Stratégie innovante optimise les réseaux électrique et routier en tenant compte des retards de trafic
L’essor fulgurant des véhicules électriques (VE) ne se limite pas à une simple transition technologique des moteurs à combustion vers des batteries. Il marque la naissance d’un nouveau paradigme urbain, celui de l’intégration profonde entre le réseau électrique de distribution et le réseau de transport routier. Ce système complexe, connu sous le nom de système de couplage énergie-transport (PTCS), transforme chaque décision d’un conducteur de VE – le moment et le lieu où il choisit de recharger – en un acte qui a des répercussions directes sur la stabilité du réseau électrique et sur la fluidité du trafic urbain. Une étude de pointe, publiée dans la prestigieuse revue Proceedings of the CSU-EPSA, introduit une stratégie révolutionnaire pour gérer ce système interconnecté, en s’attaquant à un facteur critique, souvent négligé : le décalage temporel, ou « retard de trafic », entre la perception d’une situation de circulation et sa réalité vécue.
Menée par Liu Jue, Mu Yunfei, Dong Xiaohong et Jia Hongjie de l’Université de Tianjin et de l’Université de Technologie de Hebei, cette recherche bouscule les fondements des stratégies traditionnelles de gestion de la recharge des véhicules électriques. L’argument central est à la fois simple et profond : les informations sur le trafic que les conducteurs utilisent pour planifier leur trajet et choisir une station de recharge sont, par nature, obsolètes. Il existe un « facteur de retard de trafic » entre le moment où une information (par exemple, la congestion sur une voie) est collectée et le moment où un véhicule la subit réellement. Ignorer cet écart temporel, affirment les chercheurs, conduit à des décisions sous-optimales qui peuvent aggraver la congestion routière et créer des charges imprévues sur le réseau électrique, sapant ainsi l’efficacité de tout le système.
« Les applications de navigation et de recharge actuelles fonctionnent avec une photographie statique du présent », explique Mu Yunfei, l’un des auteurs principaux. « Mais le trafic est un système dynamique, en constante évolution. Si nos recommandations n’intègrent pas une prédiction de l’avenir basée sur les conditions passées, elles deviennent rapidement obsolètes et contre-productives. Nous essayons d’ajouter une dimension temporelle à la prise de décision. »
Le Problème Fondamental : L’Écart entre l’Information et la Réalité
Les modèles conventionnels de gestion de l’infrastructure de recharge des véhicules électriques partent souvent du principe que les conducteurs prennent des décisions en temps réel, basées sur des données instantanées concernant le trafic et les prix de recharge. En théorie, un conducteur peut voir sur son application que la station de recharge A a peu de véhicules en attente et que le chemin qui y mène est dégagé, et il choisit donc cette option. Dans la pratique, cependant, la réalité est beaucoup plus chaotique.
Les informations sur le flux de trafic sont collectées par intervalles, traitées et ensuite diffusées aux utilisateurs. Ce processus prend du temps. Pendant qu’un conducteur prend une décision basée sur des données qui ont, disons, cinq minutes de retard, des centaines d’autres conducteurs prennent des décisions similaires basées sur les mêmes données. Le résultat est une avalanche de véhicules se dirigeant tous vers la même destination, transformant une station de recharge à faible trafic en un goulot d’étranglement en quelques minutes. Ce phénomène, connu sous le nom d’« effet de troupeau », aggrave la congestion sur les routes et surcharge les stations de recharge et les sous-stations électriques locales.
De plus, ce retard signifie que les conducteurs peuvent se retrouver dans des conditions de trafic qu’ils n’avaient pas anticipées, augmentant ainsi leur temps de trajet, leur consommation d’énergie et, en fin de compte, leur coût total de déplacement. Pour le réseau électrique, ce modèle de recharge erratique crée des pics de demande imprévus qui peuvent provoquer des pertes d’énergie, des chutes de tension et la nécessité de renforcer l’infrastructure, avec des coûts significatifs. L’équipe de Liu Jue soutient que la racine de nombreux de ces problèmes est l’absence d’un modèle qui reconnaisse et exploite activement le « facteur de retard de trafic ».
Une Solution Basée sur la Prédiction Spatio-Temporelle
Pour surmonter cette limitation, les chercheurs ont développé un cadre en deux niveaux qui intègre le facteur de retard de trafic directement au cœur du processus de prise de décision. Le premier niveau est un modèle de prédiction spatio-temporelle de la demande de recharge des véhicules électriques. Au lieu de simuler un comportement de conduite statique, le modèle utilise des simulations de trafic pour suivre le mouvement de milliers de véhicules électriques (5 000 dans leur étude de cas) sur une journée entière.
Chaque véhicule virtuel possède des caractéristiques réalistes : une capacité de batterie, un état de charge initial, une heure de départ et une chaîne de déplacements (une série de destinations qu’il doit atteindre). Lorsque le modèle détermine qu’un véhicule a besoin de recharger (parce que sa batterie est en dessous d’un certain seuil ou que son autonomie restante est insuffisante pour le prochain tronçon), le deuxième composant clé est activé : le calcul du facteur de retard de trafic.
Ce facteur est calculé en analysant des données historiques sur le flux de trafic. L’idée est de trouver l’intervalle de temps qui maximise la corrélation entre le flux de trafic sur un segment de route et le flux sur le segment immédiatement en aval. Par exemple, si le trafic sur l’autoroute X à 17h00 prédit avec la plus grande précision le trafic sur la rue Y à 17h10, alors le facteur de retard pour ce tronçon est de 10 minutes. Cette valeur n’est pas une supposition, mais une métrique dérivée de données réelles.
Une fois ce facteur connu, il est utilisé pour prédire les conditions de trafic qu’un véhicule rencontrera dans le futur, et non celles qui existent au moment de la décision. Au lieu de recommander l’itinéraire au temps de trajet actuel le plus court, le modèle recommande l’itinéraire au temps de trajet prévu le plus court. Cela signifie qu’un conducteur pourrait être dirigé vers un itinéraire qui a actuellement un peu de trafic, mais qui devrait se dégager, plutôt que vers un itinéraire qui est maintenant dégagé mais qui devrait être saturé par l’avalanche de véhicules qui arrive. Cette prédiction proactive est le noyau de la stratégie.
L’Optimisation du Système pour Minimiser le Coût Total
Le deuxième niveau du cadre est un modèle d’optimisation qui vise à minimiser le coût total d’exploitation du système PTCS. Ce coût ne se concentre pas uniquement sur le conducteur, mais est une somme de quatre composantes :
- Coût du réseau électrique : Cela est mesuré principalement par les pertes d’énergie (pertes sur le réseau) qui se produisent lorsqu’une grande quantité d’électricité est transmise pour recharger des véhicules. Ces pertes sont inefficaces et coûteuses.
- Coût du réseau routier : C’est le coût collectif du temps que tous les véhicules passent dans les embouteillages. La congestion et les temps de trajet prolongés ont un impact économique et environnemental.
- Coût des stations de recharge : Cela inclut principalement le coût d’achat d’électricité sur le réseau principal, qui peut être plus élevé pendant les périodes de pointe.
- Coût pour l’utilisateur du VE : C’est le coût total pour le conducteur, qui inclut le temps de trajet jusqu’à la station, le temps d’attente en file d’attente et le prix final de la recharge.
Le modèle d’optimisation simule l’ensemble du processus pour chaque véhicule qui a besoin de recharger. Pour chaque station de recharge faisable, il calcule le coût total du système qui serait encouru si le véhicule choisissait cette station. Cela implique de simuler son trajet (en utilisant le modèle de prédiction avec retard), son temps d’attente (basé sur des files d’attente simulées) et l’impact de sa recharge sur le réseau électrique (en utilisant des calculs de flux de charge). La station de recharge qui donne le coût total le plus bas pour l’ensemble du système (réseau électrique + réseau routier + station + utilisateur) est identifiée comme le choix optimal.
Pour renforcer cette optimisation, le modèle intègre un système de tarification dynamique. Lorsqu’une station de recharge s’approche de sa capacité, son prix augmente légèrement. Cette augmentation agit comme un signal de marché, décourageant les conducteurs de choisir cette station et répartissant ainsi la charge de manière plus uniforme. « Il ne s’agit pas de contrôler le conducteur », souligne Dong Xiaohong. « Il s’agit de créer un système d’incitations qui oriente les décisions individuelles vers un résultat collectif plus efficace. C’est une solution gagnant-gagnant qui est obtenue grâce à une meilleure utilisation des données. »
Des Résultats Convaincants issus de la Simulation
L’efficacité de cette stratégie a été validée par une étude de cas détaillée qui combinait un réseau de trafic de 24 nœuds avec un réseau de distribution électrique modifié basé sur la norme IEEE 33-bus. Trois scénarios ont été comparés :
- Scénario 1 : Sans tenir compte du retard de trafic, prix fixes, fonctionnement indépendant des réseaux.
- Scénario 2 : Sans tenir compte du retard de trafic, mais avec des prix dynamiques et un fonctionnement coordonné.
- Scénario 3 : La stratégie proposée, avec facteur de retard de trafic, prix dynamiques et fonctionnement coordonné.
Les résultats ont été concluants. Par rapport au Scénario 1 (la base de référence), la stratégie proposée (Scénario 3) a réduit le coût total d’exploitation du système de 12,7 %. Même par rapport au Scénario 2, qui représentait déjà une amélioration, une réduction supplémentaire de 6,3 % a été atteinte.
La réduction des coûts s’est répartie sur tous les composants. Le trafic a énormément bénéficié : la charge de recharge s’est répartie de manière beaucoup plus uniforme entre les stations, évitant la surcharge locale. Un indicateur clé, l’Indice de Performance du Trafic (TPI), a montré que le nombre de tronçons de route gravement congestionnés (TPI > 0,8) a diminué de 28 % dans le Scénario 3 par rapport au Scénario 1.
Le réseau électrique a également connu des améliorations significatives. Les pertes sur le réseau ont été réduites de 15,4 % car la recharge a été répartie de manière plus efficace dans le temps et l’espace, évitant les pics de demande qui stressent l’infrastructure. Cette efficacité fait non seulement économiser de l’argent, mais augmente également la résilience du système.
Des Implications Profondes pour l’Avenir des Villes Intelligentes
Cette recherche a des implications profondes pour le développement de villes intelligentes et durables. Elle démontre que la clé pour gérer l’électrification des transports ne réside pas dans l’optimisation de systèmes isolés, mais dans la compréhension et la gestion de leurs interactions. La stratégie proposée offre un chemin pratique pour les entreprises de services publics, les autorités de la circulation et les urbanistes.
Pour les entreprises de services publics, cela signifie un moyen de gérer proactivement la charge croissante des véhicules électriques sans avoir besoin d’investissements immédiats et coûteux dans le renforcement de l’infrastructure du réseau. Pour les villes, elle offre un outil pour réduire la congestion, améliorer la qualité de l’air et rendre les déplacements plus prévisibles. Et pour les conducteurs, elle promet une expérience de recharge plus fiable, avec moins de temps d’attente et des coûts potentiellement plus bas.
La mise en œuvre de cette stratégie nécessite une collaboration sans précédent. Elle nécessite des données en temps réel sur les flux de trafic, la charge des stations et l’état du réseau électrique, toutes intégrées dans une plateforme centrale. Cela exige des normes de données ouvertes, des protocoles de communication sécurisés et des plateformes de calcul en nuage robustes.
La Voie à Suivre
Les auteurs voient leur travail comme une étape fondamentale, mais pas la dernière. Ils prévoient d’étendre le modèle pour inclure la recharge nocturne à domicile, qui représente une part significative de la consommation d’énergie des véhicules électriques. Ils cherchent également à intégrer des technologies Véhicule-Réseau (V2G), où les véhicules électriques ne consomment pas seulement de l’énergie, mais peuvent aussi la restituer au réseau, ajoutant un nouveau niveau de flexibilité.
La mise en œuvre pratique viendra probablement sous la forme d’une plateforme de « navigation intelligente » agissant comme un centre de contrôle pour la mobilité électrique. Cette plateforme recevrait des données de multiples sources, calculerait les recommandations optimales en temps réel et les transmettrait aux conducteurs via leurs applications de navigation existantes. L’acceptation par l’utilisateur sera cruciale, et des incitations, comme des réductions pour suivre des itinéraires optimisés, pourraient être nécessaires pour encourager la participation.
En résumé, le travail de Liu Jue, Mu Yunfei, Dong Xiaohong et Jia Hongjie représente une avancée significative dans l’intégration de l’énergie et des transports. En se concentrant sur le facteur de retard de trafic, ils ont développé une solution qui est non seulement théoriquement solide, mais aussi applicable dans la pratique. Leur stratégie démontre que, en anticipant la dynamique du monde réel, nous pouvons créer des villes plus efficaces, résilientes et durables pour tous.
Publié par Liu Jue, Mu Yunfei, Dong Xiaohong et Jia Hongjie de l’Université de Tianjin et de l’Université de Technologie de Hebei dans les Proceedings of the CSU-EPSA, DOI: 10.19635/j.cnki.csu-epsa.001411.