Postos de Carregamento Estabilizam a Rede Elétrica
Nos subsolos de Jinan, dentro das subestações e ao longo das baías de carregamento de uma nova geração de centros para veículos elétricos, algo subtil — mas significativo — está a acontecer: os veículos elétricos já não estão apenas a consumir energia. Estão a devolvê-la — não sob a forma de eletrões, mas em suporte.
Mais precisamente, o fator de potência dos seus carregadores está a ser ajustado — não para acelerar o carregamento, mas para ajudar a manter a rede estável.
Soa contraintuitivo. Durante anos, as utilities e os urbanistas alertaram que a adoção generalizada de veículos elétricos sobrecarregaria as redes de distribuição locais. A procura de pico dispararia. Os transformadores sobreaqueceriam. A tensão cairia — especialmente em bairros densos, onde dezenas de veículos elétricos poderiam ser ligados simultaneamente após o trajeto noturno.
Mas e se esses mesmos veículos pudessem, com alterações mínimas de hardware e sem inconvenientes para os condutores, ajudar a resolver o problema que outrora lhes foi atribuído?
Um novo estudo da State Grid Jinan Power Supply Company sugere que podem — e não apenas em teoria, mas na prática, usando parâmetros reais da rede e técnicas de otimização validadas. O segredo não está nas baterias ou em carregadores bidirecionais, mas em algo muito mais simples: o ângulo entre volts e amperes.
Sim — o humilde fator de potência. Tipicamente gerido passivamente (ou ignorado) nas estações de carregamento, revela-se um controlo surpreendentemente ágil para a regulação de tensão em tempo real. Ao ajustá-lo dentro de limites seguros e conformes — digamos, de 1.0 (puramente resistivo, ideal para eficiência) até 0.9 (ligeiramente indutivo ou capacitivo) — um conjunto de carregadores pode injetar ou absorver potência reativa sob demanda. Pense nisto como a versão da rede de uma suspensão ativa: não adiciona impulso, mas ajusta continuamente a amortecimento para manter a viagem suave.
E numa rede urbana moderna — onde os painéis solares empurram a tensão para cima ao meio-dia, enquanto as surtos de veículos elétricos a puxam para baixo ao final do dia — essa suavidade é tudo.
Para perceber porque isto importa, é preciso visualizar a evolução da rede urbana na última década. Era relativamente previsível: a energia fluía num sentido, de grandes subestações para casas e empresas, como água através de uma conduta municipal. As cargas eram maioritariamente resistivas — lâmpadas incandescentes, aquecedores, motores — e a potência reativa era tratada por bancos de condensadores centralizados, ativados em passos grosseiros algumas vezes por dia.
Depois veio a inundação: painéis solares nos telhados, elétricos, bombas de calor e — mais disruptivo — milhares de veículos elétricos a carregar onde quer que houvesse estacionamento. Ao contrário das cargas tradicionais, estas são inteligentes, distribuídas e bidirecionais em potencial. Não apenas consomem; interagem.
Os painéis solares, por exemplo, reduzem a procura local durante o dia — mas se houver pouco consumo local, o excedente flui de volta para a rede, elevando a tensão em alimentadores não desenhados para fluxo reverso. Entretanto, os veículos elétricos tendem a carregar ao final do dia, precisamente quando a solar desaparece e os ar condicionados reduzem. Isto cria um duplo golpe: menos “suporte a montante” e um novo sumidouro de corrente — frequentemente nos mesmos alimentadores que estavam sobretensão ao meio-dia.
O resultado? Flutuações de tensão que podem disparar proteções, danificar equipamento sensível ou — pior de tudo — forçar as utilities a cortar geração renovável ou atrasar a expansão de infraestruturas para veículos elétricos.
Entra a estação de carregamento — não como um problema, mas como uma solução à espera.
Os carregadores modernos AC e DC já usam eletrónica de potência (retificadores, inversores, estágios PFC) capazes de controlar o fator de potência com precisão de milissegundos. A maioria dos fabricantes usa por predefinição fator de potência unitário (cos φ = 1.0) para maximizar a eficiência de carregamento e minimizar o aquecimento interno. Mas isso é uma escolha, não uma limitação física. Dentro das margens térmicas e de segurança, o mesmo hardware pode operar a, digamos, cos φ = 0.95 em atraso — efetivamente atuando como uma pequena carga indutiva — ou cos φ = 0.95 em avanço, comportando-se como um condensador.
Da perspetiva da rede, a diferença é profunda. Um carregador indutivo absorve potência reativa (ajudando a compensar o carregamento capacitivo excessivo dos cabos subterrâneos); um capacitivo injecta-a (reforçando a tensão onde as cargas são pesadas e as linhas são longas). E crucialmente — ao contrário dos bancos de condensadores estáticos — este ajuste pode ser feito continuamente, localmente, e em resposta a condições em tempo real.
O desafio nunca foi a capacidade — foi a coordenação. Como dizer quais estações devem ajustar, quando, e em quanto — sem incomodar os condutores, violar limites do equipamento, ou desestabilizar ainda mais a rede?
É aqui que o trabalho da equipa de Jinan abre novos caminhos.
Liderada por Dong Xin e supervisionada por Kan Changtao, a equipa de investigação não se limitou a propor uma estratégia de controlo — reconstruiu o motor de otimização desde a base.
As abordagens convencionais para a otimização dinâmica de potência reativa dependem de algoritmos bem estabelecidos: optimização por enxame de partículas (PSO), algoritmos genéticos (GA), ou métodos baseados em gradientes. Cada um tem pontos fortes — o PSO é rápido; o GA é robusto — mas todos lutam com a escala e não linearidade das redes de distribuição modernas. Com dezenas de carregadores, múltiplos inversores fotovoltaicos (PV), vários compensadores estáticos de VAR (SVCs), e transformadores com mudança de derivação todos a interagir, o espaço de soluções torna-se um labirinto de alta dimensão repleto de mínimos locais.
Pior, os constrangimentos do mundo real mordem com força: uma mudança de derivação num transformador só pode ser feita algumas vezes por dia; o fator de potência de um carregador não pode oscilar violentamente sem arriscar harmónicos ou sobreaquecimento; um condutor espera que o seu carro atinja 80% do estado de carga de manhã — independentemente de quanto suporte reativo a rede solicitar.
A equipa voltou-se para uma metaheurística relativamente nova: o Algoritmo de Otimização do Coati (COA), inspirado nos comportamentos de forrageamento e evasão do coati sul-americano — um mamífero inteligente e ágil, conhecido pela sua resolução de problemas em terrenos complexos.
Na natureza, os coatis caçam em equipa, comunicam ameaças e mudam de estratégia a meio da perseguição. O COA imita isto: divide a sua “população” em exploradores (prospetando amplamente) e exploradores (aperfeiçoando pistas promissoras), alternando modos com base em sinais de ameaça — ou em termos algorítmicos, estagnação.
Mas o COA puro, como muitos métodos bioinspirados, ainda pode ficar preso. Iterações iniciais podem convergir demasiado rapidamente para uma solução decente — mas não ótima. Para contrariar isto, os investigadores de Jinan introduziram três melhorias chave, cada uma temporizada para uma fase específica da pesquisa:
Primeiro, na inicialização, aplicaram aprendizagem oposicional baseada em refração. Em vez de espalhar aleatoriamente soluções candidatas pelo espaço de pesquisa, cada palpite aleatório é emparelhado com um “oposto refratado” — um ponto espelho perturbado matematicamente. Isto aumenta a diversidade antes da primeira avaliação, garantindo que o algoritmo não perde regiões promissoras perto dos limites.
Segundo, durante a fase de exploração, incorporaram dinâmicas de voo de Lévy — um padrão visto em albatrozes e tubarões, onde pequenos passos locais são intercalados com raros saltos longos. Isto impede a pesquisa de ficar atolada em vales locais; ocasionais grandes saltos permitem que o algoritmo escape a becos sem saída e redescubra picos distantes e mais altos.
Terceiro, na fase de exploração, adicionaram uma pesquisa em espiral logarítmica em torno do melhor candidato atual — imitando como alguns predadores circulam a presa antes do ataque final. Isto afina a convergência sem ultrapassagens, equilibrando a intensificação com a estabilidade.
Juntas, estas melhorias formam o Algoritmo de Otimização do Coati Melhorado (ICOA) — um método híbrido que, em simulações, converge 40% mais rápido que o COA standard e encontra soluções 5.5% melhores (em termos de redução de perdas na rede) que o PSO no alimentador de teste IEEE de 33 nós.
Mas a velocidade e a precisão só importam se a solução for prática. Por isso, a equipa construiu o seu modelo em torno de constrangimentos do mundo real:
- Fator de potência do carregador limitado a [0.9, 1.0] — bem dentro das normas IEC/EN.
- Trajetórias do estado de carga (SOC) da bateria impostas para atingir os objetivos especificados pelo utilizador até à hora de partida.
- Mudanças de derivação do transformador limitadas a cinco por dia.
- Saídas dos SVC limitadas pelas especificações físicas (ex: 900 kvar no Barramento 17).
O objetivo? Um duplo propósito: minimizar a perda total diária de energia e maximizar a receita líquida para os operadores de estações de carregamento — considerando o custo de compra de eletricidade, as taxas de carregamento e — criticamente — pagamentos de compensação de potência reativa da rede.
Sim: em mercados prospetivos, o suporte reativo é monetizável. O modelo assume que os operadores das estações recebem um pequeno crédito (ex: $0.02/kvarh) por fornecer serviços de regulação de tensão — transformando o suporte da rede de um centro de custo num fluxo de lucro.
Os resultados da simulação são convincentes.
No modelo de distribuição urbana IEEE de 33 nós — representando uma rede radial típica de centro urbano com quatro clusters de carregamento, três SVCs e PV distribuído — a estratégia orientada pelo ICOA alcançou:
- Redução de 10.5% nas perdas de pico da rede (de 411 kW para 368 kW às 13:00).
- Redução do custo médio de carregamento do utilizador de 15.6%, apesar de tempos de carregamento ligeiramente mais longos. Como? O subsídio de potência reativa compensou mais do que o custo extra de energia das sessões prolongadas.
- Aumento de 19.7% na margem de potência reativa do sistema — significando mais margem de manobra antes de medidas de emergência (ex: corte de carga) serem necessárias.
- Conformidade de tensão melhorada em 7.2 pontos percentuais durante as horas de pico de veículos elétricos (17:00–20:00), com zero violações em nós críticos como o Barramento 30 — um ponto fraco conhecido no caso base.
Talvez o mais impressionante seja o efeito espacial. O controlo de tensão tradicional é centralizado: uma subestação deteta um evento de subtensão e sinaliza a um banco de condensadores para ligar — minutos depois, possivelmente tarde demais, e certamente não adaptado às condições locais.
Aqui, a resposta é distribuída e instantânea. Quando a tensão do Barramento 29 cai às 18:45, o cluster de veículos elétricos próximo no Nó 29 ele próprio fornece suporte capacitivo — em milissegundos — mudando o seu fator de potência agregado de 0.98 para 0.92 em avanço. Sem latência de comunicação. Sem sobrecarga de coordenação. Apenas deteção local e ação autónoma, guiada pelo horário ICOA do dia anterior.
É como dar a cada bairro o seu próprio amortecedor.
Os condutores não notam nada. Os seus carros ainda atingem o SOC objetivo na partida. A potência de carregamento mergulha ligeiramente quando o suporte reativo está ativo — mas a energia entregue simplesmente demora mais alguns minutos, frequentemente durante janelas de tarifário fora de pico. Em troca, podem até ver custos líquidos mais baixos.
Para as utilities, os ganhos são estratégicos: adiar atualizações caras de infraestruturas (ex: novos transformadores ou reguladores), integrar mais renováveis sem violações de tensão e melhorar métricas de fiabilidade (SAIDI/SAIFI) sem novo hardware.
Claro, os desafios permanecem.
O estudo assume controlo coordenado do carregador — um operador de frota ou rede de carregamento com direitos de gestão centralizada. Implementar isto em carregadores públicos fragmentados, detidos por terceiros, exigirá normas, incentivos e possivelmente incentivos regulatórios (ex: obrigar o “modo de suporte de rede” como predefinição em novas certificações de hardware).
A cibersegurança é não negociável. Qualquer sistema que permita que atores externos ajustem a eletrónica de potência de um carregador deve ser reforçado contra spoofing, negação de serviço ou injeção maliciosa de setpoints. Encriptação ponto-a-ponto, elementos de hardware seguro e attestation periódica de firmware não são opcionais — são a base.
Depois há o fator humano. Os condutores aceitarão um “carregamento inteligente” que pode prolongar a sua sessão em 5–10 minutos se isso baixar a sua fatura? Dados preliminares de pilotos (não deste estudo, mas de projetos em Oslo e San Diego) sugerem que sim — se a compensação for transparente e o benefício tangível.
E finalmente, o próprio algoritmo — embora robusto em simulação — deve provar-se em testes hardware-in-the-loop e, eventualmente, em testes de campo. As redes reais têm ruído, harmónicos não modelados, falhas de comunicação e contingências inesperadas. A elegância do ICOA deve sobreviver à desordem da realidade.
Kan Changtao, o autor correspondente do estudo, reconhece isto. Em entrevistas (parafraseado aqui por estilo), nota: “O nosso próximo passo é a co-simulação com firmware real de carregadores e sistemas SCADA da rede. Também estamos a explorar extensões de teoria dos jogos — e se os proprietários de veículos elétricos pudessem ‘licitar’ a sua flexibilidade num mercado local de potência reativa? A física está pronta. Agora precisamos que a economia e a governança acompanhem.”
O que faz este trabalho destacar-se não é apenas a novidade técnica — é o pragmatismo. Nenhum hardware novo. Nenhuma bateria exótica. Nenhum requisito para capacidade V2G (veículo-para-rede) — ainda uma funcionalidade de nicho fora do Japão e dos Países Baixos.
Em vez disso, reutiliza eletrónica de potência existente em carregadores existentes, usando canais de comunicação existentes (ex: OCPP 1.6/2.0), orientados por um motor de otimização afinado para a desordem do mundo real.
É um lembrete de que as inovações mais transformadoras nem sempre são as mais chamativas. Por vezes, são as que reenquadram silenciosamente um problema — transformando um passivo num ativo, um dreno num buffer, um constrangimento numa variável de controlo.
O carro elétrico nunca foi apenas sobre substituir o motor de combustão interna. Foi sobre reimag