À l’heure où la transition écologique s’accélère, la prolifération des véhicules électriques (VE) transforme radicalement les modes de déplacement, mais aussi les contraintes auxquelles doivent faire face les réseaux électriques. Une étude majeure, publiée dans la revue Southern Energy Construction, propose une approche révolutionnaire pour calculer les charges de recharge des clusters de VE, offrant des perspectives cruciales sur l’impact de différents types de véhicules — des voitures particulières aux bus et aux camions logistiques — sur la stabilité des réseaux d’ici 2030. Menée par YOU Lei, JIN Xiaoming et LIU Yun, ingénieurs de la China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., cette recherche se distingue par sa rigueur méthodologique et ses implications pratiques pour les acteurs de l’énergie et des transports.
L’urgence d’anticiper les charges de recharge des VE
La croissance des VE est fulgurante. En 2022, en Chine seule, 6,887 millions de véhicules à énergie nouvelle ont été vendus, dont 5,365 millions étaient des VE, représentant 25,6% du marché automobile — un indicateur clair de la mutation en cours. Si cette évolution est une bonne nouvelle pour la réduction des émissions de carbone, elle pose également un défi majeur : la nature variable et imprévisible des charges de recharge. Contrairement aux charges fixes traditionnelles, les VE introduisent des schémas de consommation dynamiques, liés à des usages très variés selon les types de véhicules. Sans gestion adaptée, ces charges risquent d’aggraver les pics de demande, d’élargir l’écart entre les pics et les creux des réseaux et de menacer leur stabilité.
« La massification des VE est un double-edged sword », explique l’équipe de recherche. « Si elle contribue à la lutte contre le changement climatique, la demande de recharge cumulative de millions de véhicules — chacun avec des habitudes d’usage spécifiques — risque de créer des scénarios de ‘pic sur pic’, où la recharge des VE coincide avec les périodes de forte consommation existantes. Modéliser ces charges avec précision est essentiel pour assurer la résilience des réseaux ».
Des études précédentes ont tenté d’aborder ce problème, souvent en s’appuyant sur des simulations de type Monte Carlo pour modéliser le comportement des utilisateurs. Cependant, ces travaux étaient limités par une classification restrictive des types de véhicules — généralement restreinte aux voitures particulières, aux taxis et aux bus — et par des ajustements probabilistes subjectifs, dénués de bases statistiques solides. Avec l’émergence de nouvelles catégories de VE, comme les voitures de service (ride-hailing) et les camions logistiques électriques, une approche plus inclusive et data-driven s’impose.
Une méthodologie innovante : classifier pour mieux prédire
L’étude propose une méthode raffinée qui classe les VE en six catégories distinctes, en fonction de leur usage : voitures particulières, bus, taxis, voitures de service, véhicules officiels et camions logistiques. Pour chaque catégorie, les chercheurs ont analysé des données empiriques pour extraire des paramètres typiques de performance des batteries et établir des modèles probabilistes capturant la stochasticité des comportements de déplacement et de recharge. En intégrant des prévisions de penetration des VE, le modèle simule les horaires de recharge quotidiens de chaque véhicule, puis agrège ces données pour calculer la charge totale du cluster — une approche qui offre une granularité inédite.
« Notre méthode va au-delà d’une modélisation uniforme », souligne YOU Lei, premier auteur de l’étude. « Chaque type de véhicule a des habitudes spécifiques : une voiture particulière recharge souvent la nuit à la maison, tandis qu’un taxi privilégie des recharges rapides pendant les pauses pour maximiser son temps de service. En tenant compte de ces différences, nous obtenons des prévisions bien plus précises ».
Les analyses ont permis de dégager des profils de recharge typiques pour chaque catégorie :
- Bus électriques : Ils fonctionnent selon des horaires fixes, avec une recharge principale la nuit après 19h. Du fait de leurs grandes distances journalières (50 à 300 km), certains bus nécessitent une recharge rapide en journée pour couvrir leurs besoins. Ils utilisent des chargeurs rapides (90 kW) pour minimiser les temps d’arrêt.
- Voitures particulières : 80% rechargent à la maison, principalement entre 18h et 22h, et 20% au travail, entre 6h et 11h. La plupart utilisent des chargeurs lents (7 kW), seul 15% optant pour des chargeurs rapides (60 kW).
- Taxis électriques : Ils fonctionnent en shifts de 12h, avec des recharges réparties sur quatre fenêtres horaires : 0h-8h, 8h-15h, 15h-19h et 19h-24h. Ils dépendent presque exclusivement de chargeurs rapides (90 kW) et recharge en moyenne deux fois par jour.
- Voitures de service (ride-hailing) : Elles commencent leur service entre 4h et 9h et terminent entre 18h et 1h du lendemain. Leur distance journalière moyenne est de 184 km (avec une variation de 50 à 400 km), et 75% d’entre elles utilisent des chargeurs rapides.
- Véhicules officiels : Ils recharge principalement au bureau après 16h, avec des chargeurs lents (7 kW), leurs déplacements étant courts et prévisibles.
- Camions logistiques électriques : Ils circulent entre 4h et 20h, avec une recharge postérieure à leurs missions, entre 19h et 22h. 70% d’entre eux utilisent des chargeurs rapides (60 kW), une proportion en hausse par rapport aux années précédentes.
En quantifiant ces comportements, le modèle attribue des paramètres clés comme la capacité de la batterie, la consommation par kilomètre, la puissance de recharge et l’efficacité (fixée à 95% pour tous les types). Cette précision permet de simuler avec fiabilité les profils de recharge quotidiens.
Simulation 2030 : un cas d’étude dans une province chinoise du Sud
Pour valider leur méthode, les chercheurs l’ont appliquée à un scénario hypothétique pour 2030 dans une province du Sud de la Chine, en prévoyant le nombre de VE pour chacune des six catégories. Les projections, basées sur une régression linéaire des données de 2020 et des estimations pour 2025, montrent une croissance spectaculaire : les voitures particulières électriques pourraient atteindre 2 à 3 millions d’exemplaires, les camions logistiques 316 000 et les voitures de service 160 000, entre autres.
La simulation a produit des résultats marquants. En aggregant les charges de chaque véhicule, l’étude a identifié des schémas critiques dans le comportement de recharge des clusters :
- Heures de pic : L’ensemble des VE atteint son pic de demande entre 19h et 23h, avec une charge de 10,0927 GW — équivalente à la production de plusieurs centrales électriques importantes. Un deuxième pic, moins intense, se produit entre 8h et 10h, représentant seulement 18 à 20% du pic nocturne, dû principalement aux voitures particulières rechargant au travail.
- Impact des types de véhicules : Les bus se détachent comme les plus gros consommateurs, avec un pic de charge de 4 639,5 MW — bien supérieur aux voitures particulières, dont le pic (3 210,4 MW) représente moins de 70% de celui des bus. Les taxis, malgré leur nombre, affichent les pics les plus bas, grâce à des horaires de recharge dispersés et à l’efficacité des chargeurs rapides.
- Sensibilité aux voitures particulières : Le modèle a testé deux scénarios pour les voitures particulières (2 millions vs. 3 millions). Dans le scénario à haute penetration, le pic de charge des particulières augmente de ~50%, soulignant le rôle croissant qu’elles joueront à mesure que leur nombre augmentera. Si les tendances actuelles se maintiennent, elles pourraient finalement dépasser les bus en termes de charge de recharge.
« Ces résultats montrent la nécessité d’une planification des réseaux ciblée », soulignent les chercheurs. « Les bus, avec leur consommation élevée et leurs horaires de recharge synchronisés, posent des défis immédiats. Mais le volume massif des voitures particulières, à terme, exigera des stratégies à long terme pour gérer leur impact cumulatif ».
Implications pour la planification des réseaux et les politiques publiques
Les conclusions de l’étude ont des retombées majeures pour le développement de l’infrastructure énergétique. En identifiant les heures de pic et les types de véhicules dominants, les opérateurs de réseaux peuvent optimiser la localisation des stations de recharge, renforcer les réseaux de distribution dans les zones à forte demande et mettre en œuvre des programmes de réponse à la demande pour décaler la recharge hors pic.
Pour les décideurs politiques, les données soutiennent des incitations à la recharge intelligente — comme des tarifs différenciés par heure pour encourager la recharge nocturne des particulières, ou des subventions pour l’infrastructure de recharge rapide des bus et des camions logistiques. De plus, le modèle peut guider l’intégration des énergies renouvelables : l’excédent d’énergie solaire ou éolienne en journée pourrait être utilisé pour recharger les VE, réduisant la dépendance aux combustibles fossiles.
« La clé est la flexibilité », affirment les auteurs. « Les réseaux doivent évoluer d’acteurs passifs à des gestionnaires actifs de la demande. Notre modèle fournit les outils pour anticiper où et quand les charges augmenteront, permettant une planification proactive plutôt que réactive ».
Une méthodologie ouverte à l’amélioration
Ce qui distingue cette étude, c’est l’inclusion de types de véhicules souvent négligés, comme les voitures de service et les camions logistiques, qui se développent rapidement mais sont peu étudiés dans les modèles de charge. En intégrant leurs particularités opérationnelles — telles que les recharges nocturnes tardives des véhicules de transport avec chauffeur (VTC) ou les besoins de recharges partielles (top-up) diurnes des utilitaires logistiques — le modèle propose une analyse plus exhaustive de la demande énergétique future.
La méthode surmonte également les limites des travaux précédents en basant ses modèles probabilistes sur des données empiriques : distributions de distance journalière, enquêtes sur les habitudes de recharge. Cela réduit la subjectivité et améliore la fiabilité du modèle pour des applications pratiques.
À l’avenir, l’équipe prévoit de raffiner le modèle en intégrant des données de trafic en temps réel et l’impact de la météo sur l’autonomie des VE, pour augmenter encore sa précision. Elle compte aussi explorer les variations régionales, car les habitudes de recharge peuvent différer sensiblement entre zones urbaines et rurales.
Conclusion : préparer les réseaux pour l’ère de la mobilité électrique
En cette période où les systèmes énergétiques doivent concilier durabilité et fiabilité, une telle recherche n’est pas qu’académique — elle est essentielle pour construire des réseaux résilients. Cette étude fournit un cadre robuste et adaptable pour prévoir les charges de recharge des clusters de VE, offrant des orientations claires pour les planificateurs, les opérateurs et les décideurs. En mettant en évidence le rôle prépondérant des bus à court terme et l’influence croissante des voitures particulières, elle trace la voie pour des investissements ciblés et une gestion efficace de la demande.
Dans un contexte où la transition électrique est irreversible, anticiper les défis de la recharge des VE est une obligation. C’est à cette condition que les réseaux pourront soutenir la croissance des véhicules électriques sans compromettre leur stabilité — un enjeu majeur pour l’avenir de l’énergie et des transports.
Auteurs : YOU Lei, JIN Xiaoming, LIU Yun
Affiliation : China Energy Engineering Group Guangdong Electric Power Design Institute Co., Ltd., Guangzhou 510663, Guangdong, Chine
Revue : Southern Energy Construction
DOI : 10.16516/j.ceec.2024.5.17