Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

Resumo Técnico: Redução de Pico de Potência em Estações de Carregamento de VE no Local de Trabalho via Otimização Conjunta de Preço e Potência

1. Problema

O artigo aborda o desafio financeiro e operacional enfrentado por operadores de estações de carregamento de veículos elétricos (VE) em locais de trabalho. O principal obstáculo é a tarifa de demanda (demand charge), uma taxa de utilidade baseada no pico de consumo de potência registrado durante um ciclo de faturamento (geralmente mensal).

• Impacto Financeiro: As tarifas de demanda podem representar de 30% a 70% da conta total de energia comercial nos EUA.
• Desafio de Controle: A natureza estocástica das chegadas de VEs torna difícil gerenciar o pico. Mesmo com carregamento inteligente, uma chegada mal cronometrada em um dia movimentado pode elevar o pico de carga, aumentando drasticamente os custos.
• Limitação das Abordagens Atuais: Trabalhos anteriores focam apenas na otimização de potência ou em preços estáticos, sem considerar a necessidade de antecipar picos futuros ou incentivar ativamente o comportamento do usuário para selecionar serviços de carregamento controlável.

2. Metodologia

Os autores propõem um framework de Otimização Conjunta de Preço e Potência utilizando Controle Preditivo por Modelo (MPC) com capacidade de antecipação.

• Modelo de Decisão do Usuário:
  Ao chegar à estação, o usuário recebe duas opções de preço:

  1. REGULAR: Carregamento a potência máxima (incontrolável).
  2. SCHEDULED (Agendado): O carregamento é controlado pelo algoritmo para garantir a energia necessária até a saída, permitindo flexibilidade.
  3. LEAVE (Sair): O usuário opta por não carregar se os preços forem altos demais.
     O algoritmo utiliza um modelo de escolha discreta para prever a probabilidade de o usuário aceitar o serviço controlado com base nos preços oferecidos.

• Estratégias de Controle Propostas:
  O artigo compara uma solução de referência (Benchmark) com três abordagens melhoradas para reduzir a tarifa de demanda:

  1. Thresholding Iterativo (Limiar Rígido): Adiciona uma restrição dura ao pico de carga, relaxando-a iterativamente se o problema for inviável.
  2. Penalidade Softplus: Substitui a função de custo de demanda por uma função convexa (softplus) que penaliza suavemente a aproximação do pico atual, incentivando a redução antes que o limite seja atingido.
  3. MPC com Previsão (Proposta Principal): Incorpora previsões de séries temporais para antecipar chegadas futuras e picos de demanda. O algoritmo ajusta os preços e o perfil de potência não apenas para o momento atual, mas para o horizonte de previsão.
     • Modelos de Previsão Testados: Modelo ingênuo (sem novas chegadas), Regressão Linear (Elastic Net) e XGBoost.

• Objetivo da Otimização:
  Maximizar o lucro esperado do operador, minimizando simultaneamente os custos de energia (baseados em tarifas TOU - Time-of-Use) e a tarifa de demanda, enquanto se define o menu de preços ($z_{sch}$ e $z_{reg}$) e os perfis de potência.

3. Contribuições Principais

1. MPC Antecipatório: Desenvolvimento de um método de MPC que utiliza previsões de séries temporais para antecipar picos de demanda, permitindo decisões de controle mais proativas (ex: começar a carregar mais cedo em dias movimentados).
2. Flexibilidade via Precificação Dinâmica: Aumento da flexibilidade da carga ao usar preços dinâmicos para incentivar os usuários a escolherem o serviço "SCHEDULED", que é controlável pelo algoritmo.
3. Superioridade sobre o Benchmark: Demonstração de que a abordagem proposta supera algoritmos de otimização de estado da arte (não-MPC) na redução tanto da tarifa de demanda quanto dos custos operacionais totais.

4. Resultados

Os resultados foram validados através de uma simulação de Monte Carlo utilizando dados reais de 2.274 sessões de carregamento da plataforma SlrpEV (2023).

• Redução de Custos:

  • O algoritmo MPC reduziu a tarifa de demanda em aproximadamente 15-17% em comparação com o benchmark.
  • Houve uma redução adicional de ~1% nos custos de energia (TOU).
  • Redução Total de Custos: Aproximadamente 4,5% a 4,6% nos custos totais do operador.
  • As abordagens não-MPC (Threshold e Softplus) não conseguiram reduzir significativamente os custos totais.

• Comportamento do Controle:

  • O MPC antecipou dias movimentados, iniciando o carregamento mais cedo para evitar o pico de potência durante as horas de tarifa máxima.
  • O algoritmo ajustou os preços dinamicamente: cobrando preços mais altos para o serviço "REGULAR" durante picos e oferecendo descontos agressivos para o serviço "SCHEDULED" nas primeiras horas da manhã (6h-8h), criando uma base de carga controlável.

• Desempenho de Previsão vs. Redução de Pico:

  • Curiosamente, o modelo de previsão ingênuo (que assume nenhuma nova chegada além do perfil ótimo anterior) obteve a melhor redução de pico de potência, apesar de ter o maior erro quadrático médio (RMSE) de treinamento.
  • Isso sugere que a minimização do RMSE de previsão não é o único fator determinante para o sucesso do MPC; a consistência entre a distribuição dos dados de treinamento e a operação real do controlador é crucial.

5. Significância e Conclusões

• Viabilidade Técnica e Econômica: O estudo demonstra que a otimização conjunta de preço e potência é tecnicamente viável e economicamente benéfica. Os custos economizados podem ser usados para aumentar o lucro do operador ou oferecer preços mais baixos aos clientes.
• Escalabilidade: Embora o estudo tenha sido feito em uma estação pequena (8 carregadores), os autores argumentam que a abordagem seria ainda mais eficaz em grandes frotas ou conjuntos de estações devido à Lei dos Grandes Números, que suavizaria as curvas de carga e melhoraria a precisão das previsões.
• Limitações e Trabalhos Futuros:
  • A simulação assumiu que os usuários já decidiram carregar (não modelou completamente a opção "LEAVE" na simulação de Monte Carlo, apenas na otimização).
  • Existe um problema de "referência circular" ao treinar modelos de previsão com dados gerados pelo próprio MPC, o que requer pesquisa futura.
  • A implementação prática em larga escala e testes com comportamento humano real são os próximos passos necessários.

Em suma, o artigo prova que a combinação de preços dinâmicos para moldar o comportamento do usuário com algoritmos de controle preditivo é uma estratégia superior para mitigar custos de demanda em estações de carregamento corporativo.