Frotas de veículos elétricos impulsionam estabilidade da rede elétrica
A mobilidade elétrica está evoluindo rapidamente além do seu papel inicial como alternativa ecológica aos veículos movidos a combustão interna. Uma pesquisa inovadora conduzida por uma equipe da Universidade de Tecnologia de Hefei revela que os veículos elétricos (VEs), quando agrupados de forma inteligente, podem desempenhar um papel fundamental na estabilização das redes elétricas por meio de serviços auxiliares em múltiplos cenários. Esta nova abordagem de modelagem, baseada em dados do mundo real e técnicas avançadas de aprendizado de máquina, redefine como os veículos elétricos interagem com os sistemas energéticos, posicionando-os não mais como simples cargas passivas, mas como ativos dinâmicos e despacháveis.
O estudo, liderado por Wang Yangyang, doutorando no Centro de Pesquisa de Engenharia de Sistemas Fotovoltaicos do Ministério da Educação, introduz um novo método de agrupamento em duas camadas para modelar a capacidade despachável agregada (CDA) de grandes frotas de veículos elétricos. Esta capacidade, definida como os limites superior e inferior de troca de energia ou potência entre os veículos elétricos e a rede sob condições normais de uso, é crucial para permitir que usinas virtuais (UVs) participem de serviços como nivelamento de picos, regulação de frequência e suporte de tensão. Os resultados, publicados na revista Automation of Electric Power Systems, oferecem uma estrutura escalável para integrar milhões de veículos elétricos em sistemas de despacho elétrico em nível provincial.
Com a frota de veículos elétricos na China projetada para atingir quase 100 milhões de unidades até 2030, armazenando uma energia estimada de aproximadamente 4 terawatts-hora, as implicações de uma carga não coordenada são profundas. A carga desordenada poderia exacerbar os desequilíbrios na rede, especialmente com o aumento da penetração de energias renováveis. No entanto, o estudo demonstra que, por meio de tecnologias de Veículo para Rede (V2G) e agregação inteligente, os veículos elétricos podem se tornar um recurso flexível e responsivo capaz de fornecer uma capacidade de regulação em escala de gigawatts.
As abordagens tradicionais para modelar frotas de veículos elétricos frequentemente os tratam como entidades monolíticas ou dependem de suposições probabilísticas sobre o comportamento de carga. Esses métodos, embora úteis para aplicações em pequena escala, falham quando aplicados a redes regionais ou provinciais, onde a distribuição espacial, a diversidade da infraestrutura de carregamento e a variabilidade do comportamento dos usuários desempenham um papel crítico. Os modelos existentes geralmente assumem padrões de carga uniformes ou se baseiam em dados sintéticos, limitando assim sua aplicabilidade no mundo real.
Wang e sua equipe abordam essas limitações propondo uma estrutura baseada em dados e em duas camadas. Em vez de tratar veículos e estações de carregamento separadamente, o modelo integra as características de ambos em uma “unidade de armazenamento de energia generalizada” (VE-GESS). Essa visão holística reconhece que a capacidade de despacho de um veículo elétrico não depende apenas da sua capacidade de bateria ou estado de carga, mas também do tipo de carregador ao qual está conectado, sua localização geográfica e os hábitos de carregamento do usuário.
A primeira camada do modelo utiliza o algoritmo de agrupamento por densidade espacial de aplicações com ruído (DBSCAN) para analisar mais de 1,78 milhões de registros de carregamento reais de 4.181 estações de carregamento em uma província chinesa em 2021. Ao contrário dos métodos de agrupamento baseados em centróides como k-means, o DBSCAN não exige um número predefinido de clusters e é robusto a valores atípicos, tornando-o ideal para lidar com a natureza ruidosa e irregular dos dados de carregamento do mundo real. O algoritmo identifica diferentes padrões de comportamento de carregamento, como “tipo matutino”, “tipo vespertino” e “tipo noturno”, com base no horário de início, duração, energia consumida e na relação de tempo ocioso.
Uma das inovações-chave é a introdução da “relação de tempo ocioso”, uma métrica que quantifica a proporção de tempo em que um veículo elétrico permanece conectado a um carregador sem carregar ativamente. Uma alta relação de tempo ocioso indica maior flexibilidade; esses veículos podem atrasar o carregamento ou até devolver energia à rede sem inconvenienciar o usuário. Por exemplo, veículos estacionados durante a noite que se conectam após o jantar, mas que não precisam do veículo até a manhã seguinte, representam um candidato ideal para serviços V2G.
A segunda camada do modelo aplica uma versão aprimorada do mapa auto-organizável (SOM), modificada com seleção de dimensão e redução de características baseada em autoencoders (AE-DSSOM). Esta etapa agrupa as próprias estações de carregamento com base na distribuição dos perfis de carregamento e parâmetros de infraestrutura fixos, como potência nominal e coordenadas geográficas. Em cenários de nivelamento de picos e regulação de frequência, a localização espacial pode ser menos crítica, mas para a regulação de tensão, a posição física do carregador influencia diretamente qual parte da rede de distribuição pode ser estabilizada.
Ao combinar essas duas etapas de agrupamento, o modelo cria agregadores distintos de VE-GESS (VE-GESSA), cada um representando uma combinação única de comportamento temporal e características espaciais-técnicas. Isso permite que os operadores da rede se dirijam a agregadores específicos para diferentes serviços; por exemplo, mobilizando veículos elétricos com alta relação de tempo ocioso e localizados centralmente para a resposta de frequência em tempo real, enquanto reserva estações de grande capacidade e alta potência para o deslocamento de energia em massa durante os horários de pico.
As implicações práticas desta pesquisa são substanciais. O estudo estima que, com base nos dados de 2021, a frota de veículos elétricos modelada poderia fornecer uma faixa média de potência ajustável de [-39,7, 10,5] megawatts a um intervalo de despacho de 1 minuto, suficiente para apoiar a estabilidade de frequência regional. Quando escalado para as taxas de adoção de veículos elétricos projetadas para 2030, o potencial cresce para vários gigawatts, rivalizando com a saída de usinas elétricas convencionais de pico.
Além disso, o modelo leva em conta a natureza dinâmica da capacidade despachável. À medida que os veículos elétricos carregam ou descarregam em resposta a sinais da rede, sua capacidade disponível para ajustes adicionais muda. Os pesquisadores incorporam esse loop de feedback em seus cálculos de CDA, garantindo que as decisões de despacho em tempo real se baseiem em estimativas de capacidade precisas e atualizadas. Isso é particularmente importante para serviços auxiliares que exigem uma saída de potência sustentada por vários minutos, como a regulação de frequência, onde a capacidade de manter um nível de potência fixo por 3 a 30 minutos é essencial.
O estudo também examina tendências de longo prazo na flexibilidade dos veículos elétricos. As análises semanais, mensais e anuais revelam padrões sazonais e comportamentais. Por exemplo, a capacidade despachável tende a diminuir nos fins de semana, provavelmente devido à redução da demanda de carregamento por deslocamentos. No entanto, feriados nacionais como o Dia do Trabalho e o Dia Nacional veem um aumento na atividade, possivelmente ligado a um aumento de viagens e tempos de estacionamento mais longos. Essas percepções permitem um planejamento mais preciso e estratégico para os operadores da rede.
Outra contribuição significativa é a validação das escolhas algorítmicas. A equipe compara DBSCAN, k-means, SOM e DSSOM em ambas as camadas de agrupamento, avaliando o desempenho usando o Índice Davies-Bouldin (DBI), uma medida de separação e compactação do cluster. Os resultados mostram que o DBSCAN alcança o melhor equilíbrio entre velocidade e precisão na primeira camada, processando mais de 1,7 milhões de registros em menos de 15 segundos com um DBI de 0,7247, superando o k-means (0,8262) e o SOM padrão (0,7354). Na segunda camada, onde a dimensionalidade dos dados é maior, mas o volume é menor, o AE-DSSOM alcança o DBI mais baixo (0,8556), demonstrando uma qualidade de agrupamento superior, apesar de um tempo de cálculo ligeiramente mais longo.
A integração de autoencoders na segunda etapa mostra-se particularmente eficaz. Ao reduzir a dimensionalidade das características de entrada, o modelo evita a “maldição da dimensionalidade” e melhora a capacidade da rede neural de discernir padrões significativos. Isso é crucial ao lidar com dados de 12 dimensões que incluem tanto razões de comportamento quanto coordenadas geográficas. O autoencoder aprende uma representação comprimida que captura as características mais salientes, melhorando tanto a velocidade quanto a precisão do agrupamento.
Do ponto de vista político e econômico, a pesquisa enfatiza a viabilidade financeira dos serviços de rede baseados em veículos elétricos. As taxas de compensação atuais para serviços auxiliares na China variam de 300 a 800 yuans por megawatt-hora. Mesmo com o conjunto de dados de 2021, que representa apenas cerca de 30% da atividade de carregamento total da província, o potencial de receita por hora chega a dezenas de milhares de yuans. Até 2030, com a integração completa da frota, o valor econômico poderia atingir bilhões anualmente, criando um forte incentivo para que empresas elétricas, fabricantes de automóveis e consumidores participem de programas V2G.
No entanto, os autores reconhecem limitações. O modelo baseia-se em dados históricos de carregamento e ainda não incorpora as respostas em tempo real dos motoristas aos sinais de despacho. O comportamento do usuário pode mudar quando incentivos financeiros ou solicitações obrigatórias da rede forem introduzidos. Além disso, preocupações com a degradação da bateria e a disponibilidade do carregador permanecem como barreiras para a adoção generalizada do V2G. O trabalho futuro se concentrará na modelagem preditiva da CDA e em testes de campo para validar a estrutura teórica.
A importância mais ampla desta pesquisa reside em sua escalabilidade e adaptabilidade. Embora o estudo se concentre em uma única província, a metodologia pode ser aplicada a qualquer região com dados suficientes sobre a infraestrutura de carregamento. À medida que medidores inteligentes, veículos conectados e plataformas energéticas baseadas em nuvem se tornam onipresentes, as entradas necessárias para esses modelos—horários de início e fim, energia fornecida, tipo de carregador—estarão cada vez mais disponíveis.
Essa mudança representa uma mudança fundamental na forma como vemos os sistemas de transporte e energia. Os veículos elétricos não são mais simples consumidores de eletricidade; são unidades de armazenamento móveis, capazes de fornecer serviços de rede em grande escala. A transição de cargas passivas para participantes ativos exige modelagem sofisticada, protocolos de comunicação robustos e mecanismos de mercado que compensem justamente os usuários. Este estudo fornece uma peça crítica desse quebra-cabeça.
Os operadores da rede já estão explorando programas piloto que aproveitam frotas de veículos elétricos para a regulação de frequência. Na Europa, projetos como o eV2g na Dinamarca e o sistema energético EV do Reino Unido demonstraram a viabilidade técnica do V2G. Nos Estados Unidos, empresas como a Pacific Gas & Electric e a Southern California Edison estão testando o carregamento bidirecional com frotas de ônibus escolares elétricos e veículos municipais. O estudo chinês adiciona uma nova dimensão ao mostrar como grandes populações heterogêneas de veículos elétricos podem ser organizadas e otimizadas sistematicamente para múltiplos serviços.
A abordagem de agrupamento em duas camadas também tem implicações além dos serviços de rede. Poderia informar o planejamento urbano, ajudando cidades a identificar locais ideais para centros de carregamento rápido com base em padrões de uso reais. Poderia apoiar decisões de investimento de empresas elétricas, orientando a implantação de transformadores e equipamentos de distribuição em áreas com alta concentração de veículos elétricos. E poderia permitir serviços energéticos personalizados, onde os motoristas recebem recomendações de carregamento personalizadas com base em seu comportamento histórico e nas necessidades da rede.
À medida que a transição energética avança, a linha entre os sistemas de transporte e energia continuará a se difuminar. Os veículos não serão apenas alimentados por eletricidade, mas também ajudarão a equilibrar a rede que os alimenta. O trabalho de Wang Yangyang e seus colegas na Universidade de Tecnologia de Hefei fornece um roteiro para tornar essa visão uma realidade, transformando milhões de eventos de carregamento individuais em um recurso coordenado, inteligente e altamente valioso para a rede elétrica moderna.
O estudo estabelece um novo padrão para a pesquisa sobre a integração de veículos elétricos e redes elétricas, combinando ciência de dados rigorosa com insights de engenharia prática. Vai além das simulações teóricas para entregar um modelo baseado em operações do mundo real, validado contra o comportamento de carregamento real. Ao fazer isso, preenche a lacuna entre a pesquisa acadêmica e a aplicação industrial, oferecendo uma ferramenta que pode ser usada diretamente por operadores de rede, agregadores e formuladores de políticas.
Em conclusão, o futuro da estabilidade da rede pode depender da coordenação inteligente dos veículos elétricos. À medida que as capacidades das baterias aumentam, a infraestrutura de carregamento se expande e a conectividade digital melhora, o potencial dos veículos elétricos como recursos energéticos distribuídos continuará a crescer. A pesquisa apresentada aqui não é apenas uma conquista técnica; é um passo em direção a um futuro energético mais resiliente, eficiente e sustentável.
Wang Yangyang, Mao Meiqin, Yang Cheng, Zhou Kun, Du Yan, Nikos D. Hatziargyriou, Hefei University of Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230627012