Prévision de la Charge des VE grâce à un Modèle Spatio-temporel
L’essor inébranlable des véhicules électriques (VE) ne se limite plus à une simple évolution du paysage automobile ; il redéfinit fondamentalement les défis auxquels sont confrontés les réseaux électriques du monde entier. Alors que plus de dix millions de nouveaux VE ont été immatriculés en 2023, la pression exercée sur l’infrastructure énergétique atteint des sommets. Le cœur du défi réside non pas seulement dans l’augmentation globale de la demande, mais dans la nature profondément imprévisible et dynamique de cette nouvelle forme de consommation d’électricité. Contrairement aux charges résidentielles ou industrielles, le comportement de recharge d’un VE est façonné par une multitude de facteurs : les habitudes personnelles des conducteurs, leurs horaires de travail, leurs destinations, les conditions météorologiques et, surtout, la disponibilité et la localisation des stations de recharge. Cette complexité transforme la gestion du réseau en un casse-tête en temps réel pour les opérateurs, qui doivent prévoir avec une précision chirurgicale quand et où des pics de charge se produiront afin d’assurer la stabilité du réseau, d’optimiser la production d’énergie et d’intégrer efficacement les sources d’énergie renouvelable intermittentes. Les méthodes traditionnelles de prévision de la charge, longtemps considérées comme l’étalon, montrent aujourd’hui leurs limites face à ce nouveau paradigme. Ces modèles, souvent basés sur des hypothèses statistiques et des analyses de séries chronologiques, traitent chaque station de recharge comme une entité isolée. Ils analysent l’évolution de la charge en un point précis au fil du temps, mais ignorent un aspect critique : l’interdépendance spatiale entre les stations de recharge.
Cette cécité spatiale est une faille fondamentale. La demande sur une station n’est pas un phénomène isolé ; elle est profondément ancrée dans son contexte géographique et dans le réseau des stations voisines. Une station située face à un centre commercial aura un profil de charge radicalement différent d’une station adjacente à un parc d’activités. La distance jusqu’à la station la plus proche, la densité du trafic sur les routes environnantes et la concentration des points de recharge dans une zone donnée créent une « empreinte spatiale » unique qui façonne le comportement des utilisateurs. Un pic soudain de demande sur une station populaire du centre-ville ne provoque pas seulement des files d’attente sur place, mais déclenche une réaction en chaîne : les conducteurs qui ne trouvent pas de place disponible se dirigent vers des stations voisines, redistribuant la charge et créant un réseau de dépendances complexes que les modèles conventionnels sont incapables de saisir. Cette erreur se traduit par des prévisions inexactes, conduisant à une programmation inefficace de la production d’énergie, au gaspillage d’énergie renouvelable disponible et à un risque accru d’instabilité du réseau.
Face à cette lacune critique dans la précision des prévisions, une équipe de chercheurs chinois a développé une approche innovante qui promet de révolutionner la manière dont les réseaux électriques se préparent à l’ère des véhicules électriques. Un consortium d’experts de State Grid Lanxi Power Supply Company, de Zhejiang Jie’an Engineering Co., Ltd. et du Nanjing Institute of Technology a introduit un modèle de prévision basé sur l’intelligence artificielle (IA) qui, pour la première fois, intègre de manière systématique les dimensions spatiale et temporelle des données de charge. Leur solution, baptisée modèle GCN-LSTM, combine la puissance de deux technologies de pointe : les réseaux neuronaux de convolution sur graphes (GCN) et les réseaux de mémoire à long et court terme (LSTM). Cette architecture hybride représente un changement de paradigme, car elle transforme la perception du réseau de recharge, passant d’une collection de points isolés à un écosystème dynamique et interconnecté.
Le principe fondamental derrière le modèle GCN-LSTM est que la charge sur une station spécifique est indissociable de sa position géographique. Pour capturer cette relation, les chercheurs commencent par construire un « graphe » représentant l’infrastructure de recharge de la ville. Dans ce graphe, chaque station de recharge est un nœud. Les connexions entre ces nœuds, les arêtes, sont définies par la proximité physique entre les stations, généralement la distance à vol d’oiseau. Cette représentation mathématique transforme le réseau de recharge en une structure que l’IA peut analyser. C’est ici que le réseau de convolution sur graphes (GCN) entre en jeu, agissant comme analyste spatial. Contrairement aux réseaux neuronaux traditionnels qui traitent des données sur une grille régulière, comme une image, les GCN sont spécialement conçus pour fonctionner sur des structures de données irrégulières, comme les graphes. Le GCN traite le graphe en « agrégeant » les informations de chaque nœud avec celles de ses nœuds voisins immédiats. Il apprend à reconnaître des motifs spatiaux, comme un groupe de stations qui connaissent une baisse simultanée de charge, ce qui pourrait indiquer que les conducteurs sont attirés par une nouvelle station de recharge rapide qui vient d’entrer en service. Ce processus extrait les « informations de dépendance spatiale », fournissant une compréhension riche et contextuelle de la façon dont les stations de recharge sont interconnectées, une connaissance totalement absente des méthodes traditionnelles.
Alors que le GCN gère le « où », le réseau LSTM s’occupe du « quand ». Les réseaux LSTM sont une variante spécialisée des réseaux neuronaux récurrents (RNN) excellents pour apprendre des modèles à long terme dans des séquences de données. Ils peuvent identifier qu’une station particulière connaît un pic de demande tous les jours entre 17h et 19h, ou que la charge diminue les jours de pluie. L’innovation majeure de cette recherche réside dans la manière dont ces deux technologies puissantes sont intégrées. Le modèle ne les exécute pas en parallèle ou en une simple séquence. Au lieu de cela, il utilise le GCN pour traiter les données spatiales à chaque intervalle de temps discret—toutes les 15 minutes dans cette étude. La sortie du GCN à chacun de ces pas de temps est une représentation sophistiquée et enrichie d’informations spatiales de l’état de tout le réseau. Ces représentations, marquées par le temps, sont ensuite transformées en une séquence qui est injectée dans le réseau LSTM. Cela permet au LSTM d’apprendre les motifs temporels du comportement de charge, mais avec une compréhension profonde du contexte spatial à chaque instant. Il peut désormais apprendre, par exemple, qu’un motif temporel de forte demande en soirée s’intensifie lorsqu’un grand événement a lieu dans un quartier voisin, une nuance qui serait invisible pour un modèle utilisant uniquement des données de séries chronologiques.
Pour valider l’efficacité de leur modèle GCN-LSTM, l’équipe de recherche a mené une étude de cas rigoureuse en utilisant des données réelles de neuf stations de recharge publique dans une zone urbaine de Chine. Le jeu de données couvrait trois mois, fournissant un total de 8 736 points de données enregistrés toutes les 15 minutes. Cette vaste base de données a permis d’entraîner le modèle dans une grande variété de conditions, incluant les jours ouvrés, les week-ends, les jours fériés et différents régimes météorologiques. Les caractéristiques d’entrée du modèle ont été soigneusement sélectionnées pour refléter des facteurs du monde réel : la charge historique de recharge, le prix de recharge en vigueur dans chaque station et un simple indicateur binaire pour distinguer les jours ouvrés des jours de repos. Avant d’introduire ces données dans le modèle, une étape cruciale de prétraitement a été effectuée : la normalisation. Cette étape garantit que les caractéristiques aux échelles très différentes—comme la charge en kilowatts et le prix en devise—ne faussent pas le processus d’apprentissage, permettant à l’IA de se concentrer sur les motifs sous-jacents plutôt que sur la magnitude des nombres.
Le processus d’entraînement a été méticuleux. Les chercheurs ont utilisé une technique de fenêtre glissante pour convertir les données historiques de séries chronologiques en un format adapté à l’apprentissage supervisé. Par exemple, au modèle ont été présentées les données de charge des 12 derniers pas de temps (trois heures) et il a été chargé de prédire la charge au pas 13. Ce processus a été répété des milliers de fois sur l’ensemble des données, permettant au modèle d’apprendre les relations complexes entre les états passés et futurs. Les performances du modèle ont été optimisées par une recherche en grille pour trouver les hyperparamètres idéaux, tels que le nombre de couches dans le GCN et le LSTM, la taille du lot et le taux de dropout, une technique utilisée pour prévenir le surajustement en ignorant aléatoirement certains neurones pendant l’entraînement, forçant ainsi le réseau à apprendre des caractéristiques plus robustes. La fonction de perte du modèle était l’erreur absolue moyenne (MAE), tandis que ses performances étaient surveillées à l’aide de l’erreur quadratique moyenne (RMSE) et du coefficient de détermination (R²), fournissant une vision complète de sa précision et de sa fiabilité.
Les résultats de l’étude ont été transformateurs. Le modèle GCN-LSTM a été comparé à plusieurs points de référence établis : un réseau neuronal traditionnel de rétropropagation (BP), un modèle GCN autonome et un modèle LSTM autonome. L’écart de performance a été marqué et constant. Pour la station de recharge n°1, le modèle GCN-LSTM a atteint une valeur de R² de 0,917, indiquant qu’il expliquait plus de 91 % de la variance des données de charge réelles. Il s’agissait d’une amélioration significative par rapport au 0,885 du modèle BP, au 0,818 du GCN et au 0,868 du LSTM. Plus important encore, les métriques d’erreur racontaient une histoire encore plus convaincante. L’erreur absolue moyenne (MAE) pour le modèle GCN-LSTM était de 31,584 kW, une réduction drastique par rapport aux 81,404 kW du modèle BP et aux 41,133 kW du LSTM. De même, l’erreur moyenne absolue en pourcentage (MAPE) est tombée à seulement 2,200 %, contre 15,433 % pour le modèle BP. Pour la station de recharge n°6, les résultats étaient encore plus impressionnants, le modèle GCN-LSTM atteignant un R² de 0,957 et un MAPE de 1,849 %. Ces chiffres représentent un niveau de précision qui était inatteignable avec les méthodes conventionnelles.
Une analyse plus approfondie des résultats a révélé le rôle critique des informations spatiales. Lorsque les chercheurs ont testé le modèle en réduisant artificiellement le nombre de nœuds (stations de recharge) dans le graphe, la précision de la prévision a chuté drastiquement. Cette expérience a démontré que la performance supérieure du modèle était directement attribuable à sa capacité d’apprentissage à partir d’un riche réseau de relations spatiales. Avec moins de stations, la quantité d’information spatiale disponible pour le GCN diminuait, rendant difficile la capture des interdépendances complexes, et par conséquent, les prévisions devenaient moins précises. Cette découverte souligne une conclusion clé : pour atteindre la précision de prévision maximale, il est nécessaire de considérer l’ensemble de l’écosystème de recharge, et non seulement des stations individuelles isolées.
Les implications de cette recherche vont bien au-delà du monde académique. Pour les compagnies d’électricité, une prévision plus précise est un outil puissant pour une gestion proactive du réseau. Elle permet une meilleure programmation de la production d’énergie, en s’assurant que l’offre correspond exactement à la demande prévue des VE, réduisant ainsi la dépendance aux centrales électriques de pointe coûteuses et polluantes. Elle permet une intégration plus efficace des sources d’énergie renouvelable comme le solaire et l’éolien, dont la production est variable. En sachant exactement quand et où les véhicules électriques vont se recharger, les entreprises peuvent inciter les conducteurs à charger lorsque la production d’énergie renouvelable est élevée, maximisant ainsi l’utilisation de l’énergie propre et minimisant les émissions de carbone. Pour les urbanistes et les opérateurs de stations de recharge, le modèle fournit des informations inestimables pour le développement de l’infrastructure. Il peut identifier les zones mal desservies où de nouvelles stations sont nécessaires et prévoir l’impact d’une nouvelle station sur le réseau environnant, évitant ainsi des constructions coûteuses en excès. Il peut également informer des stratégies de tarification dynamique, où les prix sont ajustés en temps réel en fonction de la demande prévue, aidant à lisser les pics de charge et à améliorer l’efficacité globale du réseau de recharge.
Le succès du modèle GCN-LSTM indique également une tendance plus large dans l’application de l’IA à des problèmes complexes du monde réel. Il démontre le pouvoir de combiner différentes architectures d’IA, chacune avec ses propres forces, pour créer une solution qui est plus que la somme de ses parties. La capacité du GCN à gérer des structures de données complexes et non euclidiennes comme les réseaux, combinée à la maîtrise du LSTM dans les données séquentielles, crée un effet synergique parfaitement adapté à la nature spatio-temporelle de la recharge des véhicules électriques. Cette approche peut être facilement adaptée à d’autres domaines, comme la prévision du flux de trafic, la prévision de la qualité de l’air urbain ou la modélisation de la propagation de l’information sur les réseaux sociaux, tous impliquant des entités qui sont spatialement connectées et qui évoluent dans le temps.
En conclusion, le travail de Huang Jian, Chen Jianhong, He Jianjie, Wu Yan, Wan Xiu et Chen Fan représente un progrès significatif dans le domaine de la prévision de la charge pour les véhicules électriques. En fusionnant ingénieusement l’analyse spatiale basée sur les graphes avec l’apprentissage temporel profond, ils ont créé un modèle qui capture la véritable complexité de l’écosystème de recharge. Leur recherche, publiée dans la prestigieuse revue Zhejiang Electric Power, fournit un cadre robuste et fondé sur les données qui peut permettre aux opérateurs de réseau, aux urbanistes et aux entreprises énergétiques de naviguer dans les défis de la révolution des véhicules électriques avec une confiance et une précision sans précédent. Alors que le monde avance vers un avenir de transport durable, des outils comme celui-ci seront essentiels pour construire une infrastructure énergétique plus intelligente, résiliente et propre.
Huang Jian, State Grid Lanxi Power Supply Company; Chen Jianhong, Zhejiang Jie’an Engineering Co., Ltd.; He Jianjie, Zhejiang Jie’an Engineering Co., Ltd.; Wu Yan, Zhejiang Jie’an Engineering Co., Ltd.; Wan Xiu, Nanjing Institute of Technology; Chen Fan, Nanjing Institute of Technology. Zhejiang Electric Power. DOI: 10.19585/j.zjdl.202412006