Optimisation des Livraisons Électriques avec Bornes Mobiles
L’industrie de la logistique urbaine se trouve à un carrefour critique. Sous la pression croissante des politiques de décarbonation et d’une demande accrue pour des services durables, les entreprises sont contraintes de moderniser leurs flottes de livraison. Les véhicules électriques (VE) émergent comme une solution incontournable, promettant de réduire les émissions et le bruit dans les centres-villes. Cependant, leur adoption massive bute sur un obstacle persistant : l’infrastructure de recharge. Les stations fixes, souvent rares ou mal positionnées, obligent les véhicules à s’écarter de leurs itinéraires optimaux, augmentant ainsi les distances parcourues, les délais de livraison et la consommation d’énergie. Ce dilemme a freiné l’efficacité des flottes électriques, sapant l’un de leurs principaux avantages.
Dans ce contexte, une recherche pionnière menée par Ma Yanfang, Xue Jinzhao et Li Baoyu de l’École d’Économie et de Gestion de l’Université de Technologie de Hebei, aux côtés de Yang Yifu du Centre de Recherche en Logistique de l’Université Nankai, propose une solution radicalement différente : cesser de forcer les véhicules à venir aux bornes de recharge et, à la place, amener les bornes de recharge jusqu’aux véhicules. Leur étude, publiée dans la revue Computer Engineering and Applications, introduit un modèle innovant qui utilise des stations de recharge mobiles positionnées de manière stratégique pour s’aligner sur les itinéraires de livraison quotidiens, transformant ainsi l’infrastructure de recharge d’un obstacle statique en un composant dynamique et adaptable de la chaîne d’approvisionnement.
L’approche, connue sous le nom de Problème de Localisation et de Planification d’Itinéraire pour Stations de Recharge Mobiles (ELRP), n’est pas un simple exercice de mathématiques complexes. Il s’agit d’une réponse pratique à un besoin réel. Les entreprises de logistique, en particulier dans le secteur du commerce électronique, font face à une demande hautement volatile. Les itinéraires de livraison changent chaque jour en fonction du volume et de l’emplacement des commandes. Un réseau de recharge fixe, aussi dense soit-il, ne peut pas s’adapter à cette dynamique. Le modèle des chercheurs offre une alternative flexible : un fournisseur de services de recharge externe peut déployer des unités mobiles avant chaque cycle de distribution, en les positionnant sur des points prédéterminés qui coïncident avec les itinéraires planifiés. Une fois en place, ces stations de recharge restent fixes pendant la journée de livraison, éliminant ainsi la nécessité de systèmes complexes de suivi en temps réel entre les véhicules et les unités mobiles, réduisant considérablement les coûts opérationnels et la complexité.
L’essence du travail réside dans un algorithme en deux phases, baptisé Genetic-RSI, qui décompose le problème complexe en deux étapes gérables. La première phase emploie un algorithme génétique (GA), une technique inspirée de l’évolution naturelle, pour générer un ensemble initial d’itinéraires de livraison hautement efficaces. Cet algorithme fonctionne comme un processus évolutif : il crée une « population » d’itinéraires possibles, les évalue pour leur efficacité (distance totale), combine les meilleures caractéristiques d’itinéraires différents (« croisement ») et introduit de petites variations aléatoires (« mutation »). À travers de multiples générations, il converge vers une solution qui minimise la distance totale parcourue, respectant les contraintes de capacité de charge des véhicules, mais sans encore tenir compte de l’état de la batterie. Cette approche garantit que la base de l’opération logistique soit aussi efficace que possible dès le départ.
L’innovation véritable se produit dans la deuxième phase, avec l’algorithme RSI (Recharge Station Insertion). C’est ici que réside l’intelligence derrière la mobilité. L’algorithme RSI prend les itinéraires optimaux générés par la phase génétique et détermine où et comment insérer les stations de recharge mobiles. Il ne s’agit pas de forcer les véhicules à faire de longs détours. Au contraire, l’algorithme identifie des « zones d’insertion faisables » le long de chaque itinéraire, qui sont des segments où une station de recharge peut être positionnée sans ajouter une distance significative au trajet. Si plusieurs véhicules ont besoin de se recharger dans une même zone géographique, l’algorithme explore la possibilité de consolider leurs arrêts, permettant à plusieurs véhicules de partager une seule station mobile. Cette consolidation est cruciale, car elle réduit le nombre total de stations nécessaires, optimisant ainsi l’utilisation des ressources et minimisant les coûts d’infrastructure.
Les résultats de la recherche, testés sur des ensembles de données de référence largement utilisés dans le domaine de la logistique, sont convaincants. L’étude révèle que l’augmentation de la distance totale de distribution, causée par la nécessité de visiter ces stations mobiles, est en moyenne inférieure à 5%. Dans le monde de la logistique, où chaque point de pourcentage d’efficacité se traduit par des économies de carburant, de temps et d’émissions, ce chiffre est extraordinairement bas. Cela signifie que les flottes électriques peuvent fonctionner avec une autonomie étendue et une haute efficacité, avec seulement un petit compromis sur la distance totale parcourue. Pour un responsable logistique, ce compromis est hautement attrayant, car il permet de terminer des cycles de livraison plus longs et plus complexes sans avoir à changer de batteries ou à retourner à un dépôt central.
Pour valider la supériorité de leur approche, les chercheurs ont comparé l’algorithme Genetic-RSI à deux autres méthodologies bien établies : l’Optimisation par Essaim de Particules (PSO) et le Recuit Simulé (SA). La comparaison a été claire : l’algorithme en deux phases de Ma et de ses collègues a constamment surpassé ses concurrents. Par rapport au PSO, le Genetic-RSI a obtenu une amélioration moyenne de -4,04 %. Par rapport au SA, l’amélioration a été de -3,65 %. Ces valeurs négatives indiquent que le nouvel algorithme trouve des solutions avec une distance totale plus courte, démontrant ainsi son efficacité pour résoudre le problème ELRP. Cet avantage découle de la stratégie de décomposition : en séparant la planification des itinéraires de la localisation des stations de recharge, chaque phase peut se spécialiser et s’optimiser de manière plus efficace, évitant les goulets d’étranglement qui surviennent lorsqu’on essaie de tout résoudre simultanément.
Au-delà des chiffres, l’étude offre des perspectives précieuses pour la prise de décision en entreprise. Un résultat crucial est l’importance de la qualité de l’entrée pour l’algorithme RSI. Lorsqu’il est alimenté avec des itinéraires initiaux de haute qualité, comme les solutions optimales connues pour les problèmes de routage, l’algorithme nécessite moins d’opérations de consolidation de stations et produit des résultats finaux de meilleure qualité. Cela implique que les entreprises qui investissent dans des systèmes sophistiqués de planification d’itinéraires verront leurs bénéfices de l’implémentation d’un réseau de recharge mobile multipliés.
Un autre point de réflexion est l’équilibre entre l’investissement dans l’infrastructure et l’efficacité opérationnelle. L’étude a découvert qu’augmenter le nombre de stations mobiles disponibles réduit la distance totale de livraison, mais seulement jusqu’à un certain point. Au-delà d’un seuil critique, typiquement entre trois et quatre stations pour les scénarios testés, le bénéfice marginal diminue. Le coût de déployer une autre station dépasse l’économie de distance réalisée. Cette découverte a des implications directes pour les modèles économiques : les entreprises ne devraient pas poursuivre le déploiement du plus grand nombre possible de chargeurs, mais plutôt optimiser le nombre en fonction de la densité des clients, de la complexité des itinéraires et du volume quotidien des livraisons.
La recherche a également exploré l’impact du taux de consommation d’énergie des véhicules. Intuitivement, on pourrait supposer que des véhicules plus efficaces, avec une consommation plus faible par kilomètre, performeront toujours mieux. Cependant, l’étude a révélé une relation plus subtile. Alors qu’une consommation plus faible étend l’autonomie et réduit la fréquence de recharge, elle peut conduire à des arrêts de recharge sous-optimaux lorsque la consolidation est requise. Un véhicule avec une plus grande autonomie pourrait être redirigé vers une station de recharge plus éloignée pour la partager avec d’autres, entraînant un détour plus long. En revanche, un véhicule avec une consommation plus élevée, bien qu’il doive se recharger plus souvent, est limité à utiliser des stations plus proches de son itinéraire, minimisant ainsi la distance du détour. Cette découverte contre-intuitive souligne la nécessité d’une conception de système holistique, où un composant isolé n’est pas optimisé, mais plutôt l’ensemble du système est pris en compte.
Du point de vue de la durabilité, le modèle de recharge mobile est un puissant catalyseur pour la décarbonisation urbaine. En permettant des cycles de livraison plus longs et plus efficaces pour les véhicules électriques, il réduit la dépendance aux véhicules à moteur à combustion interne dans les centres-villes. De plus, étant mobiles, ces stations peuvent être alimentées par des sources d’énergie renouvelable ou déployées dans des zones où les mises à jour du réseau électrique ne sont pas faisables, augmentant ainsi la flexibilité du déploiement de l’infrastructure verte.
Les applications potentielles vont au-delà de la logistique du commerce électronique. Les services de livraison urbaine, la logistique alimentaire et même la collecte des déchets municipaux pourraient bénéficier de cette approche. Par exemple, un département de voirie pourrait déployer des stations de recharge mobiles dans des stations de transfert stratégiques, permettant aux camions à ordures électriques de se recharger pendant leur quart de travail sans avoir à retourner à un dépôt central. De même, les plateformes de livraison de nourriture pourraient utiliser des stations de recharge mobiles près des clusters de restaurants à forte demande, garantissant que les scooters et vélos électriques restent opérationnels pendant les heures de pointe.
L’étude ouvre également de nouvelles voies pour la collaboration entre les entreprises de logistique et les fournisseurs d’infrastructure. Plutôt que d’assumer l’intégralité du coût de l’infrastructure de recharge, les entreprises peuvent adopter un modèle basé sur les services, en achetant la recharge mobile comme un service (Charging-as-a-Service) auprès de fournisseurs spécialisés. Cela transforme la dépense en capital en une dépense opérationnelle, rendant l’électrification plus accessible pour les petites et moyennes entreprises. La recherche suggère que ce modèle est viable tant que les entreprises sont prêtes à accepter une augmentation modérée de la distance de livraison, jusqu’à 8 %, en échange d’un accès fiable à la recharge et d’une réduction du temps d’immobilisation des véhicules.
En regardant vers l’avenir, les chercheurs identifient plusieurs directions pour de futures recherches. L’une d’elles est l’intégration de fenêtres de temps et de stratégies de recharge partielle, ce qui rendrait le modèle plus applicable à des scénarios du monde réel où les clients s’attendent à des livraisons dans des intervalles de temps spécifiques. Une autre est l’extension de l’algorithme pour gérer des flottes hétérogènes, incluant des véhicules avec différentes capacités de batterie, des limites de charge et des profils de consommation d’énergie. De plus, l’intégration de données de trafic en temps réel et de modèles de demande stochastique pourrait améliorer encore la robustesse du modèle.
La publication de cette recherche dans Computer Engineering and Applications marque un jalon significatif dans le domaine de la logistique durable. Elle démontre que les défis de l’adoption des véhicules électriques ne sont pas insurmontables, mais nécessitent une réflexion innovante et une collaboration interdisciplinaire. En réimaginant l’infrastructure de recharge comme un système dynamique et adaptable, plutôt qu’un réseau statique, Ma Yanfang, Xue Jinzhao, Li Baoyu et Yang Yifu ont fourni un plan pour la prochaine génération de livraison urbaine.
Leur travail souligne une vérité fondamentale : l’avenir de la logistique n’est pas seulement électrique, il est intelligent. Le succès des flottes de véhicules électriques dépendra non seulement de la technologie des batteries, mais de la sophistication des systèmes qui les gèrent. Alors que les villes continuent de croître et que les pressions environnementales augmentent, des solutions comme l’optimisation des stations de recharge mobiles deviendront des outils essentiels pour construire des chaînes d’approvisionnement urbaines résilientes, durables et efficaces.
Ma Yanfang, Xue Jinzhao, Li Baoyu, Yang Yifu. Université de Technologie de Hebei, Université Nankai. Computer Engineering and Applications, doi:10.3778/j.issn.1002-8331.2303-0263