Un Modèle Intelligent pour les Réseaux Insulaires
La révolution de la mobilité électrique est bien plus qu’une simple transformation du parc automobile. Son véritable potentiel réside dans la manière dont les véhicules électriques (VE) peuvent transcender leur rôle de simple consommateur d’énergie pour devenir un pilier actif et intégré des systèmes de production et de distribution d’électricité. Ce concept, connu sous le nom de « véhicule comme ressource » (V2X), gagne en pertinence, particulièrement dans les régions isolées où la nécessité de solutions énergétiques durables et autonomes est la plus pressante. Une étude récente publiée dans la revue Power System Protection and Control démontre comment un modèle d’optimisation avancé peut transformer une flotte de véhicules électriques en un atout fondamental pour la stabilité et l’efficacité des micro-réseaux sur les îles, offrant ainsi un nouveau paradigme pour une énergie propre dans les communautés éloignées.
Menée par Huang Dongmei du Département de génie électronique et de l’information de l’Université de l’énergie électrique de Shanghai, en collaboration avec Lü Jiaxin, Shi Shuai, Li Yuanyuan, Fu Wang’an et Wang Xiaoliang, cette recherche présente une approche innovante pour intégrer les VE dans des clusters de micro-réseaux insulaires, utilisant la réponse à la demande comme un levier stratégique. Le travail, intitulé « Opération optimisée des clusters de micro-réseaux insulaires tenant compte de la réponse à la demande », ne se contente pas de théories abstraites ; il est ancré dans des données du monde réel, collectées sur un archipel touristique de la province de Zhejiang, en Chine, ce qui rend ses conclusions particulièrement pertinentes pour les îles qui doivent concilier la croissance du tourisme avec la durabilité énergétique.
Les îles, par leur nature même, sont des systèmes fermés. Isolées du réseau électrique principal, beaucoup dépendent de générateurs diesel, une solution coûteuse, polluante et vulnérable aux fluctuations des prix du carburant. En même temps, ces îles sont souvent baignées par le vent et le soleil, des ressources renouvelables abondantes mais intermittentes. L’arrivée de milliers de touristes intensifie la demande d’électricité, notamment lors des pics journaliers, mettant une pression insoutenable sur l’infrastructure existante. C’est précisément à ce point critique que les véhicules électriques entrent en jeu. Ils représentent une charge supplémentaire, certes, mais aussi une opportunité unique : une flotte distribuée de batteries mobiles qui peut être gérée intelligemment pour équilibrer le réseau.
L’erreur majeure de nombreuses approches antérieures a été de traiter le comportement de recharge des VE avec des modèles simplistes, comme la distribution normale, qui suppose que tous les conducteurs rechargent leur voiture à des heures prévisibles, comme les habitants des zones urbaines. Huang et son équipe ont compris que les habitudes d’un touriste en vacances sont fondamentalement différentes. Elles sont plus imprévisibles, avec des horaires de départ et d’arrivée très variables. Pour capturer cette complexité, les chercheurs ont analysé méticuleusement un ensemble de données de recharge réelles, comparant plusieurs fonctions mathématiques — distributions normales, log-normales, fonctions de Fourier et mélanges gaussiens — afin de trouver celle qui s’ajustait le mieux à la réalité.
Les résultats ont été révélateurs. Ils ont découvert que l’heure de début de la recharge ne suit pas une simple courbe en cloche, mais est mieux décrite par une fonction de Fourier de troisième ordre. Cela reflète la nature chaotique et moins prévisible des routines des touristes. En revanche, l’état de charge (SOC) à l’arrivée à une borne de recharge s’ajuste mieux à une distribution gaussienne de première ordre. Ce niveau de précision est révolutionnaire ; il permet au modèle de prédire avec une fidélité bien plus grande quand et combien les VE vont consommer d’énergie, transformant ainsi une variable chaotique en un actif contrôlable.
Sur la base de ce modèle comportemental affiné, l’équipe a construit un système de cluster de micro-réseaux. Il consiste en deux îles interconnectées : une île principale (Micro-réseau 1), un centre d’habitation et de tourisme avec une forte demande d’énergie, et une île plus petite (Micro-réseau 2), riche en ressources éoliennes et solaires, mais avec peu de charge locale. Cette architecture permet l’échange d’énergie, où l’île productrice peut fournir son surplus à l’île consommatrice, augmentant ainsi la résilience et l’efficacité de tout le système.
Le modèle d’optimisation développé est multifacette, avec l’objectif double de minimiser les coûts économiques et environnementaux. Les coûts économiques incluent le carburant et la maintenance des générateurs diesel et des micro-turbines, la dégradation des batteries de stockage et les tarifs d’échange d’énergie entre les micro-réseaux. Les coûts environnementaux sont quantifiés à travers les émissions de CO₂, SO₂ et NOₓ, chacune dotée d’un coût de traitement associé.
L’outil central pour atteindre cette optimisation est un système de tarification horaire (Time-of-Use, TOU) propulsé par une matrice d’élasticité des prix. Contrairement aux tarifs fixes, le prix de l’électricité varie au cours de la journée, incitant les utilisateurs à déplacer leur consommation vers les périodes de faible demande. L’innovation du modèle réside dans son utilisation de la matrice d’élasticité, qui mesure à quel point la demande des utilisateurs est sensible aux variations de prix. Cela permet au modèle de prédire avec précision comment les propriétaires de VE réagiront à différents signaux de prix, permettant une « modélisation de charge » bien plus efficace.
Les résultats de la simulation ont été impressionnants. Sous le système de tarification TOU optimisé, la recharge des VE a été efficacement déplacée du pic nocturne (16h00–24h00) vers les premières heures du matin (00h00–08h00), lorsque la production éolienne est généralement plus forte et que la demande globale est plus faible. Ce déplacement a non seulement réduit le pic de charge de 12,4 %, passant de 623,45 kW à 546,23 kW, mais a également permis une meilleure utilisation des énergies renouvelables, augmentant le taux de pénétration des sources propres à plus de 82 %.
Crucialement, ce déplacement de charge a été réalisé sans compromettre la satisfaction de l’utilisateur. Le modèle intègre des contraintes rigoureuses sur les niveaux de SOC et les délais de fin de recharge, garantissant que les propriétaires de VE peuvent répondre à leurs besoins de mobilité. Les auteurs définissent la satisfaction de l’utilisateur comme le rapport entre le changement de charge réel et celui attendu, et leurs résultats montrent que la satisfaction est restée élevée dans tous les scénarios, indiquant que l’optimisation n’a pas été imposée au détriment de la commodité du consommateur.
Pour résoudre ce problème complexe d’optimisation non linéaire, l’équipe a utilisé un algorithme métaheuristique relativement nouveau appelé Spider Wasp Optimization (SWO). Inspiré par les comportements de chasse, de nidification et d’accouplement des guêpes-araignées, le SWO offre plusieurs avantages par rapport aux algorithmes traditionnels comme le Particle Swarm Optimization (PSO) et le Sparrow Search Algorithm (SSA). Il présente une taille de population dynamique et un équilibre unique entre l’exploration (recherche de nouvelles zones de l’espace des solutions) et l’exploitation (affinement des solutions prometteuses), ce qui l’aide à éviter la convergence prématurée vers des optima locaux.
Les tests de référence sur des fonctions standards ont confirmé la supériorité du SWO. Dans la minimisation de la fonction F1, le SWO a atteint une valeur moyenne de 6,203×10⁻⁷⁸, des ordres de grandeur inférieure à celles du PSO et du SSA. Son écart-type était également significativement plus faible, indiquant une plus grande cohérence entre les exécutions. Lorsqu’il a été appliqué au problème du micro-réseau, le SWO a réduit les coûts opérationnels totaux de 10,7 millions de yuans par rapport au PSO et de 4,65 millions de yuans par rapport au SSA, démontrant ainsi sa valeur pratique dans les systèmes énergétiques réels.
Les implications de cette recherche vont bien au-delà du cas d’étude spécifique à Zhoushan. Pour les communautés côtières, les petits États insulaires en développement (PEID) et les régions reculées du monde entier qui cherchent à décarboner leurs systèmes énergétiques, l’intégration des véhicules électriques dans les micro-réseaux deviendra de plus en plus importante. Le modèle présenté par Huang et al. offre un cadre évolutif et adaptable qui peut être personnalisé pour différentes conditions géographiques, climatiques et socio-économiques.
Par exemple, dans les régions à forte insolation mais aux ressources éoliennes limitées, le modèle pourrait être ajusté pour privilégier la production photovoltaïque et le stockage par batterie. Dans les zones aux schémas touristiques saisonniers, le comportement de recharge des véhicules de location pourrait être modélisé séparément de celui des véhicules privés, permettant un contrôle plus granulaire. La nature modulaire du cadre d’optimisation le rend adapté aussi bien aux projets pilotes à petite échelle qu’aux grandes transitions énergétiques pour les îles.
En outre, l’étude souligne l’importance de la collaboration interdisciplinaire pour résoudre les défis énergétiques complexes. Elle combine des compétences en génie électrique, en science des données, en modélisation comportementale et en conception d’algorithmes, reflétant l’approche holistique nécessaire aux transitions énergétiques durables. La participation de chercheurs issus du monde universitaire, des entreprises énergétiques et des agences gouvernementales témoigne de la reconnaissance croissante du fait que de telles innovations nécessitent non seulement une excellence technique, mais aussi une coordination institutionnelle.
D’un point de vue politique, les résultats soutiennent la mise en œuvre de mécanismes de prix dynamiques et d’incitations à l’adoption des véhicules électriques dans les communautés insulaires. Les gouvernements et les fournisseurs d’énergie peuvent utiliser ce modèle pour concevoir des structures tarifaires qui encouragent la recharge en dehors des heures de pointe, investir dans des infrastructures renouvelables et planifier la future pénétration des véhicules électriques. Les économies de coûts et les bénéfices environnementaux démontrés constituent un argument convaincant en faveur des investissements publics dans les technologies de réseau intelligent.
Pour les industries automobile et énergétique, la recherche marque un changement de paradigme : passer de la vision des véhicules électriques comme produits isolés à celle de composants intégrés d’un écosystème énergétique plus vaste. Les constructeurs automobiles pourraient devoir prendre en compte non seulement les performances du véhicule, mais aussi la manière dont leurs produits interagissent avec les réseaux locaux. Les fournisseurs d’infrastructures de recharge peuvent utiliser les enseignements du modèle pour optimiser l’emplacement et les prix des stations de recharge. Les entreprises de stockage d’énergie peuvent trouver de nouvelles opportunités dans les batteries de seconde vie des véhicules électriques pour des applications de stockage stationnaire.
Le succès de ce modèle d’optimisation soulève également des questions importantes d’équité et d’accessibilité. Bien que la recharge intelligente puisse réduire les coûts totaux du système, il existe un risque que les utilisateurs à faible revenu — moins capables de se payer des véhicules électriques ou des horaires de recharge flexibles — supportent une part disproportionnée de tout coût résiduel. Les recherches futures devraient explorer comment concevoir des programmes de réponse à la demande pour qu’ils soient inclusifs et équitables, en veillant à ce que les bénéfices de la transition énergétique soient largement partagés.
Un autre domaine pour des recherches futures est le rôle des technologies émergentes comme l’intelligence artificielle et la blockchain dans l’amélioration des opérations des micro-réseaux. L’IA pourrait être utilisée pour améliorer en temps réel la précision de la prévision de la charge, tandis que la blockchain pourrait permettre le commerce d’énergie entre pairs entre les propriétaires de véhicules électriques et les participants au micro-réseau. L’intégration de ces technologies avec le cadre d’optimisation basé sur le SWO pourrait débloquer des gains d’efficacité encore plus importants.
En conclusion, le travail de Huang Dongmei et de son équipe représente un progrès significatif dans l’intégration des véhicules électriques dans les systèmes d’énergie renouvelable. En combinant une modélisation comportementale réaliste, une optimisation multi-objectifs et des algorithmes avancés, ils ont développé une solution pratique et efficace pour l’un des environnements énergétiques les plus difficiles : le micro-réseau insulaire. Leur modèle réduit non seulement les coûts et les émissions, mais améliore également la stabilité du réseau et la satisfaction de l’utilisateur, démontrant que, avec les outils et les stratégies appropriés, même les communautés les plus isolées peuvent mener la révolution de l’énergie propre.
Huang Dongmei, Lü Jiaxin, Shi Shuai, Li Yuanyuan, Fu Wang’an, Wang Xiaoliang, Université de l’énergie électrique de Shanghai, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.231127