Novo modelo prevê carga de VE com equilíbrio de tráfego
A crescente popularidade dos veículos elétricos (VEs) está redefinindo não apenas a indústria automotiva, mas também desafiando a maneira como planejamos nossas cidades e redes elétricas. À medida que milhões de novos VEs entram nas ruas, surge uma pergunta crítica para engenheiros, urbanistas e operadores de rede: onde e quando esses veículos irão se recarregar, e qual será o impacto dessa demanda no sistema elétrico? As respostas tradicionais, baseadas em simulações que rastreiam o comportamento de cada motorista individualmente, provaram-se lentas, caras e muitas vezes incapazes de capturar a complexidade do mundo real. Agora, uma equipe de pesquisadores da Universidade de Tecnologia do Sul da China e do Centro de Controle de Despacho da Rede Elétrica de Guangdong apresentou uma abordagem revolucionária que promete transformar a forma como modelamos a demanda por carregamento.
Publicado na renomada revista Power System Technology, o novo modelo abandona a ideia de seguir cada veículo individual e adota uma perspectiva macroscópica, inspirada na teoria do equilíbrio do tráfego urbano. Em vez de simular milhares de escolhas individuais, o método foca no comportamento coletivo de toda uma frota de VEs, analisando como as decisões de rota de cada motorista influenciam o fluxo de tráfego, e como esse fluxo, por sua vez, determina o consumo de energia e, consequentemente, a demanda por recarga. Essa abordagem sistêmica não é apenas mais realista, mas também extraordinariamente eficiente, reduzindo os tempos de cálculo de horas para segundos.
O cerne do modelo reside na fusão de dois conceitos avançados: o equilíbrio de tráfego semidinâmico e o cálculo da probabilidade baseado no “Estado de Carga Combinado” (CSOC). A teoria do equilíbrio de tráfego, um pilar da engenharia de transportes, estabelece que, em uma rede congestionada, os motoristas escolhem rotas de forma que ninguém possa reduzir seu tempo de viagem mudando de caminho sozinho. Esse estado de equilíbrio reflete uma otimização coletiva do sistema, um fenômeno que os modelos baseados em simulações de Monte Carlo ignoram, tratando cada veículo como um agente isolado.
“Os modelos tradicionais partem do pressuposto de que um motorista toma sua decisão de rota sem considerar o que os outros estão fazendo”, explica Zhu Junliang, autor principal do estudo e pesquisador na Escola de Energia Elétrica da Universidade de Tecnologia do Sul da China. “Mas na realidade, se todos escolherem a mesma rota ‘mais curta’, ela se tornará congestionada e deixará de ser a opção mais rápida. Nosso modelo captura essa retroalimentação dinâmica, onde as decisões individuais moldam o fluxo de tráfego coletivo, e esse fluxo coletivo, por sua vez, dita as decisões futuras”.
O modelo desenvolvido por Zhu Junliang e seus colegas, Wu Zhigang e Liu Jianing, divide o dia em vários intervalos de tempo, tipicamente de 15 a 90 minutos. Para cada intervalo, resolve um problema de equilíbrio de tráfego estático, atribuindo o fluxo de veículos pela rede viária de forma a minimizar o tempo de viagem percebido. O que o torna “semidinâmico” é sua capacidade de lidar com o “fluxo residual”. Nem todos os veículos completam sua viagem dentro de um único intervalo. Aqueles que ainda estão em trânsito no final de um período se tornam o fluxo inicial do próximo, permitindo que o modelo simule a propagação de atrasos e o acúmulo de congestionamento ao longo do dia.
Para torná-lo ainda mais realista, o modelo incorpora a teoria da utilidade aleatória. Na prática, os motoristas não têm informações perfeitas sobre as condições do tráfego. Alguns confiam em aplicativos de navegação que podem estar desatualizados, outros preferem rotas familiares, e alguns simplesmente cometem erros. O modelo reflete essa incerteza ao atribuir uma probabilidade a cada rota possível, baseada em seu tempo de viagem percebido. Isso significa que, mesmo que uma rota seja teoricamente a mais rápida, nem todos os veículos a escolherão, gerando um padrão de fluxo mais disperso e mais fiel à realidade.
Uma vez determinado o fluxo de tráfego, o modelo muda seu foco para o lado energético do sistema. É aqui que entra o conceito de CSOC. Em vez de rastrear o nível da bateria de cada VE individual, o modelo trata toda a frota como uma entidade estatística. Presume-se que o estado de carga inicial (SOC) dos veículos siga uma distribuição normal, com uma média de 50% e um desvio padrão de 10%, uma suposição razoável para uma população de veículos que passou a noite estacionada.
À medida que os veículos se movem, consomem energia. O modelo não simula cada descarga individual, mas descreve o consumo coletivo como um deslocamento da curva de distribuição do CSOC para a esquerda. Quanto mais longe um grupo de veículos viaja, mais energia consome no total, e mais baixo é seu nível de carga médio. Quando o SOC de um veículo cai abaixo de um limite crítico (estabelecido em 20% para evitar a descarga completa e proteger a bateria), o motorista decide procurar uma estação de carregamento. O modelo então calcula a probabilidade de que um veículo que chega a um nó de carregamento precise recarregar, com base na distribuição do seu SOC naquele momento.
O processo de carregamento é modelado com precisão. Os pesquisadores reconhecem que a potência de carregamento rápido diminui significativamente uma vez que a bateria atinge 80% de sua capacidade. Portanto, o modelo assume que o carregamento ocorre na potência máxima apenas até esse ponto. A duração de uma sessão de carregamento, e portanto a carga instantânea na rede, depende diretamente do SOC do veículo quando ele se conecta. Ao combinar a distribuição probabilística do SOC de chegada com o perfil de potência de carregamento, o modelo pode calcular a carga média esperada em qualquer momento e em qualquer local da rede.
A verdadeira prova de qualquer modelo científico é sua validação. A equipe testou sua abordagem em dois cenários. Primeiro, na rede de 13 nós de Nguyen-Dupuis, um benchmark padrão na pesquisa de tráfego. Compararam seus resultados com múltiplas simulações de Monte Carlo, que envolvem a execução de milhares de simulações individuais para estimar o comportamento médio. Os resultados foram conclusivos: à medida que o número de simulações de Monte Carlo aumentava, a carga de carregamento simulada convergia para o resultado produzido pelo novo modelo. Com 100 simulações, o resultado de Monte Carlo era quase idêntico ao do modelo teórico, confirmando sua precisão.
A diferença no desempenho foi impressionante. Enquanto 100 simulações de Monte Carlo levaram mais de quatro horas para serem concluídas, o novo modelo produziu seu resultado em apenas 4,8 segundos, uma melhoria de velocidade de mais de 3.000 vezes. Essa eficiência não é apenas um exercício acadêmico; torna o modelo viável para aplicações práticas como o gerenciamento da rede em tempo real, o planejamento da expansão da infraestrutura de carregamento e a avaliação de políticas de mobilidade.
Para testar sua escalabilidade, os pesquisadores aplicaram o modelo a uma rede urbana real derivada de dados do OpenStreetMap, cobrindo uma grande parte do distrito de Tianhe em Guangzhou, China. Essa rede contém quase 5.000 nós e mais de 5.800 segmentos rodoviários, uma complexidade muito superior aos casos de teste típicos. Mesmo nessa escala, o modelo permaneceu altamente eficiente, concluindo a simulação em menos de 17 minutos, um tempo que continua exponencialmente mais rápido do que qualquer método baseado em amostragem.
Os resultados de ambas as simulações revelaram padrões fundamentais. Em primeiro lugar, a demanda de carregamento dos VEs segue de perto a demanda de viagem, mas com um atraso temporal constante. Nas simulações, o pico de viagens ocorreu por volta das 18h, enquanto o pico de carregamento dos VEs atingiu seu máximo às 19h. Esse atraso de uma hora é lógico: os motoristas precisam concluir suas viagens antes de poderem recarregar, um aspecto simples, mas muitas vezes negligenciado em modelos simplistas.
Em segundo lugar, o modelo demonstrou que o aumento da penetração de VEs leva a um aumento proporcional da carga média de carregamento, sem alterar a forma geral da curva de demanda diária. Essa descoberta linear é encorajadora para os operadores da rede, pois sugere que a escalabilidade da frota de VEs não introduz um novo nível de imprevisibilidade, desde que os padrões de condução permaneçam constantes.
No entanto, a própria estrutura da rede viária desempenha um papel crucial. Quando os pesquisadores reduziram artificialmente a capacidade das estradas para simular congestionamento, observaram uma mudança significativa nos padrões de viagem e carregamento. Durante as horas de pico, a demanda de viagem foi adiada, empurrando o pico de carregamento para mais tarde à noite. Além disso, a carga média de carregamento aumentou, mesmo que o número de viagens permanecesse constante. Esse efeito ocorre porque o congestionamento força alguns motoristas a tomar rotas alternativas mais longas, o que consome mais energia e, consequentemente, exige mais carregamento.
De maneira semelhante, quando o comprimento das estradas foi artificialmente aumentado, o pico de carregamento foi adiado ainda mais e o consumo de energia total aumentou. Isso demonstra que o design urbano—como o layout das estradas e a localização das estações de carregamento—tem um impacto direto e quantificável na demanda de eletricidade. Cidades com redes rodoviárias ineficientes podem enfrentar cargas de carregamento mais altas e voláteis do que aquelas com projetos compactos e bem conectados.
Essas conclusões têm profundas implicações para a integração dos sistemas de transporte e energia. À medida que os VEs se tornam um componente central de ambos os setores, já não é suficiente planejar estradas e redes elétricas de forma isolada. A pesquisa enfatiza a necessidade de um planejamento coordenado e transversal que considere como as mudanças em um sistema afetam o outro. Por exemplo, a construção de uma nova autoestrada não apenas alterará os fluxos de tráfego, mas também remodelará o perfil espacial e temporal da demanda de eletricidade, possivelmente exigindo atualizações nas subestações locais ou a implementação de estratégias de carregamento inteligente.
O modelo também abre novas possibilidades para o design de políticas. Ao prever com precisão a demanda de carregamento em diferentes cenários, os planejadores podem avaliar o impacto de intervenções como a cobrança por congestionamento, pedágios dinâmicos ou incentivos para carregamento fora do horário de pico. A capacidade de simular como essas políticas influenciam tanto o fluxo de tráfego quanto a carga na rede permite uma tomada de decisão mais holística.
No futuro, a equipe de pesquisa planeja estender o modelo em várias direções. Uma área chave é a incorporação dos preços da eletricidade no processo de otimização da rota. Na realidade, os motoristas podem escolher uma estação de carregamento não apenas pela sua proximidade, mas também pelo seu custo. Ao integrar preços de eletricidade em tempo real, o modelo poderia simular como os sinais econômicos influenciam o comportamento de viagem e de carregamento.
Outra extensão importante é a inclusão do carregamento em trânsito. O modelo atual assume que o carregamento ocorre apenas nos destinos, mas muitos motoristas de VEs agora planejam viagens longas com paradas intermediárias de carregamento rápido. Modelar esse comportamento exigiria uma representação mais complexa das cadeias de viagem e do processo de decisão do motorista, mas melhoraria significativamente o realismo do modelo.
Finalmente, a ascensão da mobilidade autônoma e compartilhada apresenta novos desafios e oportunidades. Os VEs autônomos poderiam ser programados para otimizar tanto o tempo de viagem quanto o custo de carregamento, o que poderia levar a padrões de uso de energia muito diferentes. Frotas compartilhadas poderiam operar continuamente, exigindo carregamento frequente e distribuído durante todo o dia, em vez de picos concentrados à noite. Adaptar o modelo a esses novos paradigmas será essencial para o planejamento urbano do futuro.
Em conclusão, o trabalho de Zhu Junliang, Wu Zhigang e Liu Jianing representa um avanço significativo no campo da modelagem da carga de carregamento de VEs. Baseando-se em princípios fundamentais da teoria do tráfego e da probabilidade, eles desenvolveram uma ferramenta que não é apenas mais rápida e escalável do que os métodos existentes, mas também mais profunda. Fornece uma explicação clara e mecanicista de como o comportamento coletivo dos motoristas de VEs dá forma à carga elétrica na rede, uma perspectiva essencial para construir sistemas energéticos urbanos resilientes e sustentáveis.
À medida que as cidades de todo o mundo aceleram sua transição para a mobilidade elétrica, modelos como este desempenharão um papel crucial para garantir que a rede elétrica consiga acompanhar o ritmo. Os dias em que os VEs eram tratados como simples consumidores de eletricidade isolados acabaram. O futuro pertence ao pensamento sistêmico e integrado, e esta pesquisa é um passo importante nessa direção.
Zhu Junliang, Wu Zhigang, Liu Jianing, South China University of Technology and Guangdong Power Grid, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.0095