À l’ère du transition énergétique, la prolifération des véhicules électriques (VE) transforme radicalement notre façon de concevoir les infrastructures de mobilité. Si les constructeurs multiplient les modèles innovants, l’accessibilité à des stations de recharge fiables et bien placées reste un enjeu crucial pour accélérer l’adoption massive de ces véhicules. C’est dans ce contexte que des recherches révolutionnaires sur la planification des stations de recharge, basées sur des données de déplacement, ouvrent de nouvelles perspectives. Cette approche, combinant intelligence artificielle, théorie des files d’attente et modélisation urbaine, pourrait enfin résoudre le dilemme entre coûts d’investissement et satisfaction des utilisateurs.
L’enjeu urgent de la planification des stations de recharge
Chaque année, le nombre de VE sur les routes mondiale croît de manière exponentielle. Selon les dernières statistiques, la vente de véhicules électriques a dépassé les 10 millions d’unités en 2022, et cette tendance devrait se poursuivre avec l’objectif de neutralité carbone fixé par de nombreux pays d’ici 2050. Cependant, cette croissance rapide se heurte à un défi majeur : l’insuffisance et la mauvaise distribution des stations de recharge. Un survey réalisé par l’Union Internationale des Transports Routiers (UITP) révèle que 42% des propriétaires de VE rencontrent régulièrement des difficultés à trouver une station de recharge disponible, et 28% ont déjà été contraints d’annuler un déplacement en raison de la méconnaissance de l’emplacement des points de recharge.
Ce problème n’est pas seulement un inconvénient pour les utilisateurs ; il freine également la transition écologique. Les gouvernements et les entreprises privées investissent des milliards dans le développement de réseaux de recharge, mais les choix de localisation souvent basés sur des intuitions plutôt que des données scientifiques conduisent à des investissements inefficientes. Par exemple, dans certaines villes européennes, des stations de recharge installées en périphérie sont rarement utilisées, tandis que les zones urbaines densément peuplées souffrent d’une pénurie critique.
C’est pourquoi une approche data-driven (dépendante des données) apparait comme la solution la plus prometteuse. En analysant les déplacements des véhicules, les habitudes de recharge et les contraintes urbaines, il devient possible de concevoir un réseau de stations de recharge qui répond réellement aux besoins des utilisateurs tout en optimisant les coûts d’investissement et d’exploitation.
Une méthode innovante basée sur les données de déplacement
Une équipe de chercheurs de l’Université Normale de Hefei et de l’Université Hohai en Chine a développé une méthode de planification des stations de recharge qui combine plusieurs techniques avancées pour résoudre ce problème complexe. Cette approche, présentée dans un article publié récemment dans la revue Journal of Jinggangshan University (Natural Science), se distingue par son utilisation intensive de données de déplacement réelles et de modèles mathématiques sophistiqués.
La méthode se décompose en plusieurs étapes clés, chacune visant à répondre à un aspect spécifique de la planification des stations de recharge.
1. Prétraitement et extraction des données de déplacement
La première étape consiste à collecter et traiter les données de déplacement des véhicules. Pour cette étude, les chercheurs ont utilisé les données fournies par le projet GAIA Open Dataset de Didi, une plateforme de covoiturage chinoise. Ces données incluent des informations sur les trajets effectués dans une zone urbaine spécifique (une partie de la seconde ceinture d’une ville chinoise) sur le mois de novembre 2016, avec des détails sur les points de départ, d’arrivée, les temps de trajet et les positions GPS en temps réel.
Le prétraitement des données est un processus crucial. Il inclut la suppression des données bruitées (par exemple, les trajets de moins de 500 mètres), la conversion des systèmes de coordonnées (passage du système GCJ-02 utilisé en Chine au système international WGS-84) et l’extraction des matrices OD (Origine-Destination). Ces matrices permettent de cartographier les flux de véhicules entre différentes zones de la ville, ce qui est essentiel pour comprendre où les besoins de recharge sont les plus élevés.
2. Modélisation de la consommation d’énergie et des besoins de recharge
Une fois les données de déplacement traitées, l’équipe a développé un modèle de consommation d’énergie qui prend en compte deux facteurs majeurs : les conditions de circulation et la température environnementale. En effet, la consommation d’énergie d’un véhicule électrique varie significativement selon ces paramètres.
- Influence des conditions de circulation : Les véhicules consomment plus d’énergie dans les zones urbaines densément peuplées, où les arrêts et démarrages sont fréquents, que sur les autoroutes. Les chercheurs ont classé les routes en quatre niveaux selon le Code de Conception des Ingénieries Routières Urbaines et ont établi des équations mathématiques pour calculer la consommation spécifique à chaque niveau.
- Influence de la température : La température affecte non seulement le confort à l’intérieur du véhicule (utilisation du chauffage ou de la climatisation) mais aussi la performance de la batterie. Un modèle basé sur des données empiriques a été élaboré pour quantifier cette influence, montrant par exemple que la consommation est minimale autour de 20°C et augmente significativement en cas de froid extrême.
En combinant ces deux modèles, il devient possible de prédire avec précision la consommation d’énergie d’un véhicule électrique pour chaque trajet, et donc de déterminer quand et où un besoin de recharge se produira. Par exemple, un véhicule privé qui effectue un trajet de travail quotidien de 30 kilomètres en milieu urbain par un froid de -5°C aura un besoin de recharge plus important que si le même trajet était effectué par une température douce.
3. Simulation stochastique des besoins de recharge avec la méthode de Monte-Carlo
Les besoins de recharge ne sont pas déterministes ; ils dépendent de nombreuses variables aléatoires, comme l’état de charge initial de la batterie, les habitudes des conducteurs ou les imprévus (trajets supplémentaires, retards, etc.). Pour prendre en compte cette incertitude, les chercheurs ont utilisé la méthode de Monte-Carlo, une technique de simulation stochastique qui permet de générer des scénarios probabilistes.
Cette simulation permet d’estimer la distribution spatio-temporelle des besoins de recharge sur une journée. Par exemple, elle révèle que les pics de demande surviennent généralement le matin (après les déplacements vers le travail), l’après-midi (après les déjeuners) et le soir (avant les retours à la maison). Ces informations sont cruciales pour dimensionner les stations de recharge et éviter les files d’attente excessives.
4. Optimisation de la localisation et du nombre de stations de recharge
La dernière étape consiste à utiliser les résultats de la simulation pour déterminer l’emplacement optimal des stations de recharge et le nombre de chargeurs nécessaires dans chacune d’elles. Pour cela, l’équipe a combiné deux outils puissants : la théorie des files d’attente M/M/c et les diagrammes de Voronoi.
- Théorie des files d’attente M/M/c : Cette théorie permet de modéliser le comportement des utilisateurs dans les stations de recharge, en particulier le temps d’attente moyen et le nombre de chargeurs nécessaires pour éviter les congestions. Les chercheurs ont défini une fonction objectif qui minimise la somme des coûts d’attente des utilisateurs et des coûts d’exploitation des chargeurs.
- Diagrammes de Voronoi : Ces diagrammes permettent de diviser la ville en zones d’influence autour de chaque station de recharge, de telle sorte que chaque point de la ville appartienne à la zone de la station la plus proche. Cela aide à équilibrer la charge entre les différentes stations et à éviter les overlaps inutiles.
Enfin, un algorithme d’optimisation appelé « particle swarm optimization » (PSO) amélioré a été utilisé pour trouver la configuration la plus efficace, minimisant à la fois les coûts de construction et d’exploitation des stations et les coûts d’attente et de déplacement des utilisateurs.
Résultats probants et implications pour l’avenir
Pour valider leur méthode, les chercheurs ont appliqué leur modèle à une zone urbaine chinoise d’environ 77 kilomètres carrés, avec un parc de 10 000 véhicules électriques (5 000 voitures particulières, 3 000 taxis et 2 000 véhicules officiels). Les résultats ont été concluants.
- Distribution spatiale des besoins de recharge : La simulation a révélé que les besoins sont concentrés dans les zones commerciales et résidentielles densément peuplées, ainsi que près des hubs de transport publics. Par exemple, le centre-ville et les grands axes routiers présentent des densités de demande bien plus élevées que les zones périphériques.
- Optimisation du nombre de stations : L’analyse économique a montré qu’un réseau de 12 stations de recharge était optimal pour la zone étudiée. Avec ce nombre, le coût total (construction, exploitation et coûts pour les utilisateurs) est minimisé. Un nombre inférieur entraînerait des files d’attente trop longues, tandis qu’un nombre supérieur augmenterait les coûts d’investissement sans améliorer significativement la satisfaction des utilisateurs.
- Localisation des stations : Les stations optimales sont principalement situées près des points de départ et d’arrivée des trajets les plus fréquents, comme les centres d’affaires, les gares et les grands commerces. Chaque station est équipée d’un nombre de chargeurs adapté à la demande de sa zone, avec des variations entre 10 et 40 chargeurs par station.
Ces résultats démontrent que la méthode proposée est non seulement scientifiquement rigoureuse mais aussi applicable dans un contexte réel. Elle permet aux décideurs urbains et aux entreprises d’investir de manière plus stratégique, évitant les erreurs de sur- ou sous-investissement qui caractérisent souvent les réseaux de recharge actuels.
Vers un réseau de recharge intelligent et adaptatif
La méthode développée par les chercheurs chinois ouvre la voie à un nouveau paradigme de planification des infrastructures de recharge. Contrairement aux approches traditionnelles, qui se basent souvent sur des estimations approximatives, cette approche data-driven permet de répondre aux besoins réels des utilisateurs tout en optimisant les ressources.
Mais l’innovation ne s’arrête pas là. À l’avenir, cette méthode pourrait être améliorée en intégrant d’autres sources de données, comme les prévisions météorologiques, les événements spéciaux (concerts, matchs sportifs) ou les fluctuations du prix de l’électricité. De plus, avec l’avènement de l’Internet des Objets (IoT), les stations de recharge pourraient devenir des nœuds intelligents, capable de communiquer en temps réel avec les véhicules et les réseaux électriques, ajustant dynamiquement leurtarif ou leur disponibilité pour équilibrer la demande.
Enfin, cette approche pourrait être adaptée à des contextes différents, des villes petites aux mégapoles, et même aux réseaux routiers interurbains, où les besoins de recharge sont liés aux longs trajets et aux stations-service traditionnels. Dans ce cas, la planification devrait prendre en compte la distance entre les stations et l’autonomie moyenne des véhicules électriques, actuellement estimée entre 300 et 500 kilomètres pour les modèles les plus récents.
Conclusion
La transition vers les véhicules électriques est une étape incontournable pour atteindre les objectifs de réduction des émissions de carbone. Cependant, cette transition ne pourra réussir que si les infrastructures de recharge sont planifiées de manière intelligente et adaptée aux besoins des utilisateurs. La méthode proposée par les chercheurs chinois, combinant analyse de données, modélisation mathématique et optimisation algorithmique, offre une solution prometteuse pour résoudre ce défi.
En mettant la data au cœur du processus de décision, cette approche permet de créer des réseaux de recharge qui sont à la fois efficient, économique et user-friendly. Elle constitue un exemple clair de cómo la science des données peut contribuer à la résolution de problèmes environnementaux et urbains complexes, pavant la voie vers des villes plus durables et plus connectées.
À l’ère du climat change, des innovations comme celle-ci ne sont pas seulement des avancées scientifiques ; elles sont des outils essentiels pour construire un avenir où la mobilité et la protection de l’environnement vont de pair.