Un modèle 3D révolutionne la recharge des véhicules électriques
La révolution des véhicules électriques (VE) a dépassé depuis longtemps la simple substitution d’un moteur à combustion par une batterie. Alors que des millions de nouveaux points de charge s’intègrent aux réseaux électriques urbains, le véritable défi ne réside plus dans la technologie du véhicule, mais dans la gestion intelligente du comportement humain. Quand les conducteurs décident-ils de recharger ? Jusqu’où sont-ils prêts à modifier leurs habitudes en échange d’une réduction tarifaire ? Et comment prévoir ces choix pour éviter les pics de demande qui mettent à rude épreuve l’infrastructure du réseau ? Une équipe de chercheurs de l’Université de l’Énergie Électrique de Shanghai a développé une solution innovante à ces questions, présentant un modèle prédictif qui promet de rendre la gestion de la recharge des véhicules électriques plus intelligente, plus efficace et mieux alignée sur les préférences des utilisateurs.
Dans une étude récemment publiée dans Proceedings of the CSEE, une des revues de génie électrique les plus prestigieuses de Chine, la professeure Ge Xiaolin et ses collègues Hu Wenzhe, Fu Yang et Cao Shipeng ont introduit un modèle de nuage Sigmoid tridimensionnel basé sur la volonté de réponse des utilisateurs. Contrairement aux méthodes traditionnelles, qui ignorent souvent ou simplifient l’incertitude humaine, cette nouvelle approche intègre directement cette variabilité au cœur du système d’optimisation. Le résultat est une stratégie de planification de la recharge qui non seulement réduit les pics de charge sur le réseau, mais le fait d’une manière qui est plus acceptable et avantageuse pour les propriétaires de véhicules électriques.
Le problème central, comme l’explique Ge Xiaolin, est que la volonté des utilisateurs de participer à un programme de recharge optimisé est intrinsèquement incertaine et influencée par une myriade de facteurs. « L’offre simple d’un tarif réduit n’est pas suffisante », affirme-t-elle. « La décision d’un utilisateur de reporter sa recharge dépend d’une combinaison complexe de facteurs économiques, tels que la valeur perçue de la réduction, et de facteurs non économiques, tels que le temps disponible avant son prochain déplacement et son niveau de commodité personnelle. Les modèles traditionnels, qui traitent souvent ce comportement comme une simple équation linéaire, échouent à capturer cette complexité, conduisant à des résultats sous-optimaux. »
La stratégie développée par l’équipe de Shanghai commence par une prédiction précise du comportement des utilisateurs. Plutôt que d’analyser toutes les données historiques disponibles, les chercheurs ont utilisé une technique sophistiquée pour identifier les « jours historiques corrélés ». En analysant l’entropie Copula entre les fonctions de densité de probabilité de la charge de recharge de chaque jour historique, et en appliquant le critère de Hampel pour filtrer les valeurs aberrantes, ils ont pu isoler les jours présentant des schémas de déplacement similaires au jour à prédire. Cette approche, plus ciblée et intelligente, élimine le bruit et se concentre sur les données les plus pertinentes, améliorant considérablement la précision de la prédiction initiale.
Sur la base des données des jours corrélés, un puissant algorithme de réseau neuronal à rétropropagation (BP) a été entraîné pour prédire la distribution de probabilité de deux variables fondamentales : l’heure de retour du véhicule à domicile et son état de charge (SOC) au moment de la connexion. Cette prédiction détaillée fournit les bases solides pour la phase suivante, qui est le cœur du système : la modélisation de la volonté de réponse.
C’est ici que le modèle de nuage Sigmoid tridimensionnel innovant entre en jeu. Contrairement à un modèle déterministe qui pourrait dire « pour une réduction de 20 %, 70 % des utilisateurs accepteront », le modèle de nuage représente la volonté de réponse comme une « nuée » de résultats possibles. Chaque « goutte de nuage » représente une réponse probable d’un utilisateur, et la densité de ces gouttes reflète la probabilité et l’incertitude derrière chaque décision.
Le modèle tridimensionnel combine deux facteurs principaux qui influencent la décision d’un utilisateur : le « gain de prix » (l’importance de la réduction offerte) et la « marge de temps » (le temps libre dont dispose l’utilisateur avant son prochain déplacement). Ces deux facteurs sont initialement modélisés comme deux nuages Sigmoid bidimensionnels. Ensuite, en utilisant une méthode de pondération basée sur l’entropie, ces deux nuages sont fusionnés en une seule et puissante représentation tridimensionnelle de la volonté de réponse. Cette fusion est cruciale car elle capture l’interaction entre les deux facteurs. Par exemple, un utilisateur avec une marge de temps très large pourrait être moins sensible à de petites réductions, tandis qu’un utilisateur avec une marge de temps réduite pourrait exiger une réduction beaucoup plus élevée pour être prêt à attendre.
La véritable intelligence du modèle apparaît lorsqu’il est utilisé pour prendre des décisions opérationnelles. L’équipe a analysé la « sensibilité de la volonté de réponse » en observant les changements dans la densité des gouttes de nuage. Ils ont découvert des points de basculement clairs où la densité change de manière drastique, indiquant des seuils psychologiques au-delà desquels le comportement de l’utilisateur change de façon significative. Une fois ces points de basculement identifiés, ils ont pu segmenter les utilisateurs en trois groupes distincts :
- Faible volonté de réponse : Ces utilisateurs souhaitent recharger immédiatement après leur retour à la maison. Pour eux, une politique de « recharge rapide » est appliquée, minimisant tout inconvénient.
- Volonté de réponse moyenne : Ces utilisateurs sont prêts à reporter leur recharge de quelques heures pour obtenir un meilleur prix. Ils sont incités à recharger pendant les périodes de faible demande, mais ne sont pas obligés d’attendre excessivement.
- Forte volonté de réponse : Ces utilisateurs ont des horaires très flexibles et la seule exigence est que le véhicule soit entièrement chargé avant leur prochain déplacement. À ces utilisateurs sont offerts les plus grands incitatifs pour décaler leur recharge vers les heures les plus creuses de la nuit, même si cela signifie attendre jusqu’à 12 heures.
Cette approche, basée sur la volonté et segmentée, est ce qui différencie radicalement la stratégie de Shanghai des solutions précédentes. Elle n’impose pas un comportement rigide à tous ; au contraire, elle propose des options personnalisées qui s’alignent sur les préférences individuelles, augmentant ainsi la probabilité d’une adhésion volontaire et le succès à long terme du programme.
Pour tester la validité de leur stratégie, les chercheurs ont mené une simulation sur un réseau de distribution de 10 kV dans l’est de la Chine, desservant une zone mixte avec 800 véhicules électriques. Les résultats ont été impressionnants. Par rapport à une recharge désordonnée, la stratégie proposée a réduit le taux de fluctuation de la charge sur le réseau de 20,46 %. Par rapport à une stratégie basée sur les tarifs horaires (time-of-use, TOU), l’efficacité était encore significative, avec une réduction de 11,28 % des fluctuations de charge. Cela signifie des pics de demande plus bas, moins de stress pour les transformateurs et un réseau plus stable et sécurisé.
L’efficacité économique a été tout aussi remarquable. Les coûts totaux de recharge pour les utilisateurs de véhicules électriques ont diminué de 16,71 % par rapport au tarif horaire et de 27,25 % par rapport à la recharge désordonnée. Parallèlement, les pertes d’énergie sur l’ensemble du réseau de distribution ont été réduites respectivement de 5,50 % et de 8,31 %, se traduisant par des économies concrètes pour les opérateurs du réseau et une empreinte carbone plus faible.
Le résultat le plus important, cependant, est que ces avantages ont été obtenus sans compromettre la satisfaction de l’utilisateur. En respectant les préférences individuelles, le modèle encourage une participation volontaire plus élevée, évitant le rejet qui accompagne souvent les programmes de gestion de la demande plus rigides.
L’impact de cette recherche va bien au-delà d’une simple étude de cas. Alors que le monde accélère sa transition vers la mobilité électrique, la pression sur les réseaux électriques ne fera qu’augmenter. Ce modèle offre un chemin vers une intégration plus harmonieuse, où le réseau et les utilisateurs peuvent bénéficier mutuellement.
Du point de vue de la politique publique, l’étude souligne la nécessité d’investir dans l’infrastructure des données. Une prédiction précise dépend de données historiques de recharge de haute qualité. Sans elles, même le modèle le plus sophistiqué ne peut pas fonctionner de manière optimale. Elle met également en évidence l’importance de l’éducation des consommateurs, aidant les utilisateurs à comprendre comment leurs choix de recharge affectent le réseau et comment ils peuvent obtenir des avantages économiques en participant à des programmes de recharge flexible.
L’équipe de recherche regarde déjà vers l’avenir, planifiant d’étendre son modèle pour inclure la technologie Véhicule vers le Réseau (V2G), où les véhicules n’extraient pas seulement de l’énergie du réseau, mais la renvoient également pendant les pics de demande. Cette fonctionnalité bidirectionnelle pourrait révolutionner encore davantage la stabilité du réseau et créer de nouvelles opportunités économiques pour les propriétaires de véhicules électriques.
En conclusion, le travail de Ge Xiaolin, Hu Wenzhe, Fu Yang et Cao Shipeng représente un saut qualitatif dans la gestion des véhicules électriques. Leur modèle de nuage Sigmoid tridimensionnel n’est pas seulement un autre algorithme ; c’est un outil qui comprend les gens. En plaçant le comportement humain au centre de la conception technique, ils ont démontré que l’intelligence véritable d’un réseau ne réside pas dans son automatisation, mais dans sa capacité à comprendre et à collaborer avec ses utilisateurs. Cette approche, basée sur la volonté et la psychologie, pourrait être la clé d’une transition énergétique véritablement durable et acceptée par tous.
Stratégie de planification optimale pour véhicules électriques basée sur un modèle de nuage Sigmoid tridimensionnel de la volonté de réponse de l’utilisateur
Ge Xiaolin, Hu Wenzhe, Fu Yang, Cao Shipeng
Proceedings of the CSEE
DOI: 10.13334/j.0258-8013.pcsee.231157