Optimisation intelligente des infrastructures de recharge pour véhicules électriques
L’essor des véhicules électriques (VE) a franchi un point de bascule. Ce ne sont plus des objets de curiosité ou des niche technologique, mais une composante incontournable du paysage urbain et une réponse centrale aux défis climatiques. Pourtant, alors que les constructeurs rivalisent d’innovation pour proposer des modèles toujours plus performants et abordables, une question cruciale émerge en coulisse : comment alimenter efficacement cette flotte en expansion exponentielle sans mettre à mal les réseaux électriques existants et sans créer une infrastructure de recharge inefficace et coûteuse ? C’est précisément à ce défi complexe que s’attaque une étude révolutionnaire publiée dans la revue scientifique Electrical Measurement & Instrumentation, une publication de référence dans le domaine de l’ingénierie électrique.
Menée par Pang Songling et Zhao Hailong de l’Institut de recherche électrique de la compagnie de réseau électrique de Hainan, en collaboration avec Zhang Chenjia du Laboratoire Smart Grid des îles tropicales, cette recherche propose une approche radicalement nouvelle. Elle rompt avec le modèle simpliste de l’infrastructure de recharge « taille unique » et introduit un cadre d’optimisation collaborative qui reconnaît une vérité fondamentale : tous les véhicules électriques ne sont pas égaux en matière de besoin de recharge. En se concentrant sur les différences de comportement entre les bus, les taxis, les véhicules de fonction et les voitures particulières, les chercheurs ont mis au point un modèle capable de réduire drastiquement les coûts d’installation et d’exploitation tout en améliorant la satisfaction des utilisateurs et la stabilité du réseau.
L’argument central de l’étude est simple mais profondément pertinent. Les politiques publiques et les stratégies d’investissement ont souvent traité les VE comme un ensemble homogène, planifiant des stations de recharge basées sur des projections globales de pénétration du marché. Cette approche, bien qu’intuitive, est lourde de conséquences. Elle peut conduire à des situations paradoxales : des stations de recharge rapide surdimensionnées dans des quartiers résidentiels, où la majorité des utilisateurs peuvent se contenter de recharger lentement la nuit, tandis que des zones commerciales ou des terminaux de transport sont saturées par des files d’attente interminables. Le résultat est un gaspillage de capitaux, une frustration des utilisateurs et une pression inutile sur le réseau électrique.
Le modèle proposé par Pang, Zhao et Zhang s’appuie sur une analyse minutieuse des caractéristiques de conduite et de recharge de quatre catégories principales de véhicules. Les bus électriques, par exemple, sont des travailleurs acharnés. Leur calendrier est rigide, leurs itinéraires prévisibles et leurs besoins en énergie sont immenses, souvent supérieurs à 300 kWh par jour. Leur priorité absolue est la vitesse de recharge. Ils ont besoin de puissants chargeurs rapides, idéalement situés dans leurs dépôts ou à leurs terminus, pour effectuer des recharges express pendant leurs courtes pauses, minimisant ainsi leur temps d’immobilisation et garantissant la ponctualité du service. Installer des chargeurs lents pour ces véhicules serait une erreur stratégique, car cela réduirait considérablement leur disponibilité.
Les taxis, bien qu’ils opèrent dans un cadre plus flexible, partagent également une forte intensité d’utilisation. Leur revenu dépend directement du temps passé sur la route. Une heure passée à charger est une heure sans client. Leur besoin de recharge est donc « opportun » et « rapide ». Ils doivent pouvoir trouver des stations de recharge rapide à proximité de zones à forte demande, comme les aéroports, les gares ou les centres d’affaires, afin de recharger leur batterie en un minimum de temps, souvent pendant une courte pause entre deux courses. La disponibilité et la vitesse des stations sont des facteurs déterminants pour leur rentabilité.
En revanche, les véhicules de fonction, utilisés par les administrations ou les entreprises, présentent un profil d’utilisation plus modéré. Leurs trajets sont souvent prévisibles, limités à des distances relativement courtes. Leur stratégie de recharge idéale est nocturne, lorsque le véhicule est stationné dans un parking dédié. Pour eux, un chargeur lent de 5 kW est non seulement suffisant, mais aussi économiquement judicieux. Il permet de profiter des tarifs d’électricité les plus bas de la nuit, ce qui réduit le coût de fonctionnement, et contribue à lisser la courbe de charge du réseau en évitant les pics de consommation diurne.
Les voitures particulières représentent le groupe le plus hétérogène. Certains propriétaires, surtout ceux qui ont un accès privé à un garage ou une place de parking, peuvent charger leur véhicule à domicile, à leur rythme, souvent pendant les heures creuses. D’autres, vivant en appartement ou sans accès à une prise dédiée, dépendent entièrement des infrastructures publiques. Leurs besoins varient donc énormément, allant de la recharge nocturne lente à la recharge rapide d’urgence en milieu de journée. Ignorer cette diversité et imposer une solution uniforme serait une erreur coûteuse.
C’est pour répondre à cette complexité que les chercheurs ont développé un modèle d’optimisation multi-objectif. L’objectif principal est de maximiser le taux de rendement interne (TRI) ou le retour sur investissement (ROI) pour les stations de recharge dans une zone donnée. Cet objectif financier, crucial pour mobiliser les investissements publics et privés, n’est pas atteint au détriment de la performance du réseau ou de la satisfaction des usagers. Le modèle intègre une série de contraintes sophistiquées pour trouver l’équilibre parfait.
L’une des innovations majeures est l’intégration de la théorie des files d’attente. Plutôt que de supposer que chaque véhicule peut se brancher instantanément, le modèle simule un scénario réaliste où plusieurs véhicules se disputent un nombre limité de bornes. Cela permet de prédire les temps d’attente et de congestion, et d’ajuster le ratio entre chargeurs rapides et lents. Par exemple, une zone commerciale à forte affluence aura besoin d’un plus grand nombre de chargeurs rapides pour éviter des queues qui décourageraient les utilisateurs. Ce niveau de détail est absent des modèles traditionnels.
Un autre indicateur clé introduit est la « non-disponibilité de recharge ». Ce concept va au-delà de la simple recherche d’une borne libre. Il mesure le nombre d’utilisateurs qui, en ayant besoin de recharger, ne peuvent pas atteindre une station parce que leur batterie n’a plus assez d’énergie pour effectuer le trajet. C’est le cœur de l' »anxiété d’autonomie », un frein psychologique majeur à l’adoption des VE. Le modèle prend en compte ce risque, en s’assurant que la densité et la puissance des stations sont suffisantes pour que les véhicules puissent toujours atteindre un point de recharge, même à faible niveau de batterie.
Le modèle intègre également le coût de la réponse à la demande (Demand Response). Ce mécanisme économique vise à inciter les utilisateurs à décaler leur recharge vers les heures creuses, lorsque la demande sur le réseau est faible. Cela peut se faire par des tarifs différenciés ou des paiements directs. Le modèle calcule non seulement le coût de ces incitations, mais aussi les pénalités pour non-respect des engagements, créant un système d’incitation précis et fiable qui aide à lisser la courbe de charge et à éviter des investissements coûteux dans le renforcement du réseau.
Pour valider leur approche, les chercheurs ont mené une simulation sur deux zones commerciales d’une ville de démonstration. En utilisant le logiciel MATLAB, ils ont analysé des données de circulation réelles, des tarifs d’électricité et des projections de croissance. Les résultats sont probants. Dans la zone A, le modèle a recommandé une configuration de 5 chargeurs rapides et 11 chargeurs lents, soit un total de 16 unités. Cette configuration a minimisé les coûts opérationnels à environ 86,25 dollars par heure, atteignant un équilibre optimal entre capacité et efficacité.
Dans la zone B, caractérisée par un trafic plus intense et une plus grande présence de flottes commerciales, le modèle a suggéré une infrastructure plus robuste : 10 chargeurs rapides et 21 chargeurs lents, soit un total de 31 unités, avec un coût opérationnel d’environ 147,35 dollars par heure. Dans les deux cas, les proportions entre les différents types de stations respectaient les directives locales, démontrant la capacité du modèle à s’adapter à des normes régionales.
L’impact le plus significatif a été observé dans la gestion de la charge du réseau électrique. En comparant les courbes de charge générées par leur modèle avec celles obtenues par des méthodes traditionnelles – comme les stratégies basées uniquement sur les tarifs horaires ou les algorithmes de coordination cloud-edge – la différence est frappante. Pendant les heures de pointe de recharge (de 7h à 21h), le modèle proposé a maintenu la demande de charge en dessous de 350 kW, un niveau gérable pour le réseau local. En revanche, les méthodes de référence ont permis des pics dépassant 400 kW, créant un risque concret de chute de tension, de surchauffe des transformateurs et de pannes.
Cette gestion efficace de la charge a des répercussions économiques directes. En évitant ces pics extrêmes, les gestionnaires de réseau peuvent reporter ou supprimer le besoin de coûteuses interventions, comme l’installation de nouveaux transformateurs ou le renforcement des lignes. Pour les utilisateurs finaux, les bénéfices sont tangibles : moins de temps d’attente, une probabilité plus élevée de trouver une prise libre, et par conséquent, une réduction drastique de l’anxiété d’autonomie. Pour les chauffeurs de taxi, en particulier, la possibilité de recharger rapidement à des emplacements stratégiques signifie moins de « courses à vide » pour atteindre une station, maximisant ainsi leur temps de conduite rémunéré.
L’étude a également examiné le coût total de possession (TCO) des véhicules électriques, un indicateur qui englobe le prix d’achat, l’entretien, le coût de l’électricité et les frais liés à l’infrastructure. Après la mise en œuvre du réseau de recharge optimisé, toutes les catégories de véhicules ont enregistré une baisse de leurs coûts. Les taxis ont connu la plus forte diminution, suivis par les bus, les véhicules de fonction et les voitures particulières. Cela démontre que l’efficacité d’une infrastructure intelligente ne se limite pas aux opérateurs de stations ; elle se répercute directement et positivement sur les poches des utilisateurs.
Les implications de cette recherche sont vastes et universelles. Le modèle n’est pas limité à un contexte géographique ou économique spécifique ; ses principes de conception basés sur le comportement des utilisateurs peuvent être appliqués partout, dès lors qu’on dispose de données de mobilité fiables. Elle souligne également l’importance cruciale de la collaboration interdisciplinaire, en réunissant des experts en ingénierie électrique, en planification des transports et en économie pour créer des solutions pratiques et durables.
Pour l’avenir, les chercheurs envisagent plusieurs voies de développement. L’une est l’intégration directe des énergies renouvelables, comme le solaire photovoltaïque. En synchronisant la recharge des VE avec les périodes de forte production solaire, les villes peuvent maximiser leur utilisation de l’énergie propre. Une autre frontière passionnante est la technologie Véhicule à Réseau (V2G). Elle permettrait aux véhicules électriques, lorsqu’ils sont stationnés, de restituer de l’électricité au réseau pendant les pics de demande, transformant ainsi des millions de batteries en un gigantesque système de stockage d’énergie distribué, capable de stabiliser le réseau et de fournir des services aux opérateurs.
En conclusion, le travail de Pang Songling, Zhao Hailong et Zhang Chenjia représente un pas de géant dans la planification de l’infrastructure de la mobilité électrique. En abandonnant les solutions simplistes et en embrassant la complexité du comportement réel des utilisateurs, leur cadre de travail offre une feuille de route claire pour construire un réseau de recharge qui est non seulement plus efficace et économique, mais aussi plus résilient et durable. Il démontre que, avec les bons outils et les bonnes stratégies, il est possible de construire une infrastructure qui non seulement alimente les voitures de demain, mais qui les guide aussi avec intelligence, assurant une transition énergétique fluide et réussie.
Pang Songling, Zhao Hailong, Zhang Chenjia, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Tropical Smart Grid Lab, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.12.021