Optimisation des véhicules électriques en libre-service par le remplacement de batteries
Dans le paysage urbain contemporain, la mobilité durable est devenue une priorité absolue. Face à l’urgence climatique et à la saturation des centres-villes, les véhicules électriques en libre-service (VELS) se sont imposés comme une solution incontournable, offrant une alternative souple et écologique à la possession individuelle de l’automobile. Pourtant, derrière l’attractivité de ce modèle réside une complexité opérationnelle redoutable, principalement due à deux défis majeurs : la gestion du déséquilibre des véhicules et l’approvisionnement en énergie. Une étude pionnière menée par Li Manman, Sun Jiahui, Fu Yingbin et Zhao Boxuan de l’École de l’Automobile de l’Université Chang’an, publiée dans le Journal of Chongqing University of Technology (Natural Science), propose une réponse intégrée et innovante à ces problématiques. Leur recherche, intitulée « Optimisation de la planification et de la tarification des services des véhicules électriques en libre-service basée sur le remplacement de batteries », introduit un modèle de pointe qui synchronise la localisation des stations de remplacement, les itinéraires de distribution des batteries, la planification des véhicules et la tarification des services, dans le but ultime de maximiser la rentabilité des opérateurs.
Cette avancée stratégique repose sur le modèle de « charge centralisée et distribution unifiée » (CCUD), initialement conçu par la State Grid Corporation of China. Ce système, conçu pour être « grid-friendly », consiste à regrouper toutes les batteries vides dans une station de charge centrale, située près d’une centrale électrique, pour éviter toute perturbation du réseau de distribution. Une fois chargées, les batteries sont ensuite distribuées de manière coordonnée vers les stations de remplacement. Cette approche centralisée permet une gestion optimale de la charge, en la déplaçant vers les périodes creuses, et réduit considérablement les coûts d’infrastructure par rapport à un système de recharge décentralisé sur chaque station. Le modèle développé par les chercheurs de Chang’an University va bien au-delà d’une simple optimisation technique ; il représente une refonte complète de la chaîne de valeur des VELS, en intégrant pour la première fois de manière holistique les dimensions énergétiques, logistiques et économiques.
Les Écueils Opérationnels des Véhicules Électriques en Libre-Service
Le succès des VELS ne se mesure pas uniquement à leur nombre sur la route, mais à leur capacité à être là où et quand les utilisateurs en ont besoin. C’est précisément sur ce point que le système bute. Le « déséquilibre » est un mal chronique : certaines stations se retrouvent saturées de véhicules inutilisés, tandis que d’autres, situées dans des zones à forte demande, restent désespérément vides. Ce phénomène, souvent aggravé par les schémas de déplacement quotidiens (comme les trajets domicile-travail), crée une frustration chez les clients qui ne peuvent pas trouver un véhicule disponible. Il s’agit d’une perte sèche pour l’opérateur, qui voit ses actifs sous-utilisés dans un cas et son service indisponible dans l’autre.
Les solutions traditionnelles pour contrer ce déséquilibre sont de deux ordres. La première est la tarification dynamique, qui consiste à ajuster les prix en temps réel. En augmentant le coût de la prise en charge dans une zone suréquipée et en le réduisant dans une zone en pénurie, l’opérateur incite les utilisateurs à rééquilibrer naturellement le système. La seconde solution, plus coûteuse, est la relocalisation physique des véhicules par des agents de terrain. Ces derniers doivent déplacer manuellement les véhicules des stations saturées vers celles en manque, un processus qui engendre des frais de main-d’œuvre et de carburant non négligeables.
Un défi encore plus critique est celui de l’autonomie. Contrairement aux véhicules à combustion, les VELS ont une autonomie limitée et un temps de recharge long. Si un véhicule arrive à une station avec une batterie faible, il devient inutilisable pendant plusieurs heures, aggravant ainsi le problème de déséquilibre. La plupart des modèles existants supposent que la recharge se fait directement sur la station, ce qui est une contrainte majeure. C’est là que le remplacement de batterie, ou « battery swapping », entre en jeu comme une révolution potentielle. En quelques minutes, une batterie déchargée est échangée contre une pleine, permettant au véhicule de repartir immédiatement. Cette rapidité transforme la gestion de l’énergie en un processus logistique, comparable à la distribution de marchandises, plutôt qu’en une opération de maintenance lente.
Vers un Modèle Intégré et Holistique
La grande innovation de l’équipe de Chang’an University réside dans la création d’un modèle de programmation non linéaire mixte (NMIP) qui ne traite pas ces problèmes de manière isolée, mais les intègre dans une seule et même équation. Leur modèle est fondé sur un réseau spatio-temporel, une grille virtuelle qui permet de suivre précisément chaque véhicule, son niveau d’énergie, sa localisation et son statut (en service, en attente, en relocalisation ou en remplacement de batterie) à chaque instant. Cette granularité permet de modéliser la dynamique complexe du système avec une précision inégalée.
Le modèle optimise quatre leviers clés de manière simultanée :
- La localisation des stations de remplacement : Il ne s’agit pas de placer des stations partout, mais de déterminer les emplacements optimaux qui minimisent les distances de transport des batteries et maximisent la couverture de la demande. Le modèle prend en compte les flux de trafic prévisibles, la densité de population et la topographie de la ville.
- Les itinéraires de distribution des batteries : Des camions spécialisés doivent transporter les batteries chargées de la station centrale vers les stations de remplacement. Le modèle calcule les itinéraires les plus efficaces, en tenant compte du poids des batteries, de la capacité de charge des camions, des embouteillages et des coûts de carburant, afin de minimiser les coûts logistiques.
- La planification des véhicules : C’est le cœur du système. Le modèle prédit la demande future et planifie proactivement les mouvements des véhicules. Il décide quels véhicules doivent être utilisés pour des courses, lesquels doivent être relocalisés pour prévenir un déséquilibre futur, et surtout, quels véhicules doivent aller se faire remplacer leur batterie pour ne jamais tomber en panne sèche. Cette planification inclut l’appariement entre les véhicules et les utilisateurs, une tâche qui devient cruciale en période de forte affluence.
- La tarification des services : Le modèle intègre une fonction de demande-prix, qui reflète le fait que la demande diminue lorsque le prix augmente. En ajustant dynamiquement les tarifs, l’opérateur peut non seulement influencer le comportement des utilisateurs pour réduire les pics de demande, mais aussi maximiser ses revenus tout en maintenant un niveau de service élevé.
La Transformation du Modèle et la Quête de la Solution Optimale
Le modèle NMIP initial est d’une complexité mathématique extrême. Il s’agit d’un problème non linéaire et non convexe, ce qui signifie qu’il possède de nombreux minima locaux. Trouver la véritable solution optimale (le minimum global) est un défi de taille pour les algorithmes classiques. Pour surmonter cet obstacle, les chercheurs ont eu recours à une astuce élégante : la transformation inverse de la fonction de demande-prix. En inversant cette relation, ils ont pu reformuler le problème en un modèle de programmation convexe, bien plus facile à résoudre et garantissant que toute solution trouvée est effectivement la meilleure possible.
Le choix de l’algorithme de résolution est alors devenu une question centrale. L’équipe a comparé trois méthodes de pointe :
- L’algorithme d’approximation externe basé sur les sécantes : Cette méthode approxime la fonction de profit complexe par une série de segments de droite (sécantes), créant une enveloppe extérieure. L’algorithme itère, en ajoutant de nouvelles sécantes pour affiner progressivement l’approximation jusqu’à atteindre la solution optimale avec une précision prédéfinie.
- L’algorithme d’approximation externe basé sur les tangentes : Similaire au précédent, mais il utilise des tangentes au lieu de sécantes. Bien que conceptuellement proche, cette méthode s’est révélée beaucoup plus lente et moins précise dans les tests.
- L’algorithme de relaxation lagrangienne : Cette technique consiste à « relâcher » certaines contraintes du problème (comme la capacité des camions) en les intégrant à la fonction objectif via des multiplicateurs de Lagrange. Cela permet de décomposer le problème global en sous-problèmes plus simples, mais le processus itératif de mise à jour des multiplicateurs est très coûteux en temps de calcul.
Les résultats des expériences numériques ont été sans appel. L’algorithme basé sur les sécantes a surpassé largement ses concurrents, non seulement en termes de qualité de la solution (plus proche de l’optimum théorique), mais surtout en termes de temps de calcul. Pour des scénarios de taille moyenne, il a trouvé la solution en quelques minutes, là où les autres méthodes mettaient des heures ou ne convergeaient même pas. Cette efficacité est cruciale pour un opérateur qui doit prendre des décisions en temps quasi-réel pour s’adapter aux conditions changeantes de la ville.
Validation Numérique et Analyse de Sensibilité : Des Insights pour les Opérateurs
Pour valider leur modèle, les chercheurs ont mené une série d’expériences numériques sur un réseau hypothétique de sept stations. Les résultats ont confirmé la robustesse du modèle. Le système a pu gérer avec succès la demande, en rééquilibrant les véhicules, en planifiant les remplacements de batteries et en ajustant les prix, tout en maximisant le profit.
L’analyse de sensibilité a révélé des insights stratégiques précieux :
- L’impact du potentiel de demande : Comme attendu, le profit de l’opérateur croît fortement avec la demande. Mais plus intéressant, le modèle montre que pour une demande très élevée, le système atteint une saturation énergétique. Même avec tous les véhicules en circulation, il n’y a pas assez de batteries chargées disponibles pour satisfaire toute la demande. Cela signifie que l’opérateur ne doit pas seulement investir dans des véhicules, mais aussi dans la capacité de son réseau de distribution de batteries.
- L’importance cruciale de la capacité des batteries et des camions : L’étude a montré que doubler la capacité des batteries ou la charge utile des camions de distribution peut augmenter le profit de plus de 100%. Cela démontre que l’énergie est le véritable goulot d’étranglement du système. Un camion de distribution avec une plus grande capacité peut ravitailler plus de stations en un seul trajet, réduisant les coûts et augmentant la disponibilité des véhicules. De même, des batteries de plus grande capacité permettent aux véhicules de parcourir de plus longues distances entre deux remplacements, augmentant leur utilisation.
Implications pour l’Industrie et l’Avenir de la Mobilité Urbaine
Cette recherche a des implications profondes. Pour les opérateurs de VELS, elle fournit un outil décisionnel puissant. Elle démontre que l’intégration du remplacement de batterie n’est pas seulement une amélioration technique, mais une transformation stratégique. En adoptant ce modèle, un opérateur peut passer d’une gestion réactive du déséquilibre à une planification proactive et optimisée, ce qui se traduit par une augmentation significative de la rentabilité et de la satisfaction client.
Pour les décideurs politiques, cette étude souligne l’importance de soutenir le développement d’une infrastructure de remplacement de batteries. Cela va au-delà de la simple installation de stations ; cela implique de penser à un écosystème logistique complet, avec des centres de charge centralisés, des flottes de distribution et des normes de batterie interopérables. De telles infrastructures sont essentielles pour débloquer le plein potentiel des VELS et en faire un pilier de la mobilité urbaine durable.
Enfin, cette recherche ouvre la voie à de nombreuses extensions. L’équipe de Chang’an University envisage déjà d’intégrer des facteurs plus complexes, comme la prédiction de la demande basée sur l’intelligence artificielle, la gestion multi-jours des camions de distribution, ou l’intégration des VELS avec les réseaux de transport en commun. Le futur de la mobilité n’est pas dans un mode de transport unique, mais dans une synergie intelligente entre tous les modes. Ce modèle, en optimisant le maillon énergétique, jette les bases d’un système de transport urbain truly multimodal, efficient et durable.
Li Manman, Sun Jiahui, Fu Yingbin, Zhao Boxuan, École de l’Automobile, Université Chang’an, Journal of Chongqing University of Technology (Natural Science), doi: 10.3969/j.issn.1674-8425(z).2024.04.023