Nova Estratégia de Orientação para Recarga de Veículos Elétricos
A revolução dos veículos elétricos (VEs) está em pleno andamento, transformando não apenas a maneira como nos deslocamos, mas também os desafios enfrentados pela infraestrutura urbana. À medida que o número de veículos elétricos cresce exponencialmente, as cidades do mundo inteiro se deparam com um dilema crítico: como garantir uma experiência de recarga fluida, rápida e econômica para todos os usuários, evitando congestionamentos e longas filas nas estações mais populares? Uma equipe de pesquisadores da Universidade de Jiaotong de Pequim desenvolveu uma estratégia inovadora de orientação à recarga que promete resolver esses problemas, combinando modelos preditivos avançados com uma sofisticada teoria de otimização.
A pesquisa, liderada pela professora Su Su e conduzida em colaboração com Wang Jianxiang, Li Yujing, Nie Xiaobo e Xiang Wenxu do Departamento de Engenharia Elétrica, juntamente com Wang Lei da empresa CCCC Mechanical & Electrical Engineering, introduz uma estratégia baseada no modelo de Huff dinâmico e na teoria de correspondência bilateral. Essa abordagem, publicada na prestigiada revista Automation of Electric Power Systems (DOI: 10.7500/AEPS20230731008), vai além de simplesmente indicar a estação de recarga mais próxima. Ela cria um sistema de recomendação personalizado e bidirecional que maximiza a satisfação tanto dos usuários quanto dos operadores das estações.
O cerne do sistema reside na análise de um vasto conjunto de dados reais provenientes de Chengdu, uma das cidades líderes na China em termos de adoção de veículos elétricos. Os pesquisadores examinaram milhares de registros de recarga, fluxos de tráfego e detalhes técnicos das estações, revelando padrões de comportamento-chave. O estudo demonstrou que os usuários são extremamente sensíveis ao preço: cerca de 75% das recargas ocorrem em estações que estão na metade mais barata do mercado. Outro fator determinante é o custo do estacionamento, com 86% das recargas sendo feitas em estações que oferecem estacionamento gratuito. Por fim, a qualidade percebida é fundamental: 82% dos usuários escolhem estações com uma avaliação de pelo menos 4 estrelas em 5. Esses dados permitiram aos pesquisadores quantificar com precisão o que torna uma estação de recarga “atraente” aos olhos do consumidor.
Para traduzir essas percepções em um algoritmo operacional, a equipe desenvolveu um “modelo de Huff dinâmico”. Originalmente usado no varejo para prever onde os clientes escolheriam fazer compras, o modelo foi adaptado para o contexto da recarga elétrica. A ideia básica é simples: a probabilidade de um usuário escolher uma estação depende de dois fatores principais: sua “atratividade” e o tempo de viagem necessário para alcançá-la. A atratividade de uma estação não é fixa, mas é calculada em tempo real e leva em conta variáveis como o número de vagas disponíveis, o preço por kWh, a presença de estacionamento gratuito e a avaliação média dos usuários. O tempo de viagem, por sua vez, não é apenas o tempo na estrada principal, mas inclui também uma estimativa do tempo necessário para encontrar uma vaga livre dentro da estação e acessar o ponto de recarga, um detalhe frequentemente negligenciado, mas crucial para uma experiência real do usuário.
Esse modelo dinâmico gera listas de recomendação personalizadas para cada usuário, com base em sua localização e direção de deslocamento. No entanto, o verdadeiro avanço da pesquisa está na integração da “teoria de correspondência bilateral”. Ao contrário dos sistemas tradicionais que funcionam de forma unidirecional (da estação para o usuário), essa abordagem reconhece que a relação é recíproca. Não se trata apenas de direcionar um usuário a uma estação, mas de criar um “par” ideal em que ambas as partes se beneficiem.
O sistema utiliza a teoria da perspectiva, um conceito da economia comportamental que reconhece que as pessoas não tomam decisões de forma puramente racional. Somos mais sensíveis às perdas do que aos ganhos, e isso influencia nossas escolhas. Um usuário pode, por exemplo, estar disposto a percorrer um quilômetro a mais para evitar uma tarifa de recarga elevada ou para ter a certeza de uma vaga livre. O modelo de Su Su incorpora essa psicologia, calculando não apenas o custo objetivo, mas também o “valor subjetivo” da escolha para o usuário.
Para o operador da estação, o benefício é igualmente tangível. O sistema prevê a demanda e distribui os usuários de forma a evitar picos de afluência e períodos de inatividade. Isso se traduz em uma utilização mais eficiente das instalações e em um aumento da receita horária. O objetivo final é uma otimização conjunta: maximizar a satisfação do usuário (reduzindo os tempos de espera, os custos e melhorando a qualidade do serviço) e a satisfação do operador (aumentando a eficiência operacional e os lucros).
Para testar a validade de sua estratégia, os pesquisadores realizaram uma simulação em larga escala na área central de Chengdu, uma rede complexa de 155 nós viários principais, 514 segmentos de estrada e 101 estações de recarga rápida com um total de 1.580 pontos de recarga. Os resultados foram extraordinários. Em comparação com um cenário em que os usuários vão simplesmente para a estação mais próxima disponível, a nova estratégia reduziu a probabilidade de espera a zero. Nenhum usuário precisou fazer fila. Os custos médios de recarga caíram de 31,54 para 24,28 yuans (cerca de 3,4 euros), uma redução de 23%. Os usuários foram direcionados a estações de maior qualidade, com uma avaliação média que subiu de 4,14 para 4,62 estrelas. Para os operadores, o efeito foi igualmente positivo: a utilização das estações aumentou e a receita horária cresceu 14%, passando de 9.896 para 11.327 yuans.
Um aspecto particularmente interessante do estudo é a capacidade do sistema de segmentar os usuários com base em suas preferências. Através de uma análise dos dados, a equipe identificou três tipos principais: usuários sensíveis ao tempo, sensíveis ao preço e sensíveis ao serviço. O sistema é capaz de reconhecer essas diferentes prioridades e fornecer recomendações direcionadas. Usuários sensíveis ao tempo são direcionados a estações alcançáveis no menor tempo possível, mesmo a um custo ligeiramente superior. Usuários sensíveis ao preço recebem sugestões para as opções mais econômicas, mesmo que exijam um trajeto mais longo. Usuários sensíveis ao serviço, por fim, são direcionados às estações com as avaliações mais altas, garantindo uma experiência premium. Essa personalização profunda é o que distingue o sistema de qualquer outro aplicativo de navegação existente.
A velocidade de resposta do sistema é outra de suas características vencedoras. Em média, o tempo necessário para calcular uma recomendação completa é inferior a 0,5 milissegundo, mesmo em condições de alta demanda (até 400 solicitações por minuto). Essa eficiência computacional é essencial para uma aplicação em tempo real em escala urbana. O sistema atualiza suas listas de recomendação a cada cinco minutos ou quando um dos pontos de recarga na lista fica ocupado, garantindo que as informações estejam sempre atualizadas e confiáveis.
A escalabilidade é outro ponto forte. Ao contrário de alguns modelos anteriores, cuja complexidade aumenta de forma quadrática com o tamanho da rede, a complexidade do modelo de Su Su cresce linearmente com o tamanho da lista de recomendação. Isso significa que ele pode ser facilmente implementado em cidades muito maiores que Chengdu, sem o risco de lentidão ou falhas no sistema.
O sistema também oferece um alto grau de flexibilidade. Os pesquisadores demonstraram que é possível ajustar o “peso” dado à satisfação do usuário em relação à do operador. Se o objetivo for maximizar o bem-estar do usuário, é possível obter custos ainda mais baixos e estações de maior qualidade, às custas de uma leve queda na receita dos operadores. Ao contrário, se o objetivo for maximizar os lucros dos operadores, o sistema pode ser sintonizado de acordo. Essa capacidade de adaptação o torna adequado para diferentes cenários: desde administrações públicas que desejam oferecer um serviço ideal aos cidadãos, até operadores privados que buscam maximizar o retorno sobre seu investimento.
As implicações desse trabalho vão muito além da simples conveniência. Um sistema de orientação inteligente pode ter um impacto significativo na estabilidade da rede elétrica. Ao distribuir de forma mais uniforme a demanda de recarga no tempo e no espaço, é possível evitar picos de carga que colocariam em risco a rede, especialmente durante os horários de pico. Este é um passo fundamental para uma infraestrutura energética mais resiliente e sustentável.
O sucesso desta pesquisa é um exemplo claro de como a colaboração interdisciplinar pode levar a soluções inovadoras. Ao unir competências em engenharia elétrica, ciência de dados, teoria de transportes e economia comportamental, a equipe de Su Su criou uma solução que é tecnicamente robusta e, ao mesmo tempo, profundamente atenta às necessidades reais dos seres humanos. Seu trabalho demonstra que o futuro da mobilidade não está apenas nos motores e nas baterias, mas também nos algoritmos e nos sistemas inteligentes que os governam.
Su Su, Wang Jianxiang, Wang Lei, Li Yujing, Nie Xiaobo, Xiang Wenxu, School of Electrical Engineering, Beijing Jiaotong University; Automation of Electric Power Systems, DOI: 10.7500/AEPS20230731008