⚡ electrical engineering

Risk-Aware Multi-Market Scheduling of Virtual Power Plants with Dynamic Network Tariffs

Este artigo propõe um framework de otimização estocástica em duas etapas para Usinas Virtuais de Energia que integra restrições detalhadas de dispositivos e rede com lances em múltiplos mercados conscientes de risco e tarifas de rede dinâmicas, demonstrando que, embora as tarifas dinâmicas liberem flexibilidade local, sinais tarifários fortes podem reduzir significativamente a lucratividade esperada, apesar de mitigar a volatilidade dos lucros.

Autores originais: Lorenzo Zapparoli, Paul Fäth, Blazhe Gjorgiev, Giovanni Sansavini

Publicado 2026-04-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lorenzo Zapparoli, Paul Fäth, Blazhe Gjorgiev, Giovanni Sansavini

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma Usina Virtual de Energia (VPP) não como uma fábrica gigante com chaminés, mas como um gerente de bairro inteligente e superorganizado. Este gerente não possui nenhuma usina de energia; em vez disso, ele controla uma coleção de coisas cotidianas em um bairro: painéis solares no telhado, carregadores de carros elétricos, baterias domésticas e bombas de calor.

O objetivo deste artigo é descobrir a melhor maneira para este "gerente de bairro" vender eletricidade e serviços à rede sem se meter em problemas, ao lidar com duas grandes dores de cabeça: incerteza (não sabemos exatamente quanto sol vai brilhar ou quantas pessoas vão carregar seus carros) e regras em mudança (o preço que a rede cobra pelo uso de seus fios varia ao longo do dia).

Aqui está como o artigo desmonta isso, usando analogias simples:

1. O Jogo de Duas Etapas: Planejamento vs. Ação

Os pesquisadores projetaram um plano de jogo de "duas etapas" para a VPP, semelhante a planejar uma viagem de carro:

Etapa 1 (O Dia Anterior): O gerente faz uma aposta. Ele olha a previsão do tempo e as previsões de preços e diz: "Prometo vender 100 unidades de energia amanhã a este preço, e prometo ter 50 unidades prontas para ajudar a rede se ela ficar instável". Ele trava essas apostas no mercado.
Etapa 2 (O Dia): A realidade bate. Talvez o sol tenha sido mais fraco do que o esperado, ou um vizinho tenha ligado seu carro elétrico mais cedo do que o planejado. Agora, o gerente precisa agir. Ele decide quais baterias descarregar, quais bombas de calor reduzir e como corrigir quaisquer erros (chamados de "desequilíbrios") para evitar pagar multas.

O artigo usa uma estrutura matemática para garantir que as apostas feitas na Etapa 1 sejam inteligentes o suficiente para lidar com as surpresas da Etapa 2.

2. O Negócio Arriscado: Ser "Neutro ao Risco" vs. "Avesso ao Risco"

O artigo compara duas personalidades diferentes para o gerente do bairro:

O Gerente Neutro ao Risco (O Apostador): Este gerente diz: "Vou correr o maior risco para ganhar mais dinheiro". Ele aposta pesadamente na venda de energia quando os preços parecem altos.
- O Resultado: Quando a aposta dá certo, ele ganha muito dinheiro. Mas quando o clima ou o comportamento do usuário o surpreendem, ele acaba com multas enormes por não entregar o que prometeu. Seu lucro diário é como uma montanha-russa — oscilações selvagens para cima e para baixo.
O Gerente Avesso ao Risco (O Conservador): Este gerente diz: "Prefiro ganhar um pouco menos a perder muito". Ele usa uma ferramenta de segurança chamada CVaR (Valor em Risco Condicional), que é como uma apólice de seguro contra os piores cenários.
- O Resultado: Ele ganha menos dinheiro em média, mas seu lucro diário é muito estável. Ele evita a "montanha-russa" mantendo suas promessas mais próximas do que pode realmente entregar fisicamente.

O Trade-off: O estudo descobriu que ser "avesso ao risco" custa ao gerente cerca de 264 CHF em lucro potencial, mas o salva do estresse e do perigo financeiro de oscilações selvagens de lucro. Para alcançar essa segurança, o gerente avesso ao risco usa suas baterias muito mais frequentemente (146% a mais) para suavizar as coisas, agindo como um amortecedor para o bairro.

3. A Tarifa Dinâmica: O "Happy Hour" para Eletricidade

O artigo também testa o que acontece quando o operador da rede introduz Tarifas Dinâmicas de Rede. Pense nisso como o operador da rede mudando o preço de "usar a estrada" (os fios) ao longo do dia.

O Sinal: "É barato dirigir em nossas estradas entre 10h e 14h (tarifas baixas), mas é muito caro entre 17h e 21h (tarifas altas)."
A Reação: O gerente da VPP tenta deslocar o uso de energia do bairro para as "horas baratas". Ele carrega carros elétricos e faz as bombas de calor funcionarem durante o dia e desacelera à noite.
O Problema: O estudo encontrou uma zona "Dourada" (Goldilocks).
- Pequenas mudanças de preço (diferença de 10–20%) conseguem fazer as pessoas mudarem seus hábitos sem prejudicar muito os lucros da VPP.
- Grandes mudanças de preço (até 100% de diferença) forçam as pessoas a mudarem, mas na verdade destróem o lucro da VPP (em até 65%) porque o custo de comprar/vender energia torna-se muito caótico. A "flexibilidade" ganha não vale o dano financeiro.

4. O Segredo: Decomposição de Benders

A matemática por trás disso é incrivelmente complexa porque o gerente precisa rastrear 97 locais diferentes, centenas de dispositivos e 1.000 cenários diferentes de "e se" todos ao mesmo tempo. Um computador normal travaria tentando resolver isso.

Os autores usaram um truque chamado Decomposição de Benders. Imagine tentar resolver um quebra-cabeça gigante. Em vez de uma pessoa tentar encaixar todas as 10.000 peças de uma vez, você divide o quebra-cabeça em:

O Problema Mestre: Uma pessoa decide a imagem geral (as apostas).
Os Subproblemas: Muitas pessoas trabalham em seções pequenas e separadas (os cenários específicos) em paralelo.
Eles passam notas de um para o outro até que a imagem inteira se encaixe. Isso permitiu que os pesquisadores executassem uma simulação muito detalhada e realista que seria impossível de outra forma.

Resumo

O artigo conclui que:

A segurança compensa: Ser cauteloso (avesso ao risco) torna a Usina Virtual de Energia mais confiável e menos volátil, mesmo que signifique um lucro ligeiramente menor.
Baterias são essenciais: Para permanecer seguro, a VPP precisa usar suas baterias de forma mais agressiva para equilibrar erros.
Não exagere nos sinais de preço: Os operadores da rede podem incentivar as pessoas a usar energia em momentos diferentes alterando os preços, mas se as mudanças de preço forem extremas demais, isso prejudica a lucratividade do sistema sem ganhar muita flexibilidade extra.

Em resumo, o artigo fornece um plano para como operar uma rede de energia de bairro que é inteligente, segura e lucrativa, mesmo quando o clima e o comportamento humano são imprevisíveis.

1. Declaração do Problema

O artigo aborda o desafio de agendar Usinas Virtuais de Energia (VPPs) compostas por Recursos Energéticos Distribuídos (DERs) em um ambiente de mercado elétrico cada vez mais complexo. À medida que a penetração de renováveis cresce, as VPPs devem navegar por:

Participação em Múltiplos Mercados: Participação simultânea em mercados sequenciais (Energia Dia-Antecipado, Capacidade de Reserva e Ativação de Reserva/Desequilíbrio).
Incerteza: Volatilidade na geração renovável, demanda de carga, comportamento do usuário (ex.: carregamento de VE) e preços de mercado.
Restrições de Rede: A necessidade de respeitar limitações físicas da rede (limites de tensão e térmicos) no nível de distribuição, que são frequentemente ignoradas em modelos agregados.
Tarifas de Rede Dinâmicas: O mecanismo regulatório emergente onde os Operadores do Sistema de Distribuição (DSOs) utilizam tarifas variáveis no tempo para gerenciar congestionamentos locais, adicionando uma camada de sinais de preços distinta dos preços de mercado.

Lacunas de Pesquisa: A literatura existente frequentemente depende de modelos de DER altamente agregados, topologias de rede simplificadas ou ignora o impacto conjunto de tarifas dinâmicas e licitações de mercado sob incerteza. Além disso, poucos modelos incorporam explicitamente preferências de risco (aversão ao risco) juntamente com restrições detalhadas ao nível do dispositivo e física da rede.

2. Metodologia

Os autores propõem uma estrutura de otimização estocástica de dois estágios projetada para co-otimizar licitações de mercado e despacho físico.

A. Formulação Matemática

Estrutura de Decisão:
- Estágio 1 (Dia-Antecipado): O operador da VPP determina ofertas para o Mercado de Energia Dia-Antecipado e o Mercado de Capacidade de Reserva. Essas decisões são tomadas antes que a incerteza se realize.
- Estágio 2 (Dia de Entrega): O operador despacha DERs individuais, oferece licitações no mercado de Ativação de Reserva e gerencia desequilíbrios com base em cenários realizados (preços, geração, carga).
Função Objetivo: O modelo minimiza um funcional de risco $R[\cdot]$ $R [\cdot]$ aplicado ao custo operacional total.
- Neutro ao Risco: Minimiza o Valor Esperado ( $E[\cdot]$ ).
- Avesso ao Risco: Minimiza o Valor Condicional em Risco (CVaR) em um nível de confiança $\alpha$ (definido como 0,9). Isso foca em minimizar o custo médio dos piores cenários (risco de cauda).
Componentes de Custo: A função objetivo contabiliza receitas (Energia, Capacidade de Reserva, Ativação de Reserva) e custos (operações de DER, tarifas de rede, penalidades por desequilíbrio).

B. Restrições

Restrições Financeiras: Garantem consistência entre compromissos de mercado e despacho físico. Elas vinculam ofertas de dia-antecipado, ofertas de reserva e desequilíbrios reais.
Restrições Físicas:
- Rede: Modelada usando equações DistFlow linearizadas para capturar limites de tensão e fluxo em uma rede de distribuição radial.
- Nível de Dispositivo: Modelos detalhados para quatro tipos de DER:
  - Geradores Distribuídos (DG): Fatores de capacidade baseados no clima.
  - Bombas de Calor (HP): Dinâmica térmica (temperatura, capacitância) para manter o conforto.
  - Veículos Elétricos (VE): Eventos de carregamento, restrições de estado de carga (SoC) e capacidades de Veículo-para-Rede (V2G).
  - Armazenamento de Energia por Bateria (BESS): Eficiências de carga/descarga e restrições de SoC.
Modelagem de Incerteza: Utiliza uma abordagem baseada em cenários com 1.000 cenários gerados via Amostragem Hipercúbica Latina. Erros são modelados para irradiação solar, temperatura ambiente, comportamento de VE, perfis de carga e preços de mercado.

C. Algoritmo de Solução

Decomposição de Benders: Para lidar com a intratabilidade computacional de um programa estocástico monolítico com milhares de variáveis e restrições, os autores empregam a decomposição de Benders.
- Problema Mestre: Otimiza variáveis de primeiro estágio (ofertas) e variáveis de risco (CVaR).
- Subproblemas: Resolvem variáveis de segundo estágio (despacho) para cada cenário independentemente.
- Benefício: Isso permite computação paralela e torna o problema solucionável com grandes conjuntos de cenários e modelos de rede detalhados que, de outra forma, excederiam os limites de memória.

3. Contribuições Principais

Estrutura Integrada Consciente de Risco: Um modelo estocástico de dois estágios inovador que incorpora explicitamente o CVaR para gerenciar risco financeiro enquanto otimiza através de mercados de energia e serviços auxiliares.
Modelagem de Alta Resolução: Ao contrário de estudos anteriores que usam unidades agregadas, este modelo utiliza restrições ao nível do dispositivo para DERs heterogêneos (PV, HP, VE, BESS) acopladas com equações de fluxo de potência linearizadas para uma rede de baixa tensão realista.
Análise de Tarifas Dinâmicas: O primeiro estudo a analisar conjuntamente o impacto de tarifas de rede dinâmicas e participação de mercado na lucratividade da VPP e na provisão de flexibilidade sob incerteza.
Método de Solução Escalável: Demonstra a viabilidade de resolver programas estocásticos em grande escala (1.000 cenários, ~41M de variáveis) usando decomposição de Benders, superando as limitações de memória de formulações em forma extensa.

4. Resultados

O modelo foi testado em um estudo de caso realista de uma rede suíça de baixa tensão (97 barras, carga de pico de 150kW, 150kWp de PV, 85kW de HPs, 75kWh de BESS, 40 VEs).

A. Impacto da Aversão ao Risco

Lucro vs. Estabilidade: A estratégia neutra ao risco gerou um lucro esperado mais alto (22,1 CHF), mas com alta volatilidade (207,5 CHF). A estratégia avessa ao risco (CVaR) reduziu significativamente a volatilidade (31,0 CHF), mas resultou em um prejuízo esperado (-242,3 CHF) devido a licitações conservadoras.
Mudança Operacional: A estratégia avessa ao risco alinhou ofertas mais de perto com o despacho físico para evitar penalidades por desequilíbrio.
- Utilização de BESS: Aumentou em 146% em comparação com o caso neutro ao risco para proteger contra desequilíbrios.
- VE e HP: Pequenos aumentos em ciclagem e consumo para criar flexibilidade térmica.
Capacidade de Reserva: A VPP não ofertou no Mercado de Capacidade de Reserva devido a incentivos de preços desfavoráveis e à duração restritiva de reserva de 4 horas sob incerteza.

B. Impacto de Tarifas de Rede Dinâmicas

Deslocamento de Carga: Tarifas dinâmicas incentivaram com sucesso o deslocamento de carga. O consumo aumentou durante horas de tarifa baixa (10h–14h) e diminuiu durante horas de tarifa alta (17h–21h).
Retornos Decrescentes:
- Sinais Moderados (10–60%): Eficazes para deslocar carga com perda mínima de lucro.
- Sinais Fortes (>20% de aumento): Induziram ganhos adicionais limitados de flexibilidade, mas reduziram drasticamente a lucratividade esperada (até 65% de redução).
Conclusão: Embora tarifas dinâmicas liberem flexibilidade local, sinais excessivamente fortes erodem a viabilidade econômica da VPP sem fornecer benefícios operacionais proporcionais.

5. Significado e Conclusão

Este artigo fornece um avanço crítico no agendamento de VPPs ao preencher a lacuna entre estratégias de mercado de alto nível e restrições físicas de rede de baixo nível.

Para Operadores de Mercado: Destaca que estratégias avessas ao risco, embora menos lucrativas em média, fornecem despacho mais estável e confiável, reduzindo o estresse do sistema causado por desequilíbrios.
Para Formuladores de Políticas: Sugere que as tarifas de rede dinâmicas devem ser calibradas com cuidado. Sinais moderados podem gerenciar efetivamente o congestionamento, mas preços excessivamente agressivos podem destruir a lucratividade da VPP sem alcançar alívio adicional significativo na rede.
Trabalho Futuro: Os autores sugerem ir além de suposições independentes de erro Gaussiano (usando cópulas para riscos de cauda conjunta) e expandir a estrutura para incluir mercados intradiários.

O estudo demonstra que uma abordagem de alta fidelidade, consciente de riscos, é essencial para a integração confiável de recursos distribuídos em futuros sistemas elétricos.