Modèle révolutionnaire intègre l’imprévisibilité des conducteurs dans le réseau électrique
La promesse des véhicules électriques (VE) comme pilier d’un avenir énergétique propre est indéniable. Leur potentiel à agir comme un vaste réseau distribué de batteries mobiles, capable d’aplanir les pics et les creux de la demande électrique grâce à la charge intelligente et à la technologie véhicule-réseau (V2G), est un pilier central des stratégies de modernisation du réseau. Les compagnies d’électricité et les opérateurs de réseau imaginent une flotte de VE stationnés, dont les batteries absorbent patiemment l’excès d’énergie solaire pendant la journée pour le restituer aux foyers et aux entreprises pendant la pointe du soir. Cette vision élégante repose toutefois sur une hypothèse critique, souvent ignorée : la prévisibilité. Les modèles qui alimentent cet avenir sont basés sur l’idée que les conducteurs suivent des schémas de conduite routiniers et prévisibles. Ils partent au travail à la même heure, stationnent pendant une durée connue et rentrent chez eux selon un programme, fournissant ainsi un groupe stable et fiable de ressources énergétiques flexibles.
Une nouvelle étude révolutionnaire publiée dans la revue Automation of Electric Power Systems remet en question cette hypothèse fondamentale, affirmant que le monde réel est bien plus chaotique. La recherche, menée par le professeur Zhu Yongsheng et son équipe du Collège de génie électronique et d’information de l’Université de technologie Zhongyuan, présente un nouveau modèle sophistiqué qui intègre pour la première fois de manière exhaustive la nature imprévisible du comportement humain, en particulier les changements inattendus dans les plans de voyage d’un conducteur, dans les mathématiques complexes de la gestion énergétique à grande échelle pour les véhicules électriques. Les résultats sont un rappel saisissant que le plus grand obstacle à un réseau intelligent et résilient pourrait ne pas se trouver dans la technologie des voitures ou dans les sous-stations, mais dans l’être humain au volant.
L’article, intitulé « Multi-objective Collaborative Optimal Dispatch for Electric Vehicles in Multistate Scenarios Considering Trip Chain Reconstruction », représente un changement de paradigme dans la manière dont les chercheurs et les ingénieurs devraient envisager les VE dans le système électrique. Il s’éloigne des modèles statiques du passé, qui traitaient le calendrier de charge d’un véhicule comme un rendez-vous fixe, pour adopter un cadre dynamique qui reconnaît le flux constant de la vie quotidienne. « Notre travail part d’une observation simple », explique le professeur Zhu. « Les plans des gens changent. Une urgence au travail, un événement scolaire de l’enfant ou même l’attrait d’une offre flash peuvent instantanément modifier les plans de voyage d’un conducteur. Lorsque cela se produit, tout le plan de charge pour ce véhicule est annulé, et cette perturbation résonne à travers tout le réseau électrique. »
Cette « perturbation » est ce que l’équipe de recherche appelle la « reconstruction de la chaîne de déplacements ». Une « chaîne de déplacements » est la séquence d’arrêts qu’une personne effectue dans une journée : domicile, travail, supermarché, école, domicile. Lorsqu’un événement inattendu oblige un conducteur à ajouter, supprimer ou réorganiser un maillon de cette chaîne, cela modifie fondamentalement ses besoins énergétiques et sa disponibilité pour le réseau. L’étude identifie quatre types distincts d’événements qui déclenchent cette reconstruction, chacun avec différents niveaux d’urgence et d’importance, et chacun nécessitant une réponse unique d’un système de charge intelligente.
Le premier et le plus perturbant est l’événement « urgent et nécessaire » : une urgence médicale, une réunion de travail critique ou une crise familiale. Lorsque cela se produit, l’objectif principal du conducteur est d’atteindre la nouvelle destination le plus rapidement possible. Cela signifie souvent que le véhicule électrique doit quitter immédiatement sa position actuelle, abandonnant potentiellement une session de charge planifiée, ou doit effectuer une charge rapide et à haute puissance pour s’assurer d’avoir suffisamment d’énergie pour le trajet. Cette demande de puissance soudaine et non planifiée peut créer un pic dans la demande locale, sapant précisément le « lissage des pics » que les véhicules électriques sont censés aider à atteindre.
La deuxième catégorie est « urgent mais non nécessaire », comme une offre à durée limitée ou une invitation sociale spontanée. Cela crée un dilemme pour le conducteur : le bénéfice du voyage vaut-il le coût en temps et en énergie ? Ce processus de prise de décision interne introduit un niveau d’incertitude comportementale. Le système de charge doit être capable de modéliser non seulement l’événement, mais aussi la probabilité que le conducteur décide d’y répondre, et l’impact subséquent sur son comportement de charge.
Les troisième et quatrième catégories, les événements « nécessaires mais non urgents » et « ni urgents ni nécessaires » (comme planifier un voyage de week-end ou décider de faire une course nocturne), sont moins immédiatement perturbateurs mais tout de même significatifs. Ils amènent souvent un conducteur à choisir un itinéraire différent pour rentrer chez lui ou à faire un arrêt non planifié, ce qui modifie le moment et le lieu de sa prochaine opportunité de charge. Bien que l’impact d’un seul événement puisse être petit, l’effet cumulatif de milliers de conducteurs effectuant ces petits changements imprévisibles peut dégrader significativement la précision d’un calendrier de charge centralisé.
Le cœur de la recherche est un nouveau « modèle de volonté de charge » qui quantifie la décision d’un conducteur de charger. Ce modèle va au-delà d’un simple seuil d’état de charge (SoC). Il incorpore le concept de « l’anxiété d’autonomie », la peur de tomber en panne d’énergie, un facteur psychologique bien documenté dans la possession de véhicules électriques. Le modèle ajuste dynamiquement le « seuil de charge » d’un conducteur en fonction de sa position actuelle, de sa destination prévue et de la distance entre les deux. Par exemple, un conducteur avec 50 % de batterie pourrait être tout à fait prêt à sauter une charge s’il ne fait que rentrer chez lui, mais chercherait immédiatement une borne de recharge s’il apprenait qu’il doit traverser la ville. Ce modèle fournit une image beaucoup plus réaliste et nuancée de quand et où les conducteurs sont susceptibles de brancher leur véhicule, une entrée critique pour tout algorithme d’optimisation.
Pour gérer cette complexité, l’équipe a développé un cadre d’optimisation à deux étapes, multi-objectif. La première étape est un plan « jour précédent », une meilleure estimation basée sur des schémas de conduite typiques, la météo et les prix de l’électricité. Ce plan vise à minimiser à la fois le coût global pour les propriétaires de véhicules électriques et la variance de la charge totale du réseau, favorisant la stabilité. Cependant, la véritable innovation du modèle réside dans sa deuxième étape, en « temps réel ». Lorsqu’un événement de reconstruction de la chaîne de déplacements est détecté, peut-être par le biais de l’application de navigation d’un conducteur ou du protocole de communication d’une borne de charge intelligente, le système ne réagit pas simplement ; il réoptimise intelligemment le calendrier de charge pour ce véhicule et, surtout, pour toute la flotte, à partir du moment de l’événement.
Cette réoptimisation en temps réel est là où le modèle démontre sa puissance. Il ne traite pas la perturbation comme un échec à ignorer ; il la traite comme de nouvelles données à intégrer. Le système peut, par exemple, prioriser une charge rapide pour le conducteur ayant une urgence urgente tout en instruisant simultanément d’autres VE à proximité de réduire leur puissance de charge ou même de décharger une petite quantité d’énergie dans le réseau pour compenser le pic soudain de demande. Cette approche collaborative garantit que la stabilité globale du système est maintenue, même lorsque des véhicules individuels se comportent de manière imprévisible.
La recherche a été validée par une simulation détaillée d’un réseau électrique régional, utilisant des données d’une zone urbaine réelle. Les résultats ont été convaincants. L’étude a comparé cinq scénarios différents, allant d’un monde où aucun VE ne participe à la charge intelligente à un monde où tous les VE sont entièrement intégrés au système. Comme prévu, lorsque les VE participaient à un programme de charge intelligente coordonné, la variance de charge quotidienne (une mesure clé de la stabilité du réseau) était significativement réduite et le coût total pour les utilisateurs était plus bas, créant une situation « gagnant-gagnant » à la fois pour le réseau et pour les consommateurs.
Cependant, les résultats les plus révélateurs provenaient des scénarios incluant la reconstruction de la chaîne de déplacements. Lorsque le modèle prenait en compte ces événements imprévisibles, les performances du système de charge intelligente changeaient radicalement. Bien que le système soit encore bien supérieur à l’absence de coordination, les bénéfices étaient réduits. La variance de charge était plus élevée et les coûts pour l’utilisateur avaient légèrement augmenté par rapport à un monde hypothétique où tous les conducteurs respectaient leurs plans. Cela quantifie le « coût de l’imprévisibilité » et fournit une référence réaliste pour le véritable potentiel de la technologie V2G.
L’étude a également mené une « analyse de sensibilité » pour déterminer quels types d’événements ont le plus grand impact. Pas étonnamment, les événements « urgents et nécessaires » ont causé les perturbations les plus importantes au plan programmé. Le modèle a calculé un « coefficient de sensibilité » beaucoup plus élevé pour ces événements, confirmant qu’une seule interruption de haute priorité peut avoir un effet disproportionné sur le système. Cette information est inestimable pour les opérateurs de réseau, qui peuvent désormais prioriser leurs systèmes de réponse pour gérer ces événements à fort impact.
Les implications de cette recherche vont bien au-delà du monde académique. Pour les constructeurs automobiles, cela souligne la nécessité de concevoir des VE et leurs applications associées en tenant compte de l’interaction avec le réseau. Une voiture qui peut communiquer automatiquement un changement dans son itinéraire planifié à une compagnie d’électricité ou à un agrégateur de charge sera un actif beaucoup plus précieux pour le réseau qu’une voiture qui fonctionne de manière isolée. Pour les fabricants de bornes de charge, cela met en évidence l’importance de capacités de communication bidirectionnelle robustes. Pour les compagnies d’électricité, cela fournit un outil beaucoup plus réaliste pour prévoir la demande et planifier les opérations du réseau. Plutôt que de compter sur des modèles optimistes de comportement parfait du conducteur, ils peuvent désormais utiliser un outil qui tient compte de la réalité chaotique de la vie humaine.
De plus, la capacité du modèle à gérer les « conditions extrêmes » est particulièrement pertinente à une époque de volatilité climatique croissante. L’étude a également analysé des scénarios où l’approvisionnement principal en énergie est paralysé, comme après une tempête importante, ou lorsqu’il y a une affluence soudaine et massive d’énergie renouvelable (comme une rafale de vent dans un parc éolien). Dans le premier cas, le modèle a montré qu’une flotte coordonnée de VE, travaillant conjointement avec un stockage d’énergie stationnaire, pourrait prolonger considérablement la durée de l’alimentation de secours pour les charges critiques. Dans le second cas, il a démontré que les VE pourraient agir comme une « éponge » massive, absorbant l’excès d’énergie renouvelable qui serait autrement gaspillée (« curtailée »), augmentant ainsi l’efficacité et la durabilité globales du système électrique. Le fait que les performances du modèle soient également dégradées par la reconstruction de la chaîne de déplacements dans ces scénarios extrêmes est un rappel sobre que même en cas de crise, le comportement humain reste une variable critique.
La recherche de Zhu, Sun, Xie et leurs collègues représente un progrès significatif dans le domaine des réseaux intelligents et de l’intégration des véhicules électriques. Elle fait passer la conversation d’une idéalisation théorique à un cadre pratique et réalisable. En acceptant, plutôt qu’en ignorant, l’imprévisibilité inhérente des conducteurs humains, le modèle fournit une image plus honnête et, en fin de compte, plus utile de l’avenir. Il reconnaît que le chemin vers un réseau plus intelligent et plus vert n’est pas pavé d’algorithmes parfaits, mais de systèmes robustes, adaptables et, surtout, centrés sur l’humain. La technologie pour gérer des millions de véhicules électriques en tant que ressource réseau existe ; cette recherche montre comment faire fonctionner cette technologie dans le monde réel, où les plans changent et où la vie arrive.
L’étude explore également les compromis économiques et environnementaux inhérents à différentes stratégies de gestion. L’équipe a exploré comment l’objectif d’optimisation, qu’il s’agisse de minimiser la variance de charge du réseau ou de minimiser le coût pour l’utilisateur, affecte le résultat. Comme prévu, une stratégie axée uniquement sur le coût pour l’utilisateur conduit à des factures plus basses pour les conducteurs, mais entraîne une variance de charge plus élevée, moins souhaitable pour le réseau. À l’inverse, une approche axée sur la stabilité du réseau conduit à un système plus stable, mais à un coût légèrement plus élevé pour l’utilisateur. Le modèle permet une approche équilibrée et pondérée, trouvant un juste milieu qui satisfait les deux parties.
L’échelle de la flotte de véhicules électriques est un autre facteur critique. La simulation a montré qu’avec l’augmentation du nombre de VE dans le système, le potentiel global de stabilisation de charge augmente. Une flotte plus grande fournit plus de « flexibilité » pour que le réseau travaille. Cependant, l’étude a également découvert qu’une flotte plus grande amplifie l’effet perturbateur de la reconstruction de la chaîne de déplacements. Plus de voitures signifient plus d’opportunités pour que les plans changent, ce qui signifie que le « bruit » total introduit dans le système est plus important. Cela crée un défi complexe : plus le bénéfice potentiel est grand, plus la perturbation potentielle est grande. Cette découverte est cruciale pour la planification à long terme, suggérant qu’à mesure que l’adoption des véhicules électriques augmente, la sophistication des systèmes de gestion qui les contrôlent doit également augmenter.
Enfin, la recherche met en évidence l’interconnexion du système énergétique moderne. L’article analyse comment la taille de la production éolienne affecte les résultats. À mesure que la capacité éolienne augmente, elle remplace la production basée sur les combustibles fossiles, entraînant une réduction des émissions de carbone. Cependant, la variabilité de l’énergie éolienne signifie que le besoin du réseau pour des ressources flexibles comme les véhicules électriques devient encore plus aigu. L’étude montre que l’efficacité des VE pour réduire les émissions ne dépend pas seulement de leur propre comportement de charge, mais est également influencée par le niveau de pénétration des énergies renouvelables et, une fois encore, par la nature imprévisible du voyage humain. Cette vision holistique est essentielle pour les décideurs politiques qui cherchent à décarboner l’ensemble du secteur énergétique.
En conclusion, le travail de Zhu Yongsheng et de son équipe est une contribution fondamentale. Il ne se contente pas de présenter un nouveau modèle ; il recadre tout le problème. En plaçant le conducteur humain, avec toutes ses particularités et son imprévisibilité, au centre de l’équation de gestion énergétique, la recherche fournit un plan beaucoup plus réaliste et réalisable pour l’avenir de la mobilité électrique. C’est un puissant rappel que le succès de nos solutions technologiques dépend de notre capacité à comprendre et à accommoder la nature complexe, chaotique et merveilleusement imprévisible du comportement humain.
Zhu Yongsheng, Sun Xian, Xie Xiaofeng et al., Automation of Electric Power Systems, DOI: 10.7500/AEPS20230511002