L’agrégation des véhicules électriques redéfinit la planification du stockage à l’échelle du réseau — et pourquoi c’est crucial
Dans un secteur électrique en pleine mutation, une transition subtile mais puissante est en cours. Les ingénieurs et les chercheurs commencent à considérer les véhicules électriques non plus simplement comme des consommateurs d’énergie, mais comme des actifs réseau dynamiques et mobiles. Ce changement de perspective ouvre la voie à de nouvelles stratégies de déploiement du stockage d’énergie, particulièrement au niveau de la distribution, où la volatilité des énergies renouvelables et l’incertitude de la charge compliquent depuis longtemps la planification.
Une étude révolutionnaire, récemment publiée dans Energy Storage Science and Technology par Luo Shigang, Teng Jie et Tan Zhuangxi, propose l’une des feuilles de route les plus claires à ce jour sur la manière dont cette intégration peut — et doit — être réalisée. L’article présente un nouveau cadre d’optimisation stochastique en deux étapes pour le positionnement et le dimensionnement des systèmes de stockage d’énergie connectés au réseau, avec une caractéristique particulièrement notable : il intègre explicitement la flexibilité pilotable des stations de recharge agrégées de véhicules électriques (VE) dans le processus de planification. Et les résultats ne sont pas incrementaux — ils sont transformationnels.
À première vue, l’idée semble évidente : si des millions de VE se connectent déjà au réseau chaque jour, pourquoi ne pas les traiter comme une charge collective et contrôlable (ou, parfois, comme une ressource énergétique distribuée) ? Mais comme toujours, le diable se cache dans les détails — la fidélité de la modélisation, la faisabilité computationnelle et les contraintes opérationnelles réelles. La méthode de l’équipe contourne nombre de ces obstacles traditionnels. Au lieu de noyer les planificateurs dans des problèmes d’optimisation de haute dimension ou d’exiger des données individuelles de VE, ils utilisent un modèle basé sur une somme de Minkowski approximée au second ordre pour décrire la région réalisable agrégée d’une station de recharge. Ce modèle capture la flexibilité essentielle d’une flotte de VE — heures d’arrivée, de départ, exigences d’état de charge — mais sans l’explosion combinatoire qui a historiquement rendu de telles approches impraticables pour la planification à grande échelle.
Ce qui distingue ce travail dans un domaine encombré, c’est son réalisme opérationnel. Trop souvent, les études de planification du stockage traitent celui-ci comme une boîte noire : chargez quand c’est bon marché, déchargez quand c’est cher. Cette approche, bien qu’intuitive économiquement, peut se retourner contre son objectif. Dans certains cas, le comportement de stockage à grande échelle piloté par l’arbitrage peut en réalité aggraver la congestion du réseau — introduisant de nouveaux pics là où il n’y en avait pas, ou déplaçant le stress d’un feeder à un autre. Luo et ses collègues évitent cet écueil en faisant de l’équilibre spatio-temporel des flux de puissance l’objectif central — pas seulement la minimisation des coûts ou la maximisation pure du profit.
Pensez-y comme à la planification du trafic urbain : on ne veut pas seulement moins de voitures sur la route ; on veut un trafic plus fluide, plus uniformément réparti dans le temps et sur les voies. De même, l’indicateur d’équilibre de l’équipe quantifie l’uniformité des flux de courant sur toutes les branches et tous les intervalles de temps. Minimiser cette métrique conduit à des profils de tension plus plats et plus résilients, à une réduction de la contrainte thermique sur les lignes et les transformateurs, et à un risque plus faible de défaillances en cascade. C’est une métrique systémique — précisément le type de métrique prospective dont les opérateurs de réseau ont besoin à mesure que les ressources énergétiques distribuées se multiplient.
Le modèle évite astucieusement un autre casse-tête classique : comment représenter les pertes d’énergie pendant les cycles de charge/décharge sans paralyser le solveur avec des variables binaires ou des non-linéarités. Leur solution ? Remplacer les inefficacités internes de la batterie par une branche de résistance virtuelle dans les équations de flux de puissance — une astuce simple mais élégante empruntée à la littérature avancée sur la modélisation de la distribution. Cela linearise la représentation des pertes tout en préservant la fidélité physique, et s’accorde parfaitement avec les relaxations coniques des équations Distflow, que l’équipe utilise pour garantir l’évolutivité computationnelle et la précision des solutions.
Mais l’idée la plus importante de cette recherche ne réside peut-être pas dans les mathématiques — mais dans ses implications.
Lorsque les auteurs ont testé leur cadre sur un système de distribution IEEE 33 modifié, ils ont constaté un résultat frappant : à mesure que la proportion contrôlable de VE augmentait — de 20 % à 80 % — la capacité de stockage d’énergie optimale installée augmentait légèrement, contrairement à l’attente naïve selon laquelle une plus grande flexibilité des VE remplacerait le stockage par batterie. Pourquoi ?
Parce que les VE et le stockage stationnaire ne sont pas des substituts — ils sont complémentaires. Les VE offrent une capacité de lissage de charge à court terme et très granulaire, idéale pour l’ajustement intra-journée du solaire ou la réponse rapide aux chutes de tension locales. Le stockage stationnaire, surtout lorsqu’il est co-implanté avec une production photovoltaïque, permet un décalage énergétique de plus longue durée — déplacer l’excès d’énergie solaire de midi vers les heures de pointe du soir, par exemple. Ensemble, ils couvrent différentes parts du spectre de flexibilité. Le modèle reconnaît cette synergie et alloue les ressources en conséquence.
Plus crucial encore, l’impact sur le carbone est spectaculaire. Avec seulement 50 % de contrôlabilité des VE, les émissions quotidiennes de carbone ont chuté de plus de 18 % dans le cas testé — non pas en ajoutant plus de production, mais grâce à une coordination plus intelligente. Une participation plus élevée des VE a poussé cette réduction à près de 30 %. Parallèlement, l’écrêtement photovoltaïque a chuté : l’utilisation du solaire est passée d’environ 86 % dans le scénario de référence à plus de 97 % lorsque les VE et le stockage optimisé opéraient de concert.
Ce n’est pas théorique. La génération de scénarios de l’étude utilise des enregistrements de recharge réels — heures de début, d’arrêt, énergie totale délivrée — provenant d’un réseau provincial de recharge de VE en Chine. Et le modèle d’agrégation du second ordre s’est avéré remarquablement précis : lors de sa validation par rapport à une planification complète individuelle des VE, son erreur quadratique moyenne dans le suivi de la puissance agrégée est tombée près de zéro une fois que plus de 50 VE étaient regroupés dans une station. C’est le seuil où le lissage statistique entre en jeu — et où les planificateurs peuvent traiter en toute confiance un hub de recharge comme une charge flexible et prédictible, un peu comme une petite ressource côté demande à réponse rapide.
D’un point de vue économique, les chiffres tiennent aussi. Dans l’étude de cas, le stockage installé — 2,25 MWh au nœud 16 et 3,32 MWh au nœud 21 — a coûté environ 2,3 millions de ¥ par an (amortis), mais a généré 3,46 millions de ¥ de bénéfices annuels : 2,67 millions de ¥ en achats d’énergie réduits, 0,12 million de ¥ en renouvellements de réseau reportés et 0,67 million de ¥ en coûts de conformité carbone évités. Cela représente un retour sur investissement de 150 % — et cela inclut le coût du stockage lui-même.
Ce type de résultat renverse le récit traditionnel. Le stockage d’énergie est souvent perçu comme un centre de coût — un tampon nécessaire pour accommoder les renouvelables. Ici, c’est un multiplicateur de valeur : il permet une meilleure coordination avec les VE, ce qui permet à son tour une plus grande pénétration des renouvelables, ce qui justifie alors encore plus de stockage. C’est un cercle vertueux.
Bien sûr, la mise en œuvre réelle n’est pas triviale. Le modèle suppose une coordination centralisée des stations de recharge — ce qui nécessite une infrastructure de communication robuste, des API standardisées (comme OCPP 2.0) et des cadres réglementaires permettant aux agrégateurs d’enchérir sur les marchés de services de flexibilité. Il présume également une prévision précise des modèles d’arrivée/départ des VE, ce qui reste difficile dans des environnements urbains non structurés.
Mais les signes pointent vers la faisabilité. En Californie, des utilities comme PG&E testent déjà des programmes de « recharge managée » où les bornes de recharge répondent à des signaux de prix ou de fiabilité. Au Royaume-Uni, le service « Dynamic Frequency Response » de National Grid accepte désormais les offres de flottes de VE. Et en Chine — d’où provient cette recherche — la State Grid Corporation déploie activement des zones pilotes vehicle-to-grid (V2G) dans des villes comme Shenzhen et Nanjing. Les pièces du puzzle se mettent en place.
Ce qui manquait, jusqu’à présent, c’était une méthodologie de planification assez sophistiquée pour anticiper cette convergence — et optimiser le réseau pour celle-ci, des années à l’avance. La plupart des études d’implantation de stockage traitent encore les charges comme passives, les renouvelables comme exogènes et les VE comme du bruit. Cet article change la donne. Il force les planificateurs à se demander : Où installons-nous le stockage non seulement pour tamponner le solaire, mais pour permettre aux VE de devenir des acteurs réseau actifs ?
La réponse, il s’avère, est la co-implantation stratégique. Dans le cas test IEEE-33, le stockage a été placé aux nœuds 16 et 21 — non par coïncidence, les mêmes feeders accueillant des parcs photovoltaïques et des clusters de recharge de VE. Cela crée des micro-hubs locaux de flexibilité : le solaire charge les batteries le jour ; les batteries et la recharge coordonnée des VE soutiennent conjointement le pic du soir ; la capacité de décharge excédentaire des VE (lorsqu’elle est disponible et consentie) fournit des services auxiliaires.
C’est une vision du réseau de distribution non pas comme un pipeline à sens unique, mais comme un maillage de nœuds de flexibilité intelligents et interactifs — où les actifs communiquent, échangent et s’adaptent en temps réel.
Fait crucial, les auteurs évitent les affirmations excessives. Ils ne supposent pas que tous les VE sont capables de V2G (une technologie encore naissante) ; au lieu de cela, ils se concentrent sur la recharge intelligente unidirectionnelle, beaucoup plus déployable aujourd’hui. Ils n’exigent pas une prédiction parfaite — l’incertitude sur le solaire et la charge est traitée via une réduction de scénarios par K-Medoids, un algorithme de clustering robuste qui préserve mieux les caractéristiques distributionnelles qu’un simple k-means. Et ils n’ignorent pas les limites matérielles : les contraintes d’état d’énergie de la batterie, les puissances des convertisseurs et les limites thermiques des lignes sont toutes explicitement appliquées via des formulations de cône de second ordre, qui garantissent une optimalité quasi-globale.
L’utilisation de la décomposition de Benders par la méthode est également notable. En séparant les décisions d’investissement (première étape : où et combien construire) des décisions opérationnelles (deuxième étape : comment dispatcher le stockage et les VE à travers des centaines de scénarios), elle atteint à la fois évolutivité et réalisme. Le problème maître converge en moins de 30 itérations — un clin d’œil pour un système si complexe — et chaque sous-problème (un par scénario) peut être résolu en parallèle, rendant l’approche viable même pour des feeders plus grands.
À l’avenir, ce cadre pourrait facilement être étendu. Et si certains VE étaient capables de V2G ? Le modèle peut absorber des courbes de puissance bidirectionnelles avec une modification minimale. Et si des camions lourds à hydrogène rejoignaient le mix ? Leurs temps de ravitaillement plus longs et leurs demandes énergétiques plus élevées modifieraient simplement les paramètres de la région réalisable agrégée. L’architecture centrale est modulaire et extensible.
Plus profondément, ce travail remet en cause une hypothèse profondément ancrée dans la planification des utilities : que la modélisation passive de la charge en pire cas est « conservative » — et donc sûre. En réalité, dans un monde de flexibilité distribuée, ignorer les ressources contrôlables est la position la plus risquée. Elle conduit à un surinvestissement dans les câbles et transformateurs, à un stockage sous-utilisé, à des renouvelables bloquées et à des opportunités de décarbonisation manquées.
La contribution de Luo, Teng et Tan est de fournir une alternative rigoureuse et implémentable — une méthodologie de planification qui ne tolère pas simplement l’incertitude, mais qui l’exploite. En traitant les VE non comme une menace pour la stabilité du réseau, mais comme un réservoir latent de capacité adaptative, ils ont ouvert un nouvel espace de conception pour le réseau de distribution : un réseau non seulement plus propre ou moins cher, mais plus intelligent, plus résilient, et fondamentalement plus centré sur l’humain — conçu autour de la manière dont les gens vivent, conduisent et se rechargent réellement.
En fin de compte, le chiffre le plus important de cette étude n’est pas le ROI de 150 % ou la réduction de 30 % des émissions. C’est le message implicite : le réseau du futur ne sera pas construit malgré les véhicules électriques. Il sera construit avec eux — en partenariat actif.
Et pour la première fois, nous avons une feuille de route pour le faire correctement.
Luo Shigang¹, Teng Jie², Tan Zhuangxi³
¹ Institut de recherche économique et technologique de State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, Chine
² State Grid Gansu Electric Power Co., Ltd., Lanzhou 730030, Chine
³ Université de science et technologie du Hunan, Xiangtan 411100, Chine
Energy Storage Science and Technology
DOI : 10.19799/j.cnki.2095-4239.2023.0310