Prévoir la charge des véhicules électriques
La révolution des véhicules électriques (VE) est en marche, mais son véritable défi ne réside pas seulement dans la technologie des batteries, mais dans la capacité des villes et des réseaux électriques à gérer l’impact de millions de décisions individuelles. Chaque trajet, chaque choix de station de recharge, chaque décision de charger maintenant ou plus tard, est influencé par un écheveau complexe de facteurs : le prix de l’électricité, les conditions météorologiques, les habitudes de déplacement et, surtout, la psychologie humaine. Un nouveau modèle de pointe, présenté dans la revue Electric Power Construction, promet de transformer radicalement notre compréhension de ce phénomène. Développé par une équipe de recherche dirigée par Ding Leyan et Ke Song de l’Université de Wuhan, en collaboration avec des experts du centre de recherche de China Southern Power Grid, ce modèle va bien au-delà des simples prévisions de charge. Il intègre pour la première fois de manière systématique la dynamique du trafic urbain, l’impact des facteurs externes et, fait révolutionnaire, la psychologie du conducteur, créant ainsi un outil de simulation d’une réalisme et d’une puissance inégalés.
Les modèles de prédiction de la charge des VE antérieurs ont souvent adopté une approche réductrice, traitant les voitures comme des charges statiques ou analysant leurs modèles de charge comme une simple série temporelle. Ces approches, bien que utiles, ignorent des éléments critiques de la réalité. Une voiture n’est pas un appareil connecté à un réseau de manière isolée ; c’est un véhicule en mouvement, partie intégrante d’un système de transport dynamique et congestionné. Sa consommation d’énergie ne dépend pas uniquement de la distance parcourue, mais aussi des conditions de circulation, des arrêts et démarrages fréquents, et de l’utilisation des systèmes de climatisation. De plus, la décision de charger n’est pas un calcul purement rationnel, mais une décision profondément enracinée dans les émotions, les attentes et les priorités personnelles du conducteur. Le modèle développé par Ding, Ke et leurs collègues représente un saut qualitatif en intégrant ces trois mondes : la physique du trafic, l’économie de l’énergie et la psychologie de l’utilisateur, créant ainsi un outil de simulation qui est remarquablement plus réaliste et utile.
Le fondement du modèle est un « modèle de réseau routier semi-dynamique » qui transforme une simple représentation statique de rues et d’intersections en une simulation vivante de la ville. Le réseau est divisé en zones fonctionnelles clés : zones résidentielles, commerciales et industrielles. Cette segmentation est cruciale, car elle reconnaît que les modèles de déplacement et de recharge sont fondamentalement différents selon l’emplacement. Un conducteur qui rentre chez lui après le travail a des motivations différentes d’un chauffeur de taxi qui cherche sa prochaine course en centre-ville. Le modèle va plus loin en introduisant une variable dynamique : le temps de trajet sur chaque tronçon de route. Plutôt que de supposer que la vitesse est constante, le modèle calcule que le temps nécessaire pour parcourir un tronçon augmente à mesure que le trafic devient plus dense. Cette augmentation du temps de trajet n’entraîne pas seulement un retard pour le conducteur, mais augmente également directement la consommation d’énergie du véhicule, car les arrêts et démarrages fréquents sont inefficaces. En mettant à jour l’état du trafic à intervalles réguliers (toutes les 15 minutes dans cette étude), le modèle crée une boucle de rétroaction réaliste où le trafic affecte la consommation, et la consommation (à travers le besoin de recharge) affecte à son tour le trafic et la charge sur le réseau électrique.
Avec ce réseau routier semi-dynamique comme toile de fond, le modèle ajoute un autre niveau de complexité en examinant comment les facteurs externes influencent le comportement du conducteur. Le prix de l’électricité est un facteur économique évident et puissant. L’étude démontre que lorsque les prix sont élevés, de nombreux conducteurs retardent leur recharge, ce qui peut déplacer les pics de demande de la soirée à la nuit. À l’inverse, des prix bas peuvent inciter les utilisateurs à recharger davantage, créant potentiellement de nouvelles pressions sur le réseau. Le climat joue également un rôle double. Les températures extrêmes, qu’il s’agisse d’une chaleur accablante ou d’un froid intense, obligent le véhicule à utiliser plus d’énergie pour la climatisation, augmentant ainsi sa consommation totale. Mais le climat influence aussi la psychologie humaine. Une journée pluvieuse et désagréable peut dissuader les gens de sortir de chez eux pour des activités non essentielles, réduisant ainsi le nombre total de véhicules en circulation et, par conséquent, la demande globale de recharge. La saisonnalité est un autre facteur clé ; le modèle intègre un « coefficient saisonnier » qui reflète la consommation d’énergie plus élevée en hiver due au chauffage, ce qui se traduit par une fréquence de recharge plus élevée et une charge totale plus importante.
L’accomplissement le plus remarquable de cette recherche est toutefois son adoption de la « théorie des perspectives cumulatives » (Cumulative Prospect Theory), un cadre issu de l’économie comportementale. Cette théorie remet en question la notion selon laquelle les êtres humains prennent des décisions de manière entièrement rationnelle. Elle affirme que les gens évaluent les décisions en fonction de leurs gains et pertes perçus par rapport à un point de référence, et qu’ils sont plus sensibles à la douleur d’une perte qu’au plaisir d’un gain équivalent (une tendance connue sous le nom d’aversion à la perte). Les chercheurs ont appliqué cette théorie pour construire deux modèles d’utilité décisionnelle hautement différenciés : un pour les propriétaires de véhicules particuliers et un pour les chauffeurs de taxi, reconnaissant que leurs objectifs et contraintes sont radicalement différents.
Pour les propriétaires de véhicules particuliers, le modèle identifie deux points de référence psychologiques principaux : l’heure d’arrivée et l’état de charge (SOC) de la batterie. Un conducteur a une « heure d’arrivée prévue » avec une fenêtre de tolérance. Arriver en dehors de cette fenêtre est perçu comme une perte, et la gravité de cette perception négative augmente avec la sévérité du retard ou de l’avance. De même, le conducteur a un niveau de SOC prévu lorsqu’il quitte la maison. Si le niveau de batterie est en dessous de ce point de référence, cela génère une sensation d’anxiété ou de risque. Le modèle quantifie ces émotions, montrant comment un conducteur pourrait être prêt à payer un prix plus élevé pour l’électricité ou à parcourir un trajet plus long jusqu’à une station de recharge préférée pour éviter la « perte » subjective d’arriver en retard ou de tomber en panne de batterie. Cette approche permet au modèle de prédire non seulement quand un véhicule a besoin de charge, mais aussi quand le conducteur se sentira suffisamment motivé pour agir.
Le modèle pour les chauffeurs de taxi est encore plus sophistiqué, car leur conduite est une source directe de revenus. Leur prise de décision est un équilibre constant entre le temps et l’argent. L’étude développe un « modèle d’utilité décisionnelle de fin de service » qui analyse le choix d’un chauffeur de taxi à la fin de sa journée de travail. Doit-il accepter une dernière course ? La décision est basée sur la valeur perçue de la course par rapport au coût en temps et en énergie. Le modèle intègre un point de référence pour les revenus attendus. Une course qui dépasse cette attente est perçue comme un gain, tandis qu’une course qui la déçoit est ressentie comme une perte. Les simulations ont révélé que la sensibilité d’un conducteur au temps par rapport à l’argent varie considérablement. Certains conducteurs, fortement averses à la perte de revenus, accepteront une course longue et bien rémunérée, même si cela signifie rentrer chez eux très tard. D’autres, qui priorisent le temps avec leur famille, refuseront une course lucrative s’ils doivent rester dehors tard dans la nuit. En simulant ce processus de prise de décision complexe, le modèle peut prédire avec une grande précision quand et où les chauffeurs de taxi chercheront à recharger.
L’un des aspects les plus innovants de ce travail est la transition de la prédiction à l’action. Au-delà de la simple prédiction du comportement, le cadre proposé inclut une « stratégie de guidage » conçue pour influencer les décisions des utilisateurs au profit du réseau électrique. Pour un conducteur particulier qui se recharge avant un trajet prévu, le système peut recommander un léger ajustement de son heure de départ ou un changement de la puissance de charge. Par exemple, si le modèle prévoit que le conducteur arrivera en retard et éprouvera une utilité négative, il pourrait suggérer de partir 10 minutes plus tôt. Si le conducteur s’inquiète de son SOC, il pourrait recommander d’augmenter la vitesse de charge pendant les 15 dernières minutes pour atténuer son anxiété. Pour les chauffeurs de taxi, la stratégie de guidage agit comme un système de dispatch intelligent, recommandant une course spécifique parmi une liste d’options disponibles. Il ne choisit pas simplement la course la mieux payée ; il choisit la course qui maximise l’utilité totale du conducteur, en équilibrant gains et temps. Cela pourrait signifier recommander une course plus courte et moins lucrative à un conducteur qui apprécie de rentrer tôt, ou une course plus longue et mieux payée à un conducteur qui priorise la maximisation de ses gains. Les simulations ont montré que ces stratégies de guidage ont été très efficaces, augmentant considérablement l’utilité décisionnelle tant pour les conducteurs particuliers que pour les chauffeurs de taxi, conduisant à une expérience utilisateur plus satisfaisante.
Les résultats de la simulation offrent une image vivante de la façon dont la charge des véhicules électriques se répartit dans une ville. Comme prévu, les zones résidentielles connaissent un pic de recharge significatif la nuit, entre 21h30 et 22h30, lorsque les conducteurs rentrent chez eux et branchent leurs véhicules. Les zones commerciales, quant à elles, connaissent un pic plus tôt, entre 17h30 et 19h00, alimenté par les conducteurs qui se rechargent pendant le dîner ou pendant leurs courses. Le modèle démontre également la sensibilité du réseau à la pénétration des véhicules électriques. Lorsque la proportion de VE dans la flotte de véhicules passe de 60 % à 80 %, la charge totale maximale augmente de plus de 32 %, soulignant la nécessité d’améliorations du réseau. L’étude montre aussi que des prix plus élevés de l’électricité peuvent réduire la charge de pointe d’environ 28 % en décourageant la recharge, tandis que les saisons froides peuvent augmenter la charge de pointe de 24 % en raison de la consommation d’énergie plus élevée.
Cette recherche représente un progrès significatif dans le domaine de la prévision de la charge des véhicules électriques. En allant au-delà des hypothèses simplistes et en embrassant la complexité complète du comportement humain et des systèmes urbains, Ding, Ke et leurs collègues ont créé un outil qui n’est pas seulement prédictif, mais aussi prescriptif. Il peut être utilisé pour concevoir des schémas de tarification horaire plus efficaces, planifier l’emplacement optimal de nouvelles stations de recharge et développer des systèmes intelligents de gestion de la charge qui peuvent lisser les pics de demande et prévenir les surcharges du réseau. La capacité du modèle à simuler les effets de différentes politiques et scénarios fournit une plateforme puissante pour la planification stratégique. Par exemple, une ville pourrait utiliser ce modèle pour évaluer l’impact d’une nouvelle taxe de congestion sur les modèles de déplacement et de recharge des véhicules électriques, ou une compagnie électrique pourrait l’utiliser pour évaluer les avantages d’un nouveau programme de réponse à la demande qui incite à la recharge en dehors des heures de pointe.
Le travail souligne également l’importance de la recherche interdisciplinaire. Résoudre les défis de la transition énergétique exige une collaboration entre ingénieurs électriques, informaticiens, urbanistes et économistes comportementaux. Cette étude est un exemple paradigmatique de cette collaboration, qui combine des compétences en systèmes de puissance, modélisation du flux de trafic et psychologie cognitive. Les chercheurs reconnaissent que leur modèle est un point de départ et que davantage de travail est nécessaire, notamment la collecte de données du monde réel pour valider et affiner les paramètres du comportement. Les recherches futures pourraient élargir le modèle pour inclure les week-ends et les jours fériés, différents types d’infrastructures de recharge et le potentiel de la technologie véhicule-réseau (V2G), où les véhicules électriques peuvent renvoyer de l’énergie vers le réseau.
En conclusion, le modèle présenté par Ding Leyan, Ke Song et leur équipe offre une vision beaucoup plus réaliste et nuancée de l’avenir de la recharge des véhicules électriques. Il reconnaît que le réseau électrique de demain sera façonné non seulement par la technologie, mais par des millions de décisions quotidiennes prises par des conducteurs qui naviguent dans leur vie. En comprenant et en intégrant la psychologie derrière ces décisions, cette recherche fournit un outil crucial pour construire un système énergétique plus intelligent, résilient et durable. C’est une contribution vitale à l’effort continu pour gérer l’électrification des transports de manière à être efficace, équitable et bénéfique pour toutes les parties prenantes.
Ding Leyan, Ke Song, Zhang Fan, Lin Xiaoming, Wu Mengwei, Zhang Jieming, Yang Jun, Wuhan University, Electric Power Construction, DOI: 10.12204/j.issn.1000-7229.2024.06.002