Flottes de véhicules électriques optimisent la régulation de fréquence grâce à la prédiction de santé des batteries
La révolution des véhicules électriques (VE) dépasse désormais largement la simple substitution des moteurs à combustion. Elle redéfinit activement le rôle même des véhicules dans l’écosystème énergétique global. Alors que les réseaux électriques traditionnels peinent à s’adapter à l’intermittence croissante des énergies renouvelables, une innovation prometteuse émerge de Chine, transformant les flottes de VE en des acteurs clés de la stabilité du réseau. Une équipe de chercheurs de l’Université de technologie de Hebei, menée par la Professeure Sun Ying, a publié une étude de pointe qui introduit une stratégie de modulation de fréquence pour les flottes de véhicules électriques. Cette approche, bien plus sophistiquée que les solutions existantes, repose sur une double innovation : une prédiction extrêmement précise de l’état de santé (SOH) des batteries et une optimisation économique rigoureuse. Le résultat est un système capable de mobiliser les ressources de stockage mobile que sont les VE de manière plus efficace, durable et rentable que jamais.
La stabilité d’un réseau électrique repose sur un équilibre délicat entre la production et la consommation d’électricité, mesuré par la fréquence du courant (50 Hz en Europe, 60 Hz en Amérique du Nord). Toute perturbation, qu’elle soit causée par une baisse soudaine de la production éolienne ou par l’allumage massif de fours, provoque une variation de cette fréquence. Pour la corriger, les opérateurs de réseau doivent mobiliser des « réserves » de puissance. Historiquement, cette tâche incombait aux centrales thermiques ou hydrauliques, qui ajustent leur production en quelques minutes. Cependant, ce processus est lent, coûteux en carburant et peu adapté aux fluctuations rapides. C’est là qu’intervient le potentiel des véhicules électriques. Lorsqu’ils sont connectés à une borne de recharge, leur batterie peut non seulement se charger, mais aussi, dans le cadre de la technologie Vehicle-to-Grid (V2G), injecter de l’électricité dans le réseau. Cette capacité de réponse en quelques secondes en fait un candidat idéal pour la régulation de fréquence primaire et secondaire.
Cependant, une question critique a longtemps freiné le déploiement à grande échelle de cette solution : la santé des batteries. Une batterie de véhicule électrique, comme tout accumulateur, se dégrade avec le temps et les cycles de charge-décharge. Cette dégradation se traduit par une perte de capacité et, surtout, par une réduction de sa puissance de charge et de décharge maximale. Une batterie vieillie ne peut pas fournir la même puissance instantanée qu’une batterie neuve. Ignorer cet état de santé (SOH) peut avoir des conséquences graves. Un opérateur de réseau qui compte sur une flotte de 1000 VE pour fournir 1 mégawatt de puissance de régulation pourrait ne recevoir que 700 kilowatts si une partie des batteries est plus dégradée que prévu. Cela compromet la stabilité du réseau et peut entraîner des pénalités financières. Pire encore, une utilisation intensive de la régulation de fréquence sur des batteries déjà fragiles peut accélérer leur vieillissement, posant un problème d’équité pour les propriétaires de véhicules. La stratégie proposée par Sun Ying et ses collègues, Xiao Longkun, Wang Tianyi, Ren Bokai et Zhang Lei, s’attaque directement à ce dilemme en introduisant une nouvelle génération d’algorithmes de prédiction.
Le cœur de leur innovation est un algorithme de filtrage de particules amélioré (Improved Particle Filter, IPF). Le filtrage de particules est une technique statistique puissante qui simule des milliers de scénarios hypothétiques (les « particules ») pour estimer l’état d’un système complexe et incertain, comme une batterie en dégradation. Cependant, les algorithmes classiques peuvent être sensibles au bruit des données de capteurs et à des modèles de dégradation imparfaits, ce qui conduit à des erreurs de prédiction. L’équipe de la Hebei University of Technology a repensé cet algorithme en y intégrant deux éléments révolutionnaires. Premièrement, elle impose des contraintes physiques strictes. L’algorithme sait, par exemple, qu’une batterie ne peut pas avoir un SOH supérieur à 100 % ni descendre en dessous de 80 % (le seuil de fin de vie selon la norme chinoise GB/T 31484-2015). Cela élimine d’emblée les prévisions absurdes. Deuxièmement, et c’est le véritable génie de l’approche, elle utilise une fonction de pénalité exponentielle. Lorsque la prédiction de l’algorithme s’écarte des données de mesure réelles, cette fonction de pénalité ne se contente pas de noter l’erreur. Elle force l’algorithme à ajuster dynamiquement les paramètres de son modèle interne de dégradation. C’est un mécanisme d’apprentissage en boucle fermée, permettant au modèle de « corriger ses propres erreurs » en temps réel et d’améliorer continuellement sa précision. Les résultats de simulation sont éloquents : comparé à un filtre de particules standard, l’algorithme IPF a réduit l’erreur de prédiction maximale de plus de 70 %. Cette précision sans précédent est la clé de voûte de toute la stratégie.
Avec une prédiction de SOH fiable, il devient possible de gérer la flotte de manière intelligente et différenciée. L’approche traditionnelle, qui traite tous les VE comme des ressources identiques, est abandonnée au profit d’un système de clustering dynamique. En se basant sur leur SOH prédit, les véhicules sont regroupés en quatre catégories distinctes : H, h, l et L. Le groupe H regroupe les véhicules dont la batterie est en excellente santé (SOH entre 0,96 et 1,00). Ce sont les « athlètes » de la flotte, capables de fournir des pics de puissance élevés et rapides pour répondre aux perturbations les plus sévères. À mesure que le SOH diminue, les véhicules passent aux groupes h, l, puis L. Leur participation aux tâches de régulation de fréquence est alors graduellement réduite. Ce système garantit que les ressources les plus performantes sont utilisées au maximum de leur potentiel, tandis que les batteries plus anciennes sont préservées, protégeant ainsi l’investissement des propriétaires et prolongeant la durée de vie utile du parc de véhicules.
Cette segmentation est ensuite intégrée dans un modèle de contrôle de pointe. Chaque groupe de véhicules est traité comme une unité de génération virtuelle dotée d’un coefficient caractéristique de fréquence variable. Ce coefficient détermine à quel point le groupe réagit à une variation de fréquence. Un groupe H, avec un coefficient bas, répondra de manière agressive et immédiate à une chute de fréquence en injectant de la puissance. Un groupe L, avec un coefficient plus élevé, aura une réponse plus modérée. Ce système, qui combine le contrôle primaire (réponse instantanée) et le contrôle secondaire (ajustement fin via un régulateur PI), permet une allocation automatique et pondérée de la capacité de régulation en fonction de la capacité réelle de chaque véhicule. C’est une usine virtuelle intelligente, capable de s’auto-organiser pour une efficacité optimale.
Cependant, l’excellence technique ne suffit pas. La viabilité économique est le facteur décisif pour l’adoption à grande échelle. La participation à la régulation de fréquence impose un stress supplémentaire sur les batteries, et ce coût de dégradation doit être compensé de manière juste. C’est là qu’intervient la deuxième grande innovation de l’étude : un modèle d’optimisation économique complet. Ce modèle ne se contente pas de minimiser les écarts de fréquence ; il cherche à minimiser le coût total de la régulation. Ce coût inclut le carburant des centrales thermiques, les frais de maintenance, les pénalités pour mauvaise performance, et surtout, le coût de la dégradation des batteries de VE. Le modèle attribue une compensation aux propriétaires de VE qui reflète à la fois l’énergie fournie et l’usure supplémentaire de leur batterie, avec un facteur de coût ajusté en fonction du SOH du véhicule. Une batterie neuve a un coût de remplacement potentiel plus élevé, et ce coût est donc intégré dans la compensation.
Les résultats des simulations sont convaincants. Quatre stratégies ont été comparées. La stratégie de base, sans VE, montre des écarts de fréquence importants et un coût élevé. Une stratégie utilisant une prédiction de SOH standard (PF) améliore la stabilité, mais reste imparfaite. La stratégie utilisant l’algorithme IPF sans optimisation économique (Stratégie 3) réduit considérablement les fluctuations de fréquence, démontrant que la précision de la prédiction est en soi un facteur majeur de stabilité. Enfin, la stratégie complète, combinant l’IPF et l’optimisation économique (Stratégie 4), atteint le meilleur équilibre. Elle maintient une performance technique excellente, proche de la Stratégie 3, mais avec des économies substantielles. Dans un scénario de perturbation soudaine, la Stratégie 4 réduit les coûts annuels de régulation de 437 300 RMB (environ 57 000 euros) par rapport à la Stratégie 3. Dans un scénario de perturbations continues et irrégulières, simulant mieux le comportement des énergies renouvelables, l’économie atteint un impressionnant 961 400 RMB (environ 125 000 euros) par an. Ces économies proviennent principalement de la réduction drastique de la dépendance aux centrales thermiques, dont les coûts de carburant sont bien supérieurs à ceux associés à l’utilisation des VE.
Un aspect crucial de cette stratégie est son attention au confort et à la satisfaction du conducteur. La participation à la régulation de fréquence ne doit en aucun cas compromettre la mobilité. Le système intègre la surveillance de l’état de charge (SOC) avec la prédiction du SOH. Il connaît le moment où le véhicule est censé quitter la borne de recharge et garantit qu’il sera rechargé à la capacité souhaitée par l’utilisateur avant ce moment. Un véhicule qui a déchargé de l’énergie pour stabiliser le réseau sera automatiquement rechargé en temps voulu. Cette transparence et cette fiabilité sont essentielles pour instaurer la confiance et encourager les propriétaires de VE à participer à ces programmes.
L’architecture de contrôle est conçue pour s’intégrer de manière transparente aux infrastructures de réseau existantes. Elle fonctionne en parallèle avec les centrales électriques, combinant la réponse de la centrale (contrôle primaire par droite de chute) et le système de contrôle automatique de génération (AGC) pour le contrôle secondaire. Les groupes de VE sont intégrés à ce cadre comme des unités virtuelles, chacune avec son propre coefficient de réponse. Cette approche modulaire et évolutive signifie qu’elle peut être déployée à différentes échelles, des petits réseaux locaux aux grands réseaux nationaux.
Les implications de cette recherche sont vastes. Elle offre un modèle clair pour les gestionnaires de réseau, les agrégateurs d’énergie et les constructeurs automobiles. Elle montre comment transformer des parkings, des centres commerciaux ou des flottes d’entreprise en centrales virtuelles de stockage d’énergie. Elle est également une contribution majeure aux cadres réglementaires en développement pour les marchés d’énergie auxiliaire. En fournissant une méthodologie précise pour évaluer la capacité de régulation d’une flotte de VE, elle permet de créer des marchés plus justes et plus efficaces.
Enfin, cette étude souligne l’importance cruciale de la science des données et de la maintenance prédictive dans l’énergie du futur. Une prédiction inexacte du SOH n’est pas qu’un problème technique ; c’est un risque financier majeur dans un marché concurrentiel. Surévaluer la capacité d’une flotte peut entraîner des pénalités pour non-performance, tandis que la sous-estimer laisse de la valeur inexploitée sur la table. La précision de l’algorithme IPF atténue ce risque, favorisant un marché plus stable et plus fiable. Le travail de Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai et Zhang Lei, du Laboratoire national de fiabilité et d’intelligence des équipements électriques de l’Université de technologie de Hebei, représente donc bien plus qu’une avancée technique. C’est un pas décisif vers un système énergétique où les véhicules électriques ne sont plus de simples consommateurs, mais des partenaires actifs, intelligents et économiquement rationnels dans la construction d’un réseau plus résilient, durable et abordable.
Flottes de véhicules électriques optimisent la régulation de fréquence grâce à la prédiction de santé des batteries. Sun Ying, Xiao Longkun, Wang Tianyi, Ren Bokai, Zhang Lei, Laboratoire national de fiabilité et d’intelligence des équipements électriques, Université de technologie de Hebei. Proceedings of the CSU-EPSA, Vol. 36, No. 12, Décembre 2024, DOI: 10.19635/j.cnki.csu-epsa.001534.