Nova estratégia de preços para carregamento de veículos elétricos impulsiona cidades inteligentes
Em um momento em que centros urbanos ao redor do mundo buscam soluções de mobilidade mais sustentáveis, uma pesquisa inovadora revelou uma abordagem transformadora para o carregamento de veículos elétricos (VEs) que pode redefinir a gestão integrada de energia e transporte nas cidades. Liderado por Lu Siyue e uma equipe de engenheiros da State Grid Beijing Electric Power Company, o estudo apresenta um modelo de precificação revolucionário projetado para harmonizar a integração de energias renováveis com os fluxos de tráfego urbano. Publicado na edição de setembro de 2024 da revista Computer Applications and Software, este trabalho introduz uma estrutura de otimização em dois níveis que não apenas minimiza os custos sociais totais, mas também melhora a estabilidade da rede elétrica e alivia a congestão em áreas metropolitanas.
A pesquisa aborda um dos desafios mais prementes do planejamento urbano moderno: a crescente interdependência entre as redes de distribuição de energia (DN) e as redes de transporte urbano (UTN). Com a adoção acelerada de veículos elétricos, padrões de carregamento não coordenados podem levar a sobrecargas locais na rede, uso ineficiente de recursos renováveis e aumento da congestão nas estações de carregamento. Modelos de preços tradicionais frequentemente falham em considerar essas interações sistêmicas, concentrando-se em aspectos isolados como tarifas baseadas no horário ou taxas fixas por localização. O time de Lu Siyue, no entanto, reconheceu a necessidade de uma abordagem mais holística, que considere tanto a natureza dinâmica da geração eólica quanto os padrões estocásticos da demanda de viagens.
No cerne da metodologia está um modelo de otimização em dois níveis. O nível superior foca na determinação das taxas de serviço de carregamento (Charging Service Fees, CSF) dentro de uma rede de distribuição que incorpora energia eólica. Esta camada é formulada como um problema de programação de cone de segunda ordem (SOCP), permitindo uma modelagem precisa das restrições elétricas, ao mesmo tempo em que considera a incerteza inerente na produção eólica. Ao tratar as CSF como uma variável de decisão, o modelo permite que operadores da rede influenciem o comportamento de carregamento dos VEs em tempo real, desviando a carga de períodos de baixa disponibilidade renovável ou de alta tensão na rede.
O nível inferior do modelo simula o comportamento do usuário por meio de um problema de alocação de tráfego baseado no princípio do equilíbrio do usuário (User Equilibrium, UE). Diferentemente dos modelos tradicionais, que assumem padrões de viagem determinísticos, esta estrutura incorpora aleatoriedade nos fluxos de tráfego de origem a destino (OD), refletindo a natureza imprevisível dos deslocamentos diários e tarefas. Assume-se que os motoristas tomam decisões racionais, escolhendo rotas e paradas de carregamento que minimizem seus custos individuais, incluindo tempo de viagem, tempo de espera e despesas com eletricidade. A interação entre esses dois níveis cria um ciclo de retroalimentação no qual sinais de preço moldam os padrões de tráfego, que por sua vez afetam a demanda de energia e as condições da rede.
O que distingue esta pesquisa é a integração do aprendizado por reforço profundo (DRL) para resolver o problema estocástico de dois níveis resultante. Técnicas de otimização convencionais enfrentam dificuldades com sistemas tão complexos e acoplados, especialmente quando há incerteza. O DRL, no entanto, oferece uma alternativa poderosa, utilizando redes neurais para aproximar políticas ótimas por meio de tentativa e erro. A equipe implementou algoritmos de treinamento baseados em gradientes e sem gradientes, comparando seu desempenho em termos de velocidade de convergência e qualidade da solução. Destacou-se que a estratégia genética profunda (DGP) sem gradientes demonstrou desempenho superior, alcançando resultados mais próximos do ótimo teórico do que seu contraparte baseado em gradientes, o Deep Deterministic Policy Gradient (DDPG).
As implicações práticas deste trabalho são significativas. Em um sistema de teste de cinco nós, a aplicação das CSF otimizadas reduziu o custo social médio em 14,9%, de 10.022,6 yuan para 8.543,2 yuan. Mais importante ainda, a utilização da energia eólica melhorou drasticamente, com as taxas de curtailment caindo de 31,1% para apenas 4,8%. Isso significa que quase toda a energia eólica disponível foi integrada com sucesso à rede, reduzindo o desperdício e aumentando a sustentabilidade. O fluxo de tráfego também se tornou mais equilibrado em toda a rede, aliviando gargalos em corredores altamente utilizados e aumentando a capacidade em rotas subutilizadas. Embora os custos individuais dos motoristas tenham aumentado ligeiramente, de 1,43 yuan para 1,45 yuan por viagem, o benefício social geral foi substancial, demonstrando que pequenos compromissos no nível individual podem gerar grandes ganhos coletivos.
Para validar a escalabilidade, os pesquisadores aplicaram sua estrutura a um cenário urbano real que envolve 39 nós e 10 estações de carregamento para veículos elétricos. A rede em escala urbana incluía diversos tipos de estradas, desde vias periféricas até arteriais urbanas, e era alimentada por uma rede de distribuição com oito geradores distribuídos e três parques eólicos. Sob demanda OD incerta e geração eólica flutuante, a estratégia de precificação impulsionada por DRL conseguiu uma redução de 2,05% no custo total do sistema, levando-o de 35.158,0 yuan para 34.436,9 yuan. As taxas de consumo de energia eólica aumentaram significativamente em nós-chave: de 21,3% para 62,6% no nó 15 e de 31,6% para 95,3% no nó 33. Essas melhorias foram acompanhadas por reduções mensuráveis na congestão do tráfego, particularmente em conexões de alta capacidade que anteriormente se aproximavam da saturação.
Um dos aspectos mais convincentes do estudo é sua ênfase no desempenho fora da amostra (out-of-sample). As condições do mundo real raramente correspondem perfeitamente aos dados históricos, portanto, qualquer estratégia de precificação deve ser robusta a variações imprevistas. A equipe testou seu modelo sob distribuições de probabilidade alteradas tanto para a demanda de tráfego quanto para a geração eólica, simulando cenários em que os volumes médios de OD mudaram de 1.000 para 1.100 veículos e a saída eólica caiu de 10 MW para 8 MW. Apesar dessas mudanças, o sistema manteve um bom desempenho, indicando que a política aprendida generaliza bem além do ambiente de treinamento. Essa resiliência é crucial para a implantação no mundo real, onde padrões climáticos e comportamentos de viagem são inerentemente voláteis.
A pesquisa também destaca as limitações dos métodos sem aprendizado por reforço profundo em aplicações de larga escala. Em comparação com um algoritmo de iteração Q ajustada (FQI) com um espaço de ação discretizado, a abordagem DRL superou significativamente. Enquanto o FQI conseguiu convergir para algumas estações de carregamento, falhou em identificar níveis de preço ótimos em toda a rede, alcançando, no final, apenas uma redução de custo de 0,20% — menos de um décimo do que a abordagem DRL alcançou. Esse contraste acentuado sublinha a importância de espaços de ação contínuos e representações de estado de alta dimensão na gestão de sistemas complexos e interconectados.
Do ponto de vista político, os resultados sugerem que a coordenação centralizada entre operadores de serviços públicos e autoridades de transporte pode desbloquear eficiências substanciais. Em muitas cidades, esses domínios operam de forma independente, levando a resultados subótimos. Por exemplo, uma concessionária de energia pode oferecer preços mais baixos de eletricidade durante horários de pico sem considerar se os motoristas estão dispostos ou capazes de carregar nesse momento. Da mesma forma, planejadores de transporte podem expandir a capacidade viária sem considerar a distribuição espacial da infraestrutura de carregamento. A estrutura proposta preenche essa lacuna ao permitir a otimização conjunta de recursos energéticos e de mobilidade.
Além disso, o modelo apoia uma mudança de uma gestão reativa para uma proativa. Em vez de esperar que congestionamentos ou instabilidades na rede ocorram, os operadores podem antecipar problemas e ajustar os sinais de preço em conformidade. Por exemplo, se uma previsão indicar alta geração eólica durante a tarde, as CSF podem ser reduzidas nas estações de carregamento próximas para incentivar os proprietários de veículos elétricos a carregar durante essa janela. Por outro lado, se sensores de tráfego detectarem congestionamento crescente perto de uma estação de carregamento popular, as tarifas podem ser temporariamente aumentadas para desviar motoristas para alternativas menos movimentadas. Essa capacidade de resposta dinâmica aumenta a flexibilidade do sistema e melhora a experiência do usuário.
O papel da inteligência artificial nessa transformação não pode ser subestimado. Enquanto tentativas anteriores de carregamento inteligente dependiam de sistemas baseados em regras ou rotinas simples de otimização, a integração do aprendizado profundo permite uma tomada de decisão adaptativa e orientada por dados. A rede neural aprende relações complexas entre variáveis — como como um aumento de 10% na geração eólica afeta o preço ótimo em diferentes locais — e aplica esse conhecimento em tempo real. Ao longo de iterações sucessivas, a política se torna cada vez mais refinada, aproximando-se de um desempenho quase ótimo mesmo em ambientes altamente estocásticos.
Outra vantagem da abordagem DRL é sua capacidade de lidar com observabilidade parcial. Na prática, os operadores não possuem informações perfeitas sobre o estado de carga de cada veículo, seu destino ou rota preferida. O modelo considera essa incerteza tratando dados observados — como fluxo de tráfego agregado e velocidade do vento — como estatísticas suficientes para tomada de decisões. Através de interações repetidas com o ambiente, o agente aprende a inferir estados ocultos e agir em conformidade, muito como um despachante humano faria.
As implicações vão além do carregamento de veículos elétricos. O mesmo quadro pode ser aplicado a outros sistemas de infraestrutura compartilhada, como transporte público, compartilhamento de bicicletas ou serviços de micromobilidade. Ao tratar o preço como uma variável de controle e usar o aprendizado de máquina para otimizá-lo, as cidades podem alcançar uma alocação de recursos melhor, reduzir seu impacto ambiental e melhorar a qualidade de vida. À medida que as populações urbanas continuam a crescer, tais ferramentas se tornarão essenciais para manter a habitabilidade e a sustentabilidade.
Crucialmente, o estudo adere aos princípios de transparência e reprodutibilidade. Todas as simulações foram conduzidas usando resolvedores de código aberto (Mosek e Baron) em um ambiente Python, e a estrutura DRL foi construída usando PyTorch, uma biblioteca de aprendizado profundo amplamente adotada. A inclusão de comparações de referência — contra programação estocástica baseada em cenários e métodos de RL não profundos — garante que as alegações sobre o desempenho sejam rigorosamente fundamentadas. Além disso, o uso de topologias de rede do mundo real e valores de parâmetros realistas aumenta a validade externa, tornando os resultados mais aplicáveis a ambientes urbanos reais.
Considerações éticas também são abordadas implicitamente por meio do foco na minimização do custo social. Em vez de maximizar o lucro para operadores de estações de carregamento ou minimizar o custo para usuários individuais, a função objetivo prioriza o bem-estar coletivo. Isso está alinhado com a missão de serviço público de empresas de serviços públicos e governos municipais, garantindo que os avanços tecnológicos sirvam à comunidade em geral. Além disso, o leve aumento nos custos individuais observado no sistema de cinco nós sugere que preocupações com equidade foram equilibradas com ganhos de eficiência, evitando cenários em que apenas um subconjunto de usuários suporta o ônus da otimização do sistema.
Em conclusão, o trabalho de Lu Siyue e colegas representa um passo significativo adiante na integração de sistemas de energia e transporte. Ao combinar modelagem matemática rigorosa com técnicas avançadas de aprendizado de máquina, eles desenvolveram uma estratégia de precificação que é tecnicamente sólida e viável na prática. Os resultados demonstram benefícios claros em termos de redução de custos, utilização de energias renováveis e gestão de tráfego. À medida que cidades ao redor do mundo buscam descarbonizar seus setores de transporte e modernizar suas redes, esta pesquisa fornece um plano para a operação inteligente e coordenada da infraestrutura. Com refinamentos adicionais e testes de campo, tais modelos podem logo se tornar ferramentas padrão na caixa de ferramentas do planejador urbano, ajudando a construir cidades mais inteligentes, verdes e resilientes.
Lu Siyue, Ji Hongquan, Zhang Lu, Xu Hui, Wang Peiyi, State Grid Beijing Electric Power Company, Computer Applications and Software, DOI: 10.3969/j.issn.1000-386x.2024.09.053