Otimização de armazenamento para estações solares de carregamento
A transição para a mobilidade elétrica está em pleno andamento, impulsionada por metas globais de descarbonização e pelo crescente número de veículos elétricos (VEs) nas estradas. À medida que a demanda por infraestrutura de carregamento aumenta, as estações de carregamento solar com armazenamento integrado (PSCS, do inglês Photovoltaic Energy Storage Charging Stations) emergem como uma solução central para tornar a recarga de veículos elétricos mais sustentável, econômica e resiliente. Esses sistemas combinam painéis solares, baterias e pontos de carregamento em uma única unidade, permitindo que a energia gerada no local seja usada diretamente para carregar veículos, reduzindo a dependência da rede elétrica convencional e suas emissões de carbono.
No entanto, projetar uma PSCS eficiente não é uma tarefa simples. Dois fatores principais introduzem um alto grau de incerteza: a natureza imprevisível da geração de energia solar, que varia com as condições climáticas, e o comportamento dinâmico dos usuários, que determina quando e quanto os veículos precisam ser carregados. Um sistema de armazenamento subdimensionado pode não atender à demanda, enquanto um sistema superdimensionado resulta em custos de investimento desnecessariamente altos. Para resolver esse dilema, uma nova pesquisa fornece um modelo sofisticado que leva em conta essas incertezas para otimizar a capacidade do sistema de armazenamento.
Um estudo publicado na revista Zhejiang Electric Power apresenta um método inovador para a configuração ideal da capacidade de armazenamento em PSCS. Liderado por Jiang Yu, da Escola de Engenharia Elétrica do Instituto de Tecnologia de Nanjing, o trabalho foi coautoria de Lü Ganyun, Yu Xiangyi e Shan Tingting (Instituto de Tecnologia de Nanjing), Jia Dexiang (Instituto de Pesquisa Energética da State Grid) e Yu Ming e Wu Qiyu (Empresa de Eletricidade de Jiangsu da State Grid). A pesquisa aborda diretamente os desafios da variabilidade da geração fotovoltaica e do comportamento do usuário, propondo uma abordagem que maximiza não apenas a viabilidade econômica, mas também os benefícios ambientais de uma estação de carregamento solar.
Enfrentando a incerteza solar com cenários realistas
A geração de energia solar é fundamentalmente volátil. Modelos tradicionais de planejamento costumam basear-se em um “dia típico” de irradiação solar, uma simplificação que pode levar a decisões de design inadequadas. Um sistema projetado para um dia médio pode falhar em dias nublados ou desperdiçar energia em dias excessivamente ensolarados.
O estudo de Jiang Yu e sua equipe evita essa armadilha ao empregar um algoritmo de agrupamento (clustering) aprimorado, conhecido como K-means, para analisar um ano inteiro de dados históricos de produção fotovoltaica de uma cidade no sul da China. O objetivo é identificar padrões representativos na produção de energia solar, em vez de depender de uma média.
O “melhoramento” do algoritmo K-means tradicional ocorre em dois aspectos principais. Primeiro, em vez de escolher os centros dos grupos (clusters) aleatoriamente, o método aprimorado os seleciona com base na distância máxima entre eles, garantindo uma distribuição inicial mais ampla e representativa. Isso evita que o algoritmo fique preso em soluções subótimas. Segundo, ele substitui a distância euclidiana padrão por uma função de kernel gaussiano para medir a similaridade entre os dados. Essa função é mais eficaz para capturar relações não lineares, resultando em grupos mais coesos e distintos.
Para avaliar a qualidade do agrupamento, os pesquisadores utilizaram o coeficiente de silhueta, uma métrica que varia de -1 a 1. Um valor mais próximo de 1 indica que os dados dentro de um grupo são muito semelhantes entre si e muito diferentes dos grupos vizinhos. O algoritmo aprimorado alcançou um coeficiente de silhueta de 0,628, superando significativamente os métodos K-means padrão (0,478) e K-means++ (0,598). Esse resultado mais alto confirma que o modelo produz cenários de geração solar mais precisos e confiáveis.
A análise identificou três cenários principais, cada um com sua probabilidade de ocorrência:
- Cenário 1 (17,48%): Dias nublados ou chuvosos com baixa produção de energia solar.
- Cenário 2 (27,89%): Dias parcialmente nublados com produção média.
- Cenário 3 (54,64%): Dias ensolarados com alta produção de energia solar.
Essa representação por cenários múltiplos e probabilísticos é crucial. Em vez de otimizar o sistema para um único dia “típico”, o modelo agora pode projetar um sistema de armazenamento que funcione bem sob uma ampla gama de condições reais, tornando-o mais robusto e econômico.
Modelando o comportamento do usuário: um retrato multifacetado
O outro pilar do modelo é uma representação detalhada do comportamento de carregamento dos usuários. O estudo não trata todos os veículos elétricos da mesma forma, mas os classifica em três categorias principais com padrões de uso distintos: ônibus, táxis e veículos particulares.
Os ônibus elétricos operam em rotas fixas com horários rigorosos. Com uma autonomia diária entre 140 e 200 km e uma bateria de 324 kWh, eles têm um alto consumo de energia. Isso exige dois ciclos de carregamento por dia: um durante uma pausa diurna para garantir a operação da tarde e outro durante a noite para se preparar para o dia seguinte. Esse padrão previsível facilita a programação, mas seu grande consumo influencia significativamente a carga total da estação.
Os taxis elétricos são veículos de alta utilização, podendo percorrer até 400 km por dia. Como os ônibus, eles também precisam de duas recargas diárias, geralmente durante pausas para o almoço e trocas de turno noturnas. Eles evitam deliberadamente as horas de pico para maximizar o tempo de condução e os lucros, o que ajuda a nivelar a curva de carga geral da estação.
Os veículos particulares representam o segmento mais flexível e imprevisível. Seus carregamentos ocorrem principalmente após o retorno do trabalho ou no final de um passeio no fim de semana. Para modelar essa variabilidade, os pesquisadores utilizaram o método de Monte Carlo, realizando milhares de simulações onde a hora de retorno para casa e a quilometragem diária são amostradas de distribuições estatísticas (normal para a hora de retorno, log-normal para a quilometragem). Isso gera uma curva de carga agregada que reflete com precisão a natureza estocástica da demanda.
Um aspecto particularmente inovador do modelo é a inclusão do efeito da temperatura ambiente no consumo de energia do veículo. É bem sabido que temperaturas extremas reduzem a autonomia dos veículos elétricos, pois o sistema de climatização consome uma quantidade significativa de energia da bateria. A equipe utilizou uma função polinomial cúbica, derivada de dados empíricos, para descrever a relação entre a temperatura (T) e o consumo energético por quilômetro (E): E = λ₀ + λ₁T + λ₂T² + λ₃T³. Esse nível de detalhe permite uma previsão muito mais precisa do consumo diário, tornando o modelo mais robusto, especialmente em regiões com estações climáticas marcadas.
Resposta à demanda: transformando usuários em parceiros
O modelo vai além da mera previsão da demanda, incorporando ativamente a resposta à demanda (demand response) como uma ferramenta de otimização. Este conceito utiliza sinais de preço, como tarifas horárias (ToU), para incentivar os usuários a modificar seus horários de carregamento.
O estudo se concentra nos veículos particulares, cujos horários de carregamento são mais flexíveis. Se o preço de carregamento for mais alto durante as horas de pico (por exemplo, das 16h às 24h), os usuários podem ser incentivados a adiar o carregamento para as horas noturnas (das 00h às 08h), quando o preço é mais baixo e a estação pode ter energia solar armazenada disponível.
Para quantificar esse efeito, os pesquisadores utilizaram uma matriz de elasticidade de preços. Esta matriz captura dois fenômenos: a elasticidade direta (como a demanda em um período específico responde a uma mudança de preço no mesmo período) e a elasticidade cruzada (como a demanda em um período responde a uma mudança de preço em um período diferente). A análise revelou que um aumento do preço durante as horas de pico não apenas reduz a carga nesse período, mas também aumenta a carga durante as horas de vale, criando um efeito “pico e vale”.
Essa estratégia é vantajosa para todos: os usuários economizam pagando tarifas mais baixas, enquanto a estação de carregamento pode reduzir sua compra de energia cara da rede durante as horas de pico, melhorando sua rentabilidade e reduzindo a pressão sobre a rede elétrica.
Um modelo econômico que valoriza o carbono
A contribuição mais significativa do estudo é a integração do custo das emissões de carbono no modelo econômico. A equipe reconhece que quando uma PSCS compra energia da rede, ela herda indiretamente as emissões de CO₂ associadas à geração dessa eletricidade, que varia de acordo com a matriz energética da rede (mais carvão à noite, mais renováveis durante o dia).
O modelo atribui um custo por quilograma de CO₂ emitido, baseado em fatores de emissão horários. Esse custo é adicionado ao custo direto de compra de energia, criando um poderoso incentivo econômico para minimizar a compra da rede, especialmente durante os períodos de alta intensidade de carbono. O objetivo final não é simplesmente minimizar os custos operacionais, mas maximizar o lucro total, que é definido como:
- Custos: Compra de energia da rede + Custo das emissões de carbono + Custos de operação e manutenção.
- Receitas: Venda de energia excedente para a rede + Receitas pela prestação de serviços de carregamento aos usuários.
Essa abordagem holística garante que a solução ótima seja não apenas a mais lucrativa, mas também a mais sustentável do ponto de vista ambiental, internalizando o custo externo das emissões de carbono.
Resultados da simulação: demonstrando o valor
O modelo foi testado em um estudo de caso em uma PSCS residencial com uma instalação fotovoltaica de 350 kWp. A equipe comparou cinco cenários diferentes:
- Sem sistema fotovoltaico, sem resposta à demanda.
- Sistema fotovoltaico “típico”, sem resposta à demanda.
- Sistema fotovoltaico “típico”, com resposta à demanda.
- Cenários solares múltiplos (incerteza), sem resposta à demanda.
- Cenários solares múltiplos (incerteza), com resposta à demanda.
Os resultados foram decisivos. O cenário mais avançado (cenários múltiplos com resposta à demanda) determinou uma capacidade de armazenamento ótima de 461 kWh, gerando um lucro diário de 4.334,17 yuans. Em contraste, o cenário que usava dados solares “típicos” exigia uma bateria maior (496 kWh) mas gerava um lucro inferior (4.218,21 yuans), demonstrando a ineficiência dos modelos simplificados.
O impacto ambiental foi ainda mais impressionante. O cenário ótimo alcançou as menores emissões diárias de CO₂: 8.218 kg, uma melhoria significativa em relação ao cenário básico sem fotovoltaico (9.310 kg). Mesmo em comparação com os outros cenários fotovoltaicos, as emissões foram substancialmente reduzidas.
Conclusão: rumo a uma infraestrutura inteligente e sustentável
A pesquisa de Jiang Yu e seus colegas representa um passo crucial para uma rede de carregamento de veículos elétricos mais inteligente e resiliente. Ela demonstra que a otimização não pode se basear em dados médios ou simplificados, mas exige uma abordagem sofisticada que abrace a incerteza.
Ao integrar agrupamento avançado, simulação estocástica do comportamento do usuário, modelagem de resposta à demanda e um modelo econômico que inclui o custo do carbono, a equipe criou uma estrutura de referência que pode orientar desenvolvedores, operadores de redes e formuladores de políticas. Este trabalho não é apenas um exercício acadêmico; é uma bússola prática para construir uma infraestrutura de carregamento que seja verdadeiramente sustentável, econômica e preparada para o futuro.
Jiang Yu, Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu, Shan Tingting, Escola de Engenharia Elétrica, Instituto de Tecnologia de Nanjing; Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405002