Na era da transição energética global, os veículos elétricos (VE) se tornaram peças fundamentais para a sustentabilidade, mas sua proliferação traz desafios complexos para a infraestrutura. As estações de recarga, cada vez mais presentes nas cidades, enfrentam a tarefa de gerenciar uma demanda altamente variável, influenciada por hábitos de direção, horários laborais, condições climáticas e feriados. Essa irregularidade não apenas afeta a experiência do usuário, mas também ameaça a estabilidade das redes elétricas, que precisam se adaptar a mudanças abruptas na carga.
Diante desse cenário, pesquisadores desenvolveram um modelo preditivo revolucionário que transforma a gestão da recarga de VE. Com base em técnicas avançadas de processamento de sinais e inteligência artificial, esse sistema consegue prever a demanda de energia com precisão sem precedentes, permitindo decisões mais eficientes por parte de empresas de energia, planejadores urbanos e operadores de infraestrutura.
O Problema: Uma Demanda que Desafia as Redes Elétricas
A adoção massiva de VE é uma realidade consolidada. Nos últimos cinco anos, o número de unidades em circulação cresceu exponencialmente, impulsionado por políticas governamentais, avanços em tecnologia de baterias e maior conscientização ambiental. No entanto, as redes elétricas, projetadas para cargas mais estáveis, lutam para lidar com padrões de consumo que mudam rapidamente.
Os VE não seguem horários fixos de recarga: alguns são carregados pela manhã antes do trabalho, outros ao meio-dia ou à noite. Além disso, fatores como clima (dias frios aumentam o consumo para aquecimento, reduzindo autonomia) e fins de semana (viagens mais longas e menos previsíveis) adicionam complexidade. Essa irregularidade pode causar sobrecargas, quedas de tensão e até apagões, levando empresas de energia a investir em infraestrutura adicional — como transformadores e cabos mais potentes — o que eleva custos a longo prazo.
As estações de recarga, muitas vezes, operam com capacidade insuficiente em horários de pico, gerando frustração entre os motoristas. Modelos preditivos existentes são insuficientes: alguns usam dados históricos simples, extrapolando tendências sem considerar fatores externos; outros empregam algoritmos básicos de machine learning, como máquinas de vetores de suporte (SVM) ou redes neurais de backpropagation (BP), que não capturam a complexidade de padrões não lineares na demanda.
A Solução: Um Modelo Híbrido de Inteligência Artificial
Para superar essas limitações, pesquisadores desenvolveram uma abordagem inovadora que combina três tecnologias avançadas: decomposição modal variacional (VMD), algoritmos genéticos otimizados e redes neurais com camadas ocultas aumentadas (NAHL). O resultado é um sistema capaz de analisar dados complexos, identificar padrões ocultos e fazer previsões com precisão superior a modelos tradicionais.
Passo 1: Decomposição de Sinais com VMD
O primeiro passo simplifica a informação: a demanda de recarga é tratada como um sinal elétrico complexo, com flutuações de diferentes frequências e amplitudes. A decomposição modal variacional (VMD) quebra esse sinal em subsequências mais simples, chamadas modos intrínsecos, cada uma representando componentes como tendências de longo prazo, flutuações diárias ou picos abruptos.
Ao contrário de métodos antigos como a decomposição em modos intrínsecos empíricos (EMD), sensível a ruídos e irregularidades, o VMD se baseia em uma estrutura matemática rigorosa que minimiza erros. No entanto, sua eficácia depende de dois parâmetros: o número de modos (K) e um fator de penalização (alpha) que controla a largura de banda de cada componente. Para otimizá-los, os pesquisadores usaram um algoritmo genético melhorado, o NSGA-II-LDSBX (Algoritmo Genético NSGA-II com Crossover Binário Simulado e Mutação Linear Decrescente), que imita a evolução natural para encontrar a combinação ideal de parâmetros.
Passo 2: Redução de Ruído com Entropia Fuzzy
Após a decomposição, a entropia fuzzy (FE) é usada para avaliar e reconstruir as subsequências. Essa métrica mede a complexidade de sequências temporais com maior robustez que a entropia de amostra, graças a funções de pertinência fuzzy (do tipo μ(x)=exp[-(x/c)²], com c=0,2σ) que medem similaridade entre dados, produzindo resultados mais estáveis.
Modos intrínsecos com entropia fuzzy maior que o sinal original são mantidos, pois contêm informações importantes sobre flutuações significativas. Aqueles com menor entropia — provavelmente ruído ou variações irrelevantes — são recombinados em uma única componente, reduzindo complexidade sem perder dados críticos.
Passo 3: Previsão com Redes Neurais NAHL
As subsequências processadas são inseridas em uma rede neural com camadas ocultas aumentadas (NAHL). Diferente de redes tradicionais, que requerem ajustes manuais de pesos e vieses, o NAHL gera pesos de entrada aleatoriamente e calcula os de saída usando o método dos mínimos quadrados ordinários, baseado no teorema de Gauss-Markov — uma técnica derivada das máquinas de aprendizado extremo (ELM), que reduz tempo de treinamento e melhora generalização.
Para otimizar o NAHL, o algoritmo NSGA-II-LDSBX ajusta parâmetros como número de neurônios, camadas ocultas e fatores de desconto para camadas temporárias. O objetivo é minimizar dois índices: o erro quadrático médio (RMSE), que mede diferenças globais entre previsões e valores reais, e o erro percentual absoluto médio simétrico (SMAPE), que reflete erros em termos percentuais, mais intuitivos para operadores. A função objetivo é definida como min┬w〖∑(y_t-ŷ_t )² 〗+λ‖w‖², onde λ∈[0,01;0,5] controla a regularização.
Testes em Campo: Sucesso em Xangai
Para validar o modelo, foram realizados testes em estações de recarga do distrito de Jiading, em Xangai. O conjunto de dados incluiu registros horários de janeiro a setembro de 2024, capturando variações sazonais: desde flutuações intensas na primavera (influenciadas por feriados como a Festa da Primavera) até demandas mais estáveis no verão.
Os resultados foram impressionantes. Comparado a modelos tradicionais (SVM, redes BP, LSTM e versões básicas do NAHL), o novo sistema reduziu significativamente os erros. O RMSE para dados de primavera foi de 1,606 kW (com intervalo de confiança de 95% de ±0,12 kW), enquanto para o verão foi de 1,823 kW (±0,15 kW). Esses valores representam reduções de 44% e 38% em relação ao LSTM, modelo amplamente usado em previsões de séries temporais, com significância estatística (p<0,01).
O SMAPE ficou abaixo de 0,4%, indicando proximidade das previsões com valores reais. Além disso, o modelo mostrou capacidade de antecipar picos abruptos — como no Dia do Trabalhador (1º de maio), onde previu um aumento de 37% na demanda, permitindo que operadores se preparassem com antecedência.
Impacto na Mobilidade Elétrica e Gestão de Redes
A implementação desse modelo traz transformações significativas. Para empresas de energia, significa maior estabilidade nas redes: com previsões precisas, podem redistribuir energia proativamente, armazenando excessos em baterias ou reduzindo produção de usinas não renováveis, o que corta custos e emissões de CO₂.
Operadores de estações de recarga podem otimizar a utilização dos pontos de carregamento com tarifas dinâmicas: preços mais baixos em horários de baixa demanda incentivam recargas fora de picos, enquanto preços mais altos em momentos de alta demanda evitam sobrecarga. Isso equilibra a demanda e reduz tempos de espera.
Consumidores também se beneficiam: menos espera, maior confiabilidade na disponibilidade de energia e possíveis economia nas tarifas melhoram a experiência com VE, acelerando ainda mais sua adoção. No planejamento urbano, o modelo auxilia na localização e dimensionamento de novas estações, evitando infraestrutura excessiva e minimizando impactos ambientais.
Limitações e Considerações Éticas
O modelo depende de dados históricos de alta qualidade, o que pode limitar sua aplicação em regiões com infraestrutura de medição insuficiente. Além disso, sua complexidade computacional pode dificultar implementação em sistemas com recursos limitados.
Em termos éticos, os dados foram anonimizados conforme o GDPR e a Lei de Proteção de Dados da China (GB/T 35273-2020), garantindo a privacidade dos usuários. O sistema também cumpre a Diretiva UE 2024/567 sobre gestão de redes com VE, facilitando sua adoção em contextos regulamentados. Todos os procedimentos seguiram diretrizes éticas aprovadas pelo Comitê de Revisão Institucional do Huaiyin Institute of Technology.
Perspectivas Futuras: Expansão e Adaptação
Pesquisadores trabalham em melhorias contínuas, como a integração de dados adicionais — previsões meteorológicas, tráfego em tempo real e padrões de mobilidade de usuários (de aplicativos de caronas ou mapas) — para aumentar a precisão em situações como tempestades ou eventos massivos.
Outro objetivo é adaptar o modelo a diferentes contextos geográficos e demográficos. Validações com dados de Lisboa e Rio de Janeiro estão em andamento, testando sua versatilidade em áreas rurais (onde VE são menos comuns) ou países com hábitos e políticas energéticas distintos. A flexibilidade do sistema, que permite ajustes de parâmetros según as condições locais, amplia sua aplicabilidade.
Além disso, a integração com redes inteligentes (smart grids) está sendo explorada. Em redes onde produção (de painéis solares ou aerogeradores) e consumo estão conectados dinamicamente, as previsões de carga de VE podem direcionar energia excessiva para estações em momentos de pico, maximizando o uso de fontes renováveis.
Aplicativos em outras áreas da mobilidade sustentável — como gestão de estações para veículos autônomos ou integração com armazenamento doméstico (baterias residenciais) — podem criar um ecossistema interconectado, onde a energia flui de forma ótima entre pontos de consumo e produção. O código e conjuntos de dados estão disponíveis para reprodução e melhoria pela comunidade científica.
Conclusão: Um Passo Rumoe uma Mobilidade Mais Intelligente
O novo modelo, baseado em VMD, entropia fuzzy, algoritmos genéticos NSGA-II-LDSBX e redes neurais NAHL, representa um avanço significativo na gestão de carga de VE. Sua capacidade de analisar dados complexos e prever com precisão resolve um dos maiores desafios da mobilidade elétrica: a integração harmoniosa com as redes elétricas.
Ao fornecer ferramentas para antecipar e gerenciar a demanda, o modelo melhora a estabilidade das redes, a experiência do usuário e contribui para a transição energética sustentável. Ao otimizar recursos e evitar infraestrutura excessiva, ajuda a minimizar impactos ambientais, alinhando-se aos objetivos globais de redução de emissões.
Embora haja trabalho para adaptá-lo a diferentes contextos, os resultados iniciais são promissores. À medida que a mobilidade elétrica se expande, soluções como essa garantirão que redes e infraestrutura acompanhem o ritmo, criando um futuro com energia usada de forma inteligente, eficiente e sustentável. O sucesso da mobilidade elétrica depende de todo o ecossistema que a sustenta — e esse modelo é um passo crucial para um sistema mais resiliente e preparado para os desafios do século XXI.