Novo modelo aprimora previsão de carga de veículos elétricos
A crescente popularidade dos veículos elétricos (VE) está remodelando o panorama energético global, mas traz consigo um desafio crítico para as redes elétricas: a imprevisibilidade da demanda por carga. Diferentemente dos padrões de consumo tradicionais, o momento em que um motorista conecta seu carro para recarregar é altamente aleatório, influenciado por fatores como horários de trabalho, hábitos de condução e a disponibilidade de pontos de recarga. Esse comportamento disperso cria um perfil de carga não linear, não estacionário e rico em picos súbitos. Para as empresas de energia, essa volatilidade é um desafio operacional de grande magnitude. Previsões imprecisas podem levar a sobrecargas locais, planejamento ineficiente da infraestrutura de carregamento e uma integração subótima de energia renovável, comprometendo a estabilidade e a eficiência do sistema energético. Nesse contexto, a capacidade de prever com precisão a demanda de carga de curto prazo não é um luxo tecnológico, mas uma necessidade fundamental para uma era de mobilidade elétrica sustentável.
Um grupo de pesquisa liderado por Chen Xiaohua, da Agência de Suprimento de Energia de Zhanjiang da Guangdong Power Grid Co., Ltd., em colaboração com Wu Jiekang, Zhang Xunxiang, Long Yongcheng e Wang Zhiping das universidades de Guangdong e Dongguan, enfrentou esse desafio com uma abordagem inovadora. Seu estudo, publicado na revista especializada Shandong Electric Power, apresenta um modelo de previsão híbrido que combina técnicas avançadas de processamento de sinais com um algoritmo de otimização bioinspirado de última geração, oferecendo uma solução poderosa para lidar com a imprevisibilidade da recarga de veículos elétricos.
Os métodos tradicionais de previsão de carga podem ser divididos em duas grandes categorias: modelos baseados em teoria e modelos baseados em dados. Os primeiros, como simulações de Monte Carlo ou cadeias de Markov, tentam modelar o comportamento do usuário por meio de equações matemáticas complexas. No entanto, muitas vezes se baseiam em suposições simplificadas que não refletem a complexidade do mundo real e podem se tornar imprecisos. Os segundos, pertencentes ao campo do aprendizado de máquina, ganharam popularidade nos últimos anos devido à crescente disponibilidade de dados. Modelos como redes neurais convolucionais (CNN) ou redes neurais de memória longa e curta (LSTM) demonstraram alguma eficácia. O ponto fraco desses modelos, no entanto, é a complexidade. Eles são frequentemente “caixas pretas” com centenas ou milhares de parâmetros internos que precisam ser cuidadosamente ajustados, um processo conhecido como “ajuste de hiperparâmetros”. Esse processo não apenas é trabalhoso, mas também pode levar a modelos que funcionam bem nos dados de treinamento, mas falham miseravelmente ao fazer previsões com dados novos e desconhecidos, um fenômeno conhecido como “sobreajuste”.
A genialidade do trabalho de Chen Xiaohua e sua equipe reside em sua estratégia de “dividir para conquistar”. Em vez de atacar o caótico sinal de carga total de uma só vez, seu modelo, denominado CEEMD-SE-POA-GRNN, o desmonta em etapas sucessivas, abordando cada nível de complexidade com uma ferramenta específica.
A primeira fase é a decomposição do sinal. Os pesquisadores utilizam uma técnica avançada chamada Decomposição Modal Empírica de Conjunto Complementar (CEEMD). Imagine o sinal de carga como uma onda caótica. O CEEMD atua como um microscópio poderoso, separando essa onda em uma série de componentes mais simples e ordenados, chamados de Funções de Modo Intrínseco (IMF), cada uma representando um “tom” diferente ou uma frequência de oscilação diferente no sinal original — desde flutuações rápidas diárias até tendências mais lentas de carga noturna — mais um componente residual que representa a tendência de fundo. Ao decompor o problema em elementos mais gerenciáveis, o modelo pode analisar e prever cada componente separadamente, uma abordagem muito mais eficaz do que tentar modelar o sinal caótico inteiro de uma só vez.
No entanto, a decomposição por si só pode criar um novo problema: a redundância. O CEEMD pode gerar várias IMF que contêm informações semelhantes ou sobrepostas, aumentando desnecessariamente a carga computacional sem melhorar a precisão. Para resolver esse problema, a equipe introduz uma segunda ferramenta: a Entropia de Amostragem (SE). A entropia é uma medida do grau de desordem ou imprevisibilidade de um sinal. Um sinal de alta entropia é caótico, enquanto um de baixa entropia é mais regular e previsível. Os pesquisadores calculam a entropia de amostragem para cada IMF obtida. As IMF que apresentam valores de entropia muito semelhantes são consideradas dinamicamente equivalentes. Esses componentes são então combinados ou “reconstruídos” em um único componente, reduzindo o número total de sinais que o modelo final precisa processar. Em seu estudo, esse processo permitiu reduzir o número de componentes de 11 para 8, otimizando a eficiência do sistema sem sacrificar a qualidade das informações.
Com um conjunto de sinais limpos e bem definidos, o coração do mecanismo preditivo entra em ação: a Rede Neural de Regressão Generalizada (GRNN). A escolha do GRNN é estratégica. Trata-se de um modelo de aprendizado de máquina conhecido por sua capacidade de mapear relações não lineares complexas com uma velocidade de treinamento extremamente rápida. Diferentemente das redes LSTM, o GRNN tem uma vantagem crucial: seu desempenho depende principalmente de um único parâmetro, chamado “fator de suavização”. Esse fator controla o quão “flexível” ou “rígido” o modelo é em sua previsão. Um valor muito alto torna o modelo excessivamente genérico, fazendo-o perder picos importantes de carga. Um valor muito baixo o torna excessivamente sensível aos dados de treinamento, fazendo-o aderir demais ao ruído e tornando-o frágil diante de novos dados. Encontrar o valor ideal desse fator de suavização é, portanto, a chave para desbloquear o máximo potencial do GRNN.
É aqui que entra em jogo a segunda grande inovação: o Algoritmo de Otimização do Pelicano (POA). Apresentado pela primeira vez em 2022, o POA é um algoritmo meta-heurístico inspirado na natureza que simula o comportamento de caça dos pelicanos. O algoritmo modela duas fases distintas: a fase de exploração, em que os pelicanos voam sobre uma grande área de água para localizar cardumes (a solução ótima), e a fase de exploração, em que se concentram intensamente em uma área específica para capturar a presa. No contexto do modelo, o POA age como um caçador supremo. É dado um intervalo de valores possíveis para o fator de suavização e uma função de avaliação (neste caso, o erro de previsão do modelo GRNN em um conjunto de dados de treinamento). O POA explora esse espaço de soluções, testando diferentes valores do fator de suavização, e utiliza sua lógica de “exploração e exploração” para convergir rapidamente para o valor que minimiza o erro de previsão. O resultado é um modelo GRNN otimizado pelo POA, que se torna o mecanismo preditivo final para cada componente de carga.
O modelo completo, CEEMD-SE-POA-GRNN, foi testado com dados reais de carregamento de veículos elétricos de uma região da China, com medições a cada 15 minutos durante um período de dez dias. Os resultados foram esmagadores. Quando comparado a seis modelos de ponta — incluindo LSTM, BiLSTM, um GRNN básico e uma versão do modelo que usava o Algoritmo de Busca do Pardal (SSA) para otimização — o modelo proposto pela equipe de Chen Xiaohua demonstrou uma superioridade incontestável. Utilizando métricas padrão da indústria como o Erro Quadrático Médio (MSE) e o Coeficiente de Eficiência de Nash-Sutcliffe (NSE), o modelo CEEMD-SE-POA-GRNN obteve o menor MSE (0,314 MW) e o maior NSE (0,958), indicando uma precisão de previsão e um ajuste aos dados reais sem precedentes. Os modelos mais simples, como o GRNN sem otimização, tiveram um desempenho ruim (MSE de 1,372 MW), demonstrando a importância crítica do processo de otimização. Mesmo o modelo que usava o SSA, um algoritmo de otimização bem estabelecido, foi superado pelo POA, destacando a capacidade superior de convergência e precisão desse novo algoritmo.
As implicações desse avanço são profundas para toda a cadeia de valor dos veículos elétricos. Para as empresas de energia, uma previsão precisa significa a capacidade de implementar programas de gerenciamento de demanda mais eficazes. Elas podem oferecer tarifas dinâmicas que incentivem os usuários a carregar seus veículos durante as horas de baixa demanda, quando a demanda é baixa e a energia (especialmente a renovável) é mais abundante e mais barata. Isso não apenas alivia a pressão sobre a rede, mas também maximiza o uso de energia limpa. Para os planejadores de infraestrutura, este modelo fornece uma ferramenta inestimável para determinar com precisão onde e quando novas estações de carregamento são necessárias, evitando investimentos caros em locais errados.
Além da gestão da rede, este modelo representa um passo em direção a um sistema energético mais inteligente e integrado. Ao prever com precisão quando e onde a demanda de carregamento ocorrerá, as redes podem coordenar melhor a geração, o armazenamento e o consumo. Por exemplo, o excesso de energia solar gerada ao meio-dia poderia ser armazenado e liberado estrategicamente para alimentar uma onda de carregamento noturno. Essa sinergia é essencial para alcançar uma transição energética verdadeiramente sustentável.
A escolha do POA como o mecanismo de otimização é particularmente significativa. Ela demonstra que algoritmos bioinspirados de nova geração têm um potencial real para resolver problemas complexos de engenharia. Seu sucesso nesse domínio abre caminho para sua aplicação em outros desafios do setor energético, como a otimização do agendamento de usinas de energia ou o controle de microrredes.
Em resumo, o trabalho de Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng e Wang Zhiping não é apenas um avanço técnico; é uma contribuição prática e oportuna para um dos maiores desafios da descarbonização do transporte. Ao combinar a decomposição de sinais, a redução de redundância e uma otimização de ponta, eles criaram um modelo que estabelece um novo padrão de precisão. Esse tipo de inovação é o alicerce sobre o qual será construída uma rede elétrica resiliente, eficiente e capaz de sustentar a revolução dos veículos elétricos.
Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng, Wang Zhiping, Shandong Electric Power, DOI: 10.20097/j.cnki.issn1007-9904.2024.07.001