Home Energy Management under Tiered Peak Power Charges

Este artigo propõe uma política de controle preditivo baseado em modelo (MPC) para gerenciar a operação de baterias em residências conectadas à rede e minimizar custos elétricos sob tarifas de pico escalonadas, demonstrando experimentalmente que a solução alcança um custo apenas 1,7% acima do limite teórico ótimo.

O essencial

Imagine que a sua casa é como um cozinha inteligente e a eletricidade é o ingrediente principal que você precisa para cozinhar o dia todo.

Este artigo de pesquisa é como um manual de receitas avançado para gerenciar essa cozinha de forma a gastar o mínimo possível, especialmente quando a conta de luz tem uma "pegadinha" chamada taxa de pico.

Aqui está a explicação simples, passo a passo:

1. O Problema: A "Pegadinha" da Conta de Luz

Na Noruega (onde o estudo foi feito), a conta de luz não é apenas sobre quanto você usa (como comprar 10 kg de farinha), mas também sobre o quão rápido você usa em certos momentos.

• Custo de Energia: Você paga pelo total de eletricidade consumida.
• Custo de Pico (A Pegadinha): A concessionária olha para os seus 3 dias mais intensos do mês. Se nesses dias você puxar muita energia de uma vez (como ligar o forno, a máquina de lavar e o ar-condicionado ao mesmo tempo), você paga uma multa extra muito cara. É como se o restaurante cobrasse mais caro se você pedisse 5 pratos ao mesmo tempo, mesmo que o total de pratos no mês fosse o mesmo.

2. A Solução Mágica: A Bateria (O "Pote de Conserva")

A casa tem uma bateria gigante (como um pote de conservas ou um tanque de água).

• Quando a energia está barata e você não precisa de muita (à noite), você enche o pote.
• Quando a energia está cara ou quando você precisa de muita (durante o dia), você usa o que está no pote, em vez de pedir mais da rua.

O objetivo é usar esse pote para "suavizar" o consumo, evitando os picos que geram a multa cara.

3. O Desafio: Prever o Futuro

O problema é que você não sabe exatamente quando vai cozinhar amanhã ou quando vai chover (o que afeta a produção de energia solar).

• A Visão de Oráculo (O Cenário Ideal): Os autores primeiro imaginaram um cenário onde temos uma bola de cristal. Sabemos exatamente o que vai acontecer nos próximos meses. Com essa bola de cristal, eles criaram um algoritmo perfeito que diz exatamente quando carregar e descarregar a bateria. Isso dá o custo mínimo possível (o "chão" da conta).
• A Realidade (O Controle MPC): Na vida real, não temos bola de cristal. Então, eles criaram um gerente de cozinha inteligente (chamado de Model Predictive Control ou MPC).
  • Esse gerente olha para o que está acontecendo agora.
  • Faz uma previsão simples do que vai acontecer nas próximas horas (baseado em padrões: "segundas-feiras são mais agitadas", "noite é mais barata").
  • Toma uma decisão rápida, executa, e depois olha novamente para o futuro, ajustando a rota. É como dirigir um carro olhando para a estrada à frente, mas apenas alguns metros, e corrigindo o volante constantemente.

4. A Analogia do "Trânsito"

Pense na rede elétrica como uma estrada:

• Custo de Energia: É o preço do combustível.
• Custo de Pico: É um pedágio caro que você paga se entrar na estrada em um horário de trânsito pesado (pico).
• A Bateria: É um estacionamento privado ao lado da estrada.
• O Algoritmo (MPC): É o seu GPS inteligente. Ele diz: "Não entre na estrada agora, está congestionado e caro. Espere 2 horas no estacionamento (bateria), quando o trânsito aliviar e o pedágio ficar barato".

O algoritmo é tão esperto que consegue prever os "engarrafamentos" de energia (picos de consumo) e evita entrar neles, mesmo sem ter uma bola de cristal perfeita.

5. Os Resultados: Quão Bom é Isso?

Eles testaram isso em uma casa real em Trondheim, na Noruega, usando dados reais de 2022.

• Sem bateria: A conta foi de 25.052 coroas.
• Com a bateria e o algoritmo perfeito (bola de cristal): A conta cairia para 21.204 coroas (economia de 15%).
• Com a bateria e o algoritmo inteligente (MPC) na vida real: A conta foi de 21.568 coroas.

O Grande Truque: O algoritmo inteligente conseguiu uma economia quase idêntica à da "bola de cristal" (apenas 1,7% a mais de custo). Ou seja, ele é extremamente eficiente, economizando cerca de 14% da conta anual apenas gerenciando a bateria.

Resumo Final

Este paper mostra que, mesmo sem saber o futuro, um computador pode gerenciar uma bateria doméstica de forma tão inteligente que quase iguala o desempenho de quem tivesse uma bola de cristal. Ele evita os "picos" caros da conta de luz, economizando dinheiro real para o dono da casa, usando uma lógica que combina previsões simples com decisões rápidas.

É como ter um cozinheiro pessoal que sabe exatamente quando comprar os ingredientes e quando cozinhar para pagar o menor preço possível, evitando os horários de "hora do rush" na cozinha.

Resumo técnico

Resumo Técnico: Gestão de Energia Residencial sob Tarifas de Potência Pico Escalonadas

1. Problema Investigado

O artigo aborda o desafio de otimizar a operação de baterias em residências conectadas à rede elétrica, visando minimizar o custo total da eletricidade. O cenário considera uma estrutura tarifária específica, implementada na Noruega em 2022, que combina:

• Carga de Energia: Baseada no consumo total, incluindo preços de uso no tempo (ToU) e preços de atacado de um dia antes (day-ahead).
• Carga de Potência Pico (Tiered Peak Power Charge): Diferente das tarifas tradicionais baseadas no pico máximo absoluto, esta tarifa aplica uma cobrança escalonada (piecewise-constant) baseada na média das N maiores potências diárias de um mês (tipicamente $N=3$).

O objetivo é controlar a carga e descarga da bateria para reduzir simultaneamente o custo da energia consumida e a penalidade por picos de potência, enfrentando a não convexidade introduzida pela estrutura de tarifas escalonadas.

2. Metodologia

A. Modelagem do Sistema
O sistema é modelado com variáveis horárias ($t = 1, \dots, T$), incluindo:

• Equilíbrio de Potência: $p_t + d_t - l_t - c_t = 0$, onde $p_t$ é a potência da rede, $l_t$ a carga líquida (incluindo PV), $c_t$ a carga da bateria e $d_t$ a descarga.
• Dinâmica de Armazenamento: Modelada com eficiências de carga, descarga e auto-descarga, sujeita a limites de capacidade ($Q$) e taxas ($C, D$).
• Função de Custo: A soma do custo linear de energia e o custo não convexo da potência pico, definido por uma função de degrau $\phi(z_k)$, onde $z_k$ é a média dos $N$ maiores picos diários do mês $k$.

B. Abordagem de Solução
O problema é formulado como um Programa Linear Inteiro Misto (MILP) devido à natureza da função de custo escalonada e às variáveis binárias necessárias para atribuir cada mês a um "tier" (nível) de custo.

1. Problema Presciente (Prescient Problem):

   • Assume conhecimento perfeito (foresight) de todas as cargas futuras e preços de atacado.
   • Resolve o MILP globalmente para obter um limitante inferior (lower bound) do custo mínimo possível.
   • Implementado usando a linguagem de domínio específico CVXPY e solucionadores como Gurobi.

2. Política de Controle Preditivo por Modelo (MPC):

   • Projetado para operação em tempo real, onde apenas dados passados e previsões futuras estão disponíveis.
   • Em cada passo de tempo, o MPC resolve um problema de otimização sobre um horizonte finito ($H$) usando previsões de carga e preços.
   • Aplica apenas a primeira ação (carga/descarga) e repete o processo no próximo passo com informações atualizadas.
   • O horizonte de previsão é tipicamente de 30 dias (cobrindo um mês de faturamento) para capturar a dinâmica das tarifas de pico.
   • Alternativa de Enumeração LP: Como o número de "tiers" é pequeno, o artigo propõe uma alternativa eficiente ao MILP: enumerar todas as combinações possíveis de tiers para os meses no horizonte, fixando as variáveis inteiras e resolvendo apenas Programas Lineares (LPs), selecionando a solução de menor custo.

C. Previsão (Forecasting)
O MPC utiliza um método de Previsão de Linha de Base e Resíduo (Baseline-Residual):

• Linha de Base: Captura padrões sazonais (diurnos, semanais, anuais) usando uma soma de sinusoides (série de Fourier). Os coeficientes são ajustados minimizando uma perda de "pinball" (quantil) com regularização $L_2$.
• Resíduo: Modela desvios de curto prazo usando um modelo Autorregressivo (AR) treinado sobre os resíduos da linha de base.

3. Contribuições Principais

• Formulação de Tarifa Escalonada: É um dos primeiros trabalhos a abordar especificamente a estrutura de tarifa norueguesa baseada na média dos $N$ maiores picos diários, que introduz não convexidade e exige variáveis inteiras.
• Estratégia de Controle Híbrida: Desenvolvimento de uma política MPC que lida eficazmente com a não convexidade através de MILP ou enumeração de LPs, garantindo viabilidade computacional.
• Análise de Limites de Desempenho: Estabelecimento de um benchmark rigoroso (solução presciente) para avaliar a eficácia de políticas implementáveis em tempo real.
• Validação com Dados Reais: Uso de dados reais de uma residência em Trondheim, Noruega, cobrindo três anos (2020-2022), incluindo dados de preços de atacado e cargas horárias.

4. Resultados Experimentais

Os experimentos foram conduzidos com uma bateria de 40 kWh.

• Comparação de Custos (Ano 2022):

  • Sem Armazenamento: Custo total de 25.052 NOK.
  • Política Presciente (Ideal): Custo de 21.204 NOK (Economia de 15,4%).
  • MPC Proposto: Custo de 21.568 NOK (Economia de 13,9% em relação à base sem bateria).
  • Gap de Desempenho: O MPC opera a apenas 1,7% acima do limite inferior presciente, demonstrando alta eficiência apesar da incerteza nas previsões.

• Comparações com Políticas Simples:

  • Corte de Pico (Peak Shaving): Reduz apenas o custo de pico, mas ignora arbitragem de energia, resultando em economia de apenas 5,2%.
  • Arbitragem de Energia: Foca apenas em preços baixos, mas acaba aumentando drasticamente o custo de pico (subindo para o tier 5), resultando em um custo total maior que o cenário sem bateria (-3,3% de economia).
  • MPC (Energia apenas): Ignora a penalidade de pico, resultando em economia de apenas 1,6%.
  • Conclusão: A otimização conjunta de energia e picos é crucial; políticas ingênuas podem aumentar os custos.

• Análise de Sensibilidade:

  • Horizonte de Planejamento: Um horizonte de 30 dias (1 mês) é ideal. Horizontes menores (ex: 1 dia) falham em antecipar custos de pico mensais.
  • Parâmetro N: A diferença entre otimizar para $N=1$ (pico máximo) e $N=3$ (média dos 3 maiores) é mínima, indicando robustez da estratégia.
  • Método de Previsão: A adição do componente AR à linha de base melhora a previsão de picos de carga, reduzindo o custo de pico em cerca de 0,4%, embora a linha de base sozinha capture bem os padrões de preço.

5. Significado e Impacto

Este trabalho é significativo para a transição energética residencial, especialmente em mercados que estão migrando de tarifas de energia puras para tarifas com componentes de demanda/pico.

• Viabilidade Técnica: Demonstra que é possível gerenciar baterias residenciais de forma eficiente sob tarifas complexas e não convexas usando otimização matemática avançada (MILP/MPC) em hardware comum (laptop).
• Economia para o Consumidor: Prova que o controle inteligente de baterias pode gerar economias substanciais (cerca de 14%) e evitar o aumento de custos associado a estratégias de controle simples.
• Estabilidade da Rede: Ao reduzir os picos de demanda agregada das residências, essas políticas ajudam a adiar investimentos em upgrades de infraestrutura da rede elétrica.

Em suma, o artigo fornece um quadro robusto e validado empiricamente para a gestão de energia residencial em um futuro com tarifas dinâmicas e escalonadas.