Stratégie optimisée pour les bornes de recharge électrique
La révolution des véhicules électriques (VE) est en marche, mais son succès dépendra de bien plus que de la performance des batteries ou de l’esthétique des carrosseries. L’enjeu majeur réside désormais dans l’infrastructure : comment déployer un réseau de bornes de recharge qui soit à la fois efficace, économique et durable, sans étouffer le trafic urbain ni surcharger les réseaux électriques ? C’est à cette question complexe que tente de répondre une étude pionnière menée par Gu Yingbin et son équipe du bureau d’alimentation de Chaozhou, filiale de Guangdong Power Grid Co., Ltd. Publié dans la revue Electrical Engineering, ce travail propose un modèle de planification révolutionnaire qui intègre pour la première fois de manière fluide et cohérente les dynamiques du trafic routier et celles du réseau électrique, en tenant compte de la réalité actuelle : une circulation mixte où véhicules à combustion interne et véhicules électriques cohabitent.
Pendant des années, la planification des stations de recharge a été abordée de manière cloisonnée. Les urbanistes se concentraient sur la densité de la population et les flux de circulation, tandis que les gestionnaires de réseau électrique s’inquiétaient des pics de consommation et de la stabilité du réseau. Cette approche en silo a produit des résultats suboptimaux : des bornes installées dans des zones mal fréquentées, des points de charge saturés aux heures de pointe, ou pire, des quartiers dont le réseau électrique a été mis à rude épreuve par une concentration inattendue de véhicules en charge. L’étude de Gu Yingbin rompt avec cette logique en affirmant une vérité fondamentale : les systèmes de transport et d’énergie sont désormais indissociables. Le prix de l’électricité influence le choix de route d’un conducteur de VE, qui cherchera à éviter les bornes les plus chères, modifiant ainsi le trafic. Inversement, un embouteillage peut retarder un VE, repoussant son heure de recharge et modifiant la courbe de charge sur le réseau. Ignorer cette interaction est une erreur stratégique. C’est pourquoi le modèle présenté va au-delà de la simple optimisation d’un système isolé ; il vise à optimiser le coût social global d’un écosystème interconnecté.
Le cœur de cette innovation est un modèle de planification en deux niveaux, une architecture élégante qui simule un processus de prise de décision itératif. Au niveau supérieur, le modèle a un objectif ambitieux : minimiser le « coût social généralisé total ». Ce concept est la clé de voûte de l’approche. Il ne se limite pas au coût de construction des bornes, mais englobe un spectre beaucoup plus large de paramètres qui définissent le bien-être collectif. Il inclut le temps de trajet total pour tous les usagers de la route, le coût opérationnel du réseau électrique, la consommation nette d’énergie des véhicules électriques et, bien sûr, l’investissement nécessaire pour déployer l’infrastructure de recharge. L’objectif est donc de trouver un équilibre parfait entre tous ces facteurs, maximisant ainsi l’efficacité du système dans son ensemble.
Ce niveau supérieur prend une décision stratégique : déterminer la capacité optimale de chaque borne de recharge candidate. La capacité, ici, se réfère à la puissance de charge par unité installée (par exemple, 120 kW ou 350 kW). Cette décision est cruciale, car elle détermine non seulement la vitesse de service, mais aussi le coût d’installation et l’impact sur le réseau électrique. Cette proposition de capacité est ensuite transmise au niveau inférieur du modèle, qui agit comme un simulateur du monde réel. Ce niveau inférieur est divisé en deux grands problèmes interdépendants, résolus simultanément.
Le premier est le Problème d’Affectation du Trafic (TAP), qui simule le comportement des conducteurs. Le modèle repose sur le principe d’équilibre de l’utilisateur de Wardrop, un pilier de la théorie du trafic. Ce principe stipule que dans un état d’équilibre, aucun conducteur ne peut réduire son coût de trajet (temps de conduite + coût de la recharge) en changeant de route de manière unilatérale. En d’autres termes, toutes les routes utilisées entre un point A et un point B auront un coût identique et minimal. En intégrant le prix de l’électricité à la fonction de coût du trajet, le modèle capture un feedback essentiel : une borne de recharge chère devient un point de dissuasion, déviant le flux de trafic et la demande de charge vers d’autres itinéraires. Cette dynamique réaliste est ce qui rend le modèle si puissant.
Le deuxième problème, tout aussi critique, est le Problème de Flux de Puissance Optimal (OPF) pour le réseau de distribution électrique. C’est ici que la viabilité technique est assurée. Le modèle utilise une approche sophistiquée, le modèle de flux de branche (Branch Flow Model, BFM), pour représenter avec une grande précision les phénomènes physiques du réseau. Il tient compte des pertes en ligne, des chutes de tension et des limites thermiques des câbles et transformateurs. Cette précision est vitale, car les réseaux de distribution, contrairement aux grands réseaux de transport, sont particulièrement sensibles aux charges localisées et massives. Une station de charge rapide mal placée peut provoquer une chute de tension inacceptable ou surcharger un transformateur, entraînant des coupures ou des dégradations d’équipement. En intégrant l’OPF, le modèle garantit que toute solution proposée respecte les contraintes de sécurité et de stabilité du réseau.
Le processus est alors cyclique. Le niveau supérieur propose une configuration de capacités. Le niveau inférieur simule les conséquences de cette décision sur le trafic et sur le réseau électrique, et calcule le coût social généralisé résultant. Cette information est renvoyée au niveau supérieur, qui évalue si le coût a diminué. Si ce n’est pas le cas, ou si des contraintes budgétaires ou de couverture des coûts opérationnels du réseau sont violées, le modèle ajuste sa proposition et répète le cycle. Ce mécanisme de rétroaction permet de converger vers une solution globalement optimale, où les décisions d’infrastructure trouvent un équilibre entre les besoins du transport, de l’énergie et de la société.
La résolution d’un tel problème d’optimisation est extrêmement gourmande en puissance de calcul. Les méthodes traditionnelles, comme le gradient, sont inadaptées en raison de la complexité non linéaire et des discontinuités du système. Pour surmonter ce défi, l’équipe de Gu Yingbin a recours à un algorithme basé sur un modèle substitut (surrogate model). Cette technique est ingénieuse. Plutôt que d’exécuter la simulation complète et coûteuse à chaque itération, l’algorithme construit un modèle approximatif, beaucoup plus rapide à calculer, qui « apprend » le comportement du système réel à partir d’un ensemble de simulations initiales. Ce modèle substitut est alors utilisé pour explorer rapidement des milliers de configurations possibles, identifiant les plus prometteuses. Seules ces configurations candidates sont ensuite validées par la simulation exacte et complète. Cette stratégie hybride réduit drastiquement le temps de calcul, rendant le modèle applicable à des réseaux urbains de grande envergure, sans compromettre la qualité de la solution.
L’efficacité de cette stratégie a été démontrée par une analyse de cas rigoureuse. L’étude a été menée sur un réseau de transport en anneau, connecté à un réseau de distribution radial, un scénario représentatif de nombreuses agglomérations. Huit emplacements candidats pour des stations de recharge ont été identifiés, chacun relié à un nœud spécifique du réseau électrique. Les paramètres du modèle, tels que la capacité des routes, les temps de trajet en l’absence de congestion, les tarifs d’électricité dynamiques (avec des pics tarifaires) et les profils de demande de trafic sur une journée type, ont été calibrés pour refléter des conditions réalistes.
L’analyse a comparé deux scénarios. Dans le premier (Cas 1), les capacités des stations de recharge ont été déterminées par le modèle d’optimisation en deux niveaux. Dans le second (Cas 2), toutes les stations ont été attribuées à une capacité moyenne uniforme. Les résultats sont probants. Le coût social généralisé total dans le Cas 1 s’élève à environ 444 140 dollars par jour, contre 448 090 dollars dans le Cas 2. Cet écart de près de 4 000 dollars par jour, bien que modeste en apparence, représente une amélioration significative de l’efficacité du système. À l’échelle d’une grande ville, ces économies se chiffrent en millions de dollars par an.
L’économie ne vient pas d’une réduction de la qualité du service, mais d’une allocation beaucoup plus intelligente des ressources. Le modèle optimisé a identifié que certains emplacements, notamment sur les axes à fort trafic, nécessitaient une capacité de charge très élevée (350 kW) pour gérer la demande et minimiser les temps d’attente. D’autres emplacements, dans des zones moins congestionnées, pouvaient fonctionner efficacement avec une capacité plus modeste (120 kW), évitant ainsi un investissement de capital inutile. Cette différenciation stratégique est la clé du succès : l’infrastructure est déployée là où elle est le plus nécessaire, maximisant le retour sur investissement.
Du point de vue du système de transport, le Cas 1 a permis de réduire le temps de trajet total, ce qui indique une congestion moindre. Cela s’explique par le fait que les stations de recharge bien dimensionnées réduisent les files d’attente et permettent un flux de trafic plus fluide. Du point de vue du réseau électrique, le modèle garantit la stabilité de la tension. L’analyse montre que l’écart de tension sur tous les nœuds reste inférieur à 7 %, un niveau largement accepté comme sécuritaire. Cela démontre que le modèle améliore non seulement le trafic, mais protège aussi l’intégrité du réseau électrique, un résultat crucial que les approches traditionnelles négligent souvent.
L’une des découvertes les plus fascinantes de l’étude concerne l’impact des véhicules électriques sur les prix marginaux de l’électricité. À mesure que la proportion de VE se connectant au réseau pour se recharger augmente, le prix marginal de l’électricité aux nœuds de charge a tendance à augmenter, surtout pendant les heures de pointe. Ce phénomène reflète la pression accrue sur les ressources de production. Cependant, l’étude suggère aussi une solution : la technologie Véhicule vers le Réseau (V2G). Si les véhicules électriques peuvent non seulement consommer de l’énergie, mais aussi la restituer au réseau lorsque les prix sont élevés, ils se transforment en une véritable flotte de batteries mobiles distribuées. Cela peut aider à lisser la demande, réduire les pics et, en fin de compte, diminuer les coûts globaux du système.
Cette vision transforme le rôle du véhicule électrique. Il ne doit plus être vu uniquement comme un consommateur d’électricité, mais comme un actif énergétique actif. Grâce à des algorithmes de recharge intelligente et à des signaux de prix dynamiques, les propriétaires de VE peuvent être incités à charger lorsque l’énergie renouvelable est abondante et bon marché, et à décharger lorsque la demande est élevée et les prix sont élevés. Cette flexibilité est essentielle pour intégrer des sources d’énergie intermittentes comme le solaire et l’éolien, améliorant la résilience du réseau et réduisant la dépendance aux centrales électriques fossiles de secours.
Les implications de ce travail vont bien au-delà du cadre académique. Pour les urbanistes et les décideurs politiques, il fournit un outil fondé sur des données pour prendre des décisions d’investissement public dans l’infrastructure de recharge. Au lieu de se baser sur des suppositions ou des pressions politiques, ils peuvent évaluer des projets spécifiques en fonction de leur contribution au bien-être social global. Pour les entreprises de services publics, le modèle est un outil de planification proactive, leur permettant d’anticiper la demande future en charge et d’effectuer les améliorations nécessaires sur le réseau avant que des problèmes de fiabilité n’apparaissent. Pour les opérateurs de réseaux de recharge et les constructeurs automobiles, les résultats offrent une orientation stratégique sur où et comment déployer l’infrastructure pour maximiser l’adoption et la rentabilité.
Enfin, l’étude souligne la nécessité critique d’une collaboration sans précédent entre des secteurs traditionnellement séparés : le transport et l’énergie. Les agences de la circulation et les entreprises électriques doivent partager des données et coordonner leurs plans. Par exemple, les centres de contrôle du trafic pourraient fournir des données de congestion en temps réel aux entreprises électriques, leur permettant de prévoir les pics de demande de recharge. En retour, les entreprises électriques pourraient partager les prix marginaux avec les applications de navigation, permettant aux conducteurs d’intégrer le coût de l’électricité dans leurs décisions d’itinéraire. Cette intégration créerait un écosystème de mobilité véritablement intelligent et efficace.
En conclusion, la recherche menée par Gu Yingbin et son équipe représente une avancée majeure dans la planification de l’infrastructure du futur. En unifiant les mondes du trafic et de l’énergie dans un cadre d’optimisation unique, elle propose une solution pratique et puissante à l’un des plus grands défis de l’ère électrique. Elle démontre que la voie vers une mobilité durable ne consiste pas seulement à électrifier les véhicules, mais à concevoir des systèmes interconnectés qui soient efficaces, résilients et bénéfiques pour l’ensemble de la société. Alors que les villes du monde entier s’engagent dans cette transition, des modèles comme celui-ci seront essentiels pour construire un avenir de transport propre, silencieux et accessible à tous.
Gu Yingbin, Huang Peifeng, Wang Juan, Tang Lize, Huang Shuqiang, Chaozhou Power Supply Bureau of Guangdong Power Grid Co., Ltd., Electrical Engineering, DOI: 10.19426/j.cnki.cn11-4746/tm.2024.07.003