Un Modèle Intelligent de Guidance pour la Recharge des Véhicules Électriques
Dans un contexte où la transition vers la mobilité électrique s’accélère à un rythme sans précédent, une équipe de chercheurs chinois a fait une percée significative en matière d’optimisation de l’expérience utilisateur. Sous la direction de Yuan Xiaodong, chercheur principal à l’Institut de Recherche Électrique de State Grid Jiangsu Electric Power Co., Ltd., et en collaboration avec Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun et Long Huan, une nouvelle étude propose un modèle de guidance active de recharge basé sur le concept de l’Internet des Véhicules (IoV). Publié dans la revue scientifique de renommée mondiale Automation of Electric Power Systems le 10 avril 2024, ce travail de recherche aborde de front les défis croissants liés à la gestion du nombre exponentiel de véhicules électriques (VE) et à la saturation des infrastructures de recharge, en offrant une solution centrée sur l’efficacité et la commodité pour le conducteur.
L’innovation fondamentale de cette recherche réside dans l’intégration audacieuse de deux domaines technologiques avancés : la planification dynamique de trajet et la théorie des files d’attente. Plutôt que de proposer un simple itinéraire, le modèle développé par l’équipe de Yuan Xiaodong vise à minimiser le coût total en temps pour l’utilisateur, qui comprend non seulement le temps de conduite jusqu’à une station de recharge, mais aussi le temps d’attente probable pour obtenir une borne libre. Ce changement de paradigme, qui passe d’une simple navigation à une véritable stratégie de « guidance », représente une avancée majeure pour l’avenir de la mobilité électrique en milieu urbain.
La première pierre angulaire de ce système est un algorithme de planification de trajet, basé sur la méthode A*, mais considérablement amélioré. Contrairement aux algorithmes traditionnels qui considèrent la vitesse de circulation comme une constante ou qui se basent uniquement sur la distance, celui-ci intègre des données dynamiques et réalistes du réseau routier. Le modèle tient compte de facteurs cruciaux souvent négligés, tels que les temps d’attente aux feux de signalisation et la tendance naturelle des conducteurs à éviter les trajets en boucle ou les demi-tours inutiles. En intégrant ces éléments, l’algorithme peut construire une matrice d’état spatio-temporelle du réseau routier qui est mise à jour en temps réel. Cette matrice, qui reflète fidèlement les conditions de circulation actuelles, permet de calculer le temps de trajet le plus précis possible. Cette précision est essentielle, car une estimation erronée du temps d’arrivée peut fausser l’ensemble du processus de sélection de la station de recharge.
Le deuxième pilier du modèle est la prédiction du temps d’attente en station. C’est ici que la recherche franchit un nouveau cap. Plutôt que de se fier à des données historiques moyennes ou à des estimations statiques, les chercheurs ont mis au point un système de prédiction à court terme. Pour y parvenir, ils ont utilisé un réseau de croyance profonde (DBN), une forme avancée d’intelligence artificielle appartenant à la famille des réseaux de neurones. Ce modèle a été entraîné sur une vaste base de données historiques, incluant non seulement les schémas d’arrivée des véhicules, mais aussi des variables contextuelles telles que l’heure de la journée, les conditions météorologiques, la température ambiante, le type de jour (jour ouvrable ou week-end) et l’état général du trafic. Grâce à cette formation complexe, le DBN est capable de détecter des motifs subtils et des corrélations non linéaires entre ces facteurs, ce qui lui permet de prédire avec une grande précision le nombre de véhicules qui arriveront à une station de recharge donnée dans un avenir proche.
Cette prédiction du flux d’arrivée est ensuite injectée dans un modèle de file d’attente de type M/G/k. Ce modèle mathématique sophistiqué est particulièrement adapté à la réalité des stations de recharge, où le temps de service (la durée de la recharge) n’est pas constant, contrairement à ce qui est souvent supposé. En effet, le temps de recharge varie considérablement en fonction de l’état de charge initial de la batterie, du type de véhicule, de la puissance de la borne et de la capacité du réseau électrique local. Le modèle M/G/k prend en compte cette variabilité en utilisant une distribution de durée de charge basée sur une « mixture de gaussiennes », un ajustement statistique beaucoup plus précis que les modèles simples. En combinant le taux d’arrivée prédit par le DBN avec cette distribution réelle des temps de service, le système peut simuler le fonctionnement de la file d’attente à l’aide de la méthode de Monte Carlo. Cette simulation permet d’estimer le temps d’attente moyen que devra subir un véhicule à son arrivée, offrant ainsi une prédiction réaliste et dynamique.
Le processus complet de guidance active est un cycle itératif et intelligent. Lorsqu’un utilisateur lance une demande de recharge, le système identifie son point de départ et l’ensemble des stations de recharge à sa portée. Pour chaque station candidate, il calcule d’abord le temps de trajet estimé en utilisant l’algorithme A* amélioré. Ensuite, il prédit le temps d’attente en utilisant le couple DBN/M/G/k. Enfin, il additionne ces deux composantes pour obtenir un « coût total en temps » pour chaque station. La station qui offre le coût total le plus bas est alors recommandée comme destination optimale, avec un itinéraire précis. Ce processus ne s’arrête pas là. Pendant que le véhicule se dirige vers sa destination, le système continue de surveiller le réseau routier et l’état des stations. À chaque intersection, il met à jour la matrice d’état du réseau et réévalue la situation. Si un accident survient ou si la file d’attente à la station initialement choisie s’allonge de manière inattendue, le système peut recalculer instantanément l’itinéraire et recommander une nouvelle station optimale, garantissant ainsi que le conducteur bénéficie toujours de la solution la plus efficace.
L’efficacité de ce modèle a été démontrée par une étude de cas approfondie menée dans le centre-ville de Nankin, en Chine. Dans cette simulation, 900 véhicules électriques ont été générés aléatoirement, chacun ayant besoin de recharger sa batterie. Leur comportement a été comparé à deux scénarios : un scénario « statique » où les véhicules sont simplement dirigés vers la station de recharge la plus proche, et le scénario « actif » utilisant le nouveau modèle. Les résultats ont été spectaculaires. Le modèle de guidance active a permis de réduire le temps de trajet total de 18,49 %, le temps d’attente total en station de 31,67 %, et le temps de recharge global (trajet + attente) de 27,27 %. Ces chiffres ne sont pas seulement des statistiques académiques ; ils se traduisent directement par une expérience utilisateur radicalement améliorée, avec moins de stress, moins de temps perdu et une utilisation plus rationnelle du réseau.
Au-delà de l’avantage individuel, cette recherche a des implications profondes pour la gestion urbaine et la stabilité du réseau électrique. L’étude a révélé que le scénario statique conduit à une concentration excessive de véhicules sur certaines stations, notamment celles qui sont géographiquement les plus accessibles, créant des goulets d’étranglement et laissant d’autres stations sous-utilisées. En revanche, le modèle de guidance active a permis une répartition beaucoup plus équilibrée de la demande de recharge. Cela se traduit par une augmentation significative de l’utilisation globale des infrastructures. À l’heure de pointe de 15h00, par exemple, le taux d’utilisation moyen des stations est passé de 69,50 % à 89,47 %. Cette optimisation de la charge non seulement réduit la congestion, mais elle permet aussi aux opérateurs de maximiser le retour sur investissement de leurs infrastructures existantes, différant ou évitant le besoin d’investissements coûteux dans de nouvelles stations.
La méthodologie employée par l’équipe de recherche est un modèle d’excellence. Elle repose sur une analyse rigoureuse des données réelles, comme la vérification que l’arrivée des véhicules aux stations suit une distribution de Poisson, une hypothèse fondamentale de la théorie des files d’attente. De même, l’analyse des durées de recharge a permis de démontrer que les modèles traditionnels (exponentiel, normal) sont inadéquats, justifiant l’utilisation d’un modèle de mélange gaussien beaucoup plus précis. Cette rigueur scientifique, alliée à une approche innovante, confère à cette étude une crédibilité et une robustesse exceptionnelles.
Les bénéfices de cette technologie sont multiples et touchent tous les acteurs de l’écosystème de la mobilité électrique. Pour le conducteur, c’est une promesse de commodité et d’efficacité, réduisant l’anxiété liée à la recherche d’une borne libre. Pour les opérateurs de stations de recharge, c’est un outil puissant pour optimiser l’utilisation de leurs actifs, améliorer la satisfaction client et planifier leurs investissements futurs. Pour les autorités municipales, c’est un levier pour réduire la congestion routière et promouvoir une transition énergétique plus fluide. Enfin, pour le réseau électrique, une demande de recharge plus lisse et prévisible facilite la gestion de la charge, réduisant les risques de surcharge et contribuant à la stabilité du système.
Bien que les résultats soient déjà impressionnants, les chercheurs reconnaissent que le modèle peut être encore amélioré. Ils identifient notamment l’absence de prise en compte des facteurs de prix comme une limite actuelle. Dans le futur, l’intégration du coût de la recharge dans l’algorithme de décision pourrait permettre de proposer des options qui minimisent non seulement le temps, mais aussi le coût financier, offrant ainsi une optimisation encore plus complète. L’équipe suggère également que l’application de techniques d’apprentissage par renforcement profond pourrait permettre au système de s’adapter de manière encore plus autonome et efficace aux conditions changeantes.
En conclusion, le travail de Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun et Long Huan marque une étape importante dans l’évolution de la mobilité électrique. Leur modèle de guidance active de recharge, publié dans Automation of Electric Power Systems, démontre le potentiel transformateur de l’intégration de l’intelligence artificielle, des données en temps réel et de la théorie des systèmes complexes. Alors que le monde s’oriente vers un avenir de plus en plus électrifié et connecté, des innovations de ce type seront essentielles pour garantir que cette transition se fasse de manière fluide, efficace et agréable pour tous les utilisateurs. Cette recherche, soutenue par le Programme national clé de recherche et développement de Chine, est non seulement une contribution académique de premier plan, mais aussi une feuille de route pratique pour le développement de solutions de mobilité intelligente de la prochaine génération.
Yuan Xiaodong, Gan Haiqing, Wang Mingshen, Teng Xinyuan, Ruan Wenjun, Long Huan, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230730001