Stratégie de Charge Intelligente Optimise l’Intégration Véhicule-Réseau
L’essor des véhicules électriques (VE) est désormais une réalité incontournable, redessinant le paysage de la mobilité urbaine et industrielle à l’échelle mondiale. Alors que les modèles à combustion interne cèdent progressivement la place, une nouvelle ère de transport durable s’ouvre, portée par l’innovation technologique et les impératifs environnementaux. Pourtant, cette transition, bien que nécessaire, soulève une question critique : comment intégrer efficacement des millions de nouveaux consommateurs d’électricité dans les réseaux énergétiques existants sans compromettre leur stabilité ? Un scénario où chaque propriétaire de VE brancherait son véhicule à son retour à la maison, notamment en soirée, risquerait de créer des pics de demande massifs, menaçant l’intégrité du réseau, augmentant les coûts d’infrastructure et potentiellement rendant l’énergie moins abordable. La réponse ne réside pas dans un ralentissement de l’adoption, mais dans une transformation radicale de la relation entre le véhicule et le réseau. Plutôt que de voir les VE comme une menace, il faut les concevoir comme des acteurs actifs, capables non seulement de consommer de l’énergie, mais aussi de la fournir.
Une étude pionnière publiée dans la revue Intelligent City propose une solution élégante et pragmatique à ce défi, en mettant en avant une stratégie de contrôle basée sur le concept de Véhicule vers Réseau (V2G). Contrairement à de nombreuses recherches antérieures qui ont tendance à se concentrer sur des aspects purement techniques ou économiques, cette recherche, menée par Xue Jingyun de l’Institut Professionnel et Technique de Weinan et de l’École d’Ingénierie Mécanique et Électrique de l’Université de Technologie de Xi’an, aux côtés de son collègue Zhang Yinhuan, place délibérément le comportement humain au cœur de son modèle. Elle reconnaît une vérité fondamentale : les véhicules électriques appartiennent à des individus, avec des routines de vie, des horaires de travail et des besoins de mobilité spécifiques. Ignorer ces facteurs humains, c’est condamner toute stratégie à l’échec. C’est pourquoi les chercheurs ont développé un modèle de contrôle sophistiqué qui utilise l’algorithme d’optimisation par essaim de particules (PSO) pour trouver l’équilibre parfait entre les bénéfices économiques pour l’utilisateur et la stabilité du réseau, tout en respectant les contraintes imposées par la vie réelle.
Le concept de V2G est la pierre angulaire de cette stratégie. Il permet à un véhicule électrique, lorsqu’il est stationné et branché, de non seulement charger sa batterie, mais aussi de renvoyer de l’énergie vers le réseau électrique. Cela transforme le VE d’un simple consommateur passif en un actif énergétique mobile et bidirectionnel. Lorsque la demande sur le réseau est à son plus haut niveau (les heures de pointe), souvent en fin de journée, le VE peut décharger une partie de son énergie, aidant ainsi à « écrêter » le pic de consommation. En contrepartie, le propriétaire du véhicule est rémunéré pour ce service, généralement selon un tarif dynamique ou différencié. Inversement, pendant les périodes de faible demande, comme la nuit, le véhicule peut se recharger à un coût très réduit, voire négligeable. Cette capacité à stocker de l’énergie quand elle est abondante et à la restituer quand elle est rare est ce qui donne aux VE leur potentiel de transformation du système énergétique.
Le modèle présenté par Xue Jingyun et Zhang Yinhuan va bien au-delà d’une simple théorie. Il s’agit d’un cadre opérationnel conçu pour être mis en œuvre dans le monde réel. Le moteur de cette stratégie est l’algorithme PSO, une technique d’intelligence artificielle inspirée du comportement collectif observé dans la nature, comme les vols d’oiseaux ou les bancs de poissons. L’algorithme fonctionne en simulant un « essaim » de particules, chacune représentant une solution possible – dans ce cas, un ensemble spécifique de puissances de charge et de décharge pour chaque véhicule, à chaque heure de la journée. Ces particules « parcourent » un espace de solutions, ajustant leur trajectoire en fonction de leur propre performance passée (leur « meilleure position personnelle ») et de la performance du meilleur individu de l’essaim (la « meilleure position globale »). Grâce à ce processus itératif et coopératif, l’essaim converge rapidement vers la solution optimale, identifiant le calendrier de puissance échangée entre le véhicule et le réseau qui maximise un objectif prédéfini.
L’objectif principal de ce modèle est double, incarnant une véritable synergie entre l’intérêt individuel et collectif. Le premier volet est purement économique, axé sur l’utilisateur. Le modèle exploite les systèmes de tarification dynamique (Time-of-Use, TOU), où le prix de l’électricité fluctue en fonction de l’heure de la journée. Le propriétaire du VE peut ainsi charger son véhicule pendant les heures creuses (off-peak), lorsque la demande et le prix sont bas, et vendre de l’énergie au réseau pendant les heures de pointe (peak), lorsque le prix atteint son maximum. Cette capacité d’arbitrage énergétique peut considérablement réduire la facture d’électricité du propriétaire, voire générer un revenu net positif, transformant le véhicule en un véritable outil d’économie domestique.
Le second volet de l’objectif concerne la stabilité et l’efficacité du réseau. En incitant les véhicules à se décharger pendant les pics de demande et à se charger pendant les creux, le système agit comme un amortisseur géant, « nivelant » la courbe de charge quotidienne. Ce processus, connu sous le nom de « lissage de charge » ou « écrêtement des pics », réduit la puissance de pointe maximale (peak shaving) et remplit les creux (valley filling). Un facteur de charge plus élevé – le rapport entre la charge moyenne et la charge de pointe – indique une utilisation beaucoup plus efficace des infrastructures de production et de transport existantes. Cela permet de reporter ou d’éviter des investissements colossaux dans de nouvelles centrales électriques ou des renforcements du réseau, tout en réduisant la dépendance aux centrales de pointe, souvent à base de combustibles fossiles et à forte intensité carbone.
Ce qui distingue véritablement cette recherche, c’est son intégration profonde et rigoureuse des contraintes liées au comportement de l’utilisateur. Le modèle ne fonctionne pas dans un monde idéal sans contraintes ; il est ancré dans la réalité du quotidien. La première et la plus cruciale de ces contraintes est la disponibilité. Un véhicule électrique n’est pas branché à la prise 24 heures sur 24. Il n’est disponible pour participer au programme V2G que lorsqu’il est stationné et connecté au réseau, ce qui se produit généralement pendant la journée de travail ou la nuit. Le modèle permet de définir des fenêtres temporelles spécifiques où le véhicule est « indisponible » pour le V2G, par exemple pendant les heures de trajet matin et soir. Cela garantit que le véhicule dispose toujours d’une autonomie suffisante pour accomplir ses fonctions de transport primaires, préservant ainsi la fiabilité et la tranquillité d’esprit du conducteur.
La deuxième contrainte critique concerne l’état de charge (SOC) de la batterie. La santé et la longévité de la batterie lithium-ion sont des facteurs déterminants pour la viabilité économique du véhicule. Un usage intensif, avec des cycles de charge et de décharge fréquents et profonds, accélère inévitablement la dégradation de la batterie. Le modèle de Xue Jingyun et Zhang Yinhuan intègre des limites strictes de SOC, en maintenant la charge entre un minimum de 30 % et un maximum de 90 %. Cette plage est soigneusement choisie pour protéger la chimie de la batterie contre les dommages causés par une charge complète prolongée ou une décharge excessive. En outre, le modèle quantifie explicitement le coût de la dégradation de la batterie et l’intègre directement dans la fonction objectif. Cela signifie que l’algorithme PSO évitera de recommander des stratégies de charge/décharge qui, bien qu’économiquement attractives à court terme, causeraient des dommages irréversibles à long terme, assurant ainsi la durabilité et la viabilité de la stratégie sur toute la durée de vie du véhicule.
La troisième contrainte porte sur la puissance de charge et de décharge. Tous les véhicules et toutes les bornes de recharge ne sont pas équivalents. La puissance maximale de charge (par exemple, 15 kW) et de décharge (par exemple, 20 kW) varie selon le modèle du véhicule et la technologie de la borne. Le modèle définit des limites claires pour ces paramètres, garantissant que les solutions proposées sont techniquement réalisables avec l’équipement disponible.
Pour valider la faisabilité et l’efficacité de leur approche, les chercheurs ont mené une simulation détaillée. Ils ont supposé un parc de véhicules avec des spécifications standardisées : capacité de batterie de 100 Ah, limites de SOC de 30 % à 90 %, et puissances de charge/décharge définies. La simulation a été basée sur un système de tarification par tranches, divisant la journée en périodes de pointe, normale et creuse, avec des prix respectifs de 0,78 yuan/kWh, 0,52 yuan/kWh et 0,26 yuan/kWh. Trois profils distincts de comportement utilisateur ont été testés pour démontrer la robustesse du modèle :
- Profil 1 : Indisponible pendant les heures de déplacement (8h, 9h, 17h, 18h).
- Profil 2 : Indisponible pendant la pause déjeuner et la fin de l’après-midi (11h, 12h, 17h, 18h).
- Profil 3 : Indisponible pendant l’après-midi et la fin de soirée (13h, 14h, 21h, 22h).
Les résultats de la simulation ont été concluants. La courbe d’adaptation de l’algorithme a montré une amélioration constante de la fonction objectif (une combinaison pondérée des bénéfices économiques et de la stabilité du réseau) jusqu’à atteindre un plateau, indiquant la convergence vers une solution optimale. Pour tous les profils, le système a réussi à réduire significativement le coût énergétique net pour l’utilisateur. Dans certains cas, le bénéfice économique était si élevé qu’il a généré un retour positif, grâce aux ventes d’énergie effectuées pendant les heures de pointe. Parallèlement, l’impact agrégé sur le réseau a été positif : le pic de charge a été réduit et la courbe de charge quotidienne a été lissée, augmentant le facteur de charge global.
Cette démonstration de faisabilité pratique est essentielle. Elle prouve que la technologie V2G n’est pas un concept de science-fiction, mais une solution applicable avec la technologie actuelle. Le succès de cette stratégie dépend d’une collaboration étroite entre plusieurs acteurs. Les constructeurs automobiles doivent accélérer la production de véhicules équipés de la fonction bidirectionnelle en série, plutôt que comme une option de niche. Les fournisseurs d’énergie doivent investir massivement dans des plateformes de gestion de charge intelligente capables de communiquer avec des millions de véhicules et de coordonner leurs activités de manière sécurisée et efficace. Les régulateurs doivent établir un cadre juridique clair qui définisse les modalités de rémunération des services V2G, garantisse l’interopérabilité entre différentes marques et technologies, et protège les droits et les données des consommateurs.
Le plus grand défi pourrait être l’adoption par les utilisateurs. Les conducteurs sont habitués à un modèle de consommation d’énergie passif : ils branchent leur voiture et n’y pensent plus. Le passage à un rôle actif de « prosumer » (producteur-consommateur) nécessite des interfaces utilisateur extrêmement intuitives et une automatisation transparente. L’utilisateur ne devrait pas avoir à programmer manuellement ses horaires de charge et de décharge chaque jour. La technologie doit fonctionner en arrière-plan, en prenant des décisions complexes au nom du propriétaire, en fonction de ses préférences et de l’état du réseau.
La recherche de Xue Jingyun et Zhang Yinhuan fournit une feuille de route claire pour ce futur. En combinant un algorithme d’optimisation de pointe avec une compréhension profonde du comportement humain et une considération sérieuse des coûts de dégradation de la batterie, ils ont créé un modèle qui est non seulement solide sur le plan technique, mais aussi pratique, économiquement viable et socialement acceptable. Elle démontre que la transition vers un réseau électrique plus intelligent et une mobilité plus durable n’a pas besoin d’être un parcours d’obstacles, mais peut être une opportunité de créer un système énergétique plus flexible, plus efficace et plus résilient pour tous.
Xue Jingyun, Zhang Yinhuan, Intelligent City, DOI: 10.19301/j.cnki.zncs.2024.02.016