Estratégia de jogo aprimora lucro do V2G
A mobilidade elétrica está evoluindo rapidamente de uma simples alternativa ecológica para um componente fundamental do sistema energético moderno. Os veículos elétricos (VEs), com suas grandes baterias, deixaram de ser apenas meios de transporte para se tornarem recursos de armazenamento distribuído com potencial transformador. Quando geridos de forma inteligente por um agregador de veículos elétricos (EVA), esses veículos podem fornecer serviços críticos à rede elétrica, como o nivelamento de picos de carga, regulação de frequência e integração de energias renováveis intermitentes. No entanto, para desbloquear plenamente este potencial, um obstáculo significativo precisa ser superado: a vontade humana. Como convencer um proprietário de um carro elétrico a permitir que sua preciosa bateria seja utilizada para apoiar a rede, sem comprometer seu conforto, sua mobilidade ou a longevidade da bateria?
Este desafio complexo está no centro de uma pesquisa pioneira publicada na prestigiada revista Transactions of China Electrotechnical Society. O estudo, conduzido por Fang Yuxuan, Hu Junjie e Ma Wenshuai do Laboratório Nacional de Sistemas Elétricos Alternativos com Fontes de Energia Renovável da Universidade de Energia Elétrica da China do Norte, apresenta uma estratégia de otimização inovadora baseada na teoria dos jogos. O modelo, conhecido como jogo de Stackelberg, vai além das abordagens técnico-econômicas tradicionais e introduz pela primeira vez uma análise profunda da psicologia do condutor, transformando as “ansiedades” subjetivas dos usuários em variáveis quantificáveis dentro de um algoritmo. O resultado é uma estrutura que não apenas maximiza os lucros para todas as partes envolvidas, mas o faz de forma mais sustentável e respeitosa com as necessidades humanas.
O problema principal que afeta os programas de Veículo para Rede (V2G) é a incerteza. Para participar com sucesso nos mercados de energia e fornecer serviços de reserva, um EVA precisa prever com precisão a quantidade de capacidade de carga e descarga que pode agregar de sua frota de veículos. No entanto, essa capacidade depende diretamente da decisão de cada proprietário individual. Um motorista pode estar disposto a carregar seu veículo durante a noite, mas pode hesitar em permitir que seu EVA o descarregue parcialmente durante a tarde, temendo não ter energia suficiente para uma viagem inesperada. Essa hesitação, guiada por preocupações reais, tem sido uma barreira para a adoção em larga escala da tecnologia V2G. Abordagens anteriores frequentemente tratavam os usuários como unidades homogêneas e perfeitamente racionais, levando a previsões de participação excessivamente otimistas e pouco realistas.
A verdadeira inovação da equipe de pesquisa chinesa está na forma como modelou essas preocupações humanas. Eles desenvolveram um “modelo de ansiedade do usuário” baseado em dois pilares fundamentais: a ansiedade com a degradação da bateria e a ansiedade com a perda de flexibilidade no uso do veículo.
O primeiro, a ansiedade com a degradação da bateria, é uma preocupação tangível. Cada ciclo de carga e descarga contribui para o envelhecimento das células de íon de lítio. Mesmo que os fabricantes garantam uma longa vida útil, os proprietários estão cientes de que um uso mais intensivo, como a participação em serviços de rede, pode acelerar esse desgaste. O modelo não se limita a calcular o mero custo físico da degradação, mas introduz um “coeficiente de exclusão psicológica”. Esse coeficiente, um valor maior que um, atua como um amplificador que reflete a percepção subjetiva do usuário. Um motorista pode perceber o dano causado por um ciclo de descarga para o mercado de reserva como muito mais prejudicial do que é objetivamente. Esse fator subjetivo é integrado diretamente à equação de custos, reconhecendo que a decisão não é puramente econômica, mas também emocional. O modelo diferencia o comportamento de carga normal (onde o veículo carrega até 100% e depois para) do comportamento de carga adicional (onde o veículo é carregado e descarregado ativamente para fornecer serviços de rede) e quantifica o custo adicional desse comportamento, amplificando-o pela psicologia do motorista.
O segundo, a ansiedade com a flexibilidade no uso do veículo, aborda o conforto do condutor. O modelo introduz uma função que mede o custo psicológico de ter que manter o veículo conectado à rede por um período mais longo do que o necessário. Ele se afasta do modelo tradicional de “ligar e esquecer” para um modelo de “ligar e esperar”, onde o usuário sacrifica a liberdade de se desconectar a qualquer momento. Essa função de ansiedade aumenta com a duração dessa conexão prolongada. O ponto mais significativo é que o modelo não presume que todos os usuários reajam da mesma maneira. Para capturar essa diversidade, os pesquisadores introduzem “fatores de decisão” que modulam a sensibilidade da função. Um usuário com um fator de decisão baixo é muito flexível e pode tolerar longos períodos de conexão, enquanto um usuário com um fator alto é extremamente sensível a qualquer perda de controle sobre seu horário. Essa abordagem diferenciada permite simular uma frota de usuários heterogênea, refletindo com maior precisão a realidade do mundo real.
Para completar o quadro da tomada de decisão humana, o modelo incorpora um elemento crucial: a racionalidade limitada. Os seres humanos nem sempre agem de forma perfeitamente racional. Mesmo que o cálculo de custo-benefício sugira que participar é vantajoso, um usuário pode decidir não fazê-lo por um mau pressentimento, uma experiência negativa anterior ou simplesmente por um capricho. Para simular essa imprevisibilidade, os pesquisadores utilizam uma distribuição binomial. Isso significa que, para um grupo de usuários com um perfil de ansiedade semelhante, o modelo prevê uma probabilidade de participação, não uma certeza absoluta. Esse toque de aleatoriedade evita que o modelo seja muito idealista e o torna mais robusto diante das flutuações do comportamento real.
Com esse sofisticado modelo de usuário em funcionamento, os pesquisadores constroem uma estrutura de jogo de Stackelberg, uma estrutura da teoria dos jogos que se assemelha a uma relação líder-seguidor. O agregador (EVA) age como líder, movendo-se primeiro ao estabelecer o preço que pagará aos usuários pela capacidade de reserva (tanto para reduzir a carga quanto para injetar energia). Os proprietários dos veículos elétricos são os seguidores. Cada um toma o preço oferecido pelo EVA, compara-o com seu próprio custo de ansiedade pessoal e decide, de forma probabilística, se aceita participar.
O objetivo do EVA é maximizar seu lucro, que é a diferença entre o preço pelo qual vende a capacidade de reserva ao mercado de energia e o preço pelo qual a compra dos usuários. Se oferecer um preço muito baixo, poucos usuários participarão e o EVA não poderá oferecer uma capacidade significativa. Se oferecer um preço muito alto, muitos usuários participarão, mas a margem de lucro do EVA diminuirá. O preço ótimo está em um ponto de equilíbrio, e encontrá-lo requer uma compreensão profunda de como os usuários responderão a diferentes níveis de incentivo.
A solução não é encontrada em um único cálculo, mas por meio de um processo iterativo de feedback. O EVA começa com um preço inicial. O modelo do usuário simula a participação com base nesse preço, calculando a capacidade total de reserva disponível. Com essas informações, o EVA recalcula sua estratégia de preços para maximizar seu lucro e oferece um novo preço. Esse novo preço é então reinserido no modelo do usuário, gerando uma nova estimativa de participação. Esse ciclo se repete várias vezes. Com cada iteração, as decisões do EVA e as respostas dos usuários se aproximam cada vez mais de um ponto de equilíbrio estável, onde nem o EVA nem os usuários têm um incentivo para mudar sua estratégia. Esse equilíbrio é a solução ótima, um ponto de encontro onde os interesses de ambas as partes estão alinhados.
A validade dessa abordagem foi testada por meio de uma simulação com uma frota de 150 veículos elétricos, divididos em dois cenários típicos: carregamento residencial noturno e carregamento durante o dia no local de trabalho. Os resultados foram comparados com dois métodos de referência: uma estratégia de carregamento ordenado simples e um algoritmo de otimização multiobjetivo (MOPSO). Os resultados foram reveladores.
O modelo de jogo de Stackelberg superou os métodos de referência em todos os aspectos. Obteve uma taxa de resposta de 32%, indicando um nível de participação mais alto. Mais importante ainda, melhorou significativamente a rentabilidade para ambas as partes. Os proprietários dos veículos viram seus ganhos esperados com serviços de reserva aumentar de 421 yuans (cerca de 52 euros) com o método MOPSO para 454 yuans (cerca de 56 euros) com o modelo de jogo. Ao mesmo tempo, seus custos totais, incluindo eletricidade e desgaste da bateria, diminuíram. Para o agregador, o benefício foi ainda mais pronunciado. Seu ganho esperado no mercado de reserva aumentou de 1.049 yuans para 1.240 yuans. Este resultado demonstra inequivocamente que uma abordagem mais centrada no usuário não é apenas mais justa, mas também mais rentável. Ao alinhar melhor os incentivos, cria-se um sistema onde todos ganham.
Além da economia, o impacto na rede elétrica foi substancial. Ao deslocar intencionalmente o carregamento dos veículos das horas de pico para as horas de vale e permitir a descarga durante os picos de demanda, o modelo de jogo conseguiu reduzir significativamente a diferença entre a carga máxima e mínima do dia. Esse efeito de “nivelamento de picos e preenchimento de vales” é crucial para a estabilidade da rede. Reduz a necessidade de ativar centrais de pico caras, minimiza o estresse na infraestrutura e facilita a integração de fontes de energia renovável, como solar e eólica, cuja geração nem sempre coincide com a demanda. Um carro elétrico que carrega com energia solar durante o dia e devolve parte dessa energia para a rede à noite se torna um pilar de um sistema energético mais resiliente.
A implicação mais profunda deste trabalho é uma mudança de paradigma. Não se trata mais de ver os usuários como recursos passivos a serem comandados, mas como agentes ativos com suas próprias preferências, custos e emoções. Essa abordagem humanizada é essencial para a sustentabilidade a longo prazo da tecnologia V2G. Se os usuários sentirem que suas necessidades estão sendo ignoradas ou que estão assumindo um custo desproporcional, abandonarão o programa, fazendo o sistema desmoronar. Ao integrar explicitamente a ansiedade do usuário ao coração do modelo, os pesquisadores criaram uma estrutura que não é apenas mais precisa, mas também mais ética e confiável.
O estudo também revela a importância da escala. Os pesquisadores descobriram que a estabilidade da taxa de participação melhora com o aumento do tamanho da frota. Com frotas pequenas, as decisões individuais aleatórias podem causar grandes flutuações no comportamento coletivo. No entanto, com frotas maiores, de cerca de 100 veículos ou mais, a lei dos grandes números suaviza essas flutuações, tornando o comportamento global muito mais previsível. Isso sugere que a agregação de veículos elétricos será mais eficaz em nível comunitário ou urbano, em vez de através de programas isolados e de pequeno porte.
Em conclusão, a pesquisa de Fang, Hu e Ma representa um avanço significativo na interseção entre tecnologia de transporte, economia energética e psicologia do comportamento. Ao combinar teoria dos jogos, modelagem de comportamento e otimização, eles criaram uma ferramenta poderosa que respeita a autonomia do usuário enquanto maximiza os benefícios coletivos. À medida que o mundo avança para uma era de mobilidade totalmente elétrica, essa abordagem, que coloca o ser humano no centro do sistema energético, será fundamental para construir uma rede que não seja apenas inteligente, mas também verdadeiramente sustentável e justa.
Fang Yuxuan, Hu Junjie, Ma Wenshuai, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University. Transactions of China Electrotechnical Society. DOI: 10.19595/j.cnki.1000-6753.tces.230923