Réseaux Intelligents : la Synergie Voiture-Grid
L’essor fulgurant des véhicules électriques (VE) ne se limite plus à la route ; il révolutionne en profondeur la manière dont nous produisons, distribuons et consommons l’énergie. Alors que des millions de batteries sur roues se connectent au réseau, et que les énergies renouvelables comme le solaire et l’éolien deviennent dominantes, les réseaux électriques traditionnels sont soumis à une pression inédite. Les fluctuations de tension, les pertes d’énergie et les schémas de consommation imprévisibles menacent la stabilité du système. Dans ce contexte, une stratégie de contrôle innovante, développée par une équipe de chercheurs chinois, émerge comme une solution prometteuse, démontrant comment les véhicules électriques eux-mêmes, ainsi que les microréseaux, peuvent devenir les piliers d’un réseau plus stable, plus efficace et centré sur l’utilisateur.
Publiée dans la prestigieuse revue Automation of Electric Power Systems, une étude pionnière présente une stratégie de contrôle coordonné en deux couches qui intègre intelligemment les VE et les microréseaux pour optimiser le flux de puissance active et réactive. Dirigée par Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Xuecheng Liu et Leyan Ding, de l’Université de Wuhan et de l’Institut de Recherche Électrique de la China Southern Power Grid Company Limited, ce travail ne se contente pas de résoudre des problèmes techniques ; il place le comportement humain et les besoins du conducteur au cœur du système de contrôle.
Le modèle, décrit dans l’article intitulé « Bi-layer Coordinated Control Strategy of Distribution Network Considering Participation of Electric Vehicles and Microgrid », représente une avancée significative dans la gestion des réseaux intelligents. Contrairement aux méthodes traditionnelles qui s’appuient sur des équipements fixes comme les bancs de condensateurs ou les compensateurs statiques de réactif (SVC), cette nouvelle approche traite les véhicules électriques et les microréseaux comme des actifs dynamiques et flexibles. Ils peuvent agir comme des sources d’énergie mobiles, capables de fournir à la fois de la puissance active et réactive selon les besoins du réseau, transformant ainsi un problème potentiel de charge en une solution de gestion énergétique.
L’essence de la stratégie réside dans son architecture en deux niveaux. Le niveau supérieur, ou couche de réseau de distribution, agit comme le cerveau central. Ce contrôleur supérieur surveille en continu l’état du réseau – tensions, flux de puissance, charges – et prend des décisions stratégiques. Sur la base de ces informations, il envoie des signaux de contrôle à trois types d’unités clés : les SVC, les stations de recharge de VE et les microréseaux. Son objectif est de maintenir la tension dans des limites sûres et de minimiser les pertes d’énergie dans le réseau.
Le niveau inférieur, ou couche de microréseau, est là que se produit la coordination locale. Lorsqu’un microréseau reçoit un signal de puissance d’échange du contrôleur supérieur, son propre système de contrôle interne entre en action. Ce contrôleur local coordonne de manière intelligente toutes les ressources disponibles au sein du microréseau : onduleurs photovoltaïques, microturbines, systèmes de stockage d’énergie et, dans certains cas, des charges contrôlables. Par exemple, si plus de puissance réactive est nécessaire, les onduleurs solaires peuvent ajuster leur facteur de puissance pour l’injecter. Si de la puissance active est requise, une batterie ou une microturbine peut augmenter sa sortie. Cette délégation hiérarchique garantit que les décisions de haut niveau se traduisent en actions concrètes et réalisables au niveau des équipements, rendant le système plus agile et plus efficace.
Ce qui distingue véritablement ce modèle, c’est sa considération profonde du comportement humain. Les chercheurs comprennent que les propriétaires de VE ne sont pas de simples nœuds passifs dans le réseau ; ce sont des utilisateurs avec des horaires, des routines et des besoins spécifiques. Interrompre leur recharge pour répondre aux exigences du réseau peut générer de la frustration et de la méfiance, sapant la viabilité à long terme de tout système V2G (vehicle-to-grid). Pour surmonter ce défi, l’équipe a développé un modèle sophistiqué basé sur les « chaînes de déplacement ».
Ce modèle simule le mouvement spatial et temporel des véhicules électriques au cours de la journée, divisant leur environnement en zones comme la maison, le lieu de travail et les espaces publics. En analysant les schémas de conduite, de stationnement et de recharge, le système peut prédire avec une grande précision quand et où un véhicule sera connecté et disponible pour interagir avec le réseau. Cela permet au contrôleur de prendre des décisions plus éclairées, en évitant de demander de l’énergie à un véhicule qui doit être entièrement chargé pour un trajet important.
Pour intégrer cette sensibilité à l’utilisateur, les chercheurs ont introduit un concept crucial : la « perte de demande de l’utilisateur ». Plutôt que de traiter tous les véhicules de la même manière, cet indicateur mesure la différence entre la vitesse maximale de recharge possible d’un VE et sa vitesse de recharge réelle sous contrôle du réseau. Si cette différence est importante, cela signifie que l’utilisateur subit un retard de recharge, ce qui constitue une perte de sa demande. En intégrant ce coût dans la fonction de récompense de l’algorithme de contrôle, le système est formé pour minimiser ce malaise, garantissant que la participation au V2G n’interfère pas avec les besoins essentiels du conducteur.
La gestion de cette complexe optimisation multi-objectifs – équilibrer la stabilité du réseau, réduire les pertes et respecter les besoins de l’utilisateur – exige une intelligence artificielle avancée. Les chercheurs ont mis en œuvre une version améliorée de l’Apprentissage par Renforcement Profond Évolutionnaire (EDRL). Cette technique combine le pouvoir de recherche global des algorithmes évolutionnaires avec la capacité d’apprentissage adaptatif de l’apprentissage par renforcement profond (DRL). Les méthodes DRL conventionnelles restent souvent bloquées dans des solutions sous-optimales, notamment dans des environnements aux « récompenses trompeuses », où une action qui semble avantageuse à court terme peut être préjudiciable à long terme. L’algorithme EDRL amélioré surmonte cet obstacle en intégrant une « recherche de nouveauté », qui encourage l’agent de contrôle à explorer de nouvelles stratégies plutôt que de rester coincé dans un optimum local.
En pratique, l’algorithme apprend à travers des milliers de simulations. Toutes les 15 minutes, il observe l’état du réseau (les variables d’état), choisit une action (les signaux de contrôle pour les SVC, les microréseaux et les stations de recharge) et reçoit une « récompense » basée sur un ensemble de métriques. Cette récompense est une valeur composite qui pénalise les écarts de tension, les pertes de réseau et, de manière cruciale, la perte de demande de l’utilisateur. Grâce à ce processus d’essai et d’erreur, l’algorithme apprend une politique de contrôle qui maximise la récompense totale, trouvant un équilibre optimal entre tous les objectifs.
Pour valider leur stratégie, l’équipe a mené des simulations sur un réseau de distribution IEEE à 33 nœuds modifié, un modèle standard dans l’industrie. Le scénario comprenait des profils de charge réalistes, des données de génération solaire avec du bruit pour simuler l’incertitude des prévisions et une flotte de 500 véhicules électriques répartis dans des stations de recharge résidentielles et commerciales. Les décisions de contrôle étaient prises toutes les 15 minutes sur une période de 24 heures.
Les résultats ont été éloquents. La stratégie proposée a maintenu toutes les tensions nodales dans la plage sûre de 0,95 à 1,05 p.u., même pendant les heures de pointe de charge entre 11h00 et 13h00. Par rapport à un algorithme d’optimisation par essaim de particules (PSO), la stratégie a réduit les pertes de réseau de 12,17 % et l’écart de tension de 65,68 %. Plus important encore, la « perte de demande de l’utilisateur » était minimale, démontrant que la stabilité du réseau et la satisfaction du client ne sont pas des objectifs mutuellement exclusifs.
En comparant l’algorithme EDRL amélioré avec d’autres, comme le DDPG (Deep Deterministic Policy Gradient) et une version non améliorée de l’EDRL, la performance était supérieure dans tous les aspects. Alors que le DDPG était bloqué dans un optimum local et affichait des performances médiocres, l’EDRL amélioré a atteint une convergence stable en seulement 20 000 à 30 000 épisodes d’entraînement, atteignant un niveau de contrôle bien plus élevé.
L’une des découvertes les plus révélatrices a été l’impact direct de la prise en compte de la demande de l’utilisateur. Lorsque les chercheurs ont désactivé le composant de coût de l’utilisateur dans la fonction de récompense, la perte de demande a augmenté de 4,1 fois, sans amélioration significative des métriques du réseau. Cette expérience prouve une vérité fondamentale : ignorer les besoins humains mène à des solutions techniquement inefficaces et socialement insoutenables. Un système énergétique véritablement intelligent doit, avant tout, respecter ses utilisateurs.
Le rôle des microréseaux dans cette architecture est fondamental. Ils agissent comme des intermédiaires efficaces entre le réseau principal et les ressources distribuées. Leur capacité à coordonner internement leurs actifs permet une réponse plus rapide et plus précise aux signaux de contrôle du réseau principal. Cela améliore non seulement la stabilité, mais réduit également la nécessité d’investissements coûteux dans une infrastructure de réseau centralisée, comme de nouveaux transformateurs ou condensateurs, rendant la solution plus économique et durable.
D’un point de vue politique, ce travail est parfaitement aligné sur les initiatives mondiales de décarbonation. Le 4 janvier 2024, la Commission nationale du développement et des réformes de Chine a publié des lignes directrices clés soulignant l’importance de la technologie V2G pour stimuler la transition énergétique. Cette étude fournit une base technique solide pour mettre en œuvre ces politiques, démontrant comment les algorithmes de contrôle intelligents peuvent transformer les véhicules électriques, d’une simple charge, en un actif précieux.
Les chercheurs reconnaissent que le travail a des limites. Le modèle actuel simplifie la complexité du marché de l’énergie et n’explore pas pleinement les mécanismes d’incitation qui pourraient favoriser une participation plus large. De plus, il suppose une communication parfaite, ce qui peut ne pas être réaliste dans tous les scénarios. De futures recherches se concentreront sur une modélisation plus détaillée de la réponse de l’utilisateur et sur l’intégration de signaux de marché.
Les implications de cette étude vont bien au-delà des frontières de la Chine. Alors que le monde s’électrifie, le modèle de contrôle en deux niveaux, conscient du comportement et basé sur l’intelligence artificielle, offre une feuille de route pour gérer des systèmes énergétiques de plus en plus complexes. Que ce soit dans une métropole avec des milliers de véhicules électriques ou dans une communauté rurale avec un microréseau isolé, le principe de coordination intelligente est universel.
Pour les opérateurs de réseau, le message est clair : l’avenir n’est pas dans le contrôle centralisé, mais dans l’intelligence distribuée. Les véhicules électriques, autrefois vus uniquement comme des consommateurs, émergent comme des ressources énergétiques mobiles. Les microréseaux, auparavant considérés comme des îlots isolés, sont désormais des acteurs actifs dans un écosystème énergétique plus vaste. Le succès de cette transition dépend d’une collaboration interdisciplinaire, et l’équipe de Fan, Yang, Wen, Ke, Liu et Ding le démontre parfaitement, en combinant expertise en ingénierie électrique, intelligence artificielle et politique énergétique. Leur travail est un phare, montrant que l’innovation technologique doit être ancrée dans un design centré sur l’humain.
La vision d’un réseau électrique intelligent, résilient et convivial pour l’utilisateur n’est plus une utopie lointaine. Elle est en train d’être construite aujourd’hui, un algorithme, un véhicule électrique et un microréseau à la fois.
La stratégie de contrôle coordonné en deux niveaux pour les réseaux de distribution en tenant compte de la participation des véhicules électriques et des microréseaux a été développée par Peixiao Fan, Jun Yang, Yuxin Wen, Song Ke, Xuecheng Liu et Leyan Ding du Centre de Recherche et de Technologie du Hubei pour les Réseaux de Distribution Intelligents AC/DC, École d’Ingénierie Électrique et d’Automatisation, Université de Wuhan, et de l’Institut de Recherche Électrique de la China Southern Power Grid Company Limited. Elle a été publiée dans Automation of Electric Power Systems, Vol. 48, No. 19, 10 octobre 2024, avec le DOI : 10.7500/AEPS20240203001.