Nouvelle méthode d’IA pour détecter les bornes de recharge défaillantes
Alors que la transition mondiale vers la mobilité électrique s’accélère, la fiabilité des infrastructures de recharge est devenue un enjeu crucial pour les conducteurs, les gestionnaires de réseau, les régulateurs et les constructeurs automobiles. Une étude récemment publiée présente une approche révolutionnaire qui exploite le traitement avancé des signaux et l’apprentissage profond pour détecter en temps réel les inexactitudes de mesure dans les stations de recharge de véhicules électriques, sans nécessiter d’interventions sur site ni de modifications matérielles.
Cette méthode, développée par une équipe dirigée par Dongxiang Jiao du Centre de Métrologie de State Grid Jibei Electric Power Co., Ltd., en collaboration avec des chercheurs de Tangshan Power Supply Company et de l’École de génie électrique et informatique de l’Université de Tianjin, répond à un problème croissant dans l’écosystème des véhicules électriques : la dérive silencieuse de la précision des bornes de recharge due au vieillissement des composants, aux contraintes environnementales ou à des manipulations. Les méthodes de vérification traditionnelles reposent sur un étalonnage manuel et périodique – coûteux, laborieux et de plus en plus impraticable alors que le nombre de bornes publiques et semi-publiques se compte en millions à travers le monde.
Ce qui distingue cette nouvelle technique est sa fusion entre la modélisation physique et l’intelligence basée sur les données. Fondamentalement, le système applique le principe de conservation de l’énergie à l’ensemble de la topologie de la station de recharge. Pour les bornes de courant alternatif (CA), qui fournissent l’énergie au convertisseur embarqué du véhicule, l’énergie totale prélevée sur le réseau doit être égale à la somme de l’énergie enregistrée par les points de recharge individuels, plus les pertes prévisibles dues aux câbles et aux charges fixes de la station. Pour les bornes de courant continu (CC) à recharge rapide – où la conversion CA/CC s’effectue dans la borne elle-même – l’équation doit également prendre en compte le rendement de ce processus de conversion, qui varie selon le modèle, la charge, la température et d’autres facteurs opérationnels.
C’est ici que l’innovation prend toute sa mesure. Alors que les tentatives précédentes pour modéliser ces systèmes supposaient souvent un rendement de conversion fixe ou moyen, l’équipe de recherche a reconnu que le rendement réel est dynamique. Pour capturer cette variabilité, ils ont conçu une architecture d’apprentissage profond novatrice – baptisée Transformer-CNN – qui ingère des données chronologiques de tension, de courant, de facteur de puissance, de température ambiante et des spécifications de rendement fournies par les fabricants. Ce modèle hybride combine la conscience contextuelle globale des réseaux Transformer avec les capacités d’extraction de caractéristiques temporelles multi-échelles des couches convolutionnelles, permettant une estimation très précise et en temps réel du rendement de conversion CA/CC pour chaque session de recharge.
Fort de cette estimation de rendement, le système utilise ensuite un algorithme raffiné des moindres carrés récursifs amortis (RCRA) pour résoudre les erreurs de mesure individuelles des bornes. Contrairement aux moindres carrés récursifs standard – qui peuvent devenir instables ou diverger face à des données bruitées ou mal conditionnées – la variante RCRA introduit un terme d’amortissement qui pénalise les changements de paramètres abrupts entre les itérations. Cela stabilise non seulement la convergence, mais améliore également la robustesse contre le bruit de mesure et les anomalies transitoires.
Lors de tests approfondis utilisant à la fois des ensembles de données synthétiques et des données opérationnelles réelles provenant de 30 stations de recharge sur une période de 14 mois, la méthode a démontré des performances exceptionnelles. Sur des données simulées avec des compteurs défaillants connus (délibérément biaisés jusqu’à ±4,2%), le système a atteint une précision de détection de 98 % et un score F1 de 84 % – surpassant significativement les alternatives de base de type RLS, RLS à double paramètre et régression ridge à noyau. Plus impressionnant encore, sur des données de terrain réelles où les défauts avérés ont été confirmés ultérieurement par inspection physique, l’algorithme a correctement identifié toutes les unités défectueuses avec une précision et un rappel de 100 %.
Ce niveau de fiabilité a des implications profondes. Pour les opérateurs de réseau gérant des milliers de bornes, cela signifie passer d’une maintenance réactive basée sur le calendrier à une surveillance prédictive basée sur l’état. Pour les conducteurs de véhicules électriques, cela garantit une facturation équitable et des performances de recharge constantes. Et pour les régulateurs, cela offre un outil évolutif et non intrusif pour faire respecter les standards métrologiques dans un paysage infrastructurel fragmenté et en évolution rapide.
Cette approche est particulièrement opportune compte tenu des investissements publics et privés massifs injectés dans les réseaux de recharge pour véhicules électriques. Aux États-Unis seulement, le programme National Electric Vehicle Infrastructure (NEVI) a alloué 5 milliards de dollars pour construire un corridor de recharge rapide d’une côte à l’autre. Des initiatives similaires sont en cours dans l’Union européenne, en Chine et en Inde. Pourtant, sans mécanismes fiables pour vérifier la précision et l’intégrité de ces bornes, la confiance des consommateurs – et l’adoption plus large des véhicules électriques – pourrait être compromise.
Point crucial, la méthode proposée ne nécessite aucune modification matérielle. Elle fonctionne entièrement sur les données de télémétrie existantes, déjà collectées par la plupart des stations de recharge modernes et transmises aux systèmes de gestion centraux. Cette voie de mise à niveau « logicielle uniquement » réduit considérablement les obstacles au déploiement, en particulier pour les installations existantes.
La recherche souligne également une tendance plus large dans les infrastructures intelligentes : la convergence des principes d’ingénierie classiques avec l’intelligence artificielle. Plutôt que de traiter l’IA comme une boîte noire, l’équipe a ancré sa solution dans la physique des principes premiers – la conservation de l’énergie – puis a utilisé l’apprentissage automatique pour gérer les variables complexes et non linéaires qui défient la modélisation analytique. Ce paradigme hybride s’aligne sur les meilleures pratiques émergentes en matière d’IA digne de confiance pour les infrastructures critiques, où l’interprétabilité, la sécurité et la conformité ne peuvent être sacrifiées pour des gains marginaux en précision de prédiction.
D’un point de vue technique, l’architecture Transformer-CNN représente une adaptation réfléchie de l’IA de pointe à un défi spécifique à un domaine. Les Transformers, initialement développés pour le traitement du langage naturel, excellent à capturer les dépendances à long terme dans les séquences – idéal pour comprendre comment l’efficacité d’une borne évolue au cours d’une session de plusieurs heures. Meanwhile, les convolutions en profondeur multi-échelles extraient efficacement les motifs locaux (par exemple, les pics de courant pendant le préconditionnement de la batterie) sans la surcharge computationnelle des couches denses. Le résultat est un modèle léger adapté à un déploiement de périphérie ou à une analytique basée sur le cloud, selon l’architecture de l’opérateur.
Le composant des moindres carrés récursifs amortis exemplifie davantage le pragmatisme technique. En incorporant un facteur d’oubli, l’algorithme peut s’adapter aux changements graduels du comportement de la station – tels que l’augmentation de la résistance des câbles due à la corrosion – tandis que le terme d’amortissement empêche une réaction excessive au bruit à court terme. Cet équilibre entre adaptabilité et stabilité est essentiel pour les systèmes réels où la qualité des données est imparfaite et les conditions opérationnelles constchangeantes.
À l’avenir, la méthodologie pourrait être étendue au-delà de la précision du comptage. Le même cadre de bilan énergétique pourrait détecter le vol d’énergie, identifier des équipements électroniques de puissance défaillants, ou même estimer l’état de santé de la batterie en analysant les inefficacités de recharge côté véhicule. De plus, avec l’émergence des services vehicle-to-grid (V2G), une comptabilisation précise de l’énergie bidirectionnelle deviendra encore plus cruciale – rendant une vérification en ligne robuste non seulement souhaitable mais obligatoire.
Pour l’instant, l’impact immédiat réside dans l’efficacité opérationnelle. L’étalonnage manuel d’une seule borne de recharge rapide CC peut coûter des centaines de dollars et nécessiter des heures de travail technicien. Étendre cela à l’échelle d’un réseau national est économiquement et logistiquement intenable. En permettant un autodiagnostic continu et à distance, cette nouvelle méthode pourrait réduire les coûts de maintenance de plusieurs ordres de grandeur tout en améliorant simultanément la qualité du service.
Ce travail établit également une référence élevée pour la collaboration université-industrie. Dirigé par des ingénieurs expérimentés de State Grid Jibei – une importante entreprise de service public régionale – et soutenu par des experts académiques en IA et systèmes électriques de l’Université de Tianjin, le projet fait le pont entre l’innovation théorique et le déploiement pratique. L’inclusion de données réelles couvrant divers modèles de bornes, conditions environnementales et modes d’utilisation ajoute une crédibilité significative aux résultats.
Alors que l’adoption des véhicules électriques poursuit sa croissance exponentielle – les ventes mondiales ont dépassé 10 millions d’unités en 2022 et devraient dépasser 40 millions annuellement d’ici 2030 – la pression sur les infrastructures de recharge ne fera que s’intensifier. Des solutions comme celle-ci, qui améliorent la fiabilité sans ajouter de complexité ni de coût, seront essentielles pour maintenir l’élan de la transition électrique.
À une époque où la vitesse de recharge et la couverture du réseau dominent les gros titres, cette recherche nous rappelle que la précision et la confiance sont tout aussi vitales. Une borne peut être rapide et largement disponible, mais si elle vous facture 50 kWh lorsque vous n’en avez reçu que 45, sa valeur s’évapore. En garantissant que chaque kilowattheure est comptabilisé – équitablement, transparentement et automatiquement – cette nouvelle méthode contribue à jeter les bases d’un écosystème de mobilité électrique véritablement durable et centré sur l’utilisateur.
Auteurs : Dongxiang Jiao¹, Yachao Wang¹, Di Han¹, Xuechao Li², Shengli Yuan², Zhaoshuai Dang³, Ting Yang³
Affiliations :
¹ Centre de Métrologie, State Grid Jibei Electric Power Co., Ltd., Beijing 100032, Chine
² Tangshan Power Supply Company, State Grid Jibei Electric Power Co., Ltd., Tangshan 063099, Province du Hebei, Chine
³ École de génie électrique et informatique, Université de Tianjin, Tianjin 300072, Chine
Publié dans : Electric Power Construction, Vol. 45, No. 8, août 2024
DOI : 10.12204/j.issn.1000-7229.2024.08.013