La Prévision de Charge des Véhicules Électriques à l’Ère « Véhicule–Route–Réseau »

La Prévision de Charge des Véhicules Électriques à l’Ère « Véhicule–Route–Réseau » : Les Utilities Sont-Elles Prêtes ?

Au petit matin, dans un dépôt de banlieue, une flotte de près de deux cents taxis électriques arrive pour recharge. Leurs batteries, vidées par une nuit de service et un vent glacial, font instantanément grimper la demande locale de plus de 3 mégawatts. Pendant ce temps, une urbaniste consulte un tableau de bord affichant en temps réel des cartes thermiques de recharge des véhicules électriques, superposées aux flux de trafic et aux courbes de charge des postes sources. Un point critique pulsant signale une zone saturée près d’un nouveau centre commercial — des véhicules privés branchés le temps que leurs propriétaires déjeunent.

Voici la nouvelle norme : les véhicules électriques ne se contentent plus de consommer de l’énergie — ils la reconfigurent. Alors que les ventes mondiales de véhicules électriques ont dépassé les 14 millions d’unités en 2024 — une hausse de 35 % sur un an —, le défi jadis théorique de l’intération de ces véhicules au réseau électrique est devenu une réalité opérationnelle urgente. Mais derrière chaque session de recharge se cache un enchevêtrement de décisions humaines, de variables environnementales et de contraintes infrastructurelles. La question n’est plus de savoir si les véhicules électriques impacteront le réseau — mais avec quelle précision nous pouvons anticiper le moment, le lieu et la quantité d’énergie qu’ils puiseront — ou même restitueront.

Bienvenue dans le paradigme « Véhicule–Route–Réseau » : un cadre holistique qui gagne du terrain parmi les chercheurs et les gestionnaires de réseau visionnaires. Lassés de considérer les véhicules électriques comme des charges statiques et homogènes (à l’instar des anciens chauffe-eau ou systèmes de climatisation), les ingénieurs construisent désormais des modèles prédictifs fusionnant la dynamique des transports, la psychologie des conducteurs, la chimie des batteries et les signaux tarifaires en temps réel. Les enjeux sont élevés : des prévisions imprécises ne gaspillent pas seulement la capacité du réseau — elles risquent de provoquer des chutes de tension, des surcharges de transformateurs et, dans le pire des cas, des blackouts localisés durant les heures de pointe critiques.

Autrefois, la donne était bien différente.

Il y a une décennie, la plupart des études sur la charge des véhicules électriques reposaient sur des simulations de Monte Carlo — un échantillonnage aléatoire des heures de départ, des distances parcourues et des seuils de charge (état de charge, ou SOC) dérivés d’enquêtes nationales sur les déplacements, comme la National Household Travel Survey (NHTS) aux États-Unis. Bien qu’utiles pour une planification à grande échelle, ces approches souffraient de trois lacunes majeures : une géographie statique, une rationalité supposée et une pauvreté des données.

Les premiers modèles traitaient les villes comme des zones uniformes, ignorant comment un quartier vallonné de San Francisco ou un point de congestion sur le périphérique de Berlin altèrent la durée des trajets et la consommation d’énergie. Ils supposaient que les conducteurs se brancheraient toujours à la première occasion — même s’ils savaient que le prix de l’électricité allait chuter de moitié dans trois heures. Et surtout, ils extrapolaient les comportements à partir de données de véhicules thermiques ou de petites flottes pilotes — bien avant que l’adoption réelle des véhicules électriques ne révèle des particularités qu’aucune enquête ne pouvait capturer : le « thésauriseur de SOC » qui ne laisse jamais sa batterie descendre en dessous de 40 %, l’employé de bureau qui renonce entièrement à la recharge à domicile si son lieu de travail propose une recharge AC gratuite, ou le chauffeur Uber qui échange ses batteries en moins de sept minutes parce que tout temps d’arrêt équivaut à un revenu perdu.

« L’ancienne approche ‘branche-et-prie’ est obsolète », affirme le docteur Jing Han, chercheur en systèmes électriques à l’Université de Zhengzhou. « On ne peut pas modéliser le comportement de recharge sans modéliser pourquoi les gens conduisent, où ils sont prêts à faire un détour, et à quel point ils deviennent anxieux en voyant 18 % sur le tableau de bord. »

Cette prise de conscience a déclenché un virage méthodologique — abandonnant les projections statistiques isolées au profit d’un couplage spatio-temporel : reconnaissant que le temps et l’espace ne sont pas des dimensions séparées dans la recharge des véhicules électriques, mais des fils profondément entrelacés.

Prenons l’exemple d’une navetteuse typique. Elle quitte son appartement à 7 h 45 (temps), se rendant à un parc technologique à 12 km (espace). En chemin, la circulation ralentit près d’un chantier — le freinage régénératif de sa voiture capture un peu d’énergie, mais le chauffage de l’habitacle (il fait -2 °C) en consomme davantage. Elle arrive à 8 h 22 avec 61 % de SOC — au-dessus de son « seuil d’anxiété » auto-imposé de 50 %. Elle se gare, se branche — non pas pour recharger, mais pour préconditionner l’habitacle pour son retour à 17 h 30. Cette demande de 3 kW, durant 45 minutes en milieu de journée, est invisible pour les modèles purement chronologiques — mais c’est une charge significative pour le transformateur du bâtiment de bureaux.

Multipliez cela par des milliers de cas. Ajoutez des fourgonnettes de livraison qui se rechargent entre les shifts dans les centres logistiques. Ajoutez des bus municipaux qui se rechargent opportunément durant des relèves de 10 minutes. Ajoutez des acheteurs du week-end qui traînent une heure de plus parce que le centre commercial offre la recharge gratuite — et soudain, la courbe de charge n’est plus lisse, prévisible, ni même quotidiennement répétitive. Elle pulse au rythme humain.

La réponse ? Une nouvelle génération d’architectures prédictives — qui traitent la ville non comme un assemblage de feeders et de nœuds, mais comme un système vivant.

À l’avant-garde se trouve l’intégration des réseaux de neurones graphiques (GNN) avec la modélisation traditionnelle des transports. Imaginez le réseau routier d’une ville comme un graphe : les intersections sont des nœuds, les routes sont des arêtes, et le flux de trafic, la topographie et même la météo en temps réel deviennent des poids d’arête. Quand un véhicule électrique commence un trajet, son système de navigation ne calcule pas seulement la distance la plus courte — il estime le coût énergétique, prenant en compte les dénivelés, les limites de vitesse et la température ambiante (le froid = une résistance plus élevée = plus de kWh/km). Les modèles avancés simulent désormais des milliers de tels trajets simultanément, suivant le SOC de chaque véhicule en temps réel, prédisant quand et où il cherchera de l’énergie.

Un cadre pionnier, surnommé « WaveGrid », combine des convolutions temporelles de type WaveNet avec un apprentissage graphique adaptatif. Contrairement aux modèles antérieurs qui supposaient des relations spatiales fixes (par ex., « la Station A alimente toujours le Poste source X »), WaveGrid apprend des corrélations dynamiques : les mardis pluvieux, la recharge se déplace-t-elle des bornes en plein air vers les parkings couverts ? Durant les finales de football, les véhicules électriques se regroupent-ils près des stades — ou les évitent-ils entièrement ? Le modèle s’ajuste de lui-même, identifiant des motifs latents dans la télémétrie historique des bornes de recharge publiques, des compteurs intelligents et des systèmes de gestion de flotte.

Critiquement, ces modèles n’ingèrent pas seulement des données — ils injectent du réalisme comportemental.

Les chercheurs modélisent désormais les conducteurs comme des agents à rationalité limitée, et non comme des robots maximisant leur utilité. En utilisant la théorie du regret, ils simulent comment les utilisateurs choisissent leurs options de recharge : non pas l’option optimale, mais celle qui minimise le regret anticipé. (« Si j’attends 30 minutes pour un tarif moins cher, vais-je rester bloqué dans les embouteillages et rater mon rendez-vous ? ») D’autres intègrent des éléments théoriques des jeux : quand 50 voitures convergent vers une station de recharge rapide, qui cède ? Qui paie une prime pour passer devant ? La théorie des files d’attente, autrefois reléguée au génie des télécoms, aide désormais à prédire les temps d’attente — et les reports de charge qui en découlent — à travers les réseaux de bornes.

Même la dégradation des batteries entre en ligne de compte. Une nouvelle classe de prévisions « conscientes du V2G » ne se demande pas seulement « Ce véhicule électrique peut-il injecter de l’énergie ? » mais « Son propriétaire l’autorisera-t-il ? » — prenant en compte l’âge de la batterie, les conditions de garantie et les seuils de compensation personnalisés. Des essais sur le terrain à Shenzhen suggèrent que 43 % des propriétaires de véhicules électriques permettront une injection d’énergie de soutien au réseau — s’ils sont compensés à juste ¥0,80/kWh au-dessus du coût de recharge et garantis contre toute dégradation accélérée. Voilà une ressource réseau volontaire, distribuée à travers des milliers de garages.

Mais les données seules ne suffisent pas. Les avancées les plus prometteuses marient la modélisation mécaniste avec l’apprentissage automatique — une approche hybride « IA informée par la physique ».

Prenez la température. Plutôt que de la traiter comme un simple régresseur (« plus froid = plus de charge »), les nouveaux modèles intègrent la thermodynamique des batteries de premiers principes : comment la résistance interne des batteries lithium-ion augmente exponentiellement en dessous de 5 °C, comment les cycles de préconditionnement de l’habitacle interagissent avec les signaux de fréquence du réseau, comment les systèmes de gestion de batterie (BMS) limitent les taux de charge pour protéger les cellules. Ces contraintes physiques agissent comme des « garde-fous » pour les réseaux de neurones, empêchant des prédictions invraisemblables (par ex., une Model 3 tirant 250 kW à -15 °C sur un connecteur CCS standard).

De même, les chaînes de trajets — des séquences de déplacements liés (domicile → travail → salle de sport → dîner → domicile) — ne sont plus approximées par des distributions gaussiennes. À la place, les chercheurs construisent des processus de décision markoviens (MDP) où chaque choix de destination dépend probabilistiquement des arrêts précédents, du SOC actuel, de l’heure du jour et même d’événements calendaires (vacances scolaires, concerts). Une étude suivant 12 000 véhicules électriques dans trois villes européennes a révélé que le temps de stationnement à destination — et pas seulement la distance — est le prédicteur le plus fort de l’initiation de la recharge. Un arrêt de 45 minutes pour faire les courses ? Peu susceptible de se recharger. Un film de 2,5 heures ? Presque certainement.

Cette granularité révèle des points de levier surprenants. Par exemple, la recharge sur le lieu de travail — souvent considérée comme mineure — s’avère être la clé pour aplatir la pointe du soir. Si les employeurs proposent une recharge intelligente à démarrage différé (par ex., « Votre voiture atteindra 90 % d’ici 18 h, mais ne puisera de l’énergie qu’entre 23 h et 5 h du matin »), ils peuvent déplacer jusqu’à 68 % de la charge de milieu de journée vers les heures creuses — sans inconvénient pour les conducteurs. De même, la tarification dynamique sur les bornes publiques ne concerne pas seulement le coût ; il s’agit de signaler la rareté. Quand une application en temps réel affiche « Plus que 2 bornes libres — temps d’attente estimé : 18 min », de nombreux utilisateurs optent pour conduire 1,2 km plus loin vers une station moins crowded — même si les tarifs sont 15 % plus élevés. Cette élasticité spatiale, une fois quantifiée, permet aux gestionnaires de réseau « d’inciter » les charges à s’éloigner des feeders sous tension.

Pourtant, des lacunes importantes subsistent — et elles ne sont pas seulement techniques.

Premièrement, la résilience aux conditions extrêmes. La plupart des modèles s’entraînent sur des conditions « normales ». Mais avec l’augmentation de la volatilité climatique, que se passe-t-il quand un vortex polaire frappe Dallas — ou qu’une vague de chaleur à 45 °C submerge Munich ? Les performances des batteries chutent, les charges de climatisation grimpent en flèche et les schémas de trajet changent dramatiquement (par ex., des trajets plus courts et fréquents pour éviter l’anxiété d’autonomie). Pourtant, peu d’outils de prévision incluent la dynamique de transition météorologique — comment les charges évoluent pendant le début d’une tempête, et pas seulement après qu’elle s’est stabilisée.

Deuxièmement, le dilemme de l’injection. Le Vehicle-to-Grid (V2G) promet une flotte de batteries distribuée — mais son adoption reste lente. Pourquoi ? Parce que les véhicules électriques et les bornes d’aujourd’hui n’ont pas été conçus pour un flux bidirectionnel. Adapter une Nissan Leaf pour le V2G coûte environ 2 200 $ ; le matériel de recharge rapide en courant continu supporte rarement la puissance inverse. Même là où le matériel existe, les systèmes de compensation sont opaques. « Je ne veux pas vendre de l’électricité à 8 ¢/kWh et la racheter à 22 ¢ », a plaisanté un chauffeur de taxi berlinois lors d’un récent groupe de discussion. La fragmentation réglementaire n’aide pas : aux États-Unis, huit États autorisent le V2G, douze l’interdisent, et le reste est silencieux.

Troisièmement — et plus insidieusement —, les silos de données. Les utilities possèdent la télémétrie du réseau. Les constructeurs automobiles possèdent les données des véhicules. Les firmes de navigation possèdent les choix d’itinéraire. Les réseaux de recharge possèdent les logs de session. Ces acteurs communiquent rarement. Comme l’a exprimé un conseiller politique de l’UE : « Nous essayons de diriger un orchestre où chaque musicien joue partir d’une partition différente — et refuse de la partager. »

Briser ces silos nécessite plus que des APIs ; cela exige une nouvelle gouvernance. Des projets pilotes aux Pays-Bas et en Ontario utilisent désormais l’apprentissage fédéré préservant la vie privée : les modèles s’entraînent sur des ensembles de données sans que les données brutes ne quittent jamais le serveur de leur propriétaire. Les constructeurs de véhicules électriques contribuent des snippets anonymisés de trajectoires de SOC ; les gestionnaires de réseau contribuent les chutes de tension des postes sources ; l’algorithme trouve des corrélations — sans exposer qui a rechargé où.

À l’avenir, la convergence de trois tendances redéfinira la prévision de charge :

Les flottes autonomes : Les robotaxis n’ont pas de « seuils d’anxiété ». Ils optimisent purement pour l’efficacité du système — ne se rechargeant que lorsque les prix baissent et que la congestion du réseau s’atténue et que leur prochaine fenêtre de dispatch le permet. Leur prévisibilité pourrait en faire des ressources idéales pour l’équilibrage du réseau — si les utilities peuvent négocier des contrats au niveau de la flotte.
L’échange de batteries 2.0 : Autrefois considérée comme marginale, l’échange de batteries connaît une résurgence — surtout pour les véhicules électriques commerciaux. NIO opère désormais plus de 2 300 stations d’échange en Chine ; chacune fonctionne comme une charge tamponnée : la demande d’échange est instantanée, mais la recharge des batteries est reportée et lissée. Les prévisionnistes doivent désormais prédire les niveaux de stock de batteries, pas seulement les arrivées de véhicules.
Les « jumeaux numériques » IA : Des utilities comme National Grid UK construisent des répliques numériques à l’échelle de la ville — intégrant des caméras de trafic, des APIs météo, l’état des bornes et même des données d’événements des médias sociaux (par ex., un hashtag de concert tendance). Ces jumeaux simulent des scénarios « et si » : Et si on retardait 30 % de la recharge en milieu de travail de 90 minutes ? Et si un orage soudain cloue des e-trottinettes au sol, reportant la demande sur les véhicules électriques ? Les opérateurs réels agissent ensuite sur les simulations les plus fiables.

Rien de tout cela ne remplace le jugement humain. Le modèle le plus sophistiqué ne peut pas anticiper une tendance TikTok virale envoyant des milliers de personnes vers un marché éphémère dans un champ — mettant soudainement à rude épreuve un transformateur vieux de 50 ans. C’est là que la prévision probabiliste excelle : au lieu d’une seule courbe de charge, les opérateurs reçoivent des intervalles de confiance — par exemple, « 80 % de chances que la demande de pointe reste en dessous de 1,8 MW ; 20 % de chances qu’elle atteigne 2,4 MW si un festival local devient viral ». Cette incertitude n’est pas du bruit — c’est une information exploitable.

Comme le note le docteur Yaoqiang Wang de l’Université de Zhengzhou : « Le but n’est pas une prédiction parfaite. C’est une anticipation résiliente. Nous n’éliminerons jamais le hasard — mais nous pouvons concevoir des systèmes qui prospèrent en son sein. »

La route devant nous est chargée — pas seulement d’électrons, mais de possibilités. À chaque véhicule électrique branché, nous ne rechargeons pas seulement une voiture. Nous rééduquons le réseau à penser comme une ville : adaptatif, interconnecté et vivant d’intention humaine.

Xiawei Zhang¹,², Jun Liang¹,²,³, Yaoqiang Wang¹,², Jing Han¹,²
¹ École d’ingénierie de l’information électrique, Université de Zhengzhou, Zhengzhou 450001, Chine
² Centre de recherche en ingénierie du Henan pour l’électronique de puissance et les systèmes électriques, Zhengzhou 450001, Chine
³ École d’ingénierie, Université de Cardiff, Cardiff CF24 3AA, Royaume-Uni
Journal of Modern Power Systems and Clean Energy
DOI : 10.35833/MPCE.2024.000000