⚡ electrical engineering

ev-flow: A Reproducible, NHTS-Grounded Generator of Synthetic Plug-in Electric Vehicle Charging Behavior for Eight U.S. Regions

O artigo apresenta o \texttt{ev-flow}, um pacote Python de código aberto que gera perfis de carregamento de veículos elétricos plug-in sintéticos, reproduzíveis e comportamentalmente realistas para oito regiões dos EUA, ao aproveitar microdados da National Household Travel Survey de 2017 e um pipeline determinístico de nove estágios para enfrentar a escassez de telemetria do mundo real com restrições de privacidade e a heterogeneidade regional em ferramentas existentes.

Autores originais: Bertrand Travacca

Publicado 2026-06-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bertrand Travacca

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 que você está tentando projetar uma nova rede elétrica para uma cidade. Você precisa saber exatamente quando milhões de veículos elétricos (VEs) serão conectados, quanto tempo permanecerão conectados e quanta eletricidade eles vão "beber". Mas há um problema: os dados reais são como um cofre trancado. As empresas que possuem os dados (como fabricantes de carros e redes de carregamento) não os compartilham devido a regras de privacidade.

Por isso, pesquisadores geralmente precisam adivinhar. Mas adivinhar não é bom o suficiente para construir uma rede elétrica. Você precisa de uma população "falsa" de carros que seja realista e que se comporte exatamente como pessoas reais se comportariam.

Apresentamos o ev-flow (abreviação de "Electric Vehicle Flow" ou Fluxo de Veículos Elétricos). Pense neste software como um motor de videogame super avançado que simula a vida diária de 1.000 carros elétricos em oito regiões diferentes dos EUA (como a Baía de San Francisco, Nova York, Chicago, etc.).

Veja como ele funciona, dividido em etapas simples:

1. O "DNA" dos Carros (A Fonte de Dados)

Em vez de inventar números, o ev-flow começa com uma pesquisa massiva da vida real chamada NHTS (National Household Travel Survey). Imagine isso como um grande diário onde milhares de famílias americanas reais escreveram para onde dirigiram, quando saíram e quanto tempo ficaram.

O Truque de Mágica: O software pega esses registros de diários reais e os "costura" juntos. Ele diz: "Ok, este carro pertence a uma família em Chicago. Vamos dar a ele os hábitos de viagem de uma família real de Chicago da pesquisa."

2. A "Personalidade" dos Carros

Uma vez que o software tem um carro, ele lhe dá uma personalidade baseada em onde ele mora.

O Mix de Vendas: Se o carro está na Califórnia, é mais provável que seja um Tesla com uma bateria grande. Se for em Nova York, pode ser uma marca diferente. O software consulta dados de vendas reais para decidir que tipo de carro ele é.
O Hábito de Conectar: Esta é a parte mais importante. O software pergunta: "Quando este motorista conecta o carro?" Ele usa uma receita matemática complexa (baseada em estudos reais) para decidir se o motorista conecta o carro imediatamente ao chegar em casa ou se espera até o jantar. Ele até leva em conta o fato de que pessoas em invernos frios (como em Chicago) podem precisar aquecer o carro, o que consome energia extra.

3. O "Livro de Registro da Bateria"

O software mantém uma pontuação contínida para cada carro individual.

Ele rastreia o Estado de Carga (SoC): Quão cheia está a bateria?
Ele simula a condução: À medida que o carro dirige, a bateria diminui.
Ele simula o carregamento: Quando o carro é conectado, a bateria aumenta.
O Toque Híbrido: Para os veículos híbridos plug-in (carros que possuem tanto uma bateria quanto um motor a combustão), o software tem uma regra especial. Se a bateria acabar durante a condução, o software diz: "Ok, mude para gasolina", e registra esse uso de energia. Isso torna a simulação muito mais realista do que ferramentas antigas que apenas fingiam que o carro parava de se mover quando a bateria acabava.

4. A "Máquina do Tempo"

O software cria um ano inteiro (365 dias) de condução para cada carro.

Ele conhece os fusos horários.
Ele conhece o Horário de Verão.
Ele gera os dados em um formato que os engenheiros podem usar para ver exatamente quanta energia a rede precisa às 18h de uma terça-feira em Seattle versus às 18h de um sábado em Boston.

Por que isso é diferente de outras ferramentas?

O artigo compara o ev-flow com outras ferramentas como emobpy ou VencoPy.

O "Problema Europeu": Muitas ferramentas existentes foram construídas para a Europa. Elas assumem que as pessoas dirigem carros alemães e seguem horários europeus. Elas não funcionam bem nos EUA.
O "Problema Agregado": Algumas ferramentas dos EUA fornecem apenas uma média grande e borrada (ex: "O país inteiro usa 500 megawatts"). Elas não mostram os carros individuais.
A Solução ev-flow: Esta ferramenta foi construída especificamente para os EUA. Ela cria carros individuais (não apenas médias) e cobre tanto o carregamento doméstico quanto o no local de trabalho.

O Recurso de "Honestidade"

Os autores estão muito orgulhosos de um recurso específico: Validação Honesta.
Normalmente, quando um modelo de computador comete um erro, os pesquisadores tentam escondê-lo ou ajustar os números até que pareça perfeito.

O ev-flow faz o oposto. Ele possui um "árbitro" integrado que verifica os resultados contra regras do mundo real.
Se a simulação diz "Os carros conectam às 18h" mas os dados reais dizem "Eles conectam às 19h", o software não esconde isso. Ele sinaliza e diz: "FALHA: Sabemos que isso é diferente porque nossa fonte de dados é da Califórnia, mas estamos simulando Nova York."
Ele rotula esses erros como "Falhas Explicadas". Isso diz ao usuário: "Sabemos que esta parte não é perfeita, e aqui está exatamente o porquê". Isso gera confiança porque você sabe exatamente onde o modelo é forte e onde ele é fraco.

Resumo

ev-flow é uma ferramenta gratuita e de código aberto que permite aos pesquisadores criar uma população "falsa", mas altamente realista, de carros elétricos. Ele utiliza diários de viagem reais dos EUA para decidir para onde os carros vão, dados de vendas reais para decidir que carros eles são e matemática rigorosa para decidir quando eles carregam. Ele foi projetado para ajudar empresas de energia e engenheiros a entender como lidar com o enorme aumento de carros elétricos sem causar um apagão na rede.

Conclusão Principal: Não é apenas um gerador de números aleatórios; é um gêmeo digital dos hábitos de condução americanos, construído com uma política de "falar a verdade" sobre suas próprias limitações.

Resumo Técnico: EV-FLOW

Declaração do Problema

Estudos de integração de veículos elétricos (VE) à rede exigem grandes populações de perfis de carregamento individuais que sejam comportamentalmente realistas, regionalmente resolvidos e estatisticamente diversos para modelar a heterogeneidade em tamanho de bateria, equipamentos de carregamento, tempos de permanência e necessidades sazonais. No entanto, a telemetria de carregamento de alta resolução do mundo real é escassa, fragmentada e restrita por questões de privacidade e sensibilidade comercial. Os geradores sintéticos de código aberto existentes são primariamente calibrados para pesquisas de mobilidade europeias (ex: emobpy, VencoPy) ou carecem do embasamento regional específico dos EUA, do escopo duplo residencial/local de trabalho e da reprodutibilidade de ponta a ponta necessária para análises de capacidade de carga de alimentadores de distribuição nos EUA e desenvolvimento de algoritmos de carregamento gerenciado.

Metodologia

O artigo apresenta o ev-flow (nome de importação pev_synth), um pacote Python de código aberto, licenciado sob MIT, que gera comportamento de carregamento sintético de veículos elétricos plug-in (PEV) para oito regiões dos EUA. O sistema baseia-se em um pipeline determinístico de nove estágios (M1–M9) que transforma microdados de viagens em perfis de carregamento com carimbo de tempo.

Proveniência de Dados e Pipeline

O pipeline é ancorado nos microdados da Pesquisa Nacional de Viagens Domésticas de 2017 (NHTS) e modelos regionais de mix de vendas.

M1 (nhts_loader): Ingesta microdados da NHTS-2017 (especificamente o subconjunto da Califórnia para correspondência de doadores) e os armazena como tabelas Parquet.
M2 (vehicle_archetypes): Amostra uma frota sintética a partir de distribuições de mix de vendas regionais (ex: CVRP-CA para a Califórnia, NYSERDA para Nova York). Ele atribui propulsões (BEV/PHEV), capacidades de bateria, classificações de carregador embarcado (OBC) e intensidades de energia com base em priors empíricos.
M3 (donor_matcher): Corresponde veículos sintéticos a domicílios reais da NHTS com base em renda, tamanho do domicílio, classe urbana/rural e contagem de veículos. Emprega uma escada de relaxação para encontrar doadores e lida com empréstimos entre estados para regiões com bases escassas.
M4 (travel_week_builder): Costura dias de viagem da NHTS em um calendário de viagens representativo de 365 dias. Aplica um fator de aumento de energia de inverno dependente da temperatura ( $f_T$ ) derivado do modelo Yuksel–Michalek.
M5 (plug_in_model): Determina eventos de plug-in usando um modelo logístico de Bernoulli de três camadas. Os horários de início são amostrados da parametrização de mistura Gaussiana SPEECh K=16 publicada (Powell et al., 2022), enquanto os coeficientes de propensão de plug-in são extraídos de priors da literatura (Munkhammar et al.; Kreft et al.).
M6 (soc_trajectory): Propaga um livro-razão de estado de carga (SoC) em tempo contínuo. Modela explicitamente a extensão de autonomia a gasolina do PHEV: quando o SoC de um PHEV atinge o piso, o déficit é suprido pelo motor e registrado como um "equivalente_em_kwh_de_gasolina" na próxima sessão.
M7 (hourly_resampler): Rasteriza sessões de plug-in contínuas em grades booleanas de 15 minutos e horárias.
M8 (validation_bounds_curator): Monta limites numéricos rastreáveis para publicação para fins de validação.
M9 (validator): Compara as distribuições geradas contra esses limites, classificando cada divergência como PASS (PASSOU), FAIL (FALHOU), EXPLAINED_FAIL (FALHA EXPLICADA), EXPLAINED_SKIP (PULO EXPLICADO) ou ERROR (ERRO).

Reprodutibilidade e Arquitetura

O pacote impõe uma reprodutibilidade estrita através de uma semente mestre única (20260520). Esta semente é propagada através de namespaces de sub-sementes determinísticos por módulo e por veículo, garantindo que entradas idênticas (região, tipo de perfil, semente) produzam saídas bit a bit idênticas. A arquitetura separa o pipeline generativo interno de uma API pública (objetos Fleet e Profile), permitindo que os usuários gerem, filtrem e consultem frotas sem acessar a mecânica subjacente do pipeline.

Principais Contribuições

Embasamento Regional dos EUA: Ao contrário das ferramentas europeias, o ev-flow é calibrado para o comportamento de viagem dos EUA (NHTS) e mix de vendas regionais em oito regiões distintas (Bay Area, Boston, Chicago, Dallas-Fort Worth, LA Basin, New York Metro, Seattle e uma referência nacional dos EUA).
Escopo de Perfil Duplo: Gera perfis de carregamento tanto residenciais quanto de local de trabalho, abordando uma lacuna deixada por ferramentas que focam apenas em carregamento doméstico ou demanda agregada.
Modelagem Explícita de PHEV: A versão 3.0 introduz um termo explícito de extensão de autonomia a gasolina para PHEV, melhorando as razões de conservação de energia da frota em comparação com modelos anteriores focados apenas em rede.
Estrutura de Validação Honesta: O validador não ajusta os modelos para passar nas verificações. Em vez disso, ele classifica as divergências. Por exemplo, ele sinaliza a incompatibilidade entre o amostrador SPEECh (telemetria da Califórnia) e os limites de validação (ensaio My Electric Avenue do Reino Unido) como um EXPLAINED_FAIL em vez de um defeito.
Enriquecimento Descritivo de EVSE: Cada veículo recebe atributos descritivos de marca de EVSE e conector (ex: Tesla, ChargePoint, J1772, NACS) com base em priors de mercado, embora estes não alterem a taxa física de carregamento.

Resultados e Validação

O artigo relata resultados de validação para um cache residencial da Bay Area (1.000 veículos) contra 21 verificações aplicáveis:

11 PASS: Incluindo distribuição de capacidade de bateria (agora passando contra um limite regional específico), eficiência de carregamento, integridade entre artefatos e distribuições de marca de EVSE/conector.
0 FAIL: Nenhuma divergência inexplicada foi encontrada.
6 EXPLAINED_FAIL: As limitações documentadas incluem:
- CDFs de Plug-in: As distribuições de tempo de início de plug-in de dias úteis e fins de semana perdem três de quatro faixas horárias devido ao descompasso de dados-âncora entre o amostrador SPEECh treinado na Califórnia e os limites de validação baseados no Reino Unido.
- Variância de Quilometragem Anual: A variância é inflada devido à limitação estrutural da NHTS de atribuir apenas um dia de viagem por domicílio.
- Conservação de Energia da Frota: A razão é 0,945 (melhorada de ~0,895 na v2.1 com o novo livro-razão de gasolina do PHEV), mas permanece abaixo do alvo de fechamento teórico de ~1,11 devido à energia de viagem não atendida por priors de plug-in inadequados.
4 EXPLAINED_SKIP: Verificações para limites que são apenas informativos ou dependem de dependências fora de escopo (ex: testes de fumaça de otimizadores).

Significância e Alegações

O artigo posiciona o ev-flow como preenchedor de um nicho específico: um gerador aberto e roteável que combina comportamento de viagem fundamentado na NHTS, heterogeneidade de mix de vendas regional e escopo residencial/local de trabalho com um design focado em reprodutibilidade.

Os autores alegam significância não na perfeição do modelo, mas na transparência e utilidade:

Confiança através da Honestidade: Ao classificar e atribuir explicitamente cada divergência (EXPLAINED_FAIL), a ferramenta permite que pesquisadores utilizem os dados sintéticos com total consciência de suas limitações (ex: o descompasso de dados-âncora entre o Reino Unido e a Califórnia).
Reprodutibilidade: A arquitetura de semente única garante que os resultados possam ser exatamente replicados por diferentes grupos de pesquisa e ambientes computacionais.
Base para Estudos de Rede: Fornece as populações necessárias, grandes, diversas e regionalmente resolvidas para análises de capacidade de carga de alimentadores de distribuição, previsão de carga e benchmarking de algoritmos de carregamento inteligente, que anteriormente dependiam de modelos agregados de código fechado ou ferramentas não americanas.

O artigo conclui que, embora o modelo tenha limitações (ex: não possui fluxo de potência bidirecional, coeficientes de plug-in baseados em julgamento), ele serve como uma base confiável e honesta para a próxima geração de pesquisa de integração de PEV à rede nos EUA.