Stratégie intelligente de recharge pour véhicules électriques
L’essor fulgurant des véhicules électriques (VE) transforme profondément notre rapport à la mobilité, promettant un avenir de transports plus propres et plus durables. Cependant, cette révolution verte n’est pas sans conséquences. L’explosion du nombre de VE sur les routes met à rude épreuve les infrastructures urbaines existantes, créant une série de défis interconnectés qui vont bien au-delà de la simple nécessité d’installer davantage de bornes de recharge. Le comportement non coordonné des conducteurs peut entraîner des files d’attente interminables aux stations de recharge rapide, des embouteillages autour de ces mêmes stations, une utilisation inégale et inefficace de l’infrastructure de recharge, et une pression croissante sur les réseaux électriques locaux, pouvant provoquer des baisses de tension et compromettre la stabilité de l’approvisionnement. Ces problèmes, loin de se limiter à une simple gêne pour l’utilisateur, constituent une menace réelle pour l’efficacité et la fiabilité des systèmes de transport et d’énergie qui sous-tendent la vie moderne. Dans ce contexte, une solution innovante, développée par une équipe de chercheurs de l’Université de Fuzhou en Chine, propose une voie prometteuse pour transformer cette transition en une opération coordonnée et optimisée, bénéficiant à tous les acteurs concernés.
Les approches traditionnelles de gestion de la recharge des VE ont souvent été fragmentées, se concentrant sur un seul aspect du problème. Les stratégies basées sur le prix incitent les utilisateurs à recharger pendant les heures creuses, mais dépendent de la participation active et du changement de comportement des conducteurs. D’autres solutions dirigent simplement les automobilistes vers la station de recharge la plus proche, ignorant complètement l’impact systémique de ce choix. Si tous les conducteurs suivent ce conseil, la station la plus proche sera rapidement saturée, créant un point de congestion dans le trafic et un pic de demande qui peut provoquer des chutes de tension sur le réseau électrique local. Cette vision limitée, qui traite le trafic, les stations de recharge et le réseau électrique comme des entités séparées, n’est plus suffisante. Un nouveau paradigme est nécessaire, un paradigme qui reconnaisse l’interconnexion profonde entre ces systèmes, où le mouvement d’un seul véhicule électrique influence le flux de trafic, la charge d’une station et la stabilité de la fourniture d’énergie.
C’est précisément ce paradigme holistique qui définit la nouvelle stratégie de recharge ordonnée proposée par l’équipe de l’Université de Fuzhou. Plutôt que d’aborder chaque problème de manière isolée, les chercheurs ont développé un modèle avancé appelé couplage d’information « véhicule-route-station-réseau » (VRSN). Ce modèle est la colonne vertébrale de l’innovation, fonctionnant comme un cerveau central qui intègre des données en temps réel provenant de quatre domaines distincts. Imaginez un système qui connaît la position et l’état de charge (SOC) de chaque VE en ville, le flux de trafic sur chaque rue, l’occupation et la capacité de chaque station de recharge, et la charge et la tension sur chaque nœud du réseau électrique. En fusionnant toutes ces informations, le modèle peut prédire avec précision les conséquences de chaque décision de recharge. L’acte individuel de choisir une station de recharge devient ainsi une opportunité d’optimiser la performance du système dans son ensemble.
Le processus débute lorsque un véhicule électrique détecte que son SOC est tombé en dessous d’un seuil critique, signalant la nécessité d’une recharge rapide. Au lieu de simplement rechercher la station la plus proche, le système VRSN entre en action. Tout d’abord, il utilise un algorithme de recherche de trajet connu sous le nom de « Floyd dynamique » pour calculer le trajet le plus court en temps jusqu’à toutes les stations de recharge rapide disponibles. Contrairement à une application de navigation conventionnelle qui se base sur des cartes statiques, cet algorithme intègre l’état du trafic en temps réel. Il connaît la vitesse actuelle sur chaque segment de route, qui dépend directement du volume de trafic, permettant ainsi une prédiction beaucoup plus précise du temps de trajet. Cette capacité à modéliser le trafic de manière dynamique est fondamentale pour éviter d’envoyer les conducteurs sur des itinéraires qui, bien qu’étant les plus courts en distance, sont paralysés par la congestion.
Cependant, la véritable puissance de la stratégie réside dans sa capacité à prédire ce qui se passera lorsque le conducteur arrivera à sa destination. Devra-t-il attendre dans une longue file d’attente ? Pour répondre à cette question, le système évalue une série de « facteurs de décision de recharge » pour chaque station potentielle. Le plus évident est le temps d’attente prévu, calculé en fonction du nombre de véhicules déjà en train de recharger et de la capacité de la station. Mais le système va bien au-delà. Il prend également en compte l' »indice d’état du trafic » (TSI), une métrique qui quantifie le degré d’embouteillage sur le réseau routier. Le choix d’un itinéraire qui dirige de nombreux véhicules vers une seule station augmente le TSI, nuisant à tous les usagers de la route. Un autre facteur clé est l' »utilisation de l’équipement de la station de recharge », qui vise à garantir que l’infrastructure de recharge soit utilisée de manière uniforme, évitant ainsi que certaines stations soient surchargées tandis que d’autres restent sous-utilisées. Enfin, et peut-être le plus critique du point de vue du réseau, on évalue le « changement de déviation de tension », un indicateur direct de la tension au nœud du réseau électrique où la station est connectée. Une charge massive et soudaine peut provoquer une chute de tension, affectant d’autres consommateurs et nécessitant des interventions coûteuses de renforcement du réseau.
Pour prendre une décision finale entre ces multiples variables souvent conflictuelles, les chercheurs ont utilisé une méthode de prise de décision multicritère connue sous le nom de Topsis (Technique pour l’Ordre de Préférence par Similarité à la solution Idéale). Topsis est conçu pour trouver la « meilleure solution de compromis » parmi un ensemble d’alternatives. Ce qui rend cette application particulièrement robuste, c’est la manière dont les poids, ou l’importance, de chaque facteur de décision sont déterminés. Plutôt que d’attribuer des poids arbitraires, l’équipe a utilisé une approche de « pondération combinée ». Cette méthode combine un composant subjectif, dérivé de la méthode Analytique Hiérarchique (AHP), qui peut intégrer les préférences de l’utilisateur, par exemple un conducteur qui privilégie la minimisation du temps d’attente plutôt qu’un trajet légèrement plus long. Ce composant est combiné avec un composant objectif, utilisant une version améliorée de la méthode CRITIC, qui analyse les données réelles pour déterminer quels facteurs présentent la plus grande variation et le plus grand conflit, indiquant leur importance dans le monde réel. Cette synthèse entre les besoins subjectifs de l’utilisateur et les données objectives du système garantit que la recommandation finale est à la fois personnalisée et solide du point de vue systémique.
Le résultat est un système de navigation qui ne trouve pas seulement la station de recharge la plus proche, mais celle qui offre le meilleur résultat global. Il peut guider un conducteur vers une station légèrement plus éloignée si cela signifie un temps d’attente beaucoup plus court, un impact moindre sur le trafic et un réseau électrique plus stable. Cette navigation intelligente est un facteur différenciant clé par rapport aux stratégies précédentes, qui se basaient souvent sur des incitations financières, comme les tarifs dépendant de l’heure. Bien que les prix soient un outil puissant, ils fonctionnent sur une échelle de temps plus lente et exigent la participation de l’utilisateur. Cette stratégie VRSN, en revanche, peut fournir une orientation automatique en temps réel qui fonctionne de façon transparente en arrière-plan, améliorant l’expérience pour tous les utilisateurs sans exiger aucun changement de comportement.
Les bénéfices de cette approche sont profonds et multifacettes. Pour le conducteur d’un véhicule électrique, l’amélioration la plus immédiate est une réduction drastique des temps d’attente pour la recharge. Dans les simulations de l’étude, la stratégie proposée a réduit le temps d’attente moyen de 75 % par rapport à un scénario où les conducteurs choisissaient simplement la station la plus proche. Cela transforme l’expérience de recharge d’une source potentielle de frustration et de perte de temps en un service rapide et fiable. L’analyse a montré que plus de 90 % des conducteurs utilisant la nouvelle stratégie pouvaient recharger en moins de dix minutes, contre seulement 75 % avec l’approche non coordonnée. Ce niveau de service est essentiel pour promouvoir une adoption plus large des véhicules électriques, car l' »anxiété d’autonomie » est de plus en plus remplacée par l' »anxiété de recharge ».
L’impact sur le flux de trafic est tout aussi significatif. En répartissant intelligemment la demande de recharge entre plusieurs stations, la stratégie prévient la formation de goulets d’étranglement autour des stations de recharge populaires. Les simulations ont démontré une diminution mesurable du « changement d’indice d’état du trafic », indiquant une réduction de la congestion générale du réseau. Cela bénéficie non seulement aux conducteurs de véhicules électriques, mais améliore également les conditions pour tous les usagers de la route, réduisant les temps de trajet et les émissions pour l’ensemble du système de transport. Cela représente un passage d’un modèle réactif, où les embouteillages sont gérés après leur survenance, à un modèle proactif, où la demande est gérée pour les éviter dès le départ.
Pour les opérateurs de stations de recharge, la stratégie offre un chemin vers des opérations plus efficaces et rentables. En équilibrant la charge à travers leur réseau de stations, les opérateurs peuvent garantir que leur infrastructure de recharge coûteuse est utilisée de manière plus uniforme. L’étude a montré une amélioration significative de l' »équité du réseau de stations de recharge », ce qui signifie que la différence entre les stations les plus et les moins utilisées a été considérablement réduite. Cela évite le scénario coûteux où certaines stations sont surchargées et sujettes à des pannes, tandis que d’autres sont sous-utilisées et ne génèrent pas de revenus. Cela permet aux opérateurs de maximiser le retour sur leur investissement en infrastructure et de fournir un service plus cohérent et de meilleure qualité à leurs clients.
Les implications pour le réseau électrique sont peut-être les plus critiques. La charge incontrôlée et simultanée de milliers de véhicules électriques peut créer des pics massifs de demande d’électricité, mettant à l’épreuve les réseaux de distribution et provoquant des chutes de tension. L’étude a constaté que la stratégie proposée réduisait significativement la déviation de tension globale, un indicateur clé de la pression sur le réseau. Cela signifie une fourniture d’énergie plus stable et fiable pour tous les consommateurs de la région. Cependant, les chercheurs ont identifié un défi secondaire crucial : la charge lente. Bien que la stratégie gère efficacement la charge rapide, la charge nocturne « lente » des véhicules électriques à la maison et au travail peut encore créer un pic secondaire en fin d’après-midi lorsque les conducteurs rentrent et branchent leurs véhicules simultanément. Pour y remédier, l’équipe a introduit une stratégie complémentaire d' »optimisation de la charge lente ».
Cette deuxième phase de la stratégie se concentre sur les véhicules électriques qui sont retournés à leur point de départ, typiquement à la maison ou au bureau. Au lieu de charger immédiatement, le système analyse la charge sur le réseau électrique pendant la période de repos du conducteur. Il identifie ensuite la fenêtre de temps où la demande d’électricité est la plus basse et planifie la charge lente pour qu’elle ait lieu pendant cette période. Cette idée simple mais puissante transforme des millions de véhicules électriques stationnés d’un problème potentiel en une solution. En déplaçant leur charge vers les heures creuses, ils aident à « remplir la vallée » dans la courbe de charge quotidienne, un processus connu sous le nom de « lissage de charge ». Cela aplanit le profil de demande global, réduit la tension sur les centrales électriques et les lignes de transmission, diminue les coûts opérationnels pour les entreprises d’électricité et augmente la capacité du réseau à accueillir encore plus de véhicules électriques à l’avenir. C’est une forme de gestion de la demande qui exploite la flexibilité de la charge des véhicules électriques pour fournir un service précieux à l’ensemble du système électrique.
La validation de cette stratégie a été réalisée à travers une simulation détaillée qui a couplé un réseau de distribution électrique standard de 33 nœuds avec un réseau de trafic urbain de 29 nœuds. La simulation a inclus une flotte diversifiée de 1200 véhicules électriques, catégorisés en véhicules privés, taxis et véhicules de service, chacun ayant des modèles de conduite, des horaires de départ et des besoins de charge différents, reflétant la complexité du monde réel. Les résultats ont été concluants. Par rapport à un scénario de charge non coordonnée, la stratégie complète, qui combine la navigation intelligente de la charge rapide avec la charge lente optimisée, a conduit à des améliorations substantielles sur toutes les métriques. Elle a atteint les temps d’attente moyens les plus bas, l’utilisation la plus équilibrée des stations de recharge, l’impact le plus faible sur le trafic et la tension de réseau la plus stable. Elle a également démontré une réduction significative des pertes d’énergie globales et de la durée des violations de tension sur le réseau.
Un aspect particulièrement convaincant de cette recherche est sa praticité et son efficacité computationnelle. Les auteurs ont comparé leur méthode de décision basée sur Topsis avec des algorithmes d’optimisation puissants tels que les Algorithmes Génétiques (AG), l’Optimisation par Essaim de Particules (PSO) et l’Optimisation par Colonie de Fourmis (ACO). Bien que ces algorithmes soient excellents pour trouver des solutions optimales, ils sont notoirement lents, nécessitant des milliers d’itérations. Dans la simulation, l’AG a mis plus de douze heures pour calculer une solution, ce qui est totalement impraticable pour un système de navigation en temps réel où les décisions doivent être prises en quelques secondes. En revanche, la méthode proposée a atteint une décision de haute qualité en un peu plus de deux minutes. Cette rapidité est cruciale pour la mise en œuvre pratique, car un conducteur attendant une recommandation de recharge ne peut se permettre un retard de plus de quelques secondes. L’étude a conclu que la combinaison de rapidité et de qualité de la solution rend cette approche unique pour sa mise en œuvre dans le monde réel.
Cette recherche représente un progrès significatif dans l’intégration des véhicules électriques dans notre infrastructure urbaine. Elle déplace le débat de l’ajout simple de points de recharge vers la gestion intelligente de l’ensemble de l’écosystème. Le modèle « véhicule-route-station-réseau » fournit un cadre puissant pour comprendre les interdépendances profondes entre les systèmes de transport et d’énergie. En utilisant des données en temps réel et une prise de décision sophistiquée, elle transforme les véhicules électriques de simples consommateurs d’électricité en participants actifs d’un réseau plus intelligent, résilient et efficace. La stratégie améliore non seulement l’expérience utilisateur, mais augmente également la stabilité et la durabilité des villes dans lesquelles nous vivons. Alors que le monde s’oriente vers l’électrification, des solutions comme celle de l’Université de Fuzhou seront essentielles pour garantir une transition fluide et réussie.
Liu Lijun, Chen Chang, Hu Xin, Lin Yufang, College of Electrical Engineering and Automation, Fuzhou University. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20231078