🤖 AI

A Grid-Aware Agent-Based Model for Analyzing Electric Vehicle Charging Systems

Este artigo apresenta um Modelo Baseado em Agentes configurável e consciente da rede, implementado em Python, para analisar sistematicamente como restrições de infraestrutura, comportamentos dos usuários e estratégias de coordenação influenciam tanto o desempenho ao nível do serviço quanto a carga agregada da rede em sistemas de carregamento de veículos elétricos.

Autores originais: Khalil Al-Rahman Youssefi, Marija Gojkovic, Walter Stefanutti, Mika Auer, Melanie Schranz

Publicado 2026-05-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Khalil Al-Rahman Youssefi, Marija Gojkovic, Walter Stefanutti, Mika Auer, Melanie Schranz

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 um prédio de escritórios movimentado onde todos dirigem carros elétricos (VEs). O prédio tem uma quantidade limitada de eletricidade que pode ser retirada da rede elétrica principal a qualquer momento e possui um estacionamento com estações de carregamento. A questão que os autores fizeram é: Como organizamos o carregamento para que todos tenham seus carros carregados sem queimar um fusível ou desperdiçar dinheiro em equipamentos caros?

Para responder a isso, os pesquisadores construíram uma "caixa de areia" digital (uma simulação) usando um método chamado Modelagem Baseada em Agentes. Pense nisso como um videogame onde cada carro, cada estação de carregamento e a própria rede elétrica é um personagem com sua própria personalidade e regras.

Aqui está uma análise do estudo deles usando analogias simples:

1. Os Personagens na Simulação

Os Carros (Agentes): Cada carro é um personagem independente. Eles chegam em horários diferentes (como funcionários entrando), estacionam por um período específico (seu horário de trabalho) e precisam de uma quantidade específica de energia para chegar em casa. Eles não conversam entre si; apenas seguem seu próprio cronograma.
As Colunas de Carregamento (As Estações): Estas são os "servidores" no estacionamento. O estudo testou dois tipos:
- Carregadores Lentos (CLs): Como uma tomada de cozinha padrão. São mais baratos, mas enchem a bateria do carro lentamente.
- Carregadores Rápidos (CRs): Como uma mangueira de incêndio de alta pressão. Enchem o carro muito rapidamente, mas são caros e exigem uma quantidade enorme de energia da rede.
A Caixa de Areia de Energia (O Gestor da Rede): Este é o "porteiro" na porta. Ele controla a quantidade total de eletricidade que todo o prédio pode usar de uma só vez. Se muitos carros tentarem carregar exatamente no mesmo segundo, a Caixa de Areia diz: "Ei, devagar", e coloca algumas solicitações em uma fila de espera.

2. As Regras do Jogo

Os pesquisadores testaram duas maneiras diferentes de decidir quem pode carregar quando:

Primeiro a Chegar, Primeiro a Ser Atendido (FCFS): O carro que conecta primeiro recebe a energia. Ele continua carregando até ficar cheio ou até o motorista sair.
Compartilhamento de Tempo (SHRD): Imagine um grupo de amigos compartilhando uma única pizza. Em vez de uma pessoa comer tudo, todos recebem uma fatia, depois a próxima pessoa recebe uma fatia. A potência de carregamento é dividida em pequenos blocos de tempo, alternando entre todos os carros conectados.

3. O Grande Experimento

Eles executaram 12 cenários diferentes, alterando três coisas:

Quantos carros? (30, 60 ou 120 carros).
Que tipo de carregador? (Todos Lentos, ou todos Rápidos).
Qual regra? (Primeiro a Chegar ou Compartilhamento de Tempo).

Eles observaram quanto tempo levava para os carros obterem uma carga "suficientemente boa" (cerca de 9,36 kWh, o que é suficiente para um deslocamento típico) e quanto estresse isso colocava na rede elétrica.

4. O Que Eles Encontraram (Os Resultados)

A Armadilha do "Carregador Rápido"
O estudo descobriu que Carregadores Rápidos são frequentemente exagero para um local de trabalho.

A Analogia: Imagine tentar encher uma piscina com uma mangueira de incêndio. Sim, enche rápido, mas se você só precisa encher um balde, a mangueira de incêndio é apenas um desperdício de pressão de água e custa uma fortuna para instalar.
O Resultado: Quando usaram Carregadores Rápidos, a rede elétrica teve que lidar com picos enormes e súbitos de demanda (como um engarrafamento de eletricidade). No entanto, como os carros estavam estacionados por um dia inteiro de trabalho, os Carregadores Lentos podiam fazer o trabalho tão bem quanto, sem o estresse na rede. Os Carregadores Rápidos não faziam os carros saírem mais cedo de uma forma que importasse; apenas tornavam a conta de luz e os custos de infraestrutura muito mais altos.

O "Twist" do Compartilhamento de Tempo

A Analogia: Se você tem um carregador lento (uma mangueira de jardim pequena) e tenta compartilhá-lo entre 12 pessoas, alternando a cada poucos segundos, você gasta todo o seu tempo trocando a mangueira de uma pessoa para outra. Você gasta mais tempo "apertando as mãos" (troca) do que realmente regando.
O Resultado: A estratégia de Compartilhamento de Tempo funcionou razoavelmente bem quando havia poucos carros. Mas quando havia muitos carros e carregadores lentos, na verdade tornava as coisas mais lentas. O sistema ficava atolado alternando entre os carros, atrasando a todos.

A Realidade do "Ocioso"
Mesmo com 120 carros, as estações de carregamento estavam ociosas (sentadas vazias) cerca de 90% do tempo.

Por quê? Porque as pessoas estacionam por 8 horas, mas só precisam carregar por talvez 1 ou 2 horas. Os carros ficam apenas parados lá. Isso significa que a infraestrutura raramente está "cheia", então você não precisa do equipamento mais caro e de alta velocidade para lidar com a carga.

5. A Principal Conclusão

Se você está construindo uma estação de carregamento para um local de trabalho:

Não gaste demais com Carregadores Rápidos. Eles criam estresse desnecessário na rede elétrica e custam muito mais para construir, mas não oferecem um benefício real para funcionários que estacionam o dia todo.
Carregadores Lentos são o ponto ideal. São mais baratos, mais amigáveis para a rede e fazem o trabalho perfeitamente bem para um dia de trabalho típico.
Mantenha simples. Regras complexas de "compartilhamento" podem na verdade atrasar as coisas se você tiver muitos carros e pouca energia.

Resumo

O artigo essencialmente diz: Você não precisa de um motor de Ferrari para ir trabalhar. Um motor confiável e mais lento (Carregador Lento) é frequentemente a escolha mais inteligente, mais barata e mais amigável para a rede para o deslocamento diário, desde que você tenha tempo suficiente para estacionar. A simulação prova que "maior e mais rápido" nem sempre é melhor quando o objetivo é apenas encher o tanque até o final do dia.

1. Declaração do Problema

A eletrificação rápida da mobilidade introduz desafios operacionais significativos para as redes de distribuição elétrica e a infraestrutura de carregamento. Diferentemente das cargas convencionais, a demanda de carregamento de Veículos Elétricos (VE) é estocástica, impulsionada por padrões de mobilidade humana, características heterogêneas dos veículos e restrições temporais. O carregamento não gerenciado pode levar a:

Picos de demanda de alta potência sincronizados.
Congestionamento nas instalações de carregamento.
Violações dos limites operacionais da rede (por exemplo, sobrecarga de transformadores, desvios de tensão).

As soluções existentes frequentemente carecem da capacidade de responder flexivelmente a condições energéticas dinâmicas ou falham em capturar as interações complexas e descentralizadas entre usuários individuais de VE, infraestrutura de carregamento e restrições da rede. Há uma necessidade de um framework de simulação que integre comportamento realista em nível de agente com limites explícitos de flutuação de potência para avaliar a adequação da infraestrutura e estratégias de coordenação.

2. Metodologia

Os autores propõem um Modelo Baseado em Agentes Consciente da Rede (ABM) implementado em Python utilizando o framework de simulação de eventos discretos SimPy. Esta abordagem evita as distorções numéricas associadas a simulações de passo de tempo fixo, utilizando processamento orientado a eventos.

Componentes Principais

Agentes VE: Representam veículos heterogêneos com tempos de chegada estocásticos, durações de estacionamento e demandas específicas de energia. Os agentes solicitam vagas de estacionamento e tornam-se elegíveis para carregamento após a conexão.
Colunas de Carregamento (CCs): Nós de infraestrutura com um número fixo de portas (definido como 4 no estudo) e classificações de potência máxima. Dois tipos são modelados:
- Colunas de Carregamento Lento (SCC): 11 kW.
- Colunas de Carregamento Rápido (FCC): 48 kW.
- Restrição: Apenas um veículo é carregado ativamente por coluna a qualquer momento, mesmo que múltiplos estejam conectados.
Caixa de Areia de Energia (ES): Um gerenciador de recursos em nível de instalação que regula a alocação agregada de potência. Ela impõe um limite global de potência ( $P_{max}^{ES}$ ) e gerencia solicitações de potência das CCs. Atua como um proxy para restrições da rede e pode fornecer sinais exógenos (por exemplo, preços de energia, disponibilidade de PV) para estratégias avançadas futuras.
Lógica de Interação:
- Aperto de Mão (Handshake): Um atraso de comutação ( $T_{hs} = 32$ segundos) ocorre quando uma CC alterna entre veículos.
- Fila: Se a ES não puder conceder uma solicitação de potência devido a limites de capacidade, as solicitações são colocadas em fila de maneira Primeiro a Chegar, Primeiro a Ser Atendido (FCFS).
- Estratégias: O estudo compara duas estratégias de agendamento de base:
  1. FCFS: Veículos são carregados sequencialmente com base no tempo de conexão.
  2. Compartilhamento de Tempo (SHRD): Veículos compartilham o recurso de carregamento de forma cíclica, round-robin, dentro de intervalos de preço.

Configuração Experimental

O modelo foi testado usando um cenário representativo de carregamento no local de trabalho (uso médio de funcionários):

Chegada: Janela matinal (06:00–08:00).
Demanda: ~9,36 kWh por veículo (baseado em um deslocamento de 26 km).
Estacionamento: 8–9 horas.
Variáveis: Escala do sistema (30, 60, 120 VEs), tipo de infraestrutura (FCC vs. SCC) e Estratégia de Agendamento (FCFS vs. SHRD).
Restrição da Rede: A capacidade da ES foi definida como 1 MW (não vinculante para estes cenários) para isolar os efeitos da infraestrutura e do agendamento, embora o framework suporte restrições vinculantes.

3. Principais Contribuições

Framework ABM Consciente da Rede Configurável: Um ambiente de simulação flexível e extensível que avalia conjuntamente indicadores de desempenho centrados no usuário (tempo de carregamento), centrados na infraestrutura (utilização) e centrados na rede (carga agregada).
Implementação de Eventos Discretos: Utilização do SimPy para garantir alta eficiência computacional e escalabilidade, evitando as imprecisões de simulações com passo de tempo.
Fundamento Metodológico: Fornece uma base para pesquisas futuras sobre mecanismos de coordenação avançados (por exemplo, auto-organização, estratégias baseadas em aprendizado) ao desacoplar o comportamento do agente de restrições específicas da rede.
Análise Comparativa: Uma avaliação sistemática de como a composição da infraestrutura (FCC vs. SCC) e as estratégias de agendamento impactam o desempenho do sistema sob níveis de carga variáveis.

4. Principais Resultados

O estudo analisou 12 configurações experimentais através de 30 execuções de simulação cada.

Desempenho de Entrega de Energia (TTR9.36):
- Carga Baixa (30 VEs): Tanto FCC quanto SCC performaram de forma similar; a demanda de carregamento não saturou a capacidade.
- Carga Alta (120 VEs): FCC reduziu os tempos de carregamento individuais, mas introduziu sobrecarga significativa de comutação (apertos de mão) sob a estratégia SHRD, levando a tempos totais de entrega mais longos em comparação com FCFS.
- SCC vs. FCC: Embora as SCCs tivessem tempos de carregamento mais longos devido à potência mais baixa, elas permaneceram suficientes para a janela de estacionamento de 8–9 horas.
Utilização da Infraestrutura:
- As colunas de carregamento estavam predominantemente ociosas (aproximadamente 90% do tempo) em todas as configurações, porque o tempo de carregamento necessário ( $t_{chg}$ ) era muito mais curto que a duração do estacionamento ( $T_p$ ).
- Sobrecarga SHRD: Sob carga alta com SCCs, a estratégia SHRD aumentou significativamente a fração de "aperto de mão" (tempo de comutação) sem melhorar a taxa de transferência de carregamento, tornando-a menos eficiente que FCFS em configurações de baixa potência.
Impacto na Rede (Carga Agregada):
- FCC: Gerou picos de potência substancialmente mais altos (até ~960 kW para 120 VEs) e taxas de subida mais íngremes, causando estresse amplificado na rede.
- SCC: Mantive níveis de potência mais suaves e baixos (~330 kW para 120 VEs).
- Custo-Benefício: O estudo conclui que, para cenários de local de trabalho, os altos custos de capital e de integração à rede das FCCs não são justificados por benefícios operacionais, pois as SCCs atendem às necessidades dos usuários sem induzir picos excessivos na rede.
Descompasso Temporal:
- Estratégias tradicionais (como FCFS) concentram o carregamento pela manhã, criando um descompasso com a disponibilidade de PV e sinais de preço ao meio-dia, destacando a necessidade de coordenação mais inteligente e consciente de sinais.

5. Significado

Planejamento de Infraestrutura: Os resultados sugerem que, para carregamento típico em local de trabalho, Colunas de Carregamento Lento (SCCs) são uma solução mais custo-efetiva e amigável à rede do que Colunas de Carregamento Rápido (FCCs), pois evitam picos de rede desnecessários enquanto atendem às necessidades dos usuários.
Agendamento Estratégico: O estudo demonstra que estratégias de agendamento simples (FCFS) frequentemente superam estratégias de compartilhamento complexas (SHRD) em configurações de infraestrutura de baixa potência devido à redução da sobrecarga de comutação.
Utilidade de Pesquisa: O ABM proposto serve como uma fundação robusta e de código aberto para futuros estudos sobre estratégias de carregamento descentralizadas, auto-organizadas e baseadas em aprendizado. Permite que pesquisadores testem como esses algoritmos avançados podem mitigar o estresse da rede e alinhar o carregamento com a geração renovável sem serem limitados pelos cenários específicos analisados neste artigo.
Escalabilidade: A natureza orientada a eventos do modelo garante que ele possa escalar para sistemas grandes e restrições complexas da rede, tornando-o adequado para aplicações de gêmeo digital e análise de políticas.