Planification intelligente des stations de recharge et d’échange sur autoroute
Alors que la transition mondiale vers les transports durables s’accélère, les véhicules électriques sont désormais au cœur du paysage de la mobilité future. Avec l’augmentation des taux d’adoption et des distances parcourues, la demande en infrastructures de recharge fiables et efficaces le long des grands axes de transport constitue un défi majeur. Une étude novatrice de l’Université d’électricité de Chine du Nord introduit une méthodologie de planification innovante qui exploite la simulation du comportement des utilisateurs pour optimiser le déploiement des stations de recharge et d’échange de batteries dans les aires d’autoroute.
Cette recherche, publiée dans Power System Technology, présente une approche prospective qui dépasse les modèles traditionnels focalisés uniquement sur la capacité des équipements ou le volume de trafic. Elle intègre la dynamique réelle des décisions des conducteurs, reconnaissant que ces derniers évaluent constamment les compromis entre coût, temps et commodité. En simulant les choix entre recharge conventionnelle et échange de batteries selon diverses conditions, les chercheurs ont développé un modèle permettant une prédiction plus précise de la demande.
La motivation de ces travaux est évidente : la croissance du parc automobile électrique accentue la pression sur les infrastructures existantes. Les aires de service autoroutières, de simples lieux de pause, doivent désormais fonctionner comme de véritables hubs énergétiques à haut débit. Or, un surinvestissement génère du gaspillage tandis qu’un sous-investissement provoque des files d’attente, une insatisfaction des usagers et des risques pour la stabilité du réseau.
Au cœur de l’étude se trouve un modèle comportemental fondé sur la théorie de l’utilité maximisée. Ce cadre suppose que les utilisateurs prennent des décisions visant à maximiser leur bénéfice personnel, en pondérant des facteurs tels que le temps d’attente, le coût de l’électricité et les frais de service. Contrairement aux approches antérieures qui considéraient les préférences comme statiques, cette nouvelle méthode capture l’interaction dynamique entre les choix individuels et la performance du système.
La particularité de ce modèle réside dans sa capacité à simuler les effets en cascade de chaque décision. Le choix d’un usager modifie l’état du système, ce qui influence ensuite les options du suivant. Ce couplage temporel introduit un réalisme rare dans les études d’infrastructure. Les chercheurs tiennent également compte de la nature variable des files d’attente selon les périodes de la journée.
Pour mettre en œuvre ce modèle, l’équipe commence par prévoir les flux de trafic. En l’absence de systèmes de monitoring en temps réel sur many aires de service, elle utilise une méthode à quatre étapes combinée à l’algorithme de Dijkstra pour estimer les flux de véhicules électriques. À partir des données historiques des péages, les chercheurs projettent les volumes de trafic futurs en fonction des taux de croissance économique régionale.
Une fois le profil d’arrivée établi, la simulation peut commencer. Chaque conducteur virtuel se voit attribuer des caractéristiques comme l’état de charge de la batterie, la destination et la propension à s’arrêter dans l’aire de service. Les conducteurs avec une batterie faible sont identifiés comme utilisateurs potentiels des services de recharge ou d’échange. Parmi eux, seuls ceux dont le véhicule est compatible avec l’échange de batteries ont véritablement le choix ; les autres optent nécessairement pour la recharge.
Le calcul d’utilité intègre à la fois les coûts monétaires et temporels. Le temps d’attente est valorisé à un taux horaire fixe, reflétant le coût d’opportunité du délai, tandis que les tarifs de l’électricité et des services suivent des grilles horaires différenciées. Le modèle inclut également des composantes aléatoires pour capturer les préférences non observables, garantissant que tous les usagers ne se comportent pas identiquement dans les mêmes conditions.
Fait crucial, la simulation couvre des cycles complets de 24 heures pour les jours ordinaires et les jours fériés, reconnaissant que les patterns de demande diffèrent significativement entre ces périodes. Le trafic des jours fériés, par exemple, tend à être plus dense et concentré, générant des pointes de charge pouvant submerger les systèmes sous-dimensionnés.
Avec le comportement des utilisateurs simulé, l’étape suivante consiste en l’optimisation. Les chercheurs formulent un problème de planification multi-objectif visant à minimiser deux métriques clés : le coût annuel pour l’usager et le coût annuel pour la station. La première inclut la moyenne pondérée des dépenses de recharge et d’échange, tandis que la seconde englobe l’investissement initial, l’exploitation-maintenance et les frais de connexion au réseau.
La résolution de ce problème multi-objectif nécessite des algorithmes avancés. L’équipe emploie NSGA-II, un algorithme génétique reconnu pour sa capacité à générer un front de Pareto de solutions optimales – des ensembles de compromis où améliorer un objectif détériorerait l’autre. À partir de cette frontière, les décideurs peuvent sélectionner une solution selon leurs priorités.
Pour valider leur approche, les chercheurs l’ont appliquée à une étude de cas réelle basée sur une section simplifiée du réseau autoroutier chinois, comprenant sept péages et cinq échangeurs. Après avoir projeté les niveaux de trafic pour 2035 et appliqué un taux de pénétration des véhicules électriques de 53,49%, ils ont constaté que l’aire de service verrait passer environ 3 735 véhicules par jour en semaine, chiffre dépassant 7 000 les jours fériés.
Quatre scénarios de planification ont été comparés. Le premier ne comportait que des bornes de recharge, sans option d’échange. Les deuxième et troisième supposaient des proportions fixes d’usagers optant pour l’échange – 70% et 20% respectivement – sans modélisation comportementale. Le quatrième, le plus sophistiqué, utilisait la simulation comportementale complète.
Les résultats se sont révélés significatifs. À coût stationnaire égal, le scénario avec simulation comportementale atteignait le coût utilisateur le plus faible – environ 2% de moins que les modèles simplifiés et 4% de moins que l’option recharge exclusive. Réciproquement, à coût utilisateur fixe, l’approche comportementale nécessitait 14% moins d’investissement que le modèle recharge exclusive.
De plus, la conception optimisée améliorait notablement la performance du réseau. Durant les pointes de jours fériés, le système combiné recharge-échange réduisait la charge de pointe jusqu’à 15% comparé à une configuration recharge exclusive. Cet effet de « report de charge » se produit car l’échange permet aux usagers de contourner les longues files d’attente de recharge, transférant une partie de la demande du réseau électrique vers l’inventaire de batteries préchargées de la station.
L’étude a également révélé des insights importants sur le comportement des usagers. En semaine, quand le trafic est plus léger et les files d’attente plus courtes, le coût tend à dominer la prise de décision. Beaucoup d’usagers optent pour la recharge durant les heures creuses lorsque l’électricité est moins chère, même si l’échange est plus rapide. Les jours fériés, cependant, le facteur temps devient plus critique. Face à l’encombrement des bornes de recharge, les usagers acceptent plus volontiers de payer une prime pour la rapidité et la commodité de l’échange.
Les chercheurs ont aussi exploré comment les changements tarifaires et la compatibilité des véhicules affectent les résultats. Quand le poids accordé au coût dans le modèle décisionnel augmentait, plus d’usagers basculaient de l’échange vers la recharge, confirmant la sensibilité aux prix. Plus révélateur encore était l’impact de la compatibilité des véhicules : alors que la part des véhicules électriques compatibles avec l’échange passait de 25% à 100%, le nombre de transactions d’échange augmentait régulièrement, indiquant une forte demande latente pour ce service.
Ces découvertes portent d’importantes implications pour les décideurs politiques et les développeurs d’infrastructures. Premièrement, elles soulignent l’importance de co-localiser les installations de recharge et d’échange. Si la recharge restera probablement le mode dominant en raison de son coût infrastructurel plus faible et de sa plus large compatibilité véhiculaire, l’échange offre un service complémentaire précieux pouvant absorber la demande de pointe et améliorer la résilience globale du système.
Deuxièmement, l’étude met en lumière les risques des hypothèses de planification trop simplifiées. Les modèles qui supposent un comportement utilisateur fixe ou ignorent les variations temporelles de la demande peuvent conduire à des conceptions sous-optimales – soit des stations surdimensionnées avec des capacités inutilisées, soit des installations sous-dimensionnées qui échouent durant les périodes de pointe.
Troisièmement, la recherche étaye le cas pour des stratégies tarifaires dynamiques. Puisque les choix des usagers sont sensibles au coût, des tarifs différenciés dans le temps peuvent être utilisés pour influencer le comportement et lisser la demande. Par exemple, baisser les frais de service d’échange durant les heures de pointe pourrait encourager plus d’usagers à changer de mode, réduisant la congestion aux points de recharge.
Enfin, ces travaux pointent vers la nécessité d’une plus grande standardisation dans la conception des batteries et les protocoles d’échange. Le modèle suppose que tous les véhicules compatibles avec l’échange utilisent le même type de batterie, ce qui n’est actuellement vrai que pour les flottes d’une même marque ou opérateur. Pour que l’échange atteigne son plein potentiel, une compatibilité à l’échelle de l’industrie sera essentielle.
Pour les prochaines étapes, les auteurs notent que leur modèle actuel se concentre sur une aire de service unique. Les travaux futurs étendront le cadre à une planification à l’échelle du réseau, optimisant le placement et la dimensionnement de multiples stations le long d’un corridor autoroutier. Cela pourrait permettre une gestion coordonnée de la charge, où les stations avec excès de capacité aident à équilibrer celles sous tension, améliorant encore l’efficacité du système.
Hu Junjie, Li Ruzhou, Liu Xuetao
Université d’électricité de Chine du Nord
Power System Technology
DOI : 10.13335/j.1000-3673.pst.2024.0201