Stratégie de soumission en temps réel pour VE et énergie éolienne
L’intégration massive des véhicules électriques (VE) et de l’énergie éolienne dans les réseaux électriques modernes est désormais une réalité incontournable, portée par les objectifs mondiaux de décarbonation. Ces deux piliers de la transition énergétique, bien que prometteurs, introduisent une nouvelle couche de complexité dans la gestion des systèmes électriques : leur nature intrinsèquement variable et incertaine. La production éolienne fluctue avec le vent, et la disponibilité des véhicules électriques dépend des comportements imprévisibles de leurs utilisateurs. Cette double incertitude crée un défi majeur pour les opérateurs de réseau, qui doivent maintenir un équilibre instantané entre l’offre et la demande, tout en garantissant la stabilité de la fréquence. Les écarts entre les prévisions du marché du jour précédent et la réalité physique en temps réel entraînent souvent des coûts de déséquilibre élevés, qui pénalisent les participants et compromettent l’efficacité économique du système. Dans ce contexte, une étude de pointe publiée dans le Chinese Journal of Automotive Engineering propose une solution innovante et complète : un modèle de soumission en temps réel qui permet aux flottes de véhicules électriques et aux parcs éoliens de participer conjointement et de manière optimisée aux marchés de l’énergie et de la régulation de fréquence.
Cette recherche, menée par une équipe internationale dirigée par Pang Songling de l’Institut de recherche électrique de Hainan Power Grid Co., Ltd. et du Laboratoire conjoint Smart Grid and Island Microgrid, en collaboration étroite avec Hao Ruiyi et Zhang Qian du Laboratoire national clé de technologie des équipements de transmission d’énergie de l’Université de Chongqing, va bien au-delà des approches traditionnelles. Plutôt que de traiter les VE et l’éolien comme des sources de perturbation, elle les transforme en actifs de flexibilité stratégiques. L’objectif central est de créer un cadre de marché qui non seulement tolère mais intègre activement cette variabilité, en offrant aux participants des incitations financières pour une participation précise et réactive. Le cœur de la stratégie repose sur un modèle d’optimisation en deux niveaux, qui reflète la dynamique réelle des marchés de l’électricité, et sur un mécanisme de pénalité pour les écarts soigneusement calibré, qui est le garant de la fiabilité du système.
La première pierre angulaire de ce modèle est la création d’un « modèle de limite de programmation dynamique » pour les véhicules électriques. Cette innovation est cruciale car elle résout un des principaux goulets d’étranglement de la gestion V2G (Vehicle-to-Grid) à grande échelle : la difficulté de connaître précisément la capacité de flexibilité d’une flotte à tout moment donné. Les modèles classiques se basent sur des prévisions statiques faites la veille, qui deviennent rapidement obsolètes dès que les premiers véhicules quittent ou rejoignent les stations de recharge. Le modèle proposé par Pang et ses collègues est en perpétuelle évolution. L’agrégateur de véhicules électriques, une entité centrale qui gère une flotte de milliers de VE, collecte en continu des données en temps réel sur l’état de charge (SOC) de chaque batterie, sur l’heure de départ prévue par le propriétaire et sur ses besoins de charge. Dès qu’un véhicule se connecte à une borne, il est immédiatement classé dans une catégorie spécifique selon ces trois paramètres. Cette classification dynamique permet à l’agrégateur de construire une image précise et actualisée de la « fenêtre de manœuvre » de la flotte entière. Il peut ainsi déterminer avec une grande exactitude la puissance totale disponible pour charger, décharger ou fournir des services de régulation de fréquence, tout en garantissant que chaque véhicule atteindra son objectif de charge à l’heure de son départ. Ce passage d’une vision statique à une vision dynamique et continue est ce qui rend la participation en temps réel possible et fiable.
Ce modèle de limite dynamique est ensuite couplé à un algorithme d’allocation de puissance rapide. Une fois que l’agrégateur a déterminé la stratégie optimale pour la flotte sur un horizon de temps donné (par exemple, les 24 prochaines heures divisées en intervalles de 15 minutes), il doit traduire cette décision globale en commandes individuelles pour chaque véhicule. L’algorithme proposé minimise l’écart entre le plan de charge idéal pour chaque VE et le plan qui lui est réellement attribué. Il respecte scrupuleusement les contraintes physiques de chaque véhicule, telles que les limites de puissance de charge et de décharge, les plages de SOC sécurisées pour préserver la durée de vie de la batterie, et bien sûr, le besoin fondamental de l’utilisateur de disposer d’une batterie suffisamment chargée pour son prochain trajet. Cette capacité à déployer une stratégie de flotte en milliers d’instructions individuelles et optimisées, en quelques secondes, est un saut technologique majeur. Il transforme le concept de V2G d’une utopie technique en une réalité opérationnelle à grande échelle, où la puissance de la batterie collective peut être mobilisée de manière fluide et intelligente.
La véritable révolution de cette étude réside dans son approche intégrée des marchés de l’énergie et de la régulation de fréquence. Plutôt que de les considérer comme des entités séparées, le modèle permet une participation simultanée et synergique. Un véhicule électrique ou un parc éolien peut donc générer des revenus sur deux fronts. D’une part, par l’arbitrage énergétique : charger lorsque le prix de l’électricité est bas (par exemple, lorsque le vent souffle fort et que la production est élevée) et décharger lorsque le prix est élevé (pendant les pics de consommation). D’autre part, en fournissant des services de régulation de fréquence, pour lesquels ils sont rémunérés à un tarif de capacité. Ce service consiste à être prêt à injecter ou à absorber de la puissance en quelques secondes pour corriger les écarts de fréquence, un rôle vital pour la stabilité du réseau. Cette double participation maximise la rentabilité pour les propriétaires de flottes de VE et les exploitants de parcs éoliens, tout en renforçant la résilience du réseau.
Pour assurer que cette participation soit fiable, le modèle introduit un mécanisme de pénalité pour les écarts (ou « évaluation des écarts ») sophistiqué. Ce mécanisme est le fondement de l’intégrité du marché. En pratique, la production réelle d’un parc éolien ou la consommation nette d’une flotte de VE ne correspondra jamais parfaitement à ce qui a été soumis au marché du jour précédent. Le modèle quantifie précisément le coût de ces écarts. Si un participant produit plus d’énergie que prévu (par exemple, une rafale de vent), il peut être récompensé, mais à un prix de marché en temps réel, qui peut être inférieur au prix du jour précédent. Si, en revanche, il produit moins que prévu, il fait face à une pénalité élevée, souvent significativement supérieure à la récompense pour une surproduction. Cette asymétrie est intentionnelle : elle incite fortement les participants à faire des prévisions conservatrices et précises, et à s’engager uniquement sur ce qu’ils peuvent réellement livrer, ce qui réduit considérablement le risque de déséquilibre systémique.
Le cadre mathématique est structuré comme un problème d’optimisation en deux niveaux, reflétant la hiérarchie du marché. Au niveau supérieur, les participants individuels – l’agrégateur de VE et le fournisseur d’énergie éolienne – agissent comme des « leaders ». Leur objectif est de minimiser leurs propres coûts d’évaluation des écarts et leurs coûts opérationnels (comme l’usure de la batterie des VE). Ils prennent leurs décisions de soumission en fonction de leurs ressources disponibles et des signaux de marché. Au niveau inférieur, le gestionnaire du marché (la bourse d’électricité) agit comme un « suiveur ». Son objectif est de minimiser le coût total de fonctionnement du système, qui inclut le coût de l’énergie, le coût des services de régulation et le coût de gestion des déséquilibres résiduels. Le gestionnaire du marché « liquide » le marché en déterminant les prix marginaux nodaux (les prix de l’électricité en différents points du réseau) en fonction de toutes les soumissions reçues.
L’interaction entre ces deux niveaux est complexe et itérative. Les décisions des participants influencent les prix du marché, qui à leur tour influencent les décisions optimales des participants. Pour résoudre ce problème de manière efficace, les chercheurs ont utilisé les conditions de Karush-Kuhn-Tucker (KKT) pour transformer le problème en deux niveaux en un programme linéaire mixte à un seul niveau. Cette méthode rend le modèle suffisamment rapide pour être utilisé dans un cadre de marché en temps réel, avec des intervalles de décision de 15 minutes.
L’étude a été validée par une simulation détaillée sur une période de 24 heures, divisée en 96 intervalles de 15 minutes. Les résultats sont probants. Le modèle de limite de programmation dynamique a parfaitement capturé la disponibilité fluctuante de la flotte de VE. Par exemple, la capacité de puissance et d’énergie de la flotte est tombée à zéro le matin, lorsque les véhicules ont quitté leurs stations de recharge pour aller au travail, et a commencé à se reconstituer l’après-midi, lorsque les utilisateurs sont rentrés chez eux. Cette vision dynamique est radicalement plus précise que toute estimation statique.
Pour l’énergie éolienne, la stratégie a révélé une adaptation intelligente aux conditions du marché. Lorsque les prix de la régulation de fréquence sont élevés, le parc éolien choisit stratégiquement de soumettre de la capacité pour la régulation ascendante, en gardant sa production en dessous de son maximum prévu pour avoir de la marge de manœuvre. Lorsque les prix de l’énergie sont élevés et que la production éolienne est proche de son maximum, il se concentre sur la soumission de l’écart d’énergie, acceptant que sa capacité de régulation descendante soit limitée par ses contraintes physiques de rampe. L’analyse montre que l’énergie éolienne surpasse souvent sa programmation du jour précédent, transformant ce qui aurait pu être une pénalité en une source de revenus supplémentaires lorsqu’elle peut vendre son excédent au prix en temps réel.
Les impacts sur les véhicules électriques sont tout aussi significatifs. Le modèle montre que les VE peuvent réaliser un arbitrage énergétique rentable sans compromettre les besoins des utilisateurs. En chargeant de l’énergie excédentaire lorsque le vent souffle fort et que les prix sont bas, puis en la restituant au réseau lors des pics de prix, les propriétaires de VE maximisent leurs bénéfices. Crucialement, la stratégie garantit que cette activité se déroule dans les limites de la « limite de programmation dynamique », assurant que chaque véhicule sera suffisamment chargé pour son prochain trajet. De plus, en intégrant le coût de l’usure de la batterie dans l’optimisation, le modèle évite les cycles de charge/décharge excessifs, préservant ainsi la santé à long terme de l’actif.
L’étude met également en lumière la relation synergique entre les VE et l’énergie éolienne. La flexibilité de la flotte de VE agit comme un amortisseur naturel pour la variabilité de la production éolienne. Lorsque la production éolienne dépasse les prévisions, les VE peuvent absorber cet excédent en chargeant plus. Lorsque la production est inférieure aux attentes, les VE peuvent décharger pour aider à combler le déficit. Ce soutien mutuel réduit considérablement les déséquilibres globaux du système, diminue la dépendance aux services de régulation coûteux fournis par les centrales traditionnelles et contribue à un réseau plus stable et plus efficace.
Les implications de cette recherche sont vastes. Elle fournit une feuille de route pratique pour les concepteurs de marchés et les gestionnaires de réseau sur la manière de créer un marché électrique plus inclusif, plus résilient et plus efficace. En établissant des règles claires pour les pénalités d’écarts et en permettant une prise de décision rapide grâce à la modélisation dynamique, la stratégie abaisse les barrières à l’entrée pour les ressources énergétiques distribuées. Elle transforme les véhicules électriques d’une simple charge passive en un actif actif et générant des revenus pour le réseau, ce qui améliore considérablement la viabilité économique de la technologie V2G et encourage une adoption plus large par les consommateurs.
Pour les exploitants de parcs éoliens, la stratégie offre un moyen plus sophistiqué de monétiser leur production, en diversifiant leurs sources de revenus au-delà de la simple vente d’énergie. Cela améliore la viabilité financière des projets éoliens, surtout dans les marchés à forte pénétration de renouvelables où les prix de l’énergie peuvent être volatils.
Enfin, ce travail souligne l’importance cruciale des infrastructures de communication et d’analyse de données avancées. Le succès du modèle repose sur un flux de données fiable et en temps réel entre les VE individuels et l’agrégateur, ce qui nécessite des protocoles de communication standardisés et des mesures de cybersécurité robustes, des composants essentiels d’un réseau intelligent moderne. Bien que le modèle actuel soit un pas en avant majeur, les auteurs reconnaissent des axes de recherche futurs, tels que l’intégration de plusieurs agrégateurs concurrents ou d’autres ressources flexibles comme le stockage distribué. Cette recherche marque une étape décisive vers un avenir où la variabilité des énergies renouvelables est non pas un problème, mais une caractéristique gérée, et où les millions de véhicules électriques sur nos routes deviennent un pilier fondamental d’un réseau électrique flexible, durable et économiquement viable.
Pang Songling, Zhao Yunan, Li Linwei, Ma Lihong, Fan Kaidi, Hao Ruiyi, Zhang Qian, Electric Power Research Institute of Hainan Power Grid Co., Ltd., Smart Grid and Island Microgrid Joint Laboratory, State Key Laboratory of Power Transmission Equipment Technology, Chongqing University, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.08