Novos Estudos Revelam Desafios da Recarga Rápida para Veículos Elétricos
A crescente popularidade dos veículos elétricos (VEs) está redefinindo o panorama da mobilidade urbana, impulsionando um desenvolvimento acelerado da infraestrutura de recarga. Enquanto os benefícios ambientais e econômicos da eletrificação do transporte são amplamente discutidos, duas pesquisas recentes, conduzidas por equipes independentes na China, trazem à tona questões técnicas críticas que permanecem ocultas sob a superfície. A primeira, liderada por Song Yuhang, Chen Yufan, Wei Yanling e Gao Shan da Southeast University, em Nanjing, foca em uma inovação no planejamento inteligente de rotas para recarga. A segunda, conduzida por Wang Hongbiao, Su Shiping, Hu Yajie e Ouyang Zhenyu da Changsha University of Science and Technology, analisa os impactos físicos e elétricos que as estações de recarga rápida exercem sobre a rede de distribuição de energia. Juntas, essas investigações oferecem uma visão abrangente dos dois lados da mesma moeda: por um lado, o avanço da inteligência artificial para otimizar a experiência do usuário; por outro, a necessidade urgente de fortalecer a infraestrutura física para suportar os desafios impostos por cargas elétricas extremas.
O estudo da Southeast University aborda um problema fundamental para qualquer proprietário de VE: como encontrar o caminho mais eficiente para uma estação de recarga quando a bateria está baixa. Algoritmos tradicionais de navegação tratam as estações de recarga como meros pontos em um mapa, equivalentes a uma interseção comum. Essa simplificação, embora computacionalmente conveniente, ignora uma realidade do mundo físico: as estações de recarga raramente estão localizadas diretamente em uma esquina. Para acessá-las, um veículo precisa desacelerar, fazer uma manobra de entrada, possivelmente estacionar em um espaço apertado e, em muitos casos, esperar em fila. Essas ações consomem energia e tempo, fatores que os modelos convencionais frequentemente negligenciam.
Para superar essa limitação, a equipe de Nanjing propôs um novo paradigma chamado de “método de expressão em três segmentos”. Em vez de ver uma viagem até uma estação de recarga como um único deslocamento, o modelo a divide em três fases distintas. O primeiro segmento é o movimento do ponto de partida – seja uma casa ou escritório – até a estrada mais próxima. O segundo segmento é a condução convencional ao longo da rede viária, de uma interseção a outra. O terceiro e último segmento é a aproximação final, do ponto de interseção mais próximo até a própria estação de recarga. Essa segmentação permite que o algoritmo incorpore explicitamente os custos energéticos e temporais associados à manobra de entrada na estação, como a perda de velocidade ao virar ou o tempo gasto procurando uma vaga.
Esta abordagem transforma a decisão de recarregar de um evento separado em uma escolha de direção natural dentro da navegação. No modelo proposto, decidir virar para entrar em uma estação de recarga torna-se conceitualmente semelhante a escolher entre virar à esquerda ou à direita em uma interseção. Essa simplificação não apenas reduz a complexidade do problema para os algoritmos de inteligência artificial, mas também melhora significativamente a precisão do planejamento. Ao tratar a recarga como uma opção de rota, o sistema pode avaliar de forma mais eficaz o custo total – em termos de tempo, distância e dinheiro – de diferentes opções, mesmo que não envolvam o caminho geograficamente mais curto.
Os pesquisadores implementaram este modelo utilizando duas técnicas de aprendizado por reforço (reinforcement learning): Q-learning e Deep Q-Networks (DQN). Ambos os métodos permitem que um agente de inteligência artificial aprenda a tomar decisões ótimas através da experiência. O agente recebe recompensas por resultados positivos, como alcançar um destino com um mínimo de tempo, distância e custo de recarga, e penalidades por falhas, como ficar sem bateria. O ambiente no qual o agente opera é construído sobre a lógica dos três segmentos, com variáveis de estado que incluem a localização do veículo, o nível de carga da bateria (State of Charge, SoC), a hora do dia, a distância acumulada e o custo total da recarga.
Um aspecto crucial do modelo é como ele lida com o processo de recarga em si. Quando o veículo chega a uma estação, o algoritmo não considera apenas o preço por quilowatt-hora, mas também o tempo de espera previsto, modelado com base no número de carregadores disponíveis e na demanda atual. Ele também calcula o tempo necessário para carregar até um nível objetivo, que depende da potência do carregador e da capacidade da bateria. Essa visão holística permite ao sistema comparar o custo total de carregar em diferentes estações, mesmo que elas não estejam diretamente no caminho mais direto.
Os pesquisadores testaram seu sistema em um ambiente simulado que representa uma área de 34 quilômetros quadrados ao redor da Southeast University. Os resultados mostraram que sua abordagem produzia consistentemente rotas eficientes sob diversas condições de carga da bateria. Por exemplo, partindo com apenas 2,8% de carga e precisando alcançar um mínimo de 3% ao chegar, o algoritmo navegava com sucesso até uma estação de recarga, repunha a energia e completava a viagem. O modelo DQN, que utiliza redes neurais para aproximar os valores de decisão, demonstrou um desempenho ligeiramente melhor em cenários complexos, graças à sua capacidade de lidar com espaços de estado de alta dimensão e aprender com experiências passadas armazenadas em uma memória de repetição.
O resultado mais significativo é que o estudo demonstrou que seu método superava os abordos convencionais que tratam as estações de recarga como simples vértices da rede. Em comparações diretas, o modelo de expressão em três segmentos resultou em tempos de viagem mais curtos, menor consumo de energia e custos de recarga reduzidos. Essa melhoria deriva diretamente da capacidade do modelo de levar em conta as ineficiências do mundo real ao acessar a infraestrutura de recarga, algo que os métodos tradicionais ignoram. Além disso, o framework revelou-se transferível: quando testado em uma área urbana diferente, como ao redor do Parque do Povo em Chengdu, o mesmo algoritmo se adaptou rapidamente e produziu rotas igualmente otimizadas sem a necessidade de mudanças estruturais.
As implicações práticas dessa pesquisa são vastas. Para os fabricantes de automóveis e empresas de tecnologia que estão desenvolvendo sistemas de condução autônoma e plataformas de mobilidade inteligente, um planejamento de rotas preciso e realista é essencial. Um veículo elétrico autônomo não pode se dar ao luxo de subestimar suas necessidades energéticas ou ignorar o tempo necessário para acessar uma estação de recarga. O método de expressão em três segmentos fornece uma forma mais granular e fisicamente fundamentada de modelar essas interações, o que pode levar a sistemas de navegação mais confiáveis e fáceis de usar nos VEs do futuro. É um passo crucial para superar a “ansiedade de autonomia” não apenas com baterias maiores, mas também com um planejamento mais inteligente.
Enquanto um software mais inteligente ajuda os motoristas a encontrar carregadores, outro estudo, conduzido por pesquisadores da Changsha University of Science and Technology, revela que o ato de carregar rapidamente apresenta desafios significativos para a rede elétrica. Liderado por Wang Hongbiao, Su Shiping, Hu Yajie e Ouyang Zhenyu, esta pesquisa, publicada na revista Electrical Measurement & Instrumentation, investiga os problemas transitórios de qualidade de energia causados por estações de recarga rápida em larga escala.
Diferentemente do processo de carga lenta em uma tomada doméstica, os carregadores rápidos fornecem energia a taxas que excedem 50 quilowatts, com alguns atingindo mais de 350 kW. Esses sistemas de alta potência utilizam uma eletrônica de potência complexa para converter a corrente alternada (CA) da rede em corrente contínua (CC) adequada para carregar a bateria. Esse processo envolve retificadores, transformadores de alta frequência e conversores CC-CC, todos os quais dependem da comutação rápida de dispositivos semicondutores como IGBTs e diodos. Embora eficiente, essa comutação gera transitórios eletromagnéticos: ráfagas breves, mas intensas, de ruído elétrico que podem se propagar pela rede.
A equipe de pesquisa desenvolveu um modelo de simulação detalhado de uma rede de distribuição que incorpora uma estação de recarga rápida baseada em barramento CC, uma topologia cada vez mais utilizada para integrar fontes de energia renovável como a solar. Sua análise focou em dois tipos de perturbações: quedas de tensão e transitórios eletromagnéticos. As quedas de tensão são reduções de curta duração na magnitude da tensão, que normalmente duram de alguns milissegundos a alguns segundos. Elas podem ocorrer quando uma carga grande, como uma frota de VEs que começa a carregar simultaneamente, extrai uma repentina onda de corrente da rede.
Em suas simulações, os pesquisadores observaram que a ativação de uma estação de recarga rápida causava uma queda de tensão imediata a 0,1 segundos do processo. A tensão permanecia abaixo dos níveis nominais durante todo o período de carregamento e só se recuperava quando a estação era desconectada. Essa queda sustentada indica que os sistemas de regulação de tensão da rede podem ter dificuldade em responder rapidamente a mudanças repentinas de carga, especialmente em áreas com geração limitada ou infraestrutura de rede fraca.
Ainda mais insidiosos são os transitórios eletromagnéticos, que se manifestam como oscilações de alta frequência ou picos de impulso nas formas de onda de tensão e corrente. Essas perturbações surgem das ações de comutação dentro da eletrônica de potência do carregador. O estudo identificou um transitório de impulso a 0,105 segundos e um transitório oscilatório a 0,121 segundos após a ativação da estação. Embora de curta duração, esses eventos podem interferir com equipamentos sensíveis como controladores industriais, dispositivos médicos e sistemas de comunicação que compartilham a mesma alimentação.
A gravidade desses transitórios aumenta dramaticamente sob condições de falha. Durante um curto-circuito entre duas fases, por exemplo, a tensão nas fases afetadas caiu para 0,6 e 0,69 por unidade, respectivamente, enquanto os transitórios eletromagnéticos se tornaram mais intensos e ocorreram em momentos diferentes: 0,372 segundos para o impulso e 0,41 segundos para a oscilação. Em um curto-circuito entre duas fases e terra, o transitório oscilatório apareceu ainda antes, a 0,302 segundos, e durou 5 milissegundos. É notável que os pesquisadores tenham descoberto que os transitórios não ocorriam durante a extinção de certos falhas, sugerindo que a configuração de aterramento e o tipo de falha desempenham um papel crucial na geração de transitórios.
Essas conclusões têm implicações práticas imediatas. À medida que as cidades instalam mais estações de recarga rápida – muitas vezes agrupadas em áreas comerciais ou ao longo de rodovias – o efeito cumulativo de vários carregadores sendo ativados simultaneamente poderia criar uma “tempestade perfeita” de quedas de tensão e transitórios, especialmente durante os horários de pico de recarga pela manhã ou à noite. Sem uma mitigação adequada, como restauradores dinâmicos de tensão, filtros ativos ou armazenamento de energia local, a confiabilidade da rede local poderia ser comprometida, levando a mau funcionamento de equipamentos ou até mesmo apagões.
O estudo também enfatiza a importância de estratégias de carregamento inteligente. O carregamento não controlado, ou “estúpido”, onde os veículos começam a carregar assim que são conectados, agrava esses problemas. Em contrapartida, o carregamento coordenado, onde o momento e a taxa de carregamento são gerenciados por meio de comunicação com a rede, pode suavizar os perfis de carga e reduzir a probabilidade de perturbações severas. A integração de armazenamento de bateria nas estações de recarga pode ainda mais mitigar as correntes de inserção, fornecendo energia instantânea durante a partida.
Do ponto de vista do projeto, a pesquisa sugere que os fabricantes podem melhorar a qualidade da energia otimizando os algoritmos de controle, incorporando mecanismos de partida suave e utilizando componentes de filtragem de melhor qualidade. A adoção de semicondutores de banda larga como o carbeto de silício (SiC) ou o nitreto de gálio (GaN) também poderia reduzir as perdas de comutação e as emissões de transitórios, levando a uma entrega de energia mais limpa.
As autoridades reguladoras também podem precisar atualizar os padrões para abordar esses desafios. As diretrizes existentes, como IEEE 1159 e IEC 61000, fornecem recomendações gerais para a qualidade da energia, mas podem não capturar completamente o comportamento dinâmico das estações de recarga rápida. Os autores recomendam que futuras revisões incluam disposições específicas para a infraestrutura de carregamento de VEs, particularmente em relação à imunidade a transitórios e aos limites de emissão.
Em conjunto, esses dois estudos ilustram a natureza multifacetada da transição para os VEs. Por um lado, algoritmos inteligentes estão tornando mais fácil para os motoristas navegar pelo panorama de recarga. Por outro, a realidade física de extrair enormes quantidades de energia da rede exige novas soluções de engenharia para manter a estabilidade e a confiabilidade. O trabalho de Song Yuhang, Chen Yufan, Wei Yanling e Gao Shan da Southeast University oferece uma forma mais realista e eficiente de planejar as viagens dos VEs, enquanto a pesquisa de Wang Hongbiao, Su Shiping, Hu Yajie e Ouyang Zhenyu da Changsha University of Science and Technology destaca os custos ocultos da recarga rápida para o sistema elétrico.
À medida que o mundo avança em direção à eletrificação, ambos os aspectos devem ser abordados simultaneamente. Veículos mais inteligentes precisam de redes mais inteligentes. A integração dos VEs não é simplesmente uma questão de substituir motores de combustão interna por baterias; é uma transformação de todo o ecossistema energético. Garantir que essa transformação seja sustentável, eficiente e resiliente exigirá inovação contínua não apenas em veículos e tecnologia de carregamento, mas também na infraestrutura e nas políticas que os apoiam.
Song Yuhang, Chen Yufan, Wei Yanling, Gao Shan, Southeast University, Journal of Automation of Electric Power Systems, DOI: 10.7500/AEPS20230621004; Wang Hongbiao, Su Shiping, Hu Yajie, Ouyang Zhenyu, Changsha University of Science and Technology, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.06.021