Optimisation du routage des véhicules électriques selon les conditions dynamiques
Dans le paysage en pleine évolution de la logistique urbaine, les véhicules électriques (VE) sont de plus en plus perçus comme une pierre angulaire du transport durable de marchandises. Alors que les villes du monde entier s’efforcent de décarboner leurs activités, les opérations de livraison du dernier kilomètre sont soumises à une pression croissante pour réduire les émissions tout en maintenant l’efficacité et la fiabilité. Cependant, malgré l’adoption croissante de flottes électriques, de nombreux modèles opérationnels reposent encore sur des hypothèses trop simplifiées – telles qu’une vitesse constante du véhicule et une consommation d’énergie fixe – qui ne reflètent pas les complexités du monde réel. Une étude novatrice menée par des chercheurs de l’Université Jimei à Xiamen, en Chine, a désormais introduit une approche plus réaliste et économique du routage des véhicules électriques en intégrant des variables environnementales dynamiques dans l’optimisation des itinéraires.
Dirigée par le chercheur postuniversitaire Ni Zhou, sous la supervision de la professeure associée Wen Wang du Collège de navigation de l’Université Jimei, l’équipe a développé un modèle de routage avancé qui prend en compte les fluctuations de la vitesse de conduite causées par les conditions météorologiques et les modèles de trafic tout au long de la journée. Publié dans le Journal de l’Université Jimei (édition sciences naturelles), leurs travaux présentent un cadre complet pour optimiser les itinéraires de livraison des véhicules électriques à échange de batteries dans des conditions variables dans le temps, offrant des perspectives pratiques aux entreprises de logistique visant à améliorer à la fois la performance économique et la qualité de service.
La recherche comble une lacune critique dans la littérature actuelle sur le routage des VE. Bien que de nombreuses études aient exploré la planification de trajectoire des véhicules électriques, la plupart supposent des vitesses de déplacement uniformes et une consommation d’énergie constante par kilomètre. Ces modèles statiques peuvent produire des solutions théoriquement optimales, mais se révèlent souvent inadéquats lorsqu’ils sont appliqués à des scénarios réels où la pluie, la neige, le brouillard ou les embouteillages aux heures de pointe affectent considérablement les performances du véhicule. En revanche, le nouveau modèle intègre explicitement l’influence de facteurs externes tels que la météo et les périodes de trafic intense sur la vitesse de conduite, ce qui affecte à son tour la consommation d’énergie et les coûts globaux de livraison.
Au cœur de cette innovation se trouve la reconnaissance que la vitesse du véhicule n’est pas un paramètre fixe, mais une variable façonnée par la dynamique environnementale. S’appuyant sur des recherches antérieures concernant la réduction des vitesses de déplacement moyennes par les intempéries, l’équipe a quantifié ces effets à l’aide de données empiriques. Par exemple, de fortes pluies peuvent réduire les vitesses de conduite en milieu urbain jusqu’à 30 %, tandis que la neige et le brouillard dense entraînent des ralentissements encore plus importants en raison d’une visibilité réduite et de l’état glissant de la chaussée. Ces variations sont modélisées grâce à un facteur d’ajustement de la vitesse (θ), représentant la réduction en pourcentage de la vitesse moyenne basée sur les conditions ambiantes.
De manière cruciale, le modèle lie cette vitesse variable directement à la consommation d’énergie. Au lieu de supposer une utilisation linéaire de l’énergie, il adopte une fonction quadratique dérivée d’études empiriques montrant que la dépense énergétique par kilomètre augmente avec la vitesse – mais seulement jusqu’à un certain point. Au-delà d’environ 50 km/h, la traînée aérodynamique commence à dominer, provoquant une augmentation rapide de la demande de puissance. Cette relation non linéaire signifie que de petits changements de vitesse peuvent avoir des impacts disproportionnés sur la décharge de la batterie, rendant une modélisation précise de la vitesse essentielle pour prévoir l’autonomie et déterminer les stratégies optimales de recharge – ou dans ce cas, d’échange de batteries.
L’étude se concentre spécifiquement sur les véhicules logistiques électriques à échange de batteries, une technologie qui gagne du terrain en Chine et dans d’autres parties de l’Asie. Contrairement à la recharge conventionnelle par prise, qui peut prendre des dizaines de minutes voire des heures, l’échange de batteries permet aux conducteurs d’échanger des batteries déchargées contre des batteries entièrement chargées en quelques minutes seulement, minimisant ainsi les temps d’arrêt. Cette capacité la rend particulièrement adaptée aux opérations de livraison urbaine à haute fréquence où le temps, c’est de l’argent.
Cependant, une utilisation efficace des stations d’échange nécessite une planification intelligente. Placer simplement des échanges le long d’un itinéraire sans tenir compte du timing, de la charge et des niveaux d’énergie pourrait entraîner des détours inutiles ou des livraisons manquées. Le modèle de l’équipe de l’Université Jimei intègre tous ces éléments : la capacité de charge du véhicule, les créneaux horaires des clients, l’état de charge de la batterie et l’emplacement des stations d’échange disponibles. Il garantit que chaque véhicule quitte le dépôt entièrement chargé, dessert une séquence de clients dans leurs créneaux horaires demandés, effectue des échanges si nécessaire et retourne à la base – le tout en minimisant le coût opérationnel total.
Ce coût comprend trois éléments clés : les frais fixes d’utilisation du véhicule, les dépenses d’électricité et les pénalités basées sur le temps. Ces dernières reflètent les conséquences financières des arrivées précoces ou tardives. Si un chauffeur arrive avant le créneau horaire préféré d’un client, il doit attendre, engendrant des coûts de temps d’inactivité. Arriver en retard déclenche des frais de pénalité, potentiellement préjudiciables aux relations client. Le modèle traite à la fois l’attente et les retards comme des résultats indésirables, leur attribuant des valeurs monétaires à minimiser dans le processus d’optimisation.
Pour résoudre ce problème complexe à multiples contraintes, les chercheurs ont employé un algorithme génétique – une méthode de recherche heuristique inspirée de l’évolution biologique. Connu pour sa capacité à explorer efficacement de vastes espaces de solutions, l’algorithme génétique commence avec une population d’itinéraires générés aléatoirement et les améliore de manière itérative grâce à des opérations de sélection, de croisement et de mutation. Les itinéraires performants (ceux avec des coûts totaux inférieurs) sont plus susceptibles de transmettre leurs « gènes » (segments d’itinéraire) à la génération suivante, convergeant progressivement vers des solutions quasi optimales.
La mise en œuvre a utilisé un codage en nombres réels plutôt que des chaînes binaires, permettant une représentation plus fluide des séquences d’itinéraires. La sélection a été effectuée via un échantillonnage par roulette, assurant la diversité du pool génétique tout en favorisant les individus les plus adaptés. Un croisement à point unique et une mutation aléatoire ont été appliqués à de faibles taux pour équilibrer exploration et exploitation, évitant une convergence prématurée vers des résultats sous-optimaux.
Les tests ont été conduits en utilisant un réseau de livraison urbaine simulé comprenant un dépôt central, 30 nœuds clients et plusieurs stations d’échange de batteries. Des coordonnées géographiques réelles ont été utilisées pour calculer les distances entre les nœuds, et les demandes des clients ainsi que les créneaux de service ont été attribués sur la base de profils types de livraison de colis. La simulation a été exécutée sous quatre scénarios météorologiques distincts : conditions ensoleillées, pluvieuses, neigeuses et brumeuses, chacune affectant différemment les vitesses des véhicules.
Les résultats ont démontré les avantages évidents du modèle dynamique par rapport aux approches traditionnelles à vitesse fixe. Par conditions ensoleillées, avec une interférence de trafic minimale, les itinéraires optimisés ont atteint un coût total de 1 865 ¥. Sous la pluie, le coût est passé à 2 201,60 ¥ en raison de vitesses plus lentes et d’une consommation d’énergie plus élevée ; la neige l’a encore augmenté à 2 022,30 ¥, tandis que le brouillard – la condition la plus perturbatrice – a porté le total à 2 426,80 ¥. Ces chiffres soulignent la sensibilité de l’économie logistique à la variabilité environnementale.
Plus important encore, la structure des itinéraires optimaux a changé de manière significative selon les conditions. Par beau temps, les véhicules pouvaient se permettre des trajets légèrement plus longs s’ils permettaient un meilleur regroupement de clients à proximité ou évitaient les zones congestionnées plus tard dans la journée. Par mauvais temps, des itinéraires plus courts et plus directs sont devenus préférables pour minimiser l’exposition aux retards et une décharge excessive de la batterie. Certains clients qui recevaient des livraisons tôt le matin par beau temps ont été reprogrammés pour des créneaux en milieu de journée pendant la pluie, reflétant des prévisions d’arrivée ajustées basées sur des vitesses de croisière réduites.
Une analyse comparative a révélé un autre aperçu clé : la vitesse dite « la plus écoénergétique » d’environ 54 km/h – où la résistance au roulement et la traînée aérodynamique s’équilibrent pour minimiser les kWh/km – n’est pas toujours le meilleur choix en pratique. Lorsque les vitesses moyennes étaient contraintes en dessous de 50 km/h (typique en milieu urbain), le modèle dynamique surpassait toute stratégie à vitesse fixe. Ce n’est qu’en opérant au-dessus de 50 km/h que le maintien d’un rythme régulier près du pic d’efficacité théorique produisait des coûts inférieurs. Étant donné que les véhicules de livraison urbains maintiennent rarement de telles vitesses sur de longues périodes, l’approche adaptative et sensible aux conditions s’est avérée supérieure dans presque tous les cas testés.
L’une des conclusions les plus convaincantes fut le degré auquel les pénalités temporelles influençaient les décisions de routage. Parce que les livraisons tardives engendraient un coût de 0,50 ¥ par minute, l’algorithme priorisait la ponctualité même au prix d’une utilisation d’énergie marginalement plus élevée. Ce compromis souligne l’importance d’intégrer des indicateurs de satisfaction client dans la planification logistique. Une livraison pourrait techniquement réussir – les marchandises arrivent, la batterie reste suffisante – mais si elle perturbe l’emploi du temps du destinataire, la proposition de valeur globale en pâtit.
De plus, le modèle prenait en compte le fait qu’arriver trop tôt entraîne également des coûts cachés. Bien qu’aucun frais explicite ne soit fixé pour l’attente (λ₁ = 0), une inactivité prolongée gaspille des heures de travail et immobilise l’équipement. Le système favorisait donc les itinéraires où les heures d’arrivée coïncidaient étroitement avec le début des créneaux de service, maximisant l’utilisation des actifs sans risquer de pénalités.
D’un point de vue managérial, les implications sont significatives. Les entreprises logistiques déployant des flottes électriques ne peuvent plus traiter les logiciels de routage comme un outil universel. Au lieu de cela, elles doivent adopter des systèmes capables de s’adapter en temps réel aux conditions changeantes. L’intégration de flux météorologiques en direct, de mises à jour du trafic et d’analyses prédictives permettrait un reroutage dynamique en cours de route, renforçant davantage la résilience et le contrôle des coûts.
L’étude renforce également la valeur stratégique d’une infrastructure d’échange de batteries bien placée. Avec des temps d’échange moyens de seulement quelques minutes, ces stations fonctionnent comme des multiplicateurs de force pour les flottes de VE. Mais leur efficacité dépend de l’accessibilité et de l’intégration dans la planification des itinéraires. Le modèle montre que même avec de nombreuses options d’échange, un placement inefficace par rapport aux clusters de livraison peut annuler les bénéfices. Les investissements futurs devraient donc aligner le déploiement des stations avec les corridors de livraison à haute densité et les modèles de demande anticipés.
Bien que le modèle actuel suppose une disponibilité illimitée des batteries aux points d’échange et aucune attente – une approximation raisonnable compte tenu des niveaux de service élevés dans les installations modernes – les itérations futures pourraient incorporer les effets de congestion. Pendant les heures de livraison de pointe, les stations d’échange populaires pourraient connaître des goulets d’étranglement temporaires, ajoutant de l’imprévisibilité. Modéliser de tels éléments stochastiques rendrait le système encore plus robuste.
Un autre domaine d’expansion concerne les réseaux multi-dépôts. La présente étude se concentre sur un centre de distribution unique, courant dans les petites villes ou les hubs régionaux. Les grandes zones métropolitaines opèrent souvent des centres de fulfillment décentralisés pour raccourcir les rayons de livraison. Étendre le modèle pour coordonner plusieurs dépôts, éventuellement avec des flottes de véhicules partagées, refléterait la complexité des opérateurs logistiques nationaux.
De plus, l’intégration de la logistique inverse – gérer les retours, les échanges ou les emballages recyclables – pourrait fournir une image plus complète des flux de fret urbain. De nombreuses livraisons de commerce électronique incluent désormais des étiquettes de retour, transformant les trajets à sens unique en obligations aller-retour. Planifier un mouvement de cargaison bidirectionnel ajoute une autre couche de complexité mais offre des opportunités de consolidation et une meilleure utilisation des ressources.
Malgré ces améliorations potentielles, le cadre existant fournit déjà des informations exploitables. Sa validation par des simulations répétées sur divers types de conditions météorologiques confirme sa stabilité et son adaptabilité. L’algorithme génétique a convergé de manière constante en moins de 200 générations, produisant des solutions fiables dans un temps de calcul acceptable sur du matériel standard. Cette efficacité suggère une extensibilité à des ensembles de données plus importants, incluant des centaines de clients et des dizaines de véhicules, avec seulement des augmentations modestes des besoins de traitement.
Pour les praticiens de l’industrie, la conclusion est claire : embrasser les variables dynamiques n’est pas seulement un exercice académique – cela se traduit directement par des économies sur le résultat net et une fiabilité de service améliorée. Les entreprises qui continuent de s’appuyer sur une logique de routage statique et dépassée risquent des inefficacités qui s’accumulent sur des milliers de trajets quotidiens. Celles qui adoptent des modèles plus intelligents et réactifs sont en mesure de gagner un avantage concurrentiel grâce à des factures de carburant (électricité) réduites, moins de frais de pénalité et une meilleure fidélisation de la clientèle.
Les décideurs politiques peuvent également tirer des leçons de cette recherche. Les décisions d’urbanisme – telles que la conception des routes, la coordination des feux de signalisation et les voies prioritaires pour les transports en commun – affectent les vitesses des véhicules commerciaux et, par extension, l’utilisation de l’énergie et les émissions. Des modèles basés sur les données comme celui développé à l’Université Jimei peuvent éclairer les investissements en infrastructure en quantifiant les impacts en aval des politiques de mobilité sur l’efficacité du fret.
De plus, les incitations pour les technologies de livraison propre devraient prendre en compte les réalités opérationnelles. Les subventions à l’achat de VE sont importantes, mais un soutien tout aussi vital est nécessaire pour l’infrastructure habilitante – comme des réseaux d’échange de batteries standardisés et interopérables – et les outils numériques qui maximisent la productivité des véhicules. Sans un routage intelligent, même les fourgonnettes électriques les plus avancées peuvent sous-performer par rapport aux flottes de moteurs à combustion interne optimisées.
Les programmes de formation et d’éducation pour les professionnels de la logistique devraient également évoluer. Comprendre l’interaction entre la vitesse, l’énergie et la planification deviendra de plus en plus crucial pour les répartiteurs,