Les véhicules électriques optimisent les réseaux électriques
Une nouvelle étude scientifique redéfinit le rôle des véhicules électriques (VE) dans le système énergétique moderne, transformant ces derniers d’unités de consommation passives en acteurs clés de l’optimisation des réseaux de transmission et de distribution. La recherche, intitulée « Research on the Low-Carbon Strategy of Coordinated Loss Reduction of Transmission and Distribution Network Considering the Temporal-Spatial Distribution of EV Charging and Discharging », démontre qu’une gestion intelligente de la charge et de la décharge des VE peut réduire de manière significative les pertes d’énergie dans le réseau, augmenter l’intégration des sources d’énergie renouvelable et améliorer l’économie globale du système électrique.
Dirigée par Cheng Hulin, de State Grid Hebei Electric Power Co., Ltd., en collaboration avec des chercheurs de l’Université Yanshan, cette étude pionnière introduit un modèle d’optimisation hiérarchique à trois niveaux qui rompt avec les paradigmes traditionnels de fonctionnement des réseaux. Publiée dans la revue prestigieuse Electrical Measurement & Instrumentation (vol. 61, n° 11, 15 novembre 2024), la recherche aborde l’un des défis les plus pressants du XXIe siècle : comment intégrer efficacement et de manière stable la quantité croissante d’énergie solaire et éolienne dans une infrastructure de réseau non conçue pour sa variabilité.
Pendant des décennies, les opérateurs de réseau ont traité les réseaux de distribution (ceux qui desservent les foyers et les entreprises) comme des charges passives et les réseaux de transmission (les lignes à haute tension) comme des sources d’énergie fixes. Cette approche, connue sous le nom d’« opération isolée », est devenue obsolète. La prolifération des panneaux solaires sur les toits et des éoliennes décentralisées a transformé de nombreux réseaux de distribution en producteurs actifs d’énergie, créant des flux de puissance bidirectionnels que le système traditionnel ne peut pas gérer efficacement. Cela entraîne des inefficacités, comme des pertes techniques d’énergie (dissipée sous forme de chaleur dans les câbles) et le gaspillage d’énergie renouvelable (connu sous le nom de « rejet d’énergie »), lorsque le réseau ne peut pas absorber toute l’électricité générée.
Le modèle proposé par l’équipe de Cheng Hulin offre une solution intégrée et révolutionnaire. Son approche repose sur la création d’un dialogue dynamique et bidirectionnel entre les réseaux de transmission et de distribution, utilisant deux variables clés comme monnaie d’échange : le prix de liquidation du réseau de transmission et la quantité d’électricité achetée ou vendue entre les deux réseaux. L’innovation fondamentale réside dans le fait que le prix de liquidation n’est pas calculé de manière statique, mais intègre explicitement les pertes d’énergie qui se produisent pendant la transmission. Cela signifie que le prix reflète le véritable coût physique de la livraison d’électricité, créant un système d’incitations beaucoup plus précis.
Ce mécanisme de prix dynamique agit comme un système nerveux central pour l’ensemble du système. Lorsque le réseau de transmission annonce un prix de liquidation, ce dernier ne reflète pas seulement l’offre et la demande, mais aussi l’état de congestion et les pertes sur les lignes à haute tension. Les réseaux de distribution reçoivent ce prix et l’utilisent comme signal pour prendre des décisions optimales sur la gestion de leurs propres ressources internes. Cela inclut la décision de la quantité d’électricité à acheter sur le réseau principal, de l’énergie solaire locale à consommer, de l’utilisation de générateurs de secours et, de manière cruciale, de la programmation de la charge et de la décharge des véhicules électriques.
C’est ici que réside la véritable génialité du modèle. La plupart des stratégies de gestion des VE se concentrent uniquement sur le quand recharger (par exemple, encourager la recharge pendant la nuit lorsque la demande est faible). Cette étude va un pas plus loin et résout le problème du où. Elle introduit un troisième niveau d’optimisation : la « couche de planification spatiale des VE ». Ce composant prend comme entrée les résultats optimaux de charge et de décharge dans le temps calculés par les niveaux supérieurs, puis détermine le meilleur emplacement physique au sein du réseau de distribution pour la connexion des véhicules.
La logique est simple mais puissante. Les pertes d’énergie dans un réseau de distribution ne sont pas uniformes ; elles sont beaucoup plus élevées aux nœuds (points de connexion) qui sont éloignés de la sous-station principale, où la tension est plus faible et la résistance des câbles est plus élevée. Le modèle optimise l’emplacement des VE pour minimiser ces pertes. Par exemple, il programme les véhicules pour qu’ils se rechargent principalement sur des nœuds proches de la sous-station pendant les heures de faible demande. Cela exploite la haute tension et la faible résistance de ces zones, réduisant ainsi l’énergie perdue pendant la recharge.
En revanche, il programme les véhicules pour qu’ils se déchargent (en utilisant la technologie V2G, Vehicle-to-Grid) sur des nœuds situés dans les zones les plus éloignées et les plus chargées, comme les centres commerciaux ou les zones résidentielles pendant les heures de pointe. En déchargeant de l’électricité localement à ces points, les VE agissent comme de petites centrales électriques distribuées, fournissant de l’énergie directement là où elle est nécessaire. Cela réduit considérablement la quantité de courant qui doit circuler de la sous-station à travers de longues lignes, ce qui à son tour réduit les pertes par résistance et aide à maintenir la tension dans des limites sûres.
Les résultats de la simulation, basée sur un système de test standard (le réseau IEEE à 33 nœuds), sont impressionnants. Par rapport à l’opération isolée traditionnelle, la stratégie de coordination proposée réduit les coûts totaux du système d’environ 49 400 dollars par jour. Cette réduction provient de plusieurs facteurs : des coûts de production inférieurs, moins de pénalités pour l’abandon d’énergie solaire et, surtout, une réduction significative des pertes de réseau. Le prix de liquidation du réseau de transmission diminue constamment au cours de la journée, un indicateur clair que les pertes sur les lignes à haute tension ont été réduites, ce qui se traduit directement par un fonctionnement plus efficace et moins d’émissions de carbone.
Au niveau de la distribution, les avantages sont tout aussi notables. Le taux de perte de réseau moyen dans le réseau de test est passé de 0,24 % à 0,21 %. Bien que cela semble une amélioration marginale, à l’échelle d’un réseau électrique national, cette différence représente une quantité énorme d’énergie économisée. De plus, la stratégie a amélioré le taux d’absorption de l’énergie solaire de 95,4 % à 98,1 %, sauvant une grande quantité d’énergie propre qui aurait autrement été gaspillée. Pour les propriétaires de VE, la stratégie est également économiquement avantageuse. En rechargeant lorsque les prix sont bas (la nuit) et en vendant de l’électricité lorsque les prix sont élevés (pendant la journée), la flotte de VE simulée a généré des revenus d’arbitrage d’environ 412 dollars par heure.
Un défi crucial pour la mise en œuvre de ce type de modèles complexes est la vitesse de calcul. Résoudre un problème d’optimisation impliquant des réseaux de transmission, de distribution et des milliers de véhicules électriques est intensif en calcul. Les méthodes traditionnelles d’itération nécessitent un échange constant de données entre les différents sous-systèmes, ce qui conduit à des temps de résolution prohibitivement longs. Pour surmonter cet obstacle, l’équipe de recherche a utilisé un algorithme de pointe appelé Optimisation Concurrente de Sous-espaces (CSSO).
Cet algorithme représente un saut qualitatif en termes d’efficacité. Au lieu de forcer les sous-systèmes à attendre les résultats des autres, le CSSO permet au réseau de transmission et à chaque réseau de distribution d’effectuer leurs calculs en parallèle et de manière quasi indépendante. Ils utilisent des modèles de « surface de réponse » (construits avec des réseaux neuronaux) pour prédire comment leurs décisions affecteront le système global. Cela élimine la nécessité de milliers d’itérations de rétroaction. Le résultat est spectaculaire : le modèle a été résolu en seulement 112 secondes, une amélioration d’au moins un ordre de grandeur par rapport aux méthodes traditionnelles qui ont pris plus de 18 minutes. Cette rapidité est essentielle pour que le système soit viable dans les opérations du monde réel, où les décisions doivent être prises en temps quasi réel.
Au-delà des chiffres, cette étude a des implications profondes pour l’avenir de la mobilité électrique et de la politique énergétique. Elle démontre que les véhicules électriques ne sont pas un fardeau pour le réseau, mais une solution. Leur batterie, lorsqu’elle est gérée de manière intelligente, devient une ressource de stockage distribué d’une valeur inestimable. Pour que cela devienne une réalité, un changement de paradigme est nécessaire. Les opérateurs de transmission (TSO) et les opérateurs de distribution (DSO) doivent passer d’un fonctionnement en silos à une collaboration étroite, en partageant des données et en alignant leurs objectifs. Les politiques doivent évoluer pour créer des marchés qui récompensent les propriétaires de VE pour la fourniture de services de flexibilité au réseau.
L’infrastructure doit également s’adapter. Des stations de recharge intelligentes capables de communiquer avec l’opérateur de réseau et de recevoir des signaux de prix en temps réel seront nécessaires. Les régulateurs doivent permettre aux agrégateurs (entreprises regroupant des milliers de VE) de participer aux marchés de l’énergie en tant qu’acteur unique, maximisant ainsi leur impact. La recherche de Cheng Hulin, Wu Jian, Zhang Jing, Li Yanlin, Shi Benbo et Lu Zhigang ne présente pas seulement un modèle mathématique ; c’est une feuille de route vers un avenir énergétique plus intelligent, efficace et durable, dans lequel l’automobile électrique joue un rôle central dans la décarbonation du système énergétique.
Le cœur de la stratégie réside dans une architecture en trois couches. La couche supérieure opère au niveau du réseau de transmission, dont l’objectif principal est la minimisation des coûts. Cela inclut la minimisation des coûts de production des unités conventionnelles, des pénalités pour l’abandon de production renouvelable et des coûts de réponse à la demande, tout en maximisant les revenus de la vente d’électricité. Une innovation clé réside dans l’intégration des pertes de réseau de transmission dans le calcul du prix de liquidation – le taux auquel l’électricité est achetée et vendue sur les marchés de gros. Contrairement aux modèles conventionnels qui supposent des pertes fixes ou négligeables, cette étude tient compte explicitement de la façon dont la dissipation d’énergie sur les lignes à longue distance affecte les signaux de prix. Par conséquent, le prix de liquidation devient une variable dynamique influencée par les conditions réelles du réseau, créant une boucle de rétroaction avec les réseaux de distribution en aval.
Cette interaction bidirectionnelle est cruciale. Lorsque le réseau de transmission envoie un signal de prix au réseau de distribution, celui-ci reflète non seulement l’offre et la demande, mais aussi le coût physique de la livraison de l’énergie sur de longues distances. En retour, les réseaux de distribution réagissent en ajustant leurs propres stratégies de dispatching, y compris la quantité d’électricité qu’ils achètent au réseau principal et la façon dont ils gèrent les ressources locales telles que les panneaux solaires, les micro-turbines et les flottes de véhicules électriques. Ces ajustements alimentent ensuite à nouveau les calculs de pertes et les futurs prix du réseau de transmission, formant un processus d’optimisation en boucle fermée qui améliore l’efficacité globale du système.
Au niveau du réseau de distribution, la deuxième couche du modèle se concentre sur la minimisation des coûts opérationnels locaux, notamment la consommation de carburant pour les générateurs de secours, les pénalités pour l’abandon solaire, les coûts de recharge des véhicules électriques et, de façon critique, les pertes de réseau au sein du réseau de distribution lui-même. Les réseaux de distribution, en particulier ceux en configuration radiale comme le système IEEE à 33 nœuds utilisé dans les simulations, sont particulièrement vulnérables aux pertes élevées en raison de leur topologie et de la concentration des charges loin des sous-stations. Plus l’électricité parcourt de distance, plus d’énergie est perdue sous forme de chaleur dans les conducteurs, un problème exacerbé pendant les heures de pointe.
Pour résoudre ce problème, les chercheurs introduisent une troisième couche : un mécanisme de planification spatiale des véhicules électriques. Alors que de nombreuses études existantes optimisent uniquement le moment de la recharge des VE – en encourageant la recharge en dehors des heures de pointe pour éviter la congestion – ce travail va plus loin en optimisant également la localisation des activités de charge et de décharge à travers le réseau de distribution. Cette dimension spatiale est souvent négligée, pourtant elle a des implications profondes sur les profils de tension, la charge des lignes et, en fin de compte, les pertes techniques.
La couche de planification spatiale utilise les résultats de dispatching optimal des VE en termes de temps des deux couches supérieures comme entrée, puis détermine les meilleurs nœuds (points de connexion) au sein du réseau de distribution pour que les véhicules se branchent. L’objectif est de minimiser les pertes totales de distribution en alignant la recharge des VE sur des nœuds plus proches de la sous-station (où la tension est plus élevée et l’impédance plus faible) et en positionnant les activités de décharge près des nœuds en aval fortement chargés. Ce positionnement stratégique aide à équilibrer la charge, à réduire le flux de courant dans les lignes surchargées et à maintenir la stabilité de la tension – tout ce qui contribue à réduire les pertes dues à la résistance.
Par exemple, dans la simulation basée sur le système IEEE à 33 nœuds, la solution optimisée montre que les VE sont majoritairement rechargés aux nœuds 18 à 22 et 29 à 32 pendant les heures de nuit, lorsque les prix de l’électricité sont bas et que la demande est minimale. Ces nœuds ont été sélectionnés car ils ont des charges existantes relativement légères, leur permettant d’absorber une demande supplémentaire de VE sans provoquer de surcharges thermiques. Inversement, pendant les heures de la journée, les VE se déchargent principalement sur des nœuds à forte charge tels que 5, 10, 31 et 32, agissant efficacement comme des ressources énergétiques distribuées qui fournissent de l’électricité localement, réduisant ainsi la nécessité de tirer du courant de sources éloignées et, par conséquent, réduisant les pertes de ligne.
Les résultats sont convaincants. Comparé à une approche traditionnelle de dispatching isolé – où les réseaux de transmission et de distribution fonctionnent indépendamment et où les VE suivent des modèles de recharge non contrôlés – la stratégie coordonnée proposée réduit les coûts totaux du système d’environ 7 000 dollars par jour dans le cas test. Plus impressionnant encore, elle réduit considérablement les pertes du réseau de transmission, comme en témoigne la réduction notable des prix de liquidation sur toutes les 24 heures. Des prix de liquidation plus bas indiquent des coûts marginaux d’approvisionnement réduits, directement liés aux pertes de transmission. En termes pratiques, cela signifie moins d’énergie gaspillée et moins d’émissions de carbone par unité d’électricité fournie.
Au niveau du réseau de distribution, les avantages sont tout aussi significatifs. Le taux moyen de perte de réseau dans le réseau de distribution testé passe de 0,24 % à 0,21 % avec la nouvelle stratégie – une différence apparemment minime qui se traduit par des économies d’énergie substantielles lorsqu’elle est appliquée à des millions de nœuds dans des réseaux du monde réel. De plus, la gestion améliorée de la charge permet une plus grande pénétration photovoltaïque, augmentant le taux de consommation solaire de 95,4 % à 98,1 %. Cette réduction de l’abandon non seulement améliore la rentabilité pour les propriétaires de panneaux solaires, mais maximise également les avantages environnementaux de la production d’énergie propre.
L’un des aspects les plus remarquables de cette recherche est son efficacité computationnelle. Résoudre un problème d’optimisation entièrement couplé entre transmission, distribution et VE est notoirement difficile en raison de la grande dimensionnalité et des non-linéarités impliquées. Les méthodes itératives traditionnelles nécessitent des échanges fréquents de données entre les sous-systèmes, entraînant de longs temps de calcul et des problèmes potentiels de convergence. Pour surmonter cela, l’équipe emploie l’algorithme d’Optimisation Concurrente de Sous-espaces (CSSO), une technique de calcul parallèle qui décompose le problème global en sous-problèmes plus petits et indépendants.
Dans cette approche, le réseau de transmission et chaque réseau de distribution sont traités comme des sous-espaces séparés. Chaque sous-système effectue sa propre optimisation en utilisant des données locales et des conditions limites partagées (telles que les flux de puissance d’interconnexion et les prix). Au lieu d’attendre des mises à jour en temps réel des autres sous-systèmes, ils utilisent des approximations de surface de réponse – construites à l’aide de réseaux neuronaux RELU – pour prédire comment les changements dans leurs décisions affecteront le système plus large. Ces approximations permettent un calcul parallèle, réduisant considérablement le nombre d’itérations nécessaires pour atteindre un optimum global.
Les gains de performance sont spectaculaires. Alors qu’une méthode traditionnelle de Descente de Gradient Hybride (HGD) a mis plus de 1 100 secondes pour converger, la solution basée sur CSSO a atteint l’optimalité en seulement 112 secondes – plus d’un ordre de grandeur plus rapide. Cette accélération est cruciale pour une mise en œuvre pratique, où les opérateurs de réseau doivent prendre des décisions de planification en quasi temps réel, surtout dans des systèmes avec une grande volatilité des énergies renouvelables et une demande réactive.
Au-delà des réalisations techniques, l’étude a d’importantes implications pour la politique et la conception du marché. Elle démontre que les véhicules électriques peuvent jouer un rôle central dans la décarbonisation du réseau s’ils sont correctement intégrés aux opérations du système. Plutôt que d’être perçus comme une source d’incertitude et de stress, les VE peuvent devenir une ressource de flexibilité précieuse – à condition que les signaux du marché et les architectures de contrôle soient conçus pour exploiter tout leur potentiel.
Les conclusions de cette étude ouvrent une voie nouvelle vers une réduction des pertes, une diminution des émissions et une plus grande intégration des énergies renouvelables. Leur travail témoigne du potentiel transformateur d’une gestion intelligente et pilotée par les données du réseau à l’ère de la mobilité électrifiée.
Cheng Hulin, Wu Jian, Zhang Jing, Li Yanlin, Shi Benbo, Lu Zhigang, State Grid Hebei Electric Power Co., Ltd. and Yanshan University, Electrical Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2024.11.016