Inteligência Artificial e Carregamento Inteligente Estabilizam Redes Elétricas
À medida que os veículos elétricos (VEs) ganham popularidade nos mercados globais, sua integração às redes elétricas apresenta tanto oportunidades quanto desafios. Embora os VEs prometam um futuro de transporte mais limpo, sua adoção em larga escala introduz novas complexidades nas redes de distribuição de energia. Picos repentinos na demanda de carregamento, combinados com a natureza intermitente de fontes de energia renovável, como solar e eólica, podem desestabilizar redes locais, levando a flutuações de tensão e aumento de perdas de energia. Abordar essas questões é fundamental para construir sistemas energéticos resilientes e sustentáveis.
Um estudo inovador publicado na Power System Protection and Control oferece uma solução promissora ao combinar inteligência artificial com gestão estratégica de redes. A pesquisa, liderada por Shidan Li e Hang Li do Laboratório Chave de Controle de Transmissão e Conversão de Energia da Universidade Jiao Tong de Xangai, introduz uma nova estratégia de otimização de tensão que aproveita aprendizado por reforço profundo, particionamento de rede e aprendizado por imitação para melhorar a estabilidade e eficiência de redes de distribuição.
A pesquisa surge em um momento crucial. Governos em todo o mundo estão pressionando pela descarbonização, com os setores de transporte e energia na vanguarda dessa transição. Na China, onde o estudo foi conduzido, o impulso para veículos de nova energia (VNE) é particularmente agressivo, apoiado por políticas nacionais destinadas a alcançar metas de pico de carbono e neutralidade. No entanto, à medida que mais VEs são conectados à rede, especialmente durante os horários de pico, as utilities enfrentam pressão crescente para manter a qualidade e confiabilidade da energia. Métodos tradicionais de controle de tensão, que dependem fortemente de previsões e otimização centralizada, muitas vezes falham em ambientes dinâmicos e em tempo real.
A abordagem da equipe reconcebe como os recursos energéticos distribuídos—como clusters de VEs, sistemas fotovoltaicos (FV) distribuídos e compensadores de potência reativa como geradores estáticos de var (SVGs)—podem ser coordenados para estabilizar a tensão da rede. Em vez de tratar toda a rede como um sistema monolítico, os pesquisadores propõem uma estrutura multiagente descentralizada onde cada dispositivo controlável atua como um tomador de decisão autônomo. Essa mudança do controle centralizado para o distribuído está alinhada com a arquitetura em evolução das redes inteligentes modernas, onde a computação de borda e a tomada de decisão localizada estão se tornando cada vez mais importantes.
No centro do novo método está um algoritmo avançado de aprendizado de máquina chamado GS-MADDPG—abreviação de Gradient de Política Determinística Multiagente Baseado em Sinal de Orientação. Este algoritmo se baseia em técnicas existentes de aprendizado por reforço profundo (DRL), mas aborda duas limitações principais: atribuição de crédito e ineficiência na exploração. Em sistemas multiagente, muitas vezes é difícil determinar qual agente contribuiu mais para um resultado bem-sucedido, um problema conhecido como atribuição de crédito. Além disso, a exploração aleatória nas fases iniciais de treinamento pode levar a desempenho ruim e convergência lenta, tornando o processo de aprendizado ineficiente e potencialmente inseguro para aplicações do mundo real.
Para enfrentar esses desafios, os pesquisadores introduziram duas inovações principais. Primeiro, aplicaram uma estratégia de particionamento de rede que divide a rede de distribuição em zonas menores e gerenciáveis. Cada zona opera de forma semi-independente, permitindo que agentes locais recebam feedback com base em seu impacto específico na tensão e nas perdas regionais. Esse desacoplamento zonal de recompensas garante que a contribuição de cada agente seja avaliada com mais precisão, melhorando a justiça e a eficácia do processo de aprendizado. Também reduz a complexidade do problema de otimização global, permitindo convergência mais rápida e estável.
Em segundo lugar, a equipe incorporou o aprendizado por imitação no pipeline de treinamento. Em vez de começar do zero com ações aleatórias, os agentes de IA são inicialmente guiados por demonstrações especializadas derivadas de métodos de otimização convencionais, como programação de cone de segunda ordem. Essas demonstrações servem como “sinais de orientação”, moldando o comportamento inicial dos agentes e direcionando-os para estratégias mais eficazes. Essa abordagem híbrida—combinando imitação com aprendizado por reforço—acelera o treinamento, melhora a eficiência amostral e reduz o risco de ações perigosas ou subótimas durante a fase de aprendizado.
Um dos aspectos mais inovadores do estudo é a modelagem de clusters de VEs como unidades generalizadas de armazenamento de energia (GES). Em vez de gerenciar cada veículo individualmente, o que seria computacionalmente proibitivo, os pesquisadores usaram a soma de Minkowski para agregar as capacidades de carregamento de todos os VEs dentro de uma estação de carregamento específica. Essa técnica matemática permite que o sistema represente a flexibilidade coletiva de centenas de veículos como um único recurso controlável. O modelo GES resultante captura os limites agregados de carregamento, restrições de estado de carga (SOC) e padrões de mobilidade do usuário, permitindo que o sistema otimize os horários de carregamento enquanto respeita as necessidades individuais dos usuários.
O modelo assume que os proprietários de VEs fornecem informações sobre seus horários de chegada e partida, SOC inicial e SOC final desejado ao conectarem. Esses dados, comumente coletados por plataformas modernas de carregamento, permitem que o sistema calcule trajetórias de carregamento viáveis para cada veículo. Ao agregar essas trajetórias, a estação de carregamento pode oferecer sua capacidade total disponível para a rede como uma carga flexível ou mesmo uma bateria virtual, capaz de absorver o excesso de geração renovável ou injetar energia durante a demanda de pico.
A integração de sistemas FV distribuídos aprimora ainda mais as capacidades do sistema. Ao contrário dos geradores convencionais, os inversores FV modernos podem fornecer suporte de potência reativa sem reduzir sua saída de potência ativa. Isso significa que eles podem ajudar a regular os níveis de tensão ajustando seu fator de potência, atuando como fontes dinâmicas de VAR. Quando combinados com SVGs e armazenamento baseado em VEs, esses dispositivos formam um conjunto poderoso para controle de tensão em tempo real.
Os pesquisadores testaram sua abordagem em uma rede de distribuição IEEE de 33 nós modificada, um benchmark padrão em pesquisa de sistemas de energia. O sistema de teste incluiu duas estações de carregamento de VEs, três instalações FV e dois SVGs, refletindo uma configuração realista de rede urbana ou suburbana. Usando simulações de Monte Carlo, geraram diversos cenários operacionais que capturaram a incerteza da geração solar e da demanda de carga, garantindo a robustez de sua solução.
O treinamento do algoritmo GS-MADDPG envolveu uma fase de aprendizado centralizada, onde todos os agentes foram treinados juntos usando dados históricos da rede armazenados em um buffer de reprodução. Uma vez treinadas, as políticas de controle foram implantadas de forma descentralizada, com cada agente executando decisões localmente com base em suas próprias observações. Este paradigma de “treinamento centralizado com execução descentralizada” (CTDE) é particularmente adequado para implantação no mundo real, pois reduz a sobrecarga de comunicação e aumenta a resiliência do sistema.
Os resultados foram convincentes. Em comparação com os métodos tradicionais de DRL, o algoritmo GS-MADDPG proposto alcançou convergência mais rápida, maior eficiência amostral e regulação de tensão superior. Na simulação, o sistema reduziu as violações de tensão a zero em todos os cenários de teste, mantendo todas as tensões dos nós dentro da faixa segura de 0,95 a 1,05 por unidade. As perdas na rede também foram significativamente reduzidas, superando tanto o DRL convencional quanto mesmo uma abordagem de otimização centralizada day-ahead que dependia de previsões perfeitas.
Talvez o mais impressionante, o algoritmo demonstrou forte robustez sob condições extremas. Quando testado sob um cenário de carga de 110%—simulando surtos inesperados de demanda ou erros de previsão—o controlador GS-MADDPG manteve níveis de tensão estáveis, enquanto o método centralizado não conseguiu evitar violações. Isso destaca uma vantagem chave do controle adaptativo orientado por dados: sua capacidade de responder efetivamente a eventos imprevistos sem depender de previsões precisas.
Do ponto de vista prático, as implicações desta pesquisa são significativas. Utilities e operadores de rede podem usar tais sistemas orientados por IA para gerenciar níveis crescentes de recursos energéticos distribuídos sem investir em atualizações de infraestrutura custosas. Ao aproveitar a flexibilidade inerente do carregamento de VEs e da geração baseada em inversores, eles podem adiar ou mesmo evitar despesas de capital em novos transformadores, capacitores ou linhas de transmissão.
Além disso, a abordagem apoia a visão mais ampla da integração veículo-rede (V2G), onde os VEs não são apenas consumidores de eletricidade, mas participantes ativos nos serviços da rede. À medida que os preços das baterias continuam caindo e o carregamento bidirecional se torna mais comum, o potencial para os VEs fornecerem serviços auxiliares—como regulação de frequência, redução de picos e suporte de tensão—só crescerá. Este estudo fornece uma estrutura escalável e inteligente para desbloquear esse potencial.
O sucesso do algoritmo GS-MADDPG também ressalta a importância da colaboração interdisciplinar na pesquisa energética moderna. O trabalho está na interseção da engenharia de sistemas de energia, aprendizado de máquina e pesquisa operacional, recorrendo a técnicas de cada área para criar uma solução mais eficaz. Reflete uma tendência crescente na indústria: a fusão de experiência de domínio com IA de ponta para resolver problemas complexos do mundo real.
Para fabricantes automotivos e provedores de serviços de carregamento, as descobertas oferecem insights valiosos. À medida que projetam a próxima geração de VEs e redes de carregamento, incorporar capacidades de carregamento inteligente que suportem comportamentos amigáveis à rede tornará-se cada vez mais importante. Veículos equipados com sistemas avançados de comunicação e controle poderiam responder automaticamente a sinais da rede, ajustando sua taxa de carregamento para ajudar a manter a estabilidade. Isso não apenas beneficia a rede, mas também abre novos fluxos de receita para proprietários de veículos por meio de programas de resposta à demanda.
Reguladores e formuladores de políticas também devem tomar nota. O estudo demonstra que, com as ferramentas tecnológicas certas, a alta penetração de VEs não precisa vir às custas da confiabilidade da rede. No entanto, realizar essa visão requer políticas de apoio, como protocolos de comunicação padronizados, compensação justa por serviços de rede e incentivos para adoção de carregamento inteligente. Os frameworks regulatórios devem evoluir para acomodar esses novos paradigmas.
Olhando para o futuro, a equipe de pesquisa planeja estender seu trabalho a redes de distribuição maiores e mais complexas e explorar a integração de tecnologias adicionais de armazenamento de energia. Também estão investigando como os mesmos princípios poderiam ser aplicados a microredes e sistemas de energia industrial, onde a estabilidade de tensão é igualmente crítica.
Em conclusão, o estudo de Shidan Li, Hang Li e seus colegas representa um passo significativo na busca por redes elétricas mais inteligentes e resilientes. Ao combinar particionamento de rede, aprendizado por imitação e aprendizado por reforço multiagente, desenvolveram uma ferramenta poderosa para gerenciar a crescente complexidade dos sistemas de distribuição modernos. À medida que o mundo avança para um futuro dominado pela mobilidade elétrica e energia renovável, tais inovações serão essenciais para garantir uma transição suave e sustentável.
A pesquisa foi apoiada pelo Programa Nacional de Pesquisa e Desenvolvimento de Chave da China e pelo Projeto de Ciência e Tecnologia da State Grid Zhejiang Electric Power Co., Ltd. Sua publicação na Power System Protection and Control destaca o papel do periódico no avanço de soluções de ponta para desafios de sistemas de energia. Com sua metodologia rigorosa, relevância prática e forte fundamentação teórica, o estudo estabelece um alto padrão para pesquisas futuras na área.
Shidan Li, Hang Li, Guojie Li, Bei Han, Jin Xu, Ling Li, Hongtao Wang, Laboratório Chave de Controle de Transmissão e Conversão de Energia, Ministério da Educação (Universidade Jiao Tong de Xangai), Shanghai PeiKe Technology Co., Ltd., Jiaxing Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240117