Un modèle de réseau de charge intelligent révolutionne la planification urbaine des infrastructures pour véhicules électriques
Alors que les véhicules électriques (VE) connaissent une ascension rapide sur les marchés mondiaux, les villes font face à une pression croissante pour construire des réseaux de recharge efficaces et pérennes. Le défi ne réside pas seulement dans le déploiement de plus de bornes, mais dans leur placement stratégique – où elles sont le plus nécessaires, quand elles sont le plus utiles, et avec la capacité adéquate pour servir des comportements utilisateurs diversifiés. Une étude novatrice publiée dans Zhejiang Electric Power introduit un cadre d’optimisation inédit qui redéfinit la planification des stations de recharge urbaines pour VE, prenant en compte la demande utilisateur dynamique, les modèles de trafic réels et la durabilité économique à long terme.
Dirigée par Qiong Wang de State Grid Beijing Electric Power Company, en collaboration avec Qing Zou, Le Li, Chaoran Li de State Grid Beijing Daxing Power Company, et Xueying Yan de State Grid Smart Car Networking Technology Co., Ltd., cette recherche présente un modèle complet intégrant les sciences du comportement, l’ingénierie du trafic et la théorie de l’optimisation robuste. Le résultat est un outil de planification capable de minimiser le coût sociétal total – équilibrant le fardeau de l’investissement pour les opérateurs avec la commodité et les gains de temps pour les conducteurs.
Ce travail, intitulé Optimal Siting and Sizing of Charging Stations Considering Dynamic Charging Demands of Users, a été publié dans le numéro de septembre 2024 de Zhejiang Electric Power (Vol. 43, No. 09). Il répond à une lacune critique dans la planification existante des infrastructures pour VE : la plupart des modèles reposent sur des hypothèses statiques concernant la demande de recharge, ignorant souvent la variabilité du comportement des utilisateurs, la congestion du trafic et l’évolution des modèles de possession de VE. Cela peut conduire à des stations sous-utilisées dans des zones à faible trafic ou à des hubs surchargés pendant les heures de pointe – des inefficacités qui compromettent à la fois la satisfaction des utilisateurs et la rentabilité des opérateurs.
Wang et son équipe soutiennent qu’une planification efficace doit commencer par une compréhension approfondie de la façon dont les gens utilisent réellement leurs VE. Pour capturer cette complexité, les chercheurs ont employé la théorie de la chaîne de déplacements, une méthode utilisée en planification des transports pour modéliser les séquences de trajets effectués par les individus tout au long de la journée. Pour les propriétaires de VE privés, le modèle simule les routines quotidiennes – quitter son domicile, se rendre au travail, faire des courses, rentrer chez soi – sur la base de distributions statistiques des heures de départ, des durées de trajet et des durées de stationnement dans différentes zones urbaines telles que les districts résidentiels, commerciaux et professionnels.
Pour les chauffeurs de taxi, dont le comportement est plus erratique et moins routinier, l’équipe a utilisé des matrices origine-destination (OD) dérivées d’enquêtes sur le trafic. Ces matrices révèlent la probabilité qu’un taxi se déplace d’une zone à une autre à différents moments de la journée. Par exemple, entre 6h et 18h, les taxis sont plus susceptibles de se déplacer des zones résidentielles vers les zones commerciales ou de travail, reflétant les migrations pendulaires du matin et les déplacements professionnels. Le soir, le flux change alors que les conducteurs rentrent chez eux ou se dirigent vers les districts de vie nocturne. Après minuit, le mouvement se répartit plus uniformément, correspondant aux équipes de nuit et à une demande de passagers réduite.
En combinant ces modèles comportementaux avec l’algorithme de Dijkstra – une méthode classique de recherche de chemin – les chercheurs ont simulé les routes les plus efficaces en termes de temps pour des milliers de VE virtuels à travers un réseau routier urbain réel. Mais contrairement aux modèles traditionnels qui supposent des vitesses constantes, cette étude a incorporé une relation vitesse-débit qui prend en compte la congestion du trafic. Plus un segment de route se sature rapidement, plus les véhicules ralentissent, ce qui affecte directement la consommation d’énergie. Le modèle ajuste dynamiquement l’utilisation de l’énergie en fonction des conditions de trafic en temps réel, garantissant que l’épuisement de la batterie est calculé avec plus de précision.
Pour gérer le caractère aléatoire inhérent au comportement humain et aux modèles de trafic, l’équipe a utilisé la simulation de Monte Carlo, exécutant des milliers de scénarios pour générer une carte probabiliste de la demande de recharge dans l’espace et le temps. Les résultats ont révélé des modèles temporels et spatiaux distincts. Les propriétaires de VE privés se rechargent principalement la nuit dans les zones résidentielles, avec une demande de pointe entre 19h et 3h du matin. Cela correspond aux tarifs électriques hors pointe et à la commodité de la recharge à domicile. En revanche, les taxis électriques présentent deux pics de recharge majeurs : un autour de midi, lorsque les conducteurs font une pause pour les repas et se reposer, et un autre en fin d’après-midi, juste avant l’heure de pointe du soir. Ces stations sont généralement situées près des hubs commerciaux et des corridors de transit, où la capacité de recharge rapide est essentielle.
Cette compréhension granulaire de la demande forme le fondement du moteur d’optimisation du modèle. L’objectif est de minimiser le coût annualisé total, qui comprend à la fois les dépenses de l’opérateur – construction, équipement et maintenance – et les pertes économiques de l’utilisateur, comme le temps passé à se rendre à une station et à faire la queue. Le modèle traite les deux parties prenantes comme également importantes, reflétant une approche équilibrée du développement des infrastructures.
Le processus d’optimisation se déroule en deux étapes. Premièrement, le modèle détermine le nombre optimal et l’emplacement des stations de recharge. Pour ce faire, il utilise un diagramme de Voronoi pondéré, une méthode géométrique qui partitionne l’espace en régions basées sur la proximité et la capacité. Contrairement à un diagramme de Voronoi standard, qui divise l’espace purement par distance, la version pondérée prend en compte la taille de la station et sa capacité de service. Une station plus grande avec plus de bornes peut « attirer » la demande d’une zone plus large, élargissant effectivement sa zone de service. Cela garantit que les stations à haute capacité sont placées là où la demande est dense, tandis que les stations plus petites desservent des besoins plus localisés.
Une fois les emplacements définis, la deuxième étape se concentre sur la planification de la capacité – combien de bornes haute puissance (80 kW) et basse puissance (30 kW) installer sur chaque site. Les bornes haute puissance réduisent le temps d’attente mais sont plus coûteuses à installer et à exploiter. Les bornes basse puissance sont moins chères mais peuvent entraîner des files d’attente plus longues, surtout pendant les heures de pointe. Le modèle utilise la théorie des files d’attente pour estimer les temps d’attente moyens basés sur les taux d’arrivée et la capacité de service, en supposant que les véhicules arrivent selon une distribution de Poisson.
Cependant, la véritable innovation réside dans la façon dont le modèle gère l’incertitude. La planification traditionnelle repose souvent sur un scénario unique de « journée type », qui ne tient pas compte des fluctuations de la demande dues à la météo, aux événements ou aux variations saisonnières. Pour remédier à cela, Wang et ses collègues ont introduit un cadre d’optimisation robuste. Au lieu de supposer une demande fixe, ils définissent un « ensemble d’incertitude » qui inclut une gamme de niveaux de demande possibles. Le modèle cherche ensuite une solution qui fonctionne bien dans tous les scénarios de cet ensemble, plutôt que d’être optimale pour un seul.
Cela est réalisé grâce à un « budget d’incertitude » ajustable, qui contrôle la déviation par rapport à la demande attendue que le planificateur est prêt à tolérer. Un budget plus élevé signifie se préparer à des scénarios plus extrêmes, entraînant une surcapacité et des coûts plus élevés. Un budget plus faible suppose des conditions plus stables, risquant une sous-capacité lors de pics inattendus. En ajustant ce paramètre, les décideurs peuvent équilibrer coût et résilience selon leur tolérance au risque.
Pour résoudre ce problème complexe d’optimisation multi-objectifs, l’équipe a développé une version améliorée de l’algorithme d’optimisation par essaims de particules (PSO), appelée optimisation par essaims de particules avec recuit simulé adaptatif (ASAPSO). Le PSO est une méthode métaheuristique inspirée du comportement social des oiseaux ou des poissons, où une population de « particules » explore l’espace des solutions en ajustant leurs positions basées sur les meilleures expériences individuelles et collectives. Cependant, le PSO standard peut rester bloqué dans des optimums locaux – des solutions qui sont bonnes mais pas globalement optimales.
L’algorithme ASAPSO améliore cela en incorporant des éléments du recuit simulé, une technique qui permet au processus de recherche d’accepter occasionnellement de moins bonnes solutions afin d’échapper aux pièges locaux. Ceci est gouverné par un paramètre de « température » qui commence élevé et diminue progressivement, imitant le processus de refroidissement en métallurgie. À haute température, l’algorithme explore largement ; en refroidissant, il converge vers la meilleure solution. L’adaptation est encore affinée en ajustant dynamiquement les taux d’apprentissage et les poids d’inertie basés sur le stade de l’itération, garantissant que l’exploration et l’exploitation sont équilibrées.
Le modèle a été testé dans une étude de cas réelle : une zone urbaine de 58 kilomètres carrés dans une ville du nord de la Chine avec une population de 250 000 habitants. Le réseau routier consistait en 48 nœuds et 82 liens, desservant 3 000 VE privés et 1 100 taxis électriques. En utilisant l’algorithme ASAPSO et le partitionnement de Voronoi pondéré, le modèle a évalué plusieurs scénarios de planification, variant le nombre de stations de 5 à 12.
Les résultats ont montré un optimum de coût clair à sept stations. Avec moins de stations, les utilisateurs faisaient face à des distances de trajet plus longues et à une congestion plus élevée, augmentant à la fois les temps et les coûts énergétiques. Avec plus de sept stations, l’avantage marginal des stations supplémentaires était surpassé par la hausse des dépenses de construction et de maintenance. À sept stations, le coût total annualisé atteignait son minimum : 4,0001 millions de yuans (environ 550 000 dollars US). Cela incluait 943 600 yuans de coûts de construction annualisés, 1,1072 million de yuans de coûts opérationnels et 1,95 million de yuans de pertes liées aux utilisateurs (temps de trajet, utilisation d’énergie et attente).
Chacune des sept stations s’est vu attribuer un mélange de bornes haute et basse puissance basé sur les modèles de demande locale. Les stations dans les zones commerciales, où les taxis dominent, étaient équipées de plus de bornes haute puissance pour supporter un turnover rapide. Les stations dans les zones résidentielles avaient une proportion plus élevée de bornes basse puissance, répondant aux besoins de recharge nocturne. Les zones de service étaient clairement délimitées en utilisant la méthode de Voronoi pondérée, garantissant qu’aucune zone n’était mal desservie ou ne se chevauchait inutilement.
Pour valider la robustesse du modèle, les chercheurs ont comparé deux scénarios : un supposant une demande fixe et déterministe (Scénario 1), et un autre tenant compte de l’incertitude en utilisant le cadre d’optimisation robuste (Scénario 2). Lorsqu’une augmentation de 20 % de la demande était simulée – représentant une croissance future ou des pics inattendus – le modèle déterministe rencontrait des difficultés. Certaines stations devenaient sévèrement congestionnées, avec des temps d’attente dépassant les limites acceptables. En revanche, le modèle robuste, ayant anticipé de telles fluctuations, maintenait des longueurs de file gérables en allouant une capacité supplémentaire là où c’était nécessaire.
Cela démontre un avantage clé de l’approche proposée : elle intègre la résilience dans le processus de planification. Plutôt que de réagir aux crises après qu’elles se produisent, les villes peuvent concevoir proactivement des réseaux qui s’adaptent au changement. Alors que l’adoption des VE s’accélère et que de nouveaux types de véhicules émergent – tels que les camionnettes de livraison électriques ou les flottes de covoiturage – cette flexibilité sera cruciale.
Les implications de cette recherche s’étendent au-delà de la Chine. Les urbanistes du monde entier font face à des défis similaires dans le déploiement efficace des infrastructures pour VE. De nombreuses villes ont investi massivement dans des réseaux de recharge, pour constater que l’utilisation est inégale ou que les stations sont sous-utilisées en raison d’un mauvais placement. En incorporant la modélisation dynamique de la demande et l’optimisation robuste, ce cadre offre une approche plus scientifique et basée sur les données pour l’investissement infrastructurel.
De plus, le modèle soutient une planification intégrée à travers les systèmes de transport et d’énergie. Les stations de recharge ne sont pas seulement des places de parking avec des prises – ce sont des nœuds dans un réseau énergétique plus large. Leur placement affecte les charges du réseau local, la stabilité de la tension, et même l’intégration des énergies renouvelables. L’étude inclut des contraintes sur la capacité du réseau de distribution et les niveaux de tension, garantissant que les nouvelles stations ne surchargent pas les infrastructures existantes.
D’un point de vue politique, le modèle fournit un outil pour l’analyse coût-bénéfice. Les gouvernements et les utilities peuvent l’utiliser pour évaluer différentes stratégies d’investissement, estimer l’impact des subventions, ou simuler les effets de la tarification de la congestion sur le comportement de recharge. Il soutient également les considérations d’équité – en identifiant les quartiers mal desservis, les planificateurs peuvent garantir que l’accès aux VE n’est pas limité aux zones aisées.
La recherche souligne également l’importance des données. Des matrices OD précises, des mesures de flux de trafic et des enquêtes sur le comportement des utilisateurs sont des inputs essentiels. Alors que les villes déploient plus de capteurs et de véhicules connectés, la qualité de ces données s’améliorera, rendant des modèles comme celui-ci encore plus puissants. À l’avenir, les données en temps réel pourraient être utilisées pour ajuster dynamiquement les opérations des stations ou guider les conducteurs vers des emplacements moins congestionnés.
Bien que le modèle soit sophistiqué, son objectif ultime est pratique : rendre la possession d’un VE plus pratique et abordable. En réduisant le temps et l’effort requis pour recharger, il supprime un obstacle majeur à l’adoption. Pour les opérateurs de flottes, des temps d’attente prévisibles signifient une meilleure planification et des coûts opérationnels réduits. Pour les conducteurs individuels, savoir qu’une borne de recharge est à proximité et susceptible d’être disponible réduit l’anxiété d’autonomie.
En conclusion, le travail de Qiong Wang et de ses collègues représente une avancée significative dans la planification des infrastructures pour VE. En dépassant les modèles statiques universels, ils offrent un cadre dynamique et adaptatif qui reflète la complexité de la mobilité urbaine réelle. Leur intégration de la modélisation comportementale, de la dynamique du trafic et de l’optimisation robuste établit une nouvelle norme pour la planification des villes intelligentes. Alors que les villes s’efforcent d’atteindre les objectifs climatiques et de réduire les émissions, des outils comme celui-ci seront essentiels pour construire des systèmes de transport durables et résilients.
Le succès du modèle dans un environnement urbain réel suggère qu’il est prêt pour une application plus large. Avec un affinage supplémentaire et une intégration dans les logiciels de planification municipale, il pourrait devenir un outil standard pour les villes du monde entier. Alors que la révolution électrique s’accélère, la capacité à planifier judicieusement – pas seulement à construire plus – déterminera quelles villes montreront la voie.
Qiong Wang, Qing Zou, Le Li, Chaoran Li, Xueying Yan, State Grid Beijing Electric Power Company, State Grid Beijing Daxing Power Company, State Grid