Novo modelo otimiza integração de veículos elétricos na rede elétrica
A aceleração da mobilidade elétrica está transformando o cenário energético global, e com ela surge um desafio crítico: como integrar milhões de novos veículos elétricos (VEs) à rede elétrica sem comprometer sua estabilidade? O simples ato de carregar esses veículos, especialmente durante os horários de pico, pode sobrecarregar transformadores, causar flutuações de tensão e aumentar os custos operacionais. Tradicionalmente, a solução seria expandir a infraestrutura da rede, um investimento massivo e ineficiente. A nova fronteira, no entanto, está na inteligência: na capacidade de transformar a carga dos VEs de um problema em uma solução. Um avanço significativo nessa direção foi alcançado por uma equipe de pesquisadores da China, que desenvolveu um modelo de gestão inovador, capaz de equilibrar eficiência econômica e confiabilidade do sistema, mesmo diante de múltiplas incertezas.
Um estudo publicado na revista científica Automation of Electric Power Systems apresenta uma solução que pode redefinir a forma como as redes elétricas interagem com a frota crescente de veículos elétricos. Liderado por Jinpeng Li, da Tsinghua Shenzhen International Graduate School, em colaboração com engenheiros da State Grid Zhejiang Electric Power, o trabalho introduz um modelo de despacho baseado em uma abordagem chamada “restrição de probabilidade conjunta distribucionalmente robusta” (DRJCC). Esse modelo representa um salto qualitativo em relação aos métodos tradicionais, oferecendo uma ferramenta prática para operadores de rede que precisam lidar com a imprevisibilidade do comportamento dos motoristas, da geração de energia solar e eólica, e da demanda residencial.
O cerne do problema é a multiplicidade de fatores incertos. Não se trata apenas de saber quantos VEs estarão conectados, mas quando, onde e com que intensidade eles irão carregar. Além disso, a geração de energia renovável, como a solar e a eólica, é por natureza intermitente. Essas incertezas combinadas podem criar picos de demanda que a rede não foi projetada para suportar. Métodos anteriores de otimização enfrentam limitações. A otimização estocástica, que se baseia na simulação de centenas de cenários possíveis, é computacionalmente pesada e pode se tornar inviável em sistemas grandes. Por outro lado, a otimização robusta, que se prepara para o pior cenário possível, é excessivamente conservadora, levando a um desperdício de recursos e a custos operacionais inflados, pois compra reservas de energia que raramente são necessárias.
É aqui que o modelo DRJCC proposto por Li e seus colegas se destaca. Em vez de tratar os riscos de forma isolada – como a tensão cair abaixo do limite em um nó, ou uma linha de transmissão ficar sobrecarregada – o modelo os combina em uma única “restrição de probabilidade conjunta”. Isso significa que o operador da rede pode definir um nível de risco global para todo o sistema. Por exemplo, ele pode estipular que, com 95% de probabilidade, todas as condições operacionais (tensão, potência nas linhas, reserva de energia) sejam satisfeitas simultaneamente. Esta abordagem é mais realista, pois reconhece que esses problemas estão interligados, e permite uma gestão de riscos muito mais intuitiva e eficiente.
No entanto, resolver matematicamente uma restrição de probabilidade conjunta é um problema extremamente complexo e, até recentemente, considerado impraticável. A grande inovação do grupo de pesquisa foi a aplicação de um método sofisticado chamado “aproximação ótima de Bonferroni” (OBA). Este método transforma o problema insolúvel em um modelo de programação quadrática mista inteira, que pode ser resolvido com eficiência por softwares comerciais.
A verdadeira genialidade do método OBA, e o que o diferencia de suas versões mais simples, é que ele trata o próprio nível de risco como uma variável de decisão. Em vez de alocar um nível de risco fixo para cada restrição (por exemplo, 1% de risco para tensão, 1% para potência, etc.), o modelo OBA permite que o algoritmo de otimização descubra a melhor maneira de distribuir o risco total de forma a minimizar os custos. Ele pode decidir, por exemplo, aceitar um risco ligeiramente maior de uma pequena flutuação de tensão em um nó secundário, se isso permitir uma redução significativa no custo de manter uma grande reserva de energia, que é muito mais cara. Essa flexibilidade dinâmica é a chave para reduzir a conservadorismo excessivo e alcançar uma operação mais econômica sem sacrificar a segurança.
“O fato de podermos otimizar o nível de risco em si é uma mudança de paradigma”, explicou Yinliang Xu, professor associado na Tsinghua Shenzhen e autor correspondente do estudo. “Isso nos permite encontrar um compromisso muito mais inteligente entre custo e confiabilidade, algo que os métodos anteriores simplesmente não conseguiam fazer.”
Para validar a eficácia do seu modelo, a equipe realizou extensas simulações em duas redes de distribuição de referência: a rede IEEE de 33 nós e a maior rede IEEE de 123 nós. Essas redes foram modificadas para incluir geradores distribuídos, estações de carregamento de VE e fontes de energia renovável. As incertezas foram modeladas com base em dados históricos e ajustadas usando modelos de mistura gaussiana (GMM), uma técnica estatística poderosa que pode capturar distribuições de probabilidade complexas e realistas.
Os resultados foram impressionantes. Em comparação com um modelo de otimização estocástica (SO), que apresentou um custo nominal mais baixo, o modelo OBA demonstrou uma confiabilidade superior a 96%, enquanto o SO falhou em mais de 85% dos cenários simulados. Em comparação com um modelo de otimização robusta (RO), que era extremamente confiável (acima de 99%), o modelo OBA alcançou uma redução de custo de aproximadamente 6,5%, ao mesmo tempo em que mantinha um alto nível de confiabilidade. Essa economia, em redes de grande escala, pode representar milhões de dólares em poupança anual.
Um dos aspectos mais promissores do modelo é sua escalabilidade. Na rede de 123 nós, com mais de 4.400 veículos elétricos conectados, o tempo de cálculo para o modelo OBA foi de apenas 20 segundos. Quando o número de VEs foi aumentado para 10.000, o tempo de solução cresceu de forma modesta. Isso demonstra que o modelo é viável para implementação em tempo real em redes urbanas complexas, uma característica essencial para sua adoção prática por empresas de energia.
“A velocidade de cálculo é um fator decisivo”, afirmou Hua Feng, engenheiro sênior da State Grid Zhejiang Lishui Power Supply Company e coautor do estudo. “Muitos modelos teóricos se tornam inviáveis quando aplicados a redes do mundo real. Nosso enfoque, ao agrupar frotas de VEs e usar a aproximação OBA, evita o problema da dimensionalidade e o torna aplicável.”
Além da redução de custos, o modelo demonstrou uma forte capacidade em tarefas operacionais críticas. Ele conseguiu realizar com sucesso a gestão de picos de carga (peak shaving), deslocando estrategicamente a carga dos VEs dos horários de maior demanda e preço para períodos de menor carga. Isso não apenas reduz os custos de energia, mas também alivia o estresse sobre a infraestrutura, aumentando sua vida útil.
O modelo também integrou de forma nativa a provisão de serviços auxiliares, como a reserva de potência para compensar as flutuações da geração renovável. Ele otimizou a compra de reservas de geradores convencionais e de agregadores de VEs, garantindo que houvesse capacidade suficiente para manter o equilíbrio do sistema. Isso transforma os VEs, por meio de seus agregadores, em parceiros ativos na gestão da rede, não apenas em consumidores passivos.
Xiaogang Chen, engenheiro sênior da State Grid Zhejiang, destacou a aplicabilidade prática: “Operadores de rede precisam de ferramentas que sejam não apenas teoricamente sólidas, mas também implementáveis. Este modelo oferece um compromisso claro entre custo e confiabilidade, o que é essencial para a tomada de decisões sob incerteza. Podemos especificar nosso nível de risco desejado, digamos 5% de probabilidade de violação de restrições, e o modelo nos fornecerá uma estratégia ótima que atenda a esse objetivo.”
Outra característica inovadora é a separação das incertezas em duas categorias: a carga líquida (sem incluir a carga dos VEs) e a carga dos próprios VEs. Essa modelagem em duas camadas reflete a realidade de que diferentes fontes de incerteza afetam diferentes partes do sistema e pertencem a diferentes agentes. A tensão nos nós é mais afetada pela carga líquida, enquanto a reserva necessária em uma estação de carregamento deriva diretamente do comportamento dos VEs. Essa separação permite uma gestão de riscos mais precisa e uma atribuição de responsabilidades mais clara entre o operador de rede e o agregador de VE.
A robustez do modelo é ainda fortalecida por sua natureza “distribucionalmente robusta”. Em vez de assumir uma distribuição de probabilidade específica para as incertezas (o que pode ser impreciso se as condições mudarem), o modelo considera uma família de distribuições possíveis baseadas em momentos conhecidos (como média e variância). Isso o torna mais resistente a erros na estimativa da distribuição e mais adequado para condições do mundo real.
Em uma aplicação prática, este modelo poderia ser integrado aos sistemas de agregadores de veículos elétricos. Esses agregadores atuam como intermediários, agrupando milhares de VEs individuais para formar uma “usina virtual” que pode participar de mercados de energia e serviços auxiliares. O framework DRJCC-OBA permitiria a esses agregadores apresentar ofertas mais precisas e confiáveis, apoiadas por uma garantia probabilística rigorosa, aumentando assim sua credibilidade e rentabilidade.
O estudo também enfatiza a importância da coordenação. Durante os dias ensolarados, o excesso de geração solar pode ser direcionado para a carga dos VEs, reduzindo o desperdício de energia. Inversamente, quando a geração solar cai repentinamente, os VEs com baterias carregadas poderiam, em um futuro com tecnologia V2G (Vehicle-to-Grid), fornecer energia de reserva para ajudar a estabilizar a frequência e a tensão.
Apesar de seus pontos fortes, os pesquisadores reconhecem limitações. O modelo atual não aborda explicitamente o impacto do envelhecimento das baterias devido a ciclos frequentes de carga e descarga, nem a possível discrepância entre a distribuição estimada e a verdadeira distribuição subjacente. Esses são temas para pesquisas futuras.
Em resumo, o trabalho de Li, Xu, Feng, Chen, Zhan e Zhang representa um progresso significativo na integração inteligente de veículos elétricos. Ao combinar teoria avançada de otimização com considerações práticas de engenharia, eles desenvolveram uma ferramenta que é matematicamente elegante e, mais importante, viável operacionalmente. À medida que o mundo avança para uma mobilidade eletrificada, inovações como esta serão essenciais para garantir que nossa rede elétrica permaneça estável, eficiente e resiliente.
Jinpeng Li, Hua Feng, Xiaogang Chen, Hanbing Zhan, Zhenbin Zhan, Yinliang Xu, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230830009