Compound effects of traffic and climate on electric vehicle HVAC energy consumption: a spatiotemporal framework with city-level attribution

Resumo Técnico: Efeitos Combinados do Tráfego e do Clima no Consumo de Energia de Sistemas de HVAC em Veículos Elétricos

Declaração do Problema
O consumo de energia de veículos elétricos (VE) no mundo real frequentemente se desvia em 20–40% dos valores nominais, uma discrepância impulsionada por fatores externos, como temperatura ambiente e congestionamento de tráfego. Embora o aquecimento, ventilação e ar condicionado (HVAC) da cabine seja um contribuinte primário para essa lacuna, a literatura existente tipicamente avalia temperatura e tráfego de forma isolada ou sob condições estáticas. Essa separação falha em capturar o efeito combinado do clima e do tráfego que variam conjuntamente, deixando desconhecida a contribuição relativa de cada fator para a variabilidade de energia ao nível da rota. Consequentemente, ferramentas de estimativa de autonomia frequentemente tratam o HVAC como uma sobrecarga estática, falhando em explicar por que veículos idênticos em rotas idênticas consomem significativamente mais energia durante períodos de congestionamento ou por que cidades com climas comparáveis exibem intensidades de energia de HVAC vastamente diferentes. Este estudo aborda a lacuna na compreensão de como a duração da viagem induzida pelo tráfego e a temperatura ambiente influenciam conjuntamente a energia do HVAC, particularmente em ambientes urbanos densos onde a adoção de VEs é crítica.

Metodologia
Os autores desenvolveram um framework de simulação espaço-temporal que acopla velocidades de condução conscientes do tráfego, temperaturas ambientes específicas de local e hora, e submodelos de energia baseados em física ao nível do segmento. O framework integra três componentes principais:

1. Simulação de Energia do Veículo: Construído sobre a plataforma de código aberto FASTSim, o modelo computa a energia de tração utilizando parâmetros detalhados do veículo e ciclos de condução derivados do tráfego.
2. Dinâmica Térmica: Um modelo térmico de cabine agregado de primeira ordem 1R1C (governado por uma equação diferencial 1R1C) simula a temperatura do ar da cabine, a troca de calor com o ambiente e a lógica de controle do HVAC (feedforward + correção proporcional com zona morta). Um modelo agregado similar é aplicado ao gerenciamento térmico da bateria (BTMS).
3. Integração de Dados Espaço-Temporais: O framework utiliza um banco de dados local SQLite de temperaturas ambientes horárias (derivadas de dados de reanálise MERRA-2) e perfis de velocidade conscientes do tráfego obtidos via APIs de roteamento (por exemplo, Google Routes).

Para isolar e quantificar fatores, o estudo emprega um desenho experimental fatorial em sete cidades do Reino Unido e oito rotas radiais a partir de Manchester:

• Experimento Diurno: Isola efeitos temporais (hora de partida/tráfego) dentro de Londres.
• Loops Interurbanos: Examina o efeito combinado do clima regional e do tráfego urbano em sete cidades.
• Experimento Radial: Mantém a temperatura quase constante enquanto varia os tipos de rede viária (autoestrada vs. estradas A) para isolar efeitos espaciais.

Um método de decomposição baseado em regressão é então aplicado para atribuir a variabilidade de energia do HVAC aos componentes de temperatura e duração da viagem, gerando um modelo de previsão de forma fechada.

Principais Contribuições

1. Framework Espaço-Temporal Acoplado: O estudo introduz uma simulação ao nível do segmento que propaga conjuntamente estados térmicos e cinemáticos, capturando a penalidade combinada onde o congestionamento estende a duração das cargas térmicas.
2. Desenho Experimental Fatorial: O desenho abrange sistematicamente o domínio espaço-tempo, utilizando o experimento radial para isolar, pela primeira vez, as contribuições da rede viária para a energia do HVAC, mantendo a temperatura constante.
3. Decomposição de Energia: Um método de atribuição baseado em regressão separa as contribuições da temperatura ambiente e da duração da viagem (determinada pelo tráfego e tipo de estrada) para a variabilidade de energia do HVAC em base por rota.
4. Modelo de Previsão Prático: A derivação de um modelo parcimonioso de forma fechada que estima a energia do HVAC utilizando apenas três entradas: temperatura ambiente, velocidade média e distância da viagem. Este modelo oferece interpretabilidade física e custo computacional negligenciável.

Resultados

• Domínio do HVAC no Inverno: Embora o consumo total de energia tenha variado 14% entre as sete cidades do Reino Unido, o componente HVAC variou até 89%. O gerenciamento térmico da cabine foi identificado como o principal diferenciador entre rotas sob condições de inverno.
• Tráfego vs. Temperatura: Em Londres, 83% da energia do HVAC acima da média foi atribuída ao tempo de viagem estendido pelo congestionamento, em vez de temperaturas ambientes mais baixas. Inversamente, no experimento radial, as características da rede viária (e as variações de velocidade resultantes) responderam por 92% da variação direcional na energia do HVAC, enquanto a temperatura contribuiu com menos de 8%.
• Sensibilidade Não Linear à Velocidade: A energia do HVAC por unidade de distância exibe uma forte dependência não linear da velocidade ($1/v$). Abaixo de 40 km/h, a energia é altamente sensível a reduções de velocidade; acima de 60 km/h, o benefício marginal de aumentos adicionais de velocidade diminui rapidamente.
• Desempenho do Modelo: O modelo de previsão derivado ($E_{hvac} = 0,85 + (1,23 - 0,10 \times T_{amb}) \times D/v$) explicou 99,0% da variância da energia do HVAC em 15 rotas de inverno diversas. O modelo identifica uma sobrecarga fixa de partida a frio de aproximadamente 0,85 kWh por viagem.
• Variação Sazonal: A energia do HVAC diminuiu de uma média de inverno de 2,44 kWh para 0,45 kWh no verão (uma redução de 82%), seguindo uma curva suave que se aproxima de zero perto de 17°C.

Significado e Alegações
O artigo alega que a variabilidade da autonomia dos VEs é substancialmente moldada pelas condições de tráfego e pelas características da rede viária, não apenas pelo clima. O estudo argumenta que tratar o HVAC como um fenômeno apenas climático corre o risco de subestimar as penalidades de energia em ambientes urbanos congestionados. As descobertas sugerem que a mitigação do congestionamento pode ser uma alavanca política mais eficaz e duradoura para reduzir as penalidades de energia do HVAC do que a adaptação climática, pois as penalidades de tempo de viagem persistem mesmo à medida que as temperaturas ambientes aumentam. Além disso, a distribuição espacialmente desigual das penalidades de energia do HVAC implica que o planejamento de infraestrutura de carregamento baseado apenas na população de veículos pode levar a inequidade energética; cidades com congestionamento crônico e invernos frios podem exigir capacidade de carregamento significativamente maior por veículo para manter níveis de serviço equivalentes. O método de decomposição proposto e o modelo de previsão oferecem uma ferramenta fundamentada fisicamente para planejamento de rotas, design de infraestrutura e avaliação de equidade energética.