Stratégie Intelligente d’Orientation pour la Recharge des Véhicules Électriques
L’essor fulgurant des véhicules électriques (VE) redéfinit profondément le paysage de la mobilité urbaine. Pourtant, cette transition vers une conduite plus propre est confrontée à un défi persistant : l’expérience de recharge. Trop souvent, les conducteurs de VE se retrouvent à faire la queue devant des stations saturées, tandis que d’autres, à quelques rues de là, restent désespérément sous-utilisées. Cette inefficacité n’est pas seulement source de frustration pour les utilisateurs ; elle pénalise également les exploitants de stations, qui voient leur potentiel de revenus se dilapider pendant de longues périodes d’inactivité. Face à ce dilemme, une équipe de chercheurs de l’Université Jiaotong de Pékin propose une solution révolutionnaire, alliant modélisation prédictive avancée et intelligence comportementale, pour transformer la manière dont les conducteurs trouvent et utilisent les infrastructures de recharge.
Dirigée par la professeure Su Su, en collaboration avec Wang Jianxiang, Li Yujing, Nie Xiaobo et Xiang Wenxu du Département de Génie Électrique, et Wang Lei de CCCC Mechanical & Electrical Engineering, cette recherche introduit une stratégie d’orientation à la recharge fondée sur un modèle de Huff dynamique et la théorie du jumelage bilatéral. Publié dans la prestigieuse revue Automation of Electric Power Systems (DOI : 10.7500/AEPS20230731008), ce travail va bien au-delà des simples applications de cartographie qui indiquent la borne la plus proche. Il vise à créer un écosystème de recharge intelligent, où chaque décision d’orientation est une optimisation conjointe, maximisant à la fois la satisfaction du conducteur et la rentabilité de l’infrastructure.
Le fondement de cette stratégie réside dans une analyse approfondie de données réelles, un atout rare et précieux dans un domaine souvent dominé par des modèles théoriques. En exploitant un vaste ensemble de données provenant de Chengdu, une métropole chinoise à la pointe de l’adoption des VE, les chercheurs ont pu cartographier avec une précision inédite les préférences des utilisateurs. Leur enquête révèle des vérités fondamentales sur le comportement des conducteurs : ils sont profondément sensibles au coût. Près de 75 % des sessions de recharge ont lieu dans les stations appartenant aux 50 % les moins chères du marché. Un autre facteur déterminant est le stationnement : 86 % des recharges s’effectuent dans des stations qui offrent un stationnement gratuit, une preuve éclatante de la sensibilité au prix. Enfin, la qualité perçue est cruciale. Près de 82 % des utilisateurs choisissent des stations notées quatre étoiles ou plus sur cinq. Ces données ont permis aux chercheurs de quantifier ce qui rend une station « attractive », transformant une intuition en un algorithme mesurable.
Pour traduire ces insights en une action concrète, l’équipe a conçu un « modèle de Huff dynamique ». Cette méthode, initialement développée pour prédire les flux de clients vers les centres commerciaux, a été habilement adaptée au contexte de la recharge électrique. L’idée centrale est que la probabilité qu’un conducteur choisisse une station donnée dépend de deux facteurs principaux : son « attractivité » et le temps de trajet nécessaire pour l’atteindre. L’attractivité n’est pas un chiffre fixe ; elle est recalculée en temps réel et intègre plusieurs variables clés : le nombre de bornes disponibles, le prix du kilowattheure, la présence ou non de frais de stationnement et la note moyenne attribuée par les utilisateurs. Le temps de trajet, quant à lui, est calculé avec une précision remarquable. Il ne s’agit pas seulement du temps sur la route principale, mais il inclut également une estimation du temps nécessaire pour trouver une place libre à l’intérieur de la station et pour accéder physiquement au point de recharge. Ce détail, souvent négligé, est crucial pour une expérience utilisateur réelle et sans stress.
Ce modèle dynamique génère des listes de recommandation personnalisées pour chaque conducteur, en fonction de sa position et de sa direction de déplacement. Cependant, l’innovation majeure réside dans la couche suivante : la « théorie du jumelage bilatéral ». Contrairement aux systèmes traditionnels, qui fonctionnent de manière unidirectionnelle (de la station vers l’utilisateur), cette approche reconnaît que la relation est fondamentalement réciproque. Il ne s’agit pas seulement de diriger un utilisateur vers une station, mais de créer un « couple » optimal où les deux parties tirent profit de l’échange.
Le système intègre la « théorie des perspectives », un pilier de l’économie comportementale qui reconnaît que les décisions humaines ne sont pas purement rationnelles. Nous sommes plus sensibles à la peur de perdre qu’à l’espoir de gagner. Un conducteur peut ainsi être prêt à parcourir un kilomètre de plus pour éviter une tarification élevée ou pour avoir la certitude d’une place libre. Le modèle de Su Su intègre cette psychologie, calculant non seulement le coût objectif, mais aussi la « valeur subjective » de chaque choix pour l’utilisateur. Pour l’exploitant de la station, le bénéfice est tout aussi tangible. Le système anticipe la demande et répartit les utilisateurs de manière à éviter les pics d’affluence et les longues périodes de vide. Cela se traduit par une utilisation plus efficace des équipements et une augmentation des revenus horaires. L’objectif ultime est une optimisation conjointe : maximiser la satisfaction du conducteur (en réduisant les temps d’attente, les coûts et en améliorant la qualité du service) tout en maximisant la satisfaction de l’exploitant (en augmentant l’efficacité opérationnelle et les profits).
Pour valider la pertinence de leur stratégie, les chercheurs ont mené une simulation à grande échelle dans le centre-ville de Chengdu. Leur modèle a intégré un réseau complexe de 155 nœuds routiers principaux, 514 segments de route et 101 stations de recharge rapide, totalisant 1 580 points de charge. Les résultats sont impressionnants. Comparée à un scénario de base où les utilisateurs se dirigent simplement vers la station la plus proche disponible, la nouvelle stratégie a réduit la probabilité d’attente à zéro. Aucun conducteur n’a dû faire la queue. Les coûts moyens de recharge ont chuté de 31,54 à 24,28 yuans (environ 3,4 euros), soit une réduction de plus de 20 %. Les utilisateurs ont été orientés vers des stations de meilleure qualité, dont la note moyenne est passée de 4,14 à 4,62 étoiles. Pour les exploitants, l’effet a été tout aussi positif : l’utilisation des stations a augmenté et les revenus horaires ont bondi de 14 %, passant de 9 896 à 11 327 yuans.
Un aspect particulièrement fascinant de cette étude est la capacité du système à segmenter les utilisateurs selon leurs préférences. Grâce à une analyse des données, l’équipe a identifié trois profils types : les utilisateurs sensibles au temps, ceux sensibles au prix et ceux sensibles au service. Le système est capable de reconnaître ces priorités différentes et de fournir des recommandations ciblées. Les utilisateurs sensibles au temps sont orientés vers des stations accessibles en un temps minimal, même à un coût légèrement plus élevé. Les utilisateurs sensibles au prix reçoivent des suggestions pour les options les plus économiques, même si cela implique un trajet plus long. Les utilisateurs sensibles au service, enfin, sont dirigés vers les stations aux meilleures évaluations, garantissant une expérience premium. Cette personnalisation profonde est ce qui distingue radicalement le système de n’importe quelle application de navigation existante.
La rapidité de réponse du système est un autre de ses atouts majeurs. En moyenne, le temps nécessaire pour calculer une recommandation complète est inférieur à 0,5 milliseconde, même dans des conditions de forte demande (jusqu’à 400 requêtes par minute). Cette efficacité computationnelle est essentielle pour une application en temps réel à l’échelle d’une ville. Le système met à jour ses listes de recommandation toutes les cinq minutes ou dès qu’une station de la liste devient indisponible, garantissant que les informations sont toujours fraîches et fiables.
La scalabilité est un autre point fort. Contrairement à certains modèles antérieurs dont la complexité augmente de façon quadratique avec la taille du réseau, la complexité du modèle de Su Su croît linéairement avec la taille de la liste de recommandation. Cela signifie qu’il peut être déployé sans problème dans des villes bien plus vastes que Chengdu, sans risque de ralentissement ou de saturation du système.
Le système offre également un haut degré de flexibilité. Les chercheurs ont démontré qu’il est possible d’ajuster le « poids » accordé à la satisfaction de l’utilisateur par rapport à celle de l’exploitant. Si l’objectif est de maximiser le bien-être de l’utilisateur, on peut obtenir des coûts encore plus bas et des stations de meilleure qualité, au détriment d’une légère baisse des revenus des exploitants. À l’inverse, si l’objectif est de maximiser les profits des exploitants, le système peut être ajusté en conséquence. Cette capacité d’adaptation le rend adapté à différents scénarios : des administrations publiques qui souhaitent offrir un service optimal aux citoyens, aux opérateurs privés qui cherchent à maximiser leur retour sur investissement.
Les implications de ce travail vont bien au-delà de la simple commodité. Un système d’orientation intelligent peut avoir un impact significatif sur la stabilité du réseau électrique. En répartissant de manière plus uniforme la demande de recharge dans le temps et dans l’espace, il est possible d’éviter les pics de charge qui mettraient à rude épreuve le réseau, notamment pendant les heures de pointe. C’est un pas fondamental vers une infrastructure énergétique plus résiliente et durable.
Le succès de cette recherche est un exemple éclatant de la puissance de la collaboration interdisciplinaire. En combinant des compétences en génie électrique, en science des données, en théorie des transports et en économie comportementale, l’équipe de Su Su a créé une solution qui est à la fois techniquement robuste et profondément attentive aux besoins réels des êtres humains. Son travail démontre que l’avenir de la mobilité ne réside pas seulement dans les moteurs et les batteries, mais aussi dans les algorithmes et les systèmes intelligents qui les régissent. C’est une vision holistique où la technologie sert non seulement à connecter des machines, mais à améliorer la vie des personnes qui les utilisent.
Su Su, Wang Jianxiang, Wang Lei, Li Yujing, Nie Xiaobo, Xiang Wenxu, School of Electrical Engineering, Beijing Jiaotong University; Automation of Electric Power Systems, DOI: 10.7500/AEPS20230731008