Clusters VE : une nouvelle ère pour les réseaux énergétiques et de transport
L’essor fulgurant de la mobilité électrique ne se contente pas de transformer notre manière de nous déplacer ; il redessine en profondeur les infrastructures qui sous-tendent notre vie moderne. Les véhicules électriques (VE) ne sont plus perçus simplement comme des substituts aux moteurs à combustion interne, mais comme des actifs dynamiques et intelligents, capables de tisser des liens fondamentaux entre deux systèmes critiques : le réseau de transport et le réseau électrique. Cette convergence, souvent désignée sous le nom de « réseau de couplage énergie-transport », ouvre une opportunité unique d’améliorer l’efficacité, la durabilité et la résilience de ces deux systèmes. Cependant, exploiter pleinement ce potentiel exige de dépasser les modèles simplistes et d’embrasser l’interaction complexe et dynamique entre les déplacements des VE et leur consommation d’électricité. Une étude pionnière menée par l’Université des Sciences et Technologies de Kunming, publiée dans la prestigieuse revue Automation of Electric Power Systems (AEPS), propose une solution sophistiquée. Elle présente une nouvelle stratégie visant à libérer toute la flexibilité des clusters de VE grâce à une optimisation coordonnée et dynamique, offrant une vision radicalement nouvelle de l’intégration des véhicules électriques dans la ville intelligente de demain.
Le défi est intrinsèquement multidimensionnel. D’un côté, la recharge non coordonnée d’une flotte croissante de VE peut exercer une pression considérable sur les réseaux de distribution électrique locaux, provoquant des fluctuations de tension, une surcharge des équipements et des coûts opérationnels plus élevés pour les gestionnaires de réseau. Ce phénomène est particulièrement aigu durant les heures de pointe, lorsque la demande d’électricité est déjà à son maximum. De l’autre côté, les décisions que prennent les conducteurs de VE — leur destination, leur itinéraire et le choix de leur station de recharge — sont profondément influencées par les conditions de trafic en temps réel, la disponibilité des stations et les tarifs appliqués. Cette interconnexion crée un puissant effet de rétroaction : la congestion du trafic peut entraîner de longues files d’attente aux stations de recharge les plus populaires, ce qui dissuade à son tour les conducteurs de s’y rendre. Cela détourne potentiellement la demande de trafic et de recharge vers des sites moins optimaux, créant un cercle vicieux. Le résultat est une distribution inégale de la charge, où certaines parties du réseau électrique sont surchargées tandis que d’autres restent sous-utilisées, et où certaines routes sont paralysées par les embouteillages alors que d’autres sont désertes. La clé pour briser ce cycle et atteindre un système harmonieux et efficace réside dans la transformation du statut du VE. Il ne doit plus être considéré comme un simple consommateur passif d’énergie, mais comme un participant actif et flexible au sein d’un réseau plus vaste et intégré, capable de contribuer à la stabilité et à l’efficacité globales.
La recherche, menée par le professeur Liu Zhijian et son équipe, comprenant les étudiants en master Dai Jing et Yang Lingrui, s’attaque directement à ce défi complexe. Leur travail transcende les limites des études antérieures, qui examinaient souvent les systèmes énergétiques et de transport de manière isolée ou utilisaient des modèles statiques incapables de capturer la nature fluide et en temps réel des flux de trafic et d’énergie. Par exemple, des modèles antérieurs auraient pu déterminer un prix de recharge optimal pour une station en se basant sur une simple photographie instantanée de la demande, ignorant ainsi l’impact que ce prix aurait sur le comportement des conducteurs dans l’heure suivante, alors que les schémas de circulation évoluent. D’autres modèles tentaient de guider les conducteurs en se fondant uniquement sur le chemin physique le plus court, une stratégie fondamentalement égoïste qui conduit à la « tragédie des biens communs ». Dans ce scénario, le choix optimal pour chaque individu — emprunter la route la plus rapide — mène à un résultat collectivement suboptimal : une congestion généralisée et une surcharge du réseau électrique. L’innovation centrale de l’approche de l’équipe de Kunming réside dans son cadre d’optimisation en deux couches, dynamique et sophistiqué.
Ce modèle ne se contente pas d’observer séparément le réseau électrique et le réseau routier ; il crée un dialogue continu et interactif entre les deux. Pour ce faire, il utilise un concept puissant appelé « coût instantané de déplacement par flux unitaire » comme signal universel. Ce coût ne se résume pas à une simple addition du prix de l’électricité et des péages. Il s’agit d’une métrique sophistiquée, calculée en temps réel, qui encapsule la charge économique totale d’un trajet à un instant donné. Elle intègre le coût direct de l’électricité pour la recharge, la valeur du temps perdu par le conducteur pendant son trajet (le « coût du temps »), et un élément crucial et novateur : un coût de pénalité pour les retards occasionnés par l’attente en file d’attente à une station de recharge. En intégrant ces trois facteurs, le modèle parvient à créer une vision holistique et précise de la santé globale du système énergético-transport.
Le processus commence par une simulation détaillée du réseau de trafic dynamique. Les chercheurs utilisent une méthode appelée « chargement dynamique de réseau » (Dynamic Network Loading, DNL) pour modéliser la propagation du trafic à travers les routes et les intersections de la ville au fil du temps. Une caractéristique clé de leur modèle est l’ingénieuse utilisation d’« arcs virtuels » pour représenter à la fois les points de départ des trajets et les stations de recharge elles-mêmes. Cette abstraction élégante permet de traiter mathématiquement le processus complexe d’attente et de recharge à une station de la même manière que la conduite sur une route. Cela implique de lui attribuer son propre « temps de trajet », qui augmente à mesure que davantage de VE rejoignent la file d’attente. Ce temps de trajet est calculé à l’aide d’une « fonction d’impédance d’arc », une relation mathématique qui illustre comment le temps nécessaire pour traverser un segment — qu’il s’agisse d’une route physique ou d’un arc de recharge virtuel — augmente de manière non linéaire en fonction du nombre de véhicules qui l’utilisent. Ce mécanisme capte parfaitement la réalité : ajouter une voiture de plus à une route peu fréquentée a peu d’impact, mais ajouter une voiture de plus à une autoroute déjà saturée peut ralentir drastiquement tous les usagers.
Une fois ce modèle de trafic dynamique en place, l’attention se déplace vers les VE eux-mêmes. Les chercheurs reconnaissent que tous les VE ne sont pas identiques. Ils existent sous différentes formes — voitures particulières, bus, véhicules de covoiturage — chacun avec des schémas de conduite, des tailles de batterie et des besoins de recharge distincts. Plus important encore, la flexibilité d’un VE individuel n’est pas statique ; elle dépend de son état de charge actuel, de sa destination finale et de la durée pendant laquelle il prévoit de rester à une station de recharge. L’équipe a donc développé un « domaine de fonctionnement flexible » pour chaque VE, une représentation mathématique de tous les schémas de charge et de décharge possibles qu’il peut suivre tout en satisfaisant les besoins de son conducteur. Ce domaine définit précisément les limites supérieure et inférieure de la puissance que le VE peut absorber du réseau ou y injecter à un moment donné.
Le véritable génie du modèle réside dans sa capacité à agréger des milliers de VE individuels en un seul « cluster » gérable. Tenter de gérer chaque VE individuellement serait une tâche computationnellement impossible. Pour résoudre ce problème, les chercheurs emploient une technique mathématique sophistiquée connue sous le nom de somme de Minkowski, combinée à une approximation linéaire utilisant une forme géométrique appelée « zonotope ». Cette méthode leur permet de combiner efficacement les domaines de fonctionnement flexible de centaines, voire de milliers de VE, en un seul domaine de fonctionnement flexible, variable dans le temps, pour l’ensemble du cluster à une station de recharge donnée. Ce cluster agrégé peut alors être traité comme une grande batterie virtuelle, une unité de « stockage d’énergie généralisé » que le réseau électrique peut mobiliser pour aider à équilibrer l’offre et la demande.
C’est ici que les deux couches du modèle s’assemblent pour former un puissant système de rétroaction. La couche supérieure est le modèle d’Optimisation du Réseau de Transport (TNO), dont l’objectif est de minimiser le coût total de déplacement pour tous les utilisateurs de VE sur l’ensemble du réseau. Il utilise le « coût instantané de déplacement par flux unitaire » en temps réel pour guider les conducteurs vers les itinéraires et les stations de recharge les plus efficaces. Ce coût est dérivé de l’état actuel du réseau : des prix élevés de l’électricité à une station, un trafic dense sur un itinéraire ou de longues files d’attente à un chargeur augmentent tous le coût d’utilisation de ce chemin, dissuadant ainsi les conducteurs de le choisir.
La couche inférieure est le modèle d’Optimisation du Réseau de Distribution (DNO), qui se concentre sur le fonctionnement économique et stable du réseau électrique. Son objectif est de minimiser les coûts, qui incluent les dépenses liées au fonctionnement des générateurs traditionnels, les pénalités pour être obligé de limiter (et donc de gaspiller) l’énergie renouvelable provenant de parcs éoliens ou solaires lorsque l’offre est trop importante, et les pénalités pour être contraint de réduire (coupure) l’alimentation des clients non-VE pendant les périodes de forte demande. Le modèle DNO utilise le domaine de fonctionnement flexible agrégé des clusters de VE comme un outil puissant et nouveau. Lorsque la production d’énergie renouvelable est élevée et que les prix de l’électricité sont bas, le modèle peut envoyer un signal à la couche TNO pour encourager davantage de VE à se recharger aux stations connectées à cette partie du réseau, stockant ainsi efficacement l’excès d’énergie propre. À l’inverse, lorsque la demande est élevée et que les prix flambent, le modèle peut inciter les VE à restituer de l’énergie au réseau (Vehicle-to-Grid, ou V2G), aidant à couvrir la demande de pointe et évitant ainsi des pénalités coûteuses.
La brillance du système réside dans sa nature itérative. Le modèle TNO calcule les flux de trafic en fonction des coûts actuels. Ces flux déterminent quels VE se trouvent à quelles stations de recharge et pendant combien de temps, ce qui, à son tour, définit le domaine de fonctionnement flexible disponible pour le modèle DNO. Le modèle DNO calcule ensuite un nouvel ensemble de prix optimaux pour l’électricité et de coûts du système. Ces prix mis à jour sont renvoyés au modèle TNO, modifiant le « coût instantané de déplacement par flux unitaire » et incitant les conducteurs à ajuster leur comportement. Ce cycle se répète jusqu’à ce que le système atteigne un état optimal et stable, où les décisions des conducteurs et les besoins du réseau électrique sont parfaitement alignés.
Pour valider leur modèle complexe, les chercheurs ont mené une étude de cas détaillée basée sur une version reconstruite du réseau de transport Nguyen, une référence standard dans ce domaine. Ils ont simulé un réseau avec quatre stations de recharge, chacune connectée à une partie différente d’un réseau électrique simulé. Deux stations étaient situées à proximité de parcs éoliens, une près d’une ferme solaire et une sans génération d’énergie renouvelable locale, créant ainsi un scénario diversifié et réaliste. La simulation a été exécutée sur une période de 8 heures, divisée en intervalles de 5 minutes, avec trois types différents de VE composant la flotte.
Les résultats ont été impressionnants. Comparé à une stratégie traditionnelle de « chemin le plus court », le nouveau modèle de coordination dynamique a démontré des avantages profonds. Dans le scénario du chemin le plus court, les conducteurs se sont naturellement précipités vers les deux stations de recharge les plus proches (c3 et c4). Cela a entraîné une congestion sévère, avec des volumes de trafic sur les routes d’accès dépassant leur capacité et des temps de trajet qui ont explosé. Pendant ce temps, les routes menant aux deux autres stations (c1 et c2) sont restées complètement inutilisées, un gaspillage massif d’infrastructure. Cette congestion s’est traduite par un coût total de déplacement 47 % plus élevé pour les utilisateurs, principalement dû au temps immense perdu dans les embouteillages.
Le scénario du côté du réseau électrique était tout aussi dramatique. En raison de l’absence de VE en charge aux stations c1 et c2, ces parties du réseau n’avaient aucune flexibilité. Lorsque le vent soufflait fort à c2, l’énergie excédentaire n’avait nulle part où aller et était gaspillée, entraînant de lourdes « pénalités de limitation ». De même, lorsque la demande locale a augmenté à c1, le réseau n’avait aucun moyen de la satisfaire avec des ressources flexibles de VE et a dû recourir à des générateurs de secours coûteux et polluants. Le coût opérationnel total pour le réseau électrique était donc significativement plus élevé.
En contraste marqué, le modèle de coordination dynamique a atteint un résultat équilibré et efficace. Le « coût instantané de déplacement par flux unitaire » a guidé avec succès les conducteurs loin des itinéraires congestionnés vers les stations sous-utilisées. Le flux de trafic a été réparti de manière beaucoup plus uniforme sur le réseau, aucune route n’ayant subi de congestion paralysante. Cela a permis une réduction substantielle du temps de trajet et du coût pour les utilisateurs.
L’impact sur le réseau électrique a été véritablement transformateur. Les clusters de VE aux quatre stations sont devenus des participants actifs à la stabilité du réseau. À la station c2, le modèle a dirigé avec succès un grand nombre de VE vers la recharge pendant les périodes de forte production éolienne, absorbant 67,9 % de l’énergie éolienne qui aurait autrement été gaspillée. À la station c3, il a réussi à utiliser 61,7 % de l’excès d’énergie solaire. Cette capacité à « absorber » l’énergie renouvelable a non seulement réduit le gaspillage, mais a également abaissé le coût global de l’électricité. De plus, la disponibilité généralisée de clusters de VE flexibles a permis au réseau de mieux répondre à la demande de pointe. Le modèle a montré une augmentation significative de la « capacité d’approvisionnement en charge », signifiant que les VE étaient en mesure de fournir plus d’énergie au réseau quand elle était nécessaire, réduisant ainsi le besoin de coupures de charge coûteuses. Globalement, l’étude a conclu que la stratégie coordonnée a conduit à une augmentation de 33 % de la consommation d’énergie renouvelable et à une augmentation de 25,8 % de la réponse d’approvisionnement en charge par rapport à la stratégie du chemin le plus court.
Les implications de cette recherche sont vastes. Elle fournit un cadre robuste et mathématiquement solide pour l’avenir des villes intelligentes. Plutôt que de voir les VE comme un problème à gérer, ce travail démontre comment ils peuvent être au cœur de la solution. En créant un canal de communication parfait et en temps réel entre les systèmes de transport et d’énergie, les villes peuvent atteindre un niveau d’efficacité et de durabilité qui était auparavant inatteignable. Les conducteurs bénéficient de temps de trajet plus courts, plus prévisibles et potentiellement de coûts de recharge plus bas. Les gestionnaires de réseau bénéficient d’un réseau plus stable, résilient et économique. La société dans son ensemble bénéficie de réductions significatives des émissions de gaz à effet de serre et d’une transition accélérée vers un avenir énergétique renouvelable.
Liu Zhijian, Dai Jing, Yang Lingrui, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230728004