Recharge Intelligente et IA Stabilisent le Réseau Électrique
Alors que les véhicules électriques (VE) connaissent une popularité croissante sur les marchés mondiaux, leur intégration aux réseaux électriques présente à la fois des opportunités et des défis. Bien que les VE promettent un avenir des transports plus propre, leur adoption généralisée introduit de nouvelles complexités dans les réseaux de distribution d’électricité. Des pics soudains de demande de recharge, combinés à la nature intermittente des sources d’énergie renouvelable comme le solaire et l’éolien, peuvent déstabiliser les réseaux locaux, entraînant des fluctuations de tension et des pertes de puissance accrues. Résoudre ces problèmes est essentiel pour construire des systèmes énergétiques résilients et durables.
Une étude révolutionnaire publiée dans Power System Protection and Control propose une solution prometteuse en combinant l’intelligence artificielle avec une gestion stratégique du réseau. La recherche, dirigée par Shidan Li et Hang Li du Laboratoire clé de contrôle de la transmission et de la conversion de l’énergie de l’Université Jiao Tong de Shanghai, introduit une nouvelle stratégie d’optimisation de la tension qui exploite l’apprentissage par renforcement profond, le partitionnement du réseau et l’apprentissage par imitation pour améliorer la stabilité et l’efficacité des réseaux de distribution.
L’étude intervient à un moment charnière. Les gouvernements du monde entier poussent à la décarbonation, les secteurs des transports et de l’énergie étant en première ligne de cette transition. En Chine, où la recherche a été menée, la promotion des véhicules à énergie nouvelle (VEN) est particulièrement agressive, soutenue par des politiques nationales visant à atteindre les objectifs de pic de carbone et de neutralité. Cependant, à mesure que de plus en plus de VE se branchent sur le réseau, en particulier aux heures de pointe, les services publics sont soumis à une pression croissante pour maintenir la qualité et la fiabilité de l’alimentation. Les méthodes traditionnelles de contrôle de la tension, qui reposent fortement sur la prévision et l’optimisation centralisée, sont souvent insuffisantes dans des environnements dynamiques en temps réel.
L’approche de l’équipe repense la façon dont les ressources énergétiques distribuées – telles que les grappes de VE, les systèmes photovoltaïques (PV) distribués et les compensateurs de puissance réactive comme les générateurs statiques de var (SVG) – peuvent être coordonnées pour stabiliser la tension du réseau. Au lieu de traiter le réseau entier comme un système monolithique, les chercheurs proposent un cadre décentralisé multi-agents où chaque dispositif contrôlable agit comme un décideur autonome. Ce passage du contrôle centralisé au contrôle distribué s’aligne sur l’architecture évolutive des réseaux intelligents modernes, où l’informatique en périphérie et la prise de décision localisée deviennent de plus en plus importantes.
Au cœur de la nouvelle méthode se trouve un algorithme d’apprentissage automatique avancé appelé GS-MADDPG – abréviation de Gradient de Politique Déterministe Multi-Agent basé sur un Signal de Guidage. Cet algorithme s’appuie sur les techniques existantes d’apprentissage par renforcement profond (DRL) mais aborde deux limitations majeures : l’attribution de crédit et l’inefficacité de l’exploration. Dans les systèmes multi-agents, il est souvent difficile de déterminer quel agent a le plus contribué à un résultat réussi, un problème connu sous le nom d’attribution de crédit. De plus, l’exploration aléatoire dans les phases initiales de formation peut conduire à de mauvaises performances et à une convergence lente, rendant le processus d’apprentissage inefficace et potentiellement dangereux pour les applications réelles.
Pour relever ces défis, les chercheurs ont introduit deux innovations clés. Premièrement, ils ont appliqué une stratégie de partitionnement du réseau qui divise le réseau de distribution en zones plus petites et gérables. Chaque zone fonctionne de manière semi-indépendante, permettant aux agents locaux de recevoir des retours en fonction de leur impact spécifique sur la tension et les pertes régionales. Ce découplage zonal des récompenses garantit que la contribution de chaque agent est évaluée plus précisément, améliorant l’équité et l’efficacité du processus d’apprentissage. Il réduit également la complexité du problème d’optimisation globale, permettant une convergence plus rapide et plus stable.
Deuxièmement, l’équipe a intégré l’apprentissage par imitation dans le pipeline d’entraînement. Plutôt que de partir de zéro avec des actions aléatoires, les agents IA sont initialement guidés par des démonstrations d’experts dérivées de méthodes d’optimisation conventionnelles, telles que la programmation conique du second ordre. Ces démonstrations servent de « signaux de guidage », façonnant le comportement initial des agents et les orientant vers des stratégies plus efficaces. Cette approche hybride – combinant l’imitation et l’apprentissage par renforcement – accélère l’entraînement, améliore l’efficacité de l’échantillonnage et réduit le risque d’actions dangereuses ou sous-optimales pendant la phase d’apprentissage.
L’un des aspects les plus innovants de l’étude est la modélisation des grappes de VE en tant qu’unités de stockage d’énergie généralisées (GES). Au lieu de gérer chaque véhicule individuellement, ce qui serait prohibitif sur le plan computationnel, les chercheurs ont utilisé la somme de Minkowski pour agréger les capacités de recharge de tous les VE d’une station de recharge donnée. Cette technique mathématique permet au système de représenter la flexibilité collective de centaines de véhicules comme une seule ressource contrôlable. Le modèle GES qui en résulte capture les limites de recharge agrégées, les contraintes de l’état de charge (SOC) et les modèles de mobilité des utilisateurs, permettant au système d’optimiser les calendriers de recharge tout en respectant les besoins individuels des utilisateurs.
Le modèle suppose que les propriétaires de VE fournissent des informations sur leurs heures d’arrivée et de départ, le SOC initial et le SOC final souhaité lors du branchement. Ces données, couramment collectées par les plateformes de recharge modernes, permettent au système de calculer des trajectoires de recharge réalisables pour chaque véhicule. En agrégeant ces trajectoires, la station de recharge peut offrir sa capacité totale disponible au réseau en tant que charge flexible ou même batterie virtuelle, capable d’absorber l’excès de production renouvelable ou d’injecter de l’énergie pendant les pics de demande.
L’intégration des systèmes PV distribués renforce encore les capacités du système. Contrairement aux générateurs conventionnels, les onduleurs PV modernes peuvent fournir un support de puissance réactive sans réduire leur production de puissance active. Cela signifie qu’ils peuvent aider à réguler les niveaux de tension en ajustant leur facteur de puissance, agissant comme des sources VAR dynamiques. Combinés aux SVG et au stockage basé sur les VE, ces dispositifs forment une boîte à outils puissante pour le contrôle de la tension en temps réel.
Les chercheurs ont testé leur approche sur un réseau de distribution IEEE 33 nœuds modifié, une référence standard dans la recherche sur les systèmes électriques. Le système de test comprenait deux stations de recharge de VE, trois installations PV et deux SVG, reflétant une configuration réaliste de réseau urbain ou suburbain. En utilisant des simulations de Monte Carlo, ils ont généré divers scénarios opérationnels qui capturaient l’incertitude de la production solaire et de la demande de charge, garantissant la robustesse de leur solution.
L’entraînement de l’algorithme GS-MADDPG a impliqué une phase d’apprentissage centralisée, où tous les agents étaient entraînés ensemble en utilisant des données historiques du réseau stockées dans un tampon de rejeu. Une fois entraînées, les politiques de contrôle étaient déployées de manière décentralisée, chaque agent exécutant des décisions localement sur la base de ses propres observations. Ce paradigme « d’entraînement centralisé avec exécution décentralisée » (CTDE) est particulièrement adapté au déploiement réel, car il réduit la surcharge de communication et améliore la résilience du système.
Les résultats étaient convaincants. Par rapport aux méthodes DRL traditionnelles, l’algorithme GS-MADDPG proposé a atteint une convergence plus rapide, une meilleure efficacité d’échantillonnage et une régulation de tension supérieure. En simulation, le système a réduit les violations de tension à zéro dans tous les scénarios de test, maintenant toutes les tensions des nœuds dans la plage sûre de 0,95 à 1,05 par unité. Les pertes réseau ont également été significativement réduites, surpassant à la fois le DRL conventionnel et même une approche d’optimisation centralisée day-ahead qui reposait sur des prévisions parfaites.
Peut-être plus impressionnant encore, l’algorithme a démontré une forte robustesse dans des conditions extrêmes. Lorsqu’il a été testé dans un scénario de charge à 110% – simulant des pics de demande inattendus ou des erreurs de prévision – le contrôleur GS-MADDPG a maintenu des niveaux de tension stables, tandis que la méthode centralisée n’a pas pu empêcher les violations. Cela met en évidence un avantage clé du contrôle adaptatif basé sur les données : sa capacité à répondre efficacement à des événements imprévus sans dépendre de prévisions précises.
D’un point de vue pratique, les implications de cette recherche sont significatives. Les services publics et les opérateurs de réseau peuvent utiliser de tels systèmes pilotés par l’IA pour gérer des niveaux croissants de ressources énergétiques distribuées sans investir dans des mises à niveau coûteuses des infrastructures. En tirant parti de la flexibilité inhérente à la recharge des VE et à la production basée onduleurs, ils peuvent différer ou même éviter les dépenses en capital pour de nouveaux transformateurs, condensateurs ou lignes de transmission.
De plus, l’approche soutient la vision plus large de l’intégration véhicule-réseau (V2G), où les VE ne sont pas seulement des consommateurs d’électricité mais des participants actifs aux services du réseau. Alors que les prix des batteries continuent de baisser et que la recharge bidirectionnelle devient plus courante, le potentiel des VE à fournir des services auxiliaires – tels que la régulation de fréquence, l’écrêtement des pointes et le support de tension – ne fera que croître. Cette étude fournit un cadre évolutif et intelligent pour débloquer ce potentiel.
Le succès de l’algorithme GS-MADDPG souligne également l’importance de la collaboration interdisciplinaire dans la recherche énergétique moderne. Le travail se situe à l’intersection de l’ingénierie des systèmes électriques, de l’apprentissage automatique et de la recherche opérationnelle, puisant des techniques dans chaque domaine pour créer une solution plus efficace. Il reflète une tendance croissante dans l’industrie : la fusion de l’expertise métier avec l’IA de pointe pour résoudre des problèmes complexes du monde réel.
Pour les constructeurs automobiles et les fournisseurs de services de recharge, les résultats offrent des insights précieux. Alors qu’ils conçoivent la prochaine génération de VE et de réseaux de recharge, incorporer des capacités de recharge intelligente qui supportent des comportements respectueux du réseau deviendra de plus en plus important. Les véhicules équipés de systèmes de communication et de contrôle avancés pourraient répondre automatiquement aux signaux du réseau, ajustant leur taux de recharge pour aider à maintenir la stabilité. Cela profite non seulement au réseau mais ouvre également de nouvelles sources de revenus pour les propriétaires de véhicules grâce aux programmes de gestion de la demande.
Les régulateurs et les décideurs politiques devraient également en prendre note. L’étude démontre qu’avec les bons outils technologiques, une pénétration élevée des VE ne doit pas se faire au détriment de la fiabilité du réseau. Cependant, réaliser cette vision nécessite des politiques de soutien, telles que des protocoles de communication standardisés, une compensation équitable pour les services de réseau et des incitations à l’adoption de la recharge intelligente. Les cadres réglementaires doivent évoluer pour s’adapter à ces nouveaux paradigmes.
À l’avenir, l’équipe de recherche prévoit d’étendre son travail à des réseaux de distribution plus vastes et complexes et d’explorer l’intégration de technologies de stockage d’énergie supplémentaires. Ils étudient également comment les mêmes principes pourraient être appliqués aux micro-réseaux et aux systèmes électriques industriels, où la stabilité de la tension est tout aussi critique.
En conclusion, l’étude de Shidan Li, Hang Li et de leurs collègues représente une avancée significative dans la quête de réseaux électriques plus intelligents et plus résilients. En combinant le partitionnement du réseau, l’apprentissage par imitation et l’apprentissage par renforcement multi-agents, ils ont développé un outil puissant pour gérer la complexité croissante des systèmes de distribution modernes. Alors que le monde s’oriente vers un avenir dominé par la mobilité électrique et les énergies renouvelables, de telles innovations seront essentielles pour garantir une transition en douceur et durable.
Shidan Li, Hang Li, Guojie Li, Bei Han, Jin Xu, Ling Li, Hongtao Wang, Laboratoire clé de contrôle de la transmission et de la conversion de l’énergie, Ministère de l’Éducation (Université Jiao Tong de Shanghai), Shanghai PeiKe Technology Co., Ltd., Jiaxing Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240117