Redes Flexíveis, Picos Inteligentes: Como a Coordenação Fonte-Carga-Armazenamento Impulsiona a Transição Energética da China
Turbinas eólicas giram constantemente sob um sol pálido, suas pás cortando o ar frio e rarefeito. Painéis solares, angulados para o sul em telhados e campos, captam os primeiros raios fracos. Na sala de controle de um centro de despacho regional, engenheiros monitoram um mapa da rede em tempo real—linhas que pulsam com fluxos de energia instantâneos, curvas de carga que caem e sobem como uma respiração. O que antes era um ato de equilíbrio precário—combinar a geração variável de renováveis com a inflexível produção termelétrica a carvão—está a mudar. Não com estrondo dramático, mas com precisão algorítmica e silenciosa: unidades térmicas entram suavemente em operação de carga profunda sem suporte de óleo; baterias absorvem o excedente eólico à meia-noite; centenas de veículos elétricos carregam em uníssono durante as horas de vazio, guiados não por temporizadores, mas por sinais de preço calibrados ao segundo.
Isto não é futurismo especulativo. É a realidade em desdobramento da transformação do sistema energético chinês—e no seu núcleo reside uma nova abordagem para o nivelamento de picos (peak shaving): coordenada, consciente do mercado e profundamente adaptativa. Um estudo recente da Universidade Norte-Chinesa de Energia Elétrica, liderado pelo Professor Zhang Jinliang e pela investigadora Hu Zeping, oferece mais do que uma melhoria incremental. Apresenta uma estrutura de otimização abrangente que trata a rede não como uma coleção de ativos isolados, mas como um organismo integrado—onde a geração (fonte), a procura (carga) e o armazenamento (armazenamento) atuam em concerto, cada um respondendo a sinais económicos nuances e constrangimentos físicos. O resultado? Um sistema que não é apenas capaz de absorver altas percentagens de renováveis, mas economicamente incentivado a fazê-lo.
Recuemos por um momento. O nivelamento de picos—a prática de reduzir a diferença entre os picos e os vales da procura de eletricidade—há muito é tratado como um problema de engenharia de força bruta. Na China, onde o carvão ainda domina o fornecimento de carga de base, a solução tradicional significava reduzir (ou aumentar) as unidades fósseis para acompanhar as oscilações da procura. Mas à medida que a penetração da energia eólica e solar ultrapassou os 30% em províncias-chave, esse modelo quebrou. O vento sopra frequentemente com mais força à noite, quando a procura é mais baixa. O sol do meio-dia inunda a rede justamente quando as cargas industriais diminuem. O desalinhamento não é ocasional—é estrutural. Sem flexibilidade, a resposta era simples: corte (curtailment). Em 2022, algumas regiões registaram cortes eólicos superiores a 10%, e solares próximos de 5%. Isto é energia limpa—paga, construída, a girar—deliberadamente desligada. Desperdiçada.
Os engenheiros sabiam que o armazenamento e os recursos do lado da procura tinham potencial, mas as implantações iniciais eram fragmentadas. As baterias permaneciam inativas, à espera de ordens de despacho. Frotas de veículos elétricos (VE) carregavam de forma imprevisível, por vezes agravando os picos noturnos. Os esquemas de compensação eram rudimentares—taxas fixas por participação, independentemente de quando ou quanta flexibilidade era fornecida. O elo em falta? Um modelo unificado que pudesse simultaneamente modelar a incerteza, a resposta aos preços e os incentivos multipartidários.
É aqui que o trabalho de Zhang e Hu abre novos caminhos. O seu modelo começa com realismo: a energia eólica e solar não variam de forma independente. A cobertura de nuvens e os padrões de vento estão correlacionados—frequentemente de forma inversa. Utilizando estimativa de densidade de kernel e funções cópula de Frank, a equipa gerou cenários conjuntos realistas da produção eólica-solar, muito mais precisos do que tratá-las como variáveis aleatórias separadas. Isto não é um mero nuance académico. Superestimar a correlação pode levar a um subdimensionamento das reservas; subestimá-la convida à instabilidade. O seu método captura o jogo de equilíbrio natural—dias nublados significam frequentemente ventos mais fortes, dias de calmaria solar significam domínio da energia solar—produzindo planos de despacho resilientes à volatilidade do mundo real.
Mas a incerteza é apenas metade da batalha. O maior obstáculo é o comportamento. Por que razão um proprietário de uma central a carvão concordaria em operar a 35% da capacidade—entrando na custosa zona de “queima de óleo”—a menos que devidamente recompensado? Por que razão uma fábrica deslocaria a sua linha de produção, ou um proprietário de um VE ligaria o carro às 2 da manhã, sem uma clara vantagem financeira?
Entra a arquitetura de preços do modelo—um motor de incentivos de três camadas.
Primeiro, para as unidades térmicas: a compensação não é fixa. É escalonada, alinhada com o stress operacional real. A 45–50% de carga? Recompensa modesta. Descer para 40–45%? Maior. Abaixo de 35%—onde a fadiga do metal e o consumo de óleo disparam? O pagamento aumenta significativamente. Crucialmente, isto não é altruísmo subsidiado. O custo é partilhado por aqueles que não fornecem flexibilidade: parques eólicos, centrais solares e unidades convencionais a carvão que ainda funcionam perto da carga plena. O ónus muda do fornecedor flexível para o beneficiário inflexível—um sinal de mercado tão antigo como a oferta e a procura, agora aplicado aos serviços da rede.
Segundo, para armazenamento e VEs: o preço reflete o custo marginal, não subsídios fixos. Uma vez que as baterias e os VEs não sofrem stress térmico, a sua compensação é menor—mas é dinâmica. Quando a carga líquida mergulha (elevadas renováveis, baixa procura), o carregamento é recompensado. Quando os picos noturnos se aproximam, a descarga obtém taxas premium. E, criticamente, apenas a potência de carregamento recebe compensação de nivelamento de picos—a descarga é liquidada através dos preços do mercado de energia. Isto evita a dupla contagem e garante que os pagamentos se alinham com o valor real da rede: preencher os vales, não apenas mover energia.
Terceiro—e talvez o mais inovador—é o mecanismo de resposta à procura escalonada (stepped demand response) para os utilizadores finais. Os programas clássicos de RD oferecem um valor fixo por kW para redução de carga. Mas o comportamento humano (e industrial) não é linear. Um pequeno incentivo pode atrasar um esquentador; um maior pode deslocar a produção de um turno inteiro. O modelo de Zhang e Hu introduz uma compensação escalonada: quanto mais profunda a resposta, maior a recompensa marginal. Primeiros 10 MW reduzidos? $X/MW. Próximos 10 MW? $X × 1,2. Além disso? $X × 1,5. Isto espelha a economia real: a flexibilidade “ao alcance da mão” é barata; cortes mais profundos requerem mais esforço, investimento ou mudança de processo—merecendo retornos mais elevados.
A prova está no despacho.
Os investigadores testaram o seu modelo num sistema IEEE de 30 barras modificado—dimensionado para representar uma rede regional chinesa: cinco unidades a carvão, 200 VEs, 400 MW eólicos, 150 MW solares e uma bateria de 50 MW/100 MWh. Executaram cinco cenários, cada um adicionando uma camada de sofisticação:
- Linha de base (Baseline): Eólica, solar, carvão—sem coordenação. Resultado? 21,7% de cortes eólicos, 5,9% de perdas solares. Custo total: ¥3,44 milhões/dia.
- +Apenas VEs: O carregamento inteligente reduz ligeiramente os cortes—mas sem preços, a participação é aleatória. Poupanças: marginais.
- +Picos profundos do carvão: Agora as unidades a carvão operam em carga profunda. Os cortes eólicos caem para 0,08%—virtualmente eliminados. O custo total cai 22%. Mas as unidades a carvão queimam óleo à noite, corroendo as margens.
- +Bateria: O armazenamento absorve o vento da meia-noite, descarrega às 19h. As unidades a carvão evitam completamente a queima de óleo. O custo do sistema cai mais ¥0,2 milhões, e as flutuações da carga líquida suavizam-se visivelmente.
- +RD Escalonada: As fábricas deslocam cargas; as casas pré-aquecem antes dos picos de preço. A curva de carga nivela-se ainda mais. Custo final: ¥2,6367 milhões/dia—23,4% inferior à linha de base, com zero cortes.
Este último valor não é apenas sobre dinheiro. É sobre viabilidade. Em escala, tais poupanças tornam as redes com altas renováveis não apenas ambientalmente desejáveis, mas economicamente inevitáveis.
Mas os números contam apenas parte da história. Olhe para os sinais de preços que o modelo gera (Fig. 8 no estudo). O preço de oferta da Unidade Térmica 1 mantém-se moderado durante o dia (40–60% de carga). Mas às 22h, com a procura a cair e o vento a aumentar, desce para 33% de carga—entrando na queima de óleo. O seu preço de oferta dispara—não por ganância, mas de forma reflexiva: o óleo custa dinheiro; o metal degrada-se. Entretanto, o preço da bateria é zero todo o dia—até às 23h, quando começa a carregar (ganhando compensação), depois salta às 18h quando descarrega para o pico noturno. Os VEs espelham isto: silenciosos na maioria das horas, depois ativos durante os vales de preços. Isto não é controlo de cima para baixo. É coordenação emergente—ativos a votar com eletrões, guiados por uma economia transparente.
Criticamente, o modelo impõe constrangimentos de rentabilidade. Nenhum participante perde dinheiro. Os parques eólicos pagam uma pequena taxa pelos serviços de flexibilidade, sim—mas a sua receita líquida aumenta porque zero megawatt-hora são desperdiçados. As centrais a carvão ganham menos por MWh, mas funcionam mais horas e evitam custos de arranque. Os operadores de armazenamento ganham receitas auxiliares sem canibalizar as margens de energia. Os proprietários de VEs recebem micropagamentos que compensam os custos de carregamento—e prolongam a vida útil da bateria ao evitar o carregamento nas horas de pico. Todos ganham porque o sistema ganha.
Ainda assim, persistem questões de escalabilidade. Como funciona isto através de fronteiras provinciais, onde a propriedade da rede e as regras de preços se fragmentam? O modelo pode lidar com milhões de VEs distribuídos, e não apenas 200? E o que acontece quando a energia eólica e solar caem simultaneamente—um evento “dunkelflaute” (calmaria escura)?
Zhang e Hu reconhecem estas fronteiras. A sua estrutura é concebida para o agendamento diário (day-ahead)—essencial, mas não suficiente para a volatilidade em tempo real. O próximo passo, sugerido na sua conclusão, é acoplar isto com camadas de controlo intra-diário e de controlo automático de geração (CAG). Também vital: a adoção regulatória. Os mercados de serviços auxiliares da China estão a evoluir, mas as regras de compensação permanecem inconsistentes. Uma implementação nacional de preços escalonados e reflexivos do custo—suportada por partilha de custos transparente—é um trabalho político, não apenas de engenharia.
No entanto, a direção é clara. A flexibilidade já não é um centro de custos—é um fluxo de valor. E os ativos outrora vistos como passivos (um VE estacionado, o arrefecedor ocioso de uma fábrica, um inversor solar num telhado) estão a tornar-se parceiros ativos da rede. Como um operador de rede na Mongólia Interior me disse off-record: “Costumávamos implorar às unidades para reduzirem. Agora, com os sinais adequados, elas pedem para ir mais fundo—a compensação cobre o seu risco. É uma mudança cultural.”
Essa é a revolução silenciosa em curso. Não com megaprojetos, mas com incentivos marginais. Não através de mandatos, mas através de mercados que finalmente veem a flexibilidade—e a pagam de forma justa.
De volta à sala de controle, o engenheiro ajusta um cursor. Um conjunto de VEs começa a carregar—não por causa de um comando, mas porque o sinal de preço entrou na zona verde. No ecrã, a curva de carga líquida suaviza-se, quase impercetivelmente. Outra turbina permanece online. Outro quilowatt-hora de vento encontra uma casa.
Sem estrondo. Apenas eletrões, economia e equilíbrio—finalmente, em harmonia.
Autor: Zhang Jinliang, Hu Zeping Afiliação: Escola de Economia e Gestão, Universidade Norte-Chinesa de Energia Elétrica, Pequim 102206, China Revista: Power System Protection and Control DOI: 10.12158/j.2096-3203.2024.04.002