Nova Inteligência Artificial Deteta Falhas em Carregadores de Veículos Elétricos em Tempo Real
À medida que a transição global para a mobilidade elétrica se acelera, a confiabilidade da infraestrutura de carregamento tornou-se uma preocupação crítica — não apenas para os condutores, mas também para operadores de rede, reguladores e fabricantes de automóveis. Um estudo recentemente publicado na revista Electric Power Construction introduz uma abordagem inovadora que aproveita o processamento avançado de sinal e a aprendizagem profunda para detetar imprecisões de medição em estações de carregamento de veículos elétricos (VE) em tempo real, sem necessidade de inspeções presenciais ou modificações de hardware.
O método, desenvolvido por uma equipa liderada por Dongxiang Jiao do Centro de Metrologia da State Grid Jibei Electric Power Co., Ltd., em colaboração com investigadores da Tangshan Power Supply Company e da Faculdade de Engenharia Elétrica e de Informação da Universidade de Tianjin, aborda um problema crescente no ecossistema de VE: a deriva silenciosa da precisão dos carregadores ao longo do tempo devido ao envelhecimento dos componentes, stress ambiental ou adulteração. Os métodos tradicionais de verificação dependem de calibração manual e periódica — dispendiosa, intensiva em mão de obra e cada vez mais impraticável à medida que o número de carregadores públicos e semipúblicos aumenta para milhões em todo o mundo.
O que distingue esta nova técnica é a sua fusão de modelação baseada em física com inteligência orientada por dados. No seu cerne, o sistema aplica o princípio da conservação de energia a toda a topologia da estação de carregamento. Para carregadores de corrente alternada (CA), que fornecem energia ao conversor incorporado no veículo, a energia total retirada da rede deve ser igual à soma da energia registada pelos pontos de carregamento individuais, mais as perdas previsíveis da cablagem e das cargas fixas da estação. Para carregadores rápidos de corrente contínua (CC) — onde a conversão de CA para CC ocorre dentro do carregador — a equação deve também ter em conta a eficiência desse processo de conversão de energia, que varia consoante o modelo, a carga, a temperatura e outros fatores operacionais.
É aqui que a inovação se aprofunda. Enquanto tentativas anteriores de modelar estes sistemas frequentemente assumiam uma eficiência de conversão fixa ou média, a equipa de investigação reconheceu que a eficiência no mundo real é dinâmica. Para capturar esta variabilidade, conceberam uma nova arquitetura de aprendizagem profunda — batizada de Transformer-CNN — que absorve dados de séries temporais de tensão, corrente, fator de potência, temperatura ambiente e especificações de eficiência nominal do fabricante. Este modelo híbrido combina a consciência contextual global das redes Transformer com as capacidades de extração de características temporais multiescala das camadas convolucionais, permitindo uma estimativa altamente precisa e em tempo real da eficiência de conversão CA/CC para cada sessão de carregamento.
Com esta estimativa de eficiência em mãos, o sistema alimenta depois um algoritmo refinado de mínimos quadrados recursivos amortecidos (RDLS) para resolver os erros de medição individuais dos carregadores. Ao contrário dos mínimos quadrados recursivos padrão — que podem tornar-se instáveis ou divergir perante dados ruidosos ou mal condicionados — a variante RDLS introduz um termo de amortecimento que penaliza mudanças abruptas de parâmetros entre iterações. Isto não só estabiliza a convergência, como também melhora a robustez contra ruídos de medição e anomalias transitórias.
Em testes extensivos utilizando conjuntos de dados sintéticos e dados operacionais do mundo real de 30 estações de carregamento durante um período de 14 meses, o método demonstrou um desempenho excecional. Em dados simulados com medidores defeituosos conhecidos (intencionalmente enviesados até ±4,2%), o sistema atingiu uma precisão de deteção de 98% e um F1-score de 84% — superando significativamente alternativas baseline de RLS, RLS de parâmetro duplo e regressão kernel ridge. Ainda mais impressionante, em dados reais de campo onde falhas ground-truth foram posteriormente confirmadas via inspeção física, o algoritmo identificou corretamente todas as unidades com mau funcionamento com 100% de precisão e recall.
Este nível de confiabilidade tem implicações profundas. Para os operadores de utilities que gerem milhares de carregadores, significa passar de uma manutenção reativa baseada no calendário para uma supervisão preditiva baseada na condição. Para os condutores de VE, garante uma faturação justa e um desempenho de carregamento consistente. E para os reguladores, oferece uma ferramenta escalável e não intrusiva para fazer cumprir os padrões metrológicos numa paisagem de infraestruturas fragmentada e em rápida evolução.
A abordagem é particularmente oportuna, dados os maciços investimentos públicos e privados a fluir para as redes de carregamento de VE. Só nos Estados Unidos, o programa National Electric Vehicle Infrastructure (NEVI) alocou 5 mil milhões de dólares para construir um corredor de carregamento rápido de costa a costa. Iniciativas semelhantes estão em curso na União Europeia, China e Índia. No entanto, sem mecanismos fiáveis para verificar a precisão e integridade destes carregadores, a confiança do consumidor — e a adoção mais ampla de veículos elétricos — poderá ser minada.
Criticamente, o método proposto não requer retrofits de hardware. Opera inteiramente em dados de telemetria já recolhidos pela maioria das estações de carregamento modernas e transmitidos para sistemas de gestão central. Este caminho de atualização “apenas de software” reduz drasticamente a barreira à implementação, especialmente para instalações legadas.
A investigação também salienta uma tendência mais ampla na infraestrutura inteligente: a convergência dos princípios de engenharia clássica com a inteligência artificial. Em vez de tratar a IA como uma caixa negra, a equipa ancorou a sua solução na física de primeiros princípios — conservação de energia — e depois usou aprendizagem automática para lidar com as variáveis complexas e não lineares que desafiam a modelação analítica. Este paradigma híbrido alinha-se com as melhores práticas emergentes em IA confiável para infraestruturas críticas, onde a interpretabilidade, segurança e conformidade não podem ser sacrificadas por ganhos marginais na precisão da previsão.
Do ponto de vista técnico, a arquitetura Transformer-CNN representa uma adaptação ponderada da IA de ponta a um desafio específico de domínio. Os Transformers, originalmente desenvolvidos para processamento de linguagem natural, destacam-se na captura de dependências de longo alcance em sequências — ideal para compreender como a eficiência de um carregador evolui ao longo de uma sessão de várias horas. Entretanto, as convoluções depthwise multiescala extraem eficientemente padrões locais (ex.: picos de corrente durante o pré-condicionamento da bateria) sem a sobrecarga computacional de camadas densas. O resultado é um modelo leve adequado para implementação edge ou analytics baseados em cloud, dependendo da arquitetura do operador.
O componente de mínimos quadrados recursivos amortecidos exemplifica ainda mais o pragmatismo de engenharia. Ao incorporar um fator de esquecimento, o algoritmo pode adaptar-se a mudanças graduais no comportamento da estação — como o aumento da resistência do cabo devido à corrosão — enquanto o termo de amortecimento previne reações exageradas a ruídos de curto prazo. Este equilíbrio entre adaptabilidade e estabilidade é essencial para sistemas do mundo real onde a qualidade dos dados é imperfeita e as condições operacionais estão constantemente a mudar.
Olhando para o futuro, a metodologia poderia ser estendida para além da precisão da medição. O mesmo quadro de balanço energético poderá detetar furto de energia, identificar falhas na eletrónica de potência, ou mesmo estimar o estado de saúde da bateria analisando ineficiências de carregamento no lado do veículo. Além disso, à medida que surgem serviços vehicle-to-grid (V2G), a contabilização precisa e bidirecional de energia tornar-se-á ainda mais crucial — tornando a verificação robusta e online não apenas desejável, mas obrigatória.
Por agora, o impacto imediato reside na eficiência operacional. A calibração manual de um único carregador rápido CC pode custar centenas de dólares e requerer horas de tempo de técnico. Dimensionar isso para uma rede nacional é economicamente e logisticamente insustentável. Ao permitir o autodiagnóstico remoto e contínuo, este novo método poderá reduzir os custos de manutenção em ordens de grandeza, melhorando simultaneamente a qualidade do serviço.
O trabalho também estabelece um padrão elevado para a colaboração académica-industrial. Liderado por engenheiros experientes da State Grid Jibei — uma utility regional major — e apoiado por especialistas académicos em IA e sistemas de energia da Universidade de Tianjin, o projeto une inovação teórica e implementação prática. A inclusão de dados do mundo real abrangendo diversos modelos de carregadores, condições ambientais e padrões de utilização acrescenta credibilidade significativa aos resultados.
À medida que a adoção de VE continua o seu crescimento exponencial — as vendas globais ultrapassaram 10 milhões de unidades em 2022 e estão projetadas para exceder 40 milhões anualmente até 2030 — a pressão sobre a infraestrutura de carregamento só se intensificará. Soluções como esta, que melhoram a confiabilidade sem adicionar complexidade ou custo, serão essenciais para manter o momentum da transição elétrica.
Numa era onde a velocidade de carregamento e a cobertura da rede dominam as manchetes, esta investigação lembra-nos que a precisão e a confiança são igualmente vitais. Um carregador pode ser rápido e amplamente disponível, mas se lhe cobrar 50 kWh quando apenas recebeu 45, o seu valor evapora-se. Ao garantir que cada quilowatt-hora é contabilizado — de forma justa, transparente e automática — este novo método ajuda a construir a base para um ecossistema de mobilidade elétrica verdadeiramente sustentável e centrado no utilizador.
Autores: Dongxiang Jiao¹, Yachao Wang¹, Di Han¹, Xuechao Li², Shengli Yuan², Zhaoshuai Dang³, Ting Yang³ Afiliações: ¹ Centro de Metrologia da State Grid Jibei Electric Power Co., Ltd., Pequim 100032, China ² Tangshan Power Supply Company, State Grid Jibei Electric Power Co., Ltd., Tangshan 063099, Província de Hebei, China ³ Faculdade de Engenharia Elétrica e de Informação, Universidade de Tianjin, Tianjin 300072, China Publicado em: Electric Power Construction, Vol. 45, No. 8, Agosto de 2024 DOI: 10.12204/j.issn.1000-7229.2024.08.013