Stratégie intelligente pour la recharge des véhicules électriques
La révolution des véhicules électriques (VE) ne se limite pas à changer la nature du carburant qui fait tourner nos roues ; elle redéfinit fondamentalement la relation entre mobilité et infrastructure énergétique. Alors que des millions de nouveaux consommateurs d’énergie se connectent au réseau électrique, un paradoxe émerge : la même flotte de batteries mobiles qui menace de surcharger le réseau pendant les pics de consommation du soir pourrait devenir la solution la plus puissante pour la stabilité du système. Imaginez un avenir où les VE ne sont pas de simples consommateurs d’énergie, mais des participants actifs au marché électrique, capables de stocker l’excédent d’énergie solaire et éolienne pendant la journée et de le restituer au réseau lorsque la demande est maximale. La véritable question n’est plus de savoir si les véhicules électriques peuvent aider le réseau, mais comment concevoir un système qui rende cette collaboration fluide, avantageuse pour tous les acteurs impliqués et, surtout, acceptable et pratique pour le conducteur moyen.
Les approches traditionnelles de gestion des flottes de VE reposent souvent sur des modèles d’optimisation centralisés. Ces modèles traitent l’ensemble de la flotte comme une entité homogène, calculant un planning de charge idéal basé sur des conditions agrégées du réseau et les prix de l’énergie. Bien que mathématiquement élégants, ces méthodes rencontrent des obstacles pratiques. Elles nécessitent une puissance de calcul énorme, manquent souvent de données réelles sur les habitudes de conduite individuelles et, surtout, négligent les interactions stratégiques complexes entre les différents acteurs. L’agrégateur de charge (LA), qui agit comme intermédiaire entre le réseau et les consommateurs, poursuit ses propres objectifs de profit. De leur côté, les propriétaires de VE sont guidés par un mélange de considérations économiques et de confort personnel. Un ordre centralisé pour charger à une heure précise peut être optimal pour le réseau, mais risque de déplaire aux utilisateurs s’il entre en conflit avec leurs routines quotidiennes ou si les incitations financières ne sont pas suffisamment convaincantes. Ce décalage entre les modèles théoriques et le comportement humain réel a été un obstacle persistant à la mise en œuvre généralisée de programmes efficaces de Véhicule-à-Réseau (V2G).
Une étude innovante publiée dans la revue Power System Protection and Control propose une solution sophistiquée à ce dilemme. Les chercheurs Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang et Yulin Fu du Collège de Génie Électrique de l’Université de l’Énergie Électrique de Shanghai ont développé une stratégie d’optimisation en deux niveaux basée sur le « jeu de Stackelberg » qui modélise explicitement l’interaction stratégique entre un agrégateur de charge et des groupes d’utilisateurs de VE. Leur modèle, intitulé « Stratégie d’optimisation de la planification pour les véhicules électriques agrégés tenant compte de la satisfaction du client et du réseau routier », va au-delà des hypothèses simplistes en intégrant des données de trajet réelles, la psychologie de l’utilisateur et les contraintes physiques du réseau de transport. Le résultat est un cadre qui non seulement améliore la stabilité du réseau et augmente la consommation d’énergie renouvelable, mais offre également des avantages tangibles tant pour l’agrégateur que pour le propriétaire individuel de VE, créant ainsi un scénario véritablement gagnant-gagnant.
Le fondement de cette approche innovante est une compréhension profonde de la mobilité humaine. Plutôt que de s’appuyer sur des modèles de trajet synthétiques ou moyens, l’équipe de recherche a utilisé un ensemble de données riche sur le comportement réel de conduite. Leur analyse s’est basée sur un mois d’enregistrements de trajets du service de covoiturage Didi Chuxing dans la ville de Chengdu. Cela a fourni une image haute résolution des déplacements réels, incluant les points de prise en charge et de destination, les horaires de trajet et les trajectoires des véhicules. Pour transformer ces données brutes de GPS en un modèle significatif du comportement urbain, les chercheurs ont construit une représentation numérique détaillée du réseau routier de la ville. En utilisant un logiciel de Système d’Information Géographique (SIG), ils ont cartographié les routes principales et les intersections, créant un graphe topologique que les véhicules simulés pouvaient naviguer. De plus, ils ont enrichi ce modèle spatial en intégrant des données de Points d’Intérêt (POI) de Gaode Map, un service leader de cartographie numérique en Chine. Cela leur a permis de classer différentes zones de la ville en zones fonctionnelles — résidentielles, commerciales, professionnelles et de service public —, fournissant un contexte sur les raisons pour lesquelles les gens se déplacent d’un point à un autre. Cette fusion de données de trajet réelles avec un réseau routier géographiquement précis et annoté fonctionnellement est une avancée significative, garantissant que la demande simulée de recharge est ancrée dans la réalité, reflétant les véritables modèles de déplacement, d’achat et d’activités de loisirs.
Avec un modèle réaliste du comportement de déplacement établi, la prochaine étape a été de comprendre les besoins de recharge qui en découlent. Les chercheurs ont simulé les trajets de 2 000 véhicules électriques privés sur une journée représentative. Pour chaque véhicule, ils ont suivi son état de charge (SOC), calculant la consommation d’énergie en fonction de la distance parcourue et du type de route (par exemple, autoroute versus rue urbaine), ce qui affecte la vitesse et l’efficacité. Un événement de recharge était déclenché lorsque le niveau de la batterie tombait en dessous d’un seuil de sécurité, typiquement 20 %. Ce processus a généré une carte très détaillée, spatio-temporelle, de la demande de recharge dans toute la ville, révélant des schémas prévisibles. Comme prévu, un pic de recharge significatif est apparu en fin d’après-midi et en soirée, entre 17h et 22h, lorsque les conducteurs rentraient du travail et d’autres activités. En revanche, la demande de recharge était beaucoup plus faible dans les premières heures de la matinée. Cette prévision granulaire de quand et où la recharge se produirait a fourni l’entrée essentielle pour la phase d’optimisation suivante.
Le grand nombre et la diversité des VE rendent peu pratique pour un agrégateur de charge de gérer chaque véhicule individuellement. Pour résoudre ce problème, les chercheurs ont utilisé un algorithme de clustering K-means++, une forme avancée d’apprentissage automatique non supervisé. Cet algorithme a regroupé les 2 000 VE en cinq clusters distincts en fonction de la similarité de leurs horaires d’entrée et de sortie du réseau — les périodes où ils étaient disponibles pour charger ou restituer de l’énergie au réseau. L’algorithme K-means++ a été choisi par rapport au K-means standard car il sélectionne intelligemment les centres initiaux des clusters pour qu’ils soient aussi éloignés que possible, ce qui améliore considérablement la vitesse et la fiabilité du processus de clustering, évitant les regroupements sous-optimaux. Les clusters résultants représentaient différents archétypes d’utilisateurs : un groupe qui se connectait tôt le matin, un autre qui rentrait tard le soir, un troisième qui avait une fenêtre de recharge en milieu d’après-midi, et ainsi de suite. Ce clustering est une étape cruciale, car il permet à l’LA de traiter chaque groupe comme une entité plus prévisible avec une fenêtre de disponibilité définie, simplifiant énormément le problème de planification.
Au cœur du système proposé se trouve le jeu de Stackelberg, un cadre mathématique pour modéliser la prise de décision hiérarchique. Dans ce scénario, l’agrégateur de charge (LA) est le « leader », et les cinq clusters de VE sont les « suiveurs ». Le jeu se déroule dans une séquence spécifique. Tout d’abord, l’LA, qui possède ou gère un portefeuille de ressources énergétiques distribuées incluant des éoliennes, des panneaux solaires et un système de stockage d’énergie par batterie (BESS), annonce sa stratégie de prix pour la journée. Cette stratégie consiste en deux prix dynamiques pour chaque heure : un prix d' »achat » plus élevé auquel l’LA achètera de l’électricité des VE qui restituent de l’énergie au réseau (V2G), et un prix de « vente » plus bas auquel il vendra de l’électricité aux VE qui chargent. L’objectif principal de l’LA est de maximiser son propre profit, calculé comme ses revenus provenant de la vente d’énergie au réseau et à ses clients, moins ses coûts pour l’achat d’énergie du réseau et la maintenance de ses actifs énergétiques.
Les clusters de VE, en tant que suiveurs, observent les prix annoncés par l’LA et prennent ensuite leurs propres décisions optimales. L’objectif de chaque cluster est de maximiser son « surplus du consommateur », qui est la différence entre le bénéfice total que ses membres tirent de la recharge et le coût total qu’ils encourrent. C’est ici que le modèle introduit un concept révolutionnaire : la satisfaction de l’utilisateur. Plutôt que de traiter les propriétaires de VE comme des agents purement économiques, les chercheurs ont développé une fonction d’utilité complète qui capture deux aspects clés de l’expérience utilisateur. Le premier est la satisfaction du coût de recharge, qui est une métrique économique directe — les utilisateurs préfèrent les prix bas. Le second est la satisfaction du modèle d’utilisation, qui mesure dans quelle mesure le planning de recharge optimisé s’écarte du comportement naturel, non optimisé, de l’utilisateur. Un conducteur qui recharge normalement immédiatement après son retour à 18h pourrait être insatisfait si le planning optimal exige d’attendre jusqu’à 21h, même si le prix est plus bas. Cette fonction quantifie cet inconvénient. La satisfaction générale de l’utilisateur est une somme pondérée de ces deux composantes, permettant au modèle de représenter différents types d’utilisateurs. Certains utilisateurs sont très sensibles au prix et sont prêts à changer considérablement leur heure de recharge pour économiser de l’argent. D’autres privilégient la commodité et sont moins enclins à modifier leurs habitudes, même pour un gain financier.
Le génie de l’équilibre de Stackelberg réside dans le fait qu’il trouve une solution stable où aucun joueur ne peut améliorer son résultat en changeant unilatéralement sa stratégie. L’LA fixe des prix conçus pour provoquer une réponse spécifique et rentable des clusters de VE. Les clusters de VE, à leur tour, répondent en chargeant et en déchargeant d’une manière qui maximise leur propre satisfaction compte tenu de ces prix. Les chercheurs ont utilisé un algorithme génétique amélioré pour résoudre ce problème complexe d’optimisation imbriquée, ajustant itérativement les prix de l’LA et les réponses des clusters jusqu’à ce qu’un équilibre soit atteint.
Les résultats de la simulation démontrent l’impact profond de cette approche. Par rapport à un scénario sans réponse à la demande, la stratégie optimisée a conduit à un effet significatif de « lissage des pics et remplissage des creux » sur la courbe de charge du réseau. La différence entre le pic et le creux, une métrique clé de la tension sur le réseau, a été réduite de plus de 300 kW, une amélioration substantielle qui améliore la stabilité du réseau et réduit le besoin de centrales électriques de pointe coûteuses. Les revenus de l’LA ont augmenté de 12,9 %, un résultat direct de sa capacité à acheter à bas prix, vendre à haut prix et gérer efficacement ses propres actifs renouvelables et de stockage. Crucialement, le surplus du consommateur pour les utilisateurs de VE a également augmenté en moyenne de 9,7 %. Cela signifie que, malgré le changement stratégique de leurs horaires de recharge, les utilisateurs se sont retrouvés dans une meilleure situation, principalement parce que les économies financières réalisées en chargeant à bas prix et en vendant à haut prix ont surpassé le petit inconvénient d’un horaire modifié. Cette augmentation simultanée du profit et de la satisfaction de l’utilisateur est la marque d’un système véritablement réussi et durable.
Le modèle s’est également révélé très efficace pour intégrer les énergies renouvelables. En alignant la recharge des VE sur les périodes de forte production solaire et éolienne — typiquement en milieu de journée lorsque le soleil brille et que le vent souffle — le système a considérablement augmenté l’utilisation de ces sources propres. Au lieu que cette énergie renouvelable soit limitée (gaspillée) faute de demande immédiate, elle est stockée dans les batteries des VE. Cette énergie stockée est disponible pour être restituée au réseau pendant le pic du soir, lorsque la demande est élevée et que la production renouvelable est faible. Cela réduit non seulement les émissions de carbone, mais améliore également l’économie globale des projets d’énergie renouvelable.
L’une des conclusions les plus convaincantes de l’étude est sa capacité à fournir un service personnalisé basé sur les préférences de l’utilisateur. Les chercheurs ont exécuté trois scénarios différents en ajustant les poids dans la fonction de satisfaction de l’utilisateur. Dans un scénario, les utilisateurs ont été modélisés comme très sensibles au prix. L’LA a répondu en créant un signal de prix avec un grand écart entre les prix de pointe et hors pointe. Cela a créé un fort incitatif financier pour que les utilisateurs déplacent leur recharge, conduisant à une courbe de charge très plate et un surplus du consommateur élevé, bien que le profit de l’LA ait été légèrement inférieur. Dans un autre scénario, les utilisateurs ont été modélisés comme très sensibles à la commodité. L’LA a offert une structure de prix plus plate avec moins de variation, entraînant un changement plus faible dans le comportement de recharge. Bien que ces utilisateurs aient eu un surplus du consommateur plus faible, leurs modèles de recharge étaient plus proches de leurs habitudes naturelles, et l’LA a atteint son profit le plus élevé. Cette flexibilité montre que le système n’est pas une solution universelle, mais une plateforme dynamique qui peut être adaptée pour servir différents segments de marché et profils d’utilisateur.
Cette recherche représente un bond significatif dans le domaine de la gestion des réseaux intelligents. Elle comble avec succès le fossé entre la théorie économique abstraite et la réalité chaotique du comportement humain et de l’infrastructure urbaine. En basant leur modèle sur des données de trajet réelles, en respectant les préférences des utilisateurs grâce à une fonction d’utilité sophistiquée et en utilisant un cadre basé sur la théorie des jeux pour modéliser l’interaction stratégique, Zhang Meixia, Wang Xiaoqing, Yang Xiu, Zhang An et Fu Yulin ont créé un plan pour un avenir où les véhicules électriques ne sont pas seulement un moyen de transport, mais un composant intégral, intelligent et bénéfique d’un système énergétique résilient, propre et efficace. Leur travail démontre que, avec la bonne conception, la transition vers la mobilité électrique peut être un voyage fluide et avantageux pour tous les participants.
Meixia Zhang, Xiaoqing Wang, Xiu Yang, An Zhang, Yulin Fu, Collège de Génie Électrique, Université de l’Énergie Électrique de Shanghai, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.230925