Estratégia Inteligente de Rede com Veículos Elétricos
A revolução da mobilidade elétrica está transformando não apenas a maneira como dirigimos, mas também como gerenciamos e estabilizamos toda a rede elétrica. Os veículos elétricos (VE), uma vez considerados meros consumidores de energia, estão emergindo como ativos dinâmicos e essenciais dentro da infraestrutura energética moderna. Através da tecnologia Veículo-à-Rede (Vehicle-to-Grid, V2G), esses automóveis podem não apenas receber carga, mas também devolver eletricidade à rede quando necessário, atuando como uma frota massiva de baterias móveis. Esse potencial é crucial para integrar as energias renováveis, cuja geração é inerentemente intermitente. No entanto, esse novo paradigma introduz uma complexidade sem precedentes: a disponibilidade dos VE para apoiar a rede é altamente imprevisível, dependendo dos padrões de condução e carga de seus proprietários. Neste contexto, manter a frequência e a tensão da rede dentro de limites estáveis torna-se um desafio monumental.
Um time de pesquisadores da Universidade de Wuhan, liderado por Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke e Lilong Xie, desenvolveu uma estratégia de controle de ponta que enfrenta esse desafio de frente. Sua solução inovadora, publicada na prestigiada revista Transactions of China Electrotechnical Society, propõe um sistema de controle inteligente que combina a precisão preditiva do controle preditivo baseado em modelo (MPC) com a capacidade de aprendizado adaptativo do aprendizado por reforço profundo (DRL). O resultado é um controlador que não apenas responde às perturbações, mas também evolui e se adapta continuamente às condições mutáveis do sistema, garantindo uma estabilidade superior mesmo em cenários de alta incerteza.
O problema central que os pesquisadores identificam é a “forte incerteza” que caracteriza as microrredes modernas. Essa incerteza provém de três fontes principais. Primeiro, as fontes de energia renovável, como o vento e o sol, são inerentemente variáveis e difíceis de prever com precisão. Segundo, a demanda de energia dos consumidores flutua constantemente. E terceiro, e este é o fator mais novo e desafiador, os próprios veículos elétricos. A capacidade de uma estação de recarga fornecer potência para o controle de frequência não é fixa; é um limite dinâmico que muda em tempo real. Esse limite depende de quantos VE estão conectados, seu estado de carga (State of Charge, SOC) e, mais importante, dos padrões de mobilidade dos usuários. Um motorista que deixa seu veículo conectado durante a noite oferece uma janela de oportunidade longa para a interação com a rede. Outro que apenas carrega durante uma pausa para o almoço é praticamente inútil como recurso de estabilização. Essa volatilidade torna inadequados os métodos de controle tradicionais, que dependem de parâmetros fixos. Se, por exemplo, durante o horário de pico da tarde, muitos veículos se desconectam das estações, a capacidade disponível para o controle de frequência pode colapsar. Um controlador tradicional, incapaz de reconhecer e reagir a essa mudança repentina, não pode manter a estabilidade da rede.
Um aspecto adicional, muitas vezes ignorado em estudos anteriores, é o acoplamento entre o controle de frequência e o controle de tensão. Em um sistema de energia, essas duas funções não operam isoladamente. O sistema de regulação automática de tensão (AVR), que ajusta a excitação do gerador para manter uma tensão estável, introduz indiretamente uma perturbação na potência ativa do sistema. Quando o AVR atua, ele muda a corrente de excitação, que por sua vez afeta a potência ativa gerada e, consequentemente, a frequência da rede. Isso significa que um controlador de frequência não deve apenas compensar os desequilíbrios entre carga e geração, mas também deve contrapor as interferências indesejadas introduzidas pelo próprio sistema de regulação de tensão. Modelos convencionais que não consideram essa interação complexa oferecem uma representação incompleta e menos realista do comportamento da rede.
Para superar essas limitações, a equipe de Wuhan projetou uma arquitetura de controle em duas camadas que combina os pontos fortes do MPC e do DRL. A camada inferior é o controlador MPC. O MPC é uma técnica avançada que prevê o comportamento futuro do sistema ao longo de um horizonte de tempo. A cada instante, ele resolve um problema de otimização para determinar a melhor sequência de ações de controle para todo o horizonte, levando em conta todas as restrições do sistema, como a taxa máxima de mudança de potência de uma turbina ou a capacidade máxima de carga/descarga de uma frota de VE. Essa capacidade de lidar com restrições de forma explícita o torna ideal para sistemas complexos. No entanto, o MPC tradicional tem um ponto fraco: seus parâmetros, especialmente as matrizes de ponderação que determinam a importância relativa da minimização do desvio de frequência em relação ao esforço de controle, são geralmente fixos. Se as condições do sistema mudarem drasticamente, esses parâmetros fixos podem se tornar subótimos, degradando o desempenho.
É aqui que entra a camada superior: o agente DRL, especificamente um algoritmo Multi-Agent Deep Deterministic Policy Gradient (MA-DDPG). O DRL permite que um “agente” aprenda a tomar decisões ótimas por meio da experiência, guiado por uma função de recompensa. O agente observa o estado do sistema (por exemplo, desvios de frequência, níveis de tensão, disponibilidade de VE) e toma uma “ação”. Se essa ação melhorar a estabilidade do sistema, ele recebe uma recompensa positiva e aprende a repeti-la. A abordagem de “múltiplos agentes” é crucial para um sistema de microrredes. Em vez de um controlador central, há um agente para cada submicrorrede que pode se comunicar e coordenar-se com os demais. Essa estrutura de “treinamento centralizado, execução distribuída” permite uma coordenação descentralizada e eficiente.
Nesta estratégia, a “ação” do agente MA-DDPG não é controlar diretamente os geradores ou os VE. Em vez disso, sua ação é ajustar dinamicamente os parâmetros do controlador MPC da camada inferior. O agente monitora continuamente o estado do sistema em tempo real. Se detectar que a capacidade dos VE está diminuindo, pode aumentar o peso atribuído à potência dos VE na função de custo do MPC, indicando ao MPC que dependa mais de outras fontes, como turbinas de microturbina. Se o sistema AVR estiver causando uma perturbação significativa, o agente pode ajustar os parâmetros para tornar o MPC mais agressivo ao contrariá-la. Dessa forma, cria-se um controlador MPC “evolutivo”. O MPC fornece o quadro robusto e baseado em restrições, enquanto o agente DRL atua como um “ajustador mestre”, otimizando continuamente a estratégia do MPC de acordo com o ambiente mutável.
Os pesquisadores validaram sua estratégia por meio de extensas simulações de um sistema de microrredes com três submicrorredes interconectadas, cada uma equipada com turbinas de microturbina, energia eólica e estações de recarga para VE. O sistema foi submetido a cenários de alta dificuldade. Em um, foram aplicadas fortes perturbações aleatórias de carga e vento. Em outro, uma turbina de microturbina chave falhou completamente, simulando uma contingência severa. Os resultados foram conclusivos. Em comparação com controladores tradicionais como PID e difusos, e com um MPC padrão, a estratégia LBMPC proposta demonstrou um desempenho superior. Alcançou um desvio de frequência médio e máximo significativamente menor, um tempo de recuperação mais rápido (inferior a um segundo) e uma “taxa de excelência” muito mais alta, o que significa que a frequência permaneceu dentro de uma margem estreita e aceitável por uma porcentagem muito maior do tempo.
O teste definitivo da inteligência do sistema veio de um cenário que simulava o ciclo diário de uso dos VE. Foi simulada uma perturbação às 17h, quando a maioria dos veículos está na estrada e não está disponível, em comparação com uma perturbação semelhante à 00h, quando a maioria está conectada e carregando. Os controladores tradicionais, com seus parâmetros fixos, tiveram um desempenho deficiente às 17h porque não podiam se adaptar à capacidade de VE drasticamente reduzida. Sua capacidade de controle de frequência entrou em colapso. Em contraste, o controlador LBMPC ajustou dinamicamente seus parâmetros MPC. Reconheceu as condições mutáveis e redistribuiu a carga de controle de frequência para outras fontes disponíveis, mantendo um desempenho excelente. Isso demonstrou sua capacidade de se adaptar a mudanças previsíveis e cíclicas no sistema, uma habilidade essencial para a implementação no mundo real.
Um aspecto particularmente inovador e importante para a segurança é a tolerância a falhas inerente ao design. Os autores reconhecem um risco fundamental de controladores puramente baseados em DRL: o problema da “caixa preta”. Se um agente DRL encontrar uma situação radicalmente diferente de tudo o que viu durante o treinamento, pode falhar catastróficamente, gerando sinais de controle absurdos ou perigosos. Para uma rede elétrica, onde a estabilidade é crítica, esse risco é inaceitável. A arquitetura de duas camadas resolve esse problema de maneira elegante. Se o agente da camada superior falhar ou não puder gerar uma saída válida, o controlador MPC da camada inferior não se desativa. Em vez disso, volta a usar um conjunto de parâmetros pré-definidos e conservadores. Embora esse “modo seguro” possa não ser ótimo, garante a estabilidade do sistema. Isso assegura que uma falha no componente de inteligência artificial não cause o colapso de todo o sistema de controle, uma característica vital para qualquer infraestrutura crítica.
As implicações dessa pesquisa são profundas. Ela fornece um plano para a próxima geração de controladores de rede inteligentes que são não apenas automatizados, mas verdadeiramente inteligentes. Ao criar um sistema que pode aprender, adaptar-se e auto-otimizar-se, os pesquisadores deram um passo significativo em direção a uma rede elétrica com alta penetração de energias renováveis. A integração bem-sucedida dos VE como um recurso de rede flexível é a chave para esse futuro. Essa estratégia de controle transforma um potencial fonte de instabilidade em uma poderosa ferramenta de resiliência. Permite que os mesmos veículos que impulsionam a eletrificação do transporte também desempenhem um papel central na estabilização da rede que os alimenta. O trabalho de Fan, Yang, Wen, Ke e Xie representa um avanço significativo no campo do controle de sistemas de energia, oferecendo uma solução robusta, adaptável e segura para os complexos sistemas energéticos do amanhã.
Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Lilong Xie, School of Electrical and Automation, Wuhan University. Transactions of China Electrotechnical Society. DOI:10.19595/j.cnki.1000-6753.tces.222138