Prévision de la Charge pour les Véhicules Électriques jusqu’en 2033
La révolution des véhicules électriques (VE) est en marche, et ses répercussions s’étendent bien au-delà des simples changements de motorisation. Alors que les flottes de VE se multiplient à un rythme sans précédent, un nouveau défi émerge : anticiper avec précision la demande de charge à long terme pour éviter de surcharger les réseaux électriques et planifier efficacement les infrastructures. Une étude récente publiée dans la revue Modern Electronics Technique offre une réponse sophistiquée à cette question, en proposant un modèle de prédiction intégré qui va au-delà des simples extrapolations de tendance.
Dirigée par Mengtong Yu et Hui Gao de l’École d’Automatisation et d’Intelligence Artificielle de l’Université des Postes et Télécommunications de Nanjing, en collaboration avec Fengkun Yang de NARI Technology Development Limited Company, cette recherche aborde un problème crucial souvent négligé : la plupart des études se concentrent sur la charge à court terme, mais que se passera-t-il dans dix ans ? Pour y répondre, les auteurs ont développé une double approche. Premièrement, ils ont conçu un modèle prévisionnel ultra-précis pour la flotte de véhicules électriques. Deuxièmement, ils ont intégré ce scénario de croissance dans une simulation réaliste du comportement des conducteurs, tenant compte de facteurs souvent ignorés, comme la température ambiante. Le résultat est une vision prospective et nuancée de l’avenir de la mobilité électrique.
Le cœur du modèle repose sur une prédiction fiable du nombre de véhicules électriques qui circuleront dans les années à venir. Ce point de départ est fondamental, car toute erreur ici se propagera exponentiellement dans les prévisions de charge. Les méthodes traditionnelles, comme l’extrapolation linéaire ou les modèles statistiques simples, sont souvent inadéquates face à la nature exponentielle de l’adoption des VE. Pour surmonter cette limite, les chercheurs ont opté pour un modèle dit « gris » (Grey Model), une technique particulièrement efficace lorsqu’il s’agit de travailler avec des séries de données historiques courtes ou incomplètes. Le modèle GM(1,1), le plus courant, fonctionne en identifiant une tendance sous-jacente dans les données existantes pour projeter l’avenir.
Cependant, la précision de ce modèle dépend fortement d’un paramètre clé, le coefficient de développement, dont le réglage peut être délicat. C’est là qu’intervient l’innovation. L’équipe a utilisé un algorithme d’optimisation inspiré de la nature : l’algorithme des lucioles (Firefly Algorithm). Ce dernier simule le comportement des lucioles dans la nature, qui s’attirent les unes les autres en fonction de l’intensité de leur lumière. Dans ce contexte, la « luminosité » représente la qualité d’une solution de prédiction. L’algorithme lance un essaim de « lucioles virtuelles », chacune testant une valeur différente pour le coefficient de développement. Au fil des itérations, les lucioles les plus « brillantes » (c’est-à-dire celles qui donnent les meilleures prédictions) attirent les autres, guidant progressivement tout le groupe vers la solution optimale.
La validation de cette méthode est impressionnante. En utilisant les données de la flotte de VE d’une région de la province du Jiangsu entre 2012 et 2017 pour calibrer le modèle, les chercheurs ont prédit la flotte pour les cinq années suivantes (2018-2022). Le résultat est sans appel. Le modèle gris traditionnel a atteint une erreur maximale de 39,3 %, une marge inacceptable pour une planification stratégique. En revanche, le modèle optimisé par l’algorithme des lucioles n’a jamais dépassé une erreur de 7,7 %, atteignant même un taux d’erreur de seulement 2,6 % pour l’année 2022. Cette précision exceptionnelle transforme la prédiction de la flotte en une base solide et fiable pour la suite de l’analyse.
Avec une projection de flotte crédible en main, l’étape suivante consistait à modéliser le comportement de charge quotidien. C’est ici que le modèle devient véritablement riche et réaliste. Plutôt que de supposer que les conducteurs branchent leurs voitures de manière aléatoire, les auteurs ont construit une simulation basée sur les « chaînes de déplacements ». Cette approche reconnaît que les trajets des individus ne sont pas isolés, mais forment une séquence logique : partir de chez soi pour aller travailler, puis faire des courses, avant de rentrer à la maison. L’étude catégorise les destinations en quatre types : domicile (H), travail (W), loisirs et social (SR), et autres (O). Les données montrent que la majorité des chaînes de déplacement commencent et se terminent au domicile, ce qui souligne l’importance fondamentale du chargement résidentiel.
La simulation intègre des éléments de comportement humain réalistes. L’heure de départ du premier trajet de la journée suit une distribution statistique bimodale, reflétant les pics de circulation du matin et de l’après-midi. La distance parcourue pour chaque segment de trajet est modélisée comme une distribution log-normale, une caractéristique bien établie des déplacements urbains. En combinant ces éléments, le modèle peut générer des milliers de profils de conduite virtuels, chacun avec ses propres habitudes et besoins énergétiques.
Un des aspects les plus novateurs de cette recherche est son intégration rigoureuse de l’effet de la température sur la batterie. Les batteries lithium-ion, cœur des VE modernes, sont sensibles aux conditions thermiques. À 0 °C, la capacité de la batterie chute à environ 79 % de sa valeur nominale, réduisant l’autonomie et forçant les conducteurs à recharger plus souvent. En outre, l’énergie nécessaire pour réchauffer la batterie en hiver diminue l’efficacité de la charge. Inversement, à 35 °C, bien que la capacité puisse légèrement dépasser 100 %, l’efficacité de charge tombe à 91 % car le système de refroidissement s’active pour protéger la batterie du surchauffage. Ce n’est qu’à une température idéale de 25 °C que la capacité et l’efficacité atteignent leur maximum. Ignorer ces variations peut conduire à une sous-estimation massive de la demande d’énergie, en particulier dans les régions aux climats extrêmes.
La simulation a été exécutée sur une période de dix ans, de 2023 à 2033. Chaque année, le nombre de VE prédit a été utilisé pour simuler le comportement de charge de toute la flotte. Les résultats offrent une vue d’ensemble détaillée de l’évolution spatiale et temporelle de la demande.
Les données révèlent une tendance claire de croissance exponentielle de la flotte de VE dans la région étudiée. Partant d’un parc de 94 050 véhicules en 2022, le modèle prévoit une augmentation continue, alimentée par les politiques gouvernementales, la baisse des coûts des batteries et une acceptation croissante des consommateurs. Cette croissance se traduit directement par une demande accrue d’électricité pour la recharge.
L’analyse de la distribution spatiale de la charge confirme que la zone résidentielle (H) est le lieu dominant pour le chargement. Cela correspond aux habitudes des utilisateurs, qui préfèrent charger leur véhicule pendant la nuit à domicile, où les bornes de 7 kW sont courantes. Le profil de charge résidentielle montre un motif à double pic, avec des augmentations d’activité à midi et en fin d’après-midi, probablement en raison du branchement après le retour du travail et des recharges supplémentaires pendant les séjours prolongés.
En revanche, la charge sur le lieu de travail (W) atteint son pic vers 9h00, peu après l’arrivée matinale, tandis que les zones de loisirs et de divertissement (SR) connaissent une hausse vers midi, coïncidant avec les pauses déjeuner et les sorties du week-end. Les autres zones montrent une demande relativement faible, indiquant une infrastructure de charge limitée ou une fréquence de visite moindre. Les stations de charge rapide publiques, modélisées à 60 kW, contribuent significativement pendant la journée, mais représentent une part plus faible de l’énergie totale fournie par rapport à la charge plus lente et de plus longue durée à domicile.
L’analyse temporelle des courbes de charge journalières de 2023 à 2033 montre une tendance ascendante constante de la charge de pointe, avec les pics de demande les plus élevés se produisant autour de 18h00. Ce moment coïncide avec la convergence de plusieurs facteurs : les conducteurs rentrent chez eux, branchent leur véhicule après les trajets professionnels, et la consommation énergétique domestique augmente en fin d’après-midi. Avec l’augmentation de la pénétration des VE, ce pic vespéral devient de plus en plus prononcé, posant un défi concret aux gestionnaires de réseau qui doivent équilibrer offre et demande.
Une des découvertes les plus révélatrices concerne l’impact de la température sur la charge. Les simulations réalisées à 0 °C, 25 °C et 35 °C ont révélé que les conditions froides et chaudes conduisent à une consommation d’électricité totale plus élevée. À 0 °C, non seulement la capacité de la batterie diminue, nécessitant des recharges plus fréquentes, mais le système de gestion thermique du véhicule consomme de l’énergie supplémentaire pour réchauffer le bloc-batterie, réduisant l’efficacité de charge. De même, à 35 °C, les systèmes de refroidissement s’activent pour prévenir la surchauffe, réduisant également l’efficacité nette du transfert d’énergie.
En conséquence, la charge journalière totale était plus élevée dans les conditions hivernales et plus faible dans les conditions idéales de 25 °C. Cela a d’importantes implications pour la planification du réseau, surtout dans les régions aux variations saisonnières marquées. Les entreprises de services publics doivent se préparer à une demande plus élevée en hiver, non seulement à cause des charges de chauffage, mais aussi parce que les véhicules électriques nécessitent plus d’énergie par kilomètre parcouru et des temps de charge plus longs.
L’étude a également mis en lumière l’importance d’une prévision à long terme précise pour le développement de l’infrastructure. À mesure que l’adoption des véhicules électriques augmente, la nécessité de stations de charge stratégiquement placées croît. Surdimensionner conduit à un investissement gaspillé, tandis que sous-dimensionner génère de la frustration chez les utilisateurs et de l’anxiété quant à l’autonomie. En projetant à la fois la quantité et l’emplacement de la future demande de charge, ce modèle fournit des informations précieuses aux urbanistes, aux entreprises de services publics et aux décideurs politiques.
La domination persistante du chargement à domicile suggère que des mises à niveau électriques résidentielles pourraient être nécessaires pour supporter des charges simultanées plus élevées, en particulier dans les complexes résidentiels anciens. À l’inverse, la demande modérée mais constante sur les lieux de travail et les lieux publics indique des opportunités pour un déploiement progressif de chargeurs de puissance moyenne, évitant des dépenses de capital prématurées.
En outre, l’intégration des effets de la température dans le modèle permet une planification spécifique au climat. Les villes aux climats plus froids pourraient avoir besoin de prioriser les solutions de charge rapide pour minimiser les temps d’attente et améliorer l’expérience utilisateur pendant les mois d’hiver. Dans les régions plus chaudes, une gestion thermique efficace de l’équipement de charge devient essentielle pour maintenir les performances et la longévité.
D’un point de vue politique, la recherche soutient l’idée de programmes d’incitation qui encouragent la charge en dehors des heures de pointe. Les tarifs d’utilisation dépendant de l’heure, les algorithmes de charge intelligente et les technologies « véhicule vers réseau » (V2G), où les véhicules renvoient de l’énergie au réseau, pourraient aider à lisser le pic vespéral et à déplacer la charge vers les heures nocturnes, lorsque la production d’énergie renouvelable, en particulier éolienne, est souvent abondante. De telles stratégies amélioreraient la stabilité du réseau et maximiseraient les bénéfices environnementaux des véhicules électriques.
La robustesse du modèle découle de sa conception holistique, qui combine la prévision de la flotte à un niveau macro avec la simulation du comportement individuel à un niveau micro. Alors que de nombreux modèles existants traitent ces aspects séparément, cette approche intégrée capture la boucle de rétroaction entre la taille de la flotte et les modèles d’utilisation individuels. À mesure que de plus en plus de personnes adoptent les véhicules électriques, des changements dans les modèles de conduite et de charge peuvent émerger, comme une plus grande confiance dans les trajets de longue distance ou des changements dans les emplacements de charge préférés, des facteurs qu’un modèle intégré seul peut anticiper.
Malgré ses forces, l’étude reconnaît certaines limites. Elle suppose une combinaison statique de types de véhicules et de technologies de batterie, alors que les progrès futurs en densité d’énergie et en vitesse de charge pourraient modifier les modèles de consommation. De plus, elle ne tient pas compte des flottes de véhicules partagés ou des véhicules électriques commerciaux, qui pourraient avoir des profils d’utilisation différents. Des extensions futures pourraient intégrer des chimies de batterie évolutives, des capacités de charge bidirectionnelle et des signaux de prix dynamiques pour affiner encore les prévisions.
Néanmoins, le cadre actuel représente une avancée significative dans la prévision de la charge des véhicules électriques à long terme. Son application va au-delà de la Chine, offrant un modèle pour les régions connaissant des transitions d’électrification similaires. Que ce soit en Europe, en Amérique du Nord ou sur les marchés émergents, les principes d’intégration de la croissance de la flotte, du comportement humain et des conditions environnementales restent universellement pertinents.
En conclusion, la recherche de Yu, Gao et Yang offre une perspective tournée vers l’avenir sur la relation évolutionnaire entre les systèmes de transport et d’énergie. En prévoyant avec précision la possession de véhicules électriques et la demande de charge pour la prochaine décennie, leur modèle dote les parties prenantes des outils nécessaires pour construire un écosystème de charge résilient, efficace et durable. Alors que le monde progresse vers un avenir à zéro émission, des études comme celle-ci fournissent la base analytique sur laquelle des décisions d’infrastructure intelligentes sont prises.
Modern Electronics Technique, reconnue pour son processus rigoureux d’évaluation par les pairs et son accent sur l’innovation technologique appliquée, continue d’être une plateforme vitale pour la recherche de pointe dans les systèmes énergétiques et l’ingénierie électronique. L’engagement de la revue à publier des études à fort impact garantit que des avancées comme celle-ci atteignent chercheurs et professionnels, favorisant la collaboration et accélérant le progrès.
Ce travail, soutenu par la National Natural Science Foundation of China (Grant No. 52077107), est un exemple emblématique du type de recherche interdisciplinaire nécessaire pour relever les défis énergétiques complexes. En combinant la science des données, la modélisation des transports et l’ingénierie électrique, les auteurs ont créé un outil puissant pour naviguer le chemin de la mobilité électrique.
Mengtong Yu, Hui Gao, Fengkun Yang, Université des Postes et Télécommunications de Nanjing, NARI Technology Development Limited Company, Modern Electronics Technique, DOI: 10.16652/j.issn.1004-373x.2024.06.009