Stratégie de recharge intelligente réduit les coûts et équilibre le réseau
Alors que les véhicules électriques poursuivent leur ascension rapide sur le marché automobile mondial, la gestion de leur impact sur les réseaux électriques devient un enjeu crucial. Les projections indiquent que les VE pourraient représenter jusqu’à 70% du parc automobile chinois d’ici 2050, ce qui exercera une pression croissante sur les réseaux électriques résidentiels. Les comportements de recharge non contrôlés – particulièrement durant les heures de pointe – menacent la stabilité du réseau, augmentent les coûts pour les consommateurs et réduisent l’efficacité globale du système.
Face à ce défi, une équipe de recherche dirigée par le professeur Li Peng et le professeur associé Yu Bin a développé une stratégie d’optimisation novatrice qui réduit simultanément les écarts de charge entre pics et creux, diminue les coûts de recharge pour les utilisateurs et améliore la rentabilité des opérateurs d’infrastructures de recharge.
Cette approche holistique traite le réseau électrique résidentiel – incluant la charge de base et les infrastructures de recharge – comme un système intelligent unique. Au cœur de ce système se trouve un modèle de planification dynamique qui coordonne les cycles de charge et décharge des VE et des unités de stockage d’énergie intégrées.
La stratégie repose sur un mécanisme de contrôle basé sur les tarifs horaires. Les unités de stockage se rechargent durant les périodes de faible demande (généralement la nuit) à bas prix, puis restituent l’énergie durant les plages horaires de forte demande à tarif élevé. Ce processus, qualifié de « lissage de courbe de charge », permet d’aplatir la courbe de demande globale et de réduire les contraintes sur le réseau.
L’innovation majeure de cette recherche réside dans le perfectionnement de l’algorithme d’optimisation par essaims de particules multi-objectifs (IMOPSO). Les chercheurs ont introduit des ajustements adaptatifs des paramètres clés tels que le poids d’inertie et les facteurs d’apprentissage. Ces modifications permettent à l’algorithme de maintenir un meilleur équilibre entre exploration et exploitation durant le processus de recherche, évitant ainsi une convergence prématurée vers des solutions sous-optimales.
L’équipe a également implémenté un mécanisme de division positionnelle dynamique qui disperse les particules trop regroupées dans l’espace de recherche, améliorant la diversité populationnelle et la capacité de l’algorithme à localiser le front de Pareto optimal – l’ensemble des solutions de compromis idéales dans un contexte multi-objectifs.
Les tests de performance réalisés sur des fonctions de référence démontrent que l’algorithme IMOPSO surpasse constamment les versions standards tant en vitesse de convergence qu’en qualité des solutions. Il atteint l’optimalité globale en moins d’itérations et produit un front de Pareto plus uniformément distribué.
Dans le cadre d’une application pratique, le modèle a été testé sur une communauté résidentielle simulée alimentée par une sous-station de 110kV d’une capacité de 30 MW. Ce quartier de 1 500 ménages présentait un taux de pénétration des VE de 16%, avec 60% des véhicules nécessitant une recharge quotidienne.
Sans optimisation, la charge de pointe atteignait 15,4 MW pour une charge minimale de 7,8 MW, créant un écart de 7,6 MW. Après application de la stratégie IMOPSO, la charge de pointe chutait à 12,3 MW tandis que la charge minimale augmentait légèrement à 8,9 MW, réduisant l’écart à 3,4 MW – une réduction remarquable de 55%.
Sur le plan économique, les avantages sont tout aussi convaincants. La stratégie optimisée a réduit les coûts totaux de recharge de 4 901,71 à 3 808,37 yuans, soit une économie de 22,3%. Pour les opérateurs, les profits générés par l’arbitrage énergétique – achat aux heures creuses et revente aux heures pleines – atteignaient 861 yuans quotidiennement.
Le succès de cette stratégie dépend d’une coordination précise des plannings de charge et décharge. Pendant les heures creuses (23h00-08h00), le système priorise la recharge des unités de stockage à l’aide d’électricité low-cost. Durant les périodes de moyenne demande (08h00-11h00 et 13h00-17h00), les unités de stockage restent inactives et les VE s’alimentent directement sur le réseau. Aux heures de forte demande (11h00-13h00 et 17h00-23h00), l’énergie stockée est déchargée pour alimenter les VE, réduisant la dépendance au réseau durant les fenêtres tarifaires élevées.
Cette allocation dynamique est rendue possible par une collecte de données en temps réel et une modélisation prédictive. Le système surveille continuellement les patterns de charge de base, les horaires d’arrivée et de départ des VE, l’état de charge des batteries et les préférences des utilisateurs.
L’une des innovations clés réside dans l’intégration du choix utilisateur dans le processus d’optimisation. Les conducteurs peuvent opter pour une recharge « ordonnée » ou « désordonnée ». La recharge désordonnée priorise la vitesse, permettant une charge immédiate à pleine puissance indépendamment du coût. La recharge ordonnnée, quant à elle, diffère la charge aux périodes creuses ou intermédiaires en échange de tarifs réduits.
La scalabilité du modèle constitue un autre atout majeur. Bien que testé sur une seule communauté résidentielle, les principes sous-jacents peuvent s’appliquer à de plus grands districts urbains, des flottes commerciales ou des réseaux de recharge publique. En agrégeant plusieurs stations de recharge en centrale électrique virtuelle, cette stratégie pourrait contribuer à des services réseau plus étendus comme la régulation de fréquence, le support de tension et l’intégration des énergies renouvelables.
La adaptabilité du modèle le rend compatible avec différentes structures tarifaires et taux d’adoption des VE. Les chercheurs ont testé divers scénarios incluant une pénétration véhiculaire plus élevée (jusqu’à 200 véhicules) et des exigences variables d’état de charge (de 50% à 90%). Dans tous les cas, l’algorithme IMOPSO a maintenu une performance robuste, réduisant constamment les charges de pointe et les coûts utilisateurs.
L’étude reconnaît cependant certaines limitations. Le modèle actuel suppose une capacité de stockage fixe de 1 050 kWh et ne prend pas en compte les coûts d’investissement et de maintenance associés à ces systèmes. Les travaux futurs exploreront des analyses coût-bénéfice across différentes configurations de stockage.
De plus, le modèle dépend d’une prévision précise du comportement utilisateur et des patterns de charge. En conditions réelles, des incertitudes telles que des arrivées imprévues de véhicules, des changements d’habitudes de conduite ou des événements météorologiques extrêmes pourraient affecter la performance. L’intégration de techniques d’apprentissage automatique pour la prédiction de demande et le contrôle adaptatif pourrait renforcer la résilience du système.
Les implications de cette recherche dépassent le cadre technique. Elle offre un cadre pertinent pour les urbanistes, les compagnies d’électricité et les fournisseurs de services de VE cherchant à gérer la transition vers la transportation électrifiée. En démontrant qu’une recharge intelligente peut simultanément améliorer la fiabilité du réseau, réduire les coûts consommateurs et générer de nouveaux flux de revenus, cette étude présente un argument convaincant pour investir dans des infrastructures de recharge intelligentes.
À l’ère où la durabilité et l’efficacité énergétique sont primordiales, ces travaux représentent une avancée significative. Leur stratégie d’optimisation basée sur l’IMOPSO adresse non seulement les défis immédiats de l’intégration des VE, mais pose également les bases d’un futur énergétique plus résilient, responsive et équitable.
Alors que les villes worldwide grappling avec les impératifs jumeaux de la décarbonation et de la transformation digitale, des solutions comme celle-ci deviendront essentielles. La capacité à harmoniser les besoins des consommateurs individuels avec la stabilité du système électrique global n’est plus un luxe – c’est une nécessité. Avec un raffinement continu et une validation en conditions réelles, cette approche de recharge intelligente pourrait devenir une pierre angulaire de la mobilité urbaine de prochaine génération.
Li Peng, Yu Tianyang, Yu Bin, Zhou Chengwei, Meng Wei. Optimized operation strategy for energy storage charging piles based on improved multi-objective particle swarm optimization. Journal of Nanjing University of Information Science & Technology, 2024. DOI: 10.13878/j.cnki.jnuist.20220627002