Stratégie de jeu optimise les bénéfices V2G
L’automobile électrique est en pleine mutation, passant du simple statut de véhicule propre à celui d’acteur central dans le système énergétique de demain. Les véhicules électriques (VE), avec leurs batteries de grande capacité, ne sont plus seulement des moyens de transport, mais deviennent des ressources de stockage d’énergie distribuée aux potentialités transformantes. Gérés intelligemment par un agrégateur de véhicules électriques (EVA), ces véhicules peuvent fournir des services essentiels au réseau électrique, tels que le lissage des pics de consommation, la régulation de fréquence et l’intégration des énergies renouvelables intermittentes. Cependant, pour débloquer tout ce potentiel, un obstacle majeur doit être surmonté : la volonté humaine. Comment convaincre un propriétaire de véhicule électrique d’autoriser l’utilisation de sa précieuse batterie pour soutenir le réseau, sans compromettre son confort, sa mobilité ou la longévité de la batterie ?
Ce défi complexe est au cœur d’une recherche pionnière publiée dans la prestigieuse revue Transactions of China Electrotechnical Society. L’étude, menée par Fang Yuxuan, Hu Junjie et Ma Wenshuai du Laboratoire National Clé des Systèmes Électriques Alternatifs avec des Sources d’Énergie Renouvelable de l’Université de l’Énergie Électrique de Chine du Nord, présente une stratégie d’optimisation innovante basée sur la théorie des jeux. Le modèle, connu sous le nom de jeu de Stackelberg, va au-delà des approches purement technico-économiques traditionnelles et introduit pour la première fois une analyse approfondie de la psychologie du conducteur. Il transforme les « anxiétés » subjectives des utilisateurs en variables quantifiables au sein d’un algorithme, créant ainsi un cadre qui non seulement maximise les profits pour toutes les parties impliquées, mais le fait de manière plus durable et respectueuse des besoins humains.
Le problème principal qui entrave les programmes Véhicule vers Réseau (V2G) est l’incertitude. Pour participer avec succès aux marchés de l’énergie et fournir des services de réserve, un EVA doit pouvoir prédire avec précision la quantité de capacité de charge et de décharge qu’il peut agréger à partir de sa flotte de véhicules. Cette capacité dépend toutefois directement de la décision de chaque propriétaire individuel. Un conducteur peut être prêt à charger son véhicule pendant la nuit, mais hésiter à autoriser son EVA à le décharger partiellement en milieu d’après-midi, craignant de ne pas avoir assez d’énergie pour un trajet imprévu. Cette hésitation, guidée par des préoccupations réelles, a été un frein à l’adoption à grande échelle de la technologie V2G. Les approches précédentes traitaient souvent les utilisateurs comme des unités homogènes et parfaitement rationnelles, conduisant à des prévisions de participation excessivement optimistes et peu réalistes.
L’innovation véritable de l’équipe de recherche chinoise réside dans la façon dont elle modélise ces préoccupations humaines. Ils ont développé un « modèle d’anxiété utilisateur » basé sur deux piliers fondamentaux : l’anxiété liée à la dégradation de la batterie et l’anxiété liée à la perte de flexibilité dans l’utilisation du véhicule.
Le premier, l’anxiété liée à la dégradation de la batterie, est une préoccupation tangible. Chaque cycle de charge et de décharge contribue au vieillissement des cellules lithium-ion. Même si les fabricants garantissent une longue durée de vie, les propriétaires sont conscients qu’une utilisation plus intensive, comme la participation à des services réseau, peut accélérer cette usure. Le modèle ne se contente pas de calculer le simple coût physique de la dégradation, mais introduit un « coefficient d’exclusion psychologique ». Ce coefficient, une valeur supérieure à un, agit comme un amplificateur qui reflète la perception subjective de l’utilisateur. Un conducteur peut percevoir les dommages causés par un cycle de décharge pour le marché de la réserve comme beaucoup plus préjudiciable qu’il ne l’est objectivement. Ce facteur subjectif est intégré directement à l’équation des coûts, reconnaissant que la décision n’est pas purement économique, mais aussi émotionnelle. Le modèle distingue le comportement de charge normal (où le véhicule se charge jusqu’à 100% puis s’arrête) du comportement de charge supplémentaire (où le véhicule est chargé et déchargé activement pour fournir des services réseau) et quantifie le coût supplémentaire de ce comportement, en l’amplifiant par la psychologie du conducteur.
Le second, l’anxiété liée à la flexibilité d’utilisation du véhicule, aborde le confort du conducteur. Le modèle introduit une fonction qui mesure le coût psychologique de devoir maintenir le véhicule connecté au réseau pendant une période plus longue que nécessaire. Il s’éloigne du modèle traditionnel « brancher et oublier » pour adopter un modèle « brancher et attendre », où l’utilisateur sacrifie la liberté de se déconnecter à tout moment. Cette fonction d’anxiété augmente avec la durée de cette connexion prolongée. Le point le plus significatif est que le modèle ne suppose pas que tous les utilisateurs réagissent de la même manière. Pour capturer cette diversité, les chercheurs introduisent des « facteurs de décision » qui modulent la sensibilité de la fonction. Un utilisateur avec un facteur de décision bas est très flexible et peut tolérer de longues périodes de connexion, tandis qu’un utilisateur avec un facteur élevé est extrêmement sensible à toute perte de contrôle sur son emploi du temps. Cette approche différenciée permet de simuler une flotte d’utilisateurs hétérogènes, reflétant avec une plus grande précision la réalité du monde réel.
Pour compléter le tableau de la prise de décision humaine, le modèle incorpore un élément crucial : la rationalité limitée. Les êtres humains n’agissent pas toujours de façon parfaitement rationnelle. Même si le calcul coût-bénéfice suggère qu’il est avantageux de participer, un utilisateur peut décider de ne pas le faire à cause d’un mauvais pressentiment, d’une mauvaise expérience antérieure ou simplement d’un caprice. Pour simuler cette imprévisibilité, les chercheurs utilisent une distribution binomiale. Cela signifie que, pour un groupe d’utilisateurs ayant un profil d’anxiété similaire, le modèle prédit une probabilité de participation, et non une certitude absolue. Cette touche de hasard évite que le modèle ne soit trop idéaliste et le rend plus robuste face aux fluctuations du comportement réel.
Avec ce modèle utilisateur sophistiqué en place, les chercheurs construisent un cadre de jeu de Stackelberg, une structure de la théorie des jeux qui ressemble à une relation de leader-suiveur. L’agrégateur (EVA) agit comme leader, jouant en premier en établissant le prix qu’il paiera aux utilisateurs pour la capacité de réserve (à la fois pour réduire la charge et pour injecter de l’énergie). Les propriétaires des véhicules électriques sont les suiveurs. Chacun prend le prix proposé par l’EVA, le compare à son propre coût d’anxiété personnel et décide, de manière probabiliste, s’il accepte de participer.
L’objectif de l’EVA est de maximiser son profit, qui est la différence entre le prix auquel il vend la capacité de réserve au marché de l’énergie et le prix auquel il l’achète aux utilisateurs. S’il propose un prix trop bas, peu d’utilisateurs participeront et l’EVA ne pourra pas offrir une capacité significative. S’il propose un prix trop élevé, de nombreux utilisateurs participeront, mais la marge bénéficiaire de l’EVA diminuera. Le prix optimal se situe à un point d’équilibre, et le trouver nécessite une compréhension profonde de la façon dont les utilisateurs réagiront à différents niveaux d’incitation.
La solution n’est pas trouvée en un seul calcul, mais à travers un processus itératif de rétroaction. L’EVA commence avec un prix initial. Le modèle utilisateur simule la participation basée sur ce prix, calculant la capacité totale de réserve disponible. Avec ces informations, l’EVA recalcule sa stratégie de prix pour maximiser son profit et propose un nouveau prix. Ce nouveau prix est ensuite réinjecté dans le modèle utilisateur, générant une nouvelle estimation de la participation. Ce cycle se répète plusieurs fois. À chaque itération, les décisions de l’EVA et les réponses des utilisateurs se rapprochent de plus en plus d’un point d’équilibre stable, où ni l’EVA ni les utilisateurs n’ont d’incitation à changer leur stratégie. Cet équilibre est la solution optimale, un point de rencontre où les intérêts des deux parties sont alignés.
La validité de cette approche a été testée à travers une simulation avec une flotte de 150 véhicules électriques, divisée en deux scénarios typiques : charge résidentielle nocturne et charge pendant la journée sur le lieu de travail. Les résultats ont été comparés à deux méthodes de référence : une stratégie de charge ordonnée simple et un algorithme d’optimisation multi-objectif (MOPSO). Les résultats ont été révélateurs.
Le modèle de jeu de Stackelberg a surpassé les méthodes de référence sur tous les aspects. Il a obtenu un taux de réponse de 32 %, indiquant un niveau de participation plus élevé. Plus important encore, il a considérablement amélioré la rentabilité pour les deux parties. Les propriétaires de véhicules ont vu leurs gains attendus provenant des services de réserve augmenter de 421 yuans (environ 52 euros) avec la méthode MOPSO à 454 yuans (environ 56 euros) avec le modèle de jeu. Dans le même temps, leurs coûts totaux, incluant l’électricité et l’usure de la batterie, ont diminué. Pour l’agrégateur, le bénéfice a été encore plus prononcé. Son gain attendu sur le marché de la réserve est passé de 1 049 yuans à 1 240 yuans. Ce résultat démontre de manière incontestable qu’une approche plus centrée sur l’utilisateur n’est pas seulement plus juste, mais aussi plus rentable. En alignant mieux les incitations, un système est créé où tout le monde gagne.
Au-delà de l’économie, l’impact sur le réseau électrique a été substantiel. En déplaçant intentionnellement la charge des véhicules des heures de pointe aux heures creuses et en permettant la décharge pendant les pics de demande, le modèle de jeu a réussi à réduire significativement la différence entre la charge maximale et minimale de la journée. Cet effet de « lissage des pics et remplissage des creux » est crucial pour la stabilité du réseau. Il réduit la nécessité d’activer des centrales de pointe coûteuses, minimise la contrainte sur l’infrastructure et facilite l’intégration de sources d’énergie renouvelable, comme le solaire et l’éolien, dont la génération ne coïncide pas toujours avec la demande. Une voiture électrique qui se charge avec de l’énergie solaire pendant la journée et restitue une partie de cette énergie au réseau le soir devient un pilier d’un système énergétique plus résilient.
L’implication la plus profonde de ce travail est un changement de paradigme. Il ne s’agit plus de voir les utilisateurs comme des ressources passives à commander, mais comme des agents actifs avec leurs propres préférences, coûts et émotions. Cette approche humanisée est essentielle pour la durabilité à long terme de la technologie V2G. Si les utilisateurs sentent que leurs besoins sont ignorés ou qu’ils assument un coût disproportionné, ils abandonneront le programme, faisant s’effondrer le système. En intégrant explicitement l’anxiété de l’utilisateur au cœur du modèle, les chercheurs ont créé un cadre qui est non seulement plus précis, mais aussi plus éthique et fiable.
L’étude révèle également l’importance de l’échelle. Les chercheurs ont découvert que la stabilité du taux de participation s’améliore avec l’augmentation de la taille de la flotte. Avec de petites flottes, les décisions individuelles aléatoires peuvent provoquer de grandes fluctuations dans le comportement collectif. Cependant, avec des flottes plus grandes, d’environ 100 véhicules ou plus, la loi des grands nombres atténue ces fluctuations, rendant le comportement global beaucoup plus prévisible. Cela suggère que l’agrégation de véhicules électriques sera plus efficace au niveau communautaire ou urbain, plutôt que par le biais de programmes isolés et de petite taille.
En conclusion, la recherche de Fang, Hu et Ma représente une avancée significative à l’intersection entre la technologie des transports, l’économie énergétique et la psychologie du comportement. En combinant la théorie des jeux, la modélisation du comportement et l’optimisation, ils ont créé un outil puissant qui respecte l’autonomie de l’utilisateur tout en maximisant les bénéfices collectifs. Alors que le monde avance vers une ère de mobilité entièrement électrique, cette approche, qui place l’humain au centre du système énergétique, sera fondamentale pour construire un réseau qui ne soit pas seulement intelligent, mais aussi véritablement durable et équitable.
Fang Yuxuan, Hu Junjie, Ma Wenshuai, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University. Transactions of China Electrotechnical Society. DOI: 10.19595/j.cnki.1000-6753.tces.230923