Optimisation des Trajets des Véhicules Électriques en Cas de Panne Électrique
L’essor fulgurant des véhicules électriques (VE) redéfinit les contours de la mobilité urbaine, promettant un avenir plus propre et plus efficace. Pourtant, cette révolution silencieuse repose sur une infrastructure critique dont la vulnérabilité est souvent sous-estimée : le réseau électrique. Lorsqu’une panne frappe ce réseau, qu’elle soit causée par une défaillance technique, un événement météorologique extrême ou une cyberattaque ciblée, les conséquences ne se limitent pas à l’extinction des lumières. Elles se propagent comme une onde de choc dans le système de transport, transformant les stations de recharge en îlots déserts et paralysant les rues par des files de véhicules immobilisés. Cette interconnexion, où un défaut dans le réseau d’énergie provoque une crise dans le réseau routier, représente un défi majeur pour les villes du 21e siècle. C’est face à ce défi que deux chercheurs de l’Université du Jiangsu, Xiao Wen et Wang Yang, ont mis au point une solution pionnière, publiée dans la revue Computer Development & Applications, qui intègre intelligemment la gestion de la distribution électrique et la planification des itinéraires des véhicules.
Leur recherche, loin de se contenter d’un simple outil de navigation, propose un système de contrôle global qui agit à deux niveaux. Plutôt que de simplement guider un conducteur vers la borne de recharge la plus proche, le modèle développé par Xiao Wen et Wang Yang aborde le problème à sa source. Il reconnaît que la première étape pour assurer la mobilité en cas de crise n’est pas de planifier un trajet, mais de stabiliser le réseau électrique lui-même. Leur approche novatrice repose sur un processus en deux phases : une phase de reconfiguration du réseau électrique, suivie d’une phase d’optimisation du parcours pour les véhicules. Cette double stratégie vise à transformer une situation de chaos potentiel en une réponse coordonnée et efficace.
La première phase, la reconfiguration du réseau de distribution, est comparable à une chirurgie d’urgence sur le système nerveux énergétique de la ville. Lorsqu’un défaut est détecté – par exemple, une rupture de ligne ou une surcharge – le système entre en action. Son objectif est de rétablir le flux d’électricité vers le plus grand nombre d’utilisateurs possible, en isolant la section endommagée. Cela se fait en ouvrant et en fermant stratégiquement des interrupteurs dans le réseau, ce qui modifie la topologie du circuit. L’objectif principal de cette reconfiguration n’est pas de minimiser les pertes d’énergie, mais de maximiser la stabilité de la tension aux nœuds du réseau. Une tension trop basse est un indicateur de stress pour le réseau et peut rendre une station de recharge inutilisable, car elle ne peut plus fournir une charge fiable et rapide.
Pour résoudre ce problème d’optimisation complexe, qui implique de tester des milliers de combinaisons d’ouverture et de fermeture d’interrupteurs, les chercheurs ont choisi et amélioré un algorithme d’inspiration musicale : l’algorithme de recherche d’harmonie (Harmony Search Algorithm). Cet algorithme, qui simule le processus d’improvisation d’un musicien cherchant l’accord parfait, est particulièrement adapté aux problèmes d’optimisation combinatoire. Xiao Wen et Wang Yang ont apporté trois améliorations clés pour surmonter les faiblesses des versions classiques, qui ont tendance à se stabiliser trop rapidement sur une solution sous-optimale. Premièrement, ils ont introduit une nouvelle méthode pour mettre à jour la « mémoire d’harmonie », ce qui améliore la capacité de l’algorithme à explorer de nouvelles solutions tout en exploitant les meilleures trouvées. Deuxièmement, ils ont implémenté des paramètres dynamiques adaptatifs qui ajustent automatiquement l’intensité de la recherche, permettant une convergence plus rapide et plus efficace. Troisièmement, et c’est peut-être le plus innovant, ils ont intégré un mécanisme de détection de la maturité prématurée. Ce mécanisme analyse la variance des solutions dans la mémoire et, si elle devient trop faible (signe que l’algorithme est « bloqué »), il déclenche une perturbation pour forcer une nouvelle exploration. Cette combinaison de techniques sophistiquées permet à l’algorithme de naviguer intelligemment dans un espace de solutions gigantesque pour trouver la configuration de réseau la plus stable possible après un défaut.
Une fois que le réseau électrique a été reconfiguré et stabilisé, le système passe à la deuxième phase : l’optimisation du trajet pour les véhicules électriques. C’est ici que la solution devient tangible pour le conducteur. Le modèle ne considère plus toutes les stations de recharge comme équivalentes. Il applique un critère de fiabilité strict : seules les stations dont le nœud de réseau a une tension supérieure à 0,96 p.u. (par unité) sont considérées comme opérationnelles. Ce seuil n’est pas arbitraire ; il est basé sur des principes d’ingénierie électrique qui garantissent que la charge sera stable et de haute qualité. Une tension inférieure à ce seuil pourrait entraîner des cycles de charge incomplets, endommager la batterie du véhicule ou simplement prendre un temps prohibitif. En excluant les stations sous tension, le système sacrifie peut-être en quantité, mais gagne en qualité et en fiabilité du service.
Avec cette carte mise à jour des stations de recharge fonctionnelles, le système entreprend le calcul du meilleur itinéraire pour chaque véhicule. Ce calcul va bien au-delà de la simple recherche du chemin le plus court. Il s’agit d’un problème de programmation mixte en nombres entiers, un défi mathématique complexe qui doit concilier plusieurs objectifs et contraintes. La fonction objectif combine deux priorités majeures pour les utilisateurs : la minimisation de la distance parcourue et la minimisation du coût de recharge. Les conducteurs ou les gestionnaires de flotte peuvent ajuster les poids de ces deux facteurs (w1 pour la distance, w2 pour le coût) selon leurs préférences. Un conducteur pressé pourra prioriser la vitesse, tandis qu’un autre soucieux de son budget pourra opter pour l’économie.
Ce qui distingue ce modèle des applications de navigation standard, c’est sa capacité à modéliser la réalité avec une grande finesse. Il intègre explicitement le temps d’attente aux stations de recharge, évitant le scénario classique où plusieurs véhicules sont dirigés vers la même station, créant des files d’attente interminables. Le modèle tient compte du temps nécessaire pour recharger la batterie de chaque véhicule, qui dépend de son état de charge à l’arrivée et de la puissance de la borne. Il garantit également que plusieurs véhicules ne soient pas assignés à la même borne de recharge au même moment sans tenir compte du temps de service. Cette capacité à gérer le flux de charge est cruciale pour éviter la congestion et garantir une expérience utilisateur fluide et prévisible.
La validité de ce modèle a été démontrée par une étude de cas basée sur un réseau simplifié de la ville de Shiyan. La simulation a impliqué un réseau de 27 carrefours et 82 segments de route, connecté à un réseau de distribution électrique de 33 nœuds avec cinq stations de recharge. Les chercheurs ont simulé une panne affectant les nœuds 22 et 23 du réseau électrique. L’algorithme de recherche d’harmonie amélioré a réussi à reconfigurer le réseau avec succès, isolant la panne et maintenant la tension au-dessus du seuil critique dans quatre des cinq stations de recharge. La station située au nœud 29, dont la tension est tombée à 0,958 p.u., a été exclue du service.
Six véhicules électriques, chacun avec un point de départ et de destination différents, ont été simulés, tous nécessitant une recharge en cours de route. Les itinéraires générés par le nouveau modèle ont été comparés à ceux d’un algorithme de référence, l’algorithme de recherche bactérienne (Bacterial Foraging Optimization, BFO), connu pour son efficacité dans les problèmes de planification. Les résultats ont été sans appel. Le nouveau modèle a non seulement produit des itinéraires plus courts, mais a aussi permis des économies de coût significatives. Par exemple, le véhicule numéro 1 a réduit son coût de recharge de 48 %, tandis que le véhicule numéro 6 a vu sa facture chuter de 53 %. En moyenne, la moitié des véhicules ont connu une réduction de coût proche de 50 %.
En outre, le modèle optimisé a réduit drastiquement les temps d’attente. Alors que l’algorithme BFO concentrait le trafic sur quelques stations, créant de longues files d’attente, le nouveau modèle a réparti efficacement la charge entre les stations disponibles. Cette fonction d’équilibrage de charge n’a pas seulement amélioré l’efficacité de chaque trajet individuel, mais a aussi accru la résilience du système dans son ensemble, en évitant la formation de points de congestion critiques.
La véritable force de ce travail réside dans sa vision holistique. Xiao Wen et Wang Yang ont transcendé les silos traditionnels entre les disciplines de l’ingénierie électrique et de l’ingénierie des transports. Ils ont démontré de manière convaincante que la stabilité d’un système dépend intrinsèquement de la stabilité de l’autre. Leur modèle intègre des décisions de contrôle du réseau avec des décisions de planification du trafic, créant un système de réponse aux urgences qui est plus que la somme de ses parties. Cette intégration est la clé pour briser le cycle des pannes en cascade.
Sur le plan technique, le choix de l’algorithme de recherche d’harmonie est une décision judicieuse. Sa nature stochastique et sa capacité à échapper aux optima locaux le rendent idéal pour le problème combinatoire de la reconfiguration du réseau, où le nombre de configurations possibles est astronomique. Les améliorations apportées par les chercheurs – paramètres adaptatifs, détection de maturité prématurée – en font un outil puissant et robuste.
La deuxième phase, l’optimisation du trajet, utilise la méthode de la somme pondérée linéaire pour combiner plusieurs objectifs en une seule fonction de coût. Cette formulation en problème de programmation mixte en nombres entiers, avec des variables binaires pour les décisions de trajet et des variables continues pour les temps de recharge, permet une solution efficace avec des solveurs modernes. Cela transforme un problème complexe en un problème soluble en temps réel.
Au-delà de sa contribution technique, cette recherche soulève des implications importantes pour l’avenir des villes. Alors que les flottes de véhicules électriques continuent de croître, les villes doivent investir non seulement dans davantage de stations de recharge, mais aussi dans la résilience du réseau électrique qui les alimente. Un système de recharge statique est vulnérable. La solution réside dans des systèmes intelligents, adaptatifs et autonomes comme celui présenté ici, capables de maintenir le service même dans des conditions adverses.
Les chercheurs reconnaissent les limites actuelles de leur modèle. Il suppose une connaissance parfaite de l’état du réseau et des véhicules, ce qui peut ne pas être réaliste dans tous les scénarios. Il simplifie également le comportement du conducteur, n’intégrant pas les préférences subjectives comme la marque de la station de recharge ou la volonté de payer plus pour une recharge plus rapide. De futures recherches pourraient intégrer des données en temps réel provenant de la télémétrie des véhicules, de compteurs intelligents et de capteurs de trafic pour créer un système encore plus dynamique.
Un autre front prometteur est l’intégration avec les sources d’énergie renouvelable et le stockage. Dans un avenir à forte pénétration de l’énergie solaire et des batteries, les stratégies de reconfiguration pourraient prioriser les itinéraires qui s’alignent avec la génération locale, réduisant encore la charge sur le réseau principal. De plus, les véhicules dotés de la capacité V2G (Vehicle-to-Grid) pourraient jouer un rôle actif dans la stabilisation du réseau pendant une urgence, passant du statut de consommateurs passifs à celui de ressources de soutien.
Les implications sont vastes. Les urbanistes, les services d’urgence et les décideurs politiques peuvent bénéficier d’outils qui renforcent l’infrastructure urbaine. En cas de crise, la capacité à maintenir le flux de trafic, même avec des ressources limitées, peut être vitale pour l’évacuation, la livraison de fournitures et la sécurité publique.
Les bénéfices économiques sont tangibles. En réduisant les détours inutiles et la consommation d’énergie, le système optimisé fait économiser de l’argent aux utilisateurs, prolonge la durée de vie des batteries et réduit l’usure des routes. Il minimise également les coûts indirects de la congestion. Pour les entreprises de flotte, cela se traduit par une plus grande rentabilité et une fiabilité accrue du service.
Du point de vue environnemental, le modèle soutient les objectifs de durabilité. En garantissant que les conducteurs de VE puissent toujours trouver une station fonctionnelle, il renforce la confiance dans la mobilité électrique et en favorise l’adoption. En même temps, en améliorant l’efficacité du réseau pendant les pannes, il réduit la nécessité de recourir à des générateurs de secours alimentés par des combustibles fossiles.
En conclusion, le travail de Xiao Wen et Wang Yang est un exemple marquant de la manière dont la science peut relever des défis urbains complexes avec des solutions pratiques et à fort impact. Ils ont créé un cadre qui ne résout pas seulement un problème immédiat, mais établit également une nouvelle norme pour la conception d’infrastructures intégrées. Alors que les menaces contre nos réseaux deviennent de plus en plus fréquentes, des innovations comme celle-ci seront fondamentales pour construire des villes qui ne soient pas seulement intelligentes, mais aussi véritablement résilientes.
Xiao Wen, Wang Yang, École de Génie Électrique et de l’Information, Université du Jiangsu. Publié dans Computer Development & Applications, DOI: 10.3969/j.issn.1000-386x.2024.07.008