Estratégia de Oferta em Tempo Real para VE e Energia Eólica
A integração dos veículos elétricos (VE) e da energia eólica nos mercados de energia e regulação de frequência representa um dos desafios mais prementes e, ao mesmo tempo, uma das oportunidades mais promissoras para os sistemas elétricos modernos. Ambas as tecnologias são fundamentais para a descarbonização, mas trazem consigo uma incerteza inerente que pode comprometer a estabilidade da rede. A energia eólica depende das condições meteorológicas, e a disponibilidade dos veículos elétricos está sujeita aos padrões individuais de condução e carregamento dos usuários. Essa variabilidade muitas vezes leva a desvios entre os planos do dia anterior e a entrega física real, resultando em penalidades financeiras e maior pressão sobre a rede. Uma nova pesquisa, recentemente publicada no Chinese Journal of Automotive Engineering, apresenta uma solução integral para esse problema: uma estratégia inovadora de oferta em tempo real que permite a flutuas de veículos elétricos e parques eólicos participarem conjuntamente e de forma rentável nos mercados de energia e regulação de frequência, garantindo simultaneamente o equilíbrio da rede.
A equipe de pesquisa, liderada por Pang Songling do Instituto de Pesquisa Elétrica da Hainan Power Grid Co., Ltd. e do Laboratório Conjunto de Redes Inteligentes e Microrredes Insulares, em colaboração com colegas do Laboratório Nacional de Tecnologia de Equipamentos de Transmissão de Energia da Universidade de Chongqing, desenvolveu um modelo de otimização de dois níveis. Este modelo vai além dos simples algoritmos de negociação e aborda os problemas fundamentais da incerteza e da integridade do mercado por meio da introdução de um modelo de limites dinâmicos de programação e um mecanismo robusto de avaliação de desvios. O trabalho representa um avanço significativo ao transferir a pesquisa teórica para uma aplicação prática no mundo real, que é de grande benefício tanto para os operadores de rede quanto para os participantes do mercado.
O ponto central da estratégia é o conceito do “limite dinâmico de programação” para veículos elétricos. Os modelos tradicionais muitas vezes se baseiam em suposições estáticas sobre a disponibilidade de uma frota de veículos, feitas na noite anterior. Essas suposições podem se tornar rapidamente imprecisas durante o dia à medida que os veículos chegam ou saem antes ou depois do esperado. O novo modelo resolve esse problema ao atualizar continuamente o limite de programação. O agregador de veículos elétricos, uma entidade central que gerencia milhares de veículos, coleta dados em tempo real sobre o estado de carga atual (SOC), a hora de partida prevista e os requisitos de carregamento de cada veículo individual. Quando um veículo se conecta a uma estação de carregamento, é imediatamente classificado em uma das várias categorias com base nesses parâmetros. Essa classificação considera o SOC inicial, o SOC desejado e a hora de partida prevista. Ao agregar esses veículos classificados, o agregador pode obter uma visão precisa e dinâmica da capacidade total de potência e energia disponível da frota em qualquer momento. Essa capacidade de quantificar a “capacidade flexível” da frota em tempo real é a base para tomar decisões comerciais fundamentadas no mercado em tempo real, que é rápido e altamente competitivo.
Esse modelo de limite dinâmico é complementado por um algoritmo de alocação rápida de potência. Uma vez que o agregador determina a potência total ideal para carga, descarga e reserva de regulação de frequência para um determinado período, ele precisa distribuir essa instrução de forma eficiente e justa entre os veículos individuais. O algoritmo proposto minimiza o desvio entre o plano de carregamento ideal individual e o plano realmente implementado. Considera as limitações físicas de cada veículo, como a potência máxima de carga e descarga, os limites do SOC para proteger a bateria e os requisitos de carregamento individuais do usuário. Essa tradução fluida de uma decisão em nível de frota para milhares de comandos individuais de veículos é um avanço técnico crucial que torna possível a implementação em larga escala de tecnologias Vehicle-to-Grid (V2G).
A verdadeira inovação do estudo reside em sua abordagem integrada aos mercados de energia e regulação de frequência. Em vez de considerar esses mercados separadamente, o modelo permite uma participação simultânea. Os veículos elétricos e os parques eólicos podem não apenas vender energia, mas também oferecer sua capacidade de responder em segundos a desvios de frequência, injetando ou absorvendo potência. Essa participação dupla é crucial, pois permite que os participantes do mercado gerem receitas de múltiplas fontes. Um veículo elétrico pode obter lucros por meio da arbitragem de energia, carregando quando o preço da eletricidade é baixo e descarregando quando é alto, e ao mesmo tempo receber uma taxa de capacidade apenas por estar disponível para fornecer serviços de regulação de frequência quando necessário. Isso maximiza a rentabilidade e torna a participação no mercado mais atraente para ambas as partes.
Para garantir que os participantes do mercado cumpram seus compromissos, é incorporado um mecanismo robusto de avaliação de desvios. Esse mecanismo é o pilar da integridade do mercado. Na realidade, a potência real de um parque eólico ou a potência líquida de uma frota de veículos elétricos se desviará da quantidade ofertada no mercado anterior devido a eventos imprevistos. O mecanismo proposto quantifica o custo desses desvios. Se um participante do mercado fornecer mais energia do que ofertou (por exemplo, porque o vento está soprando mais forte do que o previsto), pode receber uma compensação a um preço em tempo real mais baixo. Se, por outro lado, fornecer menos do que ofertou, enfrenta uma penalidade elevada, que muitas vezes é significativamente maior do que a recompensa por uma superentrega. Um princípio semelhante se aplica aos desvios na capacidade de regulação de frequência ofertada. Essa estrutura assimétrica de penalidades, em que o não cumprimento é punido mais severamente do que a superentrega, é projetada para promover previsões conservadoras e precisas e garantir a confiabilidade do sistema como um todo.
A estrutura matemática do modelo é concebida como um problema de otimização de dois níveis, refletindo a estrutura hierárquica do mercado. No nível superior, os participantes individuais do mercado, o agregador de veículos elétricos e o fornecedor de energia eólica, atuam como “jogadores líderes”. Seu objetivo principal é minimizar seus próprios custos de avaliação de desvios e custos operacionais, como o desgaste da bateria nos veículos elétricos. Tomam suas decisões comerciais com base em seus modelos internos dos recursos disponíveis e nas condições atuais do mercado. No nível inferior, a bolsa de energia atua como um “jogador seguidor”. Seu objetivo é minimizar o custo total de operação do sistema, que inclui o custo da energia, o custo de aquisição de serviços de regulação de frequência e o custo de equilibrar qualquer desequilíbrio remanescente por meio de geradores de reserva mais caros. A bolsa liquida o mercado determinando os preços marginais nodais em tempo real com base em todas as ofertas que recebe.
A interação entre esses dois níveis é complexa e iterativa. As ações do nível superior influenciam os preços de liquidação do mercado estabelecidos pelo nível inferior, o que por sua vez influencia as estratégias comerciais ideais dos participantes. Para resolver esse problema computacionalmente desafiador, os pesquisadores utilizaram as condições de Karush-Kuhn-Tucker (KKT), transformando efetivamente o problema de dois níveis em um programa linear misto de um único nível. Essa escolha metodológica torna o modelo gerenciável para aplicação no mundo real e permite uma tomada de decisão oportuna em um intervalo de mercado de 15 minutos.
O estudo apresenta uma análise de caso detalhada para validar a eficácia da estratégia proposta. A simulação, conduzida ao longo de um período de 24 horas com 96 intervalos de quinze minutos, utiliza parâmetros realistas para frotas de veículos elétricos e perfis de geração eólica. Os resultados são convincentes. O modelo de limite de programação dinâmico captura com sucesso o ritmo diário da disponibilidade de veículos elétricos, onde a capacidade de potência e energia da frota cai a zero pela manhã quando os veículos deixam suas estações de carregamento e sobe novamente à noite quando retornam. Essa visão dinâmica é muito mais precisa do que uma capacidade estimada estática e anterior.
Para a energia eólica, a estratégia mostra uma adaptação inteligente às condições de mercado. Durante os períodos de altos preços para serviços de regulação de frequência, o parque eólico oferece estrategicamente capacidade para regulação ascendente, mantendo sua saída de potência abaixo de sua capacidade máxima prevista para ter margem para aumentos rápidos. Em contrapartida, quando os preços da energia são altos e sua saída de potência está perto do máximo, concentra-se na oferta de desvios de energia e aceita que sua capacidade de regulação descendente é limitada por suas restrições físicas de rampa. A análise mostra que a energia eólica muitas vezes supera a programação anterior, transformando potenciais penalidades por desequilíbrio em uma fonte adicional de receita quando o preço em tempo real é favorável.
Os impactos nos veículos elétricos são igualmente profundos. O modelo mostra que os veículos elétricos podem realizar arbitragem de energia rentável sem comprometer as necessidades dos usuários. Carregando energia adicional quando a energia eólica é excessiva e os preços da eletricidade são baixos, e descarregando essa energia armazenada durante as horas de pico de preços, os proprietários de veículos elétricos podem maximizar seu benefício financeiro. É crucial que a estratégia garanta que essa atividade de arbitragem seja realizada dentro dos limites do limite dinâmico de programação, assegurando que o veículo esteja suficientemente carregado para a hora de partida do proprietário. Além disso, a inclusão dos custos de desgaste da bateria na otimização evita ciclos excessivos, promovendo a saúde a longo prazo da bateria do veículo.
O estudo também destaca a relação sinérgica entre os veículos elétricos e a energia eólica. A flexibilidade da frota de veículos elétricos atua como um amortecedor natural para a variabilidade da geração eólica. Quando a energia eólica supera as previsões, os veículos elétricos podem absorver a energia excedente carregando mais. Quando a energia eólica está abaixo do esperado, os veículos elétricos podem descarregar para ajudar a atender à demanda. Esse suporte mútuo reduz o desequilíbrio geral do sistema, diminui a necessidade de serviços de equilíbrio caros de usinas de energia convencionais e contribui para uma rede mais estável e eficiente.
As implicações dessa pesquisa vão muito além do reino teórico. Fornece um plano prático sobre como os operadores de rede e os projetistas de mercados podem criar um mercado elétrico mais inclusivo e resistente. Ao estabelecer regras claras para penalidades por desvios e permitir uma tomada de decisão rápida e precisa por meio da modelagem dinâmica, a estratégia reduz as barreiras de entrada para recursos energéticos distribuídos. Transforma os veículos elétricos de consumidores passivos em ativos ativos e geradores de receita para a rede, o que pode melhorar significativamente a viabilidade econômica das tecnologias V2G e promover uma maior aceitação por parte dos consumidores.
Para os operadores de parques eólicos, a estratégia oferece uma maneira mais sofisticada de monetizar sua geração, passando de uma simples venda de energia para participar de serviços auxiliares de maior valor. Essa diversificação de fontes de receita pode melhorar a viabilidade financeira de projetos eólicos, especialmente em mercados com alta penetração de energias renováveis, onde os preços da energia podem ser voláteis.
O trabalho também enfatiza a importância da análise avançada de dados e da infraestrutura de comunicação em tempo real. O sucesso do modelo de limite dinâmico depende de um fluxo de dados confiável e oportuno dos veículos elétricos individuais para o agregador. Isso exige medidas sólidas de cibersegurança e protocolos de comunicação padronizados, que são componentes centrais de uma rede elétrica inteligente moderna.
Embora o modelo atual represente um avanço significativo, os autores reconhecem áreas para pesquisas futuras. O estudo foca em um único agregador de veículos elétricos; um mercado mais complexo com múltiplos agregadores concorrentes introduziria novas dinâmicas estratégicas. A inclusão de outros recursos flexíveis, como armazenamento distribuído de baterias e gerenciamento da demanda de edifícios comerciais, poderia aumentar ainda mais a flexibilidade do sistema. Além disso, o desenvolvimento de mecanismos de incentivo eficazes para encorajar os proprietários de veículos elétricos a participar de tais programas continua sendo um desafio social e econômico crucial.
Em conclusão, a pesquisa de Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi e Zhang Qian oferece uma estrutura inovadora para a integração em tempo real de veículos elétricos e energia eólica nos mercados de energia e regulação de frequência. Ao combinar um modelo de limite de programação dinâmico, um algoritmo de alocação de potência rápida e um mecanismo de avaliação de desvios bem calibrado em um modelo de otimização de dois níveis rigoroso, criaram uma estratégia que não apenas garante o equilíbrio energético em tempo real, mas também maximiza o benefício econômico tanto para os proprietários de recursos quanto para todo o sistema elétrico. Este trabalho é um passo decisivo em direção a um futuro em que a variabilidade das energias renováveis não é um fardo, mas uma característica gerenciada, e em que os milhões de veículos elétricos nas estradas se tornam um pilar de uma rede elétrica flexível, sustentável e economicamente eficiente.
Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi, Zhang Qian, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Smart Grid and Island Microgrid Joint Laboratory, State Key Laboratory of Power Transmission Equipment Technology, Chongqing University, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.08