Prévision de la charge des stations de recharge avec une précision révolutionnaire
L’essor fulgurant des véhicules électriques (VE) transforme en profondeur non seulement le secteur automobile, mais aussi l’ensemble de l’infrastructure énergétique. Alors que des millions de nouveaux VE rejoignent chaque année les routes, les stations de recharge sont passées du statut de simple commodité à celui de nœuds critiques au sein de l’écosystème énergétique moderne. Toutefois, la nature intrinsèquement aléatoire du comportement de recharge des conducteurs constitue un défi persistant pour les opérateurs de réseau, les fournisseurs d’énergie et les urbanistes. Prévoir avec précision le moment et le volume de la puissance qui sera demandée par les stations de recharge est essentiel pour assurer la stabilité du réseau, optimiser la distribution de l’énergie et faciliter l’intégration des sources d’énergie renouvelable. Dans ce contexte, une étude de pointe menée en Chine propose une solution sophistiquée capable de redéfinir la manière dont on anticipe et gère la demande de recharge.
Publiée dans la revue Zhejiang Electric Power, une publication à comité de lecture reconnue pour son expertise dans l’innovation des systèmes électriques et les technologies des réseaux intelligents, cette recherche introduit un modèle de prévision de charge multifactoriel, renforcé par l’intelligence artificielle et des techniques de correction d’erreur. Dirigée par Zhao Zijun et son équipe de la State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch, cette étude s’attaque aux limites fondamentales des méthodes de prévision existantes en intégrant des variables météorologiques, temporelles et économiques dans une architecture hybride d’apprentissage profond. Le résultat est un modèle qui surpasse largement les approches conventionnelles, offrant une précision inégalée dans la prévision de la charge des stations de recharge sur plusieurs échelles de temps.
Le défi de la prévision de charge pour les stations de VE est complexe. Contrairement aux charges résidentielles ou industrielles, qui suivent généralement des schémas prévisibles, quotidiens et saisonniers, la recharge des véhicules électriques est intrinsèquement erratique. Les conducteurs branchent leurs véhicules à des moments différents, pour des durées variables et dans des conditions diverses. Un utilisateur peut recharger pendant sa pause déjeuner, après le travail ou en pleine nuit, chaque scénario étant influencé par son emploi du temps personnel, les conditions météorologiques et le prix de l’électricité. Cette imprévisibilité fait de la charge des VE l’un des composants les plus volatils de la demande électrique moderne. Comme le soulignent Zhao et ses collègues dans leur article, « le développement rapide des véhicules électriques a entraîné une augmentation annuelle des niveaux de charge, caractérisée par une forte aléatoire et une imprévisibilité. » Sans outils de prévision précis, les fournisseurs d’énergie risquent de surcharger leurs transformateurs, de gérer de manière inefficace leur production ou de manquer des opportunités de réponse à la demande.
Historiquement, la prévision de la charge des VE s’est appuyée sur deux approches principales : la modélisation statistique basée sur le parc de véhicules et le comportement de déplacement, ou l’analyse de séries chronologiques de données historiques de charge. La première, souvent impliquant des simulations de type Monte Carlo pour modéliser le comportement de recharge de grandes flottes, est utile pour la planification à long terme. Cependant, elle manque de la granularité nécessaire à la prise de décision opérationnelle au niveau d’une station spécifique. La seconde approche, utilisant des méthodes comme ARIMA ou des réseaux neuronaux basiques, se concentre sur les tendances historiques de la charge, mais ignore généralement les facteurs externes qui influencent les changements de comportement des utilisateurs.
L’équipe de Zhao identifie une lacune critique : la majorité des modèles existants traitent la prévision de charge comme un problème univarié, se concentrant uniquement sur les valeurs passées de la charge. Ce champ d’application restreint limite leur pouvoir prédictif. Comme l’argumentent les chercheurs, « ne considérer que les tendances de fluctuation de la charge est insuffisant pour répondre aux exigences de précision. » Ils placent qu’un cadre plus holistique est nécessaire, un cadre qui tienne compte de l’interaction complexe de multiples facteurs d’influence.
Pour y remédier, l’équipe propose un cadre multidimensionnel qui intègre quatre catégories clés de variables : les conditions météorologiques, le type de journée, les tendances de fluctuation de la charge et le prix de l’électricité. Chacun de ces facteurs joue un rôle distinct dans la modélisation du comportement de recharge. Par exemple, les changements saisonniers affectent à la fois l’efficacité de la batterie et les habitudes des conducteurs. Dans les climats plus froids, les VE consomment plus d’énergie en raison de la demande accrue de chauffage, ce qui entraîne des sessions de recharge plus longues et des pics de charge plus élevés. De même, la température influence l’activité ionique de la batterie : des conditions plus chaudes en été permettent une charge plus rapide, tandis que l’hiver la ralentit. Ces variations saisonnières ne sont pas du simple bruit de fond ; ce sont des facteurs déterminants des schémas de charge.
Le type de journée — qu’il s’agisse d’un jour de semaine, d’un week-end ou d’un jour férié — exerce également une forte influence. En semaine, la recharge tend à se concentrer autour des heures de pointe de déplacement, avec des pics en fin d’après-midi et en soirée lorsque les conducteurs rentrent du travail. En revanche, les week-ends et les jours fériés voient une activité de recharge plus dispersée, souvent liée à des déplacements touristiques, des courses ou des loisirs. Les chercheurs ont observé que, sur l’une des stations testées, les pics de recharge du week-end se produisaient entre 10h00-12h00 et 18h00-22h00, tandis que les pics en semaine étaient plus marqués et concentrés entre 11h00-12h00 et 18h00-19h00. Cette distinction est cruciale pour les fournisseurs d’énergie qui souhaitent mettre en œuvre des tarifs variables selon les heures ou des programmes de réponse à la demande.
Le prix de l’électricité, notamment les tarifs différenciés selon les heures de la journée (ToU), agit comme un puissant levier comportemental. Dans de nombreuses régions, dont la province de Hunan où l’étude a été menée, l’électricité est tarifée en trois tranches : heure de pointe, heure creuse et heure intermédiaire, correspondant respectivement à des niveaux de prix élevé, moyen et bas. Les tarifs de l’heure creuse sont nettement plus bas, incitant les utilisateurs à recharger pendant la nuit. Les données de la station de recharge A montrent clairement cet effet : les pics de charge s’alignent constamment sur la fenêtre tarifaire de l’heure creuse. En intégrant des données de prix en temps réel dans le modèle, les chercheurs s’assurent que ces signaux économiques ne soient pas négligés dans le processus de prévision.
Une fois ces facteurs identifiés, le défi suivant était de savoir comment les traiter efficacement. Les modèles traditionnels d’apprentissage machine peinent avec les données multidimensionnelles et non linéaires. L’apprentissage profond (deep learning) offre une solution, mais le choix de l’architecture adéquate est crucial. L’équipe a opté pour un modèle hybride CNN-LSTM, combinant les forces de deux types puissants de réseaux neuronaux. Les réseaux neuronaux convolutifs (CNN) excellent dans l’extraction de caractéristiques, notamment pour identifier des motifs spatiaux et temporels dans des ensembles de données complexes. Les réseaux LSTM (Long Short-Term Memory), un type de réseau neuronal récurrent, sont conçus pour capturer les dépendances à long terme dans les données séquentielles, ce qui est idéal pour la prévision de séries chronologiques.
Dans leur modèle, le composant CNN traite d’abord les données d’entrée multidimensionnelles — saison, jour de la semaine, indicateur de jour férié, heure de la journée, historique récent de la charge et tranche tarifaire — en extrayant des caractéristiques significatives et en réduisant le bruit. Ces caractéristiques raffinées sont ensuite transmises au réseau LSTM, qui utilise ses cellules de mémoire pour modéliser l’évolution temporelle de la charge. Cette combinaison permet au modèle non seulement de reconnaître les motifs dans les données, mais aussi de comprendre comment ces motifs évoluent dans le temps. Comme l’expliquent les auteurs, cette approche hybride « surmonte le problème de l’interférence d’informations non valides dans l’entraînement du modèle » propre aux réseaux à structure unique.
Cependant, même les modèles d’apprentissage profond les plus avancés ne sont pas à l’abri des erreurs de prévision, surtout lorsqu’on traite des processus hautement stochastiques comme la recharge des VE. Pour améliorer encore la précision, l’équipe a introduit une deuxième couche d’intelligence : un algorithme de Forêt Aléatoire (Random Forest, RF) pour la correction d’erreur. La Forêt Aléatoire est une méthode d’apprentissage ensembliste qui construit plusieurs arbres de décision et agrège leurs sorties, ce qui la rend robuste au surajustement (overfitting) et capable de capturer des relations non linéaires complexes.
Le mécanisme de correction d’erreur fonctionne en analysant les résidus — la différence entre les valeurs de charge prédites et réelles — du modèle CNN-LSTM initial. Ces résidus sont traités comme une nouvelle série chronologique, et l’algorithme RF est entraîné pour les prédire. L’erreur prédite est ensuite soustraite de la prévision initiale, affinant ainsi efficacement la sortie. Cette approche en deux étapes — première prédiction, puis correction d’erreur — reflète les meilleures pratiques en matière de prévision de haute précision, où des techniques de post-traitement sont utilisées pour affiner les résultats.
Pour valider leur modèle, les chercheurs ont mené des simulations approfondies en utilisant des données réelles de deux stations de recharge à Changsha, dans la province de Hunan. Le jeu de données couvrait l’ensemble de l’année 2022, avec des mesures de charge toutes les 15 minutes, totalisant plus de 35 000 points de données par station. Les huit premiers mois ont été utilisés pour entraîner le modèle, tandis que les quatre derniers mois ont servi de jeu de test. Ce test hors échantillon garantit que les résultats reflètent la performance réelle du modèle sur le terrain, et non un simple ajustement excessif (overfitting) aux données historiques.
L’évaluation a couvert trois échelles de temps : moyen terme (mensuel), court terme (hebdomadaire et quotidien) et ultra-court terme (prévision à deux heures). Pour chaque scénario, l’équipe a comparé son modèle proposé — CNN-LSTM avec correction d’erreur RF — à deux modèles de base : un modèle LSTM isolé et un modèle CNN-LSTM non corrigé. La performance a été mesurée à l’aide de trois métriques standard : l’erreur quadratique moyenne (RMSE), l’erreur absolue moyenne (MAE) et le coefficient de détermination (R²). Des valeurs plus faibles de RMSE et MAE indiquent des erreurs moyennes plus petites, tandis qu’un R² plus proche de 1,0 signifie un meilleur ajustement aux données réelles.
Les résultats ont été frappants. Pour la prévision à moyen terme du mois d’octobre 2023 sur la station A, le modèle CNN-LSTM corrigé par RF a atteint un RMSE de seulement 84,36 kW, contre 539,84 kW pour le CNN-LSTM non corrigé et 572,80 kW pour le modèle LSTM isolé. La valeur de R² est montée à 0,99, indiquant que le modèle a expliqué 99 % de la variance de la charge réelle — un ajustement quasi parfait. Pour la prévision hebdomadaire à court terme, le modèle corrigé a réduit le RMSE de 539,84 kW à 84,36 kW, soit une réduction de plus de 84 %. Pour les prévisions quotidiennes sur la station B, l’amélioration a été tout aussi spectaculaire : le modèle corrigé a atteint un R² de 0,99, tandis que le modèle LSTM isolé n’a obtenu que 0,36.
Les résultats les plus impressionnants sont peut-être ceux de la prévision à ultra-court terme — prédire la charge pour les deux heures suivantes par intervalles de 15 minutes. C’est le scénario le plus difficile, car il nécessite de capter les pics et les chutes soudaines de la demande. Ici, le modèle CNN-LSTM non corrigé a eu du mal à suivre les fluctuations rapides, tandis que la version corrigée avec RF a démontré une sensibilité remarquable aux points d’inflexion de la charge. Le RMSE est passé de 624,05 kW à 178,28 kW, soit une réduction de 71 %, et le R² est passé de 0,40 à 0,80. Comme le soulignent les auteurs, le modèle corrigé « peut capter avec agilité les points d’inflexion du changement de charge », ce qui le rend adapté aux opérations en temps réel sur le réseau.
Les implications pratiques de cette recherche sont vastes. Pour les opérateurs de réseau, un outil de prévision aussi précis permet une gestion plus efficace du réseau. Il permet une meilleure programmation des unités de production, réduit la dépendance aux centrales de pointe et améliore l’intégration de l’énergie éolienne et solaire. Pour les exploitants de stations de recharge, des prévisions précises soutiennent la tarification dynamique, la planification de la capacité et l’optimisation du service client. Dans le contexte des systèmes Véhicule-à-Réseau (V2G), où les VE peuvent restituer de l’énergie au réseau, une prévision précise de la charge est essentielle pour coordonner les flux d’énergie bidirectionnels.
De plus, la capacité du modèle à intégrer des facteurs externes le rend adaptable à différentes régions et environnements réglementaires. Qu’une ville mette en œuvre des tarifs horaires agressifs, subisse des conditions météorologiques extrêmes ou connaisse une augmentation du tourisme de week-end, le modèle peut être réentraîné avec des données locales pour maintenir sa précision. Cette flexibilité augmente sa scalabilité et sa pertinence à long terme.
Sur le plan méthodologique, cette étude illustre le pouvoir des architectures d’IA hybrides. En combinant l’apprentissage profond et les méthodes ensemblistes, les chercheurs démontrent que le tout peut être plus grand que la somme de ses parties. Le pipeline CNN-LSTM-RF représente une approche sophistiquée mais pratique pour un problème complexe du monde réel. Elle souligne également l’importance de l’analyse des erreurs dans les prévisions pilotées par l’IA — en reconnaissant que les modèles commettront des erreurs, mais que ces erreurs peuvent elles-mêmes être modélisées et corrigées.
Ce travail s’inscrit également dans des tendances plus larges du développement des réseaux intelligents, où la prise de décision basée sur les données remplace les systèmes basés sur des règles. Alors que les systèmes énergétiques deviennent plus décentralisés et dynamiques, les outils traditionnels de prévision sont progressivement remplacés par des modèles adaptatifs basés sur l’apprentissage. La contribution de Zhao et de son équipe s’intègre parfaitement dans ce changement de paradigme, offrant un modèle de la manière dont l’IA peut être appliquée pour moderniser l’infrastructure du réseau.
En conclusion, la recherche menée par Zhao Zijun, Peng Qingwen, Deng Ming, Li Lin, Deng Yazhi, Chen Boyuan et Wu Donglin de la State Grid Hunan Electric Power Co., Ltd. Changsha Power Supply Branch représente une avancée significative dans la prévision de la charge des stations de recharge pour véhicules électriques. En intégrant de multiples facteurs d’influence et en utilisant un modèle d’IA en deux étapes avec correction d’erreur, ils ont développé un système offrant une précision exceptionnelle à toutes les échelles de temps. Leurs conclusions, publiées dans Zhejiang Electric Power (DOI: 10.19585/j.zjdl.202404003), offrent un outil puissant pour gérer l’impact croissant des véhicules électriques sur le réseau électrique.