Previsão precisa da carga de veículos elétricos
A revolução da mobilidade elétrica está transformando não apenas a indústria automotiva, mas também a infraestrutura energética existente. À medida que o número de veículos elétricos (VEs) em nossas ruas aumenta, a demanda por infraestrutura de recarga crescerá exponencialmente. No entanto, uma prática de recarga descoordenada e imprevisível pode gerar cargas significativas na rede elétrica pública, especialmente durante os períodos de pico. Para enfrentar esses desafios e garantir um fornecimento de energia estável e eficiente, é crucial prever com precisão a distribuição espacial e temporal da demanda de recarga. Modelos anteriores frequentemente atingiam seus limites, pois não consideravam adequadamente a complexidade do comportamento humano e a diversidade das estruturas urbanas. Um novo estudo pioneiro de pesquisadores da Universidade do Sudeste (Southeast University) na China representa um avanço significativo nesse campo. O modelo desenvolvido vai além de suposições simples e integra pela primeira vez de forma abrangente a teoria das cadeias de viagem, sistemas de informação geográfica (SIG) detalhados e um planejamento inteligente de rotas para simular e prever o comportamento de recarga de veículos elétricos (VEs) com uma precisão sem precedentes.
O cerne deste método inovador é o conceito de “cadeia de viagem”. Diferentemente dos modelos tradicionais, que muitas vezes consideram apenas uma simples viagem de ida e volta de casa para o trabalho, a cadeia de viagem captura todo o padrão de movimento diário de um usuário de veículo. Ela começa tipicamente em casa, inclui várias paradas intermediárias, por exemplo, no local de trabalho, em um centro comercial, no médico ou mesmo no supermercado no caminho de volta para casa, e termina finalmente novamente no ponto de partida. Essa sequência complexa de viagens e paradas é o fator decisivo que determina quando, onde e por quanto tempo um veículo elétrico será recarregado. A equipe de pesquisa liderada por Shen Xiaoqi traduziu esse comportamento em um modelo matemático. Ao simular milhares dessas cadeias de viagem individuais, eles podem reproduzir de forma realista a distribuição dinâmica da demanda de recarga dentro de uma cidade. Essa abordagem considera que um motorista, por exemplo, após uma longa viagem ao trabalho, conectará seu veículo a uma estação de recarga rápida no local de trabalho para recarregar a bateria durante as horas de trabalho, ou que aproveitará uma breve sessão de recarga após uma compra no centro da cidade para garantir a autonomia necessária para a viagem de volta para casa. Essas nuances do comportamento diário não foram adequadamente capturadas por muitos modelos de previsão anteriores.
Outro fator crucial para a precisão da previsão é a integração das condições geográficas reais. A equipe de pesquisa dividiu uma cidade-alvo em 191 zonas funcionais, incluindo áreas residenciais, zonas comerciais e de escritórios, centros comerciais e recreativos, e outras áreas. Cada uma dessas zonas possui características distintas que influenciam o comportamento de recarga. As áreas residenciais geralmente são equipadas com pontos de recarga mais lentos, adequados para recargas noturnas. As zonas comerciais e de escritórios, por outro lado, geralmente possuem estações de recarga rápida para atender às necessidades dos funcionários durante o horário de trabalho. Os centros comerciais frequentemente oferecem estações de recarga rápida para vincular os clientes ao local por um curto período. Ao atribuir potências de recarga específicas e padrões de comportamento a cada tipo de zona, o modelo pode simular de forma realista se e por quanto tempo um motorista irá recarregar em um determinado local. A decisão depende não apenas do estado de carga restante da bateria (State of Charge, SOC), mas também da duração do estacionamento disponível e do tipo de estação de recarga.
Para modelar o movimento dos veículos entre essas zonas, a equipe utiliza um algoritmo consolidado da teoria dos grafos: o algoritmo de Floyd. Esse algoritmo pode calcular o caminho mais curto entre qualquer par de nós em uma rede de estradas complexa. Neste contexto, os nós representam cruzamentos ou locais importantes, e as conexões entre eles são as estradas com seus respectivos comprimentos. Ao usar o algoritmo de Floyd para determinar o caminho mais provável entre dois destinos, o modelo pode calcular com grande precisão a distância real percorrida e o tempo necessário. Essa determinação precisa da distância da viagem é essencial para simular de forma realista o consumo de energia de cada trecho da viagem. O algoritmo leva em conta a geometria real da rede viária, incluindo ruas de mão única, rotatórias e diferentes classes de estradas, refinando significativamente a simulação em comparação com modelos que usam apenas distâncias em linha reta.
O processo de simulação completo é um procedimento iterativo de múltiplos passos. Primeiro, para cada veículo elétrico simulado, o número de viagens diárias e o número de destinos intermediários por viagem são determinados, extraídos aleatoriamente de distribuições estatísticas baseadas em estudos de tráfego reais. Em seguida, a hora de início da primeira viagem do dia é determinada, geralmente seguindo uma distribuição normal, com uma média mais cedo durante a semana e mais tarde nos fins de semana. A sequência específica dos destinos é simulada por meio de uma cadeia de Markov. Esse modelo matemático descreve a probabilidade de passar de um tipo de zona determinado (por exemplo, residencial) para outro (por exemplo, local de trabalho ou centro comercial). Assim, a probabilidade de ir de uma zona residencial para um local de trabalho após uma parada é muito maior em um dia útil do que em um domingo. Essa abordagem probabilística captura os hábitos e a certa aleatoriedade do comportamento do tráfego humano.
Uma vez que a cadeia de viagem para uma viagem é estabelecida, o modelo utiliza o algoritmo de Floyd para calcular o caminho mais curto entre cada destino consecutivo. Com base no comprimento da rota e em uma velocidade média presumida, o tempo de condução e o consumo de energia correspondente são determinados. Ao chegar a um destino, uma duração de estacionamento é extraída aleatoriamente de uma distribuição de probabilidade específica para esse tipo de zona. Por exemplo, as durações de estacionamento em áreas residenciais geralmente seguem uma distribuição Weibull, que descreve estadias longas, muitas vezes durante toda a noite, enquanto as durações de estacionamento em centros comerciais seguem uma distribuição generalizada de valores extremos, que descreve tempos mais curtos e variáveis.
A lógica central do modelo é a decisão de recarga. Quando um veículo chega a um destino, o modelo verifica o SOC restante. Se cair abaixo de um limite crítico de 25%, uma sessão de recarga é ativada. Mesmo se o SOC estiver acima desse limite, a recarga ocorrerá se a energia restante não for suficiente para completar a próxima viagem na cadeia de viagem. Essa lógica prospectiva reflete o comportamento real dos motoristas, que querem se certificar de não ficar sem bateria. A duração da sessão de recarga é então limitada pela duração do estacionamento disponível e pela potência máxima de recarga da estação nessa zona. O modelo considera explicitamente as diferenças entre pontos de recarga mais lentos em áreas residenciais e estações de recarga rápida em zonas comerciais e de escritórios.
Os pesquisadores aplicaram seu modelo a uma cidade real com oito distritos administrativos e analisaram as sessões de recarga de 100.000 veículos elétricos simulados durante um dia. Os resultados mostraram um claro padrão de “pico duplo” na carga total da cidade. O primeiro pico, menor, ocorreu por volta das 7h da manhã, causado por veículos que chegaram aos seus locais de trabalho após suas viagens matutinas e começaram a recarregar lá. Em seguida, a demanda diminuiu até a tarde, para aumentar novamente por volta das 18h. O segundo e muito maior pico atingiu seu máximo por volta das 22h e foi 1,28 vezes superior à média diária. Esse pico noturno resulta do retorno dos usuários para casa, onde conectam seus veículos durante a noite.
A análise revelou diferenças significativas entre as diferentes zonas funcionais. Nas áreas residenciais, a curva de carga mostrou um forte aumento durante a noite e a madrugada, com uma relação pico-vale de 1,65. Nas zonas comerciais, por outro lado, a carga atingiu seu pico muito mais cedo no dia, às 7h, e depois diminuiu continuamente. Um achado particularmente notável foi a disparidade entre as zonas residenciais e comerciais à noite. Entre as 21h e as 24h, a carga nas áreas residenciais foi 134,17% maior do que nas zonas comerciais. Isso enfatiza impressionantemente que a recarga domiciliar é a prática dominante.
O estudo também mostrou que a distribuição de carga em distritos administrativos individuais depende fortemente de sua divisão interna por zonas. Um distrito (A), composto principalmente por zonas comerciais, mostrou uma curva de carga semelhante à de uma zona comercial típica, com um pico matutino precoce. Outro distrito (B), composto principalmente por áreas residenciais, mostrou uma curva de carga que segue o padrão em áreas residenciais, com um pico à noite. Esse achado é de grande importância para os planejadores urbanos e operadores de rede, pois sugere que a necessidade de infraestrutura de recarga em um distrito pode ser prevista analisando seu uso do solo.
Para validar seu método, os pesquisadores compararam suas previsões com um modelo estabelecido da literatura. A comparação mostrou que o novo modelo fornece uma representação mais precisa da carga, especialmente à tarde. O modelo anterior subestimou a carga porque não considerou adequadamente a maior porcentagem de recarga rápida em zonas comerciais e de escritórios durante o dia. Além disso, o novo modelo previu uma diferença menor entre a carga de pico e a carga de vale, devido à simulação mais realista de múltiplas viagens diárias, que distribui as solicitações de recarga ao longo do dia.
As implicações dessa pesquisa são amplas. Para os operadores de rede, o modelo oferece uma ferramenta poderosa para prever picos de carga e combatê-los de forma direcionada, por exemplo, por meio de programas de gerenciamento de carga ou programando trabalhos de manutenção em momentos de baixa demanda. Para os planejadores urbanos e operadores de estações de recarga, a capacidade de prever a demanda de recarga em zonas específicas permite uma expansão da infraestrutura mais estratégica e econômica. A conclusão de que a demanda de recarga está principalmente concentrada em áreas residenciais sugere que a prioridade na instalação de pontos de recarga deve estar em garagens privadas, edifícios residenciais e estacionamentos públicos em áreas residenciais.
Além disso, o modelo é ideal para análise de cenários e planejamento de longo prazo. Os responsáveis políticos podem usá-lo para avaliar o impacto de diferentes incentivos, como tarifas elétricas dependentes do tempo que incentivem a recarga durante a noite. Ao analisar como diferentes tipos de distritos respondem a tais incentivos, as autoridades podem adaptar suas estratégias à situação específica. O modelo também fornece uma base para entender o impacto futuro de veículos autônomos e serviços de mobilidade compartilhada, que podem mudar fundamentalmente o padrão das cadeias de viagem e, consequentemente, os requisitos de recarga.
Em resumo, a pesquisa de Shen Xiaoqi e seus colegas na Universidade do Sudeste representa um avanço significativo na previsão da demanda de recarga de veículos elétricos. Ao integrar perfeitamente a teoria das cadeias de viagem, dados geográficos detalhados e algoritmos avançados de planejamento de rotas, eles criaram um modelo que captura a verdadeira complexidade da mobilidade humana. Este trabalho vai além de suposições simplistas e oferece uma base sólida e baseada em dados para a integração sustentável de milhões de veículos elétricos em nossas redes elétricas. Enquanto o mundo acelera sua transição para a mobilidade elétrica, ferramentas como esta serão indispensáveis para construir um futuro energético resiliente, eficiente e limpo.
Shen Xiaoqi, Fang Xin, Tan Linlin, Li Xinguo, Sun Jiaqi, Southeast University, Electric Power Engineering Technology, DOI: 10.12158/j.2096-3203.2024.03.014