Stratégie intelligente pour réduire l’impact des accidents sur les véhicules électriques
Dans un domaine où chaque minute compte et chaque kilowattheure est précieux, une équipe de chercheurs de l’Université de Chongqing a récemment levé un défi majeur qui pèse sur l’avenir de la mobilité électrique : l’impact dévastateur des accidents de la route sur l’expérience des conducteurs de véhicules électriques (VE). Alors que les constructeurs se battent pour augmenter l’autonomie et réduire les temps de recharge, un facteur souvent négligé mais tout aussi critique menace la transition vers l’électrique : le stress et les coûts imprévus engendrés par les embouteillages soudains. Une nouvelle étude, publiée dans la prestigieuse revue Power System Protection and Control, propose une solution révolutionnaire. En développant une stratégie de navigation et de planification de trajet en temps réel, les chercheurs Huang Bo, Hu Bo, Xie Kaigui, Shao Changzheng, Lin Chengrong et Huang Wei ont conçu un système qui non seulement guide les conducteurs de VE autour des accidents, mais optimise également leur itinéraire pour minimiser le coût global du voyage, en intégrant le temps, la consommation d’énergie et même le temps d’attente en station de recharge.
Ce travail de pointe aborde une lacune critique dans les technologies de navigation actuelles. Les applications que nous utilisons quotidiennement sont devenues experts pour gérer la congestion chronique, comme les embouteillages du rush hour. Elles s’appuient sur des modèles historiques de trafic pour prédire les ralentissements et proposer des alternatives. Cependant, face à un événement aléatoire et imprévisible comme un accident, ces systèmes s’effondrent. Le modèle classique « flux-temps », qui suppose que le temps de trajet augmente linéairement avec le volume de trafic, devient obsolète lorsque plusieurs voies sont bloquées. Dans une telle situation, le flux de véhicules peut chuter à zéro tandis que les files d’attente s’étendent sur des kilomètres, créant un goulot d’étranglement dont la durée et la gravité ne peuvent être anticipées par les algorithmes statiques. Pour le conducteur de VE, les conséquences sont immédiates et multiples : une augmentation drastique du temps de trajet, une consommation d’énergie bien plus élevée en roulant au ralenti, et une angoisse croissante de ne pas atteindre sa destination ou une borne de recharge à temps. C’est précisément ce type d’événement « sporadique » que la recherche de Chongqing vise à neutraliser.
L’innovation centrale de cette stratégie réside dans son modèle de conséquence d’accident, une véritable révolution dans la modélisation du trafic. Plutôt que de traiter un accident comme un simple point de congestion, l’équipe a développé un cadre dynamique qui décrit précisément l’évolution de l’incident sur son « cycle de vie » : « apparition-soutien-dissipation ». Ce modèle commence par évaluer la gravité de l’accident, notamment le nombre de voies bloquées, ce qui détermine directement la capacité résiduelle de la route. En s’appuyant sur des données du Manual of Highway Capacity, le système calcule cette capacité réduite avec une grande précision.
La véritable puissance du modèle réside ensuite dans sa capacité à simuler la formation et la dispersion de la queue de véhicules. Il ne se contente pas de dire « il y a un embouteillage ». Il prend en compte un enchaînement d’événements critiques : le moment où l’accident se produit, le délai nécessaire pour que le centre de gestion du trafic le détecte, le temps de réponse des équipes de secours, la durée de la remise en état de la chaussée, et enfin, le temps nécessaire pour que le trafic revienne à la normale après le dégagement. En intégrant des données de trafic en temps réel dans ce cadre dynamique, le système peut fournir une estimation non seulement précise, mais surtout en constante évolution, du retard sur la route affectée. C’est une avancée cruciale, car la situation sur une route accidentée peut changer d’une minute à l’autre, et les conducteurs ont besoin d’informations actualisées en permanence pour prendre des décisions éclairées.
Cette estimation dynamique du retard est ensuite injectée dans le cœur du système : un modèle d’impédance routière globale. Contrairement aux systèmes traditionnels qui se basent uniquement sur la distance, ce modèle calcule un « coût composite » pour chaque segment de route. Ce coût intègre deux paramètres fondamentaux pour tout conducteur de VE : le temps de trajet et la consommation d’énergie. Ces deux facteurs sont convertis en un coût unique, pondéré par la valeur du temps du conducteur (combien il est prêt à payer pour gagner une heure) et le coût de l’électricité. Cela permet au système de présenter une vision holistique du coût d’un itinéraire, équilibrant habilement le désir d’arriver rapidement avec la nécessité de préserver l’autonomie de la batterie.
Cette impédance composite n’est pas figée. Elle est recalculée en temps réel, à chaque mise à jour des données de trafic, intégrant les retards précis prévus par le modèle de conséquence d’accident. Le résultat est une carte du réseau routier en perpétuelle évolution, où le « coût » de chaque itinéraire reflète fidèlement son état actuel, transformant la navigation en une expérience dynamique et réactive.
Pour transformer cette carte vivante en conseils de conduite concrets, les chercheurs ont conçu un algorithme d’optimisation par roulement basé sur l’algorithme classique de Dijkstra. Cette distinction est essentielle. La planification de trajet statique traditionnelle calcule un seul itinéraire au début du voyage et s’y tient, même si une catastrophe survient sur la route. L’approche par roulement, en revanche, est intrinsèquement dynamique. Pendant que le véhicule électrique avance, le système réévalue constamment le réseau. Dès qu’un nouvel accident est signalé ou que les conditions de circulation changent de manière significative, l’algorithme recalcule instantanément le chemin optimal en fonction de la matrice d’impédance composite la plus récente. Cela garantit que le conducteur est toujours guidé sur le chemin le plus efficace disponible à cet instant précis, en s’adaptant en temps réel pour contourner les zones de congestion naissante.
Les avantages pratiques de ce système ont été démontrés de manière convaincante à travers une analyse de cas sur un système couplé, combinant un réseau de trafic de 12 nœuds avec le réseau de distribution d’électricité IEEE 33 nœuds. Les résultats sont frappants. Dans une simulation où un accident s’est produit sur une route principale, la stratégie de navigation en temps réel a écrasé la navigation statique classique basée sur le chemin le plus court. Pour un trajet typique, le coût total, incluant temps et énergie, a été réduit de plus de 90%. Les conducteurs utilisant le système statique ont été dirigés vers la zone de l’accident, où ils ont fait face à de longues files d’attente et à des coûts exorbitants, tandis que ceux utilisant le système dynamique ont été redirigés sans heurts vers des itinéraires alternatifs, évitant ainsi le pire de la congestion.
L’analyse du nombre de véhicules sur la route touchée par l’accident offre une illustration visuelle puissante de l’efficacité du système. Avec la navigation statique, le nombre de véhicules sur la route bloquée a explosé, créant un embouteillage sévère et prolongé qui a mis plus d’une heure à se dissiper. En revanche, la stratégie en temps réel a réussi à détourner efficacement le trafic, maintenant le nombre de véhicules sur la route de l’accident relativement stable et empêchant une accumulation catastrophique de congestion. Cela ne profite pas seulement au conducteur individuel ; cela améliore l’efficacité globale de l’ensemble du réseau de transport. L’étude a quantifié cet effet, montrant que l’efficacité moyenne du trajet sur la route a été améliorée de plus de 180 % dans les 30 premières minutes suivant un accident, et de plus de 300 % dans les 30 minutes suivantes, par rapport à l’approche statique.
L’impact du système va bien au-delà des routes ; il influence positivement le réseau électrique lui-même. Les accidents de la route peuvent provoquer un effet domino sur les schémas de recharge. Lorsque les conducteurs sont coincés dans les embouteillages, leur arrivée aux stations de recharge est retardée, ce qui entraîne un afflux soudain et concentré de véhicules dès que la congestion se dissipe. Cela crée des pics aigus de demande d’électricité, qui peuvent mettre à rude épreuve le réseau de distribution local. L’étude a démontré que la stratégie de navigation en temps réel lisse cette charge de recharge. En évitant les files d’attente massives et en répartissant le trafic de manière plus uniforme, elle garantit que les véhicules électriques arrivent aux stations de recharge de manière plus échelonnée. Cela réduit la charge de pointe maximale sur le réseau de manière significative – jusqu’à 600 kW dans la simulation – et raccourcit également la durée de la charge élevée d’environ 30 minutes. Cette stabilisation de la demande de recharge est un bénéfice critique pour les gestionnaires du réseau, car elle aide à maintenir la stabilité de la tension et à réduire le risque de surcharges.
La recherche plonge également profondément dans le processus de prise de décision des conducteurs de véhicules électriques, en particulier lorsqu’il s’agit de recharger. Le système intègre un modèle sophistiqué de navigation à la recharge qui prend en compte non seulement le coût de l’électricité, mais aussi le temps passé à attendre dans une station de recharge occupée. En utilisant un modèle de théorie des files d’attente (spécifiquement, un modèle M/M/c), il peut prédire le temps d’attente moyen à une station de recharge en fonction du taux d’arrivée actuel des véhicules et du taux de service des chargeurs. Cette information est ensuite intégrée au calcul du coût global. Un conducteur n’est pas simplement invité à aller au chargeur le plus proche ou le moins cher ; il est guidé vers celui qui offre la meilleure combinaison de faible coût énergétique, de temps de trajet court et de temps d’attente minimal.
Une analyse de sensibilité a révélé la robustesse de la stratégie. Les chercheurs ont testé comment les changements dans la « valeur du temps » du conducteur – un paramètre qui reflète combien un utilisateur est prêt à payer pour gagner une heure de trajet – affectent le résultat de la navigation. Pour une large gamme de valeurs raisonnables (de 6 à 18 yuans par heure), le système a constamment recommandé le même itinéraire optimal, qui évitait la zone de l’accident. Ce n’est que lorsque la valeur du temps était irréaliste basse que le système a suggéré un itinéraire à travers la zone congestionnée, confirmant que pour la majorité des utilisateurs, les économies de temps réalisées en évitant un accident surpassent de loin la distance supplémentaire potentielle.
Pour démontrer l’évolutivité de leur approche, l’équipe a mené un test final sur un réseau de trafic beaucoup plus vaste, de 35 nœuds, avec deux accidents simultanés. Les résultats ont confirmé que la stratégie restait efficace, guidant avec succès les véhicules autour de plusieurs zones problématiques et réduisant significativement le coût total du trajet pour les utilisateurs par rapport aux méthodes statiques ou moins sophistiquées. Cela démontre que l’algorithme central n’est pas limité à de petits environnements contrôlés, mais a le potentiel d’être déployé dans des zones métropolitaines complexes et dans le monde réel.
Les implications de cette recherche sont profondes. Elle représente un grand pas en avant vers la création de systèmes de transport véritablement intelligents, capables de résister aux perturbations aléatoires. Alors que les villes du monde entier s’efforcent d’atteindre leurs objectifs de réduction des émissions de carbone en promouvant les véhicules électriques, l’infrastructure qui les soutient doit évoluer. Un système de navigation capable d’anticiper et d’atténuer les effets des accidents de la route n’est plus un luxe, mais une nécessité. Il améliore la satisfaction des utilisateurs en réduisant le stress et en économisant du temps et de l’argent, favorise une utilisation plus efficace de l’infrastructure routière existante et soutient la stabilité du réseau électrique en lissant la demande. Le travail de Huang Bo et de ses collègues de l’Université de Chongqing fournit une feuille de route puissante pour la prochaine génération de mobilité intelligente, où les véhicules ne sont pas seulement électriques, mais aussi intelligents, adaptatifs et connectés d’une manière qui rend nos villes plus sûres, plus propres et plus efficaces pour tous.
Huang Bo, Hu Bo, Xie Kaigui, Shao Changzheng, Lin Chengrong, Huang Wei, National Key Laboratory of Power Transmission Equipment Technology(Chongqing University), Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240089