Otimização QUBO centrada em AEV para coordenação de potência ativa e reativa em sistemas de distribuição guiados por DLMP

Por que seu carro pode ajudar a manter as luzes acesas

À medida que carros elétricos se espalham pelos bairros, eles silenciosamente se tornam uma das ferramentas mais poderosas da rede. Em vez de serem apenas mais um aparelho que é ligado à noite, a bateria e o carregador de um carro estacionado podem ajudar a suavizar a demanda, apoiar a tensão local e até gerar renda para seu proprietário. Este artigo explora como milhares de veículos elétricos, atuando em conjunto por meio de um agregador, podem ser escalonados para carregar de forma barata, estabilizar a rede e preparar o terreno para um futuro em que novas formas de computação resolvem problemas complexos demais para os métodos atuais.

De carros solitários a enxames coordenados

O estudo foca em agregadores de veículos elétricos — empresas ou plataformas que gerenciam o carregamento de grandes frotas em nome dos motoristas. Em vez de tratar cada carro como uma carga isolada, o agregador agrupa veículos com horários de chegada, necessidades de energia e potências de carregador semelhantes em alguns clusters. Isso torna um problema extenso com 1.000 carros administrável, respeitando quando cada motorista chega em casa, a distância que precisa percorrer no dia seguinte e a velocidade com que seu carro pode carregar. Esses clusters passam a agir como blocos controláveis de demanda que podem ser deslocados no tempo ou ajustados para cima e para baixo para ajudar a rede.

Uma hierarquia de potência invertida que favorece a flexibilidade

Tradicionalmente, o operador local da rede diz a todos os demais o que fazer: define preços e os geradores e consumidores respondem. Aqui, essa hierarquia é invertida. O agregador de veículos elétricos é tratado como o líder em um jogo de dois níveis, decidindo quanto carregamento e suporte de tensão cada cluster fornecerá ao longo do dia. O operador do sistema de distribuição segue, ajustando a geração local e as configurações da rede em resposta. Preços conhecidos como preços locacionais marginais de distribuição (DLMP) capturam o custo real de fornecer energia, incluindo perdas e congestionamentos em alimentadores específicos. O agregador prevê esses preços, agenda sua frota em conformidade e então atualiza seu plano conforme o operador reage, repetindo o processo até que nenhum dos lados tenha incentivo para mudar.

Transformando física em um quebra-cabeça de escolhas liga–desliga

Coordenar milhares de carros ao longo de muitos intervalos de tempo é um pesadelo combinatório. Os autores reformulam esse desafio como um problema de otimização binária quadrática sem restrições, ou QUBO, no qual decisões contínuas — como níveis de potência e tensões — são discretizadas em uma grade de escolhas liga–desliga. Penalidades inteligentes na formulação matemática garantem que limites físicos, como capacidades dos carregadores, necessidades de energia e limites de tensão, sejam respeitados. Um método de clustering espectral, também escrito em forma QUBO, encontra automaticamente clusters de veículos bem balanceados. Os problemas binários resultantes são resolvidos com um algoritmo de recozimento simulado aprimorado, uma estratégia de busca inspirada em como materiais esfriam e se estabilizam em estados de baixa energia e bem adequada ao hardware quântico do futuro.

O que acontece quando 1.000 carros colaboram

O framework é testado em uma rede de distribuição padrão de 33 barras com 1.000 carros divididos em quatro clusters. Quando os carros respondem apenas com sua potência ativa de carregamento, a rede já se beneficia da demanda deslocada. Quando eles também usam seus carregadores para fornecer potência reativa — um ingrediente invisível, mas crucial, para manter as tensões estáveis — os ganhos se tornam impressionantes. Em comparação com esquemas de coordenação mais convencionais, os custos totais do sistema caem quase 40%, os próprios custos do operador da rede diminuem cerca de um quarto e a fatura de energia do agregador encolhe em três quartos. As perdas de energia nas linhas caem quase 5%, as variações de tensão melhoram cerca de 10% e as tensões mínimas no fim do alimentador sobem acima de limiares de qualidade comuns.

Novos ganhos para carros e novas ferramentas para engenheiros

Além dos ganhos técnicos, o esquema abre uma nova fonte de receita: ao vender suporte de tensão, a frota recebe mais de US$ 47 por dia em pagamentos por potência reativa, enquanto ainda atende 100% das necessidades de energia dos motoristas e mantém um índice de satisfação do cliente próximo a 99%. Em comparação com métodos de busca populares, como enxame de partículas e algoritmos genéticos, a abordagem QUBO é mais lenta, mas escala de forma mais elegante para problemas muito grandes e funciona de maneira eficiente com solucionadores comerciais modernos. Como QUBO também é a linguagem nativa de muitos computadores quânticos emergentes, os autores argumentam que seu framework pode colher benefícios imediatos nas máquinas de hoje enquanto fica pronto para explorar as acelerações quânticas de amanhã, à medida que a eletrificação da rede e a implantação de renováveis continuam a crescer.

Citação: Suri, V., Nagpal, N., Siano, P. et al. EVA-centric QUBO optimization for active and reactive power coordination in DLMP-driven distribution systems. Sci Rep 16, 12513 (2026). https://doi.org/10.1038/s41598-026-35457-x

Palavras-chave: agregação de veículos elétricos, redes inteligentes de distribuição, resposta à demanda, suporte de potência reativa, otimização inspirada em computação quântica