Nouveau modèle optimise l’intégration des véhicules électriques au réseau
L’essor spectaculaire des véhicules électriques (VE) redéfinit profondément le paysage de la mobilité, mais aussi les défis auxquels sont confrontés les réseaux électriques mondiaux. Alors que les prévisions annoncent que les VE représenteront 25 % des ventes de voitures neuves d’ici 2025, la pression sur les infrastructures de distribution d’électricité s’intensifie de manière exponentielle. Un scénario de charge désordonnée, en particulier pendant les heures de pointe, peut aggraver les déséquilibres de charge, surcharger les réseaux de distribution et faire grimper les coûts d’électricité pour les consommateurs. Face à cette complexité croissante, une équipe de chercheurs a mis au point un nouveau cadre d’optimisation qui utilise des techniques avancées d’apprentissage automatique pour améliorer considérablement la coordination entre la demande de charge des VE et les opérations du réseau électrique.
Dans une étude récemment publiée, Li Hongsheng et ses collègues du Centre de service marketing de State Grid Hebei Electric Power Co., Ltd., en collaboration avec des experts de l’Institut de recherche électrique de Chine et de l’Institut Nanjing Dongbo de l’énergie intelligente, ont présenté un modèle d’optimisation robuste basé sur les données, conçu pour améliorer la planification de la recharge des flottes de véhicules électriques connectés au réseau. Leur travail, publié dans la revue High Voltage Engineering, présente une méthode qui améliore de façon significative la précision et la réactivité des stratégies de dispatching en intégrant le clustering par vecteurs de support (SVC) pour modéliser les incertitudes inhérentes aux schémas de recharge des VE.
La recherche s’attaque à deux variables critiques qui ont toujours posé problème dans la gestion de l’énergie : l’heure à laquelle les VE se connectent au réseau et leur état de charge (SOC) au moment de la connexion. Ces paramètres sont intrinsèquement imprévisibles en raison de la diversité des habitudes de conduite, des durées de stationnement et des préférences de recharge des propriétaires de VE. Les modèles d’optimisation conventionnels s’appuient souvent sur des hypothèses probabilistes ou sur des ensembles d’incertitude prédéfinis—comme des formes en boîte, polyédriques ou ellipsoïdales—qui peuvent ne pas refléter fidèlement les distributions de données du monde réel. En conséquence, ces modèles peuvent être excessivement conservateurs, conduisant à une utilisation sous-optimale des ressources, ou trop optimistes, risquant des violations de contraintes dans des conditions extrêmes.
Pour surmonter ces limites, l’équipe a adopté une approche centrée sur les données en utilisant le SVC, une technique d’apprentissage non supervisé capable d’identifier des structures de données complexes dans des espaces de haute dimension. Contrairement aux méthodes traditionnelles de clustering, qui supposent des formes spécifiques de distribution, le SVC construit une hypersphère minimale dans un espace de caractéristiques transformé qui englobe tous les points de données observés. Cette construction géométrique sert de fondement à la définition d’un ensemble d’incertitude plus réaliste et adaptable—un ensemble qui évolue en fonction des données historiques de recharge plutôt que d’hypothèses subjectives.
L’innovation réside dans la manière dont cet ensemble d’incertitude est intégré dans un cadre d’optimisation robuste. Au cœur du modèle proposé se trouve une fonction objectif visant à minimiser le coût de recharge pour l’utilisateur, tout en garantissant le respect des contraintes techniques et opérationnelles. La formulation prend en compte les structures tarifaires dépendant de l’heure (TOU), qui encouragent la recharge en dehors des heures de pointe grâce à des tarifs plus bas pendant la nuit ou en journée. En alignant les activités de recharge des VE sur ces signaux de prix, le modèle réduit non seulement la charge financière pour les consommateurs, mais contribue également à lisser la charge—en atténuant le risque de scénarios de « pic sur pic », où la demande de VE coïncide avec les périodes de charge déjà élevées.
Le problème d’optimisation est également limité par des exigences de sécurité de la batterie et des besoins de mobilité de l’utilisateur. Chaque VE doit maintenir un niveau de SOC minimum suffisant pour son prochain trajet, tout en évitant la surcharge, qui pourrait dégrader la santé de la batterie au fil du temps. De plus, les niveaux de puissance de charge et de décharge sont limités par les spécifications techniques du véhicule, garantissant que la solution reste faisable pour différents modèles de VE et types d’infrastructures de recharge.
L’un des principaux avantages de l’approche basée sur le SVC est sa capacité à gérer les pires scénarios sans sacrifier la performance économique. Dans l’optimisation robuste, l’objectif est de trouver des solutions qui restent faisables dans les conditions les plus défavorables au sein de l’ensemble d’incertitude défini. Les modèles traditionnels y parviennent souvent en élargissant la région d’incertitude, conduisant à des décisions de dispatching excessivement prudentes qui limitent la flexibilité. Cependant, l’ensemble dérivé du SVC est intrinsèquement plus serré et plus représentatif des données réelles, réduisant ainsi le conservatisme inutile. Cet équilibre entre robustesse et efficacité est crucial pour une mise en œuvre pratique dans les systèmes électriques du monde réel.
Pour valider leur approche, les chercheurs ont mené une étude de cas impliquant une flotte de 20 VE sur une période de 24 heures, en utilisant un ensemble de données composé de 500 événements de recharge historiques. Les résultats ont été comparés à trois modèles conventionnels d’ensembles d’incertitude : boîte, polyèdre et ellipsoïde. Sur tous les critères, le modèle basé sur le SVC a démontré des performances supérieures. Il a atteint le coût total de recharge le plus bas—984 yuans—contre 1 342 yuans pour le modèle de boîte, 1 514 yuans pour le modèle polyédrique et 1 320 yuans pour le modèle ellipsoïdal. Plus important encore, il a montré la plus grande réactivité aux prix TOU, avec la réduction la plus marquée des différences entre pic et creux de charge.
L’analyse visuelle des ensembles d’incertitude a révélé que le modèle de boîte couvrait une zone significativement plus grande que nécessaire, impliquant une prudence excessive dans la planification. Le modèle polyédrique, bien que plus compact, a échoué à inclure certains scénarios de recharge réalistes—comme une courte durée de recharge à SOC élevé ou une longue durée de recharge à SOC faible—conduisant à une sous-utilisation potentielle de la flexibilité disponible. Le modèle ellipsoïdal offrait une frontière plus lisse, mais manquait encore de la précision nécessaire pour capturer les distributions asymétriques des données. En revanche, l’ensemble basé sur le SVC a formé un enveloppe asymétrique et bien ajustée qui suivait de près le regroupement naturel des données, excluant efficacement les valeurs aberrantes tout en préservant la faisabilité opérationnelle.
Une autre caractéristique remarquable du modèle est sa réglabilité via le paramètre de régularisation v. Ce paramètre contrôle le compromis entre l’inclusion de plus de points de données dans l’hypersphère et l’autorisation d’un certain degré de marge (c’est-à-dire des points en dehors de la sphère). En ajustant v, les opérateurs peuvent affiner le niveau de conservatisme de la stratégie de dispatching. Une valeur plus élevée de v conduit à un ensemble d’incertitude plus petit et plus sélectif, adapté aux systèmes ayant une grande confiance dans la qualité des données et une faible tolérance au risque. Une valeur plus faible de v permet une plus grande flexibilité, en accommodant un éventail plus large de scénarios potentiels au détriment d’un conservatisme accru. Cette adaptabilité rend le modèle particulièrement précieux pour les opérateurs de réseau régionaux qui font face à différents niveaux d’incertitude en fonction des taux de pénétration locaux des VE et de la maturité de l’infrastructure.
Du point de vue computationnel, le modèle maintient sa faisabilité malgré ses bases sophistiquées. Grâce à la dualité lagrangienne et aux techniques de reformulation, le problème d’optimisation robuste initial est transformé en un programme linéaire soluble. Cela garantit que la solution peut être obtenue de manière efficace, même lorsque le nombre de VE et les intervalles de temps augmentent. L’ensemble du processus—du prétraitement des données et de la construction de la matrice du noyau à l’identification des vecteurs de support et au calcul final du dispatching—est structuré pour prendre en charge la scalabilité, le rendant applicable à des flottes plus importantes et à des configurations de réseau plus complexes.
Les implications de cette recherche vont bien au-delà de la simple réduction des coûts et de la gestion de la charge. En permettant une planification de la recharge plus précise et réactive, le modèle soutient des efforts plus larges de modernisation du réseau, y compris l’intégration des sources d’énergie renouvelable. La génération solaire et éolienne est intrinsèquement variable, et sa production atteint souvent des pics en milieu de journée ou en soirée—des périodes où la demande électrique résidentielle est également élevée. La recharge coordonnée des VE peut agir comme une forme de flexibilité côté demande, en absorbant l’excès de génération renouvelable pendant les périodes de faible demande et en réduisant la dépendance aux centrales à combustibles fossiles de pointe. Cette synergie entre les VE et les énergies renouvelables est essentielle pour parvenir à une décarbonation profonde du secteur électrique.
En outre, l’accent mis par le modèle sur la représentation de l’incertitude basée sur les données s’aligne sur les tendances émergentes de la numérisation et des technologies de réseau intelligent. Alors que les services publics déployent des infrastructures de mesure avancées (AMI), des protocoles de communication véhicule-réseau (V2G) et des plateformes de gestion de l’énergie basées sur le cloud, la disponibilité de données de recharge à haute résolution continuera de croître. Le cadre basé sur le SVC est bien positionné pour tirer parti de cet afflux de données, en affinant continuellement ses ensembles d’incertitude et en améliorant la précision du dispatching au fil du temps. Cette capacité d’auto-adaptation représente un grand pas en avant par rapport aux stratégies de contrôle statiques basées sur des règles qui dominent les systèmes de gestion de recharge actuels.
L’étude souligne également l’importance de la collaboration interdisciplinaire pour relever les défis énergétiques modernes. Le développement du modèle a nécessité une expertise en ingénierie des systèmes électriques, en apprentissage automatique et en recherche opérationnelle—des domaines qui convergent de plus en plus dans le contexte des réseaux intelligents et des ressources énergétiques distribuées. La participation de partenaires académiques et industriels souligne la pertinence pratique du travail, comblant le fossé entre l’innovation théorique et l’application dans le monde réel.
Pour les entreprises de services publics et les opérateurs de réseau, l’adoption d’outils d’optimisation avancés comme celui-ci pourrait générer des avantages tangibles en termes d’efficacité opérationnelle, de satisfaction client et de conformité réglementaire. Alors que les gouvernements du monde entier mettent en œuvre des normes d’émissions plus strictes et promeuvent les transports propres, les services publics seront de plus en plus pressés d’accueillir des charges croissantes de VE sans compromettre la fiabilité. Des modèles comme celui proposé par Li Hongsheng et son équipe offrent un chemin pour y parvenir de manière économique et durable.
Au-delà des mérites techniques, la recherche contribue au débat en cours sur les systèmes énergétiques centrés sur l’utilisateur. En privilégiant la minimisation du coût pour l’utilisateur, le modèle respecte les intérêts économiques des propriétaires de VE tout en encourageant des comportements qui bénéficient au réseau collectif. Ce double objectif, à la fois individuel et collectif, reflète une approche plus mature de la gestion de la demande—une approche qui reconnaît le rôle des « prosumers » dans la formation de l’avenir de l’énergie.
En regardant vers l’avenir, plusieurs axes de recherche prometteurs émergent. L’un d’eux consiste à étendre le modèle pour intégrer un flux d’énergie bidirectionnel, permettant aux VE non seulement de charger, mais aussi de décharger de l’énergie vers le réseau (V2G). Cela élargirait considérablement la gamme de services que les VE peuvent fournir, tels que la régulation de fréquence et le soutien de tension. Un autre domaine prometteur est l’intégration d’analyses prédictives pour prévoir les schémas d’arrivée des VE en fonction de facteurs contextuels tels que la météo, le trafic et les événements du calendrier. Combiner ces prévisions avec la modélisation de l’incertitude basée sur le SVC pourrait encore améliorer les capacités prédictives du modèle.
De plus, la méthodologie pourrait être appliquée à d’autres charges flexibles, comme les pompes à chaleur, les chauffe-eau électriques et les processus industriels, où des incertitudes similaires existent dans les schémas d’utilisation. La généralisabilité de l’approche SVC suggère qu’elle pourrait servir de modèle pour l’optimisation robuste dans un large éventail d’applications de réseau intelligent.
En conclusion, la recherche présentée par Li Hongsheng, Li Kun, Wang Yang, Gao Fei, Zhang Yu et Xie Hongfu offre une solution convaincante à l’un des défis les plus pressants des systèmes électriques modernes : l’intégration efficace et fiable des véhicules électriques. En combinant le clustering par vecteurs de support avec l’optimisation robuste, ils ont développé un modèle à la fois rigoureux sur le plan technique et pratiquement applicable. Les résultats démontrent des avantages clairs par rapport aux méthodes conventionnelles en termes de réduction des coûts, de lissage de la charge et de réactivité aux signaux du marché. Alors que le monde avance vers un avenir énergétique plus électrifié et durable, des innovations comme celle-ci joueront un rôle crucial pour garantir que le réseau reste résilient, efficace et équitable.
Li Hongsheng, Li Kun, Wang Yang, Gao Fei, Zhang Yu, Xie Hongfu, State Grid Hebei Electric Power Co., Ltd., China Electric Power Research Institute, Nanjing Dongbo Smart Energy Research Institute, High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20221624