La charge rapide des véhicules électriques soulève de nouveaux défis pour les réseaux
Alors que les véhicules électriques (VE) s’imposent de plus en plus sur les routes, la recherche scientifique s’intensifie pour comprendre et résoudre les multiples défis que pose leur intégration à grande échelle. Au-delà de la simple substitution du moteur à combustion, la transition vers la mobilité électrique exige une refonte profonde de l’infrastructure énergétique et des algorithmes de gestion du trafic. Deux études récentes, menées par des équipes chinoises indépendantes, offrent une vision complémentaire et techniquement rigoureuse de cette transformation. La première, menée par Song Yuhang, Chen Yufan, Wei Yanling et Gao Shan de l’Université du Sud-Est à Nanjing, propose une avancée significative dans la planification intelligente des trajets de recharge. La seconde, conduite par Wang Hongbiao, Su Shiping, Hu Yajie et Ouyang Zhenyu de l’Université des sciences et technologies de Changsha, met en lumière les impacts électriques invisibles mais critiques que les stations de recharge rapide exercent sur la stabilité du réseau. Ensemble, ces travaux illustrent la dualité du défi de l’électrification : d’un côté, l’optimisation du logiciel et de l’intelligence artificielle pour améliorer l’expérience utilisateur ; de l’autre, le renforcement de l’infrastructure physique pour garantir la fiabilité et la sécurité du système énergétique.
Le groupe de recherche de l’Université du Sud-Est s’est attaqué à un problème fondamental pour tout propriétaire de VE : comment naviguer efficacement vers une station de recharge lorsque la batterie est faible ? Les algorithmes de navigation traditionnels traitent souvent les stations de recharge comme de simples points sur un réseau routier, équivalents à une intersection. Cette simplification, bien que pratique pour le calcul, ignore une réalité du monde réel : les stations de recharge ne sont pas situées au milieu d’une route. Pour y accéder, un véhicule doit ralentir, tourner, parfois manœuvrer dans un espace restreint, et potentiellement attendre son tour. Ces actions consomment de l’énergie et du temps, des facteurs que les modèles conventionnels ne parviennent pas à intégrer de manière précise.
Pour surmonter cette limitation, les chercheurs ont développé une méthode novatrice qu’ils appellent la « méthode d’expression en trois segments ». Cette approche révolutionne la façon de modéliser un trajet en le décomposant en trois phases distinctes. Le premier segment représente le déplacement du point de départ – une maison ou un lieu de travail – jusqu’au point d’accès le plus proche sur le réseau routier. Le deuxième segment correspond à la conduite standard le long du réseau, d’une intersection à une autre. Le troisième et dernier segment est l’approche finale vers la station de recharge elle-même. Cette segmentation permet au modèle d’intégrer explicitement les coûts énergétiques et temporels associés à l’accès à la station, tels que la perte d’énergie due au ralentissement lors d’un virage ou le temps passé à chercher une place.
Cette méthodologie transforme fondamentalement la décision de recharger. Au lieu de la considérer comme une action distincte et binaire (« dois-je recharger ou non ? »), elle la réduit à un choix de direction naturel dans le processus de navigation. Dans ce modèle, décider de tourner vers une station de recharge devient conceptuellement similaire à choisir entre tourner à gauche ou à droite à un carrefour. Cette simplification n’est pas seulement élégante sur le plan théorique ; elle a des conséquences pratiques majeures. En traitant la recharge comme une simple option de parcours, le système peut évaluer de manière plus efficace le coût total – en temps, en distance et en argent – de différentes stratégies, même si cela implique un détour plus long sur le plan géographique.
Les chercheurs ont implémenté ce modèle en utilisant deux techniques d’apprentissage par renforcement (reinforcement learning) : le Q-learning et les réseaux Q profonds (Deep Q-Networks, DQN). Ces deux méthodes permettent à un agent d’intelligence artificielle d’apprendre à prendre des décisions optimales par essais et erreurs. L’agent reçoit des récompenses pour des résultats positifs, comme atteindre sa destination avec un minimum de temps, de distance et de coût de recharge, et des pénalités pour des échecs, comme tomber en panne sèche. L’environnement dans lequel l’agent opère est structuré autour de la logique des trois segments, avec des variables d’état qui incluent la position du véhicule, le niveau de charge de la batterie (State of Charge, SoC), l’heure de la journée, la distance parcourue et le coût total de la recharge.
Un aspect crucial du modèle est la manière dont il gère le processus de recharge lui-même. Lorsque le véhicule arrive à une station, l’algorithme ne considère pas seulement le prix par kilowattheure, mais aussi le temps d’attente prévu, modélisé en fonction du nombre de bornes disponibles et de la demande actuelle. Il calcule également le temps nécessaire pour charger jusqu’à un niveau cible, qui dépend de la puissance de la borne et de la capacité de la batterie. Cette vision holistique permet au système de comparer le coût total de la recharge à différentes stations, même si elles ne sont pas directement sur le trajet le plus court.
Les chercheurs ont testé leur système dans un environnement simulé qui représente une zone de 34 kilomètres carrés autour de l’Université du Sud-Est. Les résultats ont montré que leur approche produisait systématiquement des itinéraires efficaces sous diverses conditions de charge. Par exemple, en partant avec seulement 2,8 % de batterie et en ayant besoin d’atteindre un minimum de 3 % à l’arrivée, l’algorithme naviguait avec succès vers une station de recharge, reconstituait l’énergie et complétait le trajet. Le modèle DQN, qui utilise des réseaux neuronaux pour approximer les valeurs des décisions, a démontré des performances légèrement supérieures dans des scénarios complexes, grâce à sa capacité à gérer des espaces d’état de grande dimension et à apprendre d’expériences passées stockées dans une mémoire de répétition.
Le résultat le plus significatif est que l’étude a démontré que sa méthode surpassait les approches conventionnelles qui traitent les stations de recharge comme de simples sommets du réseau. Dans des comparaisons directes, le modèle d’expression en trois segments a donné lieu à des temps de trajet plus courts, une consommation d’énergie réduite et des coûts de recharge inférieurs. Cette amélioration découle directement de la capacité du modèle à tenir compte des inefficacités du monde réel lors de l’accès à l’infrastructure de recharge, un aspect que les méthodes traditionnelles ignorent. De plus, le cadre s’est révélé transférable : lorsqu’il a été testé dans une zone urbaine différente, comme autour du parc du Peuple à Chengdu, le même algorithme s’est rapidement adapté et a produit des itinéraires tout aussi optimisés sans nécessiter de changements structurels.
Les implications pratiques de cette recherche sont vastes. Pour les constructeurs automobiles et les entreprises technologiques qui développent des systèmes de conduite autonome et des plateformes de mobilité intelligente, une planification de trajet précise et réaliste est essentielle. Un véhicule électrique autonome ne peut pas se permettre de sous-estimer ses besoins énergétiques ou d’ignorer le temps nécessaire pour accéder à une station de recharge. La méthode d’expression en trois segments fournit un moyen plus granulaire et physiquement fondé de modéliser ces interactions, ce qui pourrait conduire à des systèmes de navigation plus fiables et plus faciles à utiliser dans les VE de demain. C’est une étape cruciale pour surmonter l' »anxiété d’autonomie » non seulement avec des batteries plus grandes, mais aussi avec une planification plus intelligente.
Tandis qu’un logiciel plus intelligent aide les conducteurs à trouver des chargeurs, une autre étude, menée par des chercheurs de l’Université des sciences et technologies de Changsha, révèle que l’acte même de charger rapidement pose des défis significatifs pour le réseau électrique. Dirigée par Wang Hongbiao, Su Shiping, Hu Yajie et Ouyang Zhenyu, cette recherche, publiée dans la revue Electrical Measurement & Instrumentation, examine les problèmes transitoires de qualité de l’énergie causés par les stations de recharge rapide à grande échelle.
Contrairement au processus de charge lente à partir d’une prise domestique, les chargeurs rapides délivrent de l’énergie à des taux dépassant 50 kilowatts, certains atteignant plus de 350 kW. Ces systèmes à haute puissance utilisent une électronique de puissance complexe pour convertir le courant alternatif (CA) du réseau en courant continu (CC) adapté à la charge de la batterie. Ce processus implique des redresseurs, des transformateurs à haute fréquence et des convertisseurs CC-CC, tous dépendant de la commutation rapide de dispositifs semi-conducteurs comme les IGBT et les diodes. Bien que ce processus soit efficace, cette commutation génère des transitoires électromagnétiques : de brèves mais intenses rafales de bruit électrique qui peuvent se propager dans le réseau.
L’équipe de recherche a développé un modèle de simulation détaillé d’un réseau de distribution intégrant une station de recharge rapide basée sur un bus CC, une topologie de plus en plus utilisée pour intégrer des sources d’énergie renouvelable comme le solaire. Leur analyse s’est concentrée sur deux types de perturbations : les creux de tension et les transitoires électromagnétiques. Les creux de tension sont des réductions de courte durée de l’amplitude de la tension, qui durent généralement de quelques millisecondes à quelques secondes. Ils peuvent survenir lorsqu’une charge importante, comme une flotte de VE qui commence à charger simultanément, extrait une soudaine vague de courant du réseau.
Dans leurs simulations, les chercheurs ont observé qu’en activant une station de recharge rapide, un creux de tension immédiat apparaissait à 0,1 seconde du processus. La tension restait en dessous des niveaux nominaux pendant toute la période de charge et ne se rétablissait que lorsque la station était déconnectée. Ce creux prolongé indique que les systèmes de régulation de tension du réseau pourraient avoir des difficultés à réagir assez rapidement aux changements soudains de charge, surtout dans les zones à production limitée ou à infrastructure réseau faible.
Les transitoires électromagnétiques sont encore plus insidieux. Ils se manifestent sous forme d’oscillations à haute fréquence ou de pics d’impulsion dans les formes d’onde de tension et de courant. Ces perturbations proviennent des actions de commutation au sein de l’électronique de puissance du chargeur. L’étude a identifié un transitoire d’impulsion à 0,105 seconde et un transitoire oscillatoire à 0,121 seconde après l’activation de la station. Bien que de courte durée, ces événements peuvent interférer avec des équipements sensibles tels que des contrôleurs industriels, des dispositifs médicaux et des systèmes de communication partageant le même alimentation.
La gravité de ces transitoires augmente de manière spectaculaire dans des conditions de défaut. Lors d’un court-circuit entre deux phases, par exemple, la tension sur les phases affectées est tombée à 0,6 et 0,69 unité par unité, respectivement, tandis que les transitoires électromagnétiques sont devenus plus intenses et sont apparus à des moments différents : 0,372 seconde pour l’impulsion et 0,41 seconde pour l’oscillation. Lors d’un défaut de mise à la terre entre deux phases, le transitoire oscillatoire est apparu encore plus tôt, à 0,302 seconde, et a duré 5 millisecondes. Il est remarquable que les chercheurs aient constaté que les transitoires ne se produisaient pas lors de l’élimination de certains défauts, ce qui suggère que la configuration de mise à la terre et le type de défaut jouent un rôle crucial dans la génération de transitoires.
Ces conclusions ont des implications pratiques immédiates. Alors que les villes installent de plus en plus de stations de recharge rapide – souvent regroupées dans des zones commerciales ou le long des autoroutes – l’effet cumulatif de plusieurs chargeurs s’activant simultanément pourrait créer une « tempête parfaite » de creux de tension et de transitoires, en particulier pendant les heures de pointe de recharge le matin ou le soir. Sans une mitigation adéquate, comme des restaurateurs dynamiques de tension, des filtres actifs ou un stockage d’énergie local, la fiabilité du réseau local pourrait être compromise, entraînant des dysfonctionnements des équipements ou même des pannes de courant.
L’étude souligne également l’importance des stratégies de charge intelligente. La charge non contrôlée, ou « bête », où les véhicules commencent à charger dès qu’ils sont branchés, aggrave ces problèmes. En revanche, la charge coordonnée, où le moment et le taux de charge sont gérés par communication avec le réseau, peut lisser les profils de charge et réduire la probabilité de perturbations sévères. L’intégration de batteries de stockage sur les stations de recharge peut encore plus atténuer les courants d’appel en fournissant une puissance instantanée au démarrage.
Du point de vue de la conception, la recherche suggère que les fabricants peuvent améliorer la qualité de l’énergie en optimisant les algorithmes de contrôle, en intégrant des mécanismes de démarrage progressif et en utilisant des composants de filtrage de meilleure qualité. L’adoption de semi-conducteurs à large bande passante comme le carbure de silicium (SiC) ou le nitrure de gallium (GaN) pourrait également réduire les pertes de commutation et les émissions de transitoires, conduisant à une fourniture d’énergie plus propre.
Les autorités de régulation pourraient également avoir besoin de mettre à jour les normes pour faire face à ces défis. Les lignes directrices existantes, comme IEEE 1159 et IEC 61000, fournissent des recommandations générales pour la qualité de l’énergie mais pourraient ne pas capturer pleinement le comportement dynamique des stations de recharge rapide. Les auteurs recommandent que les futures révisions incluent des dispositions spécifiques pour l’infrastructure de recharge des VE, en particulier en ce qui concerne l’immunité aux transitoires et les limites d’émission.
Ensemble, ces deux études illustrent la nature multifacette de la transition vers les VE. D’un côté, des algorithmes intelligents rendent plus facile pour les conducteurs de naviguer dans le paysage de la recharge. De l’autre, la réalité physique de tirer d’énormes quantités d’énergie du réseau exige de nouvelles solutions d’ingénierie pour maintenir la stabilité et la fiabilité. Le travail de Song Yuhang, Chen Yufan, Wei Yanling et Gao Shan de l’Université du Sud-Est offre une manière plus réaliste et efficace de planifier les trajets des VE, tandis que la recherche de Wang Hongbiao, Su Shiping, Hu Yajie et Ouyang Zhenyu de l’Université des sciences et technologies de Changsha met en évidence les coûts cachés de la recharge rapide pour le système électrique.
Alors que le monde avance vers l’électrification, les deux aspects doivent être abordés simultanément. Des véhicules plus intelligents ont besoin de réseaux plus intelligents. L’intégration des VE n’est pas simplement une question de remplacer les moteurs à combustion interne par des batteries ; c’est une transformation de tout l’écosystème énergétique. Garantir que cette transformation soit durable, efficace et résiliente exigera une innovation continue non seulement dans les véhicules et la technologie de recharge, mais aussi dans l’infrastructure et les politiques qui les soutiennent.
Song Yuhang, Chen Yufan, Wei Yanling, Gao Shan, Southeast University, Journal of Automation of Electric Power Systems, DOI: 10.7500/AEPS20230621004; Wang Hongbiao, Su Shiping, Hu Yajie, Ouyang Zhenyu, Changsha University of Science and Technology, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.06.021