Optimisation du stockage pour bornes de recharge solaires
L’essor fulgurant des véhicules électriques (VE) redéfinit le paysage de la mobilité, mais il soulève également une question cruciale : comment alimenter cette flotte croissante de manière durable et économique ? Les stations de recharge intégrant la production photovoltaïque et le stockage d’énergie (PSCS, Photovoltaic Energy Storage Charging Stations) émergent comme une réponse prometteuse, transformant les simples points de recharge en véritables micro-centrales énergétiques autonomes. Ces installations, en exploitant la lumière du soleil sur place, visent à réduire la dépendance au réseau électrique traditionnel, à diminuer les émissions de carbone et à stabiliser la demande d’électricité. Pourtant, leur conception optimale reste un défi complexe, freiné par deux incertitudes majeures : la variabilité inhérente de la production solaire et le comportement imprévisible des utilisateurs.
Une étude récente, publiée dans la revue Zhejiang Electric Power, propose une avancée significative dans ce domaine. Conduite par Jiang Yu, du Département de Génie Électrique de l’Institut de Technologie de Nanjing, cette recherche, à laquelle ont également contribué Lü Ganyun, Yu Xiangyi et Shan Tingting (Institut de Technologie de Nanjing), Jia Dexiang (Institut de Recherche Énergétique de State Grid) et Yu Ming et Wu Qiyu (Société Électrique de Jiangsu State Grid), introduit une méthode innovante pour dimensionner avec précision la capacité des systèmes de stockage dans une PSCS. Contrairement aux modèles simplistes, cette approche intègre une modélisation réaliste de l’incertitude solaire et des habitudes de recharge des usagers, offrant ainsi un cadre robuste pour maximiser à la fois la rentabilité et les bénéfices environnementaux de ces stations.
Maîtriser l’incertitude solaire par la création de scénarios
La production d’énergie photovoltaïque est fondamentalement volatile, fluctuant au gré des conditions météorologiques, de la saison et de l’heure de la journée. Une erreur fréquente dans la conception des PSCS consiste à se baser sur un « jour type » de production solaire, une simplification qui peut conduire à des erreurs de dimensionnement coûteuses. Un système surdimensionné entraîne des investissements inutiles dans des batteries, tandis qu’un système sous-dimensionné ne pourra pas faire face aux périodes de faible ensoleillement, obligeant la station à acheter de l’électricité coûteuse sur le réseau et compromettant sa viabilité économique.
Pour surmonter cette limitation, Jiang Yu et son équipe ont adopté une approche basée sur des scénarios multiples. Plutôt que de s’appuyer sur une moyenne, ils ont analysé une année complète de données historiques de production solaire provenant d’une ville du sud de la Chine. L’innovation réside dans l’utilisation d’une version améliorée de l’algorithme de clustering K-means pour regrouper ces données quotidiennes en profils distincts.
Le K-means classique peut produire des résultats instables en raison du choix aléatoire de ses points de départ. L’équipe a introduit deux améliorations clés. Premièrement, elle a sélectionné les centres initiaux des clusters en fonction de leur distance maximale les uns par rapport aux autres, garantissant ainsi une répartition initiale plus large et plus représentative. Deuxièmement, elle a remplacé la distance euclidienne standard par une fonction de noyau gaussien pour mesurer la similarité entre les points de données. Cette fonction est plus apte à capturer les relations non linéaires dans les données d’irradiation solaire.
Pour évaluer la qualité de ce regroupement, les chercheurs ont utilisé le coefficient de silhouette, une métrique qui mesure la cohésion interne des clusters et leur séparation entre eux. Un coefficient proche de 1 indique des clusters bien définis et distincts. La méthode améliorée a obtenu un coefficient de 0,628, surpassant nettement le K-means standard (0,478) et le K-means++ (0,598). Ce score plus élevé confirme que le modèle produit des groupes de jours avec des profils solaires plus homogènes et mieux séparés.
L’analyse a identifié trois scénarios principaux de production photovoltaïque, chacun associé à une probabilité d’occurrence :
- Scénario 1 (17,48 % de probabilité) : Jours nuageux ou pluvieux avec une faible production d’énergie solaire.
- Scénario 2 (27,89 % de probabilité) : Jours partiellement nuageux avec une production moyenne.
- Scénario 3 (54,64 % de probabilité) : Jours ensoleillés avec une forte production d’énergie solaire.
Cette représentation par scénarios multiples et probabilistes est fondamentale. Elle permet de concevoir un système de stockage qui est robuste face à une large gamme de conditions météorologiques réelles, plutôt que d’être optimisé pour un seul jour « moyen » irréaliste.
Modéliser le comportement des utilisateurs : une approche segmentée
L’autre pilier du modèle est une représentation précise et nuancée du comportement de recharge des utilisateurs. Le modèle ne traite pas tous les véhicules électriques de la même manière, mais les catégorise en trois types principaux, chacun ayant des schémas d’utilisation distincts : les bus, les taxis et les véhicules privés.
Les bus électriques fonctionnent selon des itinéraires fixes et des horaires stricts. Avec une autonomie journalière estimée entre 140 et 200 kilomètres et une batterie de 324 kWh, leur consommation énergétique élevée nécessite deux cycles de recharge par jour : un pendant une pause diurne pour assurer les opérations de l’après-midi et un autre pendant la nuit pour se préparer à la journée suivante. Ce schéma prévisible facilite la planification, mais leur forte demande influence significativement la charge totale de la station.
Les taxis électriques sont des véhicules à haute intensité d’utilisation, pouvant parcourir jusqu’à 400 km par jour. Comme les bus, ils ont besoin de deux recharges quotidiennes, généralement pendant les pauses déjeuner et les changements de quart nocturnes. Ils évitent délibérément les heures de pointe pour maximiser leur temps de conduite et leurs revenus, ce qui contribue à lisser la courbe de charge globale de la station.
Les véhicules privés représentent le segment le plus flexible et le plus imprévisible. Leur recharge a lieu principalement après le retour du travail ou à la fin d’une excursion le week-end. Pour modéliser cette variabilité, les chercheurs ont utilisé la méthode de Monte Carlo, réalisant des milliers de simulations où l’heure de retour à domicile et le kilométrage journalier sont échantillonnés à partir de distributions statistiques (normale pour l’heure de retour, log-normale pour le kilométrage). Cela génère une courbe de charge agrégée qui reflète avec précision la nature stochastique de la demande.
Un aspect particulièrement novateur du modèle est l’intégration de l’effet de la température ambiante sur la consommation énergétique du véhicule. Il est bien établi que les températures extrêmes réduisent l’autonomie des véhicules électriques en raison de la consommation d’énergie élevée du système de climatisation. L’équipe a utilisé une fonction polynomiale cubique, dérivée de données empiriques, pour décrire la relation entre la température (T) et la consommation énergétique par kilomètre (E). Ce niveau de détail permet une prédiction beaucoup plus précise de la demande énergétique journalière en fonction des conditions météorologiques, rendant le modèle plus robuste.
Réponse à la demande : transformer les utilisateurs en partenaires
Le modèle va au-delà de la simple prévision de la demande, en intégrant activement la réponse à la demande (demand response) comme un outil d’optimisation. Ce concept utilise des signaux de prix, comme les tarifs bi-horaires (ToU), pour inciter les utilisateurs à modifier leurs horaires de recharge.
L’étude se concentre sur les véhicules privés, dont les horaires de recharge sont les plus flexibles. Si le prix de la recharge est plus élevé pendant les heures de pointe (par exemple, de 16h à 24h), les utilisateurs peuvent être incités à reporter leur recharge aux heures nocturnes (de 0h à 8h), lorsque le prix est plus bas et que la station peut avoir de l’énergie solaire stockée disponible.
Pour quantifier cet effet, les chercheurs ont utilisé une matrice d’élasticité des prix. Cette matrice capture deux phénomènes : l’élasticité directe (comment la demande à un moment donné réagit à un changement de prix au même moment) et l’élasticité croisée (comment la demande à un moment donné réagit à un changement de prix à un autre moment). L’analyse a révélé qu’une augmentation du prix pendant les heures de pointe non seulement réduit la charge à ce moment-là, mais augmente également la charge pendant les heures creuses, créant un effet « creusement de la vallée et réduction du pic ».
Cette stratégie est avantageuse pour tous : les utilisateurs économisent en payant des tarifs plus bas, tandis que la station de recharge peut réduire son achat d’énergie coûteuse sur le réseau pendant les heures de pointe, améliorant ainsi sa rentabilité et réduisant la pression sur le réseau électrique.
Un modèle économique qui valorise le carbone
La contribution la plus significative de l’étude est l’intégration du coût des émissions de carbone dans le modèle économique. L’équipe reconnaît que lorsqu’une PSCS achète de l’électricité sur le réseau, elle hérite indirectement des émissions de CO₂ associées à la production de cette électricité, qui varie selon le mix énergétique du réseau (plus de charbon la nuit, plus de renouvelables pendant la journée).
Le modèle attribue un coût par kilogramme de CO₂ émis, basé sur des facteurs d’émission horaires. Ce coût est ajouté au coût direct d’achat d’énergie, créant ainsi un puissant incitatif économique pour minimiser l’achat sur le réseau, en particulier pendant les périodes de forte intensité carbone. L’objectif final n’est pas simplement de minimiser les coûts opérationnels, mais de maximiser le profit total, qui est défini comme :
- Coûts : Achat d’énergie sur le réseau + Coût des émissions de carbone + Coûts d’exploitation et de maintenance.
- Revenus : Vente d’énergie excédentaire au réseau + Revenus générés par la fourniture de services de recharge aux utilisateurs.
Cette approche holistique garantit que la solution optimale n’est pas seulement la plus rentable, mais aussi la plus durable sur le plan environnemental, en internalisant le coût externe des émissions de carbone.
Résultats de la simulation : démonstration de la valeur
Le modèle a été testé dans une étude de cas sur une PSCS résidentielle avec une installation photovoltaïque de 350 kWc. L’équipe a comparé cinq scénarios différents :
- Sans système photovoltaïque, sans réponse à la demande.
- Système photovoltaïque « typique », sans réponse à la demande.
- Système photovoltaïque « typique », avec réponse à la demande.
- Scénarios solaires multiples (incertitude), sans réponse à la demande.
- Scénarios solaires multiples (incertitude), avec réponse à la demande.
Les résultats ont été décisifs. Le scénario le plus avancé (scénarios multiples avec réponse à la demande) a déterminé une capacité de stockage optimale de 461 kWh, générant un profit journalier de 4 334,17 yuans. En revanche, le scénario utilisant des données solaires « typiques » nécessitait une batterie plus grande (496 kWh) mais générait un profit inférieur (4 218,21 yuans), démontrant ainsi l’inefficacité des modèles simplifiés.
L’impact environnemental a été encore plus impressionnant. Le scénario optimal a atteint les émissions journalières de CO₂ les plus basses : 8 218 kg, une amélioration significative par rapport au scénario de base sans photovoltaïque (9 310 kg). Même par rapport aux autres scénarios photovoltaïques, les émissions ont été substantiellement réduites.
Conclusion : vers une infrastructure intelligente et durable
La recherche de Jiang Yu et de ses collègues représente une étape cruciale vers un réseau de recharge de véhicules électriques plus intelligent et résilient. Elle démontre que l’optimisation ne peut pas se baser sur des données moyennes ou simplifiées, mais exige une approche sophistiquée qui embrasse l’incertitude.
En intégrant un clustering avancé, une simulation stochastique du comportement des utilisateurs, une modélisation de la réponse à la demande et un modèle économique qui inclut le coût du carbone, l’équipe a créé un cadre de référence qui peut guider les développeurs, les gestionnaires de réseaux et les décideurs politiques. Ce travail n’est pas qu’un exercice académique ; c’est une boussole pratique pour construire une infrastructure de recharge qui est véritablement durable, économique et prête pour l’avenir.
Jiang Yu, Lü Ganyun, Jia Dexiang, Yu Xiangyi, Yu Ming, Wu Qiyu, Shan Tingting, Département de Génie Électrique, Institut de Technologie de Nanjing; Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405002