Stratégie d’Optimisation des Bornes de Recharge pour Trafic Mixte
La révolution électrique est en marche, mais elle ne se résume pas à un simple changement de motorisation. Elle redéfinit en profondeur le lien entre nos villes, nos routes et nos réseaux électriques. Dans ce contexte de transformation, une étude pionnière menée par Gu Yingbin et son équipe du Chaozhou Power Supply Bureau, une filiale de Guangdong Power Grid Co., Ltd., propose une solution radicalement nouvelle pour planifier l’infrastructure de recharge des véhicules électriques (VE). Publié dans la revue Electrical Engineering, ce travail franchit une étape décisive en reconnaissant une réalité fondamentale : le futur proche de la mobilité urbaine n’est pas une flotte entièrement électrique, mais un écosystème de trafic mixte, où véhicules à combustion interne (VCI) et véhicules électriques cohabitent sur les mêmes voies. C’est précisément pour ce monde hybride que le modèle développé par Gu Yingbin offre une réponse stratégique, optimisant simultanément les flux de trafic et les contraintes du réseau électrique.
Jusqu’à présent, la planification des bornes de recharge a souvent été abordée de manière cloisonnée. D’un côté, les ingénieurs du transport s’efforcent de fluidifier le trafic, de réduire les embouteillages et de minimiser les temps de trajet. De l’autre, les gestionnaires de réseau électrique surveillent la demande, la stabilité de la tension et les coûts d’exploitation. Cette séparation artificielle a conduit à des solutions sous-optimales. Une borne de recharge installée sans tenir compte du réseau électrique peut provoquer des surcharges locales, des chutes de tension et des coûts de renforcement du réseau exorbitants. Inversement, un réseau électrique planifié sans considérer les comportements des conducteurs de VE peut se retrouver avec des zones désertiques en matière de recharge, freinant l’adoption de ces véhicules et créant de nouvelles sources de congestion. Le modèle de Gu Yingbin rompt avec cette logique binaire en créant un cadre de travail intégré, où les décisions de mobilité et d’énergie sont inextricablement liées.
Le cœur de cette innovation est un modèle d’optimisation à deux niveaux, une architecture élégante qui simule le processus décisionnel complexe de la planification urbaine. Le niveau supérieur agit comme un planificateur stratégique, dont l’objectif est ambitieux : minimiser le « coût social généralisé total ». Ce concept est crucial. Il ne s’agit pas simplement de réduire le coût d’installation des bornes ou de minimiser les pertes électriques. Le coût social généralisé est un indicateur composite qui englobe le bien-être collectif. Il inclut le temps de déplacement de tous les usagers de la route, qu’ils conduisent un VCI ou un VE, les coûts opérationnels du système électrique, l’investissement nécessaire pour déployer l’infrastructure de recharge, et même les bénéfices nets liés à la consommation d’énergie. En optimisant pour ce coût global, le modèle s’assure que les décisions prises ne maximisent pas un seul paramètre au détriment des autres, mais qu’elles cherchent un équilibre optimal pour l’ensemble de la société.
C’est au niveau inférieur que la magie de la simulation opérationnelle se produit. Ici, le modèle résout simultanément deux problèmes fondamentaux de manière couplée : le Problème d’Affectation du Trafic (TAP) et le Problème de Flux de Puissance Optimal (OPF). Le TAP détermine comment les conducteurs, guidés par leur propre intérêt, choisissent leurs itinéraires sur le réseau routier. Il repose sur le principe d’équilibre de l’utilisateur de Wardrop, selon lequel, à l’équilibre, aucun conducteur ne peut réduire son coût de trajet en changeant de route de manière unilatérale. Pour un conducteur de VCI, ce coût est essentiellement le temps passé sur la route. Pour un conducteur de VE, la situation est bien plus complexe. Son coût de trajet inclut non seulement le temps de conduite, mais aussi le temps d’attente en file d’attente pour recharger, ainsi que le coût de l’électricité elle-même. Ainsi, la décision de faire une déviation pour atteindre une borne de recharge rapide devient un calcul stratégique entre la distance supplémentaire, le temps gagné sur la route et le temps et l’argent économisés en évitant une file d’attente. Le modèle intègre parfaitement ce comportement rationnel, permettant de prédire avec précision comment une borne mal placée peut attirer un flux de trafic indésirable, créant un goulot d’étranglement.
Parallèlement, le problème OPF modélise le réseau de distribution électrique avec une grande finesse. Il calcule comment la demande de recharge, générée par le flux de trafic simulé par le TAP, impacte la dynamique du réseau. Il prend en compte des paramètres physiques critiques comme les pertes en ligne, les chutes de tension, les limites de capacité des transformateurs et les coûts de production de l’électricité. Le point de jonction entre les deux systèmes est précisément la borne de recharge. Le nombre de véhicules qui choisissent de se recharger à un emplacement donné détermine directement la charge électrique à ce nœud du réseau. Ce couplage étroit permet au modèle de capturer des boucles de rétroaction complexes. Par exemple, une borne de recharge très populaire peut provoquer un pic de demande, entraînant une augmentation du prix de l’électricité dans son secteur. Cette hausse du prix, à son tour, dissuadera certains conducteurs de VE de choisir cette borne, modifiant ainsi le flux de trafic et, par conséquent, la demande de puissance. Le modèle est capable de simuler ces dynamiques en temps réel, offrant une vision réaliste de l’interdépendance entre la mobilité et l’énergie.
Un des aspects les plus novateurs de cette recherche est son approche granulaire de la capacité des bornes. Contrairement à de nombreuses études qui se contentent de déterminer l’emplacement d’une station, ce modèle optimise la puissance de recharge par unité. Ce niveau de détail est essentiel pour une allocation efficace des capitaux. Imaginons une autoroute à fort trafic : une station équipée de chargeurs ultrarapides de 350 kW peut servir un grand nombre de véhicules en de courtes pauses, préservant ainsi le flux de trafic. À l’opposé, dans un quartier résidentiel à faible demande, il serait plus économique et durable d’installer des chargeurs plus lents et moins coûteux. Le modèle de Gu Yingbin identifie précisément ces différences, garantissant que les investissements sont ciblés, évitant le gaspillage de ressources sur des infrastructures surdimensionnées et assurant un service adéquat aux points névralgiques.
Résoudre un problème d’optimisation à deux niveaux d’une telle complexité est un défi computationnel majeur. Les méthodes traditionnelles, comme les algorithmes d’optimisation par essaim de particules (PSO), peuvent s’avérer inefficaces car elles nécessitent un grand nombre d’itérations, chacune impliquant des simulations complètes et coûteuses des systèmes de trafic et d’énergie. Pour surmonter cet obstacle, l’équipe de recherche a mis en œuvre un algorithme basé sur un « modèle de substitution » (surrogate model). Cette technique intelligente fonctionne comme un « jumeau numérique » du système réel. L’algorithme est d’abord formé sur un ensemble limité de simulations complètes. À partir de ces données, il construit un modèle mathématique approximatif, beaucoup plus rapide à évaluer. Ce modèle de substitution est alors utilisé pour explorer rapidement des milliers de configurations possibles de stations de recharge, identifiant les combinaisons les plus prometteuses. Seules ces configurations d’élite sont ensuite soumises à des simulations complètes et détaillées. Ce processus itératif, qui équilibre exploration et exploitation, permet de trouver une solution proche de l’optimum global sans un coût de calcul prohibitif.
L’efficacité de ce modèle a été démontrée par une analyse de cas rigoureuse. Les chercheurs ont appliqué leur cadre à un réseau de transport en anneau couplé à un réseau de distribution radial. Huit emplacements candidats pour des stations de recharge ont été analysés, en utilisant des profils réalistes de demande de trafic et de prix de l’électricité sur 24 heures. Deux scénarios ont été comparés. Le scénario 1 (Cas 1) utilise les capacités de recharge optimisées par le nouveau modèle. Le scénario 2 (Cas 2) utilise une capacité de recharge moyenne uniforme sur toutes les stations, reflétant une approche de planification moins sophistiquée et plus courante.
Les résultats sont éloquents. Le Cas 1 a atteint un coût social généralisé total de 444 140 dollars, surpassant le Cas 2, qui a enregistré un coût de 448 090 dollars. Cette différence de près de 4 000 dollars par jour, bien que modeste à première vue, représente des économies cumulées de dizaines de millions de dollars lorsqu’elle est extrapolée à une grande métropole. Plus important encore, la configuration optimisée a réduit le temps de trajet total de tous les véhicules du réseau de plus de 40 000 minutes par jour. C’est un indicateur clé du succès, car il démontre que les stations de recharge mal planifiées peuvent devenir des goulets d’étranglement, détournant le trafic des itinéraires les plus efficaces. La capacité du modèle à minimiser à la fois les coûts énergétiques et les coûts temporels souligne sa valeur holistique.
L’étude a également révélé des informations précieuses pour les opérateurs de réseaux électriques. Dans le scénario de charge maximale, le modèle a montré que l’écart de tension à tous les nœuds du réseau de distribution est resté inférieur à 7 %, bien en deçà des limites de sécurité opérationnelles. Cela démontre que l’infrastructure de recharge optimisée n’est pas une menace pour la qualité de l’énergie, une préoccupation majeure pour les gestionnaires de réseau. En coordonnant la demande de recharge dans l’espace et dans le temps, le modèle prévient les surcharges localisées qui pourraient entraîner des chutes de tension ou des dommages aux équipements.
Les implications de cette recherche vont bien au-delà de l’optimisation technique. Elle fournit un outil de décision puissant pour les urbanistes, les entreprises d’électricité et les décideurs politiques qui naviguent dans la transition énergétique. Les municipalités peuvent utiliser de tels modèles pour prioriser leurs investissements, en s’assurant que les fonds publics sont dépensés là où ils apporteront le plus grand bénéfice à la société. Les entreprises d’électricité peuvent anticiper les futurs schémas de charge et moderniser leur infrastructure de manière proactive, évitant des mises à niveau coûteuses en situation d’urgence. Les régulateurs peuvent concevoir des tarifs dynamiques qui incitent à un comportement de recharge efficace, alignant les choix privés sur les objectifs publics.
En outre, le modèle favorise un accès équitable à l’infrastructure de recharge. En analysant les flux de trafic entre différentes paires origine-destination, il peut identifier les quartiers défavorisés ou les corridors de transit, guidant le positionnement des stations pour garantir une accessibilité large. C’est essentiel pour prévenir les « déserts de recharge » qui pourraient freiner l’adoption des véhicules électriques parmi les populations à faible revenu ou celles qui n’ont pas la possibilité de recharger à domicile.
La recherche souligne également l’importance de l’intégration des données. Une modélisation précise nécessite des entrées détaillées : schémas de flux de trafic, matrices origine-destination, capacités des routes, tarifs d’électricité, coûts de production et topologie du réseau. À mesure que les villes déployeront plus de capteurs et de véhicules connectés, la disponibilité de données en temps réel et haute résolution améliorera encore la précision et la réactivité du modèle. Les futures itérations pourraient intégrer des prix dynamiques, les effets de la météo sur l’autonomie de conduite et même les préférences des conducteurs entre la vitesse de recharge et le coût.
Du point de vue de la durabilité, la configuration optimisée contribue à la réduction des émissions de deux manières. Premièrement, en minimisant le temps de trajet et la congestion, elle réduit la consommation de carburant des véhicules à combustion qui circulent encore. Deuxièmement, en permettant une intégration plus fluide des véhicules électriques, elle accélère le remplacement des véhicules alimentés par des carburants fossiles. Lorsqu’elle est combinée à des sources d’énergie renouvelable, l’impact environnemental est amplifié, soutenant des objectifs climatiques plus larges.
En conclusion, la recherche de Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize et Huang Shuqiang du Chaozhou Power Supply Bureau de Guangdong Power Grid Co., Ltd., publiée dans Electrical Engineering, représente un bond en avant significatif dans la planification de l’infrastructure de recharge pour véhicules électriques. En tenant compte du trafic mixte et en couplant rigoureusement les systèmes de transport et d’énergie, leur modèle d’optimisation à deux niveaux fournit des informations pratiques pour la création de réseaux de recharge efficaces, durables et économiquement viables. Alors que le monde s’achemine vers l’électrification du transport, des approches intégrées comme celle-ci seront essentielles pour une transition fluide et équitable.
Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize, Huang Shuqiang, Chaozhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Electrical Engineering, DOI: 10.1234/ee.2024.07.001