Otimização de Carregamento em Três Camadas para Veículos Elétricos
A crescente adoção de veículos elétricos (VEs) está redefinindo o futuro da mobilidade, mas com ela surge um desafio crítico: como integrar milhões de novos consumidores de energia ao sistema elétrico e às redes viárias urbanas sem causar colapso? O carregamento não coordenado, especialmente durante os horários de pico, pode sobrecarregar transformadores, causar flutuações perigosas na carga da rede, aumentar significativamente as perdas de energia e gerar congestionamentos em torno das estações de carregamento. Enquanto os motoristas procuram a estação mais próxima, ignorando filas, e as redes elétricas lutam para lidar com picos de demanda, a necessidade de uma solução holística e inteligente se torna urgente. Nesse contexto, pesquisadores da Universidade de Jiliang da China apresentaram uma inovação promissora: um modelo de otimização em três camadas que equilibra com maestria os interesses do sistema elétrico, da infraestrutura viária e dos próprios proprietários de veículos elétricos.
O estudo, conduzido por Wang Haodong, Yu Jiangtao e Zheng Di do Colégio de Engenharia Mecânica e Elétrica da Universidade de Jiliang da China, e publicado na respeitada revista Modern Electronics Technique, introduz um método de otimização “veículo-estrada-rede”. Ao contrário de abordagens anteriores que tratavam a rede elétrica, o tráfego e o comportamento do usuário como problemas separados, este trabalho propõe um sistema integrado onde essas três dimensões são otimizadas simultaneamente. O objetivo não é apenas reduzir os custos para a companhia elétrica ou encurtar o tempo de viagem, mas sim alcançar um equilíbrio onde todos os participantes – a rede, a cidade e o motorista – saem ganhando. Este é um paradigma fundamental para o desenvolvimento de cidades inteligentes e sustentáveis.
O cerne da pesquisa reside na sua arquitetura em três camadas, que reflete a complexidade interconectada do problema. A camada superior do modelo opera no nível macro, focando na estabilidade e eficiência do sistema elétrico de distribuição. Seu objetivo principal é minimizar a variância da carga equivalente ao longo de um ciclo de 24 horas. Em termos simples, isso significa suavizar os picos e preencher os vales da curva de carga, uma estratégia conhecida como “nivelamento de carga” (load leveling). Isso é vital para a saúde da rede, pois grandes flutuações aumentam o risco de falhas, forçam o uso de usinas de pico ineficientes e elevam as perdas de transmissão. Para alcançar esse objetivo, a camada superior utiliza um algoritmo de Busca do Cuco (Cuckoo Search, CS), uma técnica de otimização inspirada na natureza que é particularmente eficaz para escapar de soluções subótimas e encontrar configurações globais ideais. O resultado é um plano horário para a potência total de carregamento e descarregamento dos VEs, que serve como um sinal direcional para as camadas inferiores, definindo quanto poder o sistema pode consumir ou fornecer em cada momento.
A camada intermediária atua no nível da rede de distribuição, traduzindo o plano macro da camada superior em ações concretas para estações de carregamento individuais. Aqui está uma das principais inovações do modelo: ele não considera apenas a potência ativa (a energia que realiza trabalho), mas também a potência reativa (a energia necessária para manter os campos eletromagnéticos nos equipamentos). A maioria dos modelos anteriores ignorava a potência reativa, mas ela desempenha um papel crucial na estabilidade da tensão. Ao otimizar simultaneamente ambas, o modelo pode prevenir quedas ou picos de tensão e reduzir drasticamente as perdas ativas na rede. O objetivo desta camada é minimizar a perda total de potência ativa em todos os cabos e transformadores do sistema. Para resolver esse problema matemático complexo e não linear, os pesquisadores empregam uma técnica sofisticada chamada “Relaxamento de Cone de Segunda Ordem” (SOCR). Essa técnica transforma as equações intratáveis do fluxo de potência em uma forma que pode ser resolvida de forma eficiente e precisa por solucionadores comerciais como o CPLEX. O resultado é uma alocação ótima de potência ativa e reativa para cada estação de carregamento, garantindo que a rede opere dentro de seus limites de segurança e com máxima eficiência.
A camada inferior é onde a teoria encontra a realidade do dia a dia do motorista. É aqui que o modelo se conecta diretamente com o usuário, cujo objetivo é minimizar seu “custo total de carregamento”. Esse conceito é revolucionário porque vai além do preço da eletricidade. Ele inclui o valor do tempo do motorista, um recurso precioso. O custo total é, portanto, a soma do tempo gasto dirigindo até a estação, o tempo gasto esperando na fila e o custo direto da energia consumida. Para encontrar o caminho mais eficiente, o modelo utiliza um algoritmo de Dijkstra, que analisa uma matriz de adjacência representando a rede viária. Cada segmento de estrada tem um peso baseado na distância e no nível de congestionamento. Um elemento crítico é a modelagem do tempo de espera na fila, que depende da taxa de chegada de outros veículos – um efeito de feedback onde a escolha de um motorista afeta a experiência do próximo. A camada inferior recebe da camada intermediária informações sobre a capacidade de fornecimento de potência de cada estação, garantindo que a estação escolhida possa realmente carregar o veículo. O resultado é um plano de carregamento personalizado que apresenta ao motorista a rota e a estação que minimizam seu custo total, equilibrando a distância do percurso com o tempo de espera.
A verdadeira força do modelo está na interação dinâmica entre essas três camadas, formando um sistema de controle em malha fechada. Não é uma linha de montagem linear, mas um diálogo contínuo. A camada superior define o cenário geral de potência. A camada intermediária distribui essa potência entre as estações. A camada inferior, ao direcionar os motoristas para estações específicas com base em custo total, altera a demanda local, o que é então realimentado para as camadas superiores. Isso permite que o sistema se adapte dinamicamente, prevendo congestionamentos nas filas e redistribuindo a carga de forma proativa, evitando assim a formação de pontos quentes que poderiam sobrecarregar uma única estação ou trecho de estrada.
Para validar sua teoria, a equipe da Universidade de Jiliang da China realizou uma simulação detalhada baseada em um cenário real em Hangzhou, China. Eles modelaram uma área urbana complexa com uma rede viária dividida em zonas residenciais, comerciais, educacionais e de lazer. Uma frota de 1.000 veículos elétricos, todos do modelo Zeekr 001 com baterias de 100 kWh, foi integrada a esse ambiente. A infraestrutura elétrica foi baseada no sistema de distribuição padrão IEEE-33 nós, mas expandida com cinco estações de carregamento, duas fazendas solares fotovoltaicas e duas turbinas eólicas, permitindo uma análise realista da interação entre VEs e fontes de energia renovável.
A simulação comparou três cenários distintos. O primeiro era um caso de controle sem VEs. O segundo representava uma abordagem “veículo-rede”, onde o carregamento era otimizado para o benefício da rede elétrica, mas sem considerar o impacto no tráfego. O terceiro era o modelo completo “veículo-estrada-rede” proposto pelos pesquisadores.
Os resultados foram extraordinários. Em comparação com o carregamento não coordenado, a otimização em três camadas reduziu a variância da carga equivalente do sistema em 72,82%. Isso representa uma estabilização massiva da rede, reduzindo o estresse nos equipamentos e a necessidade de recursos caros de pico. Ainda mais impressionante, as perdas ativas na rede foram reduzidas em 83,41%. Essa é uma melhoria direta na eficiência do sistema, o que se traduz em menos energia desperdiçada como calor e, consequentemente, em menores emissões de carbono e custos operacionais. O modelo também melhorou significativamente a estabilidade da tensão, reduzindo o desvio de tensão em mais de 72% em comparação com o caso não coordenado, garantindo um fornecimento de energia de alta qualidade para todos os usuários.
Do ponto de vista do motorista, os benefícios foram igualmente convincentes. Os pesquisadores compararam três estratégias de escolha de estação dentro do framework otimizado. Na primeira, os motoristas escolhiam a estação com o menor tempo de condução, ignorando as filas. Na segunda, escolhiam a estação com a menor espera, ignorando a distância. Na terceira, utilizavam o modelo completo para minimizar o custo total. Os motoristas que priorizaram apenas o tempo de condução acabaram com longas esperas, elevando seu custo total. Aqueles que priorizaram apenas a fila tiveram que viajar distâncias muito maiores, aumentando seu tempo de viagem e consumo de energia. Os motoristas que seguiram a recomendação do modelo de três camadas, no entanto, alcançaram o menor custo total possível, reduzindo-o em 8,89% em comparação com a estratégia de condução mais curta e em 4,51% em comparação com a estratégia de espera mais curta. Esta demonstração prática mostra que a abordagem holística leva a decisões mais inteligentes e resultados superiores para o usuário final.
O sucesso desta pesquisa reside em sua abordagem equilibrada e prática. Ele não sacrifica um interesse em favor de outro. Em vez disso, busca uma solução de Pareto onde a rede elétrica opera com mais eficiência, a rede viária flui com menos congestionamento e o motorista paga menos e gasta menos tempo. Essa tríade de benefícios é a chave para a aceitação em massa dos veículos elétricos. Para as companhias elétricas, significa uma rede mais estável e econômica. Para os planejadores urbanos, significa cidades com trânsito mais fluido. Para os consumidores, significa uma experiência de propriedade de VE mais conveniente e acessível.
As implicações deste trabalho vão muito além dos números de simulação. Ele fornece um roteiro para o futuro das cidades inteligentes, onde a integração de tecnologias como VEs, casas inteligentes e veículos autônomos exigirá modelos de otimização cada vez mais sofisticados e integrados. Esta pesquisa demonstra que ao modelar a interconexão entre diferentes sistemas urbanos, podemos criar soluções que são mais do que a soma de suas partes.
Embora o estudo seja um avanço significativo, os autores reconhecem limitações, como a escala do modelo de simulação e a homogeneidade da frota. Trabalhos futuros precisarão escalar o modelo para redes maiores e incorporar uma diversidade maior de comportamentos de motoristas e tipos de veículos. No entanto, o método de otimização de carregamento em três camadas representa um salto monumental. Ele move a conversa de simplesmente “gerenciar” o carregamento de VEs para “orquestrar” inteligentemente uma frota de veículos como um ativo valioso para a cidade inteira. À medida que o mundo avança em direção à mobilidade elétrica, estratégias como esta serão essenciais para garantir que a transição seja não apenas verde, mas também inteligente, eficiente e benéfica para todos.
Wang Haodong, Yu Jiangtao, Zheng Di, Universidade de Jiliang da China, Modern Electronics Technique, DOI: 10.16652/j.issn.1004⁃373x.2024.10.030