Les flottes massives de véhicules électriques redéfinissent la stabilité du réseau électrique
La mobilité électrique est en pleine mutation, dépassant largement son rôle initial de simple alternative aux véhicules à moteur thermique. Une étude pionnière menée par une équipe de l’Université de technologie de Hefei révèle que les véhicules électriques (VE), lorsqu’ils sont intelligemment agrégés, peuvent jouer un rôle fondamental dans la stabilisation des réseaux électriques grâce à des services auxiliaires dans des scénarios multiples. Cette nouvelle approche de modélisation, basée sur des données du monde réel et des techniques avancées d’apprentissage automatique, redéfinit la manière dont les véhicules électriques interagissent avec les systèmes énergétiques, les positionnant non plus comme de simples charges passives, mais comme des actifs dynamiques et programmables.
L’étude, dirigée par Wang Yangyang, doctorant au Centre de recherche en ingénierie des systèmes photovoltaïques du ministère de l’Éducation, introduit une méthode novatrice de clustering en deux niveaux pour modéliser la capacité programmable agrégée (CPA) de grandes flottes de véhicules électriques. Cette capacité, définie comme les limites supérieure et inférieure de l’échange d’énergie ou de puissance entre les véhicules électriques et le réseau dans des conditions d’utilisation normales, est cruciale pour permettre aux centrales électriques virtuelles (CEV) de participer à des services tels que l’écrêtage des pics, la régulation de fréquence et le soutien de tension. Les résultats, publiés dans la revue Automation of Electric Power Systems, offrent un cadre évolutif pour intégrer des millions de véhicules électriques dans les systèmes de dispatching électrique à l’échelle provinciale.
Avec la flotte de véhicules électriques en Chine projetée pour atteindre près de 100 millions d’unités d’ici 2030, stockant une énergie estimée à environ 4 térawattheures, les implications d’une charge non coordonnée sont profondes. Une charge désordonnée pourrait exacerber les déséquilibres dans le réseau, en particulier avec l’augmentation de la pénétration des énergies renouvelables. Cependant, l’étude démontre que, grâce aux technologies Véhicule-vers-Réseau (V2G) et à l’agrégation intelligente, les véhicules électriques peuvent devenir une ressource flexible et réactive capable de fournir une capacité de régulation à l’échelle du gigawatt.
Les approches traditionnelles de modélisation des flottes de véhicules électriques les traitent souvent comme des entités monolithiques ou s’appuient sur des hypothèses probabilistes concernant le comportement de charge. Ces méthodes, bien qu’utiles pour des applications à petite échelle, échouent lorsqu’elles sont appliquées à des réseaux régionaux ou provinciaux, où la distribution spatiale, la diversité de l’infrastructure de charge et la variabilité du comportement des utilisateurs jouent un rôle critique. Les modèles existants supposent généralement des modèles de charge uniformes ou s’appuient sur des données synthétiques, limitant ainsi leur applicabilité dans le monde réel.
Wang et son équipe abordent ces limitations en proposant un cadre basé sur les données et en deux niveaux. Plutôt que de traiter les véhicules et les stations de charge séparément, le modèle intègre les caractéristiques des deux dans une « unité de stockage d’énergie généralisée » (VE-GESS). Cette vision holistique reconnaît que la capacité de programmation d’un véhicule électrique ne dépend pas uniquement de la capacité de sa batterie ou de son état de charge, mais aussi du type de chargeur auquel il est connecté, de sa position géographique et des habitudes de charge de l’utilisateur.
Le premier niveau du modèle utilise l’algorithme de clustering par densité spatiale d’applications avec bruit (DBSCAN) pour analyser plus de 1,78 million d’enregistrements de charge réels provenant de 4 181 stations de charge dans une province chinoise en 2021. Contrairement aux méthodes de clustering basées sur les centroïdes comme k-means, DBSCAN ne nécessite pas un nombre prédéfini de clusters et est robuste aux valeurs aberrantes, ce qui le rend idéal pour gérer la nature bruyante et irrégulière des données de charge du monde réel. L’algorithme identifie différents modèles de comportement de charge, tels que « type matin », « type midi » et « type soir », basés sur l’heure de début, la durée, l’énergie consommée et le rapport de temps inactif.
L’une des innovations clés est l’introduction du « rapport de temps inactif », une métrique qui quantifie la proportion de temps pendant laquelle un véhicule électrique reste connecté à un chargeur sans charger activement. Un rapport de temps inactif élevé indique une plus grande flexibilité ; ces véhicules peuvent retarder la charge ou même restituer de l’énergie au réseau sans déranger l’utilisateur. Par exemple, les véhicules stationnés la nuit qui se connectent après le dîner mais qui n’ont pas besoin du véhicule avant le lendemain matin représentent un candidat idéal pour les services V2G.
Le deuxième niveau du modèle applique une version améliorée de la carte auto-organisée (SOM), modifiée avec une sélection de dimension et une réduction de caractéristiques basée sur des autoencodeurs (AE-DSSOM). Cette étape regroupe les stations de charge elles-mêmes en fonction de la distribution des profils de charge et des paramètres d’infrastructure fixes, tels que la puissance nominale et les coordonnées géographiques. Dans les scénarios d’écrêtage des pics et de régulation de fréquence, la position spatiale peut être moins critique, mais pour la régulation de tension, la position physique du chargeur influence directement quelle partie du réseau de distribution peut être stabilisée.
En combinant ces deux niveaux de clustering, le modèle crée des agrégateurs distincts de VE-GESS (VE-GESSA), chacun représentant une combinaison unique de comportement temporel et de caractéristiques spatiales-techniques. Cela permet aux opérateurs du réseau de cibler des agrégateurs spécifiques pour différents services ; par exemple, mobiliser des véhicules électriques à haut rapport de temps inactif et situés en centre-ville pour une réponse de fréquence en temps réel, tout en réservant les stations de grande capacité et à haute puissance pour le déplacement d’énergie de masse pendant les heures de pointe.
Les implications pratiques de cette recherche sont considérables. L’étude estime que, sur la base des données de 2021, la flotte de véhicules électriques modélisée pourrait fournir une plage moyenne de puissance réglable de [-39,7, 10,5] mégawatts à un intervalle de dispatching d’une minute, suffisante pour soutenir la stabilité de fréquence régionale. Lorsque l’on passe à l’échelle des taux d’adoption des véhicules électriques prévus pour 2030, le potentiel augmente à plusieurs gigawatts, rivalisant avec la sortie des centrales électriques conventionnelles de pointe.
En outre, le modèle prend en compte la nature dynamique de la capacité programmable. Alors que les véhicules électriques chargent ou déchargent en réponse aux signaux du réseau, leur capacité disponible pour des ajustements supplémentaires change. Les chercheurs intègrent cette boucle de rétroaction dans leurs calculs de CPA, garantissant que les décisions de dispatching en temps réel sont basées sur des estimations de capacité précises et à jour. C’est particulièrement important pour les services auxiliaires qui nécessitent une sortie de puissance soutenue pendant plusieurs minutes, comme la régulation de fréquence, où la capacité à maintenir un niveau de puissance fixe pendant 3 à 30 minutes est essentielle.
L’étude examine également les tendances à long terme de la flexibilité des véhicules électriques. Les analyses hebdomadaires, mensuelles et annuelles révèlent des modèles saisonniers et comportementaux. Par exemple, la capacité programmable a tendance à diminuer les week-ends, probablement en raison de la réduction de la demande de charge pour les déplacements. Cependant, les vacances nationales telles que la Fête du Travail et la Fête Nationale voient une augmentation de l’activité, probablement liée à un plus grand déplacement et à des temps de stationnement plus longs. Ces aperçus permettent une planification plus précise et stratégique pour les opérateurs du réseau.
Une autre contribution significative est la validation des choix algorithmiques. L’équipe compare DBSCAN, k-means, SOM et DSSOM aux deux niveaux de clustering, évaluant les performances à l’aide de l’indice Davies-Bouldin (DBI), une mesure de séparation et de compacité du cluster. Les résultats montrent que DBSCAN atteint le meilleur équilibre entre vitesse et précision au premier niveau, traitant plus de 1,7 million d’enregistrements en moins de 15 secondes avec un DBI de 0,7247, surpassant k-means (0,8262) et SOM standard (0,7354). Au deuxième niveau, où la dimensionalité des données est plus élevée mais le volume est plus faible, AE-DSSOM atteint le DBI le plus bas (0,8556), démontrant une qualité de clustering supérieure malgré un temps de calcul légèrement plus long.
L’intégration des autoencodeurs au deuxième stade s’avère particulièrement efficace. En réduisant la dimensionalité des caractéristiques d’entrée, le modèle évite la « malédiction de la dimensionalité » et améliore la capacité du réseau neuronal à discerner des modèles significatifs. C’est crucial lorsqu’on traite des données à 12 dimensions qui incluent à la fois des ratios de comportement et des coordonnées géographiques. L’autoencodeur apprend une représentation compressée qui capture les caractéristiques les plus saillantes, améliorant à la fois la vitesse et la précision du clustering.
D’un point de vue politique et économique, la recherche souligne la viabilité financière des services de réseau basés sur les véhicules électriques. Les taux de compensation actuels pour les services auxiliaires en Chine varient de 300 à 800 yuans par mégawattheure. Même avec le jeu de données de 2021, qui ne représente que 30 % de l’activité de charge totale de la province, le potentiel de revenus horaires s’élève à des dizaines de milliers de yuans. D’ici 2030, avec l’intégration complète de la flotte, la valeur économique pourrait atteindre des milliards annuellement, créant un fort incitant pour que les entreprises électriques, les constructeurs automobiles et les consommateurs participent aux programmes V2G.
Cependant, les auteurs reconnaissent certaines limitations. Le modèle est basé sur des données historiques de charge et n’intègre pas encore les réponses en temps réel des conducteurs aux signaux de dispatching. Le comportement des utilisateurs pourrait changer lorsqu’on introduira des incitations financières ou des demandes obligatoires du réseau. De plus, les préoccupations concernant la dégradation de la batterie et la disponibilité du chargeur restent des obstacles à l’adoption généralisée de V2G. Les travaux futurs se concentreront sur la modélisation prédictive de la CPA et sur des tests sur le terrain pour valider le cadre théorique.
L’importance plus large de cette recherche réside dans son évolutivité et son adaptabilité. Bien que l’étude se concentre sur une seule province, la méthodologie peut être appliquée à toute région disposant de données suffisantes sur l’infrastructure de charge. À mesure que les compteurs intelligents, les véhicules connectés et les plateformes énergétiques basées sur le cloud deviennent omniprésents, les entrées nécessaires à de tels modèles — heures de début et de fin, énergie fournie, type de chargeur — seront de plus en plus disponibles.
Ce changement représente un changement fondamental dans la manière dont nous voyons les systèmes de transport et d’énergie. Les véhicules électriques ne sont plus de simples consommateurs d’électricité ; ce sont des unités de stockage mobiles, capables de fournir des services de réseau à grande échelle. La transition de charges passives à des participants actifs nécessite une modélisation sophistiquée, des protocoles de communication robustes et des mécanismes de marché qui rémunèrent équitablement les utilisateurs. Cette étude fournit une pièce critique de ce puzzle.
Les opérateurs du réseau explorent déjà des programmes pilotes qui exploitent les flottes de véhicules électriques pour la régulation de fréquence. En Europe, des projets comme eV2g au Danemark et le système énergétique EV du Royaume-Uni ont démontré la faisabilité technique de V2G. Aux États-Unis, des entreprises comme Pacific Gas & Electric et Southern California Edison testent la charge bidirectionnelle avec des flottes de bus scolaires électriques et de véhicules municipaux. L’étude chinoise ajoute une nouvelle dimension en montrant comment de grandes populations hétérogènes de véhicules électriques peuvent être organisées et optimisées systématiquement pour de multiples services.
L’approche de clustering en deux niveaux a également des implications au-delà des services de réseau. Elle pourrait informer la planification urbaine, aidant les villes à identifier des emplacements optimaux pour les centres de charge rapide basés sur des modèles d’utilisation réels. Elle pourrait soutenir les décisions d’investissement des entreprises électriques, guidant le déploiement de transformateurs et d’équipements de distribution dans les zones à forte concentration de véhicules électriques. Et elle pourrait permettre des services énergétiques personnalisés, où les conducteurs reçoivent des recommandations de charge personnalisées en fonction de leur comportement historique et des besoins du réseau.
À mesure que la transition énergétique progresse, la ligne entre les systèmes de transport et d’énergie continuera à s’estomper. Les véhicules ne seront pas seulement alimentés par de l’électricité, mais aideront également à équilibrer le réseau qui les alimente. Le travail de Wang Yangyang et de ses collègues à l’Université de technologie de Hefei fournit une feuille de route pour concrétiser cette vision, transformant des millions d’événements de charge individuels en une ressource coordonnée, intelligente et hautement précieuse pour le réseau électrique moderne.
L’étude établit une nouvelle norme pour la recherche sur l’intégration des véhicules électriques et des réseaux électriques, combinant une science des données rigoureuse avec des idées d’ingénierie pratique. Elle va au-delà des simulations théoriques pour fournir un modèle basé sur des opérations du monde réel, validé contre le comportement de charge réel. Ce faisant, elle comble le fossé entre la recherche académique et l’application industrielle, offrant un outil qui peut être utilisé directement par les opérateurs du réseau, les agrégateurs et les décideurs politiques.
En conclusion, l’avenir de la stabilité du réseau pourrait dépendre de la coordination intelligente des véhicules électriques. À mesure que les capacités des batteries augmentent, l’infrastructure de charge s’étend et la connectivité numérique s’améliore, le potentiel des véhicules électriques en tant que ressources énergétiques distribuées ne fera que croître. La recherche présentée ici n’est pas seulement une réalisation technique ; c’est un pas vers un avenir énergétique plus résilient, efficace et durable.
Wang Yangyang, Mao Meiqin, Yang Cheng, Zhou Kun, Du Yan, Nikos D. Hatziargyriou, Hefei University of Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230627012