Les Véhicules Électriques et Climatiseurs Unis pour Intégrer les Renouvelables
Dans un monde en course vers la neutralité carbone, la difficulté des réseaux à absorber l’énergie renouvelable devient rapidement le goulot d’étranglement invisible derrière la révolution des énergies propres. Le solaire et l’éolien — autrefois présentés comme des solutions quasi miraculeuses — révèlent désormais des faiblesses structurelles des systèmes électriques modernes. Le soleil ne brille pas toujours, le vent ne souffle pas en permanence, et quand ils le font, il arrive qu’ils saturent le réseau au pire moment. Entrent en scène deux héros improbables : les véhicules électriques stationnés et les climatiseurs en fonctionnement — non plus comme consommateurs d’énergie, mais comme actifs agiles et intelligents, prêts à rétablir l’équilibre.
Une étude révolutionnaire publiée dans Power System Protection and Control revisite la façon dont nous appréhendons la flexibilité côté demande. Ces travaux, dirigés par Hu Zhiyong, Guo Xueli et Wang Shuang de l’Institut de Recherche Économique et Technologique de State Grid Nanyang Power Supply Company — aux côtés de Xu Congming, Li Tingting et Zhou Wei de l’Université de Technologie de Dalian — démontrent que le regroupement à grande échelle de véhicules électriques (VE) et de climatiseurs (AC), géré via une nouvelle approche fondée sur la volonté de réponse, peut quasiment éliminer totalement la mise à l’écart de l’énergie solaire et éolienne. Et ce, non par un contrôle autoritaire, mais en respectant les comportements humains, les incertitudes et la variabilité du monde réel.
Ce n’est pas un simple exercice algorithmique noyé dans un jargon académique. C’est un plan pragmatique pour les utilities aux prises avec des problèmes quotidiens de surproduction et de flux inverses — des difficultés devenues aiguës dans des régions comme le Henan, où les renouvelables distribuées injectent désormais dans le réseau de distribution par à-coups imprévisibles. Ce qui distingue ces travaux, c’est leur réalisme psychologique. Au lieu de supposer que les utilisateurs obéiront aux signaux de pilotage comme des robots obéissants, le modèle quantifie à quel point les conducteurs et les occupants de bâtiments sont disposés à modifier leur comportement — en fonction des niveaux de batterie, des températures intérieures et, surtout, de la taille de l’incitation offerte.
Imaginez : un après-midi ensoleillé et venteux dans le centre de la Chine. Les panneaux solaires sur les toits et les parcs éoliens voisins produisent plus d’électricité que les foyers et les usines locales ne peuvent en consommer. Le poste de transformation bourdonne — non pas d’efficacité, mais de tension. Sans intervention, 5 % de cette énergie propre doit être écrêtée, gaspillée, coupée à la source. C’est comme couper l’eau d’une fontaine sous prétexte que le seau est plein — alors que, juste au bout de la rue, des milliers de VE sont stationnés avec des batteries à moitié vides et que des milliers de climatiseurs tournent paresseusement dans des bâtiments commerciaux.
Les gestionnaires de réseau traditionnels pourraient réagir en réduisant la production ou en faisant appel plus tard à des centrales de pointe coûteuses. Mais Hu et son équipe proposent une approche radicalement différente : demander aux charges de danser.
Leur méthode commence non pas par des équations, mais par l’empathie. Un conducteur qui rentre chez lui avec seulement 20 % de batterie sera bien plus disposé à brancher son véhicule — même pour une incitation modérée — que celui dont la batterie est déjà à 90 %. De même, un employé de bureau tolère beaucoup moins facilement un ajustement d’un degré de la température intérieure pendant une canicule qu’un jour de printemps doux. Les chercheurs intègrent ces réalités humaines dans un système d’inférence floue de type Takagi-Sugeno-Kang (TSK), un outil bien établi pour modéliser des relations complexes et imprécises.
Au lieu d’assigner des taux de participation fixes, le modèle traite la volonté de réponse comme une variable dynamique et floue — de forme triangulaire, avec une valeur la plus probable encadrée par des bornes inférieure et supérieure reflétant l’incertitude comportementale. Un propriétaire de VE pourrait répondre avec empressement à une prime de 0,20 ¥/kWh ; un autre, distrait ou sceptique, pourrait ignorer le même signal. Le modèle TSK absorbe cette variance en combinant plusieurs règles « si-alors » : Si l’état de charge (SOC) est bas ET le prix est élevé, alors la volonté est forte ; Si le SOC est moyen ET le prix est bas, alors la volonté est modérée, etc. L’expertise humaine calibre les poids de ces règles, faisant le pont entre les données et la connaissance métier.
La force de l’approche réside dans son passage à l’échelle. La flexibilité d’un seul VE est négligeable. Mais 5 000 VE — modélisés comme une flotte agrégée — produisent une marge pilotable : un corridor de puissance qui peut être sûrement augmenté ou réduit sans violer les contraintes techniques des batteries ou les attentes des utilisateurs. Idem pour 10 000 climatiseurs. Surtout, le modèle lie directement la marge pilotable de chaque cluster à son niveau de volonté en temps réel. Quand la volonté est forte, le corridor s’élargit ; quand elle est faible, il se rétrécit — maintenant ainsi le système ancré dans une faisabilité comportementale.
Mais la volonté seule ne suffit pas. Pour transformer le potentiel en action, l’équipe superpose une stratégie de réponse à la demande par incitation — un mécanisme financier qui récompense les ajustements de charge par paliers. Imaginez un système de bonus dynamique : le premier mégawatt de réduction de charge rapporte 0,05 ¥/kWh, le palier suivant 0,08 ¥, et ainsi de suite, jusqu’à 0,50 ¥/kWh pour des ajustements profonds et soutenus. Cette structure encourage la participation sans surpayer — un impératif pour la viabilité économique.
L’objectif d’optimisation est élégamment simple : minimiser le coût opérationnel total, défini comme le coût de l’écrêtement renouvelable + les paiements d’incitation + une pénalité pour la surcharge des lignes d’interconnexion.
Le coût de l’écrêtement n’est pas abstrait — il est indexé sur le coût réel du recours à des centrales à charbon ou à gaz pour compenser la perte d’énergie renouvelable, plus les externalités environnementales. Les pénalités sur les lignes reflètent les limites physiques du réseau : trop de flux inverse, et les transformateurs surchauffent.
Il en émerge une boucle auto-correctrice. Quand la surproduction renouvelable menace, l’optimiseur calcule de combien la charge des VE et des AC peut être sûrement augmentée (dans leurs marges contraintes par la volonté), puis fixe des incitations par paliers suffisamment attractives pour obtenir cet ajustement — mais pas plus. En période de déficit, il opère à l’inverse : incite doucement à réduire la charge en offrant des paiements modérés pour un report ou une diminution.
La simulation — configurée sur un réseau de distribution réaliste avec 5 000 VE et 10 000 AC — donne des résultats stupéfiants. Sans aucune réponse à la demande, l’écrêtement atteint 4,77 % de la production renouvelable totale, culminant entre 8 h et 14 h, quand la production solaire est maximale mais que la demande industrielle tarde à venir. Avec la stratégie proposée ? Zéro écrêtement. Chaque kilowattheure de soleil et de vent est absorbé — non pas en surdimensionnant le stockage ou les lignes, mais en alignant intelligemment la demande flexible sur l’offre.
Plus révélateur encore est l’écart économique. Le coût total du système baisse de plus de 16 000 ¥ par rapport au scénario de référence — principalement grâce à une réduction des achats d’électricité sur le réseau principal. Cela peut sembler modeste, mais à l’échelle d’une ville ou d’une province, les économies se comptent en millions. Et rappelons-le : ce résultat est obtenu sans forcer les utilisateurs à l’inconfort. Les conducteurs de VE partent toujours avec une batterie pleine ; les occupants des bureaux restent dans une plage de ±1,5 °C autour de leur température préférée — le tout en accomplissant inconsciemment des exploits d’équilibrage du réseau.
L’une des validations les plus pertinentes de l’étude compare les hypothèses de volonté fixe à l’approche dynamique TSK. Quand les chercheurs ont supposé un taux de participation plat de 50 % (conservateur), le coût total a augmenté de 4 700 ¥. Quand ils ont supposé 100 % de participation (optimiste), le modèle a violé les contraintes physiques : à plusieurs reprises, les charges planifiées des VE/AC sont tombées en dessous du minimum réalisable — ce qui signifie que l’exécution réelle aurait échoué. Autrement dit, la surestimation de la compliance des utilisateurs n’engendre pas seulement des surcoûts ; elle fait échouer le système.
Ceci mène à une autre conclusion cruciale : l’incertitude est gérable, mais pas négligeable. L’équipe a testé trois niveaux d’incertitude sur la volonté — nul, faible (±5 %) et élevé (±10 %). Avec l’augmentation de l’incertitude, l’écrêtement est resté à zéro, mais les achats externes d’électricité ont légèrement progressé. Pourquoi ? Pour se prémunir contre le risque d’une non-réponse de certains utilisateurs, l’optimiseur achète un peu plus d’énergie de secours sur le réseau — comme on emporte un parapluie quand la météo annonce « 40 % de risque de pluie ». C’est un arbitrage rationnel : un coût légèrement supérieur pour une fiabilité garantie.
L’enseignement le plus convaincant concerne peut-être la synergie. L’équipe a exécuté quatre scénarios : 1) VE + AC actifs ensemble 2) VE seuls 3) AC seuls 4) Aucun des deux
Résultats ? Les VE seuls ont réduit le coût de l’écrêtement de 99,97 % — impressionnant, grâce à leur forte puissance et leur flexibilité de planification. Les AC seuls l’ont réduit de 57,6 %. Mais ensemble, ils ont fait mieux que la somme de leurs contributions individuelles. Pourquoi ? Des profils complémentaires. Les VE se rechargent surtout la nuit et tôt le matin, avec des pics marqués ; les AC fonctionnent de façon stable pendant la journée, surtout l’été. Quand la surproduction renouvelable survient en milieu de journée, les AC assurent une absorption massive. Quand elle survient la nuit (par exemple, de l’éolien), les VE interviennent. C’est une relève temporelle parfaite — la preuve que la diversité dans la flexibilité est aussi vitale que la diversité dans la production.
Si l’on prend du recul, ces travaux témoignent d’une transformation plus profonde : le réseau n’est plus une rue à sens unique. La puissance circule vers le bas, mais l’intelligence et le contrôle doivent désormais remonter — depuis des millions de points terminaux, chacun avec ses propres contraintes et préférences. L’ancien paradigme de pilotage descendant, où les producteurs obéissent aux ordres et les charges consomment passivement, montre ses limites. À sa place émerge un réseau participatif — qui négocie, incite et collabore.
Ce qu’ont construit Hu et ses collègues n’est pas un système de commande ; c’est un marché de la flexibilité. Les VE et les AC ne sont pas contraints — ils se portent volontaires, contre une compensation équitable. Et parce que le modèle respecte le réalisme comportemental (via la volonté floue) et les limites physiques (via les marges pilotables), il évite l’écueil classique de la réponse à la demande : une capacité promise qui ne se matérialise jamais quand on fait appel à elle.
Pour les utilities, les implications sont profondes. Les planificateurs de distribution peuvent désormais quantifier la contribution potentielle de l’agrégation des VE et des AC à l’intégration des renouvelables — heure par heure, saison après saison. Les régulateurs peuvent concevoir des structures d’incitation qui alignent les signaux économiques sur les besoins du réseau. Les constructeurs automobiles et les fabricants de systèmes CVC, quant à eux, disposent d’une feuille de route pour intégrer une intelligence compatible avec le réseau dans les futurs produits : non seulement la recharge intelligente, mais une recharge consciente de la volonté.
Déjà, des pilotes à Shanghai et Shenzhen testent des concepts similaires — des flottes de VE répondant aux signaux de prix en temps réel, des bâtiments commerciaux pré-refroidis avant les heures de pointe tarifaire. Mais la plupart ne modélisent pas l’incertitude de la réponse humaine. C’est là que cette étude apporte une valeur unique. En traitant la volonté comme une variable floue et non binaire, elle injecte de l’humilité dans l’optimisation — reconnaissant que les humains ne sont pas des appareils, et que la flexibilité a des contours flous.
Des défis subsistent cependant. Le modèle suppose des flottes homogènes — mêmes spécifications pour les VE, mêmes consignes pour les AC. L’hétérogénéité du monde réel (Tesla vs. BYD, compresseurs à vitesse variable vs. fixe) exigera un clustering plus granulaire. La cybersécurité et la protection des données sont cruciales : pour estimer en temps réel le SOC ou la température intérieure, les systèmes ont besoin d’accéder à des données sensibles. Et peut-être plus critique encore, la confiance des consommateurs doit être gagnée. Les programmes d’incitation échouent quand les utilisateurs se sentent manipulés ou lésés.
Les auteurs suggèrent que les travaux futurs pourraient intégrer le partage d’énergie pair-à-pair — où les VE n’absorbent pas seulement les surplus mais les réinjectent directement chez des voisins — ou coupler les modèles de volonté avec l’apprentissage automatique qui s’adapte au comportement individuel over time. On peut imaginer une application qui apprend vos routines : si vous partez habituellement à 8h30 avec 80 % de charge, elle ne vous demandera pas de reporter la recharge au-delà de 7h45, quelle que soit l’incitation.
Mais le message central est déjà clair : la flexibilité dont nous avons besoin n’est pas enfermée dans des fermes de batteries à milliards. Elle est garée dans les garages et bourdonne dans les plafonds — en attente, non pas d’ordres, mais de la bonne raison d’agir.
Alors que la pénétration des renouvelables s’approche de 50 %, 60 %, voire 80 %, le plus grand atout du réseau pourrait ne pas être ses câbles ou ses transformateurs, mais ses utilisateurs — responsabilisés, rémunérés et invités à faire partie de la solution.
Ce n’est pas que de l’ingénierie. C’est de la démocratie énergétique.
Hu Zhiyong, Guo Xueli, Wang Shuang
Institut de Recherche Économique et Technologique, State Grid Nanyang Power Supply Company, Nanyang 473000, Chine
Xu Congming, Li Tingting, Zhou Wei
École d’Ingénierie Électrique, Université de Technologie de Dalian, Dalian 116024, Chine
Power System Protection and Control, Vol. 51, No. 15, 1 août 2023
DOI: 10.19783/j.cnki.pspc.221699