Probabilistic Electric Vehicle Availability Modelling from Large-Scale Travel Survey Data for Grid Integration Studies

Resumo Técnico: Modelagem Probabilística da Disponibilidade de Veículos Elétricos a partir de Dados de Grandes Pesquisas de Viagens para Estudos de Integração à Rede

Definição do Problema
A estimativa precisa da disponibilidade de Veículos Elétricos (VE) é um pré-requisito para avaliar o potencial de Vehicle-to-Grid (V2G). No entanto, os estudos de integração à rede existentes frequentemente baseiam-se em suposições determinísticas, como janelas de carregamento noturno fixas ou presença constante em casa. Essas abordagens negligenciam a estocasticidade inerente ao comportamento de mobilidade humana e às restrições de carregamento, levando a uma superestimação sistemática da flexibilidade disponível. Além disso, embora conjuntos de dados de pesquisas de viagens em larga escala (por exemplo, o UK National Travel Survey) ofereçam dados empíricos detalhados, sua integração em modelos de sistemas de potência permanece limitada devido à falta de metodologias padronizadas para traduzir dados de mobilidade em representações de disponibilidade relevantes para a rede.

Metodologia
O estudo propõe uma estrutura probabilística abrangente para modelar a disponibilidade de VE, integrando quatro estágios distintos:

1. Reconstrução de Dados: Registros de nível de viagem do UK National Travel Survey (NTS) de 2023 foram processados para reconstruir cadeias de mobilidade diárias. O conjunto de dados foi filtrado por validade, resultando em uma amostra analítica de 10.044 viagens. A disponibilidade do veículo foi discretizada em uma grade temporal de 30 minutos, definindo um estado binário onde o veículo está presente (em casa/acessível à rede) ou ausente.
2. Modelagem Estatística: As distribuições de tempo de partida e retorno foram caracterizadas usando Modelos de Mistura Gaussiana (GMM). O número ideal de componentes de mistura foi determinado via Critério de Informação Bayesiano (BIC) para equilibrar o ajuste do modelo e a complexidade, capturando classes comportamentais latentes (ex: trabalhadores pendulares, trabalhadores flexíveis).
3. Representação de Processo Estocástico: A dinâmica temporal de disponibilidade foi modelada usando um processo de Markov não homogêneo (variável no tempo). Esta abordagem captura a probabilidade de transição entre estados de disponibilidade como uma função do tempo, refletindo padrões de mobilidade diários não estacionários.
4. Calibração de Conectividade: Para abordar a lacuna entre presença física e conectividade à rede, uma probabilidade de conexão condicional, $P_{plug}(t)$, foi introduzida. Esta foi calibrada usando dados de sessões de carregamento empíricos de um depósito municipal de VE. A disponibilidade efetiva para V2G, $A(t)$, é definida como a probabilidade conjunta de um veículo estar presente e conectado: $A(t) = \phi(t) \cdot P_{plug}(t)$.

O modelo foi validado contra dados de GPS do EVFLEET para garantir fidelidade estatística em relação aos tempos de chegada/partida e para avaliar as características de tempo de permanência (dwell-time).

Principais Resultados

• Mobilidade Multimodal: A análise GMM revelou que o comportamento de viagem é multimodal, com tempos de partida dominados por um pico matinal (0-8:09) e tempos de retorno por um pico vespertino (17:37). Aproximadamente 40% do comportamento de viagem cai fora do modo de deslocamento pendular dominante, introduzindo uma variabilidade significativa frequentemente ignorada por modelos determinísticos unimodais.
• Estrutura de Disponibilidade de "Duplo Pico" (Double-Dip): A probabilidade modelada de presença do veículo exibe uma estrutura de "duplo pico". A disponibilidade cai para um mínimo de 0,42 às 10:30, recupera-se ligeiramente e cai novamente para 0,25 no início da tarde (13:00–14:00) antes de recuperar para 0,87 às 21:00.
• Impacto do Comportamento de Conexção: Embora a disponibilidade média de mobilidade seja de 0,78, a integração das probabilidades de conexão empíricas (média de 0,57) reduz a disponibilidade efetiva média para aproximadamente 0,25. Isso representa uma redução estrutural de 67,9% na capacidade disponível em comparação com as estimativas baseadas apenas em mobilidade.
• Superestimação ao Nível do Sistema: Quando aplicado à estimativa de capacidade V2G, formulações de Fluxo de Potência Ótimo (OPF) determinísticas (assumindo 100% de disponibilidade) superestimam a capacidade de pico por um fator de 2,4 em comparação com o modelo estocástico (780 kW vs. 320 kW). A discrepância é mais pronunciada ao meio-dia, quando a disponibilidade é menor.
• Validação: O modelo mostrou forte concordância com os dados de GPS do EVFLEET para tempos de chegada e partida (erros de alinhamento de pico dentro de ±30 minutos). No entanto, os dados empíricos exibiram caudas mais pesadas nas distribuições de tempo de permanência (estendendo-se além de 100 horas) em comparação com as distribuições sintéticas, sugerindo que eventos de inatividade extrema introduzem variância adicional.

Significância e Alegações
O artigo afirma que a disponibilidade de VE é estruturalmente limitada pelo interplay entre o comportamento de mobilidade multimodal e a conectividade de carregamento condicional. A principal contribuição é a quantificação do viés sistemático introduzido por suposições determinísticas em estudos de integração à rede. Os autores afirmam que:

1. Modelos determinísticos são insuficientes: Eles não introduzem meramente erro aleatório, mas criam vieses sistemáticos que levam a cronogramas de despacho inviáveis e à superalocação de recursos V2G.
2. A agregação não elimina as restrições: Diferente da variabilidade estocástica, a lacuna entre presença física e disponibilidade integrada é estrutural. O aumento do tamanho da frota não aumenta proporcionalmente a capacidade V2G porque a restrição do comportamento de conexão permanece.
3. Avanço Metodológico: O framework proposto fornece uma metodologia escalável e orientada por dados que faz a ponte entre dados de mobilidade em larga escala e aplicações de sistemas de potência, permitindo avaliações mais realistas do potencial V2G.
4. Implicações Operacionais: Os resultados sugerem que o agrupamento por faixas de horário (time-of-day binning) é estruturalmente inadequado para o escalonamento de frotas de VE. Estratégias futuras de integração à rede devem incorporar distribuições de disponibilidade variáveis no tempo e modelar explicitamente as restrições comportamentais para evitar a superestimação da flexibilidade despachável.