Vehicle-to-Grid (V2G) no mercado brasileiro de energia: Uma abordagem via Reinforcement Learning
Nenhuma Miniatura disponível
Data
2026-07-27
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Este trabalho avalia o desempenho econômico da operação Vehicle-to-Grid (V2G) no mercado brasileiro de energia, considerando a arbitragem de preços via Preço de Liquidação das Diferenças (PLD), utilizando um agente de Aprendizado por Reforço treinado pelo algoritmo Proximal Policy Optimization (PPO). Acoplado a um modelo digital eletroquímico construído no framework PyBaMM, o agente otimiza os ciclos de carga e descarga para maximizar o lucro de arbitragem do PLD horário do submercado Sudeste, assumindo a degradação física da bateria como custo interno da operação. O estudo compara duas químicas, a NMC-811, de alta densidade energética, e a LFP, robusta ao ciclamento, ao longo de três perfis de mobilidade residencial, confrontando o desempenho do agente com um carregamento passivo e uma heurística de referência. Os resultados demonstram que a arbitragem V2G com a LFP supera o carregamento passivo nos três perfis, gerando lucro absoluto nos cenários conservador e flexível e praticamente sem encurtar a vida útil da bateria. Por outro lado, a NMC 811 mostra-se viável apenas no perfil intenso, no qual o uso frequente já obriga o veículo a manter a carga elevada. Uma vez que estes ganhos pressupõem o acesso do consumidor ao preço horário do PLD, a adequação regulatória do V2G torna-se um pré-requisito para a sua adoção no Brasil, sendo que a futura inclusão de serviços ancilares poderá ampliar as receitas nos cenários atualmente marginais.
Abstract
Descrição
Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino-Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia de Energia.
Palavras-chave
V2G, Aprendizado por Reforço, Degradação de baterias de íons de lítio, PPO