Stratégie de soumission pour agrégateurs de véhicules électriques
Le secteur automobile est à un tournant historique, marqué par l’essor fulgurant des véhicules électriques (VE). Ces véhicules, qui dépassent désormais le simple statut de moyen de transport, sont devenus des piliers essentiels d’un nouveau paradigme énergétique. Avec plus de 18 millions d’unités en circulation en Chine à la fin de l’année 2023, les VE ne sont plus seulement des consommateurs d’électricité, mais une vaste flotte de batteries mobiles, offrant un potentiel de stockage d’énergie décentralisé sans précédent. Face à ce défi et à cette opportunité, une étude pionnière menée par Hou Hui de l’École d’automatisation de l’Université de technologie de Wuhan propose une stratégie de soumission innovante pour les agrégateurs de véhicules électriques. Cette recherche, publiée dans la prestigieuse revue Journal of Global Energy Interconnection, ouvre la voie à une intégration intelligente des VE dans le marché de l’électricité, promettant une stabilité accrue du réseau, une réduction des coûts et un modèle économique viable pour les nouveaux acteurs du secteur.
La publication, intitulée « Stratégie de soumission multilatérale du jour au lendemain pour les agrégateurs de véhicules électriques en fonction du potentiel de réponse à la demande », ne se contente pas de décrire un concept, elle fournit un cadre opérationnel complet pour transformer les VE en une ressource énergétique active et rentable. L’objectif principal est ambitieux : atteindre un équilibre parfait entre la consommation et la production d’électricité en « écrêtant les pics » de demande et en « comblant les creux » de consommation. Ce processus, connu sous le nom de « load shifting », est crucial pour éviter la saturation des réseaux pendant les heures de pointe et pour absorber l’énergie excédentaire, souvent renouvelable, produite pendant les périodes de faible demande. En assurant ainsi une utilisation plus efficace de l’infrastructure existante, cette stratégie contribue directement à la sécurité, à la stabilité et à la durabilité du réseau électrique dans son ensemble.
Le cœur de la méthodologie réside dans une approche en deux étapes, rigoureuse et fondée sur des données réelles. La première étape consiste à une classification fine des utilisateurs de VE en clusters, ou groupes, basée sur leurs comportements de mobilité. Plutôt que de traiter les 3 000 véhicules simulés dans l’étude comme une entité homogène, les chercheurs ont pris en compte des facteurs critiques tels que l’heure d’arrivée au point de charge, l’heure de départ, l’état de charge (SOC) initial de la batterie et les habitudes de déplacement. Cette segmentation, alimentée par des données historiques, permet de créer des profils utilisateur réalistes. Par exemple, un groupe peut être composé de conducteurs qui se connectent à leurs bornes de charge à domicile entre 18h et 8h le lendemain, tandis qu’un autre groupe peut regrouper des utilisateurs de bornes rapides en milieu de journée. Cette granularité est essentielle pour prédire avec précision la fenêtre de temps pendant laquelle chaque véhicule sera disponible pour être chargé ou déchargé de manière coordonnée.
Une fois les clusters définis, le modèle simule les choix de charge et de décharge des utilisateurs à l’intérieur de chaque groupe. Cette simulation ne suppose pas une obéissance aveugle aux ordres du réseau, mais intègre un élément de choix aléatoire, reflétant la réalité du terrain. Les utilisateurs prennent leurs décisions en fonction de critères comme la commodité, le coût de l’électricité et l’urgence de leur prochain trajet. Cette modélisation du comportement humain est ce qui donne à la stratégie sa robustesse et sa crédibilité. Elle reconnaît que la participation des utilisateurs est volontaire et doit être incitée par des avantages économiques.
La deuxième étape, et la plus novatrice, est l’évaluation du « potentiel de réponse à la demande » (demand response potential) de l’agrégauteur. C’est ici que la recherche de Hou Hui et de ses collègues, dont He Ziyin, fait une avancée significative. Le potentiel n’est pas simplement dérivé de la puissance de charge totale disponible, mais est calculé en combinant deux paramètres clés : la limite de puissance maximale que le réseau peut fournir (la contrainte physique) et l’intervalle d’énergie disponible dans les batteries des véhicules (la contrainte opérationnelle). Cet intervalle d’énergie est déterminé par la capacité de la batterie, l’efficacité du processus de charge et les exigences de mobilité des utilisateurs, qui doivent toujours disposer d’une charge minimale suffisante pour leurs déplacements prévus. En fusionnant ces données historiques et ces contraintes, l’agrégauteur obtient une estimation précise de sa capacité à ajuster son profil de consommation en réponse aux signaux du marché.
C’est à partir de cette évaluation que l’agrégauteur peut élaborer sa stratégie de soumission pour le marché du jour au lendemain (day-ahead market). Ce marché est un mécanisme où les producteurs et les consommateurs d’électricité soumettent leurs offres d’achat et de vente pour le lendemain. L’objectif de l’agrégauteur, tel qu’établi dans l’étude, est de maximiser son profit net. Ce profit est la différence entre les revenus générés par la facturation des services de charge aux utilisateurs de VE et les coûts engendrés par l’achat d’électricité sur le marché de gros. Le modèle de soumission transforme ce problème complexe en un problème d’optimisation mathématique, dont la fonction objectif est clairement définie : la maximisation du profit net attendu.
L’originalité de l’approche réside dans sa capacité à gérer l’incertitude inhérente à ce marché. Deux sources principales de risque sont identifiées : la volatilité des prix de l’électricité sur le marché en temps réel et la disponibilité imprévisible des véhicules. Pour surmonter ces défis, le modèle adopte une méthode sophistiquée d’analyse par scénarios. Il ne se base pas sur une seule prévision, mais évalue plusieurs scénarios possibles, chacun affecté d’une probabilité d’occurrence. Par exemple, un scénario pourrait prévoir des prix très élevés en période de pointe, tandis qu’un autre pourrait anticiper une surproduction d’énergie solaire à midi. De même, la disponibilité des véhicules est modélisée de façon probabiliste, tenant compte des aléas de la vie quotidienne. Cette approche probabiliste permet à l’agrégauteur de prendre des décisions plus résilientes, en minimisant le risque de pénalités financières pour écarts entre la quantité d’électricité commandée et celle effectivement consommée.
La résolution de ce problème d’optimisation, qui implique de nombreuses variables et contraintes, est rendue possible grâce à l’utilisation du puissant solveur Gurobi. Ce logiciel de pointe est capable de traiter des modèles complexes en un temps raisonnable. Les contraintes intégrées dans le modèle sont nombreuses et cruciales pour garantir la faisabilité de la solution. Elles incluent :
- La contrainte de puissance : La puissance totale de charge ne peut pas dépasser la capacité maximale de la ligne électrique ou du transformateur local.
- La contrainte de capacité de batterie : Aucun véhicule ne peut être chargé au-delà de sa capacité maximale (par exemple, 90% de la capacité nominale pour préserver la durée de vie) ni déchargé en dessous d’un seuil critique (par exemple, 15% pour garantir la mobilité).
- La contrainte de bilan énergétique : La quantité totale d’énergie chargée dans la flotte doit correspondre à la demande totale des utilisateurs, tout en respectant les fenêtres de disponibilité de chaque véhicule.
Pour valider la pertinence et l’efficacité de leur stratégie, les chercheurs ont mené une étude de cas basée sur des données réelles d’un district de Wuhan, en Chine. La simulation a impliqué deux types d’agrégauteurs distincts, représentant des modèles commerciaux différents :
- EVA1, un agrégateur spécialisé dans la charge lente, typiquement à domicile ou au travail.
- EVA2, un agrégateur axé sur la charge rapide, destinée aux utilisateurs qui ont besoin de recharger leur véhicule en peu de temps.
Les résultats de la simulation sont éloquents. La stratégie de soumission proposée a réussi à lisser considérablement la courbe de charge du réseau. Le comportement de charge désordonné, qui concentre traditionnellement la demande en fin de journée, a été transformé en un profil de charge beaucoup plus équilibré. La charge a été intelligemment décalée vers les heures creuses de la nuit, lorsque l’électricité est la moins chère et la plus abondante. Ce décalage est la clé du succès, permettant à la fois de réduire les coûts et de stabiliser le réseau.
L’analyse économique a révélé que cette stratégie est non seulement techniquement efficace, mais aussi commercialement viable. EVA1, qui peut profiter pleinement des tarifs nocturnes avantageux, a réalisé un profit net impressionnant de plus de 11 600 yuans. EVA2, bien que confronté à des coûts d’électricité plus élevés pendant les heures de pointe, a également généré un profit substantiel de près de 7 350 yuans. Ces chiffres démontrent de manière convaincante que le modèle d’entreprise de l’agrégauteur peut être rentable, à condition d’être soutenu par une stratégie de soumission sophistiquée qui exploite les différences de prix entre les différentes plages horaires.
Une observation fascinante de l’étude est la différence de comportement stratégique entre les deux agrégateurs. EVA1, en tant que gestionnaire de charge lente, a adopté une stratégie plus agressive pendant les heures creuses, soumettant des offres pour acheter de grandes quantités d’électricité à des prix bas. En revanche, EVA2, en tant que fournisseur de service rapide, a concentré ses efforts sur les heures de pointe, reflétant son modèle économique basé sur la commodité et la rapidité, ce qui lui a permis de se positionner différemment sur le marché. Ce résultat illustre parfaitement comment un marché multilatéral, avec plusieurs agrégateurs aux spécialités variées, peut créer une concurrence saine et une diversité de services pour les utilisateurs.
L’impact de cette recherche dépasse largement les frontières géographiques. Dans un monde où la transition énergétique s’accélère, avec une intégration croissante des énergies renouvelables intermittentes comme l’éolien et le solaire, la capacité à stocker l’énergie excédentaire devient primordiale. Les véhicules électriques, gérés par des agrégateurs intelligents, peuvent jouer le rôle d’une gigantesque batterie virtuelle. Ils peuvent absorber l’excès de production solaire en milieu de journée et restituer cette énergie au réseau lors des pics de consommation en soirée, réduisant ainsi la dépendance aux centrales à gaz ou au charbon utilisées comme réserve de secours.
Le rôle des agrégateurs évolue donc radicalement. Ils ne sont plus de simples opérateurs de bornes de charge, mais deviennent des acteurs centraux du marché de l’énergie, capables de fournir des services de flexibilité au réseau. Cette évolution souligne la nécessité de politiques et de réglementations claires pour encadrer ce nouveau marché, comme celles récemment proposées par la Commission nationale du développement et de la réforme de Chine pour renforcer l’interaction entre les véhicules électriques et le réseau.
Cependant, la voie vers une adoption généralisée n’est pas sans obstacles. Les seuils d’entrée sur le marché sont élevés, nécessitant des investissements importants en technologie, en données et en expertise. Le facteur humain reste crucial : la confiance des utilisateurs. Pour que les propriétaires de VE acceptent de confier une partie du contrôle de la charge de leur véhicule à un tiers, ils doivent percevoir un bénéfice clair, comme des tarifs de charge réduits, des garanties de disponibilité ou des programmes de fidélité. Comme le suggèrent les auteurs, l’avenir réside dans des plateformes d’agrégation transparentes et bénéfiques pour tous, créant un cercle vertueux de participation.
En conclusion, le travail de recherche mené par Hou Hui, He Ziyin et leurs collègues représente une contribution majeure à l’intégration de la mobilité électrique dans le système énergétique du futur. En fournissant un modèle mathématique rigoureux, validé par des données du monde réel, ils ont jeté les bases d’un nouveau paradigme. Ce paradigme transforme un défi potentiel – la masse critique de véhicules électriques – en une opportunité formidable pour créer un système énergétique plus intelligent, plus résilient et plus durable. Leur étude n’est pas seulement un exercice académique ; c’est un guide pratique pour les entreprises, les opérateurs de réseau et les décideurs politiques, leur montrant comment libérer le véritable potentiel des véhicules électriques en tant que piliers d’une nouvelle ère énergétique.
Hou Hui, He Ziyin et al., Journal of Global Energy Interconnection, DOI: 10.19705/j.cnki.issn2096-5125.2024.02.011