Solução de carregamento de veículos elétricos com gerenciamento de demanda máxima

Abstract

Resumo: Com o constante aumento da adesão de veículos elétricos como meio de transporte, carregar todos esses veículos se torna um problema para ser resolvido. O tipo de carregador mais aderido pelos usuários para carregar veículos elétricos são os carregadores residenciais, dada sua praticidade. Porém em edificações com muitos destes carregadores isso deve ser gerenciado para que não sobrecarregue a instalação elétrica. Neste estudo aborda-se uma proposta de algoritmo para gerenciamento de carregadores de veículos elétricos aplicando-se uma otimização baseada no algoritmo genético NSGA-III, visando assim alocar da melhor maneira a demanda destes equipamentos sem passar da limitação da instalação elétrica atual. Esta pesquisa caracteriza-se como um estudo de natureza aplicada com abordagem qualitativa e quantitativa. O estudo se desenvolveu com base em referencial teórico, legislações e normas nacionais e internacionais, e também literatura relevante na área. O desenvolvimento do algoritmo se baseou em linguagem de programação Python com utilização de otimização a partir de algoritmo genético NSGA-III, que tem um bom desempenho para trabalhar com cenários multiobjetivos. Foram estipulados quatro cenários nos quais foram sendo variadas as condições, e no quarto cenário foi apresentada a versão com a implementação da otimização com algoritmo genético. Para testar esta otimização o algoritmo foi aplicado em três cenários com condições de entrada diferentes para comparação de resultados, podendo-se assim avaliar a adaptabilidade da solução em diferentes aplicações. Percebeu-se que dos quatro cenários avaliados o que continha a otimização se destacou em resultados, e entre os cenários comparativos esse modelo mostrou constantemente o melhor desempenho para diferentes variáveis de entrada. Com a avaliação dos resultados obtidos foi observado que a solução não só é viável como também pode ter incrementos futuros, como ser complementada com fontes de energia renovável, incluir refinamento no cálculo do carregamento ou também ser complementada com medidores de energia inteligentes

Abstract: With the constant increase in the adoption of electric vehicles as a means of transportation, charging all these vehicles becomes a problem to be solved. The type of charger most adopted by users to charge electric vehicles are residential chargers, given their practicality. However, in buildings with many of these chargers, this must be managed so as not to overload the electrical installation. This study addresses a proposed algorithm for managing electric vehicle chargers by applying an optimization based on the NSGA-III genetic algorithm, thus aiming to optimally allocate the demand of these equipment without exceeding the limitation of the current electrical installation. This research is characterized as an applied study with a qualitative and quantitative approach. The study was developed based on theoretical framework, national and international legislation and standards, and also relevant literature in the area. The algorithm development was based on Python programming language using optimization from the NSGA-III genetic algorithm, which has good performance for working with multi-objective scenarios. Four scenarios were stipulated in which conditions were varied, and in the fourth scenario, the version with the implementation of optimization with genetic algorithm was presented. To test this optimization, the algorithm was applied in three scenarios with different input conditions for result comparison, thus being able to evaluate the adaptability of the solution in different applications. It was observed that among the four evaluated scenarios, the one containing optimization stood out in results, and among the comparative scenarios, this model constantly showed the best performance for different input variables. With the evaluation of the obtained results, it was observed that the solution is not only viable but can also have future increments, such as being complemented with renewable energy sources, including refinement in the charging calculation, or also being complemented with smart energy meters