Novo modelo otimiza estações de recarga rápida para áreas rurais
A mobilidade elétrica está vivendo um momento de transformação profunda. Enquanto grandes centros urbanos se beneficiam de redes de carregamento cada vez mais densas e sofisticadas, vastas regiões do interior e áreas municipais enfrentam um desafio crescente: a escassez de infraestrutura de recarga. Esse descompasso não apenas limita a adoção de veículos elétricos (VEs) fora dos grandes centros, mas também coloca em risco a equidade da transição energética. Um estudo recente, conduzido por pesquisadores da Universidade Tsinghua e da Agência de Suprimento de Energia de Shantou da Rede Elétrica de Guangdong, apresenta uma solução inovadora. O trabalho propõe um modelo de planejamento avançado para estações de recarga rápida que vai além da simples análise de custos e distâncias. Ele incorpora, pela primeira vez de forma sistemática, o comportamento real dos motoristas em áreas de nível municipal, oferecendo uma abordagem mais inteligente, eficiente e centrada no usuário.
O modelo, desenvolvido por Zhuoxu Chen e Zechun Hu, do Departamento de Engenharia Elétrica da Universidade Tsinghua, em colaboração com Yujian Wan e Junsong Li da Agência de Suprimento de Energia de Shantou, foi publicado na revista Automated Electric Power Systems. O trabalho representa um salto significativo em relação aos métodos tradicionais de planejamento. Em vez de assumir que os motoristas são agentes perfeitamente racionais que sempre escolhem a estação mais próxima ou mais barata, o modelo reconhece e incorpora a “racionalidade limitada” do comportamento humano. Isso significa que ele considera que os motoristas, especialmente em áreas com menor urbanização, frequentemente tomam decisões com base em informações incompletas, influenciados por fatores como a tolerância a desvios, a ansiedade com filas e a atratividade dos serviços ao redor da estação.
O cerne do problema reside na natureza específica da mobilidade em áreas rurais e municipais. Diferentemente das cidades, onde os trajetos são curtos e a rede de carregamento é densa, as viagens em distritos e municípios são geralmente mais longas, com uma conectividade rodoviária mais esparsa. Nesse contexto, a escolha de uma estação de recarga não é uma decisão trivial. Um motorista pode preferir fazer um pequeno desvio para alcançar uma estação menos lotada, ou pode ser atraído por uma estação próxima a uma área comercial ou turística, onde pode aproveitar o tempo de carregamento para fazer uma pausa. Ignorar essas dinâmicas leva a modelos de planejamento que, mesmo que matematicamente ótimos, falham na prática, criando estações superutilizadas em alguns pontos e subutilizadas em outros.
O modelo proposto por Chen e seus colegas supera essa limitação através de uma abordagem em duas etapas. A primeira etapa é a simulação da demanda. Utilizando um método chamado “cadeia de viagem”, os pesquisadores reconstruem de forma detalhada os trajetos típicos dos usuários, levando em conta não apenas os deslocamentos locais, mas também o tráfego de passagem proveniente de outras regiões. Este é um aspecto crucial, frequentemente negligenciado, pois os veículos que atravessam um município para chegar a um destino mais distante podem representar uma parcela significativa da demanda de recarga. O modelo introduz especificamente “nós de conexão externa”, que representam os pontos de entrada e saída da rede rodoviária local, permitindo capturar com precisão esse fluxo de usuários temporários.
A segunda etapa é a modelagem da decisão de recarga. Aqui entra em jogo o conceito de Equilíbrio Estocástico do Usuário (SUE). O modelo não assume que todos os motoristas conheçam perfeitamente o estado de cada estação de recarga. Em vez disso, parte do princípio de que os motoristas avaliam o custo total de uma recarga como uma combinação de quatro fatores principais: a distância do desvio do percurso planejado, o custo da recarga (incluindo eletricidade, taxa de serviço e estacionamento), o nível de congestionamento da estação e a atratividade dos serviços circundantes. Cada fator é ponderado de acordo com a sensibilidade do usuário médio, e o modelo utiliza uma teoria de escolha discreta para calcular a probabilidade de um motorista escolher uma estação em vez de outra. Essa abordagem gera um “equilíbrio”, onde a distribuição dos usuários entre as estações é coerente com suas percepções de custo, criando um sistema estável e realista.
O objetivo final do modelo é o planejamento ótimo: onde construir as estações, quantos pontos de recarga instalar e como dimensioná-las. A otimização persegue dois objetivos principais: minimizar os custos totais de investimento e operação para os desenvolvedores das estações e minimizar a distância média de desvio para os usuários. Esse equilíbrio entre interesses econômicos e satisfação do cliente é fundamental para um planejamento sustentável. O modelo também deve respeitar restrições fundamentais, como a capacidade da rede elétrica local, que em áreas rurais pode ser limitada, e os orçamentos de construção.
A verdadeira genialidade do trabalho reside em sua capacidade de ser resolvido de forma eficiente. O problema original, com suas complexas equações de equilíbrio, é extremamente difícil de resolver. Os pesquisadores superaram esse obstáculo aplicando uma série de sofisticadas técnicas de linearização. Eles transformaram as equações não lineares em um conjunto de desigualdades lineares, convertendo, assim, um problema de otimização não convexa em um programa linear de inteiros mistos (MILP). Esse tipo de problema pode ser resolvido com grande eficiência por solucionadores comerciais como o Gurobi, garantindo a obtenção da solução globalmente ótima, e não apenas uma solução aproximada.
Para testar o modelo, os pesquisadores utilizaram uma rede rodoviária modificada de 33 nós, projetada para refletir a baixa densidade típica de um distrito rural. Após a otimização, o modelo recomendou a construção de estações de recarga rápida em apenas cinco dos doze locais candidatos: os nós 2, 17, 20, 21 e 26. Essa seleção não é aleatória. O nó 17, por exemplo, é um nó de conexão externa, destacando o valor estratégico de posicionar uma estação em um ponto de entrada para atender aos veículos em trânsito. O modelo determinou que construir estações em outros nós externos seria um investimento excessivo e pouco eficiente.
A análise dos resultados revela diversos insights fundamentais. Em primeiro lugar, o modelo evita a sobreposição. A demanda é distribuída de forma relativamente uniforme entre as cinco estações, prevenindo a formação de gargalos. Este é um resultado direto do modelo SUE: quando uma estação fica muito lotada, seu “custo percebido” aumenta devido às longas esperas, levando os usuários a considerarem alternativas, mesmo que ligeiramente mais distantes. Em segundo lugar, o modelo demonstra a importância dos fatores não relacionados à viagem. As estações localizadas próximas a zonas com uma densidade mais alta de pontos de interesse (POI), como centros comerciais ou atrações turísticas, são mais atraentes para os usuários. Isso confirma que a recarga de um veículo elétrico não é mais vista apenas como uma necessidade técnica, mas como parte de uma experiência de viagem mais ampla.
A validade do modelo foi testada por meio de uma análise de sensibilidade aprofundada. Ao variar os parâmetros-chave, como o coeficiente de racionalidade (que mede o quão sensíveis os usuários são às diferenças de custo) ou o peso atribuído ao congestionamento, os pesquisadores observaram como a solução ótima mudava de forma lógica e previsível. Quando os usuários são mais sensíveis às filas, o modelo sugere uma rede mais distribuída. Quando são mais sensíveis ao preço, o modelo tende a concentrar as estações em áreas mais econômicas. Essa robustez é essencial para um modelo que deve ser usado em cenários do mundo real, onde as condições de mercado e o comportamento dos usuários podem mudar.
Do ponto de vista prático, este estudo tem implicações significativas para planejadores urbanos, empresas de energia e operadores privados de carregamento. Para empresas de energia como a Rede Elétrica de Guangdong, que financiou o estudo, o modelo fornece uma ferramenta para avaliar previamente o impacto de novas estações na rede local, evitando sobrecargas e problemas de estabilidade de tensão. Para operadores privados, o modelo oferece uma base científica para tomar decisões de investimento, permitindo prever com maior precisão a rentabilidade de uma estação em um local específico.
Em um panorama onde muitos modelos de planejamento são opacos e baseados em algoritmos de inteligência artificial difíceis de interpretar, este trabalho se destaca por sua transparência e por seu fundamento teórico sólido. Baseia-se em princípios consolidados da teoria dos jogos, economia do transporte e pesquisa operacional, tornando seus resultados interpretáveis, auditáveis e, acima de tudo, confiáveis. Não é uma “caixa preta”, mas um processo lógico e explicável.
A transição para a mobilidade elétrica não estará completa enquanto não for acessível a todos, não apenas aos habitantes das grandes cidades. Este modelo representa um passo crucial para uma rede de carregamento mais justa, eficiente e centrada no usuário. Ele mostra que o futuro da recarga não é simplesmente construir mais estações, mas construir as estações certas, no lugar certo, para as pessoas certas. É um exemplo de como a ciência de dados e a compreensão do comportamento humano podem se unir para criar soluções inteligentes para uma mobilidade sustentável.
Chen Zhuoxu, Hu Zechun et al., Automated Electric Power Systems. DOI: 10.7500/AEPS20230731003