A Hierarchical Stochastic Model Predictive Control Framework for Integrated Request-aware Charge Scheduling and Service Allocation

Resumo Técnico: Uma Estrutura de Controle Preditivo Baseada em Modelo Estocástico Hierárquico para Escalonamento de Carga Integrado com Sensibilidade a Solicitações e Alocação de Serviços

Definição do Problema
O artigo aborda os desafios operacionais enfrentados por frotas de Veículos Elétricos de Mobilidade sob Demanda (MoD-EV) que operam sob um modelo de aluguel flexível de A para B. Neste contexto, os veículos são alugados em uma estação de carregamento (CS) e devolvidos em outra, sendo que as reservas de viagens carecem de informações precisas sobre distância ou rota. O operador da frota enfrenta um problema de otimização complexo envolvendo:

1. Demanda Estocástica: As solicitações de aluguel dos clientes são incertas e intermitentes.
2. Preços Dinâmicos: Os preços da eletricidade variam ao longo do tempo.
3. Dinâmica Não Linear da Bateria: A modelagem precisa exige capturar comportamentos não lineares, como efeitos de temperatura, variações de tensão de circuito aberto (OCV) e degradação de capacidade, que são frequentemente simplificados na literatura existente.
4. Escalabilidade: Abordagens de otimização centralizadas para grandes frotas sofrem de intratabilidade computacional devido à natureza combinatória das restrições de números inteiros mistos e ao tamanho do horizonte de predição.

O objetivo central é minimizar os custos operacionais totais (eletricidade, comutação e degradação da bateria) enquanto garante a confiabilidade do serviço (atendimento às solicitações de aluguel) sob incerteza, sem comprometer a saúde da bateria.

Metodologia
Os autores propõem um Mecanismo de Gestão de Carregamento e Alocação de Serviço Integrado (iCMS) baseado em uma estrutura de Controle Preditivo Baseado em Modelo (MPC) estocástico e multiobjetivo.

1. Modelagem de Bateria:

   • O estudo utiliza um Modelo de Circuito Equivalente (ECM) aprimorado para representar a dinâmica da bateria, capturando temperatura interna, Estado de Carga (SOC) e tensão terminal.
   • Para lidar com a não linearidade dentro de uma estrutura de programação linear, os autores empregam uma aproximação linear por partes da dinâmica da bateria e do modelo de degradação de capacidade. O intervalo de SOC é dividido em segmentos mutuamente exclusivos, permitendo o uso de Programação Linear de Números Inteiros Mistos (MILP).
   • Um modelo de degradação de capacidade cíclica é integrado para quantificar a degradação com base no SOC médio, desvio do SOC e quantidade de transferência de carga, indo além de modelos de custo agregados simples.

2. Otimização Estocástica (MPC com Restrição de Chance):

   • A estrutura incorpora restrições de chance para lidar com solicitações de viagens incertas. Em vez de assumir uma distribuição paramétrica específica, o modelo utiliza cenários de dados históricos para impor restrições de nível de serviço probabilisticamente (por exemplo, garantindo um nível de confiança $\alpha_{CON}$ de que a demanda será atendida).
   • A função objetivo minimiza uma soma ponderada dos custos de eletricidade, custos de degradação da bateria e custos de comutação de modo de carregamento.

3. Solução Distribuída Hierárquica:

   • Para enfrentar a complexidade computacional da formulação MILP centralizada, os autores desenvolvem um algoritmo distribuído hierárquico de dois estágios:
     • Estágio Superior (Atribuição de Viagens): Um modelo de ordem reduzida otimiza a alocação de serviço de alto nível e os tempos de partida dos veículos ($t_{dep}$) através da frota, satisfazendo as restrições de chance.
     • Estágio Inferior (Escalonamento de Carregamento): Problemas de otimização descentralizados são resolvidos para cada EV ocioso. Cada veículo determina sua sequência detalhada de carregamento (corrente, comutação de modo) com base no tempo de partida fornecido pelo estágio superior, dinâmica local da bateria e preços de eletricidade.

Principais Contribuições
O artigo reivindica as seguintes contribuições específicas:

• Mecanismo Integrado: Desenvolvimento de uma estrutura unificada que lida simultaneamente com a alocação de serviços sob solicitações estocásticas e a dinâmica não linear da bateria.
• Modelagem Avançada de Bateria: Adaptação de um modelo de bateria paramétrico que captura o comportamento dinâmico não linear e um modelo detalhado de degradação de capacidade cíclica, em vez de depender de modelos lineares de Estado de Carga (SOC) simplificados.
• Eficiência Computacional: Construção de um problema MILP via relaxação linear por partes das dinâmicas não lineares para melhorar a eficiência da tomada de decisão.
• Comutação de Modo Discreto: Formulação de operações de carregamento discretas (incluindo descarga V2G, múltiplos modos de carregamento e estados OFF) com autômatos de transição.
• Arquitetura Escalável: Desenvolvimento de um algoritmo distribuído hierárquico que decompõe o problema centralizado para reduzir a complexidade computacional, permitindo a implementação em tempo real para frotas maiores.

Resultos e Avaliação
A estrutura foi avaliada utilizando um conjunto de dados de 300 EVs em um horizonte de 24 horas com preços de eletricidade no atacado de Singapura e dados históricos de demanda. Os métodos propostos (C-iCMS Centralizado e D-iCMS Distribuído) foram comparados contra um heurístico de Negócio como Usual (BAU) e uma abordagem de Carregamento Baseado em Laxidade (LC).

• Eficiência de Custo: As abordagens iCMS propostas superaram significativamente o BAU e o LC. O D-iCMS alcançou o menor custo de degradação da bateria ($5,2 vs. $21,04 para o BAU) e custos de eletricidade próximos do ideal ($138,38 vs. $193,95 para o BAU).
• Perfil de Carga: Embora a abordagem Centralizada (C-iCMS) tenha alcançado o menor custo de eletricidade, resultou em uma Razão Pico-Média (PAR) mais alta de 3,89 devido à exploração agressiva de períodos de baixo preço. O D-iCMS ofereceu uma solução equilibrada com um PAR moderado de 2,33.
• Desempenho Estocástico: A análise de níveis de confiança variáveis mostrou que níveis de confiança mais altos geram soluções mais robustas com menores desvios entre custos previstos e reais, embora ao custo de uma maior utilização de recursos.
• Escalabilidade Computacional: A análise de tempo de execução demonstrou que a abordagem centralizada sofre de crescimento exponencial no tempo de computação conforme o horizonte de predição e o intervalo de amostragem aumentam. Em contraste, a abordagem distribuída D-iCMS manteve tempos de execução baixos (por exemplo, 1,3 segundos para um intervalo de 30 minutos) ao decompor o problema, tornando-a adequada para aplicações em tempo real.
• Sensibilidade de Hiperparâmetros: O estudo analisou o impacto dos custos de comutação e fatores de penalidade, mostrando que o ajuste desses parâmetros permite que os operadores priorizem a suavidade da rede (menor degradação) ou a viabilidade operacional (menores penalidades).

Significância
O artigo posiciona este trabalho como uma ferramenta prática de suporte à decisão para a gestão de frotas. Ele afirma que a estrutura proposta preenche a lacuna entre a modelagem teórica de baterias e a realidade operacional ao:

1. Permitir o despacho responsivo à rede que mitiga os impactos de carga de pico enquanto aproveita incentivos de preço.
2. Fornecer um mecanismo para equilibrar objetivos conflitantes (custo de eletricidade, confiabilidade do serviço e longevidade da bateria) através de pesos de função de custo ajustáveis.
3. Oferecer escalabilidade através de computação descentralizada, permitindo que as operações de frota cresçam sem serem limitadas pelos limites computacionais de resolvedores centralizados.

Os autores concluem que, embora a discretização de 10% do SOC ofereça um ponto de partida robusto para equilibrar tempo de execução e precisão, a capacidade da estrutura de lidar com dinâmicas não lineares e demanda estocástica simultaneamente representa um avanço significativo sobre as estratégias de escalonamento simplificadas existentes.