Systèmes énergétiques intégrés chinois intègrent les VE pour réduire coûts et émissions
En intégrant les véhicules électriques dans les réseaux énergétiques de nouvelle génération, des chercheurs chinois ont démontré qu’un cadre de planification permet de réduire simultanément les coûts opérationnels, de diminuer les émissions de carbone et d’améliorer l’autonomie énergétique – des étapes clés pour une nation se précipitant vers ses objectifs climatiques 2030/2060.
Au cœur de cette percée se trouve un modèle d’optimisation multi-objectif à deux niveaux développé par une équipe de l’Université d’Électricité de Shanghai. Leur approche réinvente la façon dont les systèmes énergétiques intégrés (SEI) interagissent avec la demande – passant du paradigme traditionnel « l’offre suit la demande » à un modèle dynamique « d’interaction source-charge ». Cette évolution n’est pas seulement théorique ; elle est conçue pour s’adapter à la présence croissante des véhicules électriques (VE) et à leur potentiel en tant qu’actifs de réseau flexibles.
Les enjeux sont élevés. Alors que la Chine ajoute des millions de VE à ses routes chaque année, une charge non coordonnée menace de solliciter le réseau, surtout pendant les heures de pointe du soir. Pourtant, s’ils sont gérés intelligemment, ces mêmes véhicules peuvent devenir des réservoirs d’énergie mobiles – absorbant l’excédent d’énergie renouvelable pendant la journée et le restituant en cas de besoin. Le modèle de l’équipe de Shanghai formalise cette vision, intégrant directement les stations de charge pour VE dans l’architecture des SEI et co-optimisant leur comportement avec les charges de chauffage, de refroidissement et d’électricité.
Contrairement aux études antérieures qui traitaient les coûts ou les émissions de manière isolée, cette recherche introduit une triade d’objectifs concurrents : minimiser le coût économique total, réduire les émissions de carbone et maximiser l’autonomie du système – définie comme la part d’énergie produite et stockée localement, plutôt qu’importée des réseaux externes ou des réseaux de gaz. La tension entre ces objectifs est réelle : une plus grande autonomie et de plus faibles émissions exigent généralement un investissement en capital plus élevé. Mais le modèle n’impose pas une seule « meilleure » réponse. Au lieu de cela, il génère une frontière de Pareto de 100 configurations techniquement viables, permettant aux planificateurs de choisir en fonction des priorités politiques ou des contraintes budgétaires.
Au cœur de l’intelligence du système se trouve sa stratégie de réponse à la demande à double couche. Premièrement, elle active les charges « interruptibles » et « transférables » dans les domaines de l’électricité, du chauffage et du refroidissement. Pendant les pénuries d’approvisionnement, les charges thermiques ou électriques non essentielles peuvent être réduites ou décalées dans le temps – des actions compensées par des mécanismes de marché. Deuxièmement, et de manière plus innovante, il déploie un système de tarification dynamique de l’électricité qui répond en temps réel à l’équilibre entre la production renouvelable et la charge équivalente totale.
Lorsque la production solaire et éolienne dépasse la demande locale, l’algorithme baisse automatiquement les tarifs de recharge aux stations de VE, incitant les conducteurs – ou leurs chargeurs intelligents – à tirer immédiatement de l’énergie. Il ne s’agit pas d’une tarification statique en heures creuses/pleines ; c’est une boucle de rétroaction en direct qui aligne le comportement des VE sur la disponibilité des énergies renouvelables. Dans les simulations, cette stratégie a considérablement aplati les pics de demande et accru l’utilisation des énergies renouvelables sans compromettre le confort des utilisateurs.
La mise en œuvre technique est tout aussi sophistiquée. Pour gérer l’incertitude inhérente à la production éolienne et solaire, l’équipe a employé la théorie des opérations séquentielles (SOT) pour convertir les contraintes probabilistes en équivalents déterministes – une méthode qui préserve la fiabilité du système tout en évitant des marges de réserve trop conservatrices (et coûteuses). Pour la prévision de charge, ils ont entraîné un réseau antagoniste génératif hybride (GAN) sur des données historiques, en conditionnant les scénarios par mois pour capturer les variations saisonnières de la demande de chauffage et de refroidissement. Cela a produit des profils de charge diversifiés et de haute fidélité qui reflètent mieux la volatilité du monde réel que les méthodes de regroupement traditionnelles.
La structure à deux niveaux sépare la planification à long terme des opérations à court terme. Le niveau supérieur décide des capacités des équipements – turbines à gaz, refroidisseurs à absorption, unités de stockage de batteries et thermiques – sur un horizon de 20 ans, en optimisant pour les trois objectifs principaux. Le niveau inférieur simule les opérations quotidiennes, en co-optimisant la répartition des SEI et des stations de charge de VE sous les capacités installées et les signaux de prix actuels. Ce couplage bidirectionnel garantit que les décisions d’investissement sont fondées sur des performances opérationnelles réalistes.
Les résultats sont convaincants. Dans une analyse comparative de quatre scénarios, le modèle complet d’interaction source-charge (comportant à la fois la tarification dynamique et la réponse à la demande multi-énergie) a surpassé toutes les alternatives. Il a réduit les coûts économiques totaux de 5,9 à 12,1 % par rapport aux cas de référence, coupé les émissions de carbone de 8,5 à 17,9 % et amélioré l’autonomie du système de 3,0 à 5,2 points de pourcentage. Notamment, il a réalisé ces gains tout en nécessitant moins de capacité installée dans des catégories d’équipements clés – telles que les turbines à gaz et les refroidisseurs électriques – que des modèles plus simples, prouvant qu’une coordination plus intelligente peut se substituer à une infrastructure de force brute.
Des études de cas saisonnières valident davantage l’approche. En été, l’excédent d’énergie solaire alimente les refroidisseurs électriques et charge les unités de stockage du froid en milieu de journée, déplaçant les importations du réseau en soirée. En hiver, les unités de cogénération fonctionnent efficacement pendant la nuit, le stockage thermique captant la chaleur perdue pour la demande matinale. Tout au long de l’année, les VE agissent comme des amortisseurs : se chargeant agressivement lorsque les énergies renouvelables sont abondantes et réduisant ou même déchargeant pendant les périodes de tension d’approvisionnement.
Le moteur computationnel derrière cette innovation est un solveur hybride combinant NSGA-II, un algorithme évolutionniste robuste pour les problèmes multi-objectifs, avec CPLEX, un optimiseur de niveau commercial pour les programmes linéaires en nombres entiers mixtes. Des benchmarks contre des solveurs alternatifs (MOPSO et NSGA-II avec heuristiques hybrides) ont confirmé que ce couple offre une qualité de solution supérieure et une convergence plus rapide – essentiel pour un déploiement réel où le temps et la précision sont primordiaux.
D’un point de vue politique, les implications sont profondes. Alors que la Chine avance sa stratégie « double carbone », les gouvernements locaux et les utilities d’État ont besoin d’outils actionnables pour concevoir des hubs énergétiques résilients et à faible teneur en carbone – en particulier dans les parcs industriels, les campus universitaires et les nouveaux districts urbains où les systèmes intégrés sont les plus viables. Ce modèle fournit une feuille de route qui équilibre pragmatisme économique et ambition environnementale.
De plus, il recadre les VE non pas comme des fardeaux mais comme des actifs stratégiques. Avec plus de 20 millions de VE déjà sur les routes chinoises – un nombre qui devrait tripler d’ici 2030 – leur capacité collective de batterie représente une vaste ressource énergétique distribuée. Exploiter ce potentiel nécessite précisément le type de planification coordonnée que cette recherche permet.
De manière critique, l’étude reconnaît des limitations. Elle suppose une structure de propriété unique pour les SEI et les stations de charge de VE, alors que les déploiements réels peuvent impliquer de multiples parties prenantes avec des incitations conflictuelles. Les travaux futurs pourraient étendre le modèle pour inclure des interactions de théorie des jeux entre investisseurs, opérateurs et consommateurs – une étape nécessaire vers des solutions prêtes pour le marché.
Pourtant, la contribution principale demeure : un cadre techniquement rigoureux et computationnellement efficace qui démontre comment l’intégration profonde des VE et des charges flexibles peut transformer les systèmes énergétiques intégrés de consommateurs passifs en participants actifs et adaptatifs à la transition énergétique propre.
Pour les observateurs globaux, la leçon s’étend au-delà des frontières de la Chine. Alors que les nations du monde électrifient les transports et décarbonisent les réseaux, le couplage des VE avec les systèmes multi-énergies deviendra de plus en plus vital. Le travail de l’équipe de Shanghai offre une méthodologie reproductible – une qui priorise non seulement le coût ou le carbone, mais aussi la résilience du système grâce à l’autonomie. À une époque de volatilité énergétique et d’urgence climatique, cette triade pourrait bien définir la prochaine génération d’infrastructures intelligentes.
Auteurs : Dongdong Li, Lulu Wang, Wei Wang, Shunfu Lin, Bo Zhou
Affiliation : Collège de Génie Électrique, Université d’Électricité de Shanghai, Shanghai 200090, Chine
Revue : Power System Technology, Vol. 48, No. 2, Février 2024
DOI : 10.13335/j.1000-3673.pst.2023.0185