Prévision de la charge des véhicules électriques en zone rurale grâce à l’IA
L’essor des véhicules électriques (VE) en zone rurale, encouragé par des politiques publiques ambitieuses, redéfinit profondément le paysage énergétique des campagnes. Alors que les infrastructures urbaines s’adaptent progressivement à cette transition, les réseaux électriques ruraux, souvent plus anciens et plus étendus, se retrouvent confrontés à un défi sans précédent : gérer une demande d’électricité nouvelle, concentrée et hautement prévisible. La capacité à anticiper avec précision quand, où et à quelle intensité les résidents ruraux rechargeront leurs véhicules devient un enjeu crucial pour la stabilité du réseau, la fiabilité de l’approvisionnement et la planification économique des investissements. Dans ce contexte, une étude révolutionnaire publiée dans la revue Power Demand Side Management introduit un modèle d’intelligence artificielle d’une précision inégalée, offrant aux gestionnaires de réseau un outil stratégique pour naviguer dans cette transition énergétique.
Conçue par Wang Zilong, de la State Grid Corporation of China, et Huang Li, de l’École de génie électrique de l’Université du Sud-Est, cette recherche propose un cadre de prédiction basé sur un réseau de neurones profond innovant, baptisé « Modified Graph Temporal Convolutional Network » (MGTCN). Ce modèle ne se contente pas d’analyser des données temporelles ; il intègre une compréhension fondamentale de la structure physique du réseau électrique lui-même. Il s’agit d’une avancée significative par rapport aux méthodes traditionnelles, qui, en se concentrant uniquement sur les séries chronologiques de la consommation, négligent l’interaction critique entre les différents points du réseau. Le MGTCN a été conçu pour surmonter cette limitation en fusionnant deux puissants paradigmes du machine learning : les réseaux de convolution de graphes (GCN) et les réseaux de convolution temporels (TCN). Cette architecture hybride lui permet de capturer simultanément les dimensions spatiales et temporelles du comportement de recharge, offrant ainsi une vision holistique et d’une précision remarquable de la charge future.
Le défi central que pose la recharge des VE en milieu rural est son caractère double : il s’agit d’un phénomène à la fois temporel (quand la recharge a lieu) et spatial (où elle a lieu). Une concentration de recharges dans un seul village peut facilement surcharger un transformateur partagé, provoquer des chutes de tension et affecter la qualité de l’électricité dans les communautés voisines, même si la charge totale de la région semble globalement maîtrisée. Les modèles classiques, tels que les réseaux LSTM (Long Short-Term Memory), excellent à capturer les motifs temporels, mais échouent à modéliser comment la charge en un point du réseau influence les points adjacents. C’est précisément ce défaut que le modèle MGTCN corrige.
La première composante du modèle, le GCN, aborde la dimension spatiale. Elle traite le réseau électrique rural comme un « graphe », une structure mathématique composée de « nœuds » (comme les sous-stations, les transformateurs et les foyers) et de « liens » (les lignes électriques qui les relient). Cette représentation permet au modèle de comprendre la topologie physique du réseau. Il peut ainsi analyser comment une augmentation de la demande sur un nœud spécifique, par exemple un village avec une forte densité de VE, se propage à travers les lignes et affecte la tension et la charge sur d’autres nœuds connectés au même transformateur. En traitant des caractéristiques de chaque nœud, telles que la puissance active et réactive, le prix de l’électricité et la température ambiante, le GCN extrait des dépendances spatiales de haut niveau. Il identifie efficacement les « points chauds » de charge et comprend comment la charge se distribue spatialement. Cette capacité à modéliser la dépendance spatiale est essentielle pour une gestion proactive du réseau, permettant aux opérateurs d’anticiper les problèmes dans des zones spécifiques avant qu’ils ne surviennent.
Tandis que le GCN répond à la question « où », la deuxième composante, le TCN, répond à la question « quand ». Les réseaux de convolution temporels sont spécialisés dans l’analyse des séries chronologiques et sont particulièrement efficaces pour capturer des dépendances à long terme. Contrairement aux réseaux récurrents, qui peuvent souffrir de problèmes de « disparition du gradient » avec des séquences longues, les TCN utilisent une technique appelée « convolution causale dilatée ». Cela leur permet d’examiner des fenêtres temporelles très larges de manière efficace, identifiant des motifs complexes tels que des pics de charge récurrents la nuit, des variations hebdomadaires (plus de charge les week-ends) ou des effets saisonniers. Par exemple, le modèle peut apprendre qu’en hiver, la durée de la recharge augmente en raison de la nécessité de chauffer la batterie, ce qui prolonge le pic de charge nocturne. La compréhension de ces motifs temporels est vitale pour la programmation de la production et de la distribution d’énergie.
L’innovation majeure du modèle MGTCN réside toutefois dans l’intégration d’un « mécanisme d’attention ». Ce mécanisme agit comme un filtre dynamique, permettant au modèle d’attribuer automatiquement des poids différents aux diverses caractéristiques d’entrée à chaque instant. En pratique, cela signifie que le modèle peut décider de manière autonome quels facteurs sont les plus influents dans un scénario donné. Par une froide nuit d’hiver, le modèle peut accorder beaucoup plus d’importance à la température ambiante, car elle affecte directement l’efficacité de la batterie et la consommation d’énergie pour le chauffage. Par une chaude nuit d’été, il peut accorder plus de poids au prix de l’électricity, anticipant une vague de recharge pendant les heures de tarif nocturne réduit. Cette capacité d’adaptation et de priorisation non seulement augmente la précision de la prédiction, mais la rend aussi plus interprétable, montrant aux planificateurs énergétiques quels facteurs sont à l’origine d’une prévision spécifique.
Pour valider l’efficacité de leur modèle, l’équipe de recherche a mené une simulation approfondie sur un réseau de distribution rurale modifié, basé sur le standard IEEE-123, un modèle de référence largement utilisé dans la recherche sur les systèmes énergétiques. Le système simulé fonctionnait à 4,16 kV avec une charge totale de 1,40 + j0,77 MW et représentait une zone avec quatre villages. La simulation impliquait 2 000 véhicules, avec un taux initial de pénétration de VE de 10 % (200 véhicules). Les schémas de conduite et de recharge étaient basés sur des données empiriques provenant d’études d’économie comportementale, garantissant un comportement réaliste des utilisateurs. Le modèle a été entraîné sur un jeu de données couvrant 91 jours, avec une résolution de 15 minutes, fournissant une base de données riche et détaillée.
Les résultats ont été impressionnants. Le modèle MGTCN a largement surpassé plusieurs modèles de référence, notamment LSTM, GCN, TCN et une version de base de GCN-TCN. La métrique clé, l’Erreur Moyenne Absolue en Pourcentage (MAPE), a été réduite à 4,06 %. Ce chiffre représente une amélioration de 39,49 % par rapport au modèle LSTM et de 33,11 % par rapport au modèle TCN. Le coefficient de détermination (R²) a atteint un remarquable 99,67 %, indiquant que le modèle parvient à expliquer presque toute la variation dans les données de charge. Cette précision exceptionnelle est cruciale pour les opérateurs de réseau, car elle leur fournit un outil fiable pour la prise de décision.
L’analyse des données a révélé un profil de charge distinct dans les zones rurales : un motif de « double pic, double creux ». Le pic de charge le plus élevé de la journée se produit entre 23h00 et 24h00, attiré par les tarifs d’électricité plus bas. Un jour ouvrable typique, ce pic nocturne a atteint 336,09 kW, soit une augmentation de 122,05 % par rapport au pic de midi. Ce comportement est principalement dû au fait que la majorité des utilisateurs ruraux rechargent leur véhicule à domicile pendant la nuit, profitant des tarifs réduits et utilisant des chargeurs de niveau 1 ou 2, plus lents mais adaptés à une charge prolongée. De plus, la distribution spatiale de la charge s’est révélée très inégale, avec des « points chauds » de forte concentration de charge sur certains nœuds, créant une pression inégale sur le réseau.
L’étude a également exploré l’impact de différents taux de pénétration des VE. Les simulations ont été effectuées avec des taux de 10 %, 20 % et 40 %. Avec une pénétration de 10 %, le réseau est resté stable. Avec 20 %, les premiers signes de tension sont apparus. Le point critique a été atteint à une pénétration de 40 %. Dans ce scénario, l’écart entre la charge de pointe et la charge de creux a augmenté à 1,48 MW, soit une augmentation de 49,49 % par rapport au scénario à 10 %. Encore plus préoccupant, la tension minimale sur plusieurs nœuds est tombée en dessous de la valeur standard de 0,95 p.u. (par unité), atteignant 0,9182 p.u. Le taux de conformité de la tension est tombé à 40,65 %, et les pertes sur le réseau ont augmenté de 4,07 % à 5,90 %.
Ces résultats constituent un avertissement clair. L’impact des VE sur les réseaux ruraux n’est pas linéaire. À faible pénétration, les effets peuvent être gérés avec des stratégies de recharge intelligente. À forte pénétration, le réseau est exposé à un risque d’instabilité. Le modèle MGTCN offre une solution proactive, permettant aux opérateurs de réseau d’anticiper les pics et de mettre en œuvre des stratégies d’atténuation, comme l’extension de la capacité des transformateurs dans les zones à haut risque, l’utilisation de régulateurs de tension dynamiques ou la création de programmes de tarification dynamique pour décourager la recharge simultanée. Cette recherche n’est pas seulement une prouesse technique, mais un pilier fondamental pour une transition énergétique juste et durable dans toutes les communautés.
Au-delà de la simple prédiction, cette recherche a des implications profondes pour la politique énergétique. Tandis que les gouvernements promeuvent activement l’adoption des véhicules électriques en zone rurale, cette étude démontre que cette promotion doit être accompagnée d’un investissement parallèle dans la modernisation du réseau. Sans cet investissement, le rêve d’une mobilité propre pourrait être compromis par des pannes et des factures d’électricité plus élevées. La recherche de Wang Zilong et Huang Li n’est pas seulement une réussite technique, mais un appel à l’action pour une planification énergétique coordonnée et durable.
L’analyse des données a également mis en lumière des tendances comportementales spécifiques. Le profil de charge « double pic, double creux » est le reflet direct des habitudes de vie rurales. Le pic de la mi-journée est généralement modéré, correspondant à une utilisation occasionnelle des véhicules pour des déplacements locaux. Le premier pic de la soirée est plus marqué, lié à la fin des activités professionnelles et aux déplacements du retour au domicile. Cependant, c’est le pic nocturne, entre 23h00 et minuit, qui domine le paysage de la charge. Cette concentration massive est le résultat d’une combinaison de facteurs : la disponibilité des véhicules à la maison, la préférence pour la recharge lente et sûre pendant la nuit, et surtout, l’attrait des tarifs d’électricité de nuit, qui sont souvent considérablement réduits. Ce comportement, bien que rationnel pour l’utilisateur, crée une « montagne » de demande qui s’ajoute au sommet de la courbe de charge existante, exacerbant le problème du « pic sur pic ».
La distribution spatiale de cette charge est tout aussi révélatrice. Elle n’est pas uniforme, mais se concentre dans des « points chauds ». Ces points chauds peuvent correspondre à des villages avec une plus forte concentration de VE, à des zones où des bornes de recharge partagées ont été installées, ou à des communautés où une culture de la mobilité électrique s’est développée plus rapidement. Cette concentration crée une pression disproportionnée sur les composants du réseau local, tels que les transformateurs et les lignes de distribution, qui peuvent être amenés à fonctionner à leur limite ou au-delà, augmentant le risque de défaillance et de pertes d’énergie.
L’étude a poussé l’analyse plus loin en simulant l’effet d’une augmentation continue de la pénétration des VE. Le scénario à 10 % de pénétration montre un réseau qui peut absorber la charge supplémentaire sans problème majeur. Le scénario à 20 % révèle une augmentation notable de l’écart entre la charge de pointe et la charge de creux, passant de 0,99 MW à 1,11 MW. Cette augmentation signale une tension croissante sur le système. Le scénario à 40 %, en revanche, est alarmant. L’écart de charge atteint 1,48 MW, mettant une pression énorme sur la capacité du réseau. La chute de tension observée, avec un minimum de 0,9182 p.u., est bien en dessous de la norme de 0,95 p.u., ce qui peut endommager les appareils ménagers sensibles et perturber les activités agricoles et commerciales. Le taux de conformité de tension de seulement 40,65 % signifie que la majorité des nœuds du réseau connaissent une qualité d’énergie inacceptable à un moment donné. Les pertes de réseau, qui représentent de l’énergie gaspillée en chaleur, augmentent de près de 50 %, ce qui se traduit par un coût économique direct pour les opérateurs et, in fine, pour les consommateurs.
Ces résultats sont une mise en garde puissante. Ils montrent que la simple promotion de la vente de VE, sans une planification intégrée de l’infrastructure électrique, est une politique à risque. Le modèle MGTCN, avec sa précision de prédiction, devient alors un outil indispensable. Il permet aux gestionnaires de réseau de passer d’une gestion réactive à une gestion proactive. Ils peuvent utiliser les prévisions pour planifier des travaux d’extension du réseau avec une précision géographique fine, ciblant les « points chauds » identifiés. Ils peuvent concevoir des programmes de tarification dynamique plus sophistiqués, incitant les utilisateurs à différer leur recharge de quelques heures pour lisser la courbe de charge. Ils peuvent même préparer le terrain pour des programmes de « Vehicle-to-Grid » (V2G), où les véhicules électriques, une fois chargés, pourraient restituer de l’énergie au réseau pendant les périodes de forte demande, transformant ainsi les flottes de VE en une ressource de stockage d’énergie distribuée.
En conclusion, le travail de Wang Zilong et Huang Li représente une percée majeure dans la gestion des réseaux électriques du futur. Leur modèle MGTCN, en fusionnant l’intelligence artificielle de pointe avec une compréhension profonde de la physique du réseau, offre une solution robuste et précise au défi complexe de la recharge des véhicules électriques en zone rurale. Cette recherche ne se limite pas à une avancée académique ; elle fournit un cadre d’action concret pour les opérateurs, les décideurs politiques et les urbanistes. Elle souligne l’impératif d’une transition énergétique holistique, où le développement de la mobilité électrique est inextricablement lié à la modernisation et à la résilience des réseaux qui la soutiennent. En permettant une planification plus intelligente, cette technologie peut aider à garantir que les bénéfices de la mobilité propre soient accessibles à tous, des grandes métropoles aux communautés rurales les plus reculées.
Wang Zilong, State Grid Corporation of China; Huang Li, Southeast University, School of Electrical Engineering. Power Demand Side Management, DOI: 10.3969/j.issn.1009-1831.2024.05.014