Otimização da instalação de carregadores para veículos elétricos em rodovias não urbanas: um estudo de caso da BR-386, Motiva Viasul, Brasil

Authors
DOI:
https://doi.org/10.47456/bjpe.v12i5.53330
Keywords:
Carregamento de veículos elétricos, otimização, algoritmo genético, sistema de informação geográfica, ansiedade de autonomia
Abstract

Este estudo visa encontrar os pontos ótimos para a instalação de carregadores para veículos elétricos (EVs) na rodovia não urbana BR-386, parte da concessão da MOTIVA ViaSul. Este trabalho aplica um modelo de Algoritmo Genético (GA) combinado com o Sistema de Informação Geográfica (GIS) para determinar as localizações ótimas das estações de carregamento. O trabalho foi implementado em três etapas. A primeira etapa consiste na aquisição e limpeza do banco de dados, uma vez que os dados são obtidos de diversas fontes. A segunda etapa consiste na implementação do modelo de GA. Esta fase utiliza os dados aplicados, incluindo o fluxo de tráfego (tanto em 2025 quanto uma estimativa para 2030), a infraestrutura de energia elétrica e as especificações dos EVs. A terceira etapa consiste na aplicação de diferentes cenários para obter a solução ótima para o modelo. O modelo encontrou duas localizações ótimas para a alocação de carregadores de EVs, além do número ideal de carregadores, do tamanho médio da fila e da porcentagem de utilização dos carregadores, dependendo do cenário, seja o de 2025 ou o de 2030.

Author Biographies
  1. Tiago de Oliveira Mafra Teixeira, The University of Texas at Arlington

    Undergraduation in Production Engineering from Universidade de Brasília (2023), Master's in Transportation Engineering from Universidade de Brasília (2026), and currently a PhD student in at the University of Texas at Arlington.My research interests lie in the field of Digital Twin, with a focus on its application in Industrial Engineering, process optimization and simulation. Through the Ph.D. program, I aim to deepen my understanding of integrated cyber-physical systems by exploring advanced strategies for realtime modeling, simulation, and control to enhance operational efficiency. I seek to contribute innovative solutions that combine digital technologies and engineering to address complex challenges of Industry 4.0, aligning with the programs research lines and its commitment to digital transformation in manufacturing.  http://lattes.cnpq.br/5585244483534510

  2. Reinaldo Crispiniano Garcia, University of Brasília

    Graduou-se em Engenharia Mecânica-Aeronáutica (1989) e obteve o Mestrado em Pesquisa Operacional e Engenharia Industrial (1992), ambos pelo Instituto Tecnológico de Aeronáutica (ITA), e Ph.D. (Doutorado) em Civil and Environmental Engineering pela University of Califórnia at Berkeley (1999). Trabalhou em projetos de pesquisa e consultoria nos Estados Unidos, Europa e Brasil, em particular para os Governos da Califórnia e do Texas, Comunidade Econômica Européia, Programa das Nações Unidas para o Desenvolvimento (PNUD), e empresas privadas, entre outros. Atualmente é Professor Associado de Engenharia de Produção da Universidade de Brasília e Diretor do Laboratório de Pesquisa Operacional (Operations Research Laboratory - www.orlab.com.br), Vice-Diretor do Centro Integrado de Pesquisa em Proteção de Defesa Civil do Distrito Federal (CIP/CEPED - DF) além de ministrar aulas de Pesquisa Operacional no Instituto Sezerdello Correa - ISC do Tribunal de Contas da União (TCU). Em virtude das suas contribuições na área de Pesquisa Operacional e Ciência da Decisão, obteve a posição de Membro Sênior (Senior Member) no órgão Internacional do Informs (Institute for Operations Research and the Management Sciences Society). Já atuou em diversas posições de Direção incluindo Coordenador para o Curso de Especialização em Auditoria de Obras Públicas Rodoviárias para o Tribunal de Contas da União (TCU). Tem experiência na área de Finanças Aplicadas e, Economia de Energia e Transportes (Infraestrutura, Logística) além de Engenharia Industrial e Pesquisa Operacional e, Economia. http://lattes.cnpq.br/1193145495367613 https://orcid.org/0000-0002-4376-4292 

References

Barbosa, W., et al. (2022). Electric vehicles: Bibliometric analysis of the current state of the art and perspectives. Energies, 15(2), 395.

Ghorbani, N., et al. (2018). Optimizing a hybrid wind–PV–battery system using GA-PSO and MOPSO for reducing cost and increasing reliability. Energy, 154, 581–591.

Gnann, T., et al. (2018). Fast charging infrastructure for electric vehicles: Today's situation and future needs. Transportation Research Part D: Transport and Environment, 62, 314–329.

Hassanat, A., et al. (2019). Choosing mutation and crossover ratios for genetic algorithms: A review with a new dynamic approach. Information, 10(12), 390.

Hemavathi, S., & Shinisha, A. (2022). A study on trends and developments in electric vehicle charging technologies. Journal of Energy Storage, 52, Article 105013.

Huang, Y., et al. (2018). Eco-driving technology for sustainable road transport: A review. Renewable and Sustainable Energy Reviews, 93, 596–609.

Hussain, A., et al. (2022). Genetic algorithm with a new round-robin based tournament selection: Statistical properties analysis. PLOS ONE, 17(9), Article e0274456.

Ibrahim, M. A., Mahmood, A. K., & Sultan, N. S. (2019). Optimal PID controller of a brushless DC motor using genetic algorithm. International Journal of Power Electronics and Drive Systems, 10(2), 822–830.

Karnauskas, K. B., Miller, S. L., & Schapiro, A. C. (2020). Fossil fuel combustion is driving indoor CO₂ toward levels harmful to human cognition. GeoHealth, 4(5).

Katoch, S., Chauhan, S. S., & Kumar, V. (2020). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80(5), 8091–8126.

Kazemi, H., & Akinci, H. (2018). A land use suitability model for rainfed farming by multi-criteria decision-making analysis (MCDA) and geographic information system (GIS). Ecological Engineering, 116, 1–6.

Kostopoulos, E. D., Spyropoulos, G. C., & Kaldellis, J. K. (2020). Real-world study for the optimal charging of electric vehicles. Energy Reports, 6, 418–426.

Lima, M. A., et al. (2020). Renewable energy in reducing greenhouse gas emissions: Reaching the goals of the Paris Agreement in Brazil. Environmental Development, 33, Article 100504.

Michalewicz, Z. (1996). Genetic algorithms + data structures = Evolution programs (3rd ed.). Springer.

Muratori, M., Kontou, E., & Eichman, J. (2019). Electricity rates for electric vehicle direct current fast charging in the United States. Renewable and Sustainable Energy Reviews, 113, Article 109235.

Neubauer, J., & Wood, E. (2014). The impact of range anxiety and home, workplace, and public charging infrastructure on simulated battery electric vehicle lifetime utility. Journal of Power Sources, 257, 12–20.

Noel, L., et al. (2019). Fear and loathing of electric vehicles: The reactionary rhetoric of range anxiety. Energy Research & Social Science, 48, 96–107.

Papazoglou, G., & Biskas, P. (2023). Review and comparison of genetic algorithm and particle swarm optimization in the optimal power flow problem. Energies, 16(3), 1152.

Pevec, D., et al. (2019). Electric vehicle range anxiety: An obstacle for the personal transportation (R)evolution? In 2019 4th International Conference on Smart and Sustainable Technologies (SpliTech) (pp. xx–xx). IEEE.

Ruan, J., & Song, Q. (2019). A novel dual-motor two-speed direct drive battery electric vehicle drivetrain. IEEE Access, 7, 54330–54342.

Singh, V., Singh, V., & Vaibhav, S. (2020). A review and simple meta-analysis of factors influencing adoption of electric vehicles. Transportation Research Part D: Transport and Environment, 86, Article 102436.

Xu, M., Yang, H., & Wang, S. (2020). Mitigate the range anxiety: Siting battery charging stations for electric vehicle drivers. Transportation Research Part C: Emerging Technologies, 114, 164–188.

Zhou, G., Zhu, Z., & Luo, S. (2022). Location optimization of electric vehicle charging stations: Based on cost model and genetic algorithm. Energy, 247, Article 123437.

Cover Image
Capa de divulgação de artigo científico da Brazilian Journal of Production Engineering (BJPE). A imagem mostra um veículo elétrico conectado a uma estação de recarga rápida em uma rodovia, com uma sequência de carregadores ao fundo, representando a expansão da infraestrutura para mobilidade elétrica. Na parte inferior aparece o título "Carregamento Inteligente em Rodovias", seguido pelos autores Teixeira, T. de O. M. e Garcia, R. C. C. (2026), além dos logotipos das instituições apoiadoras e da BJPE.
Downloads
Published
2026-07-20
Issue
Vol. 12 No. 5 (2026): Special Issue VII Symposium on Production Engineering (SIENPRO)
Section
Innovation, Sustainability, and Entrepreneurship: Paths to Transforming Production Engineering
License

Copyright (c) 2026 Teixeira, T. de. O. M. & Garcia, R. C. C.

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

All works published in the Brazilian Journal of Production Engineering (BJPE) are licensed under Creative Commons Attribution 4.0 International (CC BY 4.0). This means that: Anyone can copy, distribute, display, adapt, remix, and even commercially use the content published in the journal; Provided that due credit is given to the authors and to BJPE as the original source; No additional permission is required for reuse, as long as the license terms are respected. This policy complies with the principles of open access, promoting the broad dissemination of scientific knowledge. 🔗 Click here to access the full license

How to Cite

Teixeira, T. de O. M., & Garcia, R. C. (2026). Otimização da instalação de carregadores para veículos elétricos em rodovias não urbanas: um estudo de caso da BR-386, Motiva Viasul, Brasil. Brazilian Journal of Production Engineering, 12(5), 166-173. https://doi.org/10.47456/bjpe.v12i5.53330