Un Modèle Intelligent Guide les Conducteurs de VE vers des Gains sur le Marché Énergétique
L’ère de l’automobile électrique (VE) est en pleine mutation. Ce n’est plus seulement un moyen de transport silencieux et sans émissions, mais un acteur central dans la transformation du système énergétique mondial. Un nouveau modèle de décision, conçu par Wang Liwei, Wang Haotian et Sun Yingyun de l’École d’ingénierie électrique et électronique de l’Université de l’énergie électrique du Nord de Chine, est sur le point de révolutionner la manière dont les propriétaires de véhicules électriques peuvent participer de façon intelligente et rentable aux marchés de services auxiliaires, en particulier sur le marché de la régulation de fréquence. Publié dans la revue Modern Electric Power, ce travail ne repose pas uniquement sur des algorithmes techniques ou des calculs financiers. Il introduit une approche radicalement humaine, en intégrant la théorie des perspectives, un pilier de l’économie comportementale, pour créer un système qui reflète comment les personnes réelles prennent des décisions sous conditions d’incertitude.
Le potentiel des véhicules électriques pour stabiliser les réseaux électriques est immense. À mesure que l’énergie solaire et éolienne, intrinsèquement intermittente, s’intègre de plus en plus, le réseau électrique a besoin de ressources capables de réagir avec une rapidité et une précision extrêmes aux fluctuations de fréquence. Les véhicules électriques, grâce à la technologie Véhicule-Réseau (V2G), sont des candidats idéaux. Ils peuvent ajuster leur puissance de charge ou même renvoyer de l’énergie au réseau en quelques secondes, une vitesse et une flexibilité que les centrales électriques traditionnelles ne peuvent égaler. Cependant, malgré cet avantage technique, la participation réelle des propriétaires individuels de VE à ces marchés est restée limitée. La raison principale n’est pas le manque de technologie, mais la complexité perçue du marché et, surtout, la psychologie humaine.
Les modèles économiques traditionnels supposent que les consommateurs sont des agents parfaitement rationnels qui choisissent toujours l’option offrant le meilleur retour financier. Mais la réalité est bien plus subtile. Les gens ne prennent pas de décisions basées uniquement sur des chiffres absolus ; ils les évaluent par rapport à un point de référence, généralement leur situation actuelle. Perdre 10 euros fait psychologiquement bien plus mal que la joie de gagner ces mêmes 10 euros. Ce phénomène, connu sous le nom d' »aversion à la perte », est crucial pour comprendre pourquoi de nombreux conducteurs hésitent à participer : ils craignent que l’usure supplémentaire de la batterie ou le risque de ne pas avoir assez de charge annule tout bénéfice économique.
C’est ici que la théorie des perspectives, développée par les lauréats du prix Nobel Daniel Kahneman et Amos Tversky, devient l’outil parfait. Les chercheurs de l’Université de l’énergie électrique du Nord de Chine ont appliqué cette théorie pour créer un modèle qui va bien au-delà de la simple maximisation du profit. Ils reconnaissent que la décision d’un conducteur est influencée par deux facteurs principaux : le gain financier net et l’état de charge (SoC) de la batterie au moment où il se déconnecte du réseau. Le modèle définit un point de référence : le scénario où le conducteur se contente de charger son véhicule aux heures creuses, sans participer à aucun service de régulation. Toutes les autres options sont ensuite évaluées par rapport à cet état de base.
Pour rendre le modèle accessible et facile à utiliser, les chercheurs ont proposé trois modes de participation simplifiés :
Mode 1 : Charge Passive. Le véhicule se connecte et charge à un débit constant, sans interaction avec le marché de régulation. C’est le point de référence, avec zéro usure supplémentaire de la batterie et zéro revenu potentiel.
Mode 2 : Charge Bidirectionnelle. Le véhicule peut ajuster sa puissance de charge en réponse aux signaux du réseau. Il peut réduire sa charge pour « réguler à la hausse » (lorsque le réseau a un excès d’énergie) ou augmenter sa charge pour « réguler à la baisse » (lorsque le réseau a besoin de plus de charge). Il ne décharge pas activement de l’énergie vers le réseau. Ce mode offre un équilibre entre revenu potentiel et usure de la batterie.
Mode 3 : V2G Complet. Le véhicule utilise toute sa flexibilité. Il peut réduire la charge, augmenter la charge, décharger de l’énergie vers le réseau ou réduire la décharge. Ce mode offre la plus grande capacité de réserve et, par conséquent, le potentiel de revenu le plus élevé, mais il impose également la plus grande contrainte sur la batterie en raison de cycles de charge et de décharge plus profonds.
Le cœur du modèle est le calcul d’une « valeur de perspective globale », qui combine ces deux facteurs clés. Pour ce faire, le modèle ne se contente pas de projeter les revenus potentiels du marché de régulation, mais intègre également un modèle sophistiqué du coût de vieillissement de la batterie. Ce coût n’est pas un chiffre fixe ; il est calculé dynamiquement en fonction du modèle d’utilisation spécifique pendant la prestation du service. Une décharge profonde pour renvoyer de l’énergie au réseau a un impact bien plus important sur la durée de vie de la batterie qu’une simple réduction du taux de charge. En intégrant ce coût directement dans le calcul du bénéfice net, le modèle garantit que les gains à court terme sont pondérés contre la valeur à long terme du véhicule.
L’innovation la plus significative réside dans la manière dont le modèle pondère ces deux facteurs. Un conducteur qui privilégie le gain économique attribuera un poids plus élevé au bénéfice net. Un conducteur qui accorde plus d’importance à la longévité de sa batterie ou à la certitude d’avoir un SoC élevé au départ attribuera un poids plus élevé à l’état de la batterie. Le modèle identifie alors le mode qui maximise la valeur de perspective globale, qui est, en substance, le mode qui correspond le mieux à la psychologie et aux priorités individuelles de l’utilisateur.
Pour valider leur modèle, l’équipe a mené des simulations détaillées en utilisant des données réelles du marché des services auxiliaires de PJM Interconnection aux États-Unis et des structures tarifaires de la province de Guangdong, en Chine. Ils ont analysé cinq scénarios différents, chacun avec des durées de charge et des états de charge souhaités au départ différents. Les résultats ont été révélateurs.
Dans les scénarios où le temps de charge était long et l’état de charge souhaité était modéré, le Mode 3 (V2G complet) a systématiquement produit la valeur de perspective globale la plus élevée. Pour ces utilisateurs, le potentiel de revenu surpassait la préoccupation liée à l’usure de la batterie. Cependant, lorsque le temps de charge était court ou que l’état de charge souhaité était très élevé (par exemple, pour un long voyage), le Mode 1 (charge passive) est devenu le choix privilégié. La sécurité d’avoir une batterie complètement chargée et sans usure supplémentaire était plus précieuse que tout revenu potentiel.
Un résultat particulièrement intéressant a été l’émergence d’un « point optimal » pour le Mode 2. Dans un scénario intermédiaire, où les besoins de charge et les priorités de revenu étaient équilibrés, le Mode 2 s’est démarqué comme le meilleur choix. Cela démontre que le modèle n’impose pas aux utilisateurs de choisir des extrêmes, mais peut identifier des stratégies de compromis qui sont psychologiquement plus confortables et durables.
Les simulations ont également exploré comment le choix optimal change lorsque les priorités de l’utilisateur sont modifiées. Lorsque le poids attribué au bénéfice net augmentait, les utilisateurs s’orientaient clairement vers le Mode 3. Lorsque le poids de l’état de la batterie augmentait, le Mode 2 ou le Mode 1 devenaient plus attractifs. Cette capacité d’adaptation est ce qui rend le modèle si puissant et réaliste. Il n’impose pas une solution unique, mais s’adapte à la diversité des utilisateurs.
Cette approche a des implications profondes pour tous les acteurs de l’écosystème de la mobilité électrique. Pour les agrégateurs – les entreprises qui regroupent des milliers de véhicules pour participer aux marchés de gros – ce modèle est un outil inestimable. Plutôt que de traiter tous les véhicules comme des actifs homogènes, ils peuvent proposer des « forfaits » personnalisés. Un forfait « agressif » pour les conducteurs qui cherchent à maximiser leurs gains, un forfait « conservateur » pour ceux qui privilégient la santé de la batterie, et un forfait « équilibré » pour l’utilisateur moyen. Cette personnalisation augmente non seulement la satisfaction du client, mais favorise également une participation plus stable et à long terme.
Pour les gestionnaires de réseau, un plus grand nombre de véhicules participant de manière prévisible et fiable à la régulation de fréquence signifie un réseau plus résilient et moins dépendant des centrales de secours alimentées par des combustibles fossiles. Le modèle, en prédisant mieux le comportement humain, permet une planification plus efficace.
Pour les décideurs politiques, l’étude offre une feuille de route pour concevoir des incitations plus efficaces. Plutôt que d’offrir uniquement des paiements directs, les politiques pourraient se concentrer sur la réduction de la perception du risque. Par exemple, présenter les gains du V2G comme un « bonus » ou une « récompense » plutôt qu’un investissement risqué peut le rendre plus attrayant. De plus, fournir des informations claires et transparentes sur le coût de vieillissement de la batterie peut permettre aux utilisateurs de prendre des décisions éclairées, réduisant ainsi les regrets futurs.
La recherche souligne également la nécessité d’une meilleure éducation des consommateurs. De nombreux propriétaires de véhicules électriques ne comprennent pas pleinement le fonctionnement des marchés de services auxiliaires. Un modèle comme celui-ci pourrait être facilement intégré dans des applications de recharge ou dans les systèmes d’information du véhicule, traduisant la complexité du marché en recommandations simples et personnalisées : « Sur la base de votre emploi du temps et de vos préférences, nous vous recommandons le Mode 2. Revenu attendu : 5 euros. Impact sur la batterie : faible. »
Bien que l’étude soit basée sur des conditions du marché chinois, ses principes sont universels. À mesure que les marchés de régulation de fréquence se développent en Europe, en Amérique du Nord et dans d’autres régions, le besoin de modèles qui comprennent l’utilisateur humain deviendra de plus en plus critique. La complexité croissante de ces marchés exige une approche qui va au-delà de la pure ingénierie.
Les chercheurs soulignent que leur modèle ne remplace pas l’analyse technique, mais la complète. L’ingénierie restera cruciale pour modéliser les contraintes physiques et les règles du marché. Mais lorsqu’il s’agit de traduire ces facteurs en comportement humain, la psychologie doit jouer un rôle central.
L’avenir de l’énergie ne sera pas seulement plus intelligent, mais aussi plus humain. Ce modèle de décision représente un pas significatif dans cette direction, démontrant que, en concevant des systèmes qui respectent la manière dont les gens pensent et ressentent, nous pouvons débloquer tout le potentiel de la mobilité électrique pour créer un système énergétique plus durable, plus souple et plus juste pour tous.
Wang Liwei, Wang Haotian, Sun Yingyun, North China Electric Power University, Modern Electric Power, DOI: 10.19725/j.cnki.1007-2322.2022.0282