Estratégia Inteligente para Carros Elétricos
A revolução dos veículos elétricos (VEs) vai muito além da simples substituição do motor a combustão. Ela representa uma transformação fundamental da relação entre mobilidade e infraestrutura energética. À medida que milhões desses novos consumidores de energia se conectam à rede elétrica, surge um paradoxo: a mesma frota de baterias móveis que ameaça sobrecarregar a rede durante os horários de pico noturnos pode se tornar a solução mais poderosa para a estabilidade do sistema. Imagine um futuro em que os VEs não são meros consumidores de energia, mas participantes ativos no mercado elétrico, capazes de armazenar o excesso de energia solar e eólica durante o dia e devolvê-la à rede quando a demanda é máxima. A verdadeira questão não é mais se os veículos elétricos podem apoiar a rede, mas como projetar um sistema que torne essa colaboração fluida, vantajosa para todos os envolvidos e, acima de tudo, aceitável e conveniente para o motorista médio.
As abordagens tradicionais para gerenciar grandes frotas de VEs geralmente se baseiam em modelos de otimização centralizados. Esses modelos tratam toda a frota como uma entidade homogênea, calculando um plano de carregamento ideal com base em condições agregadas da rede e nos preços da energia. Embora matematicamente elegantes, esses métodos esbarram em obstáculos práticos. Eles exigem uma capacidade de cálculo imensa, frequentemente carecem de dados do mundo real sobre padrões de condução individuais e, crucialmente, ignoram as interações estratégicas complexas entre os diferentes atores. O agregador de carga (LA), que atua como intermediário entre a rede e os consumidores, persegue seus próprios objetivos de lucro. Por outro lado, os proprietários de VEs são guiados por uma mistura de considerações econômicas e conforto pessoal. Uma ordem centralizada para carregar em um horário específico pode ser ideal para a rede, mas corre o risco de alienar os usuários se entrar em conflito com suas rotinas diárias ou se os incentivos financeiros não forem suficientemente atraentes. Esse descompasso entre modelos teóricos e o comportamento humano real tem sido um obstáculo persistente para a implementação generalizada de programas de Veículo-para-Rede (V2G) eficazes.
Um estudo inovador publicado na revista Power System Protection and Control oferece uma solução sofisticada para esse dilema. Os pesquisadores Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang e Yulin Fu do College of Electrical Engineering da Universidade de Energia Elétrica de Xangai desenvolveram uma estratégia de otimização em dois níveis baseada no “jogo de Stackelberg” que modela explicitamente a interação estratégica entre um agregador de carga e grupos de usuários de VEs. Seu modelo, intitulado “Estratégia de otimização de programação para veículos elétricos agregados considerando a satisfação do cliente e a rede viária”, vai além de suposições simplistas ao incorporar dados de viagem reais, a psicologia do usuário e as restrições físicas da rede de transporte. O resultado é uma estrutura que não apenas melhora a estabilidade da rede e aumenta o consumo de energia renovável, mas também oferece benefícios tangíveis tanto para o agregador quanto para o proprietário individual de um VE, criando um cenário verdadeiramente vantajoso para todos.
O fundamento desse novo enfoque é uma compreensão profunda da mobilidade humana. Em vez de confiar em padrões de viagem sintéticos ou médios, a equipe de pesquisa utilizou um conjunto de dados rico sobre o comportamento real de condução. Sua análise foi baseada em um mês de registros de viagem do serviço de transporte por aplicativo Didi Chuxing na cidade de Chengdu. Isso forneceu uma imagem de alta resolução das viagens reais, incluindo pontos de partida e destino, horários de viagem e trajetórias dos veículos. Para transformar esses dados brutos de GPS em um modelo significativo do comportamento urbano, os pesquisadores construíram uma representação digital detalhada da rede viária da cidade. Utilizando um software de Sistema de Informação Geográfica (SIG), mapearam as principais estradas e interseções, criando um gráfico topológico que os veículos simulados podiam navegar. Além disso, enriqueceram esse modelo espacial ao integrar dados de Pontos de Interesse (POI) do Gaode Map, um serviço líder de mapas digitais na China. Isso permitiu classificar diferentes áreas da cidade em zonas funcionais — residenciais, comerciais, de trabalho e de serviços públicos — fornecendo contexto sobre por que as pessoas viajam de um ponto a outro. Essa fusão de dados de viagem reais com uma rede viária geograficamente precisa e anotada funcionalmente é um avanço significativo, garantindo que a demanda simulada de carregamento esteja enraizada na realidade, refletindo padrões reais de deslocamento, compras e atividades de lazer.
Com um modelo realista do comportamento de viagem estabelecido, o próximo passo foi compreender as necessidades de carregamento que surgem dessa mobilidade. Os pesquisadores simularam as viagens de 2.000 veículos elétricos particulares em um dia representativo. Para cada veículo, rastrearam seu estado de carga (SOC), calculando o consumo de energia com base na distância percorrida e no tipo de estrada (por exemplo, rodovia versus rua urbana), o que afeta a velocidade e a eficiência. Um evento de carregamento era acionado quando o nível da bateria caía abaixo de um limite de segurança, tipicamente 20%. Esse processo gerou um mapa altamente detalhado, espaço-temporal, da demanda de carregamento em toda a cidade, revelando padrões previsíveis. Como esperado, um pico de carregamento significativo surgiu no final da tarde e à noite, entre 17h e 22h, quando os motoristas retornavam do trabalho e de outras atividades. Em contrapartida, a demanda de carregamento era muito menor nas primeiras horas da manhã. Essa previsão granular de quando e onde ocorreria o carregamento forneceu a entrada essencial para a fase subsequente de otimização.
O grande número e a diversidade de VEs tornam pouco prático para um agregador de carga gerenciar cada veículo individualmente. Para resolver isso, os pesquisadores empregaram um algoritmo de agrupamento K-means++, uma forma avançada de aprendizado de máquina não supervisionado. Esse algoritmo agrupou os 2.000 VEs em cinco clusters distintos com base na similaridade de seus horários de entrada e saída da rede — os períodos em que estavam disponíveis para carregar ou devolver energia à rede. O algoritmo K-means++ foi escolhido em vez do K-means padrão porque seleciona inteligentemente os centros iniciais dos clusters para que estejam o mais distantes possível, o que melhora drasticamente a velocidade e a confiabilidade do processo de agrupamento, evitando agrupamentos subótimos. Os clusters resultantes representavam diferentes arquétipos de usuários: um grupo que se conectava cedo pela manhã, outro que chegava em casa tarde à noite, um terceiro que tinha uma janela de carregamento no meio da tarde, e assim por diante. Esse agrupamento é um passo crucial, pois permite que o LA trate cada grupo como uma entidade mais previsível com uma janela de disponibilidade definida, simplificando enormemente o problema de programação.
No centro do sistema proposto está o jogo de Stackelberg, um quadro matemático para modelar a tomada de decisões hierárquica. Nesse cenário, o agregador de carga (LA) é o “líder”, e os cinco clusters de VEs são os “seguidores”. O jogo procede em uma sequência específica. Primeiro, o LA, que possui ou gerencia um portfólio de recursos energéticos distribuídos, incluindo turbinas eólicas, painéis solares e um sistema de armazenamento de energia por bateria (BESS), anuncia sua estratégia de preços para o dia. Essa estratégia consiste em dois preços dinâmicos para cada hora: um preço de “compra” mais alto, pelo qual o LA comprará eletricidade dos VEs que estão devolvendo energia à rede (V2G), e um preço de “venda” mais baixo, pelo qual venderá eletricidade aos VEs que estão carregando. O objetivo principal do LA é maximizar seu próprio lucro, calculado como suas receitas pela venda de energia à rede e a seus clientes, menos seus custos pela compra de energia da rede e pela manutenção de seus ativos energéticos.
Os clusters de VEs, como seguidores, observam os preços anunciados pelo LA e então tomam suas próprias decisões ótimas. O objetivo de cada cluster é maximizar seu “excedente do consumidor”, que é a diferença entre o benefício total que seus membros obtêm com o carregamento e o custo total que incorrem. É aqui que o modelo introduz um conceito revolucionário: a satisfação do usuário. Em vez de tratar os proprietários de VEs como agentes puramente econômicos, os pesquisadores desenvolveram uma função de utilidade abrangente que captura dois aspectos-chave da experiência do usuário. O primeiro é a satisfação com o custo de carregamento, que é uma métrica econômica direta — os usuários preferem preços baixos. O segundo é a satisfação com o padrão de uso, que mede o quanto o cronograma de carregamento otimizado se desvia do comportamento natural, não otimizado, do usuário. Um motorista que normalmente carrega imediatamente ao chegar em casa às 18h pode ficar insatisfeito se o cronograma ótimo exigir esperar até as 21h, mesmo que o preço seja mais baixo. Essa função quantifica esse incômodo. A satisfação geral do usuário é uma soma ponderada desses dois componentes, permitindo que o modelo represente diferentes tipos de usuários. Alguns usuários são altamente sensíveis ao preço e estão dispostos a mudar significativamente seu horário de carregamento para economizar dinheiro. Outros priorizam a conveniência e são menos propensos a alterar seus hábitos, mesmo por um ganho financeiro.
O brilhantismo do equilíbrio de Stackelberg reside no fato de que ele encontra uma solução estável onde nenhum jogador pode melhorar seu resultado mudando unilateralmente sua estratégia. O LA define preços projetados para provocar uma resposta específica e lucrativa dos clusters de VEs. Os clusters de VEs, por sua vez, respondem carregando e descarregando de uma maneira que maximiza sua própria satisfação, dada esses preços. Os pesquisadores usaram um algoritmo genético aprimorado para resolver esse complexo problema de otimização aninhada, ajustando iterativamente os preços do LA e as respostas dos clusters até que um equilíbrio fosse alcançado.
Os resultados da simulação demonstram o profundo impacto dessa abordagem. Em comparação com um cenário sem resposta à demanda, a estratégia otimizada levou a um efeito significativo de “redução de picos e enchimento de vales” na curva de carga da rede. A diferença entre pico e vale, uma métrica-chave da tensão na rede, foi reduzida em mais de 300 kW, uma melhoria substancial que aumenta a estabilidade da rede e reduz a necessidade de usinas de pico caras. A receita do LA aumentou 12,9%, um resultado direto de sua capacidade de comprar barato, vender caro e gerenciar eficientemente seus próprios ativos renováveis e de armazenamento. O mais importante é que o excedente do consumidor para os usuários de VE também aumentou em média 9,7%. Isso significa que, apesar da mudança estratégica em seus horários de carregamento, os usuários acabaram em uma posição melhor, principalmente porque as economias financeiras de carregar a preços baixos e vender a preços altos superaram o pequeno incômodo de um horário alterado. Esse aumento simultâneo de lucro e satisfação do usuário é a marca registrada de um sistema verdadeiramente bem-sucedido e sustentável.
O modelo também provou ser altamente eficaz na integração de energia renovável. Ao alinhar o carregamento de VEs com períodos de alta geração solar e eólica — tipicamente durante a metade do dia, quando o sol brilha e o vento sopra — o sistema aumentou significativamente a utilização dessas fontes limpas. Em vez de essa energia renovável ser limitada (desperdiçada) porque não há demanda imediata, ela é armazenada nas baterias dos VEs. Essa energia armazenada está disponível para ser devolvida à rede durante o pico noturno, quando a demanda é alta e a geração renovável é baixa. Isso não apenas reduz as emissões de carbono, mas também melhora a economia geral dos projetos de energia renovável.
Um dos achados mais convincentes do estudo é sua capacidade de fornecer um serviço personalizado com base nas preferências do usuário. Os pesquisadores executaram três cenários diferentes ajustando os pesos na função de satisfação do usuário. Em um cenário, os usuários foram modelados como altamente sensíveis ao preço. O LA respondeu criando um sinal de preço com uma grande diferença entre os preços de pico e fora de pico. Isso criou um forte incentivo financeiro para os usuários mudarem seu carregamento, levando a uma curva de carga muito plana e um alto excedente do consumidor, embora o lucro do LA tenha sido ligeiramente menor. Em outro cenário, os usuários foram modelados como altamente sensíveis à conveniência. O LA ofereceu uma estrutura de preços mais plana com menos variação, resultando em uma mudança menor no comportamento de carregamento. Embora esses usuários tenham tido um excedente do consumidor mais baixo, seus padrões de carregamento estavam mais próximos de seus hábitos naturais, e o LA alcançou seu lucro mais alto. Essa flexibilidade mostra que o sistema não é uma solução única, mas uma plataforma dinâmica que pode ser ajustada para atender a diferentes segmentos de mercado e perfis de usuário.
Essa pesquisa representa um salto significativo no campo da gestão de redes inteligentes. Ela fecha com sucesso a lacuna entre a teoria econômica abstrata e a realidade caótica do comportamento humano e da infraestrutura urbana. Ao basear seu modelo em dados de viagem reais, respeitar as preferências do usuário por meio de uma função de utilidade sofisticada e usar uma estrutura baseada na teoria dos jogos para modelar a interação estratégica, Zhang Meixia, Wang Xiaoqing, Yang Xiu, Zhang An e Fu Yulin criaram um plano para um futuro em que os veículos elétricos não são apenas um meio de transporte, mas um componente integrado, inteligente e benéfico de um sistema energético resiliente, limpo e eficiente. Seu trabalho demonstra que, com o design certo, a transição para a mobilidade elétrica pode ser uma jornada sem problemas e vantajosa para todos os envolvidos.
Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang, Yulin Fu, College of Electrical Engineering, Shanghai University of Electric Power, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.230925