Veículos Elétricos e 5G: Uma Nova Era para Redes Inteligentes
Uma pesquisa inovadora da Universidade do Sudeste está redefinindo as possibilidades de como duas tecnologias fundamentais do século XXI – a mobilidade elétrica e as redes de comunicação ultrarrápidas – podem se unir para transformar a maneira como gerenciamos a energia. Liderada por Zhang Xinyu, do Departamento de Engenharia Elétrica da universidade, a equipe de pesquisa publicou um estudo no prestigiado periódico Power System Technology que demonstra como a combinação das baterias dos veículos elétricos (VEs) e os sistemas de armazenamento de energia das estações base 5G pode criar uma solução revolucionária para os desafios de estabilidade e eficiência das redes elétricas modernas. O estudo apresenta um novo modelo de decisão, chamado de “robustez por satisfação” (Robust Satisficing, RS), que permite a agregadores de energia aproveitarem o potencial combinado desses recursos distribuídos, transformando-os em uma força poderosa e economicamente viável no mercado de eletricidade.
O cerne da descoberta é a sinergia entre dois gigantescos exércitos de baterias que estão emergindo em paralelo à medida que o mundo se eletrifica e se conecta. Dados do Ministério da Indústria e Tecnologia da Informação da China mostram que, até o final de 2022, o país já contava com mais de 10 milhões de veículos elétricos puros e mais de 2,3 milhões de estações base 5G. Cada um desses veículos e cada uma dessas estações abriga uma bateria de íons de lítio, um recurso de armazenamento eletroquímico. Individualmente, nenhum desses recursos é grande o suficiente para participar diretamente do mercado de energia em larga escala. No entanto, quando agrupados e gerenciados de forma inteligente por um agregador, seu potencial coletivo para fornecer serviços de flexibilidade à rede é imenso. A verdadeira inovação não está apenas na ideia de agregação, mas em como o modelo supera as incertezas inerentes à participação em mercados dinâmicos e imprevisíveis.
A tarefa de um agregador é comparável à de um condutor de orquestra em meio a uma tempestade. Ele precisa apresentar suas ofertas para o dia seguinte com base em previsões, mas também deve gerenciar recursos cujo comportamento é fundamentalmente imprevisível. Quando um veículo elétrico será conectado a uma estação de recarga? Com qual nível de carga e com qual hora de partida programada? Qual será a disposição do proprietário do veículo em permitir que sua bateria seja usada para serviços de rede? Por outro lado, as estações base 5G têm um perfil de carga previsível, ligado ao tráfego de dados, mas sua função primária é garantir a continuidade do serviço de telecomunicações, o que significa que devem sempre manter uma reserva mínima de energia para lidar com interrupções no fornecimento. Além disso, os preços da energia e dos serviços de regulação de frequência flutuam constantemente. Essas camadas de incerteza têm limitado a eficácia dos métodos tradicionais de planejamento.
As abordagens convencionais se dividem em três categorias principais. A otimização estocástica (SO) utiliza dados históricos e suposições sobre distribuições de probabilidade para calcular um lucro esperado. Embora poderosa, seu desempenho depende criticamente da qualidade e quantidade dos dados, e pode falhar de forma dramática se o futuro se desviar dos padrões passados. A otimização robusta (RO) adota uma postura defensiva, projetando estratégias que funcionem mesmo no pior dos casos. Embora isso garanta segurança, leva a decisões excessivamente conservadoras que sacrificam a rentabilidade. A otimização robusta distribucional (DRO) tenta encontrar um ponto de equilíbrio, considerando um conjunto de possíveis distribuições de probabilidade, mas ainda exige uma estimativa precisa desse conjunto, o que pode ser tão difícil quanto o problema original.
Diante dessas limitações, Zhang Xinyu e sua equipe propõem um paradigma radicalmente diferente: a otimização por satisfação robusta (RS). Este modelo não busca o lucro máximo possível, mas inverte a lógica. Primeiro, o agregador estabelece um lucro-alvo aceitável. Em seguida, o modelo não maximiza o lucro, mas maximiza a robustez — a capacidade do sistema de alcançar esse lucro-alvo apesar de qualquer desvio das previsões. Em vez de depender de complexas distribuições de probabilidade, o modelo introduz um “fator de impacto adversário”, um indicador que mede diretamente a sensibilidade do sistema às incertezas. O objetivo se torna então minimizar essa sensibilidade.
Essa filosofia de design é profundamente pragmática. Em vez de apostar em um cenário ideal, o modelo RS foca na resiliência. Não importa se os preços do mercado se comportam de maneira inesperada ou se os padrões de carregamento dos veículos elétricos mudam repentinamente; o modelo é projetado para manter o desempenho o mais próximo possível do objetivo desejado. Esse recurso o torna particularmente adequado para o mundo real, onde eventos imprevistos são a norma, não a exceção.
Os testes de simulação realizados pela equipe da Universidade do Sudeste fornecem uma validação contundente da superioridade do modelo RS. Em um cenário baseado no mercado de serviços auxiliares PJM, o modelo RS foi comparado com SO, RO e DRO em 1.000 diferentes cenários de teste. Os resultados foram conclusivos. O modelo RS não apenas gerou o lucro líquido médio mais alto, mas também exibiu a menor variabilidade em seus resultados. Em comparação direta com o modelo DRO, considerado um padrão-ouro, o RS aumentou o lucro real obtido em um impressionante 76,92%, enquanto reduzia o desvio padrão em 11,05%. O dado mais revelador foi que, ao avaliar o desempenho do DRO nas mesmas condições, seu lucro foi 130,79% mais baixo do que o do RS. Essa disparidade demonstra que a teoria robusta pode não se traduzir em um desempenho prático superior, e que a abordagem RS, ao focar na robustez do resultado, é mais eficaz.
Além da rentabilidade, o modelo RS também se destaca na qualidade do serviço. A regulação de frequência, um serviço crítico para manter a estabilidade da rede, é remunerada não apenas pela capacidade oferecida, mas também pela precisão com que o sinal de controle é seguido. O modelo RS alcançou uma pontuação de precisão média de 91,27%, com flutuação mínima. Em contraste, o modelo SO mostrou a pontuação mais baixa e a maior volatilidade, tornando-o inadequado para mercados com penalidades severas por baixo desempenho. Essa confiabilidade é essencial para os agregadores, pois lhes permite cumprir seus contratos e manter uma reputação sólida no mercado.
O verdadeiro salto qualitativo da pesquisa, no entanto, é a co-otimização dos veículos elétricos e das estações base 5G. O estudo compara três cenários: operar apenas com veículos elétricos, apenas com estações base, e uma frota combinada. Os resultados mostram um claro efeito de sinergia. A soma das receitas dos dois recursos operando de forma independente foi de 1.548,89 dólares. Quando foram gerenciados conjuntamente, a receita total subiu para 2.012,47 dólares, um aumento de 29,93%. Esse ganho substancial deriva de uma complementaridade temporal fundamental entre os dois tipos de recursos.
As estações base 5G têm sua maior demanda de energia durante os horários de pico do tráfego de dados, principalmente no final da tarde e à noite. Durante esses períodos, sua capacidade de armazenamento deve reservar energia para garantir a continuidade do serviço, o que limita sua flexibilidade para participar do mercado. Paralelamente, muitas pessoas retornam do trabalho no final da tarde e conectam seus veículos elétricos. Suas baterias, muitas vezes parcialmente descarregadas, têm um grande potencial para absorver energia (regulação descendente) ou, se tiverem carga suficiente, para injetar energia na rede (regulação ascendente). Na madrugada, quando o tráfego de dados é baixo e as estações base têm maior capacidade de manobra, a maioria dos veículos elétricos já está completamente carregada e não pode absorver mais energia. Neste momento, a capacidade de reserva das baterias das estações base pode ser usada para estabilizar a rede, enquanto os veículos elétricos atuam como um suporte passivo.
Essa sincronização permite que o agregador atue de forma estratégica. Pode usar as baterias das estações base para absorver energia barata de fontes renováveis durante a noite e as baterias dos veículos para fornecer energia cara durante os horários de pico. A operação conjunta cria um sistema de equilíbrio interno. Se um recurso se aproxima de seus limites operacionais devido à sua participação no mercado, o outro pode compensar. Isso reduz a necessidade de comprar energia cara no mercado em tempo real para corrigir desequilíbrios, aumentando assim a eficiência geral e a rentabilidade do agregador.
Outra descoberta-chave é a flexibilidade no perfil de potência base. As estratégias tradicionais focam no arbitragem de preços, comprando barato e vendendo caro. No entanto, o modelo RS revela uma estratégia mais sofisticada: ajustar o perfil de potência base não apenas para aproveitar as diferenças de preço, mas também para permitir ofertas de regulação de frequência mais rentáveis. Por exemplo, aumentar a descarga durante um período de preços baixos pode parecer contraproducente, mas se isso permitir que o agregador ofereça uma maior capacidade de regulação descendente quando os preços forem altos, o benefício líquido superará o custo da energia. Essa manobra estratégica só é possível graças à redundância e à capacidade de equilíbrio que o sistema combinado fornece.
O modelo RS também é notável por sua adaptabilidade ao risco. Um agregador pode ajustar seu lucro-alvo para alinhar-se com sua tolerância ao risco. Um alvo alto leva a ofertas mais agressivas, com maior potencial de lucro, mas também maior volatilidade. Um alvo mais conservador produz uma operação mais estável e confiável, com uma pontuação de regulação mais alta. Essa capacidade de ajuste permite que o modelo se adapte a diferentes tipos de participantes no mercado, desde empresas de capital de risco até operadores de serviços públicos que priorizam a confiabilidade.
Em conjunto, este estudo não é apenas um avanço técnico, mas uma visão do futuro para as cidades inteligentes. Demonstra que a convergência da mobilidade elétrica e das telecomunicações de alta velocidade não é um mero fato tecnológico, mas uma oportunidade estratégica para construir sistemas energéticos mais resilientes, eficientes e sustentáveis. Ao quebrar as barreiras entre setores, a pesquisa de Zhang Xinyu abre o caminho para uma nova era de integração energética.
Zhang Xinyu, Departamento de Engenharia Elétrica, Universidade do Sudeste, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.2232