Modelo Inteligente de Rede de Carregamento Impulsiona Planejamento Urbano para VE
À medida que os veículos elétricos (VE) continuam sua ascensão rápida nos mercados globais, as cidades enfrentam pressão crescente para construir redes de carregamento eficientes e preparadas para o futuro. O desafio não está apenas em implantar mais carregadores, mas em posicioná-los estrategicamente – onde são mais necessários, quando são mais úteis e com a capacidade certa para atender diversos comportamentos dos usuários. Um estudo revolucionário publicado na Zhejiang Electric Power introduz uma estrutura de otimização inovadora que redefine como as estações de carregamento urbano para VE são planejadas, considerando a demanda dinâmica dos usuários, padrões reais de tráfego e a sustentabilidade econômica de longo prazo.
Liderado por Joana Wang da State Grid Beijing Electric Power Company, em colaboração com Qing Zou, Le Li e Chaoran Li da State Grid Beijing Daxing Power Company, e Xueying Yan da State Grid Smart Car Networking Technology Co., Ltd., a pesquisa apresenta um modelo abrangente que integra ciência comportamental, engenharia de tráfego e teoria de otimização robusta. O resultado é uma ferramenta de planejamento capaz de minimizar o custo social total – equilibrando o ônus do investimento para os operadores com a conveniência e economia de tempo para os motoristas.
O trabalho, intitulado Localização e Dimensionamento Otimizados de Estações de Carregamento Considerando Demandas Dinâmicas dos Usuários, foi publicado na edição de setembro de 2024 da Zhejiang Electric Power (Vol. 43, No. 09). Ele aborda uma lacuna crítica no planejamento de infraestrutura para VE: a maioria dos modelos depende de premissas estáticas sobre a demanda de carregamento, muitas vezes ignorando a variabilidade do comportamento do usuário, congestionamento de tráfego e a natureza evolutiva dos padrões de propriedade de VE. Isso pode levar a estações subutilizadas em áreas de baixo tráfego ou hubs sobrecarregados durante os horários de pico – ineficiências que prejudicam tanto a satisfação do usuário quanto a lucratividade do operador.
Wang e sua equipe argumentam que um planejamento eficaz deve começar com uma compreensão profunda de como as pessoas realmente usam seus VEs. Para capturar essa complexidade, os pesquisadores empregaram a teoria da cadeia de viagens, um método usado no planejamento de transportes para modelar sequências de viagens feitas por indivíduos ao longo do dia. Para proprietários de VEs privados, o modelo simula rotinas diárias – sair de casa, deslocar-se para o trabalho, fazer tarefas, voltar para casa – com base em distribuições estatísticas de horários de partida, durações de viagem e tempos de estacionamento em diferentes zonas urbanas, como distritos residenciais, comerciais e de emprego.
Para motoristas de táxi, cujo comportamento é mais errático e menos orientado por rotinas, a equipe usou matrizes origem-destino (OD) derivadas de pesquisas de tráfego. Essas matrizes revelam a probabilidade de um táxi se deslocar de uma zona para outra em diferentes horários do dia. Por exemplo, entre 6h e 18h, os táxis têm maior probabilidade de viajar de áreas residenciais para zonas comerciais ou de trabalho, refletindo deslocamentos matinais e viagens de negócios. À noite, o fluxo muda à medida que os motoristas voltam para casa ou se dirigem para distritos de vida noturna. Após a meia-noite, o movimento torna-se mais uniformemente distribuído, alinhando-se com turnos noturnos e redução da demanda de passageiros.
Combinando esses modelos comportamentais com o algoritmo de Dijkstra – um método clássico de busca de caminho – os pesquisadores simularam as rotas mais eficientes em termos de tempo para milhares de VEs virtuais em uma rede viária urbana real. Mas, diferentemente dos modelos tradicionais que assumem velocidades constantes, este estudo incorporou uma relação velocidade-fluxo que leva em conta o congestionamento do tráfego. Quanto mais rápido um segmento rodoviário fica saturado, mais lentamente os veículos trafegam, o que afeta diretamente o consumo de energia. O modelo ajusta dinamicamente o uso de energia com base nas condições de tráfego em tempo real, garantindo que o esgotamento da bateria seja calculado com maior precisão.
Para lidar com a aleatoriedade inerente ao comportamento humano e aos padrões de tráfego, a equipe usou simulação de Monte Carlo, executando milhares de cenários para gerar um mapa probabilístico da demanda de carregamento no espaço e no tempo. Os resultados revelaram padrões temporais e espaciais distintos. Proprietários de VEs privados carregam predominantemente durante a noite em áreas residenciais, com pico de demanda entre 19h e 3h. Isso se alinha com as tarifas de eletricidade fora de pico e a conveniência do carregamento doméstico. Em contraste, os táxis elétricos mostram dois picos principais de carregamento: um por volta do meio-dia, quando os motoristas fazem pausas para refeições e descanso, e outro no final da tarde, pouco antes do horário de rush noturno. Essas estações estão normalmente localizadas perto de hubs comerciais e corredores de trânsito, onde a capacidade de carregamento rápido é essencial.
Essa compreensão granular da demanda forma a base do mecanismo de otimização do modelo. O objetivo é minimizar o custo total anualizado, que inclui tanto as despesas do operador – construção, equipamento e manutenção – quanto as perdas econômicas do usuário, como tempo gasto viajando até uma estação e esperando na fila. O modelo trata ambas as partes como igualmente importantes, refletindo uma abordagem equilibrada para o desenvolvimento de infraestrutura.
O processo de otimização ocorre em duas etapas. Primeiro, o modelo determina o número e a localização ideais das estações de carregamento. Para isso, utiliza um diagrama de Voronoi ponderado, um método geométrico que particiona o espaço em regiões com base na proximidade e capacidade. Diferente de um diagrama de Voronoi padrão, que divide o espaço puramente por distância, a versão ponderada considera o tamanho da estação e a capacidade de serviço. Uma estação maior com mais carregadores pode “atrair” demanda de uma área mais ampla, expandindo efetivamente sua zona de serviço. Isso garante que estações de alta capacidade sejam colocadas onde a demanda é densa, enquanto estações menores atendem necessidades mais localizadas.
Uma vez que as localizações são definidas, a segunda etapa concentra-se no planejamento de capacidade – quantos carregadores de alta potência (80 kW) e baixa potência (30 kW) instalar em cada local. Carregadores de alta potência reduzem o tempo de espera, mas são mais caros para instalar e operar. Carregadores de baixa potência são mais baratos, mas podem levar a filas mais longas, especialmente durante os horários de pico. O modelo usa a teoria das filas para estimar tempos médios de espera com base nas taxas de chegada e capacidade de serviço, assumindo que os veículos chegam de acordo com uma distribuição de Poisson.
No entanto, a verdadeira inovação reside em como o modelo lida com a incerteza. O planejamento tradicional geralmente depende de um único cenário de “dia típico”, que não consegue dar conta das flutuações na demanda devido ao clima, eventos ou variações sazonais. Para resolver isso, Wang e seus colegas introduziram uma estrutura de otimização robusta. Em vez de assumir uma demanda fixa, eles definem um “conjunto de incerteza” que inclui uma variedade de níveis possíveis de demanda. O modelo então busca uma solução que funcione bem em todos os cenários dentro desse conjunto, em vez de ser ideal apenas para um.
Isso é alcançado por meio de um “orçamento de incerteza” ajustável, que controla quanto desvio da demanda esperada o planejador está disposto a tolerar. Um orçamento maior significa preparar-se para cenários mais extremos, resultando em capacidade excessiva e custos mais altos. Um orçamento menor assume condições mais estáveis, arriscando capacidade insuficiente durante surtos inesperados. Ajustando esse parâmetro, os tomadores de decisão podem equilibrar custo e resiliência de acordo com sua tolerância ao risco.
Para resolver esse complexo problema de otimização multiobjetivo, a equipe desenvolveu uma versão aprimorada do algoritmo de otimização por enxame de partículas (PSO), chamada otimização por enxame de partículas com recozimento simulado adaptativo (ASAPSO). O PSO é um método metaheurístico inspirado no comportamento social de pássaros ou peixes, onde uma população de “partículas” explora o espaço de solução ajustando suas posições com base nas melhores experiências individuais e coletivas. No entanto, o PSO padrão pode ficar preso em ótimos locais – soluções que são boas, mas não globalmente ótimas.
O algoritmo ASAPSO melhora isso incorporando elementos do recozimento simulado, uma técnica que permite ao processo de busca ocasionalmente aceitar soluções piores para escapar de armadilhas locais. Isso é governado por um parâmetro de “temperatura” que começa alto e diminui gradualmente, imitando o processo de resfriamento na metalurgia. Em temperaturas altas, o algoritmo explora amplamente; conforme esfria, converge para a melhor solução. A adaptação é ainda mais refinada pelo ajuste dinâmico das taxas de aprendizado e pesos de inércia com base no estágio de iteração, garantindo que tanto a exploração quanto a exploração sejam equilibradas.
O modelo foi testado em um estudo de caso do mundo real: uma área urbana de 58 quilômetros quadrados em uma cidade do norte da China com uma população de 250.000 habitantes. A rede viária consistia em 48 nós e 82 ligações, servindo 3.000 VEs privados e 1.100 táxis elétricos. Usando o algoritmo ASAPSO e o particionamento de Voronoi ponderado, o modelo avaliou múltiplos cenários de planejamento, variando o número de estações de 5 a 12.
Os resultados mostraram um ótimo de custo claro em sete estações. Com menos estações, os usuários enfrentavam distâncias de viagem mais longas e maior congestionamento, aumentando tanto os custos de tempo quanto de energia. Com mais de sete, o benefício marginal de estações adicionais foi superado pelas despesas crescentes de construção e manutenção. Com sete estações, o custo total anualizado atingiu seu mínimo: 4,0001 milhões de yuans (aproximadamente US$ 550.000). Isso incluiu 943.600 yuans em custos de construção anualizados, 1,1072 milhão de yuans em custos operacionais e 1,95 milhão de yuans em perdas relacionadas aos usuários (tempo de viagem, uso de energia e espera).
Cada uma das sete estações recebeu uma mistura de carregadores de alta e baixa potência com base nos padrões de demanda local. Estações em zonas comerciais, onde os táxis dominam, foram equipadas com mais carregadores de alta potência para suportar rotatividade rápida. Estações em áreas residenciais tinham uma proporção maior de carregadores de baixa potência, atendendo às necessidades de carregamento noturno. As áreas de serviço foram claramente delimitadas usando o método de Voronoi ponderado, garantindo que nenhuma zona fosse subatendida ou se sobrepusesse desnecessariamente.
Para validar a robustez do modelo, os pesquisadores compararam dois cenários: um assumindo demanda fixa e determinística (Cenário 1), e outro considerando a incerteza usando a estrutura de otimização robusta (Cenário 2). Quando um aumento de 20% na demanda foi simulado – representando crescimento futuro ou picos inesperados – o modelo determinístico lutou. Algumas estações ficaram severamente congestionadas, com tempos de espera excedendo limites aceitáveis. Em contraste, o modelo robusto, tendo antecipado tais flutuações, manteve comprimentos de fila gerenciáveis alocando capacidade extra onde necessário.
Isso demonstra uma vantagem chave da abordagem proposta: ela constrói resiliência no processo de planejamento. Em vez de reagir a crises após sua ocorrência, as cidades podem projetar proativamente redes que se adaptam à mudança. À medida que a adoção de VEs acelera e novos tipos de veículos emergem – como furgões de entrega elétricos ou frotas de compartilhamento de viagens – essa flexibilidade será crucial.
As implicações desta pesquisa estendem-se além da China. Planejadores urbanos em todo o mundo enfrentam desafios semelhantes na implantação eficiente de infraestrutura para VE. Muitas cidades investiram pesadamente em redes de carregamento, apenas para descobrir que o uso é desigual ou que as estações estão subutilizadas devido ao posicionamento inadequado. Ao incorporar modelagem dinâmica de demanda e otimização robusta, esta estrutura oferece uma abordagem mais científica e orientada por dados para o investimento em infraestrutura.
Além disso, o modelo suporta o planejamento integrado entre sistemas de transporte e energia. Estações de carregamento não são apenas pontos de estacionamento com plugues – elas são nós em uma rede de energia maior. Sua colocação afeta as cargas da rede local, a estabilidade de tensão e até a integração de energia renovável. O estudo inclui restrições de capacidade da rede de distribuição e níveis de tensão, garantindo que novas estações não sobrecarreguem a infraestrutura existente.
De uma perspectiva política, o modelo fornece uma ferramenta para análise de custo-benefício. Governos e utilities podem usá-lo para avaliar diferentes estratégias de investimento, avaliar o impacto de subsídios ou simular os efeitos de preços de congestionamento no comportamento de carregamento. Ele também suporta considerações de equidade – identificando bairros desatendidos, os planejadores podem garantir que o acesso a VEs não seja limitado a áreas abastadas.
A pesquisa também destaca a importância dos dados. Matrizes OD precisas, medições de fluxo de tráfego e pesquisas de comportamento do usuário são insumos essenciais. À medida que as cidades implantam mais sensores e veículos conectados, a qualidade desses dados melhorará, tornando modelos como este ainda mais poderosos. No futuro, dados em tempo real poderiam ser usados para ajustar dinamicamente as operações das estações ou guiar motoristas para locais menos congestionados.
Embora o modelo seja sofisticado, seu objetivo final é prático: tornar a propriedade de VEs mais conveniente e acessível. Ao reduzir o tempo e esforço necessários para carregar, remove uma barreira maior à adoção. Para operadores de frotas, tempos de espera previsíveis significam melhor programação e menores custos operacionais. Para motoristas individuais, saber que um carregador está próximo e provavelmente disponível reduz a ansiedade de autonomia.
Em conclusão, o trabalho de Joana Wang e seus colegas representa um passo significativo no planejamento de infraestrutura para VE. Ao ir além de modelos estáticos e universais, eles oferecem uma estrutura dinâmica e adaptativa que reflete a complexidade da mobilidade urbana do mundo real. Sua integração de modelagem comportamental, dinâmica de tráfego e otimização robusta estabelece um novo padrão para o planejamento de cidades inteligentes. À medida que as cidades se esforçam para atingir metas climáticas e reduzir emissões, ferramentas como esta serão essenciais na construção de sistemas de transporte sustentáveis e resilientes.
O sucesso do modelo em um ambiente urbano real sugere que está pronto para aplicação mais ampla. Com mais refinamentos e integração em softwares de planejamento municipal, poderia se tornar uma ferramenta padrão para cidades em todo o mundo. À medida que a revolução elétrica acelera, a capacidade de planejar com sabedoria – não apenas construir mais – determinará quais cidades liderarão o caminho.
Joana Wang, Qing Zou, Le Li, Chaoran Li, Xueying Yan, State Grid Beijing Electric Power Company, State Grid Beijing Daxing Power Company, State Grid Smart Car Networking Technology Co., Ltd., Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202409002