Sistema Inteligente Otimiza Recarga de Veículos Elétricos
Em um momento crucial para a mobilidade elétrica, um avanço significativo promete transformar a experiência de recarga para os proprietários de veículos elétricos (VEs). Um estudo inovador, liderado por Yuan Xiaodong do Instituto de Pesquisa Elétrica da State Grid Jiangsu Electric Power Co., Ltd., em colaboração com Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun e Long Huan, apresenta um modelo de orientação ativa de recarga baseado no Internet das Coisas Veicular (IoV). Publicado na renomada revista Automation of Electric Power Systems em 10 de abril de 2024, este trabalho aborda diretamente o desafio crescente de gerenciar o aumento do número de veículos elétricos e suas demandas associadas de recarga, oferecendo uma solução que prioriza a conveniência e a eficiência do usuário.
O cerne do modelo proposto reside na integração de algoritmos avançados de planejamento de rotas com a teoria das filas, adaptados especificamente para as condições dinâmicas do tráfego urbano e os padrões imprevisíveis de comportamento de recarga dos veículos elétricos. Ao incorporar dados de tráfego em tempo real, incluindo tempos de espera em semáforos e evitando desvios desnecessários, os pesquisadores desenvolveram uma versão aprimorada do algoritmo A* para o planejamento de rotas. Essa melhoria permite a atualização contínua da matriz de estado espaço-temporal da rede viária, garantindo que as rotas recomendadas estejam sempre otimizadas para as condições atuais. O resultado é uma redução substancial no tempo de viagem, como demonstrado em um estudo de caso realizado na área central de Nanquim, na China.
Uma das inovações centrais deste estudo é a utilização de uma rede de crença profunda (DBN) para prever a taxa de chegada de curto prazo de veículos elétricos nas estações de recarga. Essa capacidade preditiva é crucial para gerenciar a demanda de serviços de recarga, que muitas vezes é imprevisível. Ao prever com precisão o número de veículos esperados em uma determinada estação, o sistema pode alocar melhor os recursos e minimizar os tempos de espera. O modelo DBN foi treinado com dados históricos, incluindo padrões de chegada de veículos, hora do dia, condições climáticas, temperatura ambiente, tipo de dia (dia útil ou feriado) e status do tráfego. Os dados de entrada foram processados por meio de vetorização e normalização, e o modelo foi projetado com múltiplas máquinas de Boltzmann restritas (RBM) e uma camada totalmente conectada, permitindo tanto um pré-treinamento não supervisionado quanto um ajuste fino supervisionado.
A eficácia do modelo DBN foi avaliada em comparação com outros algoritmos populares de aprendizado de máquina, como floresta aleatória (RF), máquina de vetores de suporte (SVM) e árvore de decisão (DT). Os resultados mostraram que o modelo DBN superou essas alternativas em termos de erro absoluto médio (MAE) e erro quadrático médio (RMSE), indicando sua capacidade superior de capturar as relações complexas entre as características de entrada e as taxas de chegada de veículos. Essa alta precisão na previsão é essencial para as etapas subsequentes no processo de orientação ativa de recarga.
Uma vez que as taxas de chegada são previstas, a próxima etapa envolve estimar o tempo de espera na estação de recarga. Para isso, os pesquisadores empregaram o modelo de filas M/G/k, que é particularmente adequado para cenários em que os tempos de serviço não são distribuídos de forma exponencial. No contexto do carregamento de veículos elétricos, o tempo de serviço corresponde à duração do processo de carregamento, que pode variar significativamente dependendo do estado da bateria, do tipo de carregador e do veículo específico. O modelo M/G/k leva em consideração o número de pontos de recarga (k), a taxa de chegada (λ) e a distribuição dos tempos de serviço, fornecendo uma representação mais realista do sistema de filas.
Para validar o modelo M/G/k, a equipe analisou os dados de duração do carregamento de cinco estações de recarga diferentes na área central de Nanquim. Os dados, coletados em um período das 6h às 21h, foram segmentados em intervalos de 20 minutos, resultando em 45 pontos de dados por dia para cada estação. Utilizando o teste de Kolmogorov-Smirnov (K-S), os pesquisadores confirmaram que a chegada de veículos às estações de recarga segue uma distribuição de Poisson, uma suposição comum na teoria das filas. Essa descoberta apoia o uso do modelo M/G/k, pois assume que os tempos entre chegadas são distribuídos de forma exponencial, uma característica do processo de Poisson.
No entanto, as durações do carregamento revelaram-se mais complexas. Em vez de seguir uma simples distribuição exponencial, normal ou gama, os dados foram melhor descritos por uma mistura de distribuições gaussianas. Esse modelo de mistura, representado pela equação ( T{ch} = sum{i=1}^{N_G} a_i N(mu_i, sigmai^2) ), onde ( T{ch} ) é a duração do carregamento, ( N_G ) é o número de componentes gaussianos, ( a_i ) é o peso do i-ésimo componente e ( N(mu_i, sigma_i^2) ) é uma distribuição gaussiana padrão com média ( mu_i ) e variância ( sigma_i^2 ), fornece um ajuste mais preciso aos dados observados. O número ótimo de componentes gaussianos foi determinado utilizando o critério de informação bayesiano (BIC), com o modelo de menor valor de BIC sendo selecionado. Essa caracterização detalhada da distribuição da duração do carregamento é crítica para a previsão precisa dos tempos de espera.
Com as taxas de chegada e as distribuições de tempos de serviço estabelecidas, os pesquisadores utilizaram a amostragem de Monte Carlo (MC) para simular o processo de fila nas estações de recarga. A simulação envolveu a criação de k filas, uma para cada ponto de recarga, e sua inicialização com base no estado atual dos carregadores (por exemplo, tempo de carregamento restante). As chegadas futuras de veículos e suas respectivas durações de carregamento foram então amostradas das distribuições previstas, e o processo de fila foi simulado durante o tempo de viagem estimado. O tempo médio de espera, calculado após múltiplas iterações, foi usado como o tempo de espera previsto para a estação de recarga de destino.
O modelo de orientação ativa de recarga foi testado em um estudo de caso abrangente envolvendo 900 veículos elétricos com necessidades de recarga, gerados aleatoriamente na área central de Nanquim. O desempenho do modelo proposto foi comparado com um algoritmo de planejamento de rotas estático, que simplesmente direciona os veículos para a estação de recarga mais próxima. Os resultados foram impressionantes: o modelo de orientação ativa reduziu o tempo total de viagem em 18,49%, o tempo total de espera em 31,67% e o tempo total de recarga (a soma dos tempos de viagem e espera) em 27,27%. Essas melhorias não são apenas significativas, mas também destacam os benefícios práticos do modelo em cenários do mundo real.
Uma análise mais detalhada revelou que o modelo de orientação ativa também levou a uma utilização mais equilibrada da infraestrutura de recarga. No cenário estático, certas estações de recarga, particularmente aquelas em locais mais acessíveis, tornaram-se sobrecarregadas, levando a longos tempos de espera e à subutilização de outras estações. Em contraste, o modelo de orientação ativa distribuiu efetivamente a demanda de recarga pela rede, reduzindo a carga de pico em qualquer estação individual e melhorando a eficiência geral do sistema. Às 15h, por exemplo, a taxa média de utilização das estações de recarga aumentou de 69,50% para 89,47%, uma melhoria substancial que enfatiza a capacidade do modelo de otimizar a alocação de recursos.
O sucesso do modelo de orientação ativa de recarga é um testemunho do poder de integrar técnicas computacionais avançadas com dados em tempo real. O algoritmo A* aprimorado, ao considerar as condições dinâmicas de tráfego e os atrasos nos semáforos, garante que as rotas recomendadas sejam sempre as mais eficientes. O modelo DBN, com sua capacidade de prever as taxas de chegada de veículos, fornece uma base sólida para gerenciar a demanda de recarga. E o modelo de filas M/G/k, aprimorado pelo uso de uma mistura de distribuições gaussianas, oferece uma previsão realista e precisa dos tempos de espera.
As implicações desta pesquisa vão além dos benefícios imediatos para os proprietários individuais de veículos elétricos. Ao reduzir os tempos de viagem e espera, o modelo pode ajudar a aliviar a congestão do tráfego e melhorar a eficiência geral do sistema de transporte urbano. Também pode contribuir para a estabilidade e confiabilidade da rede elétrica, pois padrões de recarga mais previsíveis e distribuídos reduzem o risco de sobrecarga. Além disso, a capacidade do modelo de equilibrar a carga pela rede de recarga pode gerar economias de custos tanto para operadores quanto para usuários, reduzindo a necessidade de caras atualizações de infraestrutura e minimizando o tempo gasto esperando por um ponto de recarga.
O estudo também destaca a importância de considerar a perspectiva do usuário no design de soluções de mobilidade inteligente. Ao se concentrar em minimizar o custo total de tempo, que inclui tanto o tempo de viagem quanto o de espera, o modelo se alinha com a preocupação principal dos proprietários de veículos elétricos: conveniência e eficiência. Essa abordagem centrada no usuário é um fator-chave para o sucesso do modelo e estabelece um precedente para pesquisas futuras no campo.
Apesar dos significativos avanços, os pesquisadores reconhecem que ainda há áreas para melhoria. Por exemplo, o modelo atual não leva plenamente em conta o impacto dos preços na escolha da estação de recarga pelo usuário. No futuro, a incorporação de fatores de preço e o uso de algoritmos de aprendizado por reforço profundo poderiam melhorar ainda mais o desempenho do modelo. Além disso, o modelo poderia ser expandido para considerar a alocação ideal dos recursos de recarga, equilibrando as necessidades do sistema com as preferências dos usuários.
O trabalho de Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun e Long Huan representa um passo significativo rumo ao desenvolvimento de soluções inteligentes de recarga. Seu modelo de orientação ativa de recarga, publicado na Automation of Electric Power Systems, demonstra o potencial de integrar métodos computacionais avançados com dados em tempo real para criar experiências de recarga mais eficientes e amigáveis para os usuários de veículos elétricos. À medida que a adoção de veículos elétricos continua a crescer, tais inovações serão cruciais para garantir que a transição para um sistema de transporte sustentável seja suave e eficaz.
A pesquisa foi apoiada pelo Programa Nacional de Pesquisa e Desenvolvimento da China (No. 2021YFB2501600), destacando a importância do apoio governamental para impulsionar avanços tecnológicos. O estudo não apenas contribui para a literatura acadêmica, mas também tem aplicações práticas que podem beneficiar uma ampla gama de partes interessadas, desde proprietários de veículos elétricos até planejadores urbanos e empresas de serviços públicos. À medida que o mundo avança para um futuro mais sustentável e conectado, os insights e metodologias apresentados neste artigo desempenharão sem dúvida um papel vital na configuração da próxima geração de soluções de mobilidade inteligente.
Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun, Long Huan, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230730001