Stratégie intelligente optimise la recharge des VE
L’essor sans précédent des véhicules électriques (VE) dans les grandes métropoles chinoises a profondément transformé le paysage énergétique urbain. Alors que des millions de ces véhicules sillonnent désormais les routes, une nouvelle problématique émerge : la pression croissante que leurs besoins en charge exercent sur les réseaux électriques locaux. Des modèles de charge désordonnés, s’ils ne sont pas gérés activement, risquent de surcharger les réseaux de distribution, provoquant des instabilités de tension, augmentant les coûts opérationnels et amplifiant les émissions de carbone durant les périodes de pointe. Face à ce défi complexe, une équipe de recherche de l’Université de Technologie Zhongyuan a mis au point une stratégie d’optimisation innovante, qui non seulement accroît la rentabilité de l’infrastructure de recharge, mais contribue également à un écosystème énergétique plus équilibré et durable.
La solution, détaillée dans une étude récemment publiée dans la revue Power System Protection and Control, introduit un nouveau paradigme connu sous le nom de station intégrée de charge, décharge et stockage (CDSIS, pour Charging-Discharging-Storage Integrated Station). Contrairement aux stations de recharge traditionnelles, qui se contentent de puiser de l’électricité sur le réseau, les installations CDSIS sont équipées de systèmes avancés de stockage d’énergie. Cette capacité bidirectionnelle leur permet non seulement de consommer, mais aussi de fournir de l’électricité au réseau. Cette transformation fondamentale change la nature de ces stations : elles passent de simples points de charge passifs à des acteurs actifs et intelligents dans la gestion du réseau. En stockant stratégiquement de l’énergie pendant les heures creuses, lorsque l’électricité est abondante et bon marché, et en la réinjectant pendant les périodes de forte demande, les unités CDSIS peuvent « aplanir » efficacement les pics de charge. Ce processus, connu sous le nom de « lissage de charge », réduit considérablement la pression sur l’infrastructure, minimise les coûts globaux du système et améliore la stabilité du réseau.
Le cœur de cette innovation, dirigée par le professeur Zhu Yongsheng, réside dans son intégration sophistiquée des dynamiques urbaines du monde réel. L’équipe a développé un modèle d’interaction « véhicule-route-réseau » qui reconnaît que le comportement de recharge des VE n’est pas aléatoire, mais est profondément influencé par les schémas de mobilité humaine. Pour capturer cette complexité, les chercheurs ont utilisé une analyse de matrice Origine-Destination (OD), une méthode bien établie en planification des transports pour estimer les flux de déplacements entre différents points. En analysant des données de trafic historiques, ils ont pu construire un modèle de réseau routier dynamique qui simule le déplacement des véhicules électriques dans une ville sur une période de 24 heures.
Ce modèle prend en compte de nombreux facteurs affectant le temps de trajet, tels que la longueur des routes, la congestion du trafic et les feux de signalisation. En intégrant une fonction d’impédance routière qui calcule le temps de trajet en fonction du flux de trafic en temps réel, les chercheurs ont pu prédire non seulement quand les véhicules électriques sont susceptibles de se recharger, mais aussi où. Cette prédiction spatio-temporelle est une avancée majeure, car elle permet une compréhension beaucoup plus fine de la demande de recharge. Plutôt que de traiter la ville comme une charge homogène unique, le modèle identifie des nœuds spécifiques—des carrefours ou des quartiers—où la pression de recharge est susceptible d’augmenter de manière significative. Ce niveau de granularité est essentiel pour les gestionnaires de réseau et les opérateurs de stations, car il leur permet de planifier des investissements en infrastructure et de mettre en œuvre des programmes de gestion de la demande ciblés et efficaces.
Le génie de cette recherche réside dans l’application de la théorie des jeux pour optimiser l’interaction entre l’opérateur CDSIS et les utilisateurs de véhicules électriques. L’équipe a adopté un cadre de jeu de Stackelberg, un modèle de décision hiérarchique où un joueur, le « leader », fait le premier mouvement, et les autres joueurs, les « followers », réagissent en conséquence. Dans ce scénario, la station CDSIS agit comme le leader en fixant des prix dynamiques de l’électricité. Les propriétaires de véhicules électriques, en tant que followers, choisissent alors quand et où recharger en fonction de ces prix, afin de minimiser leurs propres coûts.
Cette stratégie de tarification dynamique n’est en aucun cas arbitraire. Le modèle est conçu pour atteindre une optimisation multi-objectifs, en équilibrant soigneusement le profit de l’opérateur CDSIS avec les économies réalisées par les utilisateurs de VE. Les revenus de la CDSIS proviennent de quatre sources distinctes : la vente d’énergie stockée au réseau à des prix élevés, la facturation aux utilisateurs de VE, l’achat d’énergie sur le marché du jour précédent (day-ahead market) et l’achat sur le marché en temps réel. L’objectif est de maximiser le profit net, ce qui implique d’acheter à bas prix, de vendre à prix fort et de gérer de manière optimale ses actifs de stockage. Pour l’utilisateur de VE, l’objectif est simple et pragmatique : minimiser le coût total de la recharge, qui inclut à la fois le prix par kilowattheure et tout coût lié au temps, comme l’attente.
La beauté du modèle de Stackelberg réside dans sa capacité à créer un équilibre stable. La CDSIS ne peut pas simplement fixer des prix exorbitants pendant les heures de pointe, car cela découragerait les utilisateurs de se recharger, réduisant ainsi ses revenus. Inversement, si elle fixe des prix trop bas, elle risque d’attirer un afflux massif d’utilisateurs, mais au détriment de sa propre rentabilité. Le modèle calcule le point de prix optimal où la CDSIS maximise son profit, en tenant compte du fait que des utilisateurs rationnels réagiront en déplaçant leur comportement de recharge vers les moments les plus économiques. Cela signifie souvent charger tard dans la nuit ou en milieu de journée, lorsque la génération solaire est à son maximum et que la demande globale est faible.
Pour rendre ce modèle applicable dans la pratique, les chercheurs ont dû surmonter les non-linéarités inhérentes à un tel système. L’interaction entre le prix et la demande est intrinsèquement complexe ; une petite variation du prix peut entraîner un changement disproportionné dans le comportement des utilisateurs. Pour résoudre ce problème, l’équipe a utilisé les conditions de Karush-Kuhn-Tucker (KKT) et la théorie de la dualité pour transformer le problème d’optimisation à deux niveaux en un seul programme linéaire mixte entier (MILP). Cette reformulation mathématique est cruciale, car elle permet de résoudre le problème de manière efficace à l’aide de solveurs commerciaux standard comme CPLEX, rendant ainsi la stratégie réalisable pour une mise en œuvre dans le monde réel.
Les résultats de l’étude sont particulièrement convaincants. Dans une simulation basée sur une zone urbaine réelle en Chine, modélisée à l’aide du système de distribution IEEE à 33 nœuds et d’un réseau routier à 31 nœuds, la stratégie proposée a démontré des bénéfices significatifs. Les résultats ont montré que la CDSIS pouvait réaliser un profit journalier de 4 823 yuans. Cette performance est nettement supérieure à celle d’une station de recharge traditionnelle, qui, sans capacité de stockage, ne pouvait atteindre qu’un profit de 3 191 yuans dans les mêmes conditions. Cette augmentation de 51 % de la rentabilité souligne la valeur immense ajoutée par un système de stockage d’énergie intégré.
Pour les utilisateurs de véhicules électriques, les avantages sont tout aussi tangibles. En répondant aux signaux de prix optimisés, les utilisateurs ont pu réduire considérablement leurs coûts de recharge. Le modèle a réussi à déplacer efficacement la demande de recharge loin de deux périodes de pointe majeures : de 8h00 à 9h00 et de 18h00 à 19h00. Pendant le pic du matin, la stratégie a permis de transférer 427 kWh de demande, permettant aux utilisateurs d’économiser 245 yuans. Le soir, l’impact a été encore plus marquant, avec 1 123 kWh de charge déplacés et 645 yuans d’économies réalisées. Ce « lissage des pics » bénéficie non seulement aux utilisateurs et à l’opérateur de la station, mais fournit également un service précieux à l’ensemble du réseau électrique en réduisant la nécessité de faire appel à des centrales électriques de pointe, qui sont souvent coûteuses et fortement émettrices de carbone.
L’étude a également approfondi la sensibilité du système à des paramètres clés. Une découverte cruciale concerne l’impact du prix plancher. Le modèle exige que le prix moyen quotidien facturé aux utilisateurs reste constant, une contrainte probablement imposée pour des raisons réglementaires ou d’équité du marché. L’étude a révélé que fixer un prix plancher très bas (par exemple, 50 % du tarif du marché du jour précédent) permettait à la CDSIS de maximiser son profit en créant un écart plus important entre les prix bas et les prix hauts. Cependant, cela avait un coût : les utilisateurs devaient faire face à des prix plus élevés pendant les périodes de pointe de recharge, augmentant ainsi leurs coûts totaux. À mesure que le prix plancher augmentait, le profit de la CDSIS et les coûts des utilisateurs diminuaient tous deux. Le résultat le plus équilibré, une véritable « situation gagnant-gagnant », a été obtenu lorsque le prix plancher a été fixé à un niveau modéré, garantissant que les bénéfices du système étaient répartis de manière équitable.
Un autre paramètre critique est la taille du système de stockage de la CDSIS. La simulation a montré qu’en augmentant la capacité de stockage de 4 000 kWh à 10 000 kWh, le profit de la CDSIS a bondi de 4 170 yuans à 7 302 yuans. Cela s’explique par le fait qu’une batterie plus grande permet à la station d’acheter et de stocker davantage d’énergie lorsque les prix sont bas, et de vendre plus d’énergie lorsque les prix sont élevés. Toutefois, les rendements ont commencé à décroître au-delà de 10 000 kWh. Une fois que le stockage était suffisamment grand pour capter toutes les opportunités d’arbitrage offertes par le cycle de prix quotidien et par la demande de recharge des VE, l’ajout de capacité supplémentaire ne procurait plus aucun avantage. Cette compréhension est cruciale pour les investisseurs, car elle suggère qu’il existe une taille optimale et économiquement viable pour ces systèmes, évitant ainsi les investissements excessifs dans des batteries surdimensionnées et sous-utilisées.
Les implications de cette recherche vont bien au-delà d’une simple ville ou d’un type de station de recharge. Elle propose un plan d’action pour une nouvelle génération d’infrastructures de recharge intelligentes et compatibles avec le réseau. Alors que la Chine et d’autres nations s’engagent dans une électrification plus profonde de leurs secteurs des transports, l’intégration du stockage et du contrôle intelligent deviendra essentielle. Ce modèle pourrait être déployé à grande échelle pour gérer des flottes de stations de recharge sur une zone métropolitaine entière, créant ainsi une centrale virtuelle capable d’assurer une variété de services pour le réseau, allant de la régulation de fréquence au secours en cas d’urgence.
De plus, le cadre « véhicule-route-réseau » est hautement adaptable. Il pourrait être intégré à d’autres sources de données, comme des prévisions météorologiques en temps réel pour anticiper la production solaire, ou à des plateformes de covoiturage pour mieux prédire la disponibilité des véhicules. Le concept central d’utiliser des signaux économiques pour guider le comportement des utilisateurs est un outil puissant pour gérer des systèmes complexes et décentralisés. Il respecte l’autonomie des utilisateurs—les conducteurs sont libres de prendre leurs propres décisions—tout en orientant doucement le résultat collectif vers un équilibre plus efficace et plus durable.
Le travail de Zhu Yongsheng et de ses collègues de l’Université de Technologie Zhongyuan représente un pas de géant dans le domaine des réseaux intelligents et de l’intégration des véhicules électriques. Il va bien au-delà des modèles théoriques pour proposer une solution pratique et calculable qui répond aux défis du monde réel de la gestion énergétique urbaine. En combinant une modélisation avancée de la mobilité humaine avec une optimisation sophistiquée fondée sur la théorie des jeux, ils ont créé une stratégie qui est non seulement techniquement solide, mais aussi économiquement viable. Cette recherche fournit un argument convaincant pour que les décideurs politiques et les entreprises d’électricité investissent dans une infrastructure de recharge de nouvelle génération, qui ne soit pas seulement un lieu pour brancher un véhicule, mais un nœud actif et intelligent dans un réseau énergétique plus intelligent et plus résilient.
Le succès de cette stratégie repose sur la collaboration. Elle exige que les opérateurs de stations de recharge adoptent de nouveaux modèles économiques, que les entreprises d’électricité fournissent les signaux de marché nécessaires, et que les conducteurs de véhicules électriques soient prêts à modifier leurs habitudes de recharge pour en tirer un bénéfice financier. L’étude démontre que lorsque ces parties prenantes sont alignées grâce à une structure d’incitation bien conçue, le résultat peut être un système qui est plus efficace, plus rentable et, en fin de compte, plus durable pour tous les acteurs impliqués. Alors que le monde s’oriente vers un avenir à zéro émission de carbone, des solutions innovantes et multisectorielles comme celle-ci seront la clé pour libérer tout le potentiel de la mobilité électrique.
Zhu Yongsheng, Chang Wen, Wu Dongya, Wang Geng, Peng Sheng, Zhang Shibo, College of Electronic and Information Engineering, Zhongyuan University of Technology, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.231253