Planification optimisée des stations de recharge rurales
Une étude révolutionnaire publiée dans la revue Northeast Electric Power Technology a introduit un cadre de planification complet pour les stations de recharge des véhicules électriques (VE) et les systèmes photovoltaïques distribués dans les réseaux électriques ruraux. La recherche, menée par ZHANG Hui de l’Institut d’ingénierie de Shenyang et de la compagnie d’électricité de Chengde de State Grid, en collaboration avec WANG Cunxu et WANG Liang, propose une solution stratégique à l’un des défis les plus pressants de la transition énergétique chinoise : comment étendre l’infrastructure de recharge des véhicules électriques aux zones rurales tout en préservant la stabilité du réseau et l’efficacité économique.
Alors que la Chine poursuit activement ses objectifs ambitieux de « double carbone », visant à atteindre le pic d’émissions de carbone d’ici 2030 et la neutralité carbone d’ici 2060, l’électrification des transports est devenue une priorité nationale. Bien que les centres urbains aient connu un déploiement rapide des réseaux de recharge pour véhicules électriques, les régions rurales sont restées à la traîne. Cet écart n’est pas seulement une question de commodité ; il reflète des défis techniques, économiques et infrastructurels plus profonds. Les réseaux électriques ruraux, conçus traditionnellement pour une faible densité et une charge réduite destinée aux usages agricoles et résidentiels, ne sont pas adaptés à la gestion de la soudaine augmentation de la demande que pourrait entraîner une adoption massive de véhicules électriques. De plus, l’intégration de sources d’énergie renouvelable, comme l’énergie solaire sur les toits, ajoute une autre couche de complexité en raison de leur nature intermittente.
L’étude aborde directement ces défis en proposant un modèle d’optimisation à deux niveaux qui considère simultanément la viabilité économique et la sécurité du réseau. Au cœur du modèle se trouve une compréhension approfondie du comportement des utilisateurs ruraux, un facteur souvent négligé dans les approches traditionnelles centrées sur les environnements urbains. En intégrant la théorie des chaînes de déplacements — une méthode qui cartographie la séquence et le moment des trajets quotidiens — les chercheurs ont pu simuler des modèles de recharge de VE réalistes dans des contextes ruraux. Contrairement aux habitants des villes, qui effectuent souvent leurs déplacements pendant les heures de pointe du matin et du soir, les résidents ruraux ont tendance à voyager plus tard le matin et à rentrer plus tôt l’après-midi, principalement pour des raisons telles que rendre visite à leur famille, se rendre aux marchés ou s’adonner à des activités agricoles. Ce comportement de déplacement distinct influence significativement le moment et l’endroit où se produit la demande de recharge.
Pour capturer l’aléatoire inhérent et la variabilité tant de l’utilisation des VE que de la production solaire, l’équipe a utilisé des simulations de Monte Carlo et un échantillonnage par hypercube latin. Ces techniques statistiques avancées ont permis de générer une large gamme de scénarios possibles, garantissant que le modèle de planification soit robuste face à l’incertitude. Pour l’énergie solaire, les chercheurs ont utilisé le clustering k-means afin d’identifier cinq profils de production journaliers typiques, chacun ayant sa propre probabilité d’occurrence. Cette approche permet aux planificateurs de tenir compte de différentes conditions météorologiques et variations saisonnières sans surcharger excessivement le modèle.
Le cœur de l’étude est son modèle de programmation bi-niveau multi-objectif. Le niveau supérieur du modèle se concentre sur la minimisation du coût annuel total pour la société, qui inclut non seulement les dépenses directes de construction et de maintenance des stations de recharge, mais aussi les coûts indirects supportés par les utilisateurs et le réseau électrique. Ces coûts indirects sont souvent ignorés dans la planification traditionnelle, mais ils sont cruciaux pour une évaluation holistique. Par exemple, le temps que les utilisateurs passent à se rendre aux stations de recharge et à attendre représente un fardeau économique réel, particulièrement dans les zones à faible densité de population où les distances sont plus importantes. De même, la pression exercée par la recharge des VE sur le réseau — manifestée par des pertes de puissance accrues et des fluctuations de tension — a des implications financières qui doivent être intégrées au processus de planification.
Le niveau inférieur du modèle déplace l’accent de l’économie à la performance technique. Son objectif est de minimiser les pertes de puissance active et les écarts de tension dans le réseau de distribution. Cet objectif double garantit que le réseau reste stable et efficace, même avec une forte pénétration de VE et une production solaire fluctuante. L’inclusion de la stabilité de la tension comme critère clé est particulièrement importante pour les réseaux ruraux, qui fonctionnent souvent près des limites inférieures des niveaux de tension acceptables. Des augmentations soudaines de charge dues à la recharge des VE peuvent pousser ces systèmes hors conformité, entraînant des dommages aux équipements et une mauvaise qualité de l’énergie pour les consommateurs.
Pour résoudre ce problème d’optimisation complexe, les chercheurs ont développé un algorithme hybride qui combine les forces des diagrammes de Voronoï et d’un algorithme d’optimisation par essaim de particules (PSO) amélioré. Les diagrammes de Voronoï, un outil géométrique qui partitionne l’espace en régions basées sur la proximité à un ensemble de points, sont utilisés pour définir les zones de service de chaque station de recharge. Cela garantit que chaque point de demande est attribué à la station la plus proche disponible, créant ainsi une distribution spatiale naturelle et efficace. Pendant ce temps, l’algorithme PSO amélioré gère la recherche globale de la solution optimale. En ajustant dynamiquement le poids d’inertie et les coefficients d’accélération, l’algorithme évite de rester coincé dans des optima locaux — un piège courant dans les méthodes PSO traditionnelles — et converge plus rapidement et de manière plus fiable vers la meilleure configuration possible.
L’application pratique de ce modèle a été démontrée à travers une étude de cas dans une zone rurale nouvellement développée, couvrant environ 60 kilomètres carrés. La zone, desservie par un système de distribution modifié à 33 nœuds, compte 49 nœuds dans le réseau routier et une combinaison d’usages résidentiels, agricoles et commerciaux. Après avoir effectué des simulations approfondies, le modèle a déterminé que le nombre optimal de stations de recharge pour cette région est de cinq. Moins de stations entraîneraient des temps de trajet excessifs pour les utilisateurs et des congestions, tandis que plus de stations augmenteraient les coûts de construction et d’exploitation au-delà du point de rendements décroissants.
Le coût annuel total pour la société dans cette configuration optimale a été calculé à 5,29 millions de yuans. Ce chiffre se décompose en plusieurs composantes : 7,4 millions de yuans pour la construction et la maintenance (amortis sur 20 ans), 3,67 millions de yuans pour le temps de trajet des utilisateurs, 1,05 million de yuans pour les pénalités liées aux écarts de tension et 3,88 millions de yuans pour les pertes d’énergie dans le réseau. Bien que certains de ces coûts individuels puissent sembler élevés, l’idée clé est que leur somme soit minimisée, reflétant un compromis équilibré entre les intérêts des différentes parties prenantes. Par exemple, ajouter une sixième station pourrait réduire le temps d’attente des utilisateurs, mais le coût supplémentaire de construction et les pertes dans le réseau dépasseraient les avantages, conduisant à un coût total plus élevé.
La disposition spatiale des cinq stations révèle un modèle clair d’optimisation des zones de service. La plus grande zone de service, colorée en rouge sur les figures de l’étude, couvre 22 points de demande et nécessite 18 unités de recharge, reflétant la forte concentration d’activités dans cette partie du district. En revanche, la zone la plus petite, colorée en bleu, dessert seulement deux points de demande et nécessite seulement sept unités de recharge. Cette approche granulaire, basée sur les données, garantit que les ressources soient allouées là où elles sont le plus nécessaires, évitant ainsi les inefficacités d’une stratégie de déploiement uniforme.
Peut-être que la contribution la plus significative de l’étude réside dans son traitement de la stabilité du réseau. Les chercheurs ont constaté que, sans une optimisation adéquate de la puissance réactive, l’intégration de VE et de panneaux solaires pourrait entraîner de sévères fluctuations de tension et des pertes substantielles d’énergie. Dans leur simulation, le système non optimisé a connu une perte maximale de puissance active de 0,386 mégawatt et une perte totale journalière de 4,471 mégawattheures. Après avoir appliqué l’algorithme d’optimisation proposé, ces chiffres ont été réduits à 0,271 mégawatt et 2,849 mégawattheures, respectivement — une réduction d’environ 37 pour cent. Cette amélioration non seulement économise de l’énergie, mais prolonge également la durée de vie des équipements du réseau et améliore la qualité du service pour tous les clients.
La stabilité de la tension a montré des gains similaires. Avant l’optimisation, la tension au nœud 18 est tombée en dessous de 0,93 par unité, sortant de la plage acceptable de 0,93 à 1,05 par unité. Après l’optimisation, la tension est passée à 0,95 par unité, éliminant ainsi le risque de conditions de sous-tension. L’écart total de tension sur tout le réseau a été réduit de plus de 40 pour cent, passant de 36,638 à 21,739 par unité-heures. Ces résultats démontrent que, avec la bonne planification et les bonnes stratégies de contrôle, les réseaux ruraux peuvent accueillir de hauts niveaux de ressources énergétiques distribuées sans compromettre la fiabilité.
Le succès de l’algorithme PSO amélioré était également évident dans son comportement de convergence. Contrairement au PSO standard, qui s’est rapidement stabilisé dans une solution sous-optimale, la version améliorée a continué à affiner sa recherche tout au long du processus d’itération. Cette capacité à s’échapper des optima locaux et à explorer l’espace des solutions de manière plus approfondie est cruciale pour résoudre des problèmes du monde réel comportant de nombreuses variables et contraintes. La combinaison avec les diagrammes de Voronoï a encore amélioré les performances de l’algorithme en fournissant un moyen structuré d’explorer différentes configurations spatiales.
Cette recherche a des implications importantes pour les décideurs politiques, les entreprises de services publics et les fabricants d’automobiles. Pour les gouvernements, elle fournit une méthodologie scientifiquement solide pour allouer des fonds publics à l’infrastructure de recharge rurale. Plutôt que de s’appuyer sur des quotas arbitraires ou des considérations politiques, les planificateurs peuvent désormais utiliser des modèles basés sur les données pour identifier les emplacements et les capacités les plus rentables pour de nouvelles stations. Pour les services publics, l’étude offre une feuille de route pour moderniser les réseaux ruraux afin de gérer les charges futures, non seulement des VE mais aussi d’autres formes de génération distribuée. Et pour les fabricants d’automobiles, elle indique que le marché des VE s’étend au-delà des villes, créant de nouvelles opportunités dans des régions négligées.
L’étude souligne également l’importance de la collaboration interdisciplinaire pour relever les défis énergétiques complexes. L’équipe a réuni des expertises en ingénierie des systèmes électriques, modélisation des transports et optimisation informatique pour créer une solution holistique. Cette approche intégrative est de plus en plus nécessaire à mesure que les frontières entre différents secteurs — électricité, transport et technologie de l’information — s’estompent à l’ère des réseaux intelligents et des véhicules connectés.
En regardant vers l’avenir, les chercheurs suggèrent plusieurs axes pour des travaux futurs. L’un consiste à intégrer des mécanismes de réponse à la demande, permettant de déplacer la recharge des VE vers des moments où la production solaire est élevée et la charge du réseau est faible. Un autre est de considérer des systèmes de stockage par batterie aux stations de recharge, qui pourraient encore lisser les flux d’énergie et fournir une alimentation de secours en cas de coupures. De plus, le modèle pourrait être étendu pour inclure d’autres types de ressources énergétiques distribuées, comme des éoliennes ou des générateurs à biomasse, le rendant applicable à une gamme plus large d’environnements ruraux.
En conclusion, l’étude de ZHANG Hui, WANG Cunxu et WANG Liang représente un pas significatif en avant dans la planification de l’infrastructure rurale pour les VE. En combinant la modélisation comportementale, la simulation stochastique et des techniques avancées d’optimisation, ils ont développé un outil pratique et efficace pour équilibrer les objectifs économiques et techniques. Leur travail ne fait pas que faire avancer la littérature académique, mais fournit également des informations exploitables pour les professionnels qui œuvrent à la construction d’un avenir énergétique plus durable et équitable. Alors que la Chine poursuit son périple vers la neutralité carbone, des études comme celle-ci joueront un rôle vital pour s’assurer qu’aucune communauté ne soit laissée pour compte dans la révolution de l’énergie propre.
ZHANG Hui, WANG Cunxu, WANG Liang, Northeast Electric Power Technology, DOI: 10.19759/j.nep.2024.07.002