Frotas de Caminhões Elétricos Ganham Previsões de Carregamento Mais Inteligentes
Num avanço significativo para a integração de veículos pesados elétricos à rede, investigadores desenvolveram um novo modelo de previsão que melhora drasticamente a precisão das previsões de carga de carregamento para agregações de caminhões elétricos. Esta inovação aborda um dos desafios mais prementes na eletrificação do transporte de carga: a imprevisível e impactante demanda de energia que estes veículos impõem às redes elétricas locais e regionais.
Ao contrário dos veículos elétricos de passageiros, que normalmente consomem energia moderada durante períodos prolongados, os caminhões pesados elétricos — frequentemente designados como caminhões elétricos (CEs) — caracterizam-se por capacidades de bateria maciças e taxas de carregamento extremamente elevadas. Um único caminhão elétrico pode exigir tanta energia quanto dezenas de veículos elétricos de passageiros combinados durante uma sessão de carregamento rápido. Quando centenas destes veículos operam dentro de um centro logístico ou depósito, o seu comportamento coletivo de carregamento pode criar picos súbitos e acentuados na procura de eletricidade, potencialmente desestabilizando a rede, aumentando os custos de pico de carga e degradando a qualidade da energia.
Até agora, os modelos de previsão para tais frotas basearam-se largamente em metodologias de estudos de veículos elétricos de passageiros, que não conseguem ter em conta as dinâmicas operacionais únicas do transporte de carga. Estas incluem horários de entrega rigorosos, pesos de carga variáveis, planeamento complexo de rotas sob restrições de tempo, e a influência das condições de tráfego no consumo de energia. Como resultado, as previsões existentes ficam frequentemente aquém de capturar a aleatoriedade e volatilidade do mundo real dos padrões de carregamento de caminhões elétricos.
Um novo estudo publicado na Electric Power oferece uma solução convincente. Liderado por Hang Liu da State Grid Handan Electric Power Supply Company, a equipa de investigação introduz uma estrutura de previsão de carga construída sobre um modelo de cadeia de Markov de ordem superior, explicitamente concebido para incorporar as realidades logísticas das operações de caminhões elétricos. A abordagem não só refina a previsão temporal de quando os caminhões serão ligados, mas também melhora significativamente a precisão da estimativa do consumo total de energia em qualquer hora dada.
No cerne do modelo está uma compreensão sofisticada do fluxo de trabalho diário do caminhão elétrico. Os investigadores começam por modelar a rede de distribuição como um grafo, com nós que representam centros de distribuição, pontos de clientes e estações de carregamento. Crucialmente, introduzem uma restrição de “janela de tempo flexível” no processo de otimização de rotas. Na logística do mundo real, os clientes especificam frequentemente uma janela de entrega preferencial, mas chegadas antecipadas ou tardias são permitidas — ainda que com uma penalidade financeira para o transportador. Esta flexibilidade é uma característica definidora do transporte de carga comercial que os modelos de agendamento rígidos ignoram. Utilizando um algoritmo genético para minimizar uma função de custo combinada de despesas de viagem e penalidades de janela de tempo, a equipa gera rotas de entrega otimizadas e realistas para cada caminhão na frota.
Uma vez estabelecida a rota, o modelo simula a jornada do veículo em detalhe. Considera como o congestionamento de tráfego — quantificado através de dados de fluxo de tráfego em tempo real ou históricos — afeta a velocidade média e, consequentemente, o consumo de energia. Diferentes tipos de estrada (por exemplo, autoestradas versus ruas urbanas) têm perfis de energia distintos, e o tráfego frequente de parar e arrancar em áreas densas pode aumentar significativamente o consumo de energia por quilómetro. Integrando este modelo dinâmico de consumo de energia, o sistema pode acompanhar continuamente o estado de carga (SOC) de um caminhão durante o seu turno.
A decisão de carregar não é arbitrária. O modelo aciona um evento de carregamento quando o SOC de um caminhão cai abaixo de um limiar crítico — estabelecido em 20% no estudo — ou quando a sua energia restante é insuficiente para completar a rota atribuída. Este é um acionador mais nuances do que um simples alerta de bateria fraca; é uma previsão baseada no futuro operacional imediato do veículo. Além disso, o modelo respeita o cronograma logístico. Se um caminhão tiver uma entrega subsequente que deve ser cumprida, irá carregar apenas o suficiente para chegar ao seu próximo destino a tempo, em vez de carregar à capacidade total. Isto evita tensão desnecessária na rede e alinha o comportamento de carregamento com as prioridades empresariais.
Este processo produz uma linha temporal precisa para os horários de início e fim de carregamento de cada caminhão. Agregar estes dados em toda a frota fornece uma previsão altamente granular de quantos caminhões estarão a carregar em qualquer hora do dia. Na sua validação utilizando dados do mundo real de um parque logístico com uma frota de 400 caminhões elétricos, os investigadores descobriram que a previsão do seu método da quantidade de carregamento correspondia de perto às medições reais, superando um modelo tradicional de distribuição de Poisson ao reduzir o erro médio em 8%.
No entanto, saber o número de caminhões a carregar é apenas metade da batalha. A carga total de energia também depende de quanta energia cada caminhão necessita, o que está diretamente ligado ao seu SOC à chegada ao carregador. É aqui que entra a segunda grande inovação do modelo: uma “discretização fuzzy de dois níveis” do SOC.
Os modelos tradicionais dividem frequentemente a gama de 0-100% SOC num punhado de caixas amplas (por exemplo, 0-20%, 20-40%, etc.). Para um veículo com uma bateria de 300 kWh, uma única caixa pode representar um potencial massivo de 60 kWh de energia, criando uma grande margem de erro na previsão de carga. O novo modelo introduz uma abordagem aninhada. Primeiro cria cinco conjuntos fuzzy primários que capturam o estado qualitativo da bateria: “muito baixo”, “baixo”, “normal”, “alto” e “muito alto”. Dentro de cada um destes conjuntos primários, cria então uma subdivisão mais fina em n intervalos menores. Esta discretização de dupla camada permite ao modelo capturar diferenças subtis mas críticas na procura de carregamento. Um caminhão que chega a 18% de SOC tem um perfil de carregamento muito diferente de um a 2%, mesmo que ambos caiam na mesma categoria “baixa” num modelo grosseiro.
Com estes dados de SOC de alta resolução, os investigadores aplicam então a sua cadeia de Markov de ordem superior. Um modelo de Markov padrão (de primeira ordem) assume que o SOC futuro de um caminhão depende apenas do seu estado atual. Na realidade, a sua trajetória é influenciada pelo seu historial recente — o seu SOC durante as últimas várias horas. Um modelo de ordem superior, neste caso um de segunda ordem, incorpora esta memória. Calcula probabilidades de transição de múltiplos passos, perguntando não apenas “Para onde irá o SOC deste caminhão a partir daqui?” mas “Dado o seu SOC há duas horas e o seu SOC agora, onde é mais provável que esteja na próxima hora?”
Este contexto histórico é vital para capturar a inércia e tendências no comportamento de uma frota. Por exemplo, se um grande número de caminhões esteve em rotas de longo curso durante as últimas horas, o modelo pode antecipar uma vaga de chegadas com descarga profunda ao depósito ao final do dia, levando a um surto de carga previsível e substancial. Ao aproveitar estes dados históricos mais ricos, a cadeia de Markov de ordem superior produz uma previsão muito mais precisa e estável da procura agregada de energia.
Os resultados da sua simulação são impressionantes. O modelo previu com sucesso a curva de carga diária característica da frota de caminhões elétricos, com um pico maior no final da tarde (atingindo 8,1 MW no seu caso de teste) à medida que os caminhões regressavam das suas entregas do dia. Quando comparado com um modelo padrão de cadeia de Markov de primeira ordem, a abordagem de ordem superior reduziu o erro médio de previsão em impressionantes 22,24%. Este nível de precisão manteve-se mesmo quando escalaram a simulação para frotas maiores de 600 e 800 caminhões, demonstrando a robustez do modelo.
As implicações deste trabalho estendem-se muito além do interesse académico. Para uma utility ou um operador de rede, uma melhoria de 22% na precisão da previsão é um ponto de viragem. Permite um planeamento muito mais eficaz dos recursos de geração, reduz a necessidade de centrais elétricas de pico dispendiosas e minimiza o risco de sobrecargas locais da rede. Para a própria empresa de logística, uma previsão de carga precisa é a base para implementar estratégias inteligentes de carregamento. Podem negociar melhores tarifas de eletricidade ao deslocar o carregamento não urgente para horas de vazio, ou até participar em programas de resposta à procura, ganhando receita ao reduzir a sua carga durante emergências do sistema.
Além disso, a capacidade do modelo para acompanhar não apenas o carregamento, mas também o potencial para serviços veículo-para-rede (V2G), é uma característica prospetiva. O artigo observa que caminhões com um SOC “alto” ou “muito alto” e sem ordens de entrega imediatas podem servir como um recurso energético distribuído, fornecendo energia de volta à rede durante períodos de pico. Prever com precisão esta capacidade disponível é um primeiro passo crítico para desbloquear este valioso serviço de equilíbrio da rede.
Embora o modelo atual seja um grande avanço, os autores reconhecem as suas limitações. Ainda não considera a degradação a longo prazo da saúde da bateria, que é um fator crucial na economia das frotas comerciais. Trabalhos futuros poderiam integrar modelos de envelhecimento de baterias para criar uma estrutura operacional mais holística que equilibre as necessidades da rede com a longevidade do veículo.
Numa era em que a eletrificação do transporte pesado está a acelerar rapidamente, esta investigação fornece uma ferramenta vital para garantir que esta transição não é apenas benéfica para o ambiente, mas também técnica e economicamente viável para a rede elétrica. Ao basear um modelo matemático sofisticado nas realidades práticas das operações logísticas, a equipa construiu uma ponte entre o mundo do transporte de carga e a engenharia de sistemas de energia. O seu trabalho abre caminho para um futuro em que frotas massivas de caminhões elétricos não são uma ameaça à estabilidade da rede, mas um ativo previsível, gerível e até de suporte no ecossistema de energia limpa.
Autores: Hang Liu, Hao Shen, Yong Yang (State Grid Handan Electric Power Supply Company); Ling Ji (Guodian Nanjing Automation Co., Ltd.); Yang Yu (State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources, North China Electric Power University). Publicado em: Electric Power, Vol. 57, No. 5, Maio de 2024. DOI: 10.11930/j.issn.1004-9649.202306066.