Un nouveau modèle optimise la planification des réseaux de recharge pour véhicules électriques
La révolution des véhicules électriques (VE) est en marche, et son rythme s’accélère de jour en jour. Alors que les constructeurs rivalisent d’ingéniosité pour proposer des modèles aux autonomes toujours plus grandes et aux temps de recharge toujours plus courts, un autre défi, tout aussi crucial, émerge : celui de l’infrastructure de recharge. Une expérience utilisateur réussie ne dépend pas uniquement de la voiture elle-même, mais aussi de la facilité, de la rapidité et de la fiabilité avec lesquelles un conducteur peut la recharger. Un réseau mal conçu, avec des bornes trop éloignées, inaccessibles ou surchargées, peut rapidement transformer l’enthousiasme initial en une source d’angoisse et de frustration, freinant ainsi l’adoption massive de cette technologie. Dans ce contexte, une étude pionnière menée par une équipe de l’Université de Nantong propose une avancée significative dans la manière de concevoir ces réseaux, en développant un modèle de planification qui allie rigueur scientifique et pragmatisme pour créer des infrastructures plus robustes et plus efficaces.
Dirigée par le professeur Zhang Xinsong, du Département de Génie Électrique de l’Université de Nantong, et co-écrite par Zhu Chenxu, Li Daxiang et Luo Laiwu, cette recherche, publiée dans la revue Power System Protection and Control, introduit un cadre d’optimisation à double objectif qui surmonte les limites des approches traditionnelles. Contrairement aux modèles classiques qui se concentrent soit sur la maximisation du nombre de véhicules pouvant être rechargés (une approche basée sur le « flux de trafic »), soit sur la minimisation de la distance à parcourir pour trouver une borne (une approche basée sur la « proximité spatiale »), ce nouveau modèle intègre ces deux dimensions critiques en une seule et même stratégie. Cette approche hybride représente un bond en avant, car elle reconnaît que la performance d’un réseau de recharge ne peut être mesurée par un seul indicateur ; elle doit être à la fois capable de servir un grand nombre d’utilisateurs et de le faire de manière commode.
Le premier objectif du modèle est d’optimiser la fiabilité du service, en maximisant la valeur minimale du trafic capturé. Cette formulation est fondamentale et s’appuie sur les principes de l’optimisation robuste. Plutôt que de se contenter d’un résultat moyen, le modèle vise à garantir un niveau de service même dans les scénarios les plus défavorables. Pourquoi est-ce si important ? Parce que le comportement des conducteurs de VE est intrinsèquement incertain. Un facteur clé qui influence la nécessité de recharger pendant un trajet est l’état de charge initial (State of Charge, SOC) de la batterie. Un conducteur qui part de chez lui avec une batterie pleine a une autonomie bien supérieure à celle d’un autre qui démarre d’une zone sans borne de recharge et dont la batterie est à 50%. Cette incertitude sur le SOC initial introduit une grande variabilité dans le flux de véhicules qui ont effectivement besoin de se recharger à un moment donné.
Pour modéliser cette incertitude de manière rigoureuse, l’équipe de Nantong a utilisé la méthode de simulation Monte Carlo (MCS). Cette technique statistique puissante effectue des milliers de simulations, chacune avec un SOC initial différent, échantillonné à partir d’une distribution de probabilité réaliste. En faisant cela, le modèle peut cartographier tout le spectre des scénarios possibles, des journées où peu de véhicules ont besoin de se recharger à celles de forte demande. L’analyse a révélé une différence significative entre le flux de trafic capturé minimum et maximum, soulignant la nécessité d’une planification qui ne repose pas sur des hypothèses simplistes. En maximisant le flux de trafic capturé minimum, le modèle garantit que, même dans le pire des cas, le réseau de recharge sera capable de desservir une proportion substantielle de la flotte de VE, augmentant ainsi considérablement la fiabilité et la confiance de l’utilisateur.
Le deuxième objectif du modèle est d’optimiser l’efficacité du service, en minimisant la distance moyenne de conduite jusqu’à la borne de recharge. Cet objectif se concentre directement sur l’expérience utilisateur. Personne ne souhaite perdre du temps et de l’énergie à chercher une borne de recharge libre, surtout lorsque le niveau de batterie est bas. De longs trajets pour trouver une station sont une des principales sources de frustration et d’angoisse. En optimisant la distance moyenne de conduite la plus courte, le modèle améliore l’efficacité du service et rend la possession d’un VE plus attrayante et plus pratique. Cette approche à double objectif — maximiser la capacité de service dans le pire scénario et minimiser la distance moyenne de conduite — crée une solution plus équilibrée et réaliste que n’importe quelle approche unidimensionnelle.
Pour rendre le modèle encore plus applicable au monde réel, les chercheurs ont intégré une contrainte d’opportunité pour la distance de conduite jusqu’à la recharge. Au lieu d’imposer une règle rigide du type « pas plus de X kilomètres », le modèle utilise une probabilité. Par exemple, il peut garantir qu’il y a une probabilité de 95% qu’un véhicule ayant besoin de recharger trouve une station à moins de 80 kilomètres. Cette flexibilité est cruciale pour la planification pratique. Elle permet une conception plus efficace et économique, en reconnaissant qu’il est acceptable qu’une petite fraction des trajets nécessite une recherche plus longue, tant que la majorité des utilisateurs ont un accès rapide. Cette approche évite les solutions conservatrices qui pourraient nécessiter un nombre excessif de stations et promeut une infrastructure plus rationnelle.
Résoudre un problème d’optimisation non linéaire et multi-objectif de cette complexité nécessite des algorithmes sophistiqués. L’équipe a utilisé l’Algorithme Génétique de Tri Non Dominé II (NSGA-II), un outil évolutif spécialement conçu pour gérer plusieurs objectifs souvent conflictuels. Contrairement à une approche qui produirait une seule « meilleure » solution, le NSGA-II génère un ensemble de solutions optimales de Pareto. Cet ensemble est un catalogue d’options, chacune représentant un compromis différent entre les deux objectifs. Une solution peut offrir une distance moyenne de conduite plus courte mais un flux de trafic capturé minimum légèrement inférieur, tandis qu’une autre peut capturer plus de trafic dans le pire des cas mais avec des distances de conduite légèrement plus longues. Cet ensemble de solutions donne aux urbanistes et aux décideurs politiques la flexibilité nécessaire pour choisir la stratégie qui correspond le mieux à leurs priorités spécifiques, qu’il s’agisse de maximiser la couverture, de minimiser les temps de recherche ou de trouver un compromis équilibré.
Le modèle a été validé par une expérience de simulation sur un réseau de transport à 25 nœuds, un standard courant dans ce type de recherche. Les résultats ont été révélateurs. Comparé à un réseau de recharge de quatre stations placées de manière aléatoire ou conventionnelle, le réseau optimisé par le modèle a montré une augmentation significative du flux de trafic capturé minimum, démontrant sa supériorité en termes de capacité de service. En même temps, la distance moyenne de conduite jusqu’à la recharge a été réduite au minimum. L’étude a également mené une analyse de sensibilité, examinant comment les paramètres clés influencent les résultats. Par exemple, en réduisant le niveau de confiance de la contrainte d’opportunité de 95% à 90%, le nombre de solutions viables dans l’ensemble de Pareto a augmenté, illustrant le compromis entre la fiabilité du service et la flexibilité de la planification. La découverte la plus cruciale a été l’analyse du nombre de stations de recharge. Le modèle a montré que, en augmentant le nombre de stations, les bénéfices marginaux diminuent. Bien que l’ajout de stations produise initialement de grands gains en termes de couverture et d’efficacité, le bénéfice de chaque nouvelle station diminue à mesure que le réseau devient plus dense. Cette connaissance est inestimable pour les municipalités aux budgets serrés, car elle aide à identifier le point optimal d’investissement avant que le coût de nouvelles stations ne dépasse leurs bénéfices.
Les implications de cette recherche sont profondes. Pour les urbanistes, elle fournit un outil basé sur des données pour concevoir des réseaux de recharge véritablement futurs. Pour les entreprises de services publics, elle offre un moyen d’anticiper et de gérer plus efficacement la charge sur le réseau électrique en comprenant où et quand la demande de recharge est susceptible d’apparaître. Pour les constructeurs automobiles et les flottes de véhicules, elle peut informer les stratégies de déploiement des véhicules et la planification des itinéraires. En se concentrant sur les incertitudes du monde réel et sur les compromis pratiques, le modèle devient un cadre hautement pertinent et applicable.
Ce travail contribue également à un changement plus large dans la façon dont nous concevons l’infrastructure énergétique. Traditionnellement, les systèmes énergétiques et de transport ont été planifiés et opérés de manière isolée. Cette recherche est un exemple marquant du domaine émergent des « systèmes de transport électrifiés », où ces deux domaines sont profondément imbriqués. Une station de recharge n’est pas seulement une prise ; c’est un nœud dans un réseau complexe qui influence les schémas de trafic, le développement urbain et la consommation d’énergie. En adoptant une approche systémique, Zhang Xinsong et ses collègues contribuent à la construction de l’infrastructure intégrée et intelligente exigée par un avenir de transport durable.
L’étude est particulièrement opportune face à la pression mondiale pour la décarbonisation. Alors que les pays luttent pour atteindre leurs objectifs climatiques, la transition vers la mobilité électrique est une stratégie fondamentale. Cependant, cette transition ne peut réussir sans une transformation correspondante de l’infrastructure d’accompagnement. Des réseaux de recharge mal planifiés peuvent créer des congestions, augmenter la frustration des utilisateurs et, en fin de compte, ralentir l’adoption des VE. Ce nouveau modèle fournit un chemin clair, garantissant que le réseau de recharge ne soit pas une réflexion tardive, mais un système bien optimisé, fiable et facile à utiliser dès le départ.
Un des points forts de l’article est sa reconnaissance claire des limites de la recherche antérieure. De nombreux modèles existants se concentrent exclusivement sur la maximisation du nombre de véhicules pouvant être rechargés (une vision centrée sur le flux de trafic) ou sur la minimisation de la distance jusqu’à la station la plus proche (une vision centrée sur la distance spatiale). Les auteurs identifient correctement que ces approches à objectif unique sont intrinsèquement limitées. Un réseau qui capture beaucoup de trafic mais oblige les conducteurs à faire de grands détours est inefficace. À l’inverse, un réseau avec de nombreuses stations proches pourrait minimiser la distance de conduite mais être sous-utilisé et économiquement insoutenable. En combinant ces deux objectifs, le nouveau modèle atteint un résultat plus équilibré et réaliste.
L’utilisation du modèle FRLM (Flow Refueling Location Model) comme base pour calculer le flux de trafic capturé est également un choix solide. Ce modèle bien établi prend en compte le réseau d’itinéraires de voyage et l’autonomie du véhicule, offrant une image plus précise de l’endroit où la demande de recharge apparaîtra, contrairement aux modèles basés simplement sur la population ou la distance. En intégrant le FRLM avec la simulation Monte Carlo pour l’incertitude du SOC, les chercheurs ont créé un environnement de simulation très sophistiqué et réaliste.
La valeur pratique de l’ensemble de solutions optimales de Pareto ne peut être surestimée. Dans le monde réel, les décideurs ne sont que rarement confrontés à une seule et unique réponse. Ils doivent équilibrer des intérêts concurrents : budget, utilisation des sols, impact environnemental et priorités politiques. L’ensemble de Pareto fournit un menu d’options, chacune avec son propre profil de performance. Cela permet un processus de prise de décision plus transparent et informé. Les parties prenantes peuvent voir les compromis explicites et choisir une solution qui correspond le mieux aux besoins et aux contraintes uniques de leur communauté.
En outre, la découverte des rendements décroissants avec une densité de stations accrue est une connaissance économique cruciale. Elle suggère qu’il existe un « point optimal » pour l’investissement dans l’infrastructure de recharge. Au-delà de ce point, dépenser plus d’argent produit des améliorations de plus en plus petites du service. Cela peut aider à prévenir le gaspillage et à garantir que les fonds publics et privés soient utilisés de la manière la plus efficace possible. Elle suggère également que de futurs investissements pourraient être mieux orientés vers l’amélioration de la vitesse de recharge (par exemple, plus de chargeurs rapides à courant continu) ou l’amélioration de l’expérience utilisateur (par exemple, de meilleurs systèmes de paiement et applications) plutôt que de simplement construire plus de stations dans des zones déjà bien desservies.
En conclusion, la recherche de Zhang Xinsong, Zhu Chenxu, Li Daxiang et Luo Laiwu de l’Université de Nantong représente un pas en avant significatif dans la science de la planification des réseaux de recharge pour véhicules électriques. En développant un modèle qui optimise simultanément la fiabilité du service et l’efficacité de l’utilisateur, en tenant rigoureusement compte des incertitudes du monde réel, ils ont fourni un puissant nouvel outil pour construire les systèmes de transport durable de demain. Leur travail est un exemple marquant de la manière dont des méthodes computationnelles avancées peuvent être appliquées pour résoudre des problèmes complexes du monde réel avec des bénéfices sociaux tangibles.
Un nouveau modèle optimise la planification des réseaux de recharge pour véhicules électriques par Zhang Xinsong, Zhu Chenxu, Li Daxiang et Luo Laiwu du Département de Génie Électrique, Université de Nantong, publié dans Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.231537