Optimisation intelligente des bornes de recharge pour véhicules électriques
L’essor fulgurant des véhicules électriques (VE) est l’un des phénomènes les plus marquants de la décennie. Partout dans le monde, les conducteurs abandonnent progressivement les moteurs à combustion pour adopter une mobilité plus propre, plus silencieuse et plus connectée. Cependant, cette révolution silencieuse sur les routes cache un défi colossal en coulisses : la pression croissante sur les réseaux électriques. Chaque fois qu’un conducteur branche son véhicule, il ajoute une nouvelle charge à un système déjà complexe. Lorsque des centaines, voire des milliers de VE se connectent simultanément, notamment en fin de journée, le risque de surcharger les transformateurs, de créer des pics de consommation coûteux et d’instabilité pour le réseau devient une réalité tangible. Ce défi est encore amplifié pour les stations de recharge qui intègrent des sources d’énergie renouvelable, comme le solaire ou l’éolien, dont la production est par nature intermittente et imprévisible. Dans ce contexte, une solution purement passive – simplement fournir une prise – est devenue obsolète. L’avenir réside dans l’intelligence, dans la capacité à anticiper, à prévoir et à optimiser. C’est précisément cette vision qu’incarne une recherche pionnière menée par une équipe de scientifiques chinois, qui propose une stratégie de gestion dynamique capable de transformer les stations de recharge en véritables nœuds énergétiques intelligents.
Cette étude, dirigée par Zhou Zhuo de Jiangsu Wiscom System Co., Ltd. et réalisée en collaboration étroite avec Lu Xiang, Liu Haitao, Qi Shenglong, Han Tao et Wang Qing, des institutions de recherche de premier plan telles que l’Institut de recherche sur l’électricité de State Grid Ningxia et l’Université de Nanchang, introduit un cadre d’optimisation en ligne révolutionnaire. Publié dans le numéro de février 2024 de la revue spécialisée Electrical Measurement & Instrumentation, le travail présente un algorithme qui recalibre en temps réel, toutes les 15 minutes, le plan de charge de chaque borne pour les 24 heures à venir. Ce n’est pas un simple ajustement, mais une refonte complète du processus de gestion. Le système ne se contente pas de réagir aux conditions actuelles ; il anticipe l’avenir en intégrant un ensemble de données dynamiques : l’état de charge (SOC) des véhicules connectés, la durée de stationnement prévue par leurs propriétaires, la distance du prochain trajet (qui détermine le niveau de charge nécessaire), la production énergétique prévue des panneaux solaires et des éoliennes sur place, ainsi que les tarifs variables de l’électricité. L’objectif ultime est de créer un équilibre parfait entre trois impératifs : maximiser la consommation directe de l’énergie verte produite localement, minimiser les coûts d’exploitation en évitant d’acheter de l’électricité au réseau aux heures les plus chères, et enfin, lisser la demande globale pour préserver la stabilité du réseau électrique.
Le cœur du problème que cette recherche tente de résoudre est d’une complexité mathématique redoutable. Imaginez une station de recharge de 60 bornes, chacune pouvant être utilisée par des véhicules ayant des besoins, des horaires et des préférences de charge différents. L’optimisation de la puissance de charge pour chaque borne, à chaque intervalle de 15 minutes, sur un horizon de 24 heures, crée une matrice de décision gigantesque, comptant des milliers de variables. Un algorithme traditionnel qui tenterait de résoudre ce problème en une seule fois serait condamné à des temps de calcul prohibitifs, rendant impossible une mise à jour en temps réel. C’est là que réside la véritable innovation de l’équipe de recherche : une approche en deux étapes qui réduit radicalement la complexité du problème avant même que le calcul intensif ne commence.
La première étape, décrite comme une « classification des variables de décision basée sur l’état », est une opération de tri intelligente. Avant de lancer l’algorithme d’optimisation principal, le système analyse l’état de chaque borne de recharge et la classe dans l’une des trois catégories suivantes. La première catégorie regroupe les bornes inoccupées ou connectées à un véhicule dont la batterie est déjà pleine. Pour ces bornes, la décision est évidente : aucune action n’est requise. Elles sont immédiatement retirées du processus d’optimisation, ce qui réduit déjà le champ de bataille.
La deuxième catégorie concerne les véhicules dont l’état de charge est si bas que, même en chargeant à pleine puissance pendant toute la durée de leur stationnement, ils ne parviendront pas à atteindre le niveau de charge nécessaire pour leur prochain trajet. Pour ces véhicules, la stratégie optimale est également claire et sans ambiguïté : charger à 100% de la puissance disponible, sans interruption, dès qu’ils se connectent. Leur plan de charge est donc fixé de manière déterministe et ils sont eux aussi exclus du calcul dynamique.
Ce tri préliminaire laisse une troisième catégorie, la plus intéressante : les véhicules dont le besoin de charge est « flexible ». Ce sont ceux qui ont suffisamment de temps de stationnement pour atteindre leur objectif de charge, même s’ils ne chargent pas à pleine puissance en continu. C’est uniquement pour ce groupe réduit de véhicules que l’algorithme d’optimisation complet, un algorithme d’évolution différentielle (DEA) modifié, est déployé. Cette étape de classification est la clé du succès, car elle réduit drastiquement le nombre de variables à optimiser, parfois de plus de la moitié. Cette réduction de dimension est ce qui rend l’ensemble du processus viable et rapide.
L’algorithme d’évolution différentielle (DEA) est alors chargé d’explorer l’espace des solutions pour ce groupe restreint. Inspiré par les mécanismes de la sélection naturelle, le DEA fonctionne en générant une population de plans de charge candidats. Ces plans subissent ensuite des opérations de « mutation » (modification aléatoire), de « croisement » (combinaison de traits de différents plans) et de « sélection » (conservation des meilleurs plans). Ce processus itératif permet à l’algorithme de converger vers une solution optimale sans se coincer dans des optima locaux, un piège fréquent pour d’autres méthodes. L’objectif de cette optimisation est une fonction pondérée qui cherche à minimiser trois critères simultanément : la différence entre la charge des véhicules et la production d’énergie renouvelable (pour maximiser l’autoconsommation), le coût total de l’électricité achetée au réseau (en privilégiant les heures creuses), et la variance de la puissance prélevée sur le réseau (pour éviter les pics et les creux brusques).
Pour valider leur stratégie, les chercheurs ont mené des simulations approfondies sur une période d’une semaine complète, en utilisant des données réelles de production d’énergie solaire et éolienne, ainsi que des modèles de comportement de conduite et de stationnement basés sur des études statistiques. Ils ont comparé leur stratégie d’optimisation intelligente à deux scénarios de « charge désordonnée » : un où tous les véhicules chargent à pleine puissance dès leur arrivée, et un autre où ils chargent uniquement jusqu’au niveau nécessaire pour leur prochain trajet, mais sans aucune coordination.
Les résultats ont été spectaculaires. Par rapport à la charge désordonnée, la stratégie optimisée a réduit de 57% l’écart quadratique moyen entre la charge des véhicules et la production d’énergie renouvelable. Cela signifie que la station de recharge a pu consommer directement une bien plus grande part de son électricité verte, réduisant ainsi le gaspillage et augmentant son autonomie énergétique. Sur le plan économique, l’impact a été tout aussi frappant. Le coût total de l’électricité pour la station a chuté de 23%, passant de 24 800 RMB à 19 000 RMB pour la semaine de simulation. Cette économie substantielle est un argument décisif pour les exploitants de stations, qui peuvent ainsi améliorer leur rentabilité ou proposer des tarifs de recharge plus compétitifs.
L’impact sur le réseau électrique a été tout aussi bénéfique. La puissance de pointe prélevée par la station sur le réseau principal a été réduite de plus de 30%. La courbe de charge, qui était auparavant caractérisée par de brusques pics, est devenue remarquablement plate et prévisible. Ce « lissage de charge » est une aubaine pour les gestionnaires de réseau, car il diminue la probabilité de défaillances, réduit la nécessité d’investissements coûteux dans le renforcement des infrastructures et améliore la qualité de la fourniture d’électricité pour tous les utilisateurs.
Un aspect crucial de cette recherche est sa viabilité pratique, qui repose sur la rapidité de calcul. Le système a réussi à recalculer un nouveau plan de charge de 24 heures en une moyenne de seulement 18,7 secondes. Cela se situe bien en dessous de l’intervalle de mise à jour de 15 minutes, garantissant que le système fonctionne véritablement en temps réel. Cette performance, qui représente une amélioration de 28% par rapport aux méthodes d’optimisation classiques, démontre que la solution n’est pas seulement théoriquement solide, mais aussi techniquement réalisable avec du matériel informatique standard.
Les implications de cette étude vont bien au-delà de l’efficacité d’une seule station. Elle propose un nouveau paradigme pour l’infrastructure de recharge : passer d’un consommateur passif à un acteur actif et intelligent dans le système énergétique. Une station de recharge gérée de cette manière peut devenir un outil précieux pour la gestion de la demande. Elle pourrait participer à des programmes de « réponse à la demande », où elle réduit volontairement sa consommation pendant les périodes de pointe en échange d’incitations financières. Elle pourrait également être intégrée à des systèmes de gestion énergétique de bâtiments, utilisant l’excédent d’énergie solaire non seulement pour les véhicules, mais aussi pour alimenter les systèmes de climatisation ou d’éclairage.
Pour les utilisateurs de véhicules électriques, les avantages sont indirects mais tangibles. Une infrastructure plus stable signifie une expérience de recharge plus fiable. Des coûts d’exploitation plus faibles pour les opérateurs pourraient se traduire par des tarifs de recharge plus bas à long terme. Et bien sûr, en maximisant l’utilisation de l’énergie renouvelable, cette stratégie réduit encore davantage l’empreinte carbone de la mobilité électrique, renforçant ainsi son argument environnemental.
Bien que la technologie soit prometteuse, les chercheurs sont conscients des défis à relever. La précision des prévisions météorologiques pour la production solaire et éolique est essentielle à la performance du système. La cybersécurité des systèmes de contrôle connectés est une préoccupation croissante. Et, surtout, la confiance de l’utilisateur est primordiale. Les conducteurs doivent être certains que le système garantira que leur véhicule sera suffisamment chargé pour leur prochain trajet, même si le processus de charge est plus lent ou réparti sur plusieurs heures.
En conclusion, cette recherche représente une avancée majeure vers une infrastructure de recharge intelligente, durable et économiquement viable. En combinant une classification intelligente des tâches avec des algorithmes d’optimisation puissants, l’équipe a créé un cadre qui est à la fois rapide, précis et évolutif. Alors que le monde s’oriente vers la décarbonisation du transport, des solutions comme celle-ci seront indispensables pour s’assurer que la révolution électrique sur les routes est soutenue par un réseau électrique intelligent, résilient et en parfaite harmonie avec les énergies du futur.
L’étude a été réalisée par Zhou Zhuo de Jiangsu Wiscom System Co., Ltd., Lu Xiang, Liu Haitao, Qi Shenglong de l’Institut de recherche sur l’électricité de State Grid Ningxia, Han Tao de l’Institut de recherche sur l’électricité de State Grid et Wang Qing de l’Université de Nanchang. Elle a été publiée dans Electrical Measurement & Instrumentation, Volume 61, Numéro 2, 15 février 2024, DOI : 10.19753/j.issn1001-1390.2024.02.015.