Resumo Técnico: Implantação Dinâmica de Caminhões de Carregamento Móvel Durante Evacuações por Desastres Naturais

Declaração do Problema

Durante evacuações em larga escala por desastres naturais (por exemplo, furacões), a eletrificação do transporte rodoviário introduz vulnerabilidades críticas. Veículos elétricos (VEs) possuem menores alcances de condução e requerem tempos de carregamento mais longos em comparação com veículos de motor de combustão interna. Sob condições de evacuação, a concentração temporal dos fluxos de tráfego cria picos localizados na demanda de carregamento que sobrecarregam as Estações de Carregamento Fixas (ECFs). Isso leva a tempos de espera prolongados, o que aumenta diretamente a "exposição ao risco" dos evacuados, pois permanecem por mais tempo em áreas propensas a perigos.

A infraestrutura de carregamento estática carece da flexibilidade para se adaptar a esses padrões de demanda dinâmicos e variáveis no tempo. Embora os Caminhões de Carregamento Móvel (CCMs) ofereçam um suprimento flexível de energia, sua implantação apresenta três desafios principais:

1. Implantação Adaptativa: Regras de alocação estática não conseguem acomodar a evolução estocástica da demanda e a natureza crítica no tempo das evacuações.
2. Tomada de Decisão Descentralizada: À medida que o número de ECFs e CCMs cresce, a otimização global torna-se computacionalmente intratável. Além disso, as operações de emergência são frequentemente inerentemente descentralizadas, limitando a viabilidade de um despacho totalmente centralizado.
3. Resposta Antecipada da Rede: Os CCMs devem atravessar a rede para alcançar as ECFs. Confiar em instantâneos de tempo de viagem instantâneos é insuficiente; os sistemas devem antecipar a dinâmica do tráfego e a propagação de congestionamentos para garantir intervenção oportuna.

Metodologia: O Framework ARMD

Os autores propõem o framework Implantação de CCM Consciente de Risco Adaptativa (ARMD), um sistema de offline para online projetado para minimizar a exposição cumulativa ao risco induzida por filas. O framework decompõe o problema em dois subproblemas acoplados: Alocação de CCM Consciente de Risco e Roteamento Dinâmico de CCM.

1. Formulação do Problema

O objetivo é minimizar a exposição total ao risco $R_{tot}$ ao longo do horizonte de evacuação, definida como a soma da exposição ao risco per capita multiplicada pelo comprimento da fila em cada ECF ao longo do tempo. O problema é modelado como um processo de tomada de decisão dinâmica onde os CCMs são alocados às ECFs em épocas de decisão discretas, e as rotas são atualizadas continuamente.

2. Alocação de CCM (Dec-POMDP & MAPPO)

Para abordar a complexidade computacional e a necessidade de execução descentralizada, o problema de alocação é formulado como um Processo de Decisão de Markov Parcialmente Observável Descentralizado (Dec-POMDP).

• Agentes: Cada CCM é um agente.
• Observações: Os agentes observam subconjuntos locais do estado global (níveis de perigo, comprimentos de fila, carregadores disponíveis e status do CCM).
• Algoritmo: Uma abordagem de Otimização de Política Próxima Multiagente (MAPPO) é empregada sob o paradigma de Treinamento Centralizado e Execução Descentralizada (CTDE).
  • Codificação Relacional de Estações: Um mecanismo de atenção multi-cabeça é incorporado nas redes de ator e crítico para capturar dependências inter-estações, permitindo que os agentes avaliem a prioridade relativa das ECFs candidatas.
  • Aumento Periódico de Observação: Para mitigar o gargalo de informação das observações locais, os agentes recebem um instantâneo global da rede periodicamente (a cada $\Delta_{aug}$ épocas) sem exigir comunicação persistente de todos para todos.
• Adaptação de Offline para Online:
  • Offline: A política é pré-treinada em um simulador calibrado com dados do mundo real (Condado de Hillsborough, FL) e falhas estocásticas de infraestrutura.
  • Online: Um mecanismo de ajuste fino aumentado por recuperação é utilizado. O agente recupera as experiências históricas mais semelhantes de um "banco de experiências" com base no contexto local atual. Em seguida, aplica-se uma adaptação leve do ator ponderada por vantagem para refinar a política para o cenário específico, garantindo estabilidade e prevenindo o desvio da política.

3. Roteamento de CCM (Previsão Espaço-Temporal)

Uma vez que um CCM é designado para uma ECF alvo, sua rota é determinada por uma estratégia de horizonte rolante em vez de um caminho fixo.

• Previsor de Tempo de Viagem Espaço-Temporal (STPM): Um modelo de aprendizado profundo treinado offline prevê a dinâmica de tempo de viagem de curto prazo. Ele combina Convolução de Grafo Dinâmica (para capturar a propagação de congestionamentos localizados) com Atenção Global Multi-cabeça (para modelar interações de rede de longo alcance e efeitos não locais, como desvios devido a fechamentos de estradas).
• Execução: Em cada intervalo de atualização de roteamento, o STPM prevê os tempos de viagem futuros em nível de aresta. O módulo de roteamento calcula o caminho ótimo com base nessas previsões, permitindo que os CCMs evitem proativamente o congestionamento emergente.

Contribuições Principais

1. Primeira Investigação de Implantação Dinâmica de CCM para Evacuação: Este estudo é o primeiro a abordar a implantação dinâmica e em tempo real de CCMs especificamente para suporte de carregamento sob condições de evacuação altamente evolutivas, indo além do planejamento de infraestrutura estática.
2. Coordenação Descentralizada via MAPPO: O estudo formula o problema de alocação como um Dec-POMDP e desenvolve uma abordagem de aprendizado por reforço multiagente que permite tomada de decisão coordenada sem exigir um controlador totalmente centralizado, abordando escalabilidade e restrições operacionais práticas.
3. Roteamento Integrado com Dinâmica Preditiva: O framework incorpora um módulo de previsão de tempo de viagem espaço-temporal para antecipar congestionamentos de curto prazo, reduzindo a probabilidade de os CCMs ficarem presos no tráfego e melhorando a pontualidade do suporte de carregamento.

Resultados Experimentais

O framework foi avaliado em um ambiente de simulação usando dados do mundo real do Condado de Hillsborough, Flórida, cobrindo uma evacuação de 48 horas antes do desembarque de um furacão.

• Comparações com Baselines: O ARMD foi comparado com No-CCM, despacho ganancioso, Alocação Centralizada (AC), Otimização Fixa Offline (OF-MIP), MIP de Horizonte Rolante (RH-MIP) e versões de ablação (ARMD-NF sem ajuste fino online, ARMD-NR sem roteamento online).
• Desempenho sob Perturbações de Demanda:
  • Em cenários com curvas de partida mais planas (um padrão de demanda desafiador), o ARMD reduziu a exposição média ao risco (EAR) em 71,1% em relação à baseline No-CCM, superando o RH-MIP (69,1%) e a AC (35,0%).
  • O ARMD manteve consistentemente um desempenho forte em cenários de partida concentrada e maior participação na evacuação, demonstrando generalização robusta.
• Desempenho sob Falhas de Infraestrutura:
  • Sob falhas de infraestrutura de carregamento fixa (15%–45% de indisponibilidade de estações), o ARMD reduziu a EAR em 39,3% a 60,5% em comparação com No-CCM.
  • Sob falhas de enlaces rodoviários (capacidade reduzida ou fragmentação da rede), o ARMD alcançou a menor EAR em todos os casos. Notavelmente, em cenários de fragmentação severa, a capacidade do ARMD de adaptar o roteamento impediu que os CCMs ficassem presos em componentes de rede desconectados.
• Insights de Ablação:
  • Ajuste Fino Online: Crucial para adaptar-se a padrões de demanda em mudança e disponibilidade de carregadores.
  • Roteamento Online: Proporcionou reduções significativas no tempo de viagem, particularmente para movimentos de realocação de longa distância e em cenários com alta demanda de tráfego ou interrupções na rede.
• Comparação com Benchmarks de Otimização: Embora o RH-MIP tenha superado o OF-MIP estático, o ARMD consistentemente alcançou picos de risco mais baixos e dissipação de risco mais rápida. Os autores atribuem isso à capacidade do ARMD de aprender mapeamentos estado-ação conscientes de risco que se adaptam aos estados do sistema realizados, enquanto os métodos baseados em MIP dependem fortemente de perfis de chegada previstos, que podem acumular erros.

Significado e Alegações

O artigo afirma que o framework ARMD fornece uma solução oportuna, escalável e adaptativa para operações de carregamento móvel em ambientes de evacuação incertos. Ao mudar do planejamento de infraestrutura estática para a implantação dinâmica e consciente de risco de recursos, o framework aumenta a resiliência dos sistemas de carregamento de emergência.

Os autores enfatizam que sua abordagem é particularmente eficaz em cenários onde:

• Os padrões de demanda desviam-se das previsões históricas (por exemplo, picos súbitos ou partidas planas).
• A infraestrutura é degradada devido a condições climáticas extremas (falhas de estações ou fechamentos de estradas).
• A tomada de decisão em tempo real é necessária para mitigar os riscos cumulativos de esperar em zonas de perigo.

O estudo conclui que integrar aprendizado offline com refinamento online permite que o sistema lide com a natureza estocástica e variável no tempo das evacuações mais efetivamente do que métodos tradicionais de otimização ou despacho heurístico.