Modèle Révolutionnaire pour la Flexibilité des Véhicules Électriques
L’ère des véhicules électriques (VE) est bien plus qu’une simple transition technologique des moteurs à combustion vers des batteries. Elle représente une transformation fondamentale de notre rapport à l’énergie, où chaque voiture garée dans un garage ou connectée à une borne de recharge devient potentiellement un acteur actif et intelligent du réseau électrique. Cependant, pour transformer ce potentiel théorique en une réalité opérationnelle fiable, il est impératif de surmonter un défi majeur : la prévisibilité. Le comportement des conducteurs, les fluctuations des prix de l’électricité et les imprévus du quotidien créent une couche d’incertitude qui peut rendre les modèles traditionnels de gestion de la demande obsolètes. C’est précisément ce défi que vient de relever une équipe de recherche chinoise, dont les travaux publiés dans la prestigieuse revue Journal of Automation of Electric Power Systems promettent de révolutionner la manière dont les opérateurs de réseau intègrent les flottes de véhicules électriques. Leur modèle, baptisé TAM-FPM, va bien au-delà de la simple prédiction ; il quantifie et maîtrise l’incertitude elle-même, offrant une vision sans précédent de la flexibilité réelle que les VE peuvent offrir au système électrique.
La transition énergétique mondiale a placé les systèmes électriques devant un dilemme croissant. D’un côté, l’intégration massive d’énergies renouvelables comme l’éolien et le solaire est essentielle pour réduire les émissions de carbone. De l’autre, ces sources sont intrinsèquement variables et imprévisibles. Le vent ne souffle pas toujours, et le soleil ne brille pas en permanence, créant des pics et des creux dans la production d’électricité. Cette volatilité exige une réponse rapide et flexible du côté de la demande pour maintenir l’équilibre entre l’offre et la consommation, une exigence que les opérateurs de réseau appellent la « flexibilité ». Les véhicules électriques, avec leurs batteries de plusieurs dizaines de kilowattheures, sont naturellement conçus pour répondre à ce besoin. En ajustant intelligemment le moment et la vitesse de leur recharge, ils peuvent absorber l’excès de production renouvelable pendant les périodes creuses, agissant comme des milliers de petits barrages de stockage distribués. Dans un avenir proche, avec la technologie Véhicule-à-Réseau (V2G), ils pourront même restituer de l’énergie au réseau lors des pics de consommation. Cette capacité à être à la fois un consommateur et un fournisseur d’énergie les transforme d’un simple fardeau pour la grille en un atout stratégique pour sa stabilité.
Malgré ce potentiel immense, l’exploitation de la flexibilité des VE a été entravée par une simplification excessive dans les modèles de planification. Les approches conventionnelles, souvent basées sur le concept de « batterie virtuelle », calculent la limite théorique maximale de flexibilité qu’une flotte de VE pourrait offrir si tous les conducteurs suivaient scrupuleusement un horaire de recharge idéal. C’est une hypothèse commode pour les simulations, mais elle est profondément déconnectée de la réalité. Dans la vie réelle, un conducteur peut décider de partir plus tôt que prévu, de faire une course imprévue qui prolonge son absence, ou tout simplement de brancher son véhicule plus tard parce qu’il est fatigué. Cette « incertitude du comportement de recharge » est un facteur clé que les anciens modèles ne prenaient pas pleinement en compte, conduisant à des prévisions trop optimistes et à des programmes de gestion de la demande peu fiables.
Le véritable génie de la recherche menée par Wang Haotian de l’Université de l’Électricité de Chine du Nord, en collaboration avec des experts de la State Grid Economic and Technological Research Institute Co., Ltd., de la State Grid Corporation of China et de la State Grid Zhejiang Electric Power Co., Ltd., réside dans l’identification d’une seconde source d’incertitude, encore plus subtile mais tout aussi critique : la « désincertitude de réponse au prix ». Ce phénomène découle de la structure même du marché de l’électricité. Un agrégateur, chargé de gérer une flotte de VE pour le compte du réseau, planifie la recharge des véhicules pour le lendemain en se basant sur les prix annoncés la veille (le prix « day-ahead »). Cependant, le prix réel payé chaque heure du jour (le prix « en temps réel ») peut différer considérablement du prix planifié en raison de fluctuations imprévues de la demande ou de la production. Si l’agrégateur promet à un propriétaire de charger son véhicule au prix le plus bas, mais que le prix en temps réel s’avère être bien plus élevé, le conducteur se sentira trompé. Cette perte de confiance est désastreuse, car elle décourage la participation aux programmes d’effacement et rend le plan de recharge initial, bien que mathématiquement optimal, économiquement suboptimal. Cette lacune, entre la planification idéale et la réalité volatile, a longtemps été le talon d’Achille des systèmes de gestion de la demande.
C’est pour combler ce fossé que les chercheurs ont développé le modèle TAM-FPM (Temporal Attention Mechanism based Flexibility Probabilistic Model). Contrairement aux modèles déterministes qui produisent une seule prédiction, le TAM-FPM est un modèle probabiliste. Son innovation fondamentale est de ne pas prédire une valeur unique pour la charge ou la flexibilité d’un VE, mais une distribution de probabilité. Cela signifie qu’il ne se contente pas de dire ce qui est le plus susceptible de se produire, mais qu’il quantifie également l’incertitude autour de cette prédiction. Il fournit un intervalle de confiance, indiquant non seulement la valeur la plus probable, mais aussi la gamme des résultats possibles et leur probabilité respective. Pour un opérateur de réseau, cette information est inestimable. Elle permet de prendre des décisions éclairées en tenant compte du risque, d’optimiser l’achat de services de flexibilité et de concevoir des marchés plus résilients face aux imprévus.
Le cœur du modèle TAM-FPM est une architecture d’intelligence artificielle sophistiquée qui fusionne deux technologies de pointe : le « mécanisme d’attention temporelle » (TAM) et le « réseau de convolution temporelle » (TCN). Le TAM agit comme un filtre intelligent et dynamique. Plutôt que de traiter chaque heure passée de la même manière, il apprend à attribuer des « poids » différents aux différents moments de l’histoire. Par exemple, s’il y a eu une forte augmentation des prix de l’électricité à 17h hier, le mécanisme d’attention peut apprendre que ce modèle est particulièrement pertinent et lui accorder une grande importance lorsqu’il prédit les prix pour aujourd’hui à la même heure. Cela permet au modèle de se concentrer sur les signaux historiques les plus significatifs, rendant ses prédictions plus contextuelles et robustes face aux variations.
Le TCN, quant à lui, est le spécialiste de la détection de motifs complexes dans le temps. Contrairement aux réseaux neuronaux récurrents traditionnels, qui traitent les données séquentiellement (ce qui peut être lent et entraîner une perte d’information sur les événements distants), le TCN peut analyser toute la chronologie des données d’un seul coup. Les chercheurs ont conçu un réseau d' »extraction de caractéristiques multi-échelle » qui utilise des couches de convolution avec des tailles de filtre différentes. Un petit filtre peut capturer des fluctuations à très court terme, comme des pics de prix de quelques minutes. Un filtre moyen peut identifier des motifs quotidiens, tels que l’augmentation de la demande le matin. Et un grand filtre peut détecter des tendances à long terme, comme les cycles hebdomadaires. En extrayant simultanément des caractéristiques à ces différentes échelles temporelles, le modèle obtient une compréhension holistique de la dynamique du marché de l’électricité et du comportement des utilisateurs.
La véritable puissance du modèle réside dans la synergie entre ces deux composants. Le mécanisme d’attention identifie d’abord les moments les plus critiques dans l’historique des données. Ensuite, le réseau de convolution temporelle prend ces entrées priorisées et extrait des modèles détaillés à travers plusieurs échelles temporelles. Ce processus en deux étapes permet au modèle d’apprendre les relations non linéaires complexes entre des facteurs tels que le prix day-ahead, le prix en temps réel et la charge de recharge résultante du VE. La sortie finale est une distribution de probabilité complète, qui décrit à la fois la valeur attendue et l’incertitude qui l’entoure.
Pour valider leur modèle, les chercheurs ont utilisé des données réelles provenant du marché électrique PJM aux États-Unis, l’un des marchés les plus grands et les plus dynamiques au monde. Les données comprenaient les prix day-ahead et en temps réel pour l’ensemble de l’année 2020. Pour simuler une flotte de VE réaliste, ils ont généré, via une méthode de Monte Carlo, une population de 100 véhicules, avec des paramètres tels que les horaires d’arrivée et de départ, l’état de charge initial et l’objectif de charge, basés sur des distributions statistiques dérivées d’études empiriques. Le modèle a été entraîné avec les données des 11 premiers mois de l’année et évalué sur le dernier mois, une pratique standard pour tester sa capacité à généraliser à des données inconnues.
Les résultats de l’évaluation ont été éloquents. Le modèle TAM-FPM a été comparé à deux modèles de référence bien établis : un Perceptron Multi-Couches (MLP) et un réseau LSTM. Sur les métriques de précision déterministe, comme l’Erreur Absolue Moyenne (MAE), le TAM-FPM a démontré une précision supérieure en prédisant à la fois les prix en temps réel et la charge de recharge des VE. Cependant, l’avantage décisif du modèle s’est manifesté dans les métriques d’évaluation probabiliste. Le modèle a obtenu un score de Probabilité Classée Continue (CRPS) significativement plus bas, indiquant une qualité de prédiction probabiliste supérieure.
L’aspect le plus révélateur a été la performance du modèle sur deux métriques clés : la fiabilité (reliability) et la finesse (sharpness). La fiabilité mesure si les intervalles de prédiction du modèle sont bien calibrés ; si le modèle affirme qu’il y a 80 % de chances que la valeur réelle se situe dans un certain intervalle, cela devrait être vrai environ 80 % du temps. La finesse mesure à quel point ces intervalles de prédiction sont étroits ; un modèle plus fin est plus précis. Un modèle idéal est à la fois fiable et fin. Le modèle TAM-FPM a excellé dans les deux domaines. Il a obtenu les valeurs les plus basses de Déviation Moyenne de Couverture de l’Intervalle de Prédiction (PIACD), indiquant une fiabilité élevée. En même temps, il a produit les intervalles de prédiction les plus étroits (PIAW le plus bas), démontrant une finesse exceptionnelle. Cette combinaison montre que le modèle ne fait pas des suppositions larges et conservatrices, mais des prédictions très précises et confiantes sur un avenir incertain.
Un cas d’étude particulièrement révélateur s’est concentré sur le 22 novembre 2020, une journée marquée par un pic prononcé des prix de l’électricité entre 16h et 20h, le prix le plus élevé étant atteint à 17h. Le modèle MLP a prédit à tort que le pic de prix se produirait à 16h, tandis que le modèle LSTM n’a pas capté la tendance haussière, produisant une prédiction beaucoup plus plate. Ces erreurs se sont traduites par des prévisions erronées de la charge de recharge des VE. En revanche, le modèle TAM-FPM a capturé avec précision le moment et l’amplitude du pic de prix. En conséquence, sa prédiction de la charge des VE a montré une réduction claire et opportune de la demande pendant la période de prix élevés. De plus, les intervalles de prédiction du modèle étaient adaptatifs, s’élargissant pendant la période de volatilité des prix pour refléter une incertitude accrue et se resserrant pendant les périodes plus stables, une caractéristique absente des modèles de référence.
Les implications pratiques de cette recherche sont profondes. Pour les opérateurs de réseau, le modèle TAM-FPM fournit un outil puissant pour intégrer des millions de véhicules électriques dans leur planification opérationnelle. En offrant une prédiction probabiliste précise et fiable de la flexibilité des VE, il permet une programmation plus efficace d’autres ressources de génération, réduit le risque d’instabilité du réseau et diminue le coût total d’acquisition de services de flexibilité. Pour les agrégateurs de véhicules électriques, le modèle peut être utilisé pour concevoir des programmes de réponse à la demande plus efficaces, optimiser les horaires de recharge pour minimiser les coûts des clients et générer une plus grande confiance avec les propriétaires de véhicules en offrant une gestion énergétique plus transparente et précise. La capacité de modéliser avec précision l’écart entre les prix day-ahead et en temps réel est particulièrement précieuse, car elle permet aux agrégateurs de mieux gérer leur risque financier et d’offrir des prix plus stables à leurs clients.
À l’avenir, l’équipe de recherche a esquissé plusieurs voies prometteuses pour poursuivre ce travail. Bien que le modèle actuel se concentre sur la réponse basée sur les prix, le même cadre peut être étendu à d’autres applications telles que la régulation de fréquence et l’écrêtement des pics, qui sont pilotées par des signaux de contrôle directs du réseau plutôt que par les prix du marché. Ces scénarios impliquent différents types d’incitations et de contraintes, et modéliser l’incertitude de réponse à des commandes directes pose un nouvel ensemble de défis. Les chercheurs suggèrent également que le modèle pourrait être adapté pour prendre en compte la distribution spatiale des VE, car les modèles de charge des véhicules en centre-ville peuvent différer significativement de ceux des zones suburbaines ou rurales. En outre, l’intégration de données provenant de VE dotés de la capacité V2G, qui peuvent restituer de l’énergie au réseau, ajouterait un autre niveau de complexité et de valeur potentielle au modèle de flexibilité.
En conclusion, le développement du modèle TAM-FPM représente un bond significatif dans le domaine de la technologie des réseaux intelligents. En exploitant la puissance de l’apprentissage profond avec un mécanisme d’attention sophistiqué et une extraction de caractéristiques multi-échelle, l’équipe de recherche a créé un modèle qui saisit la véritable nature probabiliste de la flexibilité des VE. Ce travail déplace la conversation au-delà du potentiel théorique et fournit une solution pratique, fondée sur les données, pour gérer la relation dynamique entre les systèmes de transport et d’énergie. Alors que le monde poursuit sa transition vers un avenir à faibles émissions de carbone, la capacité de gérer intelligemment les ressources énergétiques distribuées telles que les véhicules électriques sera fondamentale. Cette recherche, avec son accent sur la précision, la fiabilité et l’applicabilité pratique, fournit une base solide pour construire la prochaine génération de réseaux électriques intelligents et résilients.
Wang Haotian, Université de l’Électricité de Chine du Nord; Liu Dong, State Grid Economic and Technological Research Institute Co., Ltd.; Qin Jishuo, State Grid Economic and Technological Research Institute Co., Ltd.; Shi Rui, State Grid Corporation of China; Dan Yangqing, State Grid Zhejiang Electric Power Co., Ltd.; Sun Yingyun, Université de l’Électricité de Chine du Nord. Journal of Automation of Electric Power Systems. DOI: 10.7500/AEPS20230625007