Un modèle révolutionnaire pour les réseaux de recharge
L’essor des véhicules électriques (VE) a transformé le paysage de la mobilité, mais il a également mis en lumière un défi critique : la planification d’une infrastructure de recharge à la fois efficace, accessible et résiliente. Alors que les constructeurs rivalisent d’innovation pour améliorer l’autonomie et réduire les temps de charge, la question de où et comment déployer les stations de recharge reste un maillon faible dans la chaîne de la transition énergétique. Un excès de stations sous-utilisées, souvent surnommées « colonnes fantômes », côtoie des points stratégiques saturés, créant frustration chez les utilisateurs et gaspillage de ressources publiques. Une étude de pointe menée par Xu Wei, Lu Weijie et Chen Zhiqiang de l’École de gestion et d’ingénierie de l’Université de Nanjing propose une solution fondamentalement nouvelle à ce dilemme. Leur modèle d’optimisation, qui fusionne deux paradigmes de demande longtemps considérés comme distincts et intègre la gestion de l’incertitude, pourrait bien devenir la norme pour le déploiement futur des réseaux de recharge, tant en Chine qu’à l’échelle mondiale.
Le marché chinois des véhicules électriques est incontestablement le plus dynamique au monde. À la fin de l’année 2022, le pays comptait plus de 13 millions de véhicules électriques en circulation, soutenus par un réseau de près de 5,2 millions de points de recharge. Ces chiffres impressionnants témoignent d’un engagement massif en faveur de la décarbonation du transport. Cependant, la simple quantité d’infrastructures ne garantit pas la qualité de l’expérience utilisateur. Le ratio véhicule/station, un indicateur clé de la densité du réseau, était d’environ 2,5:1 à cette date, loin de l’objectif de parité (1:1) fixé pour 2030. Cette lacune révèle un problème de fond : une planification souvent réactive, basée sur la disponibilité immédiate des terrains ou la recherche de subventions, plutôt que sur une analyse stratégique et prospective des comportements réels des usagers. Le résultat est une infrastructure inefficace, où l’argent public et privé est mal alloué, compromettant la confiance des consommateurs et ralentissant l’adoption généralisée des VE.
La recherche académique et industrielle en matière de localisation des stations de recharge s’est traditionnellement divisée en deux courants distincts, chacun reflétant un mode de consommation différent. Le premier courant, connu sous le nom de « demande ponctuelle », se concentre sur les utilisateurs qui rechargent leur véhicule à des endroits fixes, comme leur domicile, leur lieu de travail ou un centre commercial. Ce modèle, inspiré de la théorie des localisations classiques comme le modèle de couverture d’ensemble (Set Covering), vise à minimiser le nombre de stations nécessaires pour couvrir tous les points de demande dans un rayon de service donné. C’est une approche logique pour les besoins quotidiens, mais elle est aveugle aux déplacements longue distance. Le second courant, la « demande de flux », s’intéresse aux conducteurs qui doivent recharger leur batterie en cours de route. Ce modèle, dérivé du « Modèle de localisation par capture de flux » (FCLM), cherche à positionner les stations sur les principaux axes routiers pour intercepter le maximum de trafic. Bien que crucial pour les voyages interurbains, ce modèle peut négliger les zones urbaines denses où la demande ponctuelle est élevée.
L’innovation majeure du modèle de Xu, Lu et Chen réside précisément dans sa capacité à transcender cette dichotomie. Plutôt que de traiter ces deux types de demande comme des problèmes séparés, ils les ont intégrés dans un cadre d’optimisation unifié. Ce n’est pas une simple somme, mais une résolution élégante d’un conflit fondamental : leurs objectifs sont incompatibles. Le modèle de demande ponctuelle cherche à minimiser les coûts (moins de stations), tandis que le modèle de flux cherche à maximiser le trafic intercepté (plus de capture). Pour harmoniser ces buts, les chercheurs ont reformulé le modèle de flux. Au lieu de maximiser le flux capturé, leur modèle exige que toute la demande de flux soit satisfaite, et ce, tout en minimisant le coût total de l’infrastructure. Cette transformation cruciale permet de soumettre les deux types de demande à un objectif unique et pragmatique : satisfaire tous les besoins de recharge au coût le plus bas possible. Le résultat est un réseau qui est à la fois pratique pour l’utilisateur qui effectue des trajets quotidiens entre son domicile et son travail, et fiable pour le voyageur qui entreprend un long périple. Ce modèle reflète fidèlement la réalité actuelle de la mobilité électrique, où la recharge à domicile domine, mais où la possibilité de recharger en route reste essentielle pour l’assurance et la liberté de mouvement.
Un autre pilier du modèle est sa gestion sophistiquée de l’incertitude. Prédire avec précision la demande future de recharge est une tâche extrêmement complexe. Elle dépend d’une multitude de facteurs volatils : le rythme d’adoption des VE, les avancées technologiques (autonomie, puissance de charge), les politiques publiques (subventions, restrictions de circulation), et même les évolutions des modes de vie post-pandémiques. Un plan basé sur des prévisions déterministes — des chiffres fixes — est donc intrinsèquement risqué. S’il sous-estime la demande, le réseau sera saturé, provoquant des files d’attente et de la frustration. S’il la surestime, il entraînera un investissement massif dans une infrastructure sous-utilisée, un gaspillage financier considérable.
C’est ici que le modèle de l’Université de Nanjing opère une percée. Les chercheurs ont adopté la « programmation robuste » (Robust Optimization, RO), une méthodologie puissante pour la planification des infrastructures critiques. Contrairement à la programmation stochastique, qui nécessite de connaître la distribution de probabilité des variables incertaines (ce qui est souvent impossible), la programmation robuste fonctionne avec des « ensembles d’incertitude » définis. Le modèle suppose que la demande réelle à tout point donné se situe dans un intervalle borné, par exemple entre la valeur prévue et une valeur 20% supérieure. L’objectif est alors de trouver une solution qui reste viable même dans le pire des cas, le scénario le plus défavorable. Cette approche offre une garantie de service : le réseau fonctionnera de manière fiable même si la demande dépasse largement les prévisions. Un aspect particulièrement ingénieux est l’introduction du « budget d’incertitude », un paramètre ajustable qui permet aux planificateurs de calibrer le niveau de robustesse en fonction de leur tolérance au risque et de leur budget. Un gestionnaire prudent pourra opter pour un niveau élevé de robustesse, garantissant un service ininterrompu, tandis qu’un gestionnaire aux ressources limitées pourra choisir un niveau modéré, réduisant les coûts d’investissement initial tout en maintenant une marge de sécurité raisonnable.
La force du modèle ne réside pas seulement dans sa théorie, mais aussi dans son ancrage dans la réalité opérationnelle. Une contrainte souvent ignorée dans les modèles académiques est la capacité du réseau électrique local. Installer une station de recharge rapide avec plusieurs points de charge n’est pas seulement une question d’espace physique ; cela dépend crucialement de la puissance disponible dans le réseau de distribution. Dans de nombreuses zones urbaines, le réseau existant ne peut pas supporter la charge supplémentaire sans des travaux coûteux de renforcement, comme le remplacement de transformateurs ou la pose de nouvelles lignes. Le modèle de Xu, Lu et Chen intègre explicitement le coût de cette « extension du réseau électrique » dans sa fonction objective. Cela signifie que l’algorithme ne choisit pas seulement la localisation géographiquement optimale, mais aussi celle qui est la plus viable du point de vue énergétique et financier. Il évite ainsi de recommander des sites qui, bien que parfaits sur le papier, seraient économiquement impraticables en raison des coûts prohibitifs de raccordement au réseau. Cette intégration transforme le modèle d’un simple exercice mathématique en un outil de planification opérationnellement pertinent.
La validité et l’efficacité du modèle ont été démontrées à travers deux études de cas rigoureuses. La première s’est concentrée sur le district de Chaoyang à Pékin, une zone urbaine dense et complexe. En utilisant des données sur la population et le trafic, les chercheurs ont identifié 30 points de demande et 10 sites candidats. La simulation a révélé que le modèle intégré sélectionnait 6 emplacements pour satisfaire toutes les demandes, avec un coût total significativement inférieur à celui des approches traditionnelles basées sur un seul type de demande. Un résultat clé a été que, lorsqu’on prend en compte l’incertitude, le modèle n’augmente pas nécessairement le nombre de stations, mais augmente la capacité (nombre de points de charge) sur les sites déjà sélectionnés. Cela suggère une stratégie intelligente : investir dans la capacité des points stratégiques, plutôt que de disperser l’infrastructure sur un plus grand nombre de sites moins efficaces.
La seconde étude de cas a utilisé un réseau plus vaste et synthétique, avec 80 points de demande et 35 sites candidats, pour tester la scalabilité du modèle. Les résultats ont confirmé son avantage. Le modèle intégré a réduit les coûts de planification par rapport aux méthodes conventionnelles, prouvant qu’il peut s’adapter à des réseaux de grande envergure. Les analyses de sensibilité ont montré que les bénéfices de l’intégration sont particulièrement marqués lorsque la demande ponctuelle et la demande de flux se chevauchent géographiquement, une situation fréquente aux abords des villes et sur les principaux corridors de transport.
L’impact de cette recherche dépasse largement les frontières de la Chine. Bien que le pays soit le leader du marché des VE, les défis de planification de l’infrastructure sont universels. Les villes d’Europe, d’Amérique du Nord et d’Asie font face à des problèmes similaires de congestion, d’équité d’accès et de durabilité financière. Le modèle de l’Université de Nanjing offre un cadre méthodologique rigoureux et adaptable à différents contextes. Il incarne un changement de paradigme, passant d’une planification réactive et fragmentée à une stratégie proactive, holistique et fondée sur des données.
Pour les décideurs politiques, ce modèle est un outil puissant pour une allocation efficace des fonds publics. Il permet de prendre des décisions d’investissement avec une transparence et une justification technique accrues, réduisant considérablement le risque de gaspiller des ressources dans des projets mal situés. Pour les opérateurs privés de stations de recharge, il représente un avantage concurrentiel majeur en maximisant le retour sur investissement et en minimisant le risque de sous-utilisation. La capacité de quantifier le compromis entre coût et robustesse permet une gestion des risques beaucoup plus éclairée.
En outre, le modèle a des implications importantes pour la stabilité du réseau électrique. En intégrant les contraintes de raccordement dès la phase de planification, il aide à éviter les pics de demande non planifiés qui pourraient surcharger les transformateurs locaux. Cela facilite une intégration plus fluide des véhicules électriques dans le système énergétique global, soutenant ainsi l’objectif plus large d’une transition énergétique durable.
L’avenir de la planification de l’infrastructure de recharge est dynamique. La recherche de Xu, Lu et Chen ouvre la voie à des développements encore plus avancés. Une direction prometteuse est l’extension du modèle à un cadre multi-périodes, permettant un investissement progressif à mesure que la demande croît. Une autre piste est l’intégration de modèles de comportement des usagers plus réalistes, prenant en compte des facteurs comme le prix de l’électricité, les temps d’attente ou la disposition à faire un détour. L’intégration de données en temps réel et d’algorithmes d’apprentissage automatique pourrait permettre une adaptation continue du réseau aux conditions changeantes.
En conclusion, le travail de Xu Wei, Lu Weijie et Chen Zhiqiang représente une avancée significative dans la planification des infrastructures de transport durable. En fusionnant la demande ponctuelle et la demande de flux dans un cadre d’optimisation robuste et réaliste, ils ont créé un outil qui améliore non seulement l’efficacité technique, mais renforce aussi la résilience et la viabilité économique des réseaux de recharge. Leur recherche est un exemple éclatant de la manière dont la science de la gestion et de l’ingénierie peut fournir des solutions pratiques aux défis les plus pressants de notre époque. Alors que le monde s’achemine vers un avenir à zéro émission, des modèles comme celui-ci seront fondamentaux pour construire les villes intelligentes et durables dont nous avons besoin.
Xu Wei, Lu Weijie, Chen Zhiqiang, École de gestion et d’ingénierie, Université de Nanjing. Publié dans Journal of Sustainable Transportation and Energy Systems, DOI: 10.3969/j.issn.2097-4558.2024.04.005.