Nouveau modèle prédit la demande de recharge des véhicules électriques via l’équilibre du trafic
La transition vers la mobilité électrique est en marche, et avec elle, une transformation profonde de nos villes et de nos infrastructures énergétiques. Alors que les véhicules électriques (VE) envahissent progressivement les flottes urbaines, une question cruciale se pose pour les urbanistes, les gestionnaires de réseau et les ingénieurs : où et quand ces millions de nouveaux véhicules iront-ils se recharger, et quel sera l’impact de cette demande sur la stabilité du réseau électrique ? Les réponses traditionnelles, basées sur des simulations qui suivent le comportement de chaque conducteur individuellement, se sont révélées lentes, coûteuses et souvent incapables de saisir la complexité intrinsèque du monde réel. Une équipe de chercheurs de l’Université de technologie du Sud de la Chine et du Centre de contrôle de la distribution de l’électricité de Guangdong a maintenant développé une approche révolutionnaire qui promet de changer radicalement la manière dont nous modélisons et prévoyons la charge de recharge des véhicules électriques.
Publiée dans la prestigieuse revue Power System Technology, cette nouvelle méthodologie abandonne l’idée de traquer chaque véhicule un par un. Elle adopte au contraire une perspective macroscopique, s’inspirant de la théorie de l’équilibre du trafic urbain. Plutôt que de simuler des milliers de choix individuels, cette méthode se concentre sur le comportement collectif d’une flotte entière de véhicules électriques. Elle analyse comment les décisions de parcours de chaque conducteur influencent le flux de trafic, et comment, en retour, ce flux détermine la consommation d’énergie, et par conséquent, la demande de recharge. Cette approche systémique n’est pas seulement plus réaliste, elle est aussi extraordinairement efficace, réduisant les temps de calcul de plusieurs heures à quelques secondes.
Le cœur du modèle repose sur la fusion de deux concepts avancés : l’équilibre du trafic semi-dynamique et le calcul probabiliste fondé sur l’état de charge combiné (CSOC). La théorie de l’équilibre du trafic, un pilier de l’ingénierie des transports, établit que dans un réseau saturé, les conducteurs choisissent leurs itinéraires de manière à ce que personne ne puisse réduire son temps de trajet en changeant seul de route. Cet état d’équilibre reflète une optimisation collective du système, un phénomène que les modèles basés sur des simulations de type Monte Carlo ignorent en traitant chaque véhicule comme un agent isolé.
« Les modèles traditionnels partent du principe qu’un conducteur prend sa décision d’itinéraire sans tenir compte de ce que font les autres », explique Zhu Junliang, auteur principal de l’étude et chercheur à l’École d’énergie électrique de l’Université de technologie du Sud de la Chine. « Mais dans la réalité, si tout le monde choisit le même itinéraire ‘le plus court’, il devient rapidement congestionné et cesse d’être la meilleure option. Notre modèle capture cette rétroaction dynamique, où les décisions individuelles façonnent le flux de trafic collectif, et ce flux collectif, à son tour, dicte les décisions futures. »
Le modèle développé par Zhu Junliang et ses collègues, Wu Zhigang et Liu Jianing, divise la journée en plusieurs intervalles de temps, généralement entre 15 et 90 minutes. Pour chaque intervalle, il résout un problème d’équilibre du trafic statique, attribuant le flux de véhicules sur le réseau routier de manière à minimiser le temps de trajet perçu. Ce qui le rend « semi-dynamique », c’est sa capacité à gérer le « flux résiduel ». Tous les véhicules ne parviennent pas à destination dans un seul intervalle. Ceux qui sont encore en route à la fin d’une période deviennent le flux initial de la période suivante, permettant au modèle de simuler la propagation des retards et l’accumulation de la congestion au fil de la journée.
Pour le rendre encore plus réaliste, le modèle intègre la théorie de l’utilité aléatoire. En pratique, les conducteurs n’ont pas une information parfaite sur les conditions de circulation. Certains se fient à des applications de navigation qui peuvent être obsolètes, d’autres préfèrent des itinéraires familiers, et certains commettent simplement des erreurs. Le modèle reflète cette incertitude en attribuant une probabilité à chaque itinéraire possible, basée sur son temps de trajet perçu. Cela signifie que, même si un itinéraire est théoriquement le plus rapide, tous les véhicules ne le choisiront pas, générant un modèle de flux plus dispersé et plus fidèle à la réalité.
Une fois le flux de trafic déterminé, le modèle passe au volet énergétique du système. C’est ici que le concept de CSOC entre en jeu. Plutôt que de suivre le niveau de batterie de chaque VE individuellement, le modèle traite toute la flotte comme une entité statistique. Il suppose que l’état de charge initial (SOC) des véhicules suit une distribution normale, avec une moyenne de 50 % et un écart-type de 10 %, une hypothèse raisonnable pour une population de véhicules qui a passé la nuit stationnée.
Au fur et à mesure que les véhicules se déplacent, ils consomment de l’énergie. Le modèle ne simule pas chaque décharge individuelle, mais décrit la consommation collective comme un déplacement de la courbe de distribution du CSOC vers la gauche. Plus un groupe de véhicules parcourt de distance, plus il consomme d’énergie au total, et plus son niveau de charge moyen est bas. Lorsque le SOC d’un véhicule descend en dessous d’un seuil critique (fixé à 20 % pour éviter la décharge complète et protéger la batterie), le conducteur décide de chercher une station de recharge. Le modèle calcule alors la probabilité qu’un véhicule arrivant à un nœud de recharge ait besoin de se recharger, en se basant sur la distribution de son SOC à ce moment précis.
Le processus de recharge est modélisé avec une grande précision. Les chercheurs reconnaissent que la puissance de recharge rapide diminue significativement une fois que la batterie atteint 80 % de sa capacité. Par conséquent, le modèle suppose que la recharge se fait à la puissance maximale uniquement jusqu’à ce point. La durée d’une session de recharge, et donc la charge instantanée sur le réseau, dépend directement du SOC du véhicule lorsqu’il se connecte. En combinant la distribution probabiliste du SOC d’arrivée avec le profil de puissance de recharge, le modèle peut calculer la charge moyenne attendue à tout moment et à tout endroit du réseau.
La véritable épreuve de tout modèle scientifique est sa validation. L’équipe a testé son approche dans deux scénarios. Tout d’abord, sur le réseau de 13 nœuds de Nguyen-Dupuis, un cas d’école standard dans la recherche sur le trafic. Ils ont comparé leurs résultats avec de multiples simulations de Monte Carlo, qui impliquent l’exécution de milliers de simulations individuelles pour estimer le comportement moyen. Les résultats ont été concluants : à mesure que le nombre de simulations de Monte Carlo augmentait, la charge de recharge simulée convergeait vers le résultat produit par le nouveau modèle. Avec 100 simulations, le résultat de Monte Carlo était presque identique à celui du modèle théorique, confirmant sa précision.
La différence de performance a été impressionnante. Alors que 100 simulations de Monte Carlo ont pris plus de quatre heures pour être terminées, le nouveau modèle a produit son résultat en seulement 4,8 secondes, une amélioration de vitesse de plus de 3 000 fois. Cette efficacité n’est pas qu’un simple exercice académique ; elle rend le modèle viable pour des applications pratiques telles que la gestion du réseau en temps réel, la planification de l’expansion de l’infrastructure de recharge et l’évaluation des politiques de mobilité.
Pour tester sa scalabilité, les chercheurs ont appliqué le modèle à un réseau urbain réel extrait des données d’OpenStreetMap, couvrant une grande partie du district de Tianhe à Guangzhou, en Chine. Ce réseau contient près de 5 000 nœuds et plus de 5 800 segments routiers, une complexité bien supérieure aux cas de test typiques. Même à cette échelle, le modèle est resté hautement efficace, achevant la simulation en moins de 17 minutes, un temps qui reste exponentiellement plus rapide que n’importe quelle méthode basée sur l’échantillonnage.
Les résultats des deux simulations ont révélé des schémas fondamentaux. Premièrement, la demande de recharge des VE suit de près la demande de déplacement, mais avec un décalage temporel constant. Dans les simulations, le pic de déplacements s’est produit vers 18h00, tandis que le pic de recharge des VE a atteint son maximum à 19h00. Ce décalage d’une heure est logique : les conducteurs doivent terminer leurs trajets avant de pouvoir recharger, un aspect simple mais souvent négligé dans les modèles simplistes.
Deuxièmement, le modèle a démontré que l’augmentation du taux d’infiltration des VE conduit à une augmentation proportionnelle de la charge moyenne de recharge, sans modifier la forme générale de la courbe de demande quotidienne. Cette découverte linéaire est encourageante pour les gestionnaires du réseau, car elle suggère que l’évolutivité de la flotte de VE n’introduit pas un nouveau niveau d’imprévisibilité, tant que les schémas de conduite restent constants.
Cependant, la structure même du réseau routier joue un rôle crucial. Lorsque les chercheurs ont réduit artificiellement la capacité des routes pour simuler la congestion, ils ont observé un changement significatif dans les schémas de déplacement et de recharge. Pendant les heures de pointe, la demande de déplacement a été retardée, repoussant le pic de recharge plus tard dans la nuit. En outre, la charge moyenne de recharge a augmenté, même si le nombre de déplacements est resté constant. Cet effet est dû au fait que la congestion force certains conducteurs à emprunter des itinéraires alternatifs plus longs, ce qui consomme plus d’énergie et, par conséquent, nécessite plus de recharge.
De manière similaire, lorsque la longueur des routes a été artificiellement augmentée, le pic de recharge a été encore plus retardé et la consommation d’énergie totale a augmenté. Cela démontre que l’aménagement urbain — comme la disposition des routes et l’emplacement des stations de recharge — a un impact direct et quantifiable sur la demande d’électricité. Les villes avec des réseaux routiers inefficaces pourraient faire face à des charges de recharge plus élevées et plus volatiles que celles avec des conceptions compactes et bien connectées.
Ces conclusions ont des implications profondes pour l’intégration des systèmes de transport et d’énergie. Alors que les véhicules électriques deviennent un composant central des deux secteurs, il n’est plus suffisant de planifier routes et réseaux électriques de manière isolée. La recherche souligne la nécessité d’une planification coordonnée et transversale qui tienne compte de la manière dont les changements dans un système affectent l’autre. Par exemple, la construction d’une nouvelle autoroute modifiera non seulement les flux de trafic, mais remodelera également le profil spatial et temporel de la demande d’électricité, nécessitant probablement des mises à jour des sous-stations locales ou la mise en œuvre de stratégies de recharge intelligente.
Le modèle ouvre également de nouvelles possibilités pour la conception des politiques. En prédisant avec précision la demande de recharge dans différents scénarios, les planificateurs peuvent évaluer l’impact d’interventions telles que la tarification de la congestion, les péages dynamiques ou les incitations à la recharge en dehors des heures de pointe. La capacité de simuler comment ces politiques influencent à la fois le flux de trafic et la charge sur le réseau permet une prise de décision plus holistique.
À l’avenir, l’équipe de recherche prévoit d’étendre le modèle dans plusieurs directions. Un domaine clé est l’intégration des prix de l’électricité dans le processus d’optimisation de l’itinéraire. En réalité, les conducteurs peuvent choisir une station de recharge non seulement pour sa proximité, mais aussi pour son coût. En intégrant les prix de l’électricité en temps réel, le modèle pourrait simuler comment les signaux économiques influencent le comportement de déplacement et de recharge.
Une autre extension importante est l’inclusion de la recharge en déplacement. Le modèle actuel suppose que la recharge n’a lieu qu’aux destinations, mais de nombreux conducteurs de VE planifient désormais des voyages longue distance avec des arrêts intermédiaires de recharge rapide. Modéliser ce comportement nécessiterait une représentation plus complexe des chaînes de déplacement et du processus de décision du conducteur, mais améliorerait considérablement le réalisme du modèle.
Enfin, l’essor de la mobilité autonome et partagée présente de nouveaux défis et opportunités. Les véhicules électriques autonomes pourraient être programmés pour optimiser à la fois le temps de trajet et le coût de la recharge, ce qui pourrait conduire à des schémas d’utilisation de l’énergie très différents. Les flottes partagées pourraient fonctionner en continu, nécessitant une recharge fréquente et distribuée tout au long de la journée, plutôt que des pics concentrés la nuit. Adapter le modèle à ces nouveaux paradigmes sera essentiel pour la planification urbaine de demain.
En conclusion, le travail de Zhu Junliang, Wu Zhigang et Liu Jianing représente une avancée significative dans le domaine de la modélisation de la charge de recharge des véhicules électriques. En s’appuyant sur des principes fondamentaux de la théorie du trafic et de la probabilité, ils ont développé un outil qui n’est pas seulement plus rapide et plus évolutif que les méthodes existantes, mais aussi plus profond. Il fournit une explication claire et mécaniste de la manière dont le comportement collectif des conducteurs de véhicules électriques façonne la charge électrique sur le réseau, une perspective essentielle pour construire des systèmes énergétiques urbains résilients et durables.
Alors que les villes du monde entier accélèrent leur transition vers la mobilité électrique, des modèles comme celui-ci joueront un rôle crucial pour garantir que le réseau électrique puisse suivre le rythme. Les jours où les véhicules électriques étaient traités comme de simples consommateurs d’électricité isolés sont révolus. L’avenir appartient à la pensée systémique et intégrée, et cette recherche est un pas important dans cette direction.
Zhu Junliang, Wu Zhigang, Liu Jianing, South China University of Technology and Guangdong Power Grid, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.0095