Nouveau Modèle de Planification Intelligente pour l’Optimisation des Bornes de Recharge sur Autoroutes
Lorsque les conducteurs de véhicules électriques (VE) parcourent l’autoroute côtière G15 Shenyang–Haikou—une artère essentielle de plus de 3 700 kilomètres en Chine—leur inquiétude ne porte pas seulement sur l’autonomie de la batterie. Elle concerne également la disponibilité des bornes de recharge dans les prochaines aires de service, leur occupation potentielle, et la capacité du réseau électrique local à supporter une demande massive de recharge rapide. Pendant des années, cette tension entre mobilité, infrastructure et énergie est restée non résolue : les planificateurs optimisaient pour le trafic, les ingénieurs pour l’énergie, et les investisseurs pour les coûts—rarement les trois de concert.
Cela commence à changer.
Une étude récemment publiée dans Proceedings of the CSU-EPSA introduit une approche novatrice qui synchronise la dynamique des transports et les contraintes du système électrique au sein d’un modèle d’optimisation unifié pour l’implantation des bornes de recharge sur autoroute. Développée par une équipe pluridisciplinaire du Fujian Expressway Science and Technology Innovation Research Institute et de l’Université de Fuzhou, cette méthode ne se contente pas de déterminer où construire les stations—elle calcule combien de bornes haute puissance chaque site nécessite, quand les utilisateurs sont susceptibles de faire la queue, et quelles mises à niveau le réseau de distribution local doit entreprendre pour éviter les surcharges ou les chutes de tension. Au cœur de cette approche, le modèle considère l’autoroute et le réseau non comme des entités séparées, mais comme un réseau intégré électricité–trafic—un changement de paradigme qui gagne en pertinence dans la planification des infrastructures de nouvelle génération.
La méthode a été testée sur la section du Fujian de l’autoroute G15, un corridor à fort trafic reliant Fuzhou à Haicang sur 240 kilomètres. En utilisant des données réelles de péage collectées pendant les pics du voyage national de 2023—période de forte affluence interurbaine—l’équipe a reconstitué les flux de trafic heure par heure, cartographié les motifs origine–destination, et les a intégrés dans un moteur de simulation dynamique basé sur le Link Transmission Model (LTM). Contrairement aux estimations statiques ou moyennes, le LTM suit la propagation de la congestion, la formation de files d’attente, et l’évolution de la densité des véhicules le long du corridor en temps quasi réel. Cette granularité est essentielle : elle permet aux planificateurs de voir non seulement combien de VE passent à un point donné, mais quand et sous quelle forme—groupés en vagues de départ l’après-midi ou circulant régulièrement la nuit.
À partir de ces motifs de trafic, le modèle extrait la demande de recharge. En supposant un taux de pénétration des VE de 10 %—une estimation prudente compte tenu de l’électrification rapide du parc en Chine—et une probabilité de 33 % qu’un conducteur s’arrête pour recharger (environ un sur trois, reflétant des trajets typiques de 250–300 km entre recharges), le système génère des taux d’arrivée variables dans le temps pour chaque station candidate. Ces taux alimentent ensuite un modèle de file d’attente : un modèle M/M/K qui simule la façon dont les VE font la queue pour des bornes de recharge rapide CC, calculant les temps d’attente prévus en fonction du nombre de bornes disponibles, de leur puissance (60 kW ou 120 kW par unité), et du temps nécessaire pour restaurer l’état de charge. Surtout, il respecte les limites d’intensité de service—aucune station n’est autorisée à fonctionner si près de sa capacité que les temps d’attente deviennent ingérables.
Mais c’est ici que l’innovation dépasse les travaux antérieurs : elle ne s’arrête pas au bord de la route.
La plupart des études précédentes—en particulier celles axées sur le déploiement urbain—considéraient le réseau électrique comme un arrière-plan passif : tant que la demande totale restait sous un « plafond de capacité » vague, la configuration était jugée réalisable. Les utilities ne fonctionnent pas ainsi. Les profils de tension chutent, les charges des transformateurs augmentent brutalement, les pertes en ligne s’accumulent, et les limites thermiques sont atteintes—surtout lorsque de nouvelles charges de recharge de l’ordre du mégawatt apparaissent du jour au lendemain dans des postes électriques ruraux dimensionnés à l’origine pour des pompes agricoles et l’éclairage autoroutier.
Le nouveau modèle intègre une relaxation conique de second ordre (SOCR) complète des équations de flux de puissance du réseau de distribution—appliquée à un système IEEE 33 nœuds modifié, couplé point par point aux 31 nœuds de trafic de l’autoroute. Lorsqu’une station candidate est placée, l’algorithme ne se contente pas de totaliser son coût de construction ; il demande : Quel feeder peut accueillir cette charge ? Le poste source le plus proche nécessite-t-il un renforcement ? Faut-il moderniser une ligne existante ou en installer une nouvelle ? Les coûts d’investissement et opérationnels de ces interventions côté réseau—nouveaux transformateurs, modernisation des conducteurs, soutien de la puissance réactive—sont intégrés directement dans la fonction objective, aux côtés du CAPEX des stations de recharge et du temps d’attente des utilisateurs.
Le résultat est un espace de compromis à trois dimensions. Sur un axe : les dépenses en capital (stations + extensions du réseau). Sur le deuxième : les dépenses opérationnelles (maintenance, pertes d’énergie, personnel). Sur le troisième : le coût expérientiel—le nombre total d’heures que les conducteurs passent à attendre, le téléphone à la main, à regarder leur état de charge augmenter. Pour naviguer dans cet espace, l’équipe a employé NSGA-II, un algorithme évolutionnaire multi-objectif rapide et robuste qui génère une frontière de Pareto—un ensemble de solutions non dominées où aucun objectif ne peut être amélioré sans en dégrader un autre.
Pour la section de 240 km de la G15, l’algorithme a proposé 7 pôles de recharge optimaux. Deux étaient situés dans des aires de service existantes—A2 (Chigang) et A8 (Longjue Est)—tirant parti des droits de passage, des connexions électriques et des services existants, évitant ainsi les coûts de développement en greenfield. Les cinq autres étaient répartis tous les 25–40 km le long du corridor, placés non pas à des intervalles arbitraires, mais là où la modélisation du trafic prédisait une demande convergente : par exemple, juste en aval d’échangeurs majeurs comme Yitang et Caipuyuan, où la réduction des voies et le comportement de fusion ralentissent naturellement les véhicules et augmentent la propension à s’arrêter.
La configuration optimale a spécifié des nombres de bornes asymétriques—13 unités à la Station 1, 24 à la Station 2, jusqu’à seulement 5 à la Station 7—reflétant directement le profil d’arrivée simulé. Cette granularité est importante. Suréquiper en bornes les zones à faible trafic gaspille du capital et augmente les pertes à vide ; sous-équiper les points névralgiques crée de la frustration et un risque réputationnel. Le modèle a montré que l’investissement total (stations + réseau) pouvait être réduit de plus de 40 % par rapport à une approche naïve « unique »—sans augmenter le temps d’attente au-delà de 0,5 heure, le seuil psychologique au-delà duquel de nombreux conducteurs déclarent se tourner vers des alternatives thermiques ou éviter complètement l’itinéraire.
En effet, la solution retenue—sélectionnée non pas uniquement par algorithme mais par evidence reasoning (ER), une méthode décisionnelle qui imite le jugement humain dans l’incertitude—a affiché un temps d’attente quotidien moyen cumulé de seulement 13,93 heures pour l’ensemble des utilisateurs du corridor. Cela se traduit par moins de 4 minutes d’attente prévue par événement de recharge—un chiffre que la plupart des conducteurs jugeraient acceptable, surtout compte tenu de la durée de recharge CC inférieure à 30 minutes.
L’analyse côté réseau a révélé des interventions tout aussi précises. Les nœuds 23, 13, 16 et 32—où les stations nouvelles ou agrandies tiraient une charge importante—ont nécessité des mises à niveau sur les branches 5–6, 6–7, 22–23 et 27–28. Sans celles-ci, la tension en aval serait tombée en dessous de 0,90 p.u., violant les limites réglementaires. Avec les mises à niveau, le profil de tension final est resté confortablement dans la plage 0,95–1,05 p.u. sur les 33 nœuds—un point d’équilibre entre efficacité, durée de vie des équipements et conformité.
L’équipe a également mené une analyse de sensibilité sur une variable comportementale clé : le taux d’entrée en station (α_arr). À mesure que la technologie des batteries progresse—repoussant l’autonomie réelle sur autoroute au-delà de 500 km—les conducteurs deviennent plus sélectifs sur leurs arrêts. Le modèle a testé des scénarios où les VE rechargeaient tous les 2, 3, 4 ou 5 stations (α_arr = 0,5 ; 0,33 ; 0,25 ; 0,2). Les résultats ont montré des réductions de coûts non linéaires : la dépense totale du système est passée de 10,21 millions de ¥ (intervalle de 2 stations) à 4,31 millions de ¥ (intervalle de 5 stations). Mais le temps d’attente n’a pas baissé de manière monotone—passer de M=4 à M=5 a légèrement augmenté le délai moyen (10,85 h → 14,18 h), suggérant un point d’inflexion où un nombre trop faible de bornes crée des effets de goulot malgré une demande globale plus faible. Cette seule insight pourrait éviter des millions de surinvestissements—guidant les décideurs pour calibrer le déploiement des infrastructures sur des courbes d’adoption réalistes, et non sur des cycles de hype.
Au-delà de l’innovation technique, l’étude exemplifie ce que le cadre EEAT (Expérience, Expertise, Autorité, Confiance) de Google valorise dans un contenu autorisé. Premièrement, l’expérience : les données ne provenaient pas de générateurs de trafic synthétiques mais du système live de péage du Fujian—données réelles en conditions de pic. Deuxièmement, l’expertise : l’équipe couvre le génie des transports, les systèmes électriques et la recherche opérationnelle, avec des affiliations à la fois à un institut provincial de R&D autoroutier et à une école d’ingénierie électrique de premier plan. Troisièmement, l’autorité : la revue Proceedings of the CSU-EPSA est une publication centrale de la Chinese Society of Universities for Electric Power System and its Automation, avec une révision par les pairs stricte. Quatrièmement, la confiance : le modèle reconnaît ouvertement ses limites—notamment la simplification de la puissance homogène des bornes (uniquement 60/120 kW) et des hypothèses statiques de consommation énergétique des VE—et appelle à des travaux futurs sur des profils de recharge hétérogènes et la flexibilité V2G.
Surtout, le travail évite le piège de la « boîte noire de l’IA ». Bien que NSGA-II et l’evidence reasoning soient intensifs en calculs, l’article décrit transparente chaque couche de modélisation : comment le LTM convertit les paires OD en flux de lien ; comment la théorie des files d’attente mappe les flux aux temps d’attente ; comment la SOCR linéarise le flux de puissance AC pour la tractabilité ; comment ER pondère les préférences des parties prenantes (ex. opérateur de réseau vs satisfaction du conducteur) sans schémas de pondération opaques. Cette interprétabilité est vitale pour l’adoption réelle—les utilities et les autorités autoroutières ont besoin d’une logique auditable, pas de magie.
La réponse de l’industrie est discrètement enthousiaste. Lors de briefings privés, des entreprises électriques provinciales ont noté comment le cadre de couplage pourrait prévenir le « paradoxe de la station de recharge » : installer du matériel pour constater ensuite que le réseau de distribution local ne peut délivrer la puissance promise. Un ingénieur utility a remarqué : « Nous avons vu des projets pilote échouer parce que 10 nouvelles bornes de 120 kW ont surchargé un transformateur de 400 kVA. Ce modèle repère ce conflit avant que le béton ne soit coulé. » Parallèlement, les opérateurs autoroutiers apprécient l’accent mis sur les aires de service existantes—les moderniser est plus rapide, moins cher et moins conflictuel que d’acquérir de nouveaux terrains.
Les implications politiques sont tout aussi tangibles. Le 14e Plan Quinquennal de la Chine mandate des corridors de transport « intelligents, verts et résilients », avec l’infrastructure VE comme pivot. Mais les objectifs nationaux top-down—comme l’objectif 2025 de 2 millions de bornes publiques—risquent une mauvaise allocation si déployés sans contexte local. Cette méthodologie offre une voie médiane : des outils de modélisation standardisés, des données localement calibrées. L’autorité autoroutière du Fujian évalue déjà un déploiement pilote basé sur les recommandations de l’article, visant une achèvement avant le pic de voyage du Nouvel An Chinois 2026—le test de stress ultime.
Internationalement, l’approche fait écho. Le programme américain NEVI (National Electric Vehicle Infrastructure) fait face à des défis similaires de découplage : les DOTs d’État sélectionnent les sites, les utilities évaluent la préparation du réseau, et les opérateurs privés gèrent la construction—avec une coordination limitée. Les corridors européens TEN-T luttent avec la compatibilité transfrontalière du réseau. L’idée centrale—co-planifier la mobilité et l’énergie comme un système unique—transcende les frontières. Plusieurs co-auteurs sont d’ailleurs en discussions préliminaires avec des ministères des transports de l’ASEAN pour adapter le modèle au réseau autoroutier parallèle au Singapore–Kunming Rail Link.
À l’avenir, l’équipe de recherche identifie trois frontières. Premièrement, l’intégration de tarification dynamique : le modèle pourrait-il recommander non seulement où construire, mais quand offrir des tarifs hors-pic pour lisser la charge ? Des simulations préliminaires suggèrent qu’un lissage de pic de 15–20 % est achievable avec de simples signaux tarifaires temporels. Deuxièmement, l’hybridation par batterie swap : pour les poids lourds—un segment en croissance sur la G15—le compromis entre recharge ultra-rapide et stations d’échange justifie de nouvelles fonctions objectives. Troisièmement, la quantification de l’incertitude : les travaux actuels supposent un trafic et une adoption deterministes. Intégrer des prévisions probabilistes (via des scénarios Monte Carlo pour les chocs touristiques ou les percées technologiques des batteries) renforcerait davantage les décisions.
Rien de tout cela n’est de la fantaisie théorique. Les outils existent. Les flux de données sont live. La puissance de calcul est une commodité. Ce qui manquait était un langage unifié—qui permette à un ingénieur trafic de parler de manière significative à un spécialiste de protection, et tous deux à un directeur financier. Cet article offre précisément ce lexique : construit sur la théorie des files d’attente, la physique des flux de puissance et l’analyse décisionnelle multicritère, mais rendu en termes opérationnels—coût, temps d’attente, fiabilité.
Comme l’a exprimé l’un des auteurs seniors lors d’un séminaire récent : « Avant, nous planifiions des routes pour les voitures et des câbles pour les électrons. Maintenant, nous devons planifier des corridors pour les électrons dans les voitures. » Cette inversion subtile—les électrons comme cargaison, le véhicule comme contenant—capture l’essence de la transition énergétique. L’infrastructure n’est plus du béton et du cuivre passifs ; c’est un conduit actif et adaptatif pour la lumière du soleil et le vent stockés, se déplaçant à 120 km/h dans la voie de gauche.
Le cas test de la G15 prouve qu’une telle intégration n’est pas seulement possible—elle est économiquement supérieure. En traitant l’autoroute et le réseau comme un seul domaine d’optimisation, les planificateurs ont réduit de 46 % le coût total du système tout en divisant par deux le temps d’attente des utilisateurs par rapport aux approches en silos. C’est le genre de gagnant-gagnant qui transforme les mandats politiques en enthousiasme public.
Et pour les conducteurs ? La prochaine fois qu’ils jetteront un coup d’œil à leur tableau de bord—28 % d’état de charge, 62 km jusqu’à la prochaine aire—ils pourront peut-être simplement expirer. Parce qu’en amont, un modèle a déjà veillé à : des bornes disponibles, une tension stable, une file d’attente courte. La route, enfin, pense à l’avance.
Yunsong Fan¹, Junshan Tian¹, Chuanzhao Zheng¹, Yuejun Lu², Changxu Jiang², Zhenguo Shao²
¹ Fujian Expressway Science and Technology Innovation Research Institute Co., Ltd., Fuzhou 350001, Chine
² College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, Chine
Proceedings of the CSU-EPSA, Vol. 35, No. 9, Septembre 2023
DOI : 10.19635/j.cnki.csu-epsa.001256