Modelo prevê carga de estações de veículos elétricos
A revolução dos veículos elétricos (VE) está remodelando o cenário do transporte global, impulsionada por metas ambientais e avanços tecnológicos. À medida que a frota de VE cresce exponencialmente, a infraestrutura de recarga associada torna-se um componente crítico do sistema energético moderno. No entanto, a natureza imprevisível e altamente variável da demanda de recarga apresenta desafios significativos para a estabilidade e eficiência das redes elétricas. Um estudo recente publicado na revista Southern Power System Technology apresentou um avanço notável na previsão da carga das estações de recarga, um passo essencial para garantir que a rede possa atender à demanda futura de forma eficiente e sustentável.
Liderado por Wang Changchun da Universidade de Tecnologia de Lanzhou, em colaboração com Wang Guo, Zhao Qianyu e Wang Shouxiang da Universidade de Tianjin, a pesquisa introduz um modelo híbrido que combina redes neurais de memória de curto e longo prazo (LSTM) com regressão de vetores de suporte (SVR). Essa abordagem inovadora melhora a precisão das previsões de carga de curto prazo em mais de 8% em comparação com os métodos tradicionais. A conquista mais destacada do estudo reside em sua abordagem integral, que incorpora dois fatores previamente subestimados: a tarifação elétrica por horários e a taxa de utilização das estações de recarga.
A complexidade de prever a demanda de recarga de veículos elétricos
A transição para a mobilidade elétrica deixou de ser uma visão futurista para se tornar uma realidade presente. Governos em todo o mundo estabeleceram metas ambiciosas para eliminar gradualmente os veículos de combustão interna, e os consumidores estão adotando veículos elétricos devido aos seus menores custos operacionais e benefícios ambientais. No entanto, esse crescimento exponencial exerce uma pressão sem precedentes sobre os sistemas de distribuição de energia. Ao contrário das cargas tradicionais, a recarga de veículos elétricos é altamente variável e tende a ocorrer em picos concentrados, especialmente durante as horas de pico. Uma única estação de recarga de grande escala, como a analisada nesta pesquisa com uma capacidade de projeto de 3 MW, pode consumir energia equivalente a centenas de residências, criando um risco significativo de congestionamento local na rede se não for gerida adequadamente.
A previsão precisa da carga de curto prazo é fundamental por várias razões. Para as empresas elétricas, permite um planejamento melhor da geração de energia, reduz a necessidade de usinas de energia caras para cobrir picos de demanda e ajuda a prevenir sobrecargas na rede. Para os operadores de estações de recarga, possibilita uma gestão energética otimizada, particularmente sob esquemas de tarifação por horários (TOU), onde os preços da eletricidade variam de acordo com a hora do dia. Além disso, previsões precisas são cruciais para integrar a recarga de veículos elétricos com fontes de energia renovável, garantindo que a energia solar e eólica seja utilizada de forma eficiente para carregar veículos, maximizando assim os benefícios ambientais da eletrificação.
Apesar de sua importância, a previsão da carga de veículos elétricos continua sendo um problema complexo. Os modelos estatísticos tradicionais muitas vezes não conseguem capturar as relações complexas e não lineares entre o comportamento de recarga e fatores externos. Embora os métodos de aprendizado de máquina e aprendizado profundo tenham mostrado promessa, muitos modelos se concentram principalmente em dados históricos de carga e variáveis meteorológicas básicas, ignorando a influência dinâmica de incentivos econômicos e métricas operacionais como a taxa de utilização.
Incorporação de variáveis-chave: tarifação por horários e taxa de utilização
O núcleo da inovação deste estudo reside na consideração exaustiva de duas variáveis críticas, embora muitas vezes negligenciadas: a tarifação elétrica por horários e a taxa de utilização de recarga. Os pesquisadores argumentam que esses fatores não são apenas ruído de fundo, mas condutores primários do comportamento do usuário.
A tarifação por horários é uma estrutura tarifária que cobra preços diferentes pela eletricidade de acordo com a hora do dia. É projetada para incentivar os consumidores a deslocar seu consumo das horas de pico para as horas de menor demanda, aplanando assim a curva de demanda e melhorando a eficiência da rede. Na cidade estudada na província de Shandong, China, o esquema TOU divide o dia em quatro períodos: um período de preço alto das 17:00 às 21:59, um período padrão de 00:00 às 09:59, 15:00 às 16:59 e 22:00 às 23:59, e dois períodos de preço baixo durante a tarde e a parte da manhã. A diferença de preço entre as horas de pico e as de menor demanda é substancial, com tarifas de pico atingindo 1,3078 yuans por kWh, em comparação com 0,6717 yuans durante os períodos mais baixos.
Essa estrutura de preços cria um poderoso incentivo econômico para que os proprietários de veículos elétricos recarreguem seus veículos durante as horas mais baratas. O estudo confirma essa intuição por meio de uma rigorosa análise de correlação, que mostra uma forte correlação negativa entre o preço da eletricidade e a carga de recarga. Quando os preços são altos, a atividade de recarga diminui, e quando os preços são baixos, aumenta. Ignorar esse sinal, argumentam os pesquisadores, é como tentar prever padrões de tráfego sem considerar os semáforos.
A segunda variável-chave, a taxa de utilização de recarga, é uma métrica operacional que reflete o uso real da capacidade de uma estação de recarga. É calculada como a porcentagem de pontos de recarga ativos em relação ao número total de carregadores disponíveis em um determinado momento. Uma taxa de utilização alta indica que a estação está ocupada, o que pode influenciar o comportamento do usuário. Por exemplo, um cliente potencial pode optar por carregar em um momento diferente ou em outro local se antecipar longos tempos de espera. Por outro lado, uma baixa taxa de utilização pode atrair usuários que buscam conveniência. O estudo descobre que a taxa de utilização de recarga tem a correlação positiva mais alta com a carga real, ainda mais forte do que a temperatura do ar, que muitas vezes é citada como um fator importante devido ao seu impacto no desempenho da bateria e na autonomia do veículo.
Ao incorporar tanto a tarifação por horários quanto a taxa de utilização de recarga em seu modelo, os pesquisadores criam uma representação muito mais rica e realista do ecossistema de recarga. Essa abordagem integral vai além de simplesmente observar o que aconteceu para entender por que aconteceu, capturando os impulsionadores econômicos e comportamentais por trás dos dados.
Um modelo híbrido para um desempenho superior
Para aproveitar o poder preditivo dessas variáveis, a equipe de pesquisa desenvolveu uma sofisticada arquitetura de previsão de múltiplas etapas. O processo começa com a coleta e pré-processamento de dados. A equipe utilizou dados do mundo real de uma grande estação de recarga, amostrados a cada 15 minutos durante dois meses, juntamente com os dados meteorológicos correspondentes e informações sobre a tarifação por horários. Todos os dados são normalizados para garantir consistência e melhorar o treinamento do modelo.
A próxima etapa envolve a engenharia e seleção de características. Os pesquisadores reconhecem que os dados de séries temporais brutos, especialmente para variáveis como temperatura e taxa de utilização, muitas vezes são não estacionários e ruidosos, o que pode degradar o desempenho do modelo. Para abordar isso, empregam uma técnica chamada Decomposição Empírica Completa do Modo com Ruído Adaptativo (CEEMDAN). Este método decompõe sinais complexos e não lineares em uma série de componentes mais simples e estáveis chamados funções de modo intrínseco (IMF). Ao decompor os dados originais nesses blocos de construção fundamentais, o modelo pode capturar melhor as tendências e padrões subjacentes em diferentes escalas de tempo.
Após a decomposição, o espaço de características se expande significativamente, potencialmente introduzindo informações redundantes ou irrelevantes. Para racionalizar os dados, os pesquisadores utilizam um método de coeficiente de correlação combinado. Esta abordagem calcula uma pontuação composta com base nos coeficientes de correlação de Pearson, Spearman e Kendall’s tau-b, fornecendo uma medida mais robusta da relação entre cada característica e a carga alvo. As características com pontuações de correlação baixas são descartadas, garantindo que o modelo se concentre apenas nas entradas mais informativas.
O coração do sistema de previsão é um modelo híbrido que funde LSTM e SVR. Cada algoritmo traz pontos fortes únicos para a mesa. LSTM é um tipo de rede neural recorrente projetada especificamente para previsão de sequências. Ela se destaca na captura de dependências de longo prazo em dados de séries temporais, tornando-a ideal para entender como os padrões de carga passados influenciam as cargas futuras. Utiliza um sistema de “portas” para controlar o fluxo de informações, permitindo-lhe lembrar eventos importantes do passado distante enquanto esquece os irrelevantes.
Por outro lado, SVR é um poderoso algoritmo de aprendizado de máquina para tarefas de regressão. É particularmente eficaz para modelar relações não lineares e lidar com dados de alta dimensão. O SVR funciona encontrando um hiperplano que melhor se ajuste aos dados, permitindo uma certa margem de erro (a “função de perda insensível”). Ao usar uma função de kernel, pode projetar dados em um espaço de maior dimensão onde uma solução linear é possível, tornando-o altamente flexível.
Os pesquisadores perceberam que nenhum modelo sozinho era suficiente. LSTM poderia ter dificuldades com os aspectos não lineares dos dados, enquanto SVR poderia não capturar totalmente as dinâmicas temporais. Sua solução foi criar um modelo de conjunto ponderado. Ambos os modelos, LSTM e SVR, são treinados primeiro de forma independente com os dados pré-processados. Em seguida, suas previsões individuais são combinadas em uma saída final utilizando coeficientes de peso calculados dinamicamente.
O esquema de ponderação é inteligente e adaptável. Primeiro, calcula o erro absoluto de cada modelo em um conjunto de validação. Em seguida, avalia a diferença relativa entre os dois erros. Se os erros forem próximos, os pesos são atribuídos proporcionalmente ao desempenho de cada modelo. Se um modelo for significativamente mais preciso, recebe um peso muito mais alto, permitindo efetivamente que o modelo de melhor desempenho domine a previsão final. Isso garante que o conjunto não seja apenas uma média, mas uma combinação inteligente que aproveita o melhor dos dois mundos.
Para otimizar ainda mais o modelo, os pesquisadores empregaram o algoritmo de Otimização do Gavião do Norte (NGO). Este é um algoritmo meta-heurístico inspirado na natureza que imita o comportamento de caça do gavião do norte. É usado para ajustar finamente os hiperparâmetros dos modelos LSTM e SVR, como o número de camadas ocultas, taxas de abandono e parâmetros do kernel. Ao automatizar este processo de busca, o NGO ajuda a encontrar a configuração ótima que maximiza a precisão da previsão, evitando as armadilhas do ajuste manual ou da busca aleatória.
Validação e resultados: um passo à frente claro
O modelo proposto foi rigorosamente validado utilizando dados reais de uma grande estação de recarga. Os pesquisadores realizaram uma série de experimentos comparativos para isolar o impacto de cada componente de sua abordagem. Compararam modelos com e sem dados de tarifação por horários e taxa de utilização de recarga, com e sem a decomposição e seleção de características baseadas em CEEMDAN, e utilizando diferentes algoritmos de previsão (LSTM-SVR, LSTM independente, SVR independente, rede neural BP e Floresta Aleatória).
Os resultados foram convincentes. Quando o modelo incluía tanto a tarifação por horários quanto a taxa de utilização de recarga, a precisão da previsão melhorou em mais de 8% em comparação com um modelo de linha de base que excluía esses fatores. Isso enfatiza a importância crítica de incorporar dados econômicos e operacionais na previsão de carga. O processo de seleção de características baseado em CEEMDAN também demonstrou ser altamente eficaz, reduzindo o ruído e a redundância enquanto enriquecia o conjunto de características com informações multi-escala, melhorando ainda mais a precisão.
O modelo híbrido LSTM-SVR superou todos os outros modelos individuais. Ele alcançou o menor Erro Quadrático Médio (RMSE) e o menor Erro Absoluto Médio (MAE), e o valor mais alto de R-quadrado (R²), indicando um ajuste superior aos dados reais. Os gráficos de caixa dos erros de previsão mostraram que o modelo LSTM-SVR tinha a menor dispersão e o menor número de valores atípicos extremos, demonstrando sua robustez e confiabilidade.
Uma das descobertas mais significativas foi a capacidade do modelo de prever com precisão a carga durante períodos de alta volatilidade. Por exemplo, em 21 de janeiro, a carga de recarga exibiu uma variação maior do que o habitual. O modelo LSTM-SVR conseguiu acompanhar de perto essa flutuação, enquanto outros modelos mostraram desvios significativos. Essa capacidade é crucial para aplicações do mundo real, onde eventos inesperados podem causar picos ou quedas repentinas na demanda.
Implicações para o futuro das redes inteligentes
As implicações desta pesquisa vão muito além de uma única estação de recarga. À medida que o número de veículos elétricos continua a crescer, a capacidade de prever e gerenciar sua carga coletiva se tornará um pilar de uma rede elétrica inteligente, resiliente e sustentável. Este estudo fornece um plano para como a análise de dados avançada e a inteligência artificial podem ser usadas para resolver desafios energéticos do mundo real.
Para os operadores de redes, este modelo oferece uma ferramenta poderosa para uma gestão proativa. Ao ter uma previsão mais precisa, podem equilibrar melhor oferta e demanda, reduzir perdas de transmissão e integrar mais energia renovável. Para os operadores de estações de recarga, permite decisões comerciais mais inteligentes, como estratégias de preços dinâmicos e planejamento de capacidade. Para os formuladores de políticas, fornece evidência de que incentivos econômicos como a tarifação por horários são ferramentas eficazes para moldar o comportamento do consumidor e gerenciar a demanda de pico.
O sucesso desta abordagem híbrida também aponta para uma tendência mais ampla na IA: o poder dos métodos de conjunto. Ao combinar diferentes algoritmos, cada um com seus próprios pontos fortes, os pesquisadores podem criar modelos que são mais robustos e precisos do que qualquer abordagem individual. Essa filosofia do “melhor dos dois mundos” provavelmente dominará os desenvolvimentos futuros na previsão de carga e em outras tarefas complexas de previsão.
Em conclusão, o trabalho de Wang Changchun e seus colegas representa um avanço significativo no campo da previsão de carga para estações de recarga de veículos elétricos em grande escala. Ao integrar cuidadosamente variáveis-chave do mundo real e empregar uma estratégia de modelagem sofisticada de múltiplas etapas, desenvolveram uma ferramenta que não é apenas mais precisa, mas também reflete melhor as dinâmicas complexas do sistema energético moderno. À medida que o mundo avança para um futuro totalmente eletrificado do transporte, tais inovações serão essenciais para garantir que a rede consiga acompanhar o ritmo.
Wang Changchun, Wang Guo, Zhao Qianyu, Wang Shouxiang. A Short-Term Load Forecasting Method for Large Scale Electric Vehicle Charging Stations Considering Characteristics of Charging Utilization Rate and Time-of-Use Electricity Price. Southern Power System Technology. DOI: 10.13648/j.cnki.issn1674-0629.2024.05.008