Nouveau modèle identifie les comportements de recharge des véhicules électriques avec des données limitées
L’essor fulgurant des véhicules électriques (VE) est l’une des transformations les plus marquantes de notre époque. Alors que ces automobiles silencieuses et sans émission gagnent du terrain sur les routes du monde entier, elles ne sont plus perçues uniquement comme un moyen de transport, mais comme des acteurs clés d’un système énergétique en mutation. Leur batterie, lorsqu’elle est connectée au réseau, devient un potentiel gigantesque de stockage d’énergie distribué. Cette idée, connue sous le nom de « Vehicle-to-Grid » (V2G), ou « véhicule vers le réseau », promet de révolutionner la gestion de l’électricité. En permettant aux VE de charger quand l’énergie est abondante et bon marché (par exemple, lorsque le soleil brille fort ou que le vent souffle), et de renvoyer de l’électricité au réseau lors des pics de demande, ils peuvent contribuer à lisser les fluctuations, à stabiliser la fréquence du réseau et à intégrer davantage d’énergies renouvelables. Pourtant, malgré ce potentiel immense, la réalité du terrain peine à suivre. La participation des utilisateurs à ces programmes de V2G reste faible, freinée par des obstacles complexes. Un nouveau modèle, développé par une équipe de chercheurs de l’Université de l’Énergie Électrique de Chine du Nord et de State Grid Smart Internet of Vehicles Co., Ltd., pourrait bien être la clé pour débloquer cette situation. Ce modèle, publié dans la revue Electric Power Construction, propose une méthode innovante pour identifier les différents profils d’utilisateurs de VE en utilisant un volume minimal de données, préservant ainsi la confidentialité tout en ouvrant la voie à des incitations ciblées et efficaces.
Le cœur du problème réside dans la dichotomie entre la nécessité d’information et le respect de la vie privée. Pour concevoir des programmes d’incitation qui fonctionnent, les gestionnaires de réseau et les fournisseurs d’énergie doivent comprendre quand, où et comment les utilisateurs rechargent leurs véhicules. Traditionnellement, cela impliquerait de collecter des données massives et très sensibles : les itinéraires GPS, les horaires précis d’arrivée et de départ du domicile ou du travail, l’état de charge exact de la batterie, ou encore les habitudes de conduite. Cette intrusion dans la sphère privée soulève des inquiétudes éthiques majeures et heurte de plein fouet des réglementations strictes comme le Règlement général sur la protection des données (RGPD) en Europe ou la loi californienne sur la protection de la vie privée des consommateurs (CCPA) aux États-Unis. Collecter et stocker de telles données n’est pas seulement risqué, c’est souvent illégal ou, du moins, extrêmement contraignant. Par conséquent, de nombreuses initiatives de V2G sont restées à l’état de projet, incapables de franchir le pas en raison de l’impossibilité de collecter les données nécessaires sans compromettre la confiance des utilisateurs. Le modèle proposé par les chercheurs chinois offre une solution élégante à ce dilemme, démontrant qu’une compréhension fine du comportement des utilisateurs peut être atteinte sans avoir à fouiller dans leurs données personnelles les plus intimes.
L’approche fondamentale du modèle est résumée par le principe du « moins, c’est mieux ». Plutôt que de chercher à tout savoir, l’équipe s’est concentrée sur l’identification d’un petit nombre d’indicateurs clés, dérivés des données de recharge elles-mêmes, qui sont à la fois faciles à obtenir et riches en information. Ces indicateurs sont par essence moins sensibles que les données de localisation. Parmi eux, on trouve la « superposition temporelle » entre la période de recharge de l’utilisateur et les périodes cibles du marché de l’énergie, la « performance de contrôle » de la borne de recharge, ainsi que l’« élasticité » du temps et de l’énergie de recharge. Par exemple, un utilisateur qui recharge systématiquement son véhicule pendant les heures de pointe du réseau, lorsque la demande et les prix sont les plus élevés, montre un degré de superposition temporelle élevé. Ce seul indicateur suggère qu’il pourrait être un candidat idéal pour des programmes de « remplissage des creux », où on l’inciterait à déplacer sa recharge vers la nuit, quand l’électricité est moins chère. La performance de contrôle de la borne fait référence à sa capacité à recevoir des signaux du gestionnaire de réseau et à ajuster automatiquement la puissance de recharge. Enfin, l’élasticité mesure la disposition de l’utilisateur à modifier son comportement face à un incitatif. Un utilisateur à forte élasticité pourrait accepter d’attendre une heure supplémentaire pour que sa voiture soit pleinement chargée s’il reçoit une remise significative. En se concentrant sur ces indicateurs, le modèle construit un profil utilisateur qui est à la fois fonctionnel et respectueux de la vie privée.
La classification des utilisateurs est le pilier central du système. Les chercheurs refusent de voir tous les propriétaires de VE comme un groupe homogène. Ils proposent une segmentation en trois catégories principales, chacune ayant un profil de réponse différent et, par conséquent, un ensemble d’incitations optimales distinct. La première catégorie, les « utilisateurs à réponse énergétique », sont ceux dont la fenêtre de recharge coïncide fortement avec les périodes de pointe du marché. Leur valeur réside dans leur prévisibilité et leur disponibilité à rester connectés pendant de longues périodes. Bien qu’ils ne soient peut-être pas les plus flexibles quant à l’heure exacte de recharge, leur capacité à stocker de l’énergie la nuit et à la restituer le jour en fait des actifs précieux pour le marché de l’énergie à moyen et long terme. Pour ce groupe, les incitations pourraient prendre la forme de tarifs nocturnes très attractifs ou de bonus pour engagement à long terme.
La deuxième catégorie, les « utilisateurs à réponse de puissance », sont les plus agiles et adaptables. Ils montrent une grande élasticité, tant sur le plan du temps que de la quantité d’énergie qu’ils consomment. Ce sont les premiers à réagir aux signaux de prix dynamiques, prêts à charger quand le prix de l’électricité baisse ou à réduire leur consommation quand le système est sous pression. Leur potentiel réside sur les marchés de services de demande et dans la régulation des pics de charge. Pour motiver ce groupe, des incitations immédiates et dynamiques sont nécessaires, comme des crédits instantanés sur leur compte pour chaque kilowattheure économisé pendant une heure de pointe, ou un système de gamification qui récompense leur participation active avec des points échangeables.
La troisième et la plus précieuse catégorie sont les « utilisateurs à réponse de fréquence ». Ce sont les « athlètes d’élite » de l’écosystème V2G. Ils possèdent une superposition temporelle extrême avec les périodes critiques du marché et une capacité de réponse quasi instantanée. Ils peuvent augmenter ou diminuer leur puissance de recharge, voire injecter de l’énergie dans le réseau, en quelques secondes. Leur rôle est crucial pour la stabilité primaire du réseau, en aidant à maintenir la fréquence du système à 50 ou 60 Hz, un équilibre délicat qui peut être menacé par toute perturbation. Les services qu’ils fournissent sont les plus rémunérateurs, et donc les incitations pour ce groupe doivent être les plus substantielles, comme des paiements premium pour disponibilité ou un accès prioritaire aux stations de recharge les plus rapides.
Ce qui élève ce modèle d’une simple classification à un outil de pointe, c’est son moteur d’analyse. Les chercheurs ont développé un cadre hybride qui combine deux techniques d’intelligence artificielle : le modèle de nuage et le réseau de Petri flou (FPN). Le modèle de nuage est un outil mathématique puissant pour gérer l’incertitude et la vague imprécision inhérentes au comportement humain. Au lieu de traiter des concepts comme « forte superposition » ou « faible élasticité » comme des catégories rigides, le modèle de nuage les représente comme des distributions probabilistes. Cela signifie qu’il peut affirmer avec 90 % de confiance qu’un utilisateur appartient à une catégorie, plutôt que de faire une affirmation binaire qui pourrait être erronée. Cette approche est particulièrement adaptée au monde réel, où les modèles de comportement sont rarement parfaits.
La sortie de cette analyse d’incertitude est ensuite injectée dans un réseau de Petri flou, qui agit comme un moteur d’inférence logique. Un réseau de Petri est une représentation graphique d’un système qui montre des états (emplacements) et des transitions (événements). Dans ce cas, les emplacements représentent les caractéristiques de l’utilisateur (par exemple, « forte superposition temporelle », « forte élasticité de puissance »), et les transitions représentent des règles logiques (par exemple, « si la superposition est élevée et l’élasticité de puissance est faible, alors l’utilisateur est à réponse énergétique »). La « floue » dans le nom vient de sa capacité à gérer des valeurs floues, permettant aux règles d’avoir des degrés de vérité. Le résultat est un système qui ne fait pas que classer, mais qui explique aussi son raisonnement. Contrairement à un modèle de « boîte noire » d’apprentissage profond, dont les décisions sont souvent inexplicables, ce réseau de Petri flou est transparent et vérifiable. Cette transparence est fondamentale pour gagner la confiance des utilisateurs, qui peuvent comprendre pourquoi ils reçoivent une incitation spécifique, et des régulateurs, qui ont besoin de garanties sur l’équité et l’impartialité du système.
La validité du modèle a été testée avec des données réelles de 100 utilisateurs de véhicules électriques dans une station de recharge à Pékin. Les résultats ont été concluants. Le modèle a réussi à classer les utilisateurs avec une haute confiance. Par exemple, l’Utilisateur 1, dont le modèle de recharge montrait une forte superposition temporelle mais une faible élasticité, a été identifié comme un utilisateur à réponse énergétique avec une confiance de 95 %. L’Utilisateur 2, qui montrait une grande variabilité dans ses horaires de recharge et une forte sensibilité aux changements, a été classé comme un utilisateur à réponse de puissance avec une confiance de 89,7 %. L’Utilisateur 4, qui combinait une superposition temporelle extrême avec une haute capacité de réponse, a été identifié comme un utilisateur à réponse de fréquence, le plus précieux pour la stabilité du réseau. Pour les utilisateurs qui ne correspondaient pas clairement à l’une des trois catégories, comme l’Utilisateur 3, le modèle a recommandé de ne pas appliquer d’incitations spécialisées, mais d’offrir des services généraux comme la réservation de chargeurs ou la programmation à distance, démontrant une approche rationnelle et efficace de l’utilisation des ressources.
Les implications de ce travail sont profondes. Du point de vue de la gestion du réseau, le modèle permet une allocation beaucoup plus efficace des budgets d’incitation. Au lieu de lancer des programmes d’incitation généralistes qui n’attirent qu’un petit groupe d’utilisateurs engagés, les opérateurs peuvent s’adresser directement aux segments à plus fort potentiel. Cela maximise le retour sur investissement et accélère l’intégration des véhicules électriques en tant que ressources du système. Pour les utilisateurs, cela signifie la fin des offres non pertinentes et une expérience plus personnalisée, où les incitations sont alignées sur leurs habitudes réelles. Cela augmente non seulement la satisfaction, mais favorise aussi une relation plus active et collaborative avec le système énergétique.
En outre, le modèle est intrinsèquement évolutif et adaptable. N’étant pas dépendant de données privées ou d’une infrastructure spécifique, il peut être mis en œuvre par différents fournisseurs de services dans diverses régions, favorisant un écosystème énergétique plus cohérent. Il souligne également la nécessité d’une infrastructure de recharge bidirectionnelle, un maillon critique qui en est encore à ses balbutiements. En démontrant clairement la valeur des utilisateurs à haute capacité de réponse, le modèle peut aider à justifier les investissements nécessaires dans cette technologie. En définitive, cette approche représente un pas crucial vers un avenir où les véhicules électriques ne sont pas seulement un moyen de transport, mais un composant intégral et actif d’un réseau électrique intelligent, résilient et durable.
Shi Tianchen, Yang Ye, Liu Mingguang, Wang Wen, Wang Jiani, Liu Dunnan, Université de l’Énergie Électrique de Chine du Nord et State Grid Smart Internet of Vehicles Co., Ltd., Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.10.007