Nouveau modèle prévoit la charge des VE grâce au flux de trafic
Une percée significative dans la planification des réseaux électriques pour les véhicules électriques (VE) vient d’être réalisée par 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 du réseau de Guangdong. Leur modèle novateur, publié dans la revue Power System Technology, promet une prédiction bien plus précise et efficace de la demande de charge en intégrant directement les données de circulation routière en temps réel avec l’analyse de l’état de charge (SOC) des batteries. Cette avancée majeure offre un outil essentiel pour la gestion stable et fiable des réseaux électriques à mesure que le nombre de véhicules électriques explose.
La révolution des véhicules électriques ne transforme pas seulement le paysage de nos routes ; elle met également à l’épreuve la capacité et la résilience de nos infrastructures énergétiques. Alors que des millions de nouveaux véhicules électriques se connectent au réseau, le modèle collectif de charge devient une charge complexe et hautement imprévisible, capable de surcharger les réseaux, en particulier pendant les heures de pointe. Les méthodes traditionnelles de modélisation de cette charge de recharge se sont principalement appuyées sur des simulations informatiques qui suivent le comportement de véhicules individuels. Bien que potentiellement utiles, ces simulations de type Monte Carlo sont extrêmement gourmandes en puissance de calcul, pouvant nécessiter des heures, voire des jours, pour être exécutées sur de grands réseaux. Plus important encore, elles négligent souvent un aspect fondamental : les véhicules ne circulent pas en vase clos. Les décisions d’itinéraire d’un conducteur influencent directement le temps de trajet des autres, créant ainsi un système dynamique et interconnecté. C’est précisément ce vide que la nouvelle étude cherche à combler.
Les chercheurs, Zhu Junliang et Wu Zhigang de l’École d’énergie électrique de l’Université de technologie du Sud de la Chine, aux côtés de Liu Jianing du Centre de contrôle de la distribution de l’électricité du réseau de Guangdong, ont abandonné l’approche microscopique du « véhicule individuel » pour adopter une perspective macroscopique et systémique. Leur modèle ne suit pas chaque voiture séparément, mais traite l’ensemble de la flotte de véhicules électriques comme une entité collective unique, dont l’état de charge combiné évolue dans le temps en fonction des dynamiques du trafic. Le cœur de cette approche réside dans la combinaison de deux théories puissantes : l’équilibre du trafic et le concept de « État de charge combiné » (Combined State of Charge, CSOC).
L’équilibre du trafic est un concept fondamental de l’ingénierie des transports. Il décrit l’état dans lequel aucun conducteur ne peut réduire son temps de trajet en changeant unilatéralement d’itinéraire, car tous les itinéraires utilisés entre une origine et une destination ont un temps de trajet essentiellement égal. Le modèle développé par les auteurs est un « équilibre semi-dynamique », ce qui signifie qu’il divise la journée en plusieurs intervalles de temps (par exemple, chaque heure) et calcule l’équilibre du trafic pour chacun d’entre eux. L’aspect « semi-dynamique » est crucial car il tient compte du « flux résiduel » : les véhicules qui commencent un trajet dans un intervalle de temps mais ne parviennent pas à le terminer avant la fin de cette période, influençant ainsi la demande de trafic dans la période suivante. Ce mécanisme capture de manière réaliste le phénomène de congestion, où un embouteillage en fin d’après-midi peut retarder les arrivées et décaler la demande de recharge vers la soirée.
Pour traduire cet équilibre du trafic en une prédiction de la demande énergétique, l’équipe a utilisé le concept de CSOC. Plutôt que de suivre la batterie de chaque voiture individuellement, le modèle traite l’état de charge de toute la flotte comme une distribution de probabilité (initialement supposée normale). Au fur et à mesure que les véhicules électriques parcourent les routes, leur « CSOC collectif » se consomme en fonction de la distance et de l’efficacité énergétique des itinéraires choisis. Le modèle calcule ensuite comment cette distribution se déplace dans le temps. Lorsque l’état de charge d’un véhicule tombe en dessous d’un certain seuil (par exemple, 20 %), il génère une demande de recharge. Le modèle CSOC peut alors déterminer la probabilité qu’un véhicule arrivant à une destination (comme une station de recharge) à un moment précis ait une batterie suffisamment déchargée pour nécessiter une recharge. En multipliant cette probabilité par le nombre de véhicules arrivant et par la puissance de recharge, le modèle peut calculer la charge de recharge attendue pour cet emplacement et cet horaire.
L’intégration de ces deux modèles crée un puissant système de rétroaction. Par exemple, si une artère principale devient congestionnée, le modèle d’équilibre du trafic montre que les temps de trajet augmentent. Cela signifie que les véhicules électriques mettent plus de temps pour atteindre leurs destinations, consommant plus d’énergie en chemin. Cette consommation énergétique supplémentaire déplace la distribution CSOC, augmentant la probabilité que les véhicules aient besoin de se recharger à leur arrivée. De plus, la congestion peut pousser certains conducteurs à emprunter des itinéraires plus longs et plus indirects, ce qui augmente encore leur consommation d’énergie et leur demande de recharge. Cet effet d’entraînement, où les conditions de circulation influencent directement les modèles de recharge, est quelque chose que les modèles précédents avaient du mal à représenter avec précision. Le nouveau modèle, en revanche, capture cette interdépendance de manière naturelle dans son cadre.
Pour valider leur approche, l’équipe de recherche a mené des simulations étendues sur deux réseaux distincts. Le premier était un réseau de test de 13 nœuds, largement utilisé dans la recherche académique, ce qui a permis des comparaisons détaillées avec les méthodes établies. Le second était un réseau à grande échelle et du monde réel, extrait des données d’OpenStreetMap du district de Tianhe à Guangzhou, en Chine, qui comprend près de 6 000 segments de route et 4 800 nœuds. Ce test à grande échelle était crucial pour démontrer l’applicabilité pratique du modèle dans un environnement urbain réel.
Les résultats ont été impressionnants. En termes de précision, le nouveau modèle a produit des profils de charge de recharge virtuellement identiques à ceux obtenus avec la simulation Monte Carlo, confirmant sa validité. Cependant, la différence en termes d’efficacité de calcul était extraordinaire. Sur le réseau de 13 nœuds, la nouvelle méthode a atteint son résultat en seulement 4,8 secondes, tandis qu’une simulation Monte Carlo avec 100 itérations a pris plus de 4 heures. Sur l’énorme réseau du monde réel, le nouveau modèle a pris 978 secondes (environ 16 minutes), contre plus de 11 heures pour une simulation Monte Carlo avec 50 itérations. Cela représente un accélération de plus de 40 fois, rendant le modèle non seulement précis, mais aussi viable pour des applications en temps réel ou quasi en temps réel, comme la planification journalière du réseau électrique.
L’étude a également fourni des aperçus précieux sur les facteurs qui influencent la demande de recharge. Une découverte clé a été le décalage temporel entre la demande de déplacement et la demande de recharge. Le pic de circulation des véhicules s’est produit à 18h, mais le pic de charge de recharge a été observé à 19h. Ce décalage d’une heure est une conséquence directe du fait que les véhicules électriques ne peuvent pas se recharger pendant qu’ils roulent ; ils doivent terminer leur trajet avant de se brancher. Cette prise de conscience est fondamentale pour les opérateurs du réseau qui doivent anticiper quand la vague de demande en électricité frappera.
Une autre découverte significative concernait l’impact du taux de pénétration des véhicules électriques. La recherche a confirmé qu’à mesure que le pourcentage de véhicules électriques sur les routes augmente, la charge totale de recharge quotidienne augmente de manière directement proportionnelle, linéaire. Cela suggère que la prévision de la demande future de recharge peut être relativement simple si le taux de croissance de l’adoption des véhicules électriques est connu. Cependant, le modèle a également mis en évidence l’influence profonde de la structure physique sous-jacente du réseau routier. Lorsque les chercheurs ont simulé une réduction de la capacité de la route, simulant un goulot d’étranglement ou la fermeture d’une route, ils ont observé un effet dramatique. Non seulement le pic de la demande de déplacement s’est décalé plus tard dans la soirée, mais le pic de la charge de recharge a également augmenté et s’est décalé. Cela est dû au fait que la congestion oblige les véhicules à passer plus de temps sur la route, à consommer plus d’énergie, et parfois à emprunter des détours plus longs, ce qui entraîne tous deux un besoin accru de recharge. De même, lorsque les longueurs des routes ont été artificiellement augmentées, le pic de recharge a été encore plus retardé et la charge quotidienne moyenne a augmenté, encore une fois en raison de la consommation d’énergie accrue résultant de distances de trajet plus longues.
Ces résultats soulignent un point crucial : le réseau électrique et le réseau de transport ne sont pas des systèmes séparés, mais sont profondément imbriqués. La conception et le fonctionnement de l’un ont un impact direct et mesurable sur l’autre. Un réseau routier mal conçu, sujet à la congestion, frustrera non seulement les conducteurs, mais créera également une charge de recharge plus volatile et avec des pics plus élevés pour le réseau électrique. À l’inverse, un système de transport bien optimisé peut aider à lisser la demande de recharge, la rendant plus facile et moins coûteuse à gérer.
Les implications de cette recherche sont vastes. Pour les entreprises d’électricité, ce modèle fournit un puissant nouvel outil de prévision de charge. En intégrant des données de circulation en temps réel ou prévues, elles peuvent générer des prévisions de demande de recharge beaucoup plus précises, permettant une meilleure planification de la production, une réduction du besoin de centrales électriques de pointe coûteuses et une plus grande stabilité du réseau. Pour les urbanistes et les autorités de transport, le modèle offre un moyen d’évaluer l' »empreinte énergétique » de différentes stratégies de développement urbain et de gestion du trafic. Une nouvelle autoroute ou un changement dans les feux de circulation peut désormais être évalué non seulement pour son impact sur les temps de trajet, mais aussi pour son impact sur la consommation d’électricité et les émissions de carbone de la ville.
Pour l’industrie émergente de la recharge des véhicules électriques, le modèle peut éclairer les décisions stratégiques sur l’emplacement des nouvelles stations de recharge. En prévoyant non seulement le volume de la demande, mais aussi sa distribution précise dans le temps et l’espace, les opérateurs peuvent éviter la surconstruction dans certaines zones tout en en desservant mal d’autres. Cela conduit à une infrastructure de recharge plus efficace et résiliente.
Les auteurs reconnaissent que le modèle peut être affiné davantage. Les travaux futurs intégreront l’influence des prix de recharge dans les décisions de planification d’itinéraire, car les conducteurs pourraient choisir des itinéraires plus longs pour atteindre une station de recharge moins chère. Le modèle suppose actuellement que la recharge n’a lieu qu’à la fin d’un trajet, mais dans la réalité, de nombreux conducteurs effectuent une « recharge opportuniste » pendant leur trajet. L’intégration de ces comportements d’utilisateur plus complexes rendra le modèle encore plus réaliste. De plus, l’essor de la mobilité autonome et partagée pourrait fondamentalement changer les modèles de déplacement, et le modèle devra s’adapter à ces nouveaux paradigmes.
En conclusion, cette recherche représente un changement de paradigme dans la façon dont nous pensons et modélisons la charge de recharge des véhicules électriques. En passant d’une simulation microscopique des individus à une analyse macroscopique du comportement du système, elle fournit un outil plus précis, efficace et informatif. Elle unit avec succès l’ingénierie des transports à l’analyse des systèmes énergétiques, démontrant qu’une approche holistique et basée sur les systèmes est essentielle pour relever les défis complexes de notre avenir électrifié. Alors que le monde se dirige vers un système de transport à zéro émission, des outils comme celui-ci seront indispensables pour garantir que nos réseaux électriques puissent suivre la demande, ouvrant la voie à une transition plus fluide et durable.
Zhu Junliang, Wu Zhigang, Liu Jianing. Power System Technology. DOI: 10.13335/j.1000-3673.pst.2023.0095