Novo modelo prevê carga de VE com tráfego
Um avanço significativo na previsão da demanda de carregamento de veículos elétricos (VE) está mudando a forma como especialistas entendem a interação entre mobilidade e infraestrutura energética. Pesquisadores da Universidade de Tecnologia do Sul da China e do Centro de Controle de Despacho da Rede Elétrica de Guangdong desenvolveram um modelo inovador que integra diretamente o fluxo de tráfego urbano com o estado de carga das baterias. Publicado na revista Power System Technology, este novo enfoque promete uma previsão muito mais precisa e eficiente da carga elétrica gerada pelos VE, oferecendo uma ferramenta essencial para o planejamento e operação das redes elétricas do futuro.
A transição para a mobilidade elétrica não está apenas transformando o perfil dos veículos nas ruas, mas também desafiando os limites da capacidade das redes elétricas. À medida que milhões de novos veículos elétricos se conectam à rede, o padrão coletivo de carregamento se torna uma carga complexa e altamente imprevisível, capaz de sobrecarregar a rede, especialmente durante os horários de pico. Os métodos tradicionais para modelar essa carga de carregamento têm dependido em grande parte de simulações que rastreiam o comportamento de veículos individuais. Embora úteis, essas simulações de tipo Monte Carlo são intensivas em cálculo, podendo levar horas ou até dias para serem concluídas em redes de grande escala. Além disso, elas muitas vezes falham em capturar um aspecto fundamental: os veículos não viajam em isolamento. As decisões de rota de um motorista afetam diretamente o tempo de viagem dos outros, criando um sistema dinâmico e interconectado. Este é o ponto fraco que o novo estudo busca superar.
Os pesquisadores, Zhu Junliang e Wu Zhigang da Escola de Energia Elétrica da Universidade de Tecnologia do Sul da China, juntamente com Liu Jianing do Centro de Controle de Despacho da Rede Elétrica de Guangdong, abandonaram a abordagem microscópica do “veículo individual” para adotar uma perspectiva macroscópica e sistêmica. O modelo deles não rastreia cada carro separadamente, mas trata toda a frota de veículos elétricos como uma única entidade coletiva, cujo estado de carga combinado evolui ao longo do tempo com base nas dinâmicas do tráfego. O cerne dessa abordagem é a combinação de duas teorias poderosas: o equilíbrio de tráfego e o conceito de “Estado de Carga Combinado” (CSOC).
O equilíbrio de tráfego é um conceito fundamental da engenharia de transportes. Ele descreve o estado em que nenhum motorista pode reduzir seu tempo de viagem mudando unilateralmente sua rota, porque todos os caminhos utilizados entre uma origem e um destino têm um tempo de viagem essencialmente igual. O modelo desenvolvido pelos autores é um “equilíbrio semidinâmico”, o que significa que divide o dia em vários intervalos de tempo (por exemplo, a cada hora) e calcula o equilíbrio de tráfego para cada um deles. O aspecto “semidinâmico” é crucial porque leva em conta o “fluxo residual”: veículos que começam uma viagem em um intervalo de tempo, mas não conseguem completá-la antes do fim desse período, influenciando assim a demanda de tráfego no período seguinte. Esse mecanismo captura de forma realista o fenômeno da congestão, onde um engarrafamento vespertino pode atrasar as chegadas e deslocar a demanda de carregamento para a noite.
Para traduzir esse equilíbrio de tráfego em uma previsão da demanda de energia, a equipe utilizou o conceito de CSOC. Em vez de acompanhar a bateria de cada carro individualmente, o modelo trata o estado de carga de toda a frota como uma distribuição probabilística (inicialmente assumida como normal). À medida que os veículos elétricos percorrem as estradas, seu “CSOC coletivo” se consome de acordo com a distância e a eficiência energética dos percursos escolhidos. O modelo então calcula como essa distribuição se desloca ao longo do tempo. Quando o estado de carga de um veículo cai abaixo de um certo limite (por exemplo, 20%), ele gera uma demanda de carregamento. O modelo CSOC pode então determinar a probabilidade de que um veículo que chega a um destino (como uma estação de carregamento) em um horário específico tenha uma bateria suficientemente descarregada para necessitar de carregamento. Multiplicando essa probabilidade pelo número de veículos que chegam e pela potência de carregamento, o modelo pode calcular a carga de carregamento esperada para aquele local e horário.
A integração desses dois modelos cria um sistema de retroalimentação poderoso. Por exemplo, se uma via principal fica congestionada, o modelo de equilíbrio de tráfego mostra que os tempos de viagem aumentam. Isso significa que os veículos elétricos levam mais tempo para chegar aos seus destinos, consumindo mais energia no caminho. Esse consumo energético adicional desloca a distribuição CSOC, aumentando a probabilidade de que os veículos precisem de carregamento ao chegarem. Além disso, a congestão pode levar alguns motoristas a tomar rotas mais longas e indiretas, o que aumenta ainda mais o seu consumo de energia e a demanda de carregamento. Esse efeito cascata, no qual as condições de tráfego influenciam diretamente os padrões de carregamento, é algo que os modelos anteriores tinham dificuldade em representar com precisão. O novo modelo, no entanto, captura essa interdependência de forma natural dentro de sua estrutura.
Para validar sua abordagem, a equipe de pesquisa realizou extensas simulações em duas redes distintas. A primeira foi uma rede de teste de 13 nós, amplamente utilizada na pesquisa acadêmica, o que permitiu comparações detalhadas com métodos estabelecidos. A segunda foi uma rede em larga escala e do mundo real, extraída dos dados do OpenStreetMap do distrito de Tianhe em Guangzhou, China, que compreende quase 6.000 segmentos de estrada e 4.800 nós. Esse teste em larga escala foi crucial para demonstrar a aplicabilidade prática do modelo em um ambiente urbano real.
Os resultados foram impressionantes. Em termos de precisão, o novo modelo produziu perfis de carga de carregamento virtualmente idênticos aos obtidos com a simulação Monte Carlo, confirmando sua validade. No entanto, a diferença em termos de eficiência computacional foi extraordinária. Na rede de 13 nós, o novo método alcançou seu resultado em apenas 4,8 segundos, enquanto uma simulação Monte Carlo com 100 iterações levou mais de 4 horas. Na enorme rede do mundo real, o novo modelo levou 978 segundos (cerca de 16 minutos), em comparação com mais de 11 horas para uma simulação Monte Carlo com 50 iterações. Isso representa uma aceleração de mais de 40 vezes, tornando o modelo não apenas preciso, mas também viável para aplicações em tempo real ou quase em tempo real, como o planejamento diário da rede elétrica.
O estudo também forneceu insights valiosos sobre os fatores que influenciam a demanda de carregamento. Uma descoberta-chave foi o atraso temporal entre a demanda de viagem e a demanda de carregamento. O pico no tráfego de veículos ocorreu às 18h, mas o pico na carga de carregamento foi observado às 19h. Esse atraso de uma hora é uma consequência direta do fato de que os veículos elétricos não podem carregar enquanto estão dirigindo; eles devem concluir sua viagem antes de se conectarem. Essa percepção é fundamental para os operadores da rede que precisam antecipar quando a onda de demanda de eletricidade atingirá seu pico.
Outra descoberta significativa foi o impacto da taxa de penetração de veículos elétricos. A pesquisa confirmou que, à medida que aumenta a porcentagem de veículos elétricos nas estradas, a carga total de carregamento diária aumenta de forma diretamente proporcional, linear. Isso sugere que a previsão da futura demanda de carregamento pode ser relativamente simples se a taxa de crescimento da adoção de veículos elétricos for conhecida. No entanto, o modelo também destacou a profunda influência da estrutura física subjacente da rede viária. Quando os pesquisadores simularam uma redução na capacidade da estrada, simulando um gargalo ou o fechamento de uma estrada, observaram um efeito dramático. Não apenas o pico da demanda de viagem se deslocou mais tarde à noite, mas também o pico da carga de carregamento aumentou e se deslocou. Isso porque a congestão obriga os veículos a passar mais tempo na estrada, consumindo mais energia, e às vezes a fazer desvios mais longos, ambos os quais levam a uma maior necessidade de carregamento. Da mesma forma, quando os comprimentos das estradas foram artificialmente aumentados, o pico de carregamento foi ainda mais atrasado e a carga diária média aumentou, novamente devido ao maior consumo de energia resultante de distâncias de viagem mais longas.
Esses resultados enfatizam um ponto crucial: a rede elétrica e a rede de transporte não são sistemas separados, mas estão profundamente interligados. O projeto e a operação de um tem um impacto direto e mensurável sobre o outro. Uma rede viária mal projetada, propensa a congestionamentos, não apenas frustrará os motoristas, mas também criará uma carga de carregamento mais volátil e com picos mais altos para a rede elétrica. Em contrapartida, um sistema de transporte bem otimizado pode ajudar a suavizar a demanda de carregamento, tornando-a mais fácil e barata de gerenciar.
As implicações dessa pesquisa são amplas. Para as empresas de energia, este modelo fornece uma poderosa nova ferramenta para a previsão de carga. Ao incorporar dados de tráfego em tempo real ou previstos, elas podem gerar previsões muito mais precisas da demanda de carregamento, permitindo um planejamento de geração melhor, uma redução na necessidade de usinas de energia de pico caras e uma maior estabilidade da rede. Para os planejadores urbanos e as autoridades de transporte, o modelo oferece uma maneira de avaliar a “pegada energética” de diferentes estratégias de desenvolvimento urbano e gestão de tráfego. Uma nova rodovia ou uma mudança nos sinais de trânsito pode agora ser avaliada não apenas pelo seu impacto nos tempos de viagem, mas também pelo seu impacto no consumo de eletricidade e nas emissões de carbono da cidade.
Para a indústria emergente de carregamento de veículos elétricos, o modelo pode informar decisões estratégicas sobre onde posicionar novas estações de carregamento. Ao prever não apenas o volume da demanda, mas também sua distribuição precisa no tempo e no espaço, os operadores podem evitar a superconstrução em algumas áreas enquanto atendem inadequadamente outras. Isso leva a uma infraestrutura de carregamento mais eficiente e resiliente.
Os autores reconhecem que o modelo pode ser refinado ainda mais. Trabalhos futuros incorporarão a influência dos preços de carregamento nas decisões de planejamento de rotas, já que os motoristas podem optar por rotas mais longas para chegar a uma estação de carregamento mais barata. O modelo atualmente assume que o carregamento só ocorre no final de uma viagem, mas na realidade muitos motoristas realizam um “carregamento oportunista” durante sua jornada. A incorporação desses comportamentos de usuário mais complexos tornará o modelo ainda mais realista. Além disso, a ascensão da mobilidade autônoma e compartilhada pode mudar fundamentalmente os padrões de viagem, e o modelo precisará se adaptar a esses novos paradigmas.
Em conclusão, esta pesquisa representa uma mudança de paradigma na forma como pensamos e modelamos a carga de carregamento de veículos elétricos. Ao passar de uma simulação microscópica de indivíduos para uma análise macroscópica do comportamento do sistema, fornece uma ferramenta mais precisa, eficiente e informativa. Une com sucesso a engenharia de transportes com a análise de sistemas de energia, demonstrando que uma abordagem holística, baseada em sistemas, é essencial para lidar com os desafios complexos do nosso futuro eletrificado. Enquanto o mundo avança em direção a um sistema de transporte de emissão zero, ferramentas como esta serão indispensáveis para garantir que nossas redes elétricas possam acompanhar a demanda, abrindo caminho para uma transição mais suave e sustentável.
Zhu Junliang, Wu Zhigang, Liu Jianing. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.0095