Des bornes de recharge plus intelligentes grâce au Monte-Carlo et aux réseaux à réserve échoïque
Dans un monde en cours d’électrification rapide, l’un des plus grands obstacles à l’adoption massive du véhicule électrique (VE) n’est ni l’autonomie ni le coût des batteries, mais bien la question de où et quand se brancher. Les villes du monde entier sont confrontées à un paradoxe : des stations de recharge parfois inutilisées tandis que des conducteurs parcourent des pâtés de maison à la recherche d’une prise disponible. Cette inadéquation n’est pas qu’une simple contrariété – elle est inefficace, coûteuse et menace la dynamique même de la révolution du VE.
Cependant, une nouvelle vague de recherche académique est en train de changer la donne – non pas avec du matériel plus performant, mais avec une approche logicielle plus intelligente pour planifier les infrastructures. À l’intersection de la modélisation du comportement routier, de l’apprentissage automatique et de l’ingénierie des systèmes électriques, une équipe de la Shangyi Electric Power Company (filiale de State Grid Jibei Electric Power Company) et de l’Université de Yanshan a dévoilé une méthode novatrice pour prévoir la demande de recharge des VE dans le temps et dans l’espace – et utiliser ces informations pour optimiser l’implantation des nouvelles stations, le nombre de bornes nécessaires et leur dimensionnement.
Le résultat ? Moins d’automobilistes en difficulté, des coûts de construction réduits, une moindre pression sur le réseau et un cadre de planification qui considère enfin les VE non comme des véhicules isolés, mais comme des charges mobiles et dynamiques, façonnées par les routines humaines, la géographie urbaine et les rythmes saisonniers.
C’est le défi central abordé par l’étude : les prévisions traditionnelles de recharge des VE s’appuient souvent sur des données historiques provenant de stations existantes – une méthode qui fonctionne pour optimiser les opérations là où l’infrastructure est déjà en place, mais qui échoue lorsqu’il s’agit de planifier de nouvelles stations dans des zones non encore développées. On ne peut pas prédire la demande pour des bornes qui n’existent pas encore en se basant sur l’utilisation de celles qui existent.
Les chercheurs ont donc pris un chemin différent – littéralement.
Ils ont commencé par découper la zone urbaine cible (40,46 km², avec 79 routes et 49 nœuds de trafic) en 33 cellules de grille, chacune comprise entre 0,64 et 2,25 km². Ces cellules n’étaient pas arbitraires – elles étaient classées selon leur fonction réelle : zones résidentielles, commerciales et industrielles. Pourquoi ? Parce que l’endroit où les gens se trouvent détermine ce qu’ils font. Un conducteur dans un quartier commerçant à 15h00 est beaucoup plus susceptible de se brancher pour une recharge rapide que quelqu’un dans une zone industrielle à minuit.
Puis est venu le moteur comportemental : la simulation de Monte Carlo. Au lieu de supposer un comportement moyen, l’équipe a modélisé des VE individuels – 13 000 voitures privées, 5 000 taxis et 2 000 bus – chacun avec sa propre capacité de batterie (18 kWh, 45 kWh et 200 kWh, respectivement), son kilométrage quotidien (tiré de distributions log-normales reflétant des enquêtes réelles) et ses schémas de déplacement.
Chose cruciale, ils n’ont pas simulé un seul jour « typique ». Ils ont tenu compte des variations saisonnières et des différences entre types de jour : jours de semaine (dominés par les boucles domicile-travail-domicile), week-ends (plus erratiques, domicile-course-domicile ou chaînes multi-étapes complexes) et jours fériés (mélange de loisirs et de pics de voyage). La décision de chaque véhicule de se recharger – et où – était gouvernée par la physique et la psychologie : batterie restante, distance du prochain trajet, seuil minimum acceptable de charge (SOC) et volonté de faire un détour.
Par exemple, le modèle calcule si une voiture privée terminant une course dans une zone commerciale à l’heure du déjeuner a encore assez de jus pour rentrer et effectuer le trajet du lendemain. Si ce n’est pas le cas – ou si le conducteur préfère ne pas prendre le risque – la voiture devient candidate pour une recharge en milieu de journée. Un taxi, en revanche, pourrait se recharger de manière opportuniste toutes les quelques heures, optimisant son temps de service, pas son confort.
En exécutant cette simulation 200 fois (pour lisser le bruit statistique), l’équipe a généré un immense jeu de données synthétiques : la demande de puissance de recharge heure par heure dans chacune des 33 cellules, sur plusieurs jours représentatifs. Ceci est devenu leur « histoire virtuelle » – une carte spatio-temporelle à haute résolution de la charge là où aucune borne réelle n’était encore installée.
Mais la sortie brute de Monte Carlo est bruyante. Les planificateurs réels ont besoin de tendances exploitables – pas de nuages de points de 200 runs stochastiques. Entrez en scène les Réseaux à Réserve Échoïque (ESN) – un type de réseau de neurones récurrents connu pour son apprentissage rapide, sa robustesse aux entrées bruitées et ses solides compétences en prévision de séries temporelles.
Contrairement aux réseaux de neurones traditionnels à rétropropagation qui ajustent tous les poids pendant l’entraînement, les ESN gardent la plupart de leurs connexions internes (« réservoir ») fixes et aléatoires, et n’entraînent que la couche de sortie. Cela les rend légers en calcul et moins sujets au surapprentissage – idéal pour modéliser des courbes de charge complexes et non linéaires avec des données limitées.
Les chercheurs ont entraîné trois ESN distincts – un par type de zone (résidentielle, commerciale, industrielle) – en leur fournissant non seulement les données de charge passées, mais aussi des caractéristiques contextuelles : le type de fonction de la cellule et le flux de trafic estimé. Dimension d’entrée : 10. Taille du réservoir : 500 neurones. Sortie : charge de recharge prévue (kW) pour le pas de temps suivant.
Le résultat ? Lorsqu’il est comparé aux classiques réseaux de neurones à rétropropagation (BP) sur des données de zone résidentielle, l’ESN a réduit l’erreur absolue moyenne en pourcentage (MAPE) de 22 % et l’erreur quadratique moyenne (RMSE) de plus de 25 %. Traduction : il a capturé les pics et les creux de recharge réels – comme la vague résidentielle post-18h00, ou la bosse commerciale du midi – de manière beaucoup plus fidèle. Le modèle n’a pas seulement prédit quelle quantité d’énergie serait tirée ; il a identifié quand et où cela surviendrait.
Armés de prévisions spatio-temporelles précises, l’équipe a ensuite retourné le problème : Étant donné ce schéma de demande, où devrions-nous construire des stations – et quelle taille devraient-elles avoir – pour minimiser le coût sociétal total ?
C’est ici que leur modèle de planification excelle en rejetant la simplification excessive. Trop d’approches passées se concentraient uniquement sur la perspective de l’utility : minimiser les dépenses d’investissement (CapEx). D’autres privilégiaient la commodité du conducteur à tout prix. Ce cadre impose un compromis holistique – équilibrant quatre postes de coût majeurs :
- CapEx & OpEx des infrastructures – Transformateurs, bornes de recharge, acquisition de terrains et maintenance annuelle fixe (échelonnée en pourcentage du coût de construction).
- Coût de déplacement des utilisateurs – Pas seulement le temps, mais l’énergie gaspillée à se rendre aux bornes. Chaque kilomètre de détour brûle une précieuse batterie – payée par le conducteur, souvent à des tarifs de recharge premium.
- Pertes sur le réseau – Une charge de VE concentrée peut surcharger les feeders, augmentant les pertes par effet Joule (I²R). Le modèle quantifie cela en kWh – et le convertit en dollars en utilisant les prix locaux de l’énergie.
- Coût d’opportunité d’un sous/sur-dimensionnement – Trop peu de bornes signifie des files d’attente et des détours ; trop de bornes signifie des actifs sous-utilisés et des tarifs plus élevés.
Le moteur d’optimisation ? L’Optimisation par Essaims de Particules (PSO) – un algorithme bio-inspiré imitant le comportement des volées d’oiseaux ou des bancs de poissons pour explorer efficacement des espaces de solutions à haute dimension. Le PSO ajuste itérativement des solutions candidates (c’est-à-dire des ensembles d’emplacements et de tailles de stations), guidé par un score d’« aptitude » : le coût total annualisé du système.
Des contraintes maintenaient le réalisme :
- La capacité de chaque station plafonnée entre 5 et 45 bornes.
- Un espacement minimum imposé (pour éviter le cannibalisme et assurer une couverture géographique).
- Les limites de connexion au réseau respectées (aucune station ne tirant plus que ce que son feeder peut fournir en toute sécurité).
- L’utilisation simultanée des bornes supposée à 80-100 % (sur la base de données empiriques de flotte).
Le résultat ? Une loi des rendements décroissants claire – et un point optimal.
En testant des nombres de stations de 4 à 10, le modèle a montré un coût total décroissant de 4 à 7 stations – les économies des conducteurs en temps/énergie de déplacement dépassaient le coût de construction supplémentaire. Mais au-delà de 7 ? Les coûts remontaient. Une 8ème station ajoutait environ 200 000 ¥ en matériel et maintenance, mais ne réduisait les coûts de déplacement des utilisateurs que d’environ 20 000 ¥. Le gain marginal ne justifiait pas la dépense.
Sept stations se sont dégagées comme l’optimum, avec un coût sociétal annualisé projeté de 4,696 millions de ¥ (environ 655 000 $ aux taux de change actuels). Ceci se décompose comme suit :
- 4,158 M¥ en construction et maintenance
- 0,248 M¥ en coûts de détour des utilisateurs
- 0,289 M¥ en pertes supplémentaires sur le réseau
Remarquez la répartition : l’infrastructure domine – mais les coûts utilisateurs et réseau ne sont pas des notes de bas de page. Ce sont des leviers qui influencent les décisions.
Encore plus révélateur : l’emplacement des sept stations. Aucune n’était regroupée de façon redondante. Au lieu de cela, elles formaient un maillage stratégique :
- Une près du noyau résidentiel sud (7 bornes)
- Un hub à haute capacité (24 bornes !) dans le cœur commercial dense
- Un nœud de taille moyenne (15 bornes) desservant la zone d’emploi nord
- Des avant-postes plus petits comblant les lacunes
Ce n’est pas du « saupoudrage ». C’est un déploiement conscient de la demande et des coûts.
Alors, pourquoi cela importe-t-il au-delà d’une ville chinoise ?
Parce que la méthodologie transcende la géographie. À mesure que les marchés des VE mûrissent – de Berlin à Bangalore – les planificateurs municipaux et les ingénieurs des utilities sont confrontés au même dilemme : comment éviter les erreurs d’hier consistant à construire des stations sous-utilisées tout en empêchant la crise actuelle des déserts d’accès.
Ce qui distingue cette approche, c’est son réalisme comportemental. Elle ne traite pas les VE comme de simples « batteries sur roues » statiques. Elle les modélise comme des agents intégrés dans des écosystèmes urbains : répondant aux horaires de travail, aux embouteillages, aux habitudes d’achat, et même aux variations de température saisonnières (qui affectent l’efficacité de la batterie et la charge de climatisation). Cette granularité est ce qui permet à l’ESN de surpasser les modèles de séries temporelles plus simples – il apprend le rythme de la vie urbaine, pas seulement des tendances statistiques.
De plus, l’architecture en deux étapes – Monte Carlo pour la génération de données, ESN pour l’extraction de motifs – résout un problème crucial de l’œuf et de la poule : il faut des données de demande pour planifier les bornes, mais il faut des bornes pour obtenir des données de demande. La génération de données synthétiques contourne cette impasse.
Critiquement, le modèle est évolutif. Bien que l’article ait testé une ville de taille moyenne, les étapes de partitionnement en grille et d’entraînement des ESN peuvent être parallélisées. Les grandes métropoles pourraient utiliser des grilles plus fines ou des ensembles d’ESN spécifiques à une zone. Les opérateurs de flotte pourraient intégrer des données télémétriques propriétaires pour calibrer les distributions de kilométrage et de temps d’arrêt. Même les plateformes de VTC pourraient licencier le cadre pour implanter préventivement des bornes près des zones à forte activité.
Et l’avenir ? Les auteurs évoquent deux frontières.
Premièrement, l’intégration des rénovations. Alors que l’adoption des VE s’accélère, les villes ne construiront pas seulement de nouvelles stations – elles convertiront des stations-service, des parkings et des lots commerciaux. Ce moteur de prévision de charge pourrait identifier quels sites existants ont la demande latente la plus élevée et la marge de manœuvre sur le réseau pour une conversion – transformant l’infrastructure fossile d’hier en hubs VE de demain.
Deuxièmement – et plus transformateur – la préparation au V2G (Vehicle-to-Grid). Actuellement, le modèle traite les VE comme de simples charges. Mais à mesure que les bornes bidirectionnelles deviennent courantes, les VE stationnés pourraient restituer de l’énergie au réseau pendant les pics, lissant l’intégration des renouvelables. La même dorsale de prévision spatio-temporelle – sachant où les VE inactifs et chargés seront, quand – est la première étape essentielle pour gérer cette flotte de stockage distribuée. Un plan de station de recharge conçu aujourd’hui en pensant au V2G de demain n’aura pas besoin d’une refonte totale en 2030.
Bien sûr, aucun modèle n’est parfait. Les simulations de Monte Carlo héritent des biais de leurs hypothèses d’entrée – les enquêtes de voyage peuvent manquer des comportements de niche ; la dégradation de la batterie dans le temps n’est pas modélisée ; des événements imprévus (festivals, travaux, grèves des transports) peuvent perturber même les meilleures prévisions. Et si le PSO a trouvé un optimum local, l’optimalité globale ne peut être garantie dans des paysages aussi complexes.
Pourtant, la validation est éloquente. Lorsque l’équipe a comparé les courbes de charge prédites avec des données pilotes réelles (non montrées dans le résumé mais référencées dans la méthodologie), les bandes d’erreur de l’ESN sont restées serrées – surtout pendant les périodes critiques de montée en charge comme les soirées en semaine. Cette fiabilité est ce qui donne aux planificateurs la confiance nécessaire pour engager des millions sur ses recommandations.
À une époque où les décisions d’infrastructure verrouillent les résultats en termes d’émissions et d’équité pour des décennies, obtenir la bonne prévision n’est pas académique – c’est existentiel. Ces travaux démontrent qu’avec le bon mélange de simulation basée sur la physique, d’agilité en apprentissage automatique et d’optimisation consciente des coûts, les villes peuvent passer d’un rafistolage réactif à une intégration proactive et intelligente du VE.
La route vers un transport 100% électrifié ne sera pas pavée uniquement de bornes de recharge. Elle sera tracée par des algorithmes qui comprennent pourquoi nous conduisons, quand nous nous arrêtons et comment nous rencontrer là-bas – avec de l’énergie prête, les coûts minimisés et le réseau intact.
—
Yufei Wang¹, Fei Zhang¹, Junchao Guo¹, Xin Sun¹, Wei Huo², Dongsheng Wang², Lijun Yang² ¹Shangyi Electric Power Company, State Grid Jibei Electric Power Company, Zhangjiakou 076750, Province du Hebei, Chine ²École d’ingénierie électrique, Université de Yanshan, Qinhuangdao 066004, Province du Hebei, Chine Modern Electric Power, Vol. 40, No. 2, avr. 2023 DOI : 10.19725/j.cnki.1007-2322.2021.0251