Planeamento Inteligente de Postos de Abastecimento em Autoestradas
À medida que o impulso global para a mobilidade sustentável se intensifica, os veículos elétricos deixaram de ser um nicho de mercado para se tornarem um pilar central do futuro dos transportes. Com taxas de adoção crescentes e distâncias percorridas cada vez maiores, a procura por infraestruturas de carregamento fiáveis, eficientes e intuitivas — especialmente ao longo dos principais corredores de transporte — tornou-se um desafio crítico. Um estudo inovador da Universidade Norte de Energia Elétrica da China introduz agora uma metodologia de planeamento que utiliza simulações de comportamento dos utilizadores para optimizar a implantação de postos de carregamento e troca de baterias em áreas de serviço de autoestradas. A investigação, liderada por Junjie Hu, Ruzhou Li e Xuetao Liu, oferece uma solução abrangente que equilibra viabilidade económica, satisfação do utilizador e estabilidade da rede eléctrica.
Publicado na revista Power System Technology, o estudo apresenta uma abordagem visionária para o planeamento de infraestruturas, que vai para além dos modelos tradicionais focados exclusivamente na capacidade dos equipamentos ou no volume de tráfego. Em vez disso, integra a dinâmica real da tomada de decisão dos utilizadores, reconhecendo que os condutores de veículos elétricos não são consumidores passivos, mas agentes ativos cujas escolhas são moldadas por factores como custo, tempo e conveniência. Ao simular como os condutores escolhem entre carregar e trocar a bateria sob diversas condições, os investigadores desenvolveram um modelo que prevê a procura com maior precisão e permite decisões de investimento mais inteligentes.
A motivação por trás deste trabalho é clara: com o crescimento da propriedade de veículos elétricos, aumenta também a pressão sobre as infraestruturas existentes. As áreas de serviço das autoestradas, outrora meros locais de descanso, são agora esperadas para funcionar como centros de energia de alta capacidade. No entanto, o excesso de investimento leva a capital desperdiçado, enquanto o subinvestimento resulta em longas filas, utilizadores frustrados e potencial instabilidade da rede. A solução, argumenta a equipa, não está em construir mais postos, mas em construí-los de forma mais inteligente — postos que reflitam como as pessoas realmente se comportam.
No centro do estudo está um modelo comportamental baseado na teoria da maximização da utilidade. Este quadro assume que os utilizadores tomam decisões para maximizar o seu benefício pessoal, ponderando factores como tempo de espera, custo da electricidade e taxas de serviço. Ao contrário de modelos anteriores que tratam as preferências dos utilizadores como estáticas ou atribuídas arbitrariamente, esta nova abordagem captura a interação dinâmica entre as escolhas individuais e o desempenho do sistema. Por exemplo, quando um condutor chega a uma área de serviço, a sua decisão de carregar ou trocar a bateria depende não apenas dos preços praticados, mas também da disponibilidade em tempo real de carregadores e baterias totalmente carregadas. Uma fila longa no posto de carregamento pode levar um utilizador a optar pela troca, mesmo que seja mais cara — desde que haja uma bateria de reserva disponível.
O que distingue este modelo é a sua capacidade de simular os efeitos em cadeia de cada decisão. A escolha de um utilizador afecta o estado do sistema, que por sua vez influencia as opções do utilizador seguinte. Este acoplamento de decisões ao longo do tempo introduz um nível de realismo raramente visto em estudos de planeamento de infraestruturas. Os investigadores também contabilizam a natureza variável no tempo das filas de espera, reconhecendo que os tempos de espera flutuam ao longo do dia consoante os padrões de tráfego e as taxas de serviço.
Para operacionalizar este modelo, a equipa começa por prever o fluxo de tráfego. Uma vez que muitas áreas de serviço carecem de sistemas de monitorização em tempo real, utilizam um método de quatro etapas combinado com o algoritmo de Dijkstra para estimar o fluxo de veículos elétricos. A partir de dados históricos de portagens, projectam volumes de tráfego futuros com base em taxas de crescimento esperadas, ligadas ao PIB regional. Utilizando análise de caminho mais curto, identificam quais os pares origem-destino que passam pela área de serviço alvo, permitindo converter dados de tráfego regional em padrões de chegada localizados de veículos elétricos.
Uma vez estabelecido o perfil de chegadas, a simulação começa. Cada condutor virtual de veículo elétrico recebe atributos como o estado de carga da bateria (SOC), destino e predisposição para entrar na área de serviço. Condutores com SOC baixo são sinalizados como utilizadores potenciais dos serviços de carregamento ou troca. Entre estes, apenas os que conduzem veículos compatíveis com troca de bateria têm uma escolha; os outros optam por carregar. Para veículos de modo duplo, a decisão é tomada probabilisticamente com base na utilidade derivada de cada opção.
O cálculo de utilidade incorpora custos monetários e temporais. O tempo de espera é valorizado a uma taxa fixa por hora — reflectindo o custo de oportunidade do atraso — enquanto a electricidade e as taxas de serviço são baseadas em esquemas de preços horários. O modelo também inclui componentes aleatórias de utilidade para capturar preferências não observadas, garantindo que nem todos os utilizadores se comportam de forma idêntica sob as mesmas condições.
Crucialmente, a simulação é executada em ciclos completos de 24 horas, representando tanto dias de semana como feriados, reconhecendo que os padrões de procura diferem significativamente entre estes períodos. O tráfego em feriados, por exemplo, tende a ser mais intenso e concentrado, levando a picos de carga que podem sobrecarregar sistemas subdimensionados. Ao modelar ambos os cenários, os planeadores podem conceber infraestruturas que funcionem bem durante todo o ano, e não apenas em dias médios.
Com o comportamento do utilizador simulado, o próximo passo é a optimização. Os investigadores formulam um problema de planeamento multi-objectivo visando minimizar duas métricas-chave: o custo anual do utilizador e o custo anual da estação. O primeiro inclui a média ponderada das despesas de carregamento e troca entre todos os utilizadores, enquanto o segundo abrange o investimento de capital, operação e manutenção, e custos de ligação à rede. As restrições garantem que as quantidades de equipamento se mantêm dentro de limites viáveis, a capacidade do transformador não é excedida e os tempos de espera permanecem abaixo de limites aceitáveis.
Resolver este problema multi-objectivo requer algoritmos avançados. A equipa emprega o NSGA-II, um algoritmo genético conhecido pela sua capacidade de gerar uma frente de Pareto de soluções óptimas — conjuntos de compromissos onde melhorar um objectivo pioraria outro. A partir desta fronteira, os decisores podem seleccionar uma solução com base nas suas prioridades, seja minimizar o custo do utilizador, reduzir a despesa de capital, ou equilibrar ambos.
Para validar a sua abordagem, os investigadores aplicaram-na a um estudo de caso real baseado numa secção simplificada da rede de autoestradas da China, incluindo sete estações de portagem e cinco intercâmbios. Após projectar os níveis de tráfego para 2035 e aplicar uma taxa de penetração de veículos elétricos de 53,49%, descobriram que a área de serviço receberia aproximadamente 3.735 veículos por dia em dias de semana, subindo para mais de 7.000 durante feriados. Assumindo uma taxa de entrada de 30% na área de serviço, isto traduz-se em centenas de paragens diárias de veículos elétricos requiring reabastecimento de energia.
Quatro cenários de planeamento foram comparados. O primeiro envolvia apenas postos de carregamento, sem opção de troca. O segundo e o terceiro assumiam proporções fixas de utilizadores a optar pela troca — 70% e 20%, respectivamente — sem modelar o comportamento real. O quarto, e mais sofisticado, utilizou a simulação comportamental completa.
Os resultados foram impressionantes. Quando os custos anuais das estações foram mantidos constantes, o cenário com comportamento simulado do utilizador alcançou o menor custo para o utilizador — cerca de 2% inferior aos modelos simplificados e 4% inferior à opção apenas de carregamento. Inversamente, quando o custo do utilizador foi fixado, a abordagem de comportamento simulado exigiu 14% menos investimento do que o modelo apenas de carregamento, demonstrando superior eficiência económica.
Além disso, o design optimizado melhorou significativamente o desempenho da rede. Durante os picos de feriados, o sistema combinado de carregamento e troca reduziu a carga de pico em até 15% em comparação com uma configuração apenas de carregamento. Este efeito de “transferência de carga” ocorre porque a troca permite aos utilizadores contornar longas filas de carregamento, transferindo efectivamente parte da procura da rede eléctrica para o inventário de baterias pré-carregadas da estação. Isto não só melhora a experiência do utilizador, como também reduz o stress nos transformadores locais e nas redes de distribuição.
O estudo também revelou insights importantes sobre o comportamento do utilizador. Em dias de semana, quando o tráfego é mais leve e as filas mais curtas, o custo tende a dominar a tomada de decisão. Muitos utilizadores optam por carregar durante as horas de menor consumo, quando os preços da electricidade são mais baixos, mesmo que a troca seja mais rápida. Em feriados, no entanto, o tempo torna-se um factor mais crítico. Com os postos de carregamento frequentemente cheios, os utilizadores estão mais dispostos a pagar um prémio pela velocidade e conveniência da troca, levando a uma taxa de adopção de troca mais elevada — 54,4% em comparação com 37,7% em dias de semana.
Os investigadores exploraram ainda como mudanças nos preços e na compatibilidade dos veículos afectam os resultados. Quando o peso dado ao custo no modelo de decisão foi aumentado, mais utilizadores mudaram da troca para o carregamento, confirmando que a sensibilidade ao preço desempenha um papel major. Ainda mais revelador foi o impacto da compatibilidade dos veículos: à medida que a percentagem de veículos elétricos capazes de trocar aumentou de 25% para 100%, o número de transacções de troca aumentou de forma constante, indicando uma forte procura latente por este serviço quando disponível.
Estas descobertas têm implicações significativas para os decisores políticos e desenvolvedores de infraestruturas. Primeiro, sublinham a importância da co-localização de instalações de carregamento e troca. Embora o carregamento deva permanecer o modo dominante devido ao seu menor custo de infraestrutura e maior compatibilidade com os veículos, a troca oferece um serviço complementar valioso que pode absorver a procura de pico e melhorar a resiliência geral do sistema.
Em segundo lugar, o estudo destaca os riscos de pressupostos de planeamento demasiado simplificados. Modelos que assumem comportamento fixo do utilizador ou ignoram variações temporais na procura podem levar a designs subóptimos — estações sobredimensionadas com capacidade ociosa ou subdimensionadas que falham durante os períodos de pico. Ao incorporar realismo comportamental, os planeadores podem evitar estas armadilhas e alcançar melhores resultados com menos recursos.
Terceiro, a investigação apoia o caso para estratégias de preços dinâmicos. Uma vez que as escolhas dos utilizadores são sensíveis ao custo, tarifas baseadas no tempo podem ser usadas para influenciar o comportamento e suavizar a procura. Por exemplo, reduzir as taxas de serviço de troca durante as horas de pico poderia encorajar mais utilizadores a mudar de modo, reduzindo a congestão nos pontos de carregamento.
Finalmente, o trabalho aponta para a necessidade de maior padronização no design das baterias e nos protocolos de troca. O modelo assume que todos os veículos capazes de trocar utilizam o mesmo tipo de bateria, o que atualmente só é verdade para frotas dentro de uma única marca ou operador. Para que a troca atinja o seu pleno potencial, a compatibilidade em toda a indústria será essencial.
Olhando para o futuro, os autores notam que o seu modelo atual se foca numa única área de serviço. Trabalhos futuros irão estender o quadro para o planeamento ao nível da rede, optimizando a colocação e dimensionamento de múltiplas estações ao longo de um corredor de autoestrada. Isto poderia permitir uma gestão coordenada de carga, onde estações com excesso de capacidade ajudam a equilibrar aquelas sob pressão, melhorando ainda mais a eficiência do sistema.
Em conclusão, a investigação de Junjie Hu, Ruzhou Li e Xuetao Liu representa um avanço significativo no campo do planeamento de infraestruturas para veículos elétricos. Ao colocar o comportamento do utilizador no centro do processo de design, desenvolveram uma metodologia que não é apenas mais precisa, mas também mais humana — reconhecendo que a tecnologia deve servir as pessoas, e não o contrário. À medida que o mundo transita para a mobilidade elétrica, abordagens centradas no utilizador serão essenciais para construir uma rede de carregamento que não seja apenas funcional, mas verdadeiramente sustentável.
Junjie Hu, Ruzhou Li, Xuetao Liu, Universidade Norte de Energia Elétrica da China, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2024.0201