Optimisation en Trois Couches pour la Charge des Véhicules Électriques
L’essor inarrêtable des véhicules électriques (VE) redéfinit profondément notre rapport à la mobilité, mais il soulève également des défis d’une complexité croissante pour les infrastructures urbaines. À mesure que des millions de nouveaux consommateurs d’électricité prennent la route, les réseaux électriques et les systèmes de transport sont soumis à une pression sans précédent. Le chargement non coordonné, en particulier durant les heures de pointe, peut provoquer des pics de demande qui menacent la stabilité du réseau, augmentent les pertes d’énergie, causent des fluctuations de tension et génèrent des embouteillages autour des stations de recharge. Les conducteurs, quant à eux, cherchent souvent la station la plus proche, ignorant les files d’attente, ce qui aggrave le problème. Dans ce contexte, une solution holistique et intelligente devient non pas une option, mais une nécessité. C’est précisément à ce défi que répond une équipe de chercheurs de l’Université de Jiliang de Chine avec une innovation majeure : un modèle d’optimisation en trois couches, conçu pour équilibrer avec une précision remarquable les intérêts du réseau électrique, de la circulation routière et des propriétaires de véhicules électriques.
Le travail, mené par Wang Haodong, Yu Jiangtao et Zheng Di du Collège de génie mécanique et électrique de l’Université de Jiliang de Chine, et publié dans la revue prestigieuse Modern Electronics Technique, introduit une méthode d’optimisation « véhicule-route-réseau ». Contrairement aux approches traditionnelles qui traitent le réseau électrique, le trafic et le comportement des utilisateurs comme des problèmes isolés, cette recherche propose un système intégré où ces trois dimensions sont optimisées simultanément. L’objectif n’est pas de simplement réduire les coûts pour le gestionnaire de réseau ou de raccourcir le temps de trajet, mais de parvenir à un équilibre où tous les acteurs – le réseau, la ville et le conducteur – en tirent bénéfice. Ce paradigme est fondamental pour le développement de villes intelligentes et durables, où la transition vers l’électrique est gérée de manière proactive et intelligente.
Le cœur de cette recherche réside dans son architecture en trois couches, qui reflète la nature intrinsèquement interconnectée du problème. La couche supérieure du modèle opère à un niveau macro, en se concentrant sur la stabilité et l’efficacité du réseau de distribution électrique. Son objectif principal est de minimiser la variance de la charge équivalente sur un cycle de 24 heures. En termes simples, il s’agit de lisser les pics et de combler les creux de la courbe de charge, une stratégie connue sous le nom de « délestage » ou « lissage de la charge ». Cette opération est cruciale pour la santé du réseau, car de grandes fluctuations augmentent le risque de pannes, obligent à utiliser des centrales de pointe inefficaces et coûtent cher, et augmentent les pertes de transmission. Pour atteindre cet objectif, la couche supérieure utilise un algorithme d’optimisation inspiré de la nature, la « recherche du coucou » (Cuckoo Search, CS). Cette technique est particulièrement efficace pour échapper aux solutions sous-optimales et trouver des configurations idéales à l’échelle globale. Le résultat est un programme horaire précis de la puissance de charge et de décharge totale des VE, qui sert de signal directeur pour les couches inférieures, définissant combien de puissance le système peut consommer ou fournir à chaque instant.
La couche intermédiaire intervient au niveau du réseau de distribution, traduisant le plan macro de la couche supérieure en actions concrètes pour chaque station de recharge individuelle. C’est ici que réside l’une des principales innovations du modèle : il ne se contente pas de considérer la puissance active (l’énergie qui effectue un travail utile), mais intègre également la puissance réactive (l’énergie nécessaire pour maintenir les champs électromagnétiques dans les équipements). La plupart des modèles antérieurs ignoraient la puissance réactive, pourtant elle joue un rôle crucial dans la stabilité de la tension. En optimisant simultanément les deux, le modèle peut prévenir les baisses ou les pics de tension et réduire drastiquement les pertes actives dans le réseau. L’objectif de cette couche est de minimiser la perte totale de puissance active sur tous les câbles et transformateurs du système. Pour résoudre ce problème mathématique complexe et non linéaire, les chercheurs emploient une technique sophistiquée appelée « relaxation de cône du second ordre » (SOCR). Cette méthode transforme les équations du flux de puissance, intrinsèquement difficiles à résoudre, en une forme convexe qui peut être traitée de manière efficace et précise par des solveurs commerciaux comme CPLEX. Le résultat est une allocation optimale de puissance active et réactive pour chaque station de recharge, garantissant que le réseau fonctionne dans ses limites de sécurité tout en maximisant son efficacité.
La couche inférieure est le point de contact direct avec la réalité du conducteur au quotidien. C’est ici que le modèle se connecte directement à l’utilisateur, dont l’objectif est de minimiser son « coût total de recharge ». Ce concept est révolutionnaire car il va bien au-delà du simple prix de l’électricité. Il intègre la valeur du temps du conducteur, une ressource précieuse. Le coût total est donc la somme du temps passé à conduire jusqu’à la station, du temps passé à attendre en file d’attente et du coût direct de l’énergie consommée. Pour trouver le chemin le plus efficace, le modèle utilise un algorithme de Dijkstra, qui analyse une matrice d’adjacence représentant le réseau routier. Chaque segment de route a un poids basé sur la distance et le niveau de congestion. Un élément critique est la modélisation du temps d’attente en file d’attente, qui dépend du taux d’arrivée des autres véhicules – un effet de rétroaction où le choix d’un conducteur affecte directement l’expérience du suivant. La couche inférieure reçoit de la couche intermédiaire des informations sur la capacité de fourniture de puissance de chaque station, garantissant que la station choisie peut effectivement recharger le véhicule. Le résultat est un plan de recharge personnalisé qui présente au conducteur le parcours et la station qui minimisent son coût total, en équilibrant astucieusement la distance du trajet avec le temps d’attente.
La véritable force du modèle réside dans l’interaction dynamique entre ces trois couches, formant un système de contrôle en boucle fermée. Ce n’est pas une simple chaîne de montage linéaire, mais un dialogue continu. La couche supérieure fixe le scénario global de puissance. La couche intermédiaire distribue cette puissance entre les stations. La couche inférieure, en dirigeant les conducteurs vers des stations spécifiques en fonction du coût total, modifie la demande locale, ce qui est ensuite réinjecté vers les couches supérieures. Cela permet au système de s’adapter dynamiquement, en prévoyant les congestions aux files d’attente et en redistribuant la charge de manière proactive, évitant ainsi la formation de points chauds qui pourraient surcharger une station ou un tronçon de route.
Pour valider leur théorie, l’équipe de l’Université de Jiliang de Chine a mené une simulation détaillée basée sur un scénario réel à Hangzhou, en Chine. Ils ont modélisé une zone urbaine complexe avec un réseau routier divisé en zones résidentielles, commerciales, de travail, scolaires et de loisirs. Une flotte de 1 000 véhicules électriques, tous du modèle Zeekr 001 avec une batterie de 100 kWh, a été intégrée à cet environnement. L’infrastructure électrique était basée sur le système de distribution standard IEEE-33 nœuds, mais étendue avec cinq stations de recharge, deux fermes solaires photovoltaïques et deux éoliennes, permettant une analyse réaliste de l’interaction entre les VE et les sources d’énergie renouvelable.
La simulation a comparé trois scénarios distincts. Le premier était un cas témoin sans VE connectés au réseau. Le deuxième représentait une approche « véhicule-réseau », où la recharge était optimisée pour le bénéfice du réseau électrique, mais sans tenir compte de l’impact sur le trafic. Le troisième était le modèle complet « véhicule-route-réseau » proposé par les chercheurs.
Les résultats ont été extraordinaires. Par rapport à un chargement non coordonné, l’optimisation en trois couches a réduit la variance de la charge équivalente du système de 72,82 %. Cela représente une stabilisation massive du réseau, réduisant considérablement la contrainte sur les équipements et la nécessité de ressources coûteuses de pointe. Encore plus impressionnant, les pertes actives dans le réseau ont été réduites de 83,41 %. Il s’agit d’une amélioration directe de l’efficacité du système, ce qui se traduit par moins d’énergie gaspillée sous forme de chaleur et, par conséquent, par des émissions de carbone et des coûts opérationnels moindres. Le modèle a également amélioré de manière significative la stabilité de la tension, réduisant l’écart de tension de plus de 72 % par rapport au cas non coordonné, garantissant ainsi une alimentation électrique de haute qualité pour tous les utilisateurs.
Du point de vue du conducteur, les avantages étaient tout aussi convaincants. Les chercheurs ont comparé trois stratégies de choix de station dans le cadre du cadre d’optimisation. Dans la première, les conducteurs choisissaient la station avec le temps de conduite le plus court, ignorant les files d’attente. Dans la deuxième, ils choisissaient la station avec le temps d’attente le plus court, ignorant la distance. Dans la troisième, ils utilisaient le modèle complet pour minimiser le coût total. Les conducteurs qui n’ont priorisé que le temps de conduite se sont retrouvés avec de longues attentes, augmentant leur coût total. Ceux qui n’ont priorisé que la file d’attente ont dû parcourir de très longues distances, augmentant leur temps de trajet et leur consommation d’énergie. Les conducteurs qui ont suivi la recommandation du modèle à trois couches, en revanche, ont atteint le coût total le plus bas possible, le réduisant de 8,89 % par rapport à la stratégie de conduite la plus courte et de 4,51 % par rapport à la stratégie d’attente la plus courte. Cette démonstration pratique montre que l’approche holistique conduit à des décisions plus intelligentes et à de meilleurs résultats pour l’utilisateur final.
Le succès de cette recherche réside dans son approche équilibrée et pragmatique. Elle ne sacrifie pas un intérêt au profit d’un autre. Au contraire, elle cherche une solution dite de Pareto où le réseau électrique fonctionne plus efficacement, le réseau routier circule avec moins de congestion et le conducteur paie moins et passe moins de temps à charger. Cette triple alliance de bénéfices est la clé de l’adoption massive des véhicules électriques. Pour les compagnies d’électricité, cela signifie un réseau plus stable et plus économique. Pour les urbanistes, cela signifie des villes avec un trafic plus fluide. Pour les consommateurs, cela signifie une expérience de propriété de VE plus pratique et abordable.
Les implications de ce travail vont bien au-delà des simples chiffres de la simulation. Il fournit une feuille de route pour l’avenir des villes intelligentes, où l’intégration de technologies comme les VE, les maisons intelligentes et les véhicules autonomes exigera des modèles d’optimisation de plus en plus sophistiqués et intégrés. Cette recherche démontre qu’en modélisant l’interconnexion entre différents systèmes urbains, nous pouvons créer des solutions qui sont bien plus que la somme de leurs parties.
Bien que l’étude soit une avancée significative, les auteurs reconnaissent des limites, comme l’échelle du modèle de simulation et l’homogénéité de la flotte. Les travaux futurs devront étendre le modèle à des réseaux plus vastes et intégrer une diversité plus grande de comportements de conducteurs et de types de véhicules. Néanmoins, la méthode d’optimisation de la recharge en trois couches représente un bond en avant monumental. Elle déplace la conversation de la simple « gestion » de la recharge des VE vers une « orchestration » intelligente d’une flotte de véhicules en tant qu’actif précieux pour toute la ville. Alors que le monde progresse vers la mobilité électrique, des stratégies comme celle-ci seront essentielles pour garantir que la transition soit non seulement verte, mais aussi intelligente, efficace et bénéfique pour tous.
Wang Haodong, Yu Jiangtao, Zheng Di, Université de Jiliang de Chine, Modern Electronics Technique, DOI: 10.16652/j.issn.1004⁃373x.2024.10.030