Une Stratégie Intelligente Transforme les Véhicules Électriques en Alliés du Réseau
L’essor fulgurant des véhicules électriques (VE) en Chine, dont la part de marché a atteint 25,6 % en 2022, marque une étape décisive vers la décarbonation du transport. Cependant, cette transition, bien que nécessaire, soulève un défi majeur pour les réseaux électriques : le comportement de charge désordonné des millions de nouveaux utilisateurs. Lorsque les conducteurs branchent leurs véhicules après le travail, entre 18h et 21h, ils créent un pic de demande aigu qui coïncide avec la chute de la production solaire, creusant ainsi un écart croissant entre l’offre et la demande d’énergie. Sans une gestion appropriée, ce déséquilibre, connu sous le nom de « déséquilibre source-charge », menace la stabilité du réseau et oblige les gestionnaires à recourir à des centrales d’équilibre polluantes ou à des investissements massifs dans le stockage d’énergie.
Face à ce défi, une étude révolutionnaire menée par des chercheurs de State Grid Zhejiang Electric Power Co., Ltd. à Ningbo propose une solution audacieuse. Plutôt que de considérer les véhicules électriques comme une menace, les chercheurs Xia Shizhe, Wang Aoqun et Cai Menglu, dans un article publié dans Power Demand Side Management, démontrent comment transformer ces véhicules en alliés actifs du réseau électrique. Leur stratégie de contrôle par agrégation, basée sur des algorithmes de clustering et des modèles de comportement, vise à aligner la charge des VE sur les besoins du réseau, en minimisant l’impact sur la satisfaction des utilisateurs. Validée dans le parc industriel « Lingfeng Zero-Carbon Evolution » à Ningbo, cette approche a réduit de près de 48 % l’écart maximal entre l’offre et la demande, prouvant que les VE peuvent non seulement être gérés, mais qu’ils peuvent devenir un atout précieux pour la stabilité et la durabilité du système énergétique.
Le cœur du problème réside dans la nature imprévisible de la charge. Lorsque les conducteurs branchent leurs véhicules selon leurs seuls besoins, sans tenir compte du contexte énergétique, le résultat est une surcharge du réseau aux heures les plus critiques. L’étude de Ningbo quantifie avec précision cet impact. Elle montre que la charge désordonnée peut augmenter la différence entre la charge de pointe et la charge de creux de plus de 35 %, et faire grimper la variance du déséquilibre offre-demande de plus de 36 %. Dans le cas spécifique du parc Lingfeng, l’intégration de 6 250 véhicules électriques (5 000 voitures particulières, 1 000 taxis et 250 bus) sans aucune stratégie de contrôle a fait exploser l’écart source-charge de 36,7 MW à 52,9 MW, soit une augmentation de 44 %. Ce scénario, si il était généralisé, pourrait compromettre la sécurité de l’approvisionnement et accélérer la dégradation des infrastructures.
Mais l’équipe de recherche, dirigée par Xia Shizhe, ingénieur senior à la compagnie d’électricité de Ningbo, a vu dans ce défi une opportunité unique. « Chaque véhicule électrique est une batterie mobile », a-t-il déclaré. « Avec les bons signaux et les bons contrôles, nous pouvons exploiter leur potentiel de stockage collectif pour soutenir le réseau, en particulier pendant les périodes de tension maximale. » L’idée fondamentale est de passer d’une vision passive du VE, simple consommateur d’électricité, à une vision active, où le véhicule devient une ressource flexible, un élément clé de la nouvelle architecture du système électrique, basée sur les quatre piliers de « source, réseau, charge et stockage ».
La clé de cette transformation réside dans l’agrégation. Il s’agit de gérer une flotte de milliers de véhicules comme une seule entité coordonnée. Pour y parvenir, les chercheurs ont d’abord dû modéliser avec une grande précision le comportement chaotique de la charge. En utilisant la méthode de simulation de Monte Carlo, ils ont généré des milliers de scénarios de conduite et de recharge réalistes pour différents types de véhicules. Ils se sont appuyés sur des données statistiques du monde réel, intégrant des paramètres tels que la vitesse moyenne, la durée des trajets, le kilométrage journalier et la tendance psychologique des conducteurs à recharger leur batterie lorsque le niveau de charge (SOC) tombe entre 15 % et 40 %. Ce seuil, identifié comme un compromis entre l’anxiété liée à l’autonomie et la praticité, est crucial pour prédire les moments de recharge.
Cette simulation a révélé un schéma prévisible en deux vagues. La première, un pic de charge rapide vers 14h-15h, est principalement utilisée par les flottes de taxis et les véhicules commerciaux pendant leurs pauses. La seconde, beaucoup plus importante et problématique, commence à 18h et s’étend tard dans la soirée, alimentée par les propriétaires de voitures particulières rentrant du travail. Cette vague du soir est en conflit direct avec la courbe de production solaire, qui atteint son maximum à midi et s’effondre vers 19h. C’est précisément dans cette période de chevauchement que le risque pour le réseau est le plus élevé.
Pour identifier les moments d’intervention les plus efficaces, les chercheurs ont fait appel à l’apprentissage automatique. Ils ont utilisé une version améliorée de l’algorithme de clustering k-means++, réputé pour son efficacité dans le traitement de grands ensembles de données. L’objectif était de segmenter les 24 heures de la journée en quatre périodes distinctes : « pointe », « plein », « plaine » et « creux », en fonction des caractéristiques de la charge.
Ici, l’innovation de l’étude est fondamentale. Contrairement aux approches conventionnelles qui appliquent le clustering uniquement à la charge de base ou à la charge des VE, les chercheurs ont effectué une analyse de clustering double. Ils ont appliqué l’algorithme à la fois sur le résultat de la charge désordonnée et sur la courbe du déséquilibre source-charge. Cette double analyse a permis d’identifier des « périodes de chevauchement » — des fenêtres temporelles où une forte demande de charge de VE coïncide avec un stress élevé sur le réseau.
Les résultats ont été éloquents. Le chevauchement le plus critique s’est produit le soir, entre 18h et 21h, période où la charge de VE et la charge de base atteignent leur maximum, tandis que la production d’énergie renouvelable s’effondre. Un second chevauchement, moins sévère, est apparu tôt le matin, entre 6h30 et 10h, où la demande résiduelle de charge rencontre la montée des charges industrielles et commerciales.
« C’est dans ces périodes de chevauchement que nous pouvons obtenir le plus grand impact avec le moins de désagrément pour l’utilisateur », a expliqué Wang Aoqun, co-auteur de l’étude. « En concentrant nos efforts de contrôle uniquement sur ces périodes de haute tension, nous évitons des interventions inutiles à des moments où le réseau peut facilement absorber les charges des VE. »
La stratégie proposée est donc ciblée et double. Elle repose sur des incitations tarifaires et sur la technologie Véhicule-Réseau (V2G). Pendant les périodes de creux qui se chevauchent — spécifiquement la période de calme du milieu de journée, lorsque la production solaire est élevée et la demande faible — le système propose des tarifs de recharge réduits. Cela incite les propriétaires de VE à recharger plus tôt, en utilisant l’énergie renouvelable excédentaire qui, sans cela, serait gaspillée.
Le mécanisme tarifaire est dynamique et transparent. Il s’ajuste en temps réel en fonction de la charge actuelle du réseau, avec des tarifs qui augmentent pendant les périodes de pointe de stress et diminuent pendant les périodes de surplus. Cet algorithme garantit que les variations de prix sont proportionnelles aux conditions du réseau, évitant les fluctuations extrêmes qui pourraient dissuader les utilisateurs.
Pour les heures les plus critiques — les périodes de pointe qui se chevauchent — la stratégie va plus loin. Ici, les chercheurs préconisent l’utilisation de la technologie V2G, où les VE peuvent non seulement puiser de l’énergie dans le réseau, mais aussi en injecter. En offrant des incitations financières, le système encourage les propriétaires de VE ayant une charge suffisante à restituer une partie de leur énergie au réseau pendant les pics de demande.
Il ne s’agit pas de transformer chaque voiture électrique en une mini-centrale. Le volet V2G est ciblé et limité. Il ne s’applique qu’aux véhicules stationnés, disposant d’un état de charge adéquat et ayant opté pour le programme. La décharge est soigneusement gérée pour garantir que le véhicule conserve suffisamment d’énergie pour son prochain trajet, préservant ainsi la confiance et la mobilité de l’utilisateur.
Le succès d’une telle stratégie dépend entièrement de l’acceptation par les utilisateurs. Un système de contrôle qui ignore constamment les préférences du conducteur est voué à l’échec, quelles que soient ses vertus techniques. L’équipe de Ningbo a placé la satisfaction de la recharge au cœur de son approche dès le départ. Leur modèle n’interdit pas la recharge pendant les heures de pointe ; il la rend simplement moins attrayante sur le plan économique tout en proposant de meilleures alternatives. Il respecte l’autonomie de l’utilisateur tout en orientant son comportement vers un bénéfice collectif.
Pour tester leur stratégie, les chercheurs l’ont appliquée au parc industriel « Lingfeng Zero-Carbon Evolution », un environnement réel disposant de 30 MW de capacité solaire existante et de plans d’expansion future. Le site abrite une flotte diversifiée et exigeante de 5 000 voitures particulières, 1 000 taxis et 250 bus électriques.
Les résultats ont été spectaculaires. Après la mise en œuvre de la stratégie de contrôle par agrégation, l’écart maximal source-charge est passé de 52,85 MW à 27,66 MW — une réduction de près de 48 %. La différence entre la pointe et le creux a chuté de 41,8 %, et la variance globale du déséquilibre offre-demande a diminué de 38,5 %. Le plus remarquable est que ces indicateurs ne se sont pas seulement améliorés par rapport au scénario de charge désordonnée, mais ont surpassé les conditions du réseau de base sans aucun VE.
« Cela signifie que nous ne nous contentons pas d’atténuer l’impact négatif des véhicules électriques — nous les transformons en un avantage net pour la stabilité du réseau », a affirmé Cai Menglu, une autre co-auteure. « Ils contribuent activement à lisser la courbe de charge et à intégrer davantage d’énergie renouvelable. »
Les implications de cette étude vont bien au-delà de Ningbo. Alors que les villes du monde entier électrifient leurs flottes, les enseignements tirés de ce projet offrent une feuille de route scalable. L’utilisation d’algorithmes de clustering permet à la stratégie de s’adapter à différentes régions, profils de charge et taux d’adoption des VE. Le focus sur les périodes de chevauchement garantit une efficacité maximale, tandis que la combinaison d’incitations tarifaires et de V2G offre une grande flexibilité.
Les gestionnaires de réseau peuvent déployer ces systèmes via des plateformes de recharge intelligente, intégrées aux programmes existants de réponse à la demande. Pour les propriétaires de VE, la participation peut être fluide et transparente — intégrée aux applications de navigation, aux réseaux de bornes de recharge ou aux factures d’électricité. Les incitations financières, bien que modestes par véhicule, deviennent significatives à grande échelle, créant une nouvelle source de revenus pour les propriétaires de VE tout en réduisant les coûts du système.
En outre, cette stratégie s’aligne parfaitement avec les objectifs plus larges de la transition énergétique. En déplaçant la charge des VE vers des périodes de forte production renouvelable, elle augmente l’utilisation de l’énergie propre et réduit le gaspillage. En permettant le V2G pendant les pics, elle reporte le besoin de nouvelles centrales au combustible fossile et réduit les émissions de carbone. Et en stabilisant le réseau, elle améliore la fiabilité pour tous les consommateurs.
La recherche souligne également l’importance cruciale des données et de la modélisation dans la gestion moderne du réseau. Les simulations de Monte Carlo capturent la nature aléatoire du comportement humain, tandis que l’apprentissage automatique extrait des informations exploitables de modèles de charge complexes. Ensemble, ils forment un outil puissant pour une planification proactive du réseau.
L’un des points forts de l’étude est son ancrage dans la réalité. Le parc Lingfeng n’est pas un laboratoire théorique, mais une zone industrielle active avec des flux d’énergie réels et des comportements d’utilisateurs réels. La validation dans cet environnement confère une crédibilité indéniable aux résultats et en augmente la transférabilité.
Néanmoins, des défis persistent. L’adoption généralisée du V2G nécessite des véhicules compatibles, des bornes de recharge bidirectionnelles et une infrastructure de communication robuste. La confiance des consommateurs doit être bâtie sur la transparence et une compensation équitable. Les cadres réglementaires doivent évoluer pour soutenir la tarification dynamique et les services réseau fournis par des ressources distribuées.
Mais la base technique est désormais plus claire que jamais. L’étude de Ningbo démontre que, avec les bons algorithmes et les bonnes incitations, les véhicules électriques peuvent devenir un pilier du nouveau système énergétique. Dans cette vision, les VE ne sont plus de simples consommateurs d’électricité, mais des participants actifs à l’équilibre du réseau, au stockage de l’énergie et à la réduction des émissions de carbone.
La route vers un avenir à zéro émission n’est pas seulement une question de remplacer les moteurs à combustion par des moteurs électriques. Il s’agit de repenser en profondeur la relation entre transport et énergie. Cette recherche montre que lorsque les véhicules électriques sont gérés de manière intelligente, ils deviennent bien plus que des véhicules : ils deviennent des nœuds vitaux d’un réseau énergétique plus intelligent, plus propre et plus résilient.
Alors que l’adoption des VE continue d’accélérer, les enseignements de ce travail deviendront de plus en plus pertinents. Les gestionnaires de réseau, les décideurs politiques, les constructeurs automobiles et les fournisseurs de réseaux de recharge ont tous un rôle à jouer dans le déploiement de ces solutions. La technologie existe. Les données la soutiennent. Les avantages économiques et environnementaux sont manifestes.
La transformation des véhicules électriques, de simples charges passives en actifs actifs du réseau, n’est plus un rêve lointain. C’est une réalité pratique, façonnée aujourd’hui dans des lieux comme Ningbo, décision de charge intelligente après décision de charge intelligente.
Xia Shizhe, Wang Aoqun, et Cai Menglu, State Grid Zhejiang Electric Power Co., Ltd., Ningbo, Chine. Publié dans Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.04.010