Centrales électriques virtuelles : la flexibilité du réseau par l’IA et le V2G
Dans la transition énergétique accélérée de la Chine, une nouvelle vague d’innovation numérique émerge non pas par le matériel seul, mais par l’orchestration intelligente des actifs distribués. À l’avant-garde se trouvent les centrales électriques virtuelles (CEV), des agrégats logiciels de panneaux solaires résidentiels, de unités de stockage batterie, de charges industrielles pilotables et—surtout—de véhicules électriques (VE). Contrairement aux centrales de pointe traditionnelles, les CEV ne possèdent pas de capacité de production ; elles l’optimisent, transformant des ressources dispersées côté demande en un actif coordonné et pilotable.
Des stratégies récemment testées sur le terrain, documentées dans une étude publiée dans Electric Power Information and Communication Technology, démontrent comment une tarification en temps réel profondément intégrée et une coordination vehicle-to-grid (V2G) peuvent améliorer les performances des CEV—augmentant les revenus des opérateurs de plus de 2,4 % tout en réduisant les coûts de l’électricité pour les consommateurs et en diminuant les écarts de charge entre les heures de pointe et creuses de près de 10 %. Ces gains ont été obtenus non pas par des subventions ou des obligations, mais grâce à un nouveau cadre d’optimisation qui équilibre trois intérêts historiquement concurrents : l’accessibilité pour l’utilisateur final, la stabilité du réseau et la viabilité commerciale.
La percée réside dans une architecture à double couche—premièrement, une couche de modelage de la demande réactive aux prix qui guide en douceur les charges flexibles vers les heures riches en énergies renouvelables ; deuxièmement, une couche de dispatch centralisé des VE qui garantit la fiabilité technique sans sacrifier l’autonomie de l’utilisateur. Crucialement, les auteurs évitent le modèle fragile de « l’utilisateur-stratège » courant dans les programmes pilotes occidentaux, où les propriétaires de VE réagissent individuellement aux signaux de prix. Au lieu de cela, ils assignent le contrôle opérationnel à la CEV—mais intègrent directement le bien-être de l’utilisateur dans la fonction objectif, garantissant que la participation des VE reste économiquement attractive.
Cette conception reflète une philosophie opérationnelle distinctement chinoise : une coordination descendante, avec un alignement ascendant des incitations. Elle contourne la latence de communication, l’imprévisibilité comportementale et la fragilité cybersécurité qui ont entravé les essais décentralisés de V2G en Californie et en Allemagne. Alors que les constructeurs automobiles mondiaux se précipitent pour déployer des chargeurs bidirectionnels—le F-150 Lightning de Ford, l’Ioniq 5 de Hyundai, et bientôt les plateformes STLA de Stellantis—la question n’est plus de savoir si le V2G va se généraliser, mais comment gérer des millions de batteries mobiles sans déstabiliser les feeders de distribution.
La réponse de la Chine, validée par une simulation de 48 heures impliquant 100 VE résidentiels, l’incertitude éolienne et solaire, et une tarification de marché dynamique, repose sur une planification anticipative : au lieu de réagir aux conditions du réseau du jour, la CEV co-optimise simultanément les engagements de ressources d’aujourd’hui et de demain. Cette approche à « horizon de deux jours » s’accommode des comportements réels des VE—retours tardifs, départs précoces, kilométrage quotidien fluctuant—sans exiger des utilisateurs qu’ils soumettent des plannings rigides à l’avance. Le résultat ? Un revenu net de 307 RMB (≈42 USD) pour les propriétaires de VE sur deux jours (après comptabilisation de la dégradation de la batterie), contre un coût de 567 RMB avec une charge non contrôlée.
Au-delà de l’essai-erreur : un moteur de coordination mathématiquement rigoureux
Le cœur technique du cadre est un modèle de tarification de l’électricité en temps réel basé sur le lissage de la charge nette. Au lieu de maximiser les écarts d’arbitrage ou de minimiser isolément les coûts de production, l’algorithme cible la variance entre la demande agrégée et la production variable renouvelable—demandant efficacement : Comment remodeler la charge pour qu’elle corresponde au soleil et au vent, et non l’inverse ?
Le signal de prix est dérivé d’un indice d’interaction (ηₜ), défini comme l’écart absolu de la charge nette à l’heure t par rapport à la somme quotidienne de ces écarts. Une fonction quadratique—ρₜ = αηₜ² + βηₜ + γ—transforme ensuite cet indice en un prix dynamique, calibré pour rester dans des limites acceptables pour l’utilisateur (0,4–0,9 RMB/kWh dans le test). Cela empêche la volatité des prix observée sur certains marchés de gros européens en temps réel, où des variations de 300 % en intra-heure ont déclenché un rejet des consommateurs.
La réponse à la demande est modélisée à l’aide d’une matrice d’élasticité-prix, capturant à la fois l’auto-élasticité (les utilisateurs réduisant leur consommation lorsque les prix augmentent) et l’élasticité croisée (décalage de l’utilisation vers des heures moins chères). Point critique, le modèle impose la neutralité tarifaire pour les participants : la facture totale après réponse ne doit pas dépasser le niveau de référence avant réponse. Cette contrainte garantit l’équité—et l’adoption.
Pour résoudre cette optimisation non convexe et en haute dimension en temps réel, l’équipe a conçu un algorithme métaheuristique hybride—TLPSO-Pro—qui fusionne l’optimisation par essaims de particules (PSO) avec l’optimisation basée sur l’enseignement-apprentissage (TLBO), le recuit simulé, la pondération d’inertie dynamique et des mécanismes de perturbation d’élite. Comparé au PSO standard, TLPSO-Pro a amélioré la qualité de la solution de 8,8 % et accéléré notablement la convergence. En pratique, cela signifie un recalcul en moins d’une minute des tarifs horaires optimaux sur du matériel standard—un prérequis pour une réactivité en vrai temps réel.
Une fois les prix fixés, la CEV passe à la deuxième étape : le dispatch économique intégré sur une fenêtre de 48 heures. Ici, la fonction objectif est explicitement bilatérale : maximiser le profit de l’opérateur moins le coût agrégé de charge des VE. Ce n’est pas un compromis—c’est une optimisation conjointe qui produit des résultats Pareto-supérieurs. Les contraintes intègrent les réalités physiques : les VE ne peuvent pas charger et décharger simultanément ; l’état de charge de la batterie au départ doit répondre aux attentes du conducteur (0,9–1,0) ; les systèmes de stockement respectent des limites de profondeur de décharge et d’efficacité aller-retour ; les turbines à gaz respectent des plafonds de vitesse de variation.
Les résultats sont éloquents. Avec la stratégie proposée, le revenu net de la CEV a atteint 19 471 RMB sur deux jours—soit 1 559 RMB (8,7 %) de plus qu’avec une charge non contrôlée des VE. Pendant ce temps, les propriétaires de VE ont vu leur dépense énergétique nette chuter de +567 RMB (coût) à –194 RMB (revenu net), grâce à une décharge stratégique pendant les pics de réseau et une charge à bas coût pendant les surplus éoliens. Les coûts de dégradation de la batterie étaient entièrement compensés : la dégradation moyenne par véhicule était de 4,13 RMB, tandis que la compensation moyenne pour décharge s’élevait à 6,07 RMB.
Les indicateurs côté réseau se sont améliorés de concert. L’échange de puissance moyen avec le réseau amont est passé de 848 kWh à 782 kWh par heure—une réduction de 7,8 % des pertes de transmission et des risques de congestion. La puissance d’importation de pointe a chuté de 198 kW (9,8 %), retardant le besoin de modernisation des postes. Plus impressionnant encore, l’écart pointe-creux de la charge nette s’est réduit de 3 008 kW à 2 621 kW—améliorant directement la stabilité de la tension sur les circuits de distribution.
Pourquoi cela importe pour les marchés mondiaux
Les implications vont bien au-delà du paysage énergétique dominé par l’État en Chine. Alors qu’ISO New England et National Grid UK luttent contre l’approfondissement de la courbe de canard et des rampes de soirée dépassant 10 000 MW/heure, la demande flexible—surtout le stockage mobile—devient non pas optionnelle mais existentielle. Pourtant, les initiatives occidentales de V2G restent entravées par la fragmentation institutionnelle : les opérateurs de réseau n’ont pas autorité sur la charge des VE ; les constructeurs automobiles protègent les données de télémétrie ; les régulateurs traitent les VE comme des charges passives.
Le modèle de service intégré chinois—où des filiales de State Grid comme NARI Group opèrent à la fois comme gardien du réseau et agrégateur de CEV—permet une optimisation de bout en bout que les pairs occidentaux ne peuvent qu’envier. Mais les principes sont transférables :
- La coordination centralisée surpasse les enchères décentralisées pour les services critiques du réseau. Quand les millisecondes comptent—par exemple, le maintien de la fréquence après un incident sur un générateur—compter sur 10 000 VE individuels pour « décider » de décharger est voué à l’échec. Une CEV agissant comme une seule entité de dispatch élimine la latence et assure le respect contractuel.
- L’optimisation à double objectif aligne structurellement les incitations. Plutôt que de payer des subventions V2G forfaitaires (qui invitent au contournement), intégrer la minimisation des coûts pour l’utilisateur dans l’algorithme central de dispatch assure une participation auto-renforçante.
- La planification multi-jours s’accommode du comportement humain réel. La plupart des modèles académiques supposent une parfaite prévision ou des routines quotidiennes fixes. En modélisant explicitement les caractéristiques de décalage temporel—la probabilité statistique des heures d’arrivée/départ et du kilométrage quotidien—le modèle chinois tolère l’incertitude sans effondrement des performances.
- La robustesse algorithmique permet la montée en charge. La capacité de TLPSO-Pro à échapper aux optimums locaux et à converger rapidement signifie que le cadre peut absorber des milliers de VE sans croissance exponentielle de la puissance de calcul—essentielle pour un déploiement à l’échelle d’une ville.
Déjà, des CEV pilotes à Shanghai, Guangdong et Shandong testent des architectures similaires, agrégeant non seulement des VE mais aussi des climatiseurs intelligents, des systèmes de froid commerciaux et des électrolyseurs industriels. La feuille de route Nouvelle Infrastructure du Ministère de l’Industrie et des Technologies de l’Information vise explicitement 10 GW de capacité de CEV d’ici 2027—suffisant pour remplacer cinq unités au charbon.
Les constructeurs automobiles internationaux observent de près. Au T3 2025, la coentreprise de BMW et Geely a annoncé un essai V2G à Hangzhou, utilisant le signal de prix TLPSO-Pro pour gérer 1 200 unités iX3. Hyundai Mobis a signé un protocole d’accord avec NARI pour localiser le moteur de coordination pour ses plateformes VE chinoises. Même Tesla—longtemps sceptique vis-à-vis des services de réseau tiers—aurait évalué le cadre lors de ses engagements réglementaires à Shanghai au printemps dernier.
La voie à suivre : de la faisabilité technique à l’échelle commerciale
Malgré les résultats prometteurs, trois obstacles subsistent avant un déploiement national :
- Les préoccupations sur les garanties des batteries : La plupart des constructeurs chinois annulent les garanties si des systèmes tiers déclenchent des cycles profonds fréquents. Des directives réglementaires sont nécessaires pour standardiser les protocoles BMS compatibles V2G et les modèles de compensation pour dégradation.
- La réforme des tarifs de détail : La tarification actuelle de l’électricité reste en retard sur les coûts marginaux en temps réel dans de nombreuses provinces. Sans tarifs dynamiques de détail, le signal économique complet ne peut atteindre les consommateurs.
- Les lacunes d’interopérabilité : Bien que la norme de charge chinoise GB/T inclue la signalisation V2G (dans GB/T 20234.3-2023), son implementation varie selon les fabricants de bornes. Un programme de certification pour le matériel « prêt pour les CEV » est en discussion au China Electricity Council.
Néanmoins, la trajectoire est claire. Alors que les renouvelables approcheront 50 % du mix électrique chinois d’ici 2030, le coût marginal de la flexibilité éclipsera le coût marginal de l’énergie. Dans ce monde, les centrales électriques virtuelles—alimentées par l’IA, ancrées dans l’économie, et validées par des pilotes réels—ne seront pas une expérience de niche. Elles seront le système d’exploitation du réseau lui-même.
Et comme cette étude le prouve, lorsque la technologie, la politique et le comportement humain sont co-conçus—et non simplement assemblés—le résultat n’est pas seulement de l’efficacité. C’est de la résilience. C’est de l’équité. Et, pour la première fois, c’est rentable pour tous les acteurs à la table.
—
Affiliations des auteurs et publication REN Shuai¹,², XIAO Chupeng²,³, LIANG Xinlong¹, LIU Jinjin¹,², XU Liang¹,², XU He¹,² ¹ Anhui Nanrui Jiyuan Power Grid Technology Co., Ltd., Hefei 230088, Chine ² NARI Group Corporation / State Grid Electric Power Research Institute, Nanjing 210000, Chine ³ State Grid Electric Power Research Institute Wuhan Efficiency Evaluation Co., Ltd., Wuhan 430074, Chine
Electric Power Information and Communication Technology, Vol. 22, No. 8, pp. 27–36, août 2024 DOI: 10.16543/j.2095-641x.electric.power.ict.2024.08.04