Previsão de carga de VE rural com IA avançada
A crescente popularidade dos veículos elétricos (VE) no mundo rural está redefinindo o panorama da mobilidade e, simultaneamente, colocando à prova a capacidade das redes elétricas locais. Impulsionado por políticas governamentais que incentivam a adoção de tecnologias limpas além dos centros urbanos, o número de carros elétricos nas zonas rurais está a aumentar a um ritmo acelerado. No entanto, essa transição energética traz desafios únicos. As redes elétricas rurais, frequentemente caracterizadas por uma vasta extensão geográfica, linhas de transmissão longas e topologias irregulares, não foram projetadas para lidar com a demanda concentrada e dinâmica gerada pela recarga simultânea de múltiplos veículos. A previsão precisa da carga de recarga de VE tornou-se, portanto, uma necessidade crítica para garantir a estabilidade, a confiabilidade e a eficiência econômica dessas redes. Neste contexto, uma nova pesquisa publicada na revista Power Demand Side Management apresenta um avanço significativo na forma como essa previsão é feita, utilizando um modelo de inteligência artificial de última geração.
Desenvolvido pelos pesquisadores Wang Zilong, da State Grid Corporation of China, e Huang Li, da School of Electrical Engineering da Southeast University, o estudo introduz um modelo inovador chamado “Modified Graph Temporal Convolutional Network” (MGTCN). Este modelo representa um salto qualitativo em relação aos métodos tradicionais de previsão de carga, que muitas vezes se concentram apenas em padrões temporais e ignoram as complexas interações espaciais dentro da rede elétrica. O MGTCN foi projetado especificamente para superar essa limitação, combinando duas poderosas arquiteturas de aprendizado de máquina: as Redes de Convolução de Grafos (GCN) e as Redes de Convolução Temporal (TCN). Essa fusão permite ao modelo capturar simultaneamente as características espaciais e temporais do comportamento de recarga, oferecendo uma visão muito mais completa e precisa da carga futura.
O desafio fundamental enfrentado nas áreas rurais é a natureza dual da carga de VE. Ela não é apenas um fenômeno que ocorre ao longo do tempo (quando as pessoas recarregam), mas também um fenômeno espacial (onde essa recarga ocorre). Uma concentração de recarga em uma única vila pode sobrecarregar um transformador compartilhado, causando quedas de tensão e afetando a qualidade da energia em comunidades vizinhas, mesmo que a carga total da região pareça dentro dos limites aceitáveis. Modelos tradicionais, como as redes LSTM (Long Short-Term Memory), são excelentes em capturar padrões temporais, mas falham em modelar como a carga em um ponto da rede influencia os pontos adjacentes.
É aqui que entra a primeira parte do modelo MGTCN: a GCN. Esta componente do modelo trata a própria rede elétrica como um “grafo”, uma estrutura matemática composta por “nós” (como subestações, transformadores e casas) e “arestas” (as linhas elétricas que os conectam). Essa representação permite que o modelo entenda a topologia física da rede. Ele pode analisar como um aumento na demanda de um nó específico, como uma vila com uma alta densidade de VE, se propaga através das linhas e afeta a tensão e a carga em outros nós conectados ao mesmo transformador. Ao processar características de cada nó, como potência ativa e reativa, preço da eletricidade e temperatura, a GCN extrai dependências espaciais de alto nível, identificando eficientemente “pontos quentes” de carga e compreendendo como a carga se distribui espacialmente. Essa capacidade de modelar a dependência espacial é essencial para uma gestão proativa da rede, permitindo que os operadores antecipem problemas em áreas específicas antes que ocorram.
Enquanto a GCN responde à pergunta “onde”, a segunda componente, a TCN, responde à pergunta “quando”. As redes de convolução temporal são especializadas em analisar séries temporais e são particularmente eficazes em capturar dependências de longo prazo. Ao contrário das redes recorrentes, que podem sofrer de problemas de “desvanecimento do gradiente” com sequências longas, as TCN utilizam uma técnica chamada “convolução causal dilatada”. Isso permite que elas examinem janelas de tempo muito amplas de forma eficiente, identificando padrões complexos como picos de carga recorrentes à noite, variações semanais (mais carga nos fins de semana) ou efeitos sazonais. Por exemplo, o modelo pode aprender que no inverno, o tempo de recarga aumenta devido à necessidade de aquecer a bateria, o que prolonga o pico de carga noturno. A compreensão desses padrões temporais é vital para a programação da geração e da distribuição de energia.
A verdadeira inovação do modelo MGTCN, no entanto, reside na integração de um “mecanismo de atenção”. Este mecanismo atua como um filtro dinâmico, permitindo que o modelo atribua automaticamente diferentes pesos às várias características de entrada em cada momento. Na prática, isso significa que o modelo pode decidir autonomamente quais fatores são mais influentes em um determinado cenário. Em uma noite fria de inverno, o modelo pode dar muito mais peso à temperatura ambiente, pois ela afeta diretamente a eficiência da bateria e o consumo de energia para aquecimento. Em uma noite quente de verão, pode dar mais peso ao preço da eletricidade, antecipando uma onda de recarga durante as horas de tarifa noturna mais baixa. Essa capacidade de adaptação e priorização não apenas aumenta a precisão da previsão, mas também a torna mais interpretável, mostrando aos planejadores de energia quais fatores estão impulsionando uma previsão específica.
Para validar a eficácia do seu modelo, a equipe de pesquisa conduziu uma simulação extensa em uma rede de distribuição rural modificada, baseada no padrão IEEE-123, um modelo de referência amplamente utilizado na pesquisa de sistemas de energia. O sistema simulado operava em 4,16 kV com uma carga total de 1,40 + j0,77 MW e representava uma área com quatro vilas. A simulação envolveu 2.000 veículos, com uma taxa inicial de penetração de VE de 10% (200 veículos). Os padrões de condução e recarga foram baseados em dados empíricos de estudos de economia comportamental, garantindo um comportamento do usuário realista. O modelo foi treinado com um conjunto de dados que cobria 91 dias, com uma resolução de 15 minutos, fornecendo uma base de dados rica e detalhada.
Os resultados foram impressionantes. O modelo MGTCN superou significativamente vários modelos de referência, incluindo LSTM, GCN, TCN e uma versão básica de GCN-TCN. A métrica-chave, o Erro Médio Absoluto Percentual (MAPE), foi reduzido para 4,06%. Este valor representa uma melhoria de 39,49% em relação ao modelo LSTM e de 33,11% em relação ao modelo TCN. O coeficiente de determinação (R²) atingiu um notável 99,67%, indicando que o modelo consegue explicar quase toda a variação nos dados de carga. Essa precisão excepcional é crucial para os operadores de rede, pois fornece uma ferramenta confiável para a tomada de decisões.
A análise dos dados revelou um perfil de carga distinto nas áreas rurais: um padrão de “duplo pico, duplo vale”. O pico de carga mais alto do dia ocorre entre as 23:00 e as 24:00, atraído pelas tarifas de eletricidade mais baixas. Em um dia útil típico, este pico noturno atingiu 336,09 kW, um aumento de 122,05% em relação ao pico do meio-dia. Este comportamento é impulsionado principalmente pelo fato de que a maioria dos usuários rurais recarrega seus veículos em casa durante a noite, aproveitando as tarifas reduzidas e utilizando carregadores de Nível 1 ou 2, que são mais lentos, mas adequados para uma carga prolongada. Além disso, a distribuição espacial da carga mostrou-se altamente desigual, com “pontos quentes” de alta concentração de carga em certos nós, criando uma pressão desigual sobre a rede.
O estudo também explorou o impacto de diferentes taxas de penetração de VE. As simulações foram executadas com taxas de 10%, 20% e 40%. Com uma penetração de 10%, a rede permaneceu estável. Com 20%, surgiram os primeiros sinais de tensão. O ponto crítico foi atingido com 40% de penetração. Neste cenário, a diferença entre a carga de pico e a de vale aumentou para 1,48 MW, um aumento de 49,49% em relação ao cenário de 10%. Ainda mais preocupante, a tensão mínima em vários nós caiu abaixo do valor padrão de 0,95 p.u. (por unidade), atingindo 0,9182 p.u. A taxa de conformidade de tensão despencou para 40,65%, e as perdas na rede aumentaram de 4,07% para 5,90%.
Esses resultados são um alerta claro. O impacto dos VE nas redes rurais não é linear. Em baixas penetrações, os efeitos podem ser gerenciados com estratégias de carga inteligente. Em penetrações mais altas, a rede está em risco de instabilidade. O modelo MGTCN oferece uma solução proativa, permitindo que os operadores de rede antecipem picos e implementem estratégias de mitigação, como a expansão da capacidade do transformador em áreas de alto risco, o uso de reguladores de tensão dinâmicos ou a criação de programas de preços dinâmicos para desincentivar a recarga simultânea. Esta pesquisa não é apenas uma façanha técnica, mas um pilar fundamental para uma transição energética justa e sustentável em todas as comunidades.
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014