por exemplo, porque deve sair em uma hora) ou pode esperar? Isso é quantificado em um “nível de urgência” (w), que determina sua estratégia:
- Se a urgência é baixa (w pequeno), o usuário prioriza os custos, escolhendo horários com preços baixos e reduzindo a potência de carregamento para economizar.
- Se a urgência é alta (w próximo de 1), o usuário prioriza a velocidade, aceitando preços mais altos para carregar com potência máxima e completar o processo no menor tempo possível.
Essa interação dinâmica garante que a carga se distribua de forma mais uniforme no tempo, reduzindo os picos e baixando os custos para os usuários.
Resultados surpreendentes: uma rede mais estável e custos reduzidos
Para validar sua estratégia, a equipe de pesquisa realizou simulações em um bairro residencial, replicando as condições reais de uma comunidade com VE. Compararam seu modelo com dois cenários de referência:
-
Carregamento desordenado: Os usuários carregam quando quiserem, sem nenhum controle. O resultado foi alarmante: a rede sofreu picos de até 2,28 MW, com uma relação pico-valle de 2,09 MW e uma variância da carga de 0,35 (um indicador de flutuações). Essas oscilações colocam em risco a vida útil dos transformadores e a qualidade do fornecimento.
-
Preços estáticos por horas: Embora reduzissem os picos iniciais, criaram um segundo pico em horas de baixa demanda, com uma variância de 0,85. Os usuários, ao aproveitar os preços baixos à noite, geraram uma concentração de carga que voltou a tensionar a rede.
Em contraste, o modelo de Stackelberg conseguiu:
- Reduzir o pico máximo de carga para 1,63 MW e a relação pico-valle para 1,36 MW.
- Baixar a variância da carga para 0,13, o que significa uma rede muito mais estável e menos perdas nas transmissões.
- Reduzir os custos de carregamento em 25%: de 44,48 yuan por veículo (com preços estáticos) para 33,09 yuan com o novo modelo.
Esses resultados demonstram que a flexibilidade do modelo permite equilibrar a estabilidade da rede e os interesses econômicos dos usuários. Os preços não são fixos, mas respondem em tempo real à demanda, incentivando uma distribuição mais eficiente da carga.
Ajustes-chave: parâmetros que otimizam o desempenho
O sucesso do modelo reside em sua capacidade de se adaptar a diferentes cenários, graças a dois parâmetros ajustáveis:
-
Horizonte de previsão (k): É o número de horas no futuro que o revendedor considera para estabelecer os preços. Ao testar valores de k=2, 4, 6, 8 e 10 horas, os pesquisadores descobriram que:
- À medida que k aumenta, a variância da carga diminui (de 0,3 para 0,12), melhorando a estabilidade da rede.
- No entanto, um k excessivo (como 10) aumenta drasticamente o número de iterações necessárias para calcular os preços (até 2014 iterações), elevando o custo computacional. Por isso, recomendam k=6 como equilíbrio: oferece ganhos significativos em estabilidade sem sobrecarregar o sistema.
-
Coeficiente de ponderação da rede (α): Reflete o impacto da estabilidade da rede na função de lucro do revendedor. Com valores de α=10, 100, 1000 e 10000:
- Menor α: o revendedor prioriza seus próprios lucros (4315 yuan), mas a rede sofre (variância de 0,33).
- Maior α: a rede se estabiliza (variância de 0,13 com α=10000), mas os lucros do revendedor caem até gerar prejuízos (-653 yuan).
O equilíbrio ideal foi encontrado com α=1000: variância de 0,18 e lucros positivos para o revendedor (1074 yuan), garantindo assim a sustentabilidade econômica e a estabilidade da rede.
Futuro: rumo à integração bidirecional (V2G)
Os pesquisadores salientam que seu trabalho abre portas para desenvolvimentos mais ambiciosos, especialmente com a chegada da tecnologia V2G (Vehicle-to-Grid). Essa permite que os VE não apenas carreguem energia, mas também a devolvam à rede em momentos de pico, atuando como armazenadores distribuídos.
Integrar o V2G com o modelo de Stackelberg poderia:
- Otimizar ainda mais a gestão da energia, usando os VE como “baterias móveis” para suavizar os picos.
- Gerar rendimentos adicionais para os usuários, que poderiam vender energia de volta à rede em horas de alta demanda.
- Reduzir a dependência de usinas de backup, fomentando a integração de energias renováveis (solar, eólica), que são mais variáveis.
Conclusão: um passo para a mobilidade elétrica sustentável
O modelo de Stackelberg resolve não apenas problemas técnicos, mas equilibra interesses econômicos e ambientais. Ao permitir que a rede, revendedores e usuários interajam de forma dinâmica, alcança uma gestão de carga mais eficiente, reduzindo custos e garantindo a estabilidade do fornecimento.
Em um contexto onde os VE são cada vez mais comuns, estratégias como essa são essenciais para evitar colapsos nas redes e tornar a mobilidade elétrica acessível e sustentável para todos.
Autores: Xu Hui, Chen Ping, Li Xianglong, Wang Peiyi, Ma Longfei
Afiliação: State Grid Beijing Electric Power Company, Pequim 100031, China
Revista: Computer Applications and Software
DOI: 10.3969/j.issn.1000-386x.2024.08.054