Stratégie de soumission intelligente pour les agrégateurs de véhicules électriques
L’essor des véhicules électriques (VE) a transformé le paysage de la mobilité et, par ricochet, celui du système énergétique. Ce qui était autrefois perçu comme une simple alternative aux moteurs à combustion interne est désormais reconnu comme une ressource énergétique mobile et distribuée, capable d’interagir activement avec le réseau électrique. En Chine, plus de 18 millions de VE sont déjà en circulation, un chiffre qui souligne l’ampleur de la transition en cours. Cette intégration massive, bien qu’encourageante pour la décarbonation du transport, pose de nouveaux défis à la gestion du réseau. Le chargement non coordonné, en particulier pendant les périodes de pointe, peut provoquer des surcharges, augmenter les coûts opérationnels et compromettre la stabilité du réseau. Face à ce défi, une équipe de recherche de l’Université de technologie de Wuhan propose une solution innovante et prometteuse.
Dirigée par la professeure Hou Hui, avec la participation de la chercheuse He Ziyin, l’équipe a développé une stratégie de soumission pour le marché du jour précédent (day-ahead market) qui transforme les agrégateurs de véhicules électriques (EVA) en acteurs clés et proactifs du marché de l’énergie. Publiée dans la revue scientifique Journal of Global Energy Interconnection, cette étude introduit un cadre sophistiqué qui combine la modélisation du comportement des utilisateurs, l’évaluation du potentiel de réponse à la demande et des stratégies de soumission axées sur la rentabilité. L’objectif est triple : lisser la courbe de charge pour réduire les pics de consommation, garantir la sécurité et la stabilité du réseau électrique, et promouvoir un modèle économique durable pour les différents acteurs du marché.
Le cœur de cette innovation réside dans sa capacité à reconnaître et à exploiter l’hétérogénéité des utilisateurs de véhicules électriques. Plutôt que de traiter l’ensemble des VE comme une charge uniforme, l’équipe a mis au point une méthodologie de clustering basée sur des données réelles de conduite et de stationnement. En analysant des facteurs tels que l’heure d’arrivée et de départ, l’état de charge (SOC) initial de la batterie et la durée de stationnement, les chercheurs ont classé les utilisateurs de VE en cinq groupes distincts. Cette segmentation est cruciale car elle permet aux agrégateurs de prédire avec une bien meilleure précision quand et combien d’énergie chaque groupe peut fournir ou consommer.
Le premier groupe, par exemple, est composé d’utilisateurs qui stationnent leur véhicule à leur domicile pendant la nuit, arrivant le soir et repartant le matin. Ces véhicules bénéficient de longues périodes d’immobilisation, ce qui les rend idéaux pour une charge flexible et même pour la possibilité de restituer de l’énergie au réseau pendant les périodes de forte demande. Un deuxième groupe regroupe les utilisateurs qui stationnent pendant la journée, typiquement les travailleurs de bureau qui arrivent le matin et partent l’après-midi. Bien que leur fenêtre de disponibilité soit plus courte, elle reste précieuse pour la gestion de la charge diurne. Un troisième groupe représente les opérateurs de flottes commerciales, dont les véhicules peuvent revenir plusieurs fois par jour, offrant des opportunités fréquentes, mais brèves, de recharge. Deux autres groupes complètent le tableau : l’un pour les utilisateurs aux horaires irréguliers, et un autre pour ceux qui chargent de manière opportuniste tout au long de la journée.
En modélisant ces comportements variés, les chercheurs ont pu simuler les décisions de charge des propriétaires individuels, guidées par des considérations de commodité et de coût. Le modèle repose sur une hypothèse clé : les utilisateurs signent des contrats avec les agrégateurs, acceptant de confier le contrôle de la charge de leur véhicule en échange d’incitations financières ou de tarifs d’électricité plus avantageux. Cette relation contractuelle est le pilier du système. Elle transforme un comportement de consommateur imprévisible en une ressource énergétique gérable et prévisible, transformant ainsi les VE en une véritable force pour la flexibilité du réseau.
Une fois les groupes définis, l’étape suivante consiste à évaluer leur potentiel de réponse à la demande. Ce concept désigne la quantité d’énergie qui peut être déplacée dans le temps sans compromettre les besoins de mobilité de l’utilisateur. L’équipe a évalué ce potentiel en tenant compte de deux contraintes fondamentales : la puissance de charge maximale disponible à chaque point de recharge et la fenêtre énergétique autorisée pour chaque véhicule. Par exemple, un véhicule qui arrive avec un SOC de 30 % et qui doit atteindre 80 % avant son départ a un besoin énergétique fixe. Cependant, dans cette plage, l’agrégateur peut décider du moment et de la vitesse de charge, en fonction des conditions du marché.
Les chercheurs ont intégré dans leur modèle des éléments critiques comme la dégradation de la batterie et l’efficacité de la charge, garantissant ainsi que les stratégies proposées ne compromettent pas la durée de vie du véhicule. En définissant des limites supérieures et inférieures pour l’état de charge de la batterie — généralement entre 15 % et 90 % —, ils évitent les décharges profondes et les surcharges, qui sont des facteurs connus pour accélérer le vieillissement des batteries. Cette attention aux détails techniques renforce la crédibilité et la faisabilité du modèle, le rendant plus attrayant pour les opérateurs du monde réel qui doivent garantir la satisfaction de leurs clients et la longévité de leurs actifs.
Avec le potentiel de réponse à la demande quantifié, le focus se déplace vers la participation au marché. L’étude propose un modèle de soumission pour le marché du jour précédent, dans lequel plusieurs agrégateurs entrent en concurrence pour offrir des services de charge et de décharge au gestionnaire du réseau. Contrairement aux approches traditionnelles qui privilégient la satisfaction de l’utilisateur ou la faisabilité technique, ce modèle place la rentabilité au cœur de ses objectifs. Le but ultime est de maximiser le profit net, défini comme la différence entre les revenus générés par la vente d’électricité aux utilisateurs et le coût d’achat de cette même électricité sur le marché de gros.
Pour atteindre cet objectif, le modèle prend en compte plusieurs facteurs critiques. Le premier est l’incertitude des prix de l’électricité. Les prix sur le marché du jour précédent ne sont pas fixes ; ils sont déterminés par un processus d’enchères et peuvent fluctuer considérablement en fonction de l’offre et de la demande. Le modèle utilise des données historiques pour simuler divers scénarios de prix, permettant ainsi aux agrégateurs de se prémunir contre la volatilité du marché. Le second facteur est la pénalité pour déséquilibre. Si un agrégateur s’engage à fournir une certaine quantité d’énergie mais échoue — en raison d’un comportement inattendu de l’utilisateur ou d’une erreur de prévision — il fait face à des pénalités financières. Le modèle intègre un seuil de tolérance (fixé à 10 % dans l’étude), au-delà duquel les pénalités s’appliquent, incitant ainsi les agrégateurs à effectuer des prévisions précises et à formuler des offres prudentes.
Un autre aspect novateur du modèle est sa résolution temporelle. Alors que la plupart des études utilisent des intervalles horaires, cette recherche divise chaque heure en quatre segments de 15 minutes, ce qui donne un total de 96 intervalles de temps par jour. Cette granularité plus fine permet une planification beaucoup plus précise et un meilleur alignement avec les opérations en temps réel du réseau. Elle permet également aux agrégateurs d’exploiter les différences de prix à court terme — acheter à bas prix pendant les heures creuses et vendre à prix fort pendant les heures de pointe —, une pratique connue sous le nom de « lissage des pics et remplissage des creux ».
Le problème d’optimisation complexe est résolu à l’aide de Gurobi, un puissant solveur commercial capable de gérer des tâches de programmation linéaire mixte entière. En intégrant cet outil avec MATLAB et YALMIP, les chercheurs ont créé un cadre de calcul robuste capable de traiter de grands ensembles de données et de générer des stratégies de soumission optimales dans un délai raisonnable.
Pour valider leur approche, l’équipe a mené une étude de cas basée sur des données réelles d’un district de Wuhan, dans la province du Hubei. La simulation a impliqué 3 000 véhicules électriques et 5 000 consommateurs résidentiels, avec deux types d’agrégateurs : un spécialisé dans la charge lente (6,6 kW) et un autre dans la charge rapide (22 kW). Les résultats ont été convaincants. Avec la stratégie de soumission proposée, le profil de charge global a montré une réduction significative de la demande de pointe et une augmentation de la consommation pendant les heures creuses. Ce lissage de la courbe de charge se traduit directement par une moindre pression sur le réseau, des pertes de transmission réduites et le report d’investissements coûteux dans l’infrastructure.
L’analyse économique a également révélé des profits substantiels pour les deux agrégateurs. L’agrégateur de charge lente (EVA1) a réalisé un profit net de plus de 11 600 yuans par jour, tandis que l’agrégateur de charge rapide (EVA2) a gagné près de 7 350 yuans. Ces chiffres démontrent de manière irréfutable que la réponse à la demande n’est pas seulement un bénéfice technique ou environnemental ; c’est aussi un modèle d’affaires viable et potentiellement très lucratif.
Un résultat particulièrement intéressant de l’étude est que les chargeurs lents ont joué un rôle plus dominant dans le déplacement de la charge. Cela s’explique principalement par le fait que leurs utilisateurs ont tendance à stationner pendant de plus longues périodes et sont donc plus sensibles aux signaux de prix. Les chargeurs rapides, bien qu’essentiels pour la commodité, sont souvent utilisés pendant les heures de pointe, ce qui limite leur flexibilité. En conséquence, l’agrégateur de charge lente a soumis des offres plus basses pendant les heures de pointe et des offres plus élevées pendant les heures creuses, incitant efficacement les utilisateurs à charger lorsque c’était le plus bénéfique pour le réseau.
Ce mécanisme d’incitation basé sur le prix est une innovation clé. Plutôt que de s’appuyer uniquement sur un contrôle direct ou des horaires rigides, le modèle utilise les signaux du marché pour influencer le comportement de l’utilisateur. Lorsque les prix de l’électricité sont bas, les utilisateurs sont incités à charger ; lorsque les prix sont élevés, ils sont découragés. Cela crée un système autorégulé qui aligne les intérêts individuels avec les objectifs collectifs de stabilité du réseau.
Les implications de cette recherche vont bien au-delà des frontières chinoises. Alors que les pays du monde entier intensifient leurs efforts pour une décarbonation plus profonde, le rôle des véhicules électriques dans les systèmes énergétiques ne fera que croître. En Europe, par exemple, le paquet « Fit for 55 » de l’Union européenne prévoit des dispositions pour l’intégration du véhicule au réseau (V2G). Aux États-Unis, l’administration Biden a fixé un objectif de 50 % de ventes de véhicules électriques d’ici 2030, accompagné d’importants investissements dans les infrastructures de recharge. Dans les deux régions, les agrégateurs joueront un rôle fondamental dans la gestion de l’afflux massif de véhicules électriques.
Cependant, plusieurs défis subsistent. L’un d’eux est l’accès au marché. Dans de nombreuses juridictions, les agrégateurs de véhicules électriques ne sont pas encore reconnus comme des participants officiels au marché, ce qui limite leur capacité à soumissionner sur les marchés de gros ou à fournir des services auxiliaires. Les cadres réglementaires doivent évoluer pour intégrer ces nouveaux acteurs. Un autre défi majeur est la confiance des utilisateurs. Pour que ce modèle fonctionne, les utilisateurs doivent être prêts à céder une partie du contrôle sur le processus de charge de leur véhicule. Des contrats transparents, une rémunération équitable et des performances fiables sont essentiels pour instaurer cette confiance.
La maturité technologique est également un facteur déterminant. Bien que l’étude suppose un haut niveau de connectivité et de contrôle, tous les véhicules électriques et stations de charge ne sont pas équipés des systèmes de communication et de contrôle nécessaires. Des normes comme ISO 15118 et OpenADR contribuent à combler cet écart, mais leur déploiement à grande échelle prendra du temps.
Malgré ces obstacles, la trajectoire est claire : les véhicules électriques deviennent des participants actifs de l’écosystème énergétique. Le travail de Hou Hui, He Ziyin et de leurs collègues fournit une feuille de route précise sur la manière dont cette transition peut être gérée pour le bénéfice de tous : les gestionnaires de réseau, les agrégateurs, les consommateurs et l’environnement.
L’étude ouvre également la voie à des recherches futures. Les auteurs suggèrent d’explorer des stratégies de soumission en temps réel, la participation à plusieurs marchés (comme combiner les marchés de l’énergie et de la réserve) et des modèles plus nuancés des préférences des utilisateurs. Ils soulignent également l’importance de l’agrégation basée sur une plateforme, où plusieurs agrégateurs entrent en concurrence sur un marché numérique partagé, favorisant ainsi l’innovation et l’efficacité.
En conclusion, l’intégration des véhicules électriques dans le réseau électrique n’est plus une question de « si », mais de « comment ». Cette recherche démontre que, avec les bonnes stratégies, les agrégateurs de véhicules électriques peuvent devenir de puissants outils pour l’optimisation du réseau, transformant un potentiel fardeau en un actif précieux. Alors que la transition énergétique s’accélère, des innovations comme celle-ci seront essentielles pour construire un système électrique plus intelligent, plus propre et plus résilient.
Hou Hui, He Ziyin et al., Journal of Global Energy Interconnection, DOI: 10.19705/j.cnki.issn2096-5125.2024.02.011