Nouvelle Méthode Prévoit la Charge Rapide des Véhicules Électriques
L’essor inébranlable des véhicules électriques (VE) redessine le paysage des villes, imposant de nouveaux défis aux urbanistes, aux gestionnaires de réseaux électriques et aux développeurs d’infrastructures. La prévision précise de la demande en charge rapide est devenue un enjeu critique, essentielle pour éviter la saturation du réseau, optimiser les investissements dans les bornes de recharge et garantir la satisfaction des utilisateurs. Les modèles traditionnels, souvent basés sur une division simplifiée des villes en zones fonctionnelles comme résidentielles, commerciales ou industrielles, se sont révélés insuffisants. Ils négligent fréquemment la dynamique spatiale complexe et les schémas comportementaux humains qui façonnent la mobilité en milieu réel. Une étude révolutionnaire publiée dans Southern Power System Technology introduit une nouvelle approche qui intègre la structure spatiale urbaine et la psychologie des conducteurs pour offrir une prédiction de la charge rapide plus précise et réaliste.
Conduite par Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao et Chuan Yang du Département de Génie Électrique de l’Université de l’Énergie Électrique de Shanghai, cette recherche dépasse les limites des modèles basés sur des zones fonctionnelles. Plutôt que de considérer les villes comme une collection de zones isolées, l’équipe exploite des données géographiques réelles pour saisir la toile complexe de la vie urbaine. Leur méthode reconnaît que les villes modernes ne sont pas rigides et segmentées, mais qu’elles sont caractérisées par des fonctions superposées, un développement polycentrique et des schémas de déplacement humains dynamiques. En intégrant cette complexité, le modèle offre une prévision plus nuancée et fiable de l’endroit et du moment où l’infrastructure de charge rapide sera la plus nécessaire.
Le cœur de cette nouvelle approche réside dans l’utilisation des données de Points d’Intérêt (POI). Les POI — tels que les restaurants, centres commerciaux, bureaux, parcs et hôpitaux — sont bien plus que de simples repères sur une carte ; ce sont des indicateurs de l’activité humaine et de la fonction urbaine. Les chercheurs ont collecté un vaste ensemble de données comprenant plus de 119 000 POI dans une grande ville chinoise, les classant en 16 types et leur attribuant un « poids fonctionnel » en fonction de leur influence sur la vie quotidienne. Par exemple, un grand parc d’activités ou un hôpital majeur a un poids « travail » ou « santé » bien plus élevé qu’un petit magasin de quartier. Ce système de pondération permet de quantifier l’intensité fonctionnelle de chaque partie de la ville.
Pour transformer ces données brutes de POI en une représentation significative de la structure spatiale de la ville, l’équipe a utilisé une technique appelée analyse de densité par noyau (kernel density analysis). Cette méthode calcule la concentration de POI dans un rayon donné autour de chaque point d’une grille, créant une surface lisse qui met en évidence les zones à forte activité. Le résultat est une carte détaillée des « centres » de la ville, qui va au-delà du centre-ville traditionnel pour identifier des nœuds secondaires et des communautés émergentes en banlieue. Cette analyse a révélé un paysage urbain polynucléaire, avec des grappes d’activité dispersées dans la région, reflétant la tendance moderne à la décentralisation et à l’émergence de communautés « satellites » autonomes.
Cette structure spatiale informe directement la simulation du comportement de déplacement des VE. Plutôt que de supposer que les trajets se produisent aléatoirement entre des zones prédéfinies, les chercheurs ont utilisé un modèle gravitationnel amélioré pour prédire le flux de véhicules entre différents emplacements. Dans ce modèle, l’attractivité d’une destination est déterminée par son poids fonctionnel et sa distance par rapport à l’origine. Une destination à poids élevé, comme un grand centre commercial, exerce une forte « force d’attraction », mais cette force s’atténue avec la distance. Le modèle intègre également le concept d' »impédance », qui tient compte de la friction du déplacement, rendant les trajets plus longs moins probables. En combinant ces facteurs, le modèle peut simuler des chaînes de déplacement réalistes — des séquences de trajets qu’un conducteur pourrait effectuer en une seule journée, par exemple de chez lui au travail, du travail aux courses, puis des courses chez lui.
L’innovation de l’étude va au-delà de la modélisation spatiale et s’étend à l’aspect psychologique de la prise de décision du conducteur. Les chercheurs reconnaissent que les conducteurs de VE ne sont pas des acteurs rationnels parfaits qui cherchent toujours la borne de recharge optimale. Au contraire, ils opèrent avec une « rationalité limitée », prenant des décisions basées sur une combinaison d’informations objectives et de préférences subjectives. Un conducteur pourrait privilégier une borne légèrement en dehors de son chemin s’il s’agit d’un prix plus bas, de chargeurs plus rapides ou si elle se trouve dans une zone familière. Pour saisir ce comportement, l’équipe a développé un cadre de prise de décision basé sur un « modèle d’adsorption », qui simule comment les conducteurs évaluent leurs options sous pression.
Dans ce cadre, l’urgence du conducteur à recharger est représentée comme une « force de friction ». Lorsque le niveau de la batterie baisse, cette friction augmente, abaissant les critères du conducteur sur ce qui constitue une borne de recharge acceptable. À l’inverse, un conducteur dont la batterie est bien chargée a des critères plus élevés et est plus sélectif. Le modèle intègre également la « capacité d’adsorption » du conducteur, qui est son évaluation subjective d’une borne basée sur des facteurs comme le prix, la puissance disponible et la distance du détour. La décision de charger n’est pas prise lorsqu’on trouve la meilleure option, mais lorsqu’apparaît la première option qui satisfait le seuil de « satisfaction » actuel du conducteur. Cela reflète fidèlement le comportement du monde réel, où les conducteurs choisissent souvent la première borne disponible lorsqu’ils sont anxieux à l’idée de tomber en panne.
Pour valider leur modèle, l’équipe de recherche a mené une simulation à grande échelle impliquant 50 000 véhicules électriques virtuels naviguant sur le réseau routier de la ville étudiée sur une période de 24 heures. La simulation était basée sur une carte numérique détaillée de 78 748 segments de route et 2 426 liaisons routières simplifiées après un traitement en grille. Chaque véhicule s’est vu attribuer une chaîne de déplacement unique, une capacité de batterie et un état de charge initial basés sur des distributions statistiques dérivées de données du monde réel. Au fur et à mesure que la simulation progressait, le modèle suivait la position, la vitesse, le niveau de batterie et l’état de charge de chaque véhicule par intervalles d’une minute.
Les résultats de la simulation étaient à la fois révélateurs et significatifs. Lorsque le modèle prenait en compte la structure spatiale complexe de la ville et la rationalité limitée des conducteurs, la demande de charge rapide prédite était nettement différente de celle des modèles qui utilisaient une simple zonification fonctionnelle. La distance moyenne de déplacement pour les VE était de 33,4 kilomètres, soit 24,4 % de moins que les 44,2 kilomètres dans un scénario qui ignorait les données de POI. Cette distance de trajet plus courte a conduit à une réduction de 44,3 % des trajets de longue distance dépassant 60 kilomètres, ce qui a, à son tour, réduit la demande globale de recharge.
La distribution temporelle de la charge présentait également un schéma distinct. Deux pics clairs sont apparus : un en fin de matinée (entre 480 et 660 minutes après minuit) et un autre en fin d’après-midi (entre 1 020 et 1 200 minutes). Le premier pic correspond aux conducteurs qui commencent leur journée avec une batterie partiellement chargée et qui ont besoin de recharger pendant leur premier trajet. Le second pic, plus important, reflète la vague de recharge en fin de journée lorsque les conducteurs rentrent chez eux et branchent leurs véhicules. Le modèle a prédit une charge de pointe d’environ 3 200 kilowatts lors du premier pic et de 2 340 kilowatts lors du second.
De manière cruciale, la distribution spatiale de cette charge était fortement concentrée autour des multiples centres d’activité de la ville, identifiés par l’analyse des POI. La demande la plus élevée a été observée aux bornes de recharge situées à proximité des grands pôles commerciaux, des corridors de transport et des centres d’emploi. Cette découverte souligne l’importance de placer l’infrastructure de charge rapide non seulement dans les zones résidentielles, mais aussi le long des itinéraires dynamiques de la vie urbaine quotidienne. En revanche, un modèle qui ignorait la structure spatiale prédisait une charge beaucoup plus centralisée, concentrée presque exclusivement dans l’ancien centre-ville, ce qui aurait conduit à une sous-estimation significative de la demande dans les banlieues en croissance et les centres secondaires.
Les implications de cette recherche sont considérables. Pour les urbanistes, elle fournit un outil puissant pour optimiser l’emplacement des nouvelles bornes de recharge, garantissant que les investissements soient réalisés là où ils auront le plus d’impact. Pour les compagnies d’électricité, elle offre une prévision plus précise de la demande de pointe en électricité, permettant une meilleure gestion du réseau et la prévention des surcharges. Pour les constructeurs de VE et les opérateurs de flottes, elle peut guider la conception de systèmes de navigation et de recommandation de recharge qui s’alignent mieux sur le comportement réel des conducteurs.
L’étude met également en lumière la nature évolutive de la mobilité urbaine. Le passage d’une structure monocentrique à une structure polynucléaire, impulsé par des changements économiques et démographiques, a des effets profonds sur les schémas de transport. En capturant ce changement, le modèle n’est pas seulement un prédicteur de la demande actuelle, mais un outil prospectif qui peut s’adapter au développement urbain futur. Il est tout aussi applicable à la planification de réseaux de recharge dans des villes émergentes et à la modernisation de l’infrastructure dans des environnements urbains matures.
Un des principaux atouts de cette recherche est son ancrage dans des données du monde réel et son adhésion à des principes scientifiques établis. L’utilisation de l’analyse de densité par noyau, des modèles gravitationnels et des distributions probabilistes pour le comportement de déplacement garantit que le modèle est à la fois théoriquement solide et empiriquement validé. L’intégration de la rationalité limitée ajoute un niveau de réalisme comportemental souvent absent des modèles purement techniques. Cette approche holistique, qui comble le fossé entre la géographie, l’ingénierie des transports et la psychologie humaine, représente un progrès significatif dans le domaine de la prévision de la charge pour les VE.
L’équipe de recherche reconnaît que leur modèle n’est pas exempt de limites. Il dépend fortement de la qualité et de la disponibilité des données de POI, et sa précision pourrait être encore améliorée par l’intégration de sources de données supplémentaires, comme la densité de population, l’activité économique et les horaires des transports en commun. Les travaux futurs exploreront ces voies pour créer une image encore plus complète de la mobilité urbaine.
En conclusion, l’étude de Qu, Zhao, Mao, Zhao et Yang présente un changement de paradigme dans la façon dont nous pensons et prédisons la demande de recharge pour les véhicules électriques. En allant au-delà des zones fonctionnelles simplistes et en embrassant la complexité de l’espace urbain et du comportement humain, ils ont développé un modèle qui n’est pas seulement plus précis, mais aussi plus éclairant. Alors que les villes du monde entier s’efforcent d’atteindre leurs objectifs de réduction des émissions de carbone et de construire des systèmes de transport durables, des outils comme celui-ci seront essentiels pour prendre des décisions éclairées, basées sur des données. L’avenir de la mobilité urbaine n’est pas seulement électrique ; il est intelligent, adaptable et profondément connecté au tissu même de la ville.
Keqing Qu, Denghui Zhao, Ling Mao, Jinbin Zhao, Chuan Yang, Département de Génie Électrique, Université de l’Énergie Électrique de Shanghai, Southern Power System Technology, DOI: 10.13648/j.cnki.issn1674-0629.2024.10.015