Novo Modelo de Planeamento Optimiza Postos de Carregamento para VE em Autoestradas, Equilibrando Carga da Rede e Tempo de Espera
Quando os condutores de veículos elétricos (VE) percorrem a Autoestrada G15 Shenyang–Haikou—a principal artéria costeira da China, estendendo-se por mais de 3.700 quilómetros—a ansiedade não é apenas sobre até onde a bateria durará. É sobre se a próxima área de serviço terá carregadores suficientes, se estarão ocupados, e se a rede elétrica local pode mesmo suportar uma onda de procura por carregamento rápido. Durante anos, esta tensão entre mobilidade, infraestrutura e energia permaneceu por resolver: os planeadores optimizavam para o tráfego, os engenheiros para a energia, e os investidores para o custo—mas raramente todos os três em concertação.
Isso está a começar a mudar.
Um estudo recentemente publicado nos Proceedings of the CSU-EPSA introduz um modelo inovador que sincroniza a dinâmica dos transportes e os constrangimentos do sistema de energia num único modelo de optimização pronto para decisão, para o planeamento da disposição de postos de carregamento para VE em autoestradas. Desenvolvido por uma equipa multidisciplinar do Instituto de Investigação em Inovação e Ciência e Tecnologia de Autoestradas de Fujian e da Universidade de Fuzhou, a abordagem não pergunta apenas onde construir os postos—calcula quantos carregadores de alta potência cada local necessita, quando é provável que os utilizadores façam fila, e que atualizações a rede de distribuição local deve sofrer para evitar sobrecargas ou quedas de tensão. No seu cerne, o modelo trata a autoestrada e a rede não como entidades separadas, mas como uma rede eletricidade-tráfego fortemente acoplada—uma mudança de paradigma que agora ganha tração no planeamento de infraestruturas de próxima geração.
O método foi testado no segmento de Fujian da Autoestrada G15, um corredor de alto tráfego que liga Fuzhou a Haicang ao longo de 240 quilómetros. Utilizando dados reais de portagem recolhidos durante o pico do feriado do Dia Nacional de 2023—quando as viagens interurbanas disparam—a equipa reconstruiu fluxos de tráfego hora a hora, mapeou padrões de origem-destino, e alimentou-os num motor de simulação de tráfego dinâmico baseado no Modelo de Transmissão de Ligação (LTM). Ao contrário de estimativas de tráfego estáticas ou baseadas em médias, o LTM acompanha como a congestão se propaga, as filas se formam, e as densidades de veículos mudam ao longo do corredor quase em tempo real. Essa granularidade é crítica: permite aos planeadores ver não apenas quantos VE passam por um determinado saída, mas quando e em que formação—agrupados em ondas de êxodo à tarde ou a fluir constantemente durante a noite.
A partir desses padrões de tráfego, o modelo extrai a procura de carregamento. Assumindo uma taxa de penetração de VE de 10%—um benchmark conservador dada a rápida eletrificação da frota na China—e uma probabilidade de 33% de que qualquer condutor de VE pare para recarregar (aproximadamente um em cada três, refletindo os típicos trechos de 250–300 km entre recargas), o sistema gera taxas de chegada variáveis no tempo para cada posto candidato. Estas taxas alimentam depois um motor de filas: um modelo M/M/K que simula como os VE fazem fila para carregadores DC rápidos, calculando os tempos de espera esperados com base no número de pontos disponíveis, na sua potência (60 kW ou 120 kW por unidade), e no tempo que cada veículo necessita para restaurar o seu estado de carga. Crucialmente, respeita os limites de intensidade de serviço—nenhum posto é autorizado a operar tão próximo da capacidade que os tempos de espera disparem incontrolavelmente.
Mas é aqui que a inovação avança em relação a trabalhos anteriores: não para no passeio.
A maioria dos estudos anteriores—especialmente os focados na implantação urbana—tratava a rede elétrica como um pano de fundo passivo: desde que a procura total se mantivesse abaixo de um vago “teto de capacidade”, a disposição era considerada viável. As utilities reais não operam assim. Os perfis de tensão caem, as cargas dos transformadores disparam, as perdas na linha acumulam-se, e os limites térmicos são atingidos—especialmente quando novas cargas de carregamento à escala de megawatt aparecem da noite para o dia em subestações rurais originalmente dimensionadas para bombas agrícolas e iluminação de autoestradas.
O novo modelo integra uma relaxação cónica de segunda ordem completa (SOCR) das equações de fluxo de potência da rede de distribuição—aplicada a um sistema IEEE modificado de 33 nós, acoplado ponto a ponto aos 31 nós de tráfego da autoestrada. Quando um posto candidato é colocado, o algoritmo não se limita a somar o seu custo de construção; pergunta: Que alimentador pode hospedar esta carga? A subestação mais próxima precisa de reforço? Devemos atualizar uma linha existente ou instalar uma nova? Os custos de investimento e operacionais para estas intervenções no lado da rede—novos transformadores, atualizações de condutores, suporte de potência reativa—são incorporados diretamente na função objetivo, juntamente com o CAPEX do posto de carregamento e o tempo de espera do utilizador.
O resultado é um espaço de compromisso tridimensional. Num eixo: despesas de capital (postos + extensões da rede). No segundo: despesas operacionais (manutenção, perdas de energia, pessoal). No terceiro: custo experiencial—as horas agregadas que os condutores passam em espera, telemóvel na mão, a ver o estado de carga subir. Para navegar neste terreno, a equipa empregou o NSGA-II, um algoritmo evolutivo multiobjetivo rápido e robusto que gera uma fronteira de Pareto—um conjunto de soluções não dominadas onde nenhum objetivo individual pode melhorar sem piorar outro.
Para o segmento de 240 km da G15, o algoritmo propôs 7 centros de carregamento ótimos. Dois foram localizados dentro de áreas de serviço existentes—A2 (Chigang) e A8 (Longjue Este)—aproveitando direitos de passagem pré-existentes, ligações elétricas e comodidades para clientes, evitando assim custos de desenvolvimento em terreno virgem. Os restantes cinco foram distribuídos aproximadamente a cada 25–40 km ao longo do corredor, colocados não em intervalos arbitrários, mas onde a modelação de tráfego previu procura convergente: por exemplo, a jusante de grandes entroncamentos como Yitang e Caipuyuan, onde a redução de faixas e o comportamento de fusão naturalmente abrandam os veículos e aumentam a propensão para parar.
A configuração ótima especificou contagens assimétricas de carregadores—13 unidades no Posto 1, 24 no Posto 2, até apenas 5 no Posto 7—espelhando diretamente o perfil de chegadas simulado. Esta granularidade é importante. A sobreconstrução de carregadores em zonas de baixo tráfego desperdiça capital e aumenta as perdas em standby; a subconstrução em pontos quentes cria frustração e risco reputacional. O modelo descobriu que o investimento total (postos + rede) poderia ser reduzido em mais de 40% em comparação com uma abordagem ingénua de “tamanho único”—sem aumentar o tempo de espera do utilizador para além de 0,5 horas, o limiar psicológico além do qual muitos condutores relatam mudar para alternativas de motores de combustão interna ou evitar a rota completamente.
Com efeito, a solução vencedora—selecionada não apenas por algoritmo, mas por raciocínio baseado em evidências (ER), um método decisório teórico que imita o julgamento humano sob incerteza—produziu um tempo de fila cumulativo médio diário de apenas 13,93 horas em todos os utilizadores no corredor. Isso traduz-se em menos de 4 minutos de espera esperada por evento de carregamento—um valor que a maioria dos condutores consideraria aceitável, especialmente dada a duração das sessões de carregamento DC rápido de menos de 30 minutos.
A análise do lado da rede revelou intervenções igualmente precisas. Os nós 23, 13, 16 e 32—onde novos ou expandidos postos atraíam carga pesada—desencadearam atualizações necessárias nos ramos 5–6, 6–7, 22–23 e 27–28. Sem estas, a tensão nos nós a jusante teria caído abaixo de 0,90 p.u., violando os limites estatutários. Com as atualizações em vigor, o perfil final de tensão manteve-se confortavelmente dentro de 0,95–1,05 p.u. em todos os 33 nós—um ponto ideal de engenharia que equilibra eficiência, vida útil do equipamento e conformidade regulatória.
A equipa também conduziu uma análise de sensibilidade sobre uma variável comportamental chave: taxa de entrada no posto de carregamento (α_arr). À medida que a tecnologia das baterias avança—empurrando os alcances reais em autoestrada para além de 500 km—os condutores tornam-se mais seletivos sobre onde param. O modelo testou cenários onde os VE recarregavam a cada 2, 3, 4 ou 5 postos (α_arr = 0,5, 0,33, 0,25, 0,2). Os resultados mostraram reduções de custos não lineares: a despesa total do sistema caiu de 10,21 milhões de ¥ (intervalo de 2 postos) para 4,31 milhões de ¥ (intervalo de 5 postos). Mas o tempo de espera não caiu monotonicamente—passar de M=4 para M=5 aumentou ligeiramente o atraso médio (10,85 h → 14,18 h), sugerindo um ponto de inflexão onde poucos carregadores criam efeitos de estrangulamento apesar da menor procura global. Esta perceção por si só poderia poupar milhões em sobreconstrução—orientando os decisores políticos a calibrar a implantação de infraestruturas para curvas de adoção realistas, não para ciclos de hype.
Para além da novidade técnica, o estudo exemplifica o que o quadro EEAT (Experiência, Perícia, Autoridade, Confiabilidade) da Google valoriza em conteúdo autoritativo. Primeiro, experiência: os dados não vieram de geradores de tráfego sintéticos, mas do sistema de portagem ao vivo de Fujian—verdade terrestre sob stress de pico. Segundo, perícia: a equipa abrange engenharia de transportes, sistemas de energia e investigação operacional, com afiliações tanto num instituto provincial de I&D de autoestradas como numa escola de engenharia elétrica de universidade de topo. Terceiro, autoridade: a revista Proceedings of the CSU-EPSA é uma publicação central da Sociedade Chinesa de Universidades para Sistema de Energia Elétrica e sua Automação, com revisão por pares rigorosa. Quarto, confiabilidade: o modelo reconhece abertamente limitações—notadamente a simplificação de potência de carregador homogénea (apenas 60/120 kW) e pressupostos estáticos de consumo de energia de VE—e apela a trabalhos futuros sobre perfis de carregamento heterogéneos e flexibilidade habilitada para V2G.
Criticamente, o trabalho evita a armadilha da “caixa preta de IA”. Embora o NSGA-II e o raciocínio baseado em evidências sejam computacionalmente intensivos, o artigo percorre cada camada de modelagem de forma transparente: como o LTM converte pares OD em fluxos de ligação; como a teoria das filas mapeia fluxos para espera; como o SOCR lineariza o fluxo de potência AC para tratabilidade; como o ER pondera as preferências das partes interessadas (por exemplo, operador de rede vs. satisfação do condutor) sem esquemas de ponderação opacos. Esta interpretabilidade é vital para a adoção no mundo real—as utilities e as autoridades rodoviárias precisam de lógica auditável, não de magia.
A resposta da indústria tem sido discretamente entusiástica. Em briefings privados, empresas provinciais de rede notaram como o quadro de acoplamento poderia prevenir o “paradoxo do posto de carregamento”: instalar hardware apenas para descobrir que a distribuição local não pode entregar a potência prometida. Um engenheiro de utility comentou: “Vimos pilotos pararem porque os 10 novos carregadores de 120 kW sobrecarregaram um transformador de 400 kVA. Este modelo deteta esse conflito antes de o betão ser vertido.” Entretanto, os operadores de autoestrada apreciam o foco nas áreas de serviço existentes—atualizá-las é mais rápido, barato e menos controverso do que adquirir novos terrenos.
As implicações políticas são igualmente tangíveis. O 14.º Plano Quinquenal da China determina corredores de transporte “inteligentes, verdes e resilientes”, com infraestrutura de VE como um elemento central. Mas metas nacionais de cima para baixo—como o objetivo de 2025 de 2 milhões de carregadores públicos—arriscam má alocação se implantadas sem contexto local. Esta metodologia oferece um caminho do meio: ferramentas de modelagem padronizadas, dados localmente calibrados. A autoridade de autoestradas de Fujian já está a avaliar uma implantação piloto baseada nas recomendações do artigo, visando a conclusão antes da onda de viagens do Festival da Primavera de 2026—o teste de stress definitivo.
Internacionalmente, a abordagem ressoa. O programa National Electric Vehicle Infrastructure (NEVI) dos EUA enfrenta desafios semelhantes de desacoplamento: DOTs estatais a selecionar locais de postos, utilities a avaliar a prontidão da rede, e operadores privados a lidar com a construção—com coordenação limitada. Os corredores europeus TEN-T debatem-se com a compatibilidade da rede transfronteiriça. A ideia central—co-planeamento da mobilidade e energia como um sistema único—transcende fronteiras. De facto, vários coautores estão em conversas iniciais com ministérios dos transportes da ASEAN para adaptar o modelo para a rede de autoestradas paralela à Ligação Ferroviária Singapura–Kunming.
Olhando em frente, a equipa de investigação identifica três fronteiras. Primeiro, integração de preços dinâmicos: poderia o modelo recomendar não apenas onde construir, mas quando oferecer descontos fora de pico para suavizar a carga? Simulações iniciais sugerem que uma redução de pico de 15–20% é alcançável com simples sinais de tempo de uso. Segundo, hibridação de troca de baterias: para camiões pesados—um segmento crescente na G15—o compromisso entre carregamento ultrarrápido e postos de troca de baterias justifica novas funções objetivo. Terceiro, quantificação de incerteza: o trabalho atual assume tráfego e adoção de VE determinísticos. Incorporar previsões probabilísticas (por exemplo, via cenários de Monte Carlo para choques turísticos ou avanços tecnológicos em baterias) endureceria ainda mais as decisões.
Nada disto é fantasia teórica. As ferramentas existem. Os fluxos de dados estão ativos. O poder computacional é uma commodity. O que tem faltado é uma linguagem unificada—uma que permita a um engenheiro de tráfego falar significativamente com um especialista em relés de proteção, e ambos com um diretor financeiro. Este artigo oferece precisamente esse léxico: construído sobre teoria das filas, física de fluxo de potência e análise de decisão multicritério, mas renderizado em termos operacionais—custo, tempo de espera, fiabilidade.
Como um dos autores séniores do estudo afirmou num seminário recente: “Costumávamos planear estradas para carros e fios para eletrões. Agora devemos planear corredores para eletrões em carros.” Essa inversão subtil—eletrões como a carga, o veículo como o contentor—capta a essência da transição energética. A infraestrutura já não é betão e cobre passivos; é um conduto ativo e adaptativo para luz solar e vento armazenados, movendo-se a 120 km/h na via rápida.
O caso de teste da G15 prova que tal integração não é apenas possível—é economicamente superior. Ao tratar a autoestrada e a rede como um único domínio de optimização, os planeadores reduziram 46% do custo total do sistema enquanto reduziram para metade o tempo de espera do utilizador em comparação com abordagens isoladas. Esse é o tipo de win-win que transforma mandatos políticos em entusiasmo público.
E para os condutores? Da próxima vez que olharem para o seu painel—28% de estado de carga, 62 km para a próxima área de serviço—poderão simplesmente exalar. Porque algures a montante, um modelo já garantiu: carregadores à espera, tensão estável, fila curta. A estrada, finalmente, está a pensar à frente.
—
Yunsong Fan¹, Junshan Tian¹, Chuanzhao Zheng¹, Yuejun Lu², Changxu Jiang², Zhenguo Shao² ¹ Instituto de Investigação em Inovação e Ciência e Tecnologia de Autoestradas de Fujian, Lda., Fuzhou 350001, China ² Faculdade de Engenharia Elétrica e Automação, Universidade de Fuzhou, Fuzhou 350108, China Proceedings of the CSU-EPSA, Vol. 35, No. 9, Setembro de 2023 DOI: 10.19635/j.cnki.csu-epsa.001256