Infraestrutura Urbana de Carregamento para VE Fica Mais Inteligente com Monte Carlo e Redes de Reservatórios
Num mundo em rápida eletrificação, um dos maiores obstáculos à adoção massiva de veículos elétricos (VE) não é a ansiedade de autonomia nem o custo das baterias—é onde e quando se pode ligar o carro. Cidades em todo o mundo debatem-se com um paradoxo: as estações de carregamento por vezes estão vazias, enquanto condutores circulam à procura de uma porta disponível. Esta inadequação não é apenas inconveniente—é ineficiente, dispendiosa e ameaça o momentum da revolução dos VE.
Mas uma nova vaga de investigação académica está a mudar o jogo—não com hardware novo e brilhante, mas com software mais inteligente por trás do planeamento de infraestruturas. Na interseção da modelação de comportamento de tráfego, aprendizagem automática e engenharia de sistemas de energia, uma equipa da Shangyi Electric Power Company (State Grid Jibei Electric Power Company) e da Universidade de Yanshan revelou um método novo para prever a procura de carregamento de VE no tempo e no espaço—e usar essas perceções para optimizar onde devem ser colocadas novas estações, quantos carregadores precisam e que dimensão devem ter.
O resultado? Menos condutores em dificuldades, custos de construção mais baixos, menor tensão na rede e um quadro de planeamento que finalmente trata os VE não como veículos isolados, mas como cargas dinâmicas e móveis moldadas por rotinas humanas, geografia urbana e ritmos sazonais.
Uma proprietária de um VE particular sai do seu bairro residencial, bateria a 85%, rumo ao centro da cidade para trabalhar. Entretanto, um operador de táxi—no seu terceiro turno do dia—entra num distrito comercial com apenas 22% de carga, à procura de um carregador rápido antes do pico de procura. Um autocarro elétrico municipal, num percurso fixo, entra na sua garagem para uma recarga durante a noite. Todos os três são VE. Todos têm comportamentos de carregamento radicalmente diferentes. E nenhum se encaixa perfeitamente nos modelos estáticos de carga do passado.
Este é o principal desafio abordado no estudo: as previsões tradicionais de carregamento de VE baseiam-se frequentemente em dados históricos de estações existentes—um método que funciona bem para refinar operações onde a infraestrutura já existe, mas falha quando se tenta planear estações novas em zonas não desenvolvidas. Não se pode prever a procura de carregadores que ainda não existem com base na utilização dos que já existem.
Por isso, os investigadores seguiram um caminho diferente—literalmente.
Começaram por dividir a área urbana alvo (40,46 km², com 79 estradas e 49 nós de tráfego) em 33 células de grelha, cada uma entre 0,64 e 2,25 km². Estes não eram blocos arbitrários—foram classificados por função real: zonas residenciais, comerciais e industriais. Porquê? Porque onde as pessoas estão molda o que fazem. Um condutor num distrito comercial às 15h tem muito mais probabilidade de ligar o carro para uma recarga rápida do que alguém numa zona industrial à meia-noite.
Depois veio o motor comportamental: simulação de Monte Carlo. Em vez de assumir um comportamento médio, a equipa modelou VEs individuais—13 000 carros particulares, 5 000 táxis e 2 000 autocarros—cada um com a sua própria capacidade de bateria (18 kWh, 45 kWh e 200 kWh, respetivamente), quilometragem diária (retirada de distribuições log-normal que refletem inquéritos do mundo real) e padrões de viagem.
Crucialmente, não simularam apenas um dia “típico”. Consideraram variação sazonal e diferenças de tipo de dia: dias de trabalho (dominados por circuitos casa-trabalho-casa), fins de semana (mais erráticos, casa-recados-casa ou cadeias complexas de múltiplas paragens) e feriados (uma mistura de lazer e picos de viagem). A decisão de cada veículo para carregar—e onde—era governada pela física e psicologia: bateria restante, distância até ao próximo destino, limite mínimo aceitável de estado de carga e disponibilidade para desviar-se.
Por exemplo, o modelo calcula se um carro particular que termina uma recada de almoço numa zona comercial ainda tem energia suficiente para chegar a casa e completar o commute do dia seguinte. Se não—ou se o condutor prefere não arriscar—o carro torna-se um candidato a carregamento a meio do dia. Um táxi, em contraste, pode carregar oportunisticamente a cada poucas horas, optimizando para tempo de atividade, não conveniência.
Executando esta simulação 200 vezes (para suavizar ruído estatístico), a equipa gerou um enorme conjunto de dados sintético: procura de energia de carregamento hora a hora em cada uma das 33 grelhas, em múltiplos dias representativos. Isto tornou-se a sua “história virtual”—um mapa de carga espaço-temporal de alta resolução onde nenhum carregador real existia ainda.
Mas a saída bruta de Monte Carlo é ruidosa. Os planeadores do mundo real precisam de tendências acionáveis e limpas—não gráficos de dispersão de 200 execuções estocásticas. Entram em cena as Redes de Reservatórios (ESN)—um tipo de rede neuronal recorrente conhecida pelo treino rápido, robustez a entradas ruidosas e fortes capacidades de previsão de séries temporais.
Ao contrário das redes tradicionais de retropropagação que ajustam todos os pesos durante o treino, as ESN mantêm a maioria das suas ligações internas de “reservatório” fixas e aleatórias, treinando apenas a camada de saída. Isto torna-as computationalmente lean e menos propensas a sobreajuste—ideal para ajustar curvas de carga complexas e não lineares com dados limitados.
Os investigadores treinaram três ESNs separadas—uma por tipo de zona (residencial, comercial, industrial)—alimentando-as não apenas com dados de carga passada, mas também com características contextuais: tipo de função da grelha e fluxo de tráfego estimado. Dimensão de entrada: 10. Tamanho do reservatório: 500 neurónios. Saída: carga de carregamento prevista (kW) para o próximo passo de tempo.
O resultado? Quando comparada com redes neuronais clássicas de retropropagação (BP) em dados de zona residencial, a ESN reduziu o erro percentual absoluto médio (MAPE) em 22% e o erro quadrático médio (RMSE) em mais de 25%. Tradução: capturou picos e vales de carregamento do mundo real—como o surto residencial pós-18h, ou o aumento comercial a meio do dia—de forma muito mais fiel. O modelo não previu apenas quanta energia seria consumida; acertou em quando e onde iria disparar.
Armados com previsões espaço-temporais precisas, a equipa inverteu então o problema: Dado este padrão de procura, onde devemos construir estações—e que dimensão devem ter—para minimizar o custo societal total?
É aqui que o seu modelo de planeamento brilha ao rejeitar a simplificação excessiva. Muitas abordagens passadas focaram-se apenas na perspetiva da utility: minimizar a despesa de capital. Outras priorizaram a conveniência do condutor a todo o custo. Este quadro força um trade-off holístico—equilibrando quatro grandes custos:
- CapEx & OpEx de Infraestrutura – Transformadores, carregadores, aquisição de terrenos e manutenção anual fixa (escalada como uma percentagem do custo de construção).
- Custo de Deslocação do Utilizador – Não apenas tempo, mas energia desperdiçada a conduzir até aos carregadores. Cada quilómetro de desvio consome bateria preciosa—paga pelo condutor, frequentemente a tarifas de carregamento premium.
- Perdas na Rede – A carga concentrada de VE pode sobrecarregar alimentadores, aumentando as perdas resistivas (I²R). O modelo quantifica isto em kWh—e converte-o para dólares usando preços locais de energia.
- Custo de Oportunidade de Sub/Sobredimensionamento – Poucos carregadores significam filas e desvios; demasiados significam ativos encalhados e tarifas mais altas.
O motor de optimização? Optimização por Enxame de Partículas (PSO)—um algoritmo bio-inspirado que imita o bandos de pássaros ou cardumes para explorar espaços de solução de alta dimensão de forma eficiente. O PSO ajusta iterativamente soluções candidatas (ou seja, conjuntos de localizações e tamanhos de estações), guiado por uma pontuação de “aptidão”: custo total anualizado do sistema.
As restrições mantiveram as coisas realistas:
- A capacidade de cada estação limitada entre 5 e 45 carregadores.
- Espaçamento mínimo imposto (para evitar canibalização e garantir cobertura geográfica).
- Limites de ligação à rede respeitados (nenhuma estação a consumir mais do que o seu alimentador pode fornecer em segurança).
- Utilização simultânea de carregadores assumida entre 80–100% (com base em dados empíricos da frota).
O resultado? Claros retornos decrescentes—e um ponto ideal.
Testando contagens de estações de 4 a 10, o modelo mostrou que o custo total diminui de 4 para 7 estações—os condutores pouparam mais em tempo/energia de deslocação do que o custo extra de construção incorrido. Mas além de 7? Os custos subiram novamente. Uma 8ª estação adicionou ~¥200.000 em hardware e manutenção, mas apenas economizou ~¥20.000 em custos de deslocação do utilizador. O ganho marginal não justificou a despesa.
Sete estações emergiram como o ótimo, com um custo societal anual projetado de ¥4,696 milhões (~$655.000 à taxa de câmbio atual). Isto decompõe-se em:
- ¥4,158M em construção & manutenção
- ¥0,248M em custos de desvio do utilizador
- ¥0,289M em perdas adicionais na rede
Note-se a distribuição: a infraestrutura domina—mas os custos do utilizador e da rede não são notas de rodapé. São alavancas que moldam a decisão.
Ainda mais revelador: onde as sete estações se localizaram. Nenhuma se aglomerou redundantemente. Em vez disso, formaram uma malha estratégica:
- Uma perto do núcleo residencial sul (7 carregadores)
- Um hub de alta capacidade (24 carregadores!) no coração comercial denso
- Um nó de média dimensão (15 carregadores) servindo a zona de emprego norte
- Postos avançados mais pequenos a preencher lacunas
Isto não é “spray and pray”. É uma implantação consciente do custo e ciente da procura.
Porque é que isto importa para além de uma cidade chinesa?
Porque a metodologia transcende a geografia. À medida que os mercados de VE amadurecem—de Berlim a Bangalore—os planeadores municipais e engenheiros de utilities enfrentam o mesmo dilema: como evitar os erros do passado de sobredimensionar estações subutilizadas, impedindo ao mesmo tempo a crise atual de desertos de acesso.
O que distingue esta abordagem é o seu realismo comportamental. Não trata os VE como “baterias sobre rodas” estáticas. Modela-os como agentes embebidos em ecossistemas urbanos: respondendo a horários de trabalho, engarrafamentos, hábitos de compras e até flutuações de temperatura sazonais (que afectam a eficiência da bateria e a carga de climatização). Essa granularidade é o que permite à ESN superar modelos mais simples de séries temporais—ela aprende o ritmo da vida da cidade, não apenas tendências estatísticas.
Além disso, a arquitetura de dois estágios—Monte Carlo para geração de dados, ESN para extração de padrões—resolve um crítico problema do ovo e da galinha: precisamos de dados de procura para planear carregadores, mas precisamos de carregadores para obter dados de procura. A geração de dados sintéticos contorna esse impasse.
Criticamente, o modelo é escalável. Embora o artigo tenha testado uma cidade de média dimensão, os passos de partição de grelha e treino de ESN podem ser paralelizados. Metrópoles maiores poderiam usar grelhas mais finas ou conjuntos ESN específicos por zona. Operadores de frotas poderiam inserir telemática proprietária para calibrar distribuições de quilometragem e tempo de permanência. Até as plataformas de ride-hailing poderiam licenciar o framework para localizar preventivamente carregadores perto de zonas de alta atividade.
E o futuro? Os autores sugerem duas fronteiras.
Primeiro, integração de retrofit. À medida que a adoção de VE acelera, as cidades não vão apenas construir estações novas—vão converter postos de gasolina, parques de estacionamento e lotes comerciais. Este motor de previsão de carga poderia identificar quais os locais existentes com maior procura latente e margem de rede para conversão—transformando a infraestrutura fóssil de ontem nos hubs de VE de amanhã.
Segundo—e mais transformador—preparação para V2G (Vehicle-to-Grid). Atualmente, o modelo trata os VE como cargas puras. Mas à medida que os carregadores bidirecionais se tornam mainstream, os VE estacionados poderiam fornecer energia de volta para a rede durante picos, suavizando a integração de renováveis. A mesma espin dorsal de previsão espaço-temporal—sabendo onde os VE carregados e parados estarão, quando—é o primeiro passo essencial para gerir essa frota de armazenamento distribuído. Um plano de estação de carregamento concebido hoje com o V2G de amanhã em mente não precisará de uma overhaul total em 2030.
Claro, nenhum modelo é perfeito. As simulações de Monte Carlo herdam os vieses das suas suposições de entrada—inquéritos de viagem podem falhar comportamentos de nicho; a degradação da bateria ao longo do tempo não é modelada; eventos inesperados (festivais, construção, greves de transportes públicos) podem perturbar mesmo as melhores previsões. E enquanto o PSO encontrou um ótimo local, a optimalidade global não pode ser garantida em paisagens tão complexas.
No entanto, a validação fala por si. Quando a equipa comparou as curvas de carga previstas com dados piloto do mundo real (não mostrados no resumo, mas referenciados na metodologia), as bandas de erro da ESN mantiveram-se apertadas—especialmente durante períodos críticos de ramp-up como as noites de dias de semana. Essa fiabilidade é o que dá aos planeadores confiança para apostar milhões nas suas recomendações.
Numa era onde as decisões de infraestruturas bloqueiam resultados de emissões e equidade durante décadas, acertar na previsão não é académico—é existencial. Este trabalho demonstra que, com a combinação certa de simulação baseada na física, agilidade de aprendizagem automática e optimização consciente do custo, as cidades podem passar de uma colcha de retalhos reativa para uma integração de VE proativa e inteligente.
A estrada para um transporte 100% eletrificado não será pavimentada apenas com carregadores. Será traçada por algoritmos que entendem porque conduzimos, quando paramos e como nos encontrar lá—com energia pronta, custo minimizado e rede intacta.
—
Wang Yufei¹, Zhang Fei¹, Guo Junchao¹, Sun Xin¹, Huo Wei², Wang Dongsheng², Yang Lijun² ¹Shangyi Electric Power Company, State Grid Jibei Electric Power Company, Zhangjiakou 076750, Província de Hebei, China ²Escola de Engenharia Elétrica, Universidade de Yanshan, Qinhuangdao 066004, Província de Hebei, China Modern Electric Power, Vol. 40, No. 2, Abr. 2023 DOI: 10.19725/j.cnki.1007-2322.2021.0251