Prévision précise de la demande de recharge des véhicules électriques
La révolution de la mobilité électrique ne se limite pas à une simple transformation des technologies automobiles ; elle redéfinit en profondeur l’ensemble de notre infrastructure énergétique. Alors que le nombre de véhicules électriques (VE) sillonnant nos routes ne cesse d’augmenter, la pression sur les réseaux de recharge s’intensifie de manière exponentielle. Une adoption massive et non coordonnée de ces véhicules, couplée à des habitudes de recharge imprévisibles, risque de provoquer des pics de demande massifs sur le réseau électrique, menaçant sa stabilité, en particulier durant les heures de pointe. Pour relever ce défi colossal et garantir un système énergétique à la fois stable, résilient et efficace, il devient impératif de prédire avec une extrême précision la répartition spatio-temporelle de la demande de recharge. Les modèles traditionnels, souvent basés sur des hypothèses simplistes de trajets aller-retour entre le domicile et le lieu de travail, ont atteint leurs limites. Ils échouent à capturer la complexité intrinsèque du comportement humain, la diversité des usages urbains et les contraintes réelles des réseaux routiers. C’est dans ce contexte que des chercheurs de l’Université du Sud-Est (Southeast University) en Chine ont publié une étude pionnière dans la revue Electric Power Engineering Technology. Leur travail présente un modèle de simulation d’une sophistication inédite, intégrant la théorie des chaînes de déplacements, des données géographiques détaillées et des algorithmes de planification de trajet pour prédire le comportement de recharge des VE avec une précision sans précédent.
L’innovation fondamentale de cette recherche réside dans son utilisation de la « chaîne de déplacement ». Contrairement aux modèles classiques, qui réduisent la journée d’un automobiliste à un simple trajet professionnel, la chaîne de déplacement modélise le parcours complet d’un utilisateur au cours de ses activités quotidiennes. Elle commence généralement à son domicile, mais s’étend à une série de déplacements interconnectés : un arrêt au travail, une course au supermarché, une visite chez le médecin, une séance de sport, ou encore une sortie au cinéma, avant de se conclure par le retour à la maison. Cette séquence complexe de déplacements et d’arrêts est le facteur déterminant qui dicte quand, où et pendant combien de temps un véhicule électrique aura besoin d’être rechargé. L’équipe de recherche, dirigée par Shen Xiaoqi, a réussi à traduire ce comportement humain en un modèle mathématique rigoureux. En simulant des milliers de ces chaînes de déplacement individuelles, ils parviennent à reproduire de manière réaliste la dynamique de la demande de recharge à l’échelle d’une ville entière. Ce modèle prend en compte des scénarios réalistes, comme un conducteur qui, après un long trajet au travail, branche son véhicule à une borne de recharge rapide sur son lieu de travail pour récupérer une partie de l’autonomie durant la journée. Ou encore, un utilisateur qui, après une séance de shopping en centre-ville, décide de profiter d’une session de recharge rapide pour s’assurer d’avoir suffisamment d’énergie pour rentrer chez lui. Ces nuances du comportement quotidien, souvent ignorées par les modèles antérieurs, sont au cœur de cette nouvelle approche.
Un autre pilier de la précision de cette simulation est l’intégration méticuleuse des données géographiques réelles. Les chercheurs ont divisé une ville cible en 191 zones fonctionnelles distinctes, catégorisées comme des zones résidentielles, des zones d’activités (bureaux, entreprises), des zones commerciales (centres-villes, centres commerciaux) et d’autres zones spécifiques. Chaque type de zone possède des caractéristiques propres qui influencent directement le comportement de recharge. Les zones résidentielles sont typiquement équipées de bornes de recharge lente, destinées à une recharge nocturne. Les zones d’activités, en revanche, sont souvent dotées de bornes de recharge rapide pour répondre aux besoins des employés pendant les heures de travail. Les zones commerciales, elles, privilégient les superchargeurs afin d’attirer les clients et de réduire leur temps d’attente. En attribuant des puissances de recharge spécifiques et des modèles de comportement distincts à chaque type de zone, le modèle peut simuler de manière extrêmement réaliste si et pendant combien de temps un conducteur décidera de recharger son véhicule à un endroit donné. La décision ne dépend pas uniquement du niveau de charge restant de la batterie (State of Charge, SOC), mais aussi de la durée de stationnement disponible et du type de borne accessible.
Pour modéliser avec précision les déplacements des véhicules entre ces différentes zones, l’équipe a recours à un algorithme fondamental de la théorie des graphes : l’algorithme de Floyd. Cet algorithme est capable de calculer le chemin le plus court entre n’importe quelle paire de nœuds dans un réseau routier complexe. Dans ce contexte, les nœuds représentent des carrefours ou des lieux importants, et les connexions entre eux sont les routes avec leurs longueurs respectives. En utilisant l’algorithme de Floyd pour déterminer le trajet le plus probable entre deux destinations, le modèle peut calculer avec une grande exactitude la distance réellement parcourue et le temps nécessaire. Cette détermination précise de la distance du trajet est essentielle pour simuler de manière réaliste la consommation d’énergie de chaque segment du voyage. L’algorithme tient compte de la géométrie réelle du réseau routier, y compris les sens uniques, les ronds-points et les différentes classes de routes, ce qui affine considérablement la simulation par rapport aux modèles qui se basent uniquement sur des distances à vol d’oiseau.
Le processus de simulation est un protocole itératif en plusieurs étapes. Tout d’abord, pour chaque véhicule électrique simulé, le modèle détermine le nombre de déplacements quotidiens et le nombre d’arrêts par trajet, en tirant aléatoirement ces valeurs de distributions statistiques basées sur des enquêtes de déplacement réelles. Ensuite, l’heure de départ du premier trajet de la journée est déterminée, généralement suivant une distribution normale, avec une moyenne plus tôt en semaine et plus tard le week-end. La séquence spécifique des destinations est ensuite simulée à l’aide d’une chaîne de Markov. Ce modèle mathématique décrit la probabilité de passer d’un type de zone donné (par exemple, résidentielle) à un autre (par exemple, lieu de travail ou centre commercial). Ainsi, la probabilité d’aller d’une zone résidentielle à un lieu de travail après une pause est beaucoup plus élevée un jour de semaine qu’un dimanche. Cette approche probabiliste capture fidèlement les habitudes et l’aléa inhérent au comportement humain en matière de déplacement.
Une fois la chaîne de déplacement établie pour un trajet, le modèle utilise l’algorithme de Floyd pour calculer le chemin le plus court entre chaque destination consécutive. Sur la base de la longueur de l’itinéraire et d’une vitesse moyenne supposée, le temps de conduite et la consommation d’énergie correspondante sont déterminés. À l’arrivée à une destination, une durée de stationnement est tirée aléatoirement d’une distribution de probabilité spécifique à ce type de zone. Par exemple, les durées de stationnement dans les zones résidentielles suivent généralement une distribution de Weibull, qui décrit des séjours longs, souvent nocturnes, tandis que les durées de stationnement dans les centres commerciaux suivent une distribution généralisée des valeurs extrêmes, qui décrit des temps plus courts et plus variables.
La logique centrale du modèle réside dans la décision de recharge. Lorsqu’un véhicule arrive à une destination, le modèle vérifie le SOC restant. Si celui-ci tombe en dessous d’un seuil critique de 25 %, une session de recharge est déclenchée. Même si le SOC est au-dessus de ce seuil, la recharge est initiée si l’énergie restante est insuffisante pour effectuer le prochain trajet de la chaîne. Cette logique prospective reflète le comportement réel des conducteurs, qui cherchent à éviter de se retrouver à court de batterie. La durée de la session de recharge est alors limitée par la durée de stationnement disponible et la puissance maximale de recharge de la borne située dans cette zone. Le modèle tient compte explicitement des différences entre les points de recharge lente dans les zones résidentielles et les stations de recharge rapide dans les zones d’activités et commerciales.
Les chercheurs ont appliqué leur modèle à une ville réelle, divisée en huit districts administratifs, et ont analysé les sessions de recharge de 100 000 véhicules électriques simulés sur une période de 24 heures. Les résultats ont révélé un schéma de « double pic » très net dans la charge totale de la ville. Le premier pic, plus modeste, s’est produit vers 7h00 du matin, causé par les véhicules qui arrivaient à leur lieu de travail après leurs trajets matinaux et commençaient à se recharger. La demande a ensuite diminué jusqu’en milieu d’après-midi, avant de remonter fortement à partir de 18h00. Le second pic, bien plus important, a atteint son maximum vers 22h00 et représentait une demande 1,28 fois supérieure à la moyenne quotidienne. Ce pic du soir est le résultat direct du retour des utilisateurs chez eux, où ils branchent leurs véhicules pour la nuit.
L’analyse a mis en évidence des différences significatives entre les différentes zones fonctionnelles. Dans les zones résidentielles, la courbe de charge montre une augmentation forte en fin de soirée et pendant la nuit, avec un rapport pic-vallée de 1,65. Dans les zones d’activités, en revanche, la charge atteint son pic beaucoup plus tôt dans la journée, vers 7h00, puis diminue progressivement. Un résultat particulièrement frappant est la disparité entre les zones résidentielles et les zones d’activités en soirée. Entre 21h00 et minuit, la charge dans les zones résidentielles était supérieure de 134,17 % à celle des zones d’activités. Cela souligne de manière impressionnante que la recharge à domicile est la pratique dominante.
L’étude a également démontré que la distribution de la charge dans les différents districts administratifs dépend fortement de leur composition interne en zones fonctionnelles. Un district (A), dominé par les zones d’activités, affichait une courbe de charge globale similaire à celle d’une zone d’activités typique, avec un pic matinal. Un autre district (B), composé majoritairement de zones résidentielles, présentait une courbe de charge qui suivait le modèle des zones résidentielles, avec un pic en soirée. Cette découverte est d’une importance capitale pour les urbanistes et les gestionnaires de réseau, car elle suggère que les besoins en infrastructure de recharge d’un district peuvent être prédits en analysant simplement son affectation des sols.
Pour valider leur méthode, les chercheurs ont comparé leurs prévisions avec celles d’un modèle établi de la littérature. La comparaison a montré que le nouveau modèle fournit une représentation plus précise de la charge, notamment en fin d’après-midi. Le modèle précédent sous-estimait la charge parce qu’il ne tenait pas suffisamment compte de la proportion plus élevée de recharge rapide dans les zones d’activités et commerciales pendant la journée. De plus, le nouveau modèle a prédit une différence plus faible entre la charge de pointe et la charge de creux, un résultat dû à la simulation plus réaliste de plusieurs trajets quotidiens, qui répartit la demande de recharge plus uniformément au fil de la journée par rapport aux modèles qui supposent un seul trajet aller-retour.
Les implications de cette recherche sont vastes et profondes. Pour les gestionnaires de réseau, ce modèle fournit un outil puissant pour anticiper les pics de charge et mettre en œuvre des stratégies de réponse à la demande ou planifier des travaux de maintenance pendant les périodes de faible consommation. Pour les urbanistes et les opérateurs de bornes de recharge, la capacité de prédire la demande dans des zones spécifiques permet une déploiement plus stratégique et rentable de l’infrastructure. La conclusion que la demande de recharge est principalement concentrée dans les zones résidentielles suggère fortement que la priorité devrait être donnée à l’installation de bornes de recharge dans les garages privés, les immeubles d’habitation et les parkings publics résidentiels.
En outre, le modèle est idéal pour l’analyse de scénarios et la planification à long terme. Les décideurs politiques peuvent l’utiliser pour évaluer l’impact de diverses incitations, comme les tarifs d’électricité dépendants de l’heure, conçus pour encourager la recharge pendant les heures creuses. En analysant comment différents types de districts réagissent à de telles politiques, les autorités peuvent adapter leurs stratégies pour maximiser la stabilité du réseau et minimiser les coûts d’infrastructure. Le modèle fournit également un cadre pour comprendre l’impact futur des véhicules autonomes et des services de mobilité partagée, qui pourraient radicalement modifier les chaînes de déplacement et, par conséquent, les schémas de recharge.
En résumé, la recherche de Shen Xiaoqi et de ses collègues de l’Université du Sud-Est représente une avancée majeure dans la prévision de la demande de recharge des véhicules électriques. En intégrant de manière fluide la théorie des chaînes de déplacement, des données géographiques détaillées et des algorithmes avancés de planification de trajet, ils ont créé un modèle qui saisit la véritable complexité de la mobilité humaine. Ce travail va bien au-delà des hypothèses simplistes et offre une base solide, fondée sur des données, pour l’intégration durable de millions de véhicules électriques dans nos réseaux électriques. Alors que le monde accélère sa transition vers la mobilité électrique, des outils comme celui-ci seront indispensables pour construire un avenir énergétique résilient, efficace et propre.
Shen Xiaoqi, Fang Xin, Tan Linlin, Li Xinguo, Sun Jiaqi, Southeast University, Electric Power Engineering Technology, DOI: 10.12158/j.2096-3203.2024.03.014