Une avancée majeure dans la prévision de charge des camions électriques
Dans un bond en avant significatif pour l’intégration des poids lourds électriques au réseau, des chercheurs ont développé un nouveau modèle de prévision qui améliore considérablement la précision des prédictions de charge pour les flottes de camions électriques. Cette innovation répond à l’un des défis les plus pressants de l’électrification du transport de marchandises : la demande électrique imprévisible et très importante que ces véhicules imposent aux réseaux électriques locaux et régionaux.
Contrairement aux véhicules électriques légers, qui consomment généralement une puissance modeste sur de longues périodes, les camions lourds électriques se caractérisent par des capacités de batterie massives et des vitesses de charge extrêmement élevées. Un seul camion électrique peut demander autant de puissance que des dizaines de voitures électriques combinées lors d’une session de recharge rapide. Lorsque des centaines de ces véhicules opèrent au sein d’un hub logistique ou d’un dépôt, leur comportement de charge collectif peut créer des pics soudains et abrupts de demande électrique, potentiellement déstabilisants pour le réseau, augmentant les coûts de pointe et dégradant la qualité de l’énergie.
Jusqu’à présent, les modèles de prévision pour ces flottes s’inspiraient largement des méthodologies des études sur les véhicules électriques légers, qui ne prenaient pas en compte les dynamiques opérationnelles uniques du transport de fret. Celles-ci incluent des horaires de livraison stricts, des poids de cargaison variables, une planification complexe d’itinéraires sous contraintes temporelles, et l’influence des conditions de trafic sur la consommation énergétique. En conséquence, les prédictions existantes échouaient souvent à capturer le caractère aléatoire et la volatilité réels des patterns de charge des camions électriques.
Une nouvelle étude publiée dans Electric Power offre une solution convaincante. Dirigée par Hang Liu de State Grid Handan Electric Power Supply Company, l’équipe de recherche introduit un cadre de prévision de charge basé sur un modèle de chaîne de Markov d’ordre supérieur, explicitement conçu pour incorporer les réalités logistiques des opérations de camions électriques. Cette approche affine non seulement la prédiction temporelle du moment où les camions se brancheront, mais améliore aussi significativement la précision de l’estimation de la puissance totale prélevée à toute heure donnée.
Au cœur du modèle se trouve une compréhension sophistiquée du flux de travail quotidien du camion électrique. Les chercheurs commencent par modéliser le réseau de livraison sous forme de graphe, avec des nœuds représentant les centres de distribution, les points clients et les stations de charge. Surtout, ils introduisent une contrainte de « fenêtre temporelle souple » dans le processus d’optimisation d’itinéraire. Dans la logistique réelle, les clients spécifient souvent une plage horaire de livraison préférée, mais des arrivées anticipées ou tardives sont permises – bien qu’entraînant une pénalité financière pour le transporteur. Cette flexibilité est une caractéristique déterminante du fret commercial que les modèles de planification rigides ignorent. En utilisant un algorithme génétique pour minimiser une fonction de coût combinant les dépenses de voyage et les pénalités de fenêtre temporelle, l’équipe génère des itinéraires de livraison réalistes et optimisés pour chaque camion de la flotte.
Une fois l’itinéraire établi, le modèle simule le trajet du véhicule en détail. Il prend en compte comment les embouteillages – quantifiés par des données de flux traffic en temps réel ou historiques – affectent la vitesse moyenne et, par conséquent, la consommation énergétique. Différents types de routes (par exemple, autoroutes versus rues urbaines) ont des profils énergétiques distincts, et une circulation stop-and-go fréquente dans les zones denses peut augmenter significativement la consommation par kilomètre. En intégrant ce modèle de consommation énergétique dynamique, le système peut suivre continuellement l’état de charge (SOC) d’un camion tout au long de son service.
La décision de charger n’est pas arbitraire. Le modèle déclenche un événement de charge lorsque le SOC d’un camion tombe en dessous d’un seuil critique – fixé à 20% dans l’étude – ou lorsque son énergie restante est insuffisante pour compléter son itinéraire assigné. C’est un déclencheur plus nuancé qu’une simple alerte de batterie faible ; c’est une prédiction basée sur le futur opérationnel immédiat du véhicule. De plus, le modèle respecte le planning logistique. Si un camion a une livraison subséquente à honorer, il ne chargera que suffisamment pour atteindre sa prochaine destination à temps, plutôt que de charger à pleine capacité. Cela prévient une tension inutile sur le réseau et aligne le comportement de charge avec les priorités commerciales.
Ce processus produit une chronologie précise des heures de début et de fin de charge pour chaque camion. Agréger ces données à travers toute la flotte fournit une prévision très granulaire du nombre de camions qui seront en charge à toute heure du jour. Lors de leur validation utilisant des données réelles d’un parc logistique avec une flotte de 400 camions électriques, les chercheurs ont constaté que la prédiction de la quantité de charge de leur méthode correspondait étroitement aux mesures réelles, surpassant un modèle traditionnel de distribution de Poisson en réduisant l’erreur moyenne de 8%.
Cependant, connaître le nombre de camions en charge n’est que la moitié de la bataille. La charge électrique totale dépend aussi de la quantité d’énergie dont chaque camion a besoin, ce qui est directement lié à son SOC à l’arrivée au chargeur. C’est là qu’intervient la seconde innovation majeure du modèle : une « discrétisation floue à deux niveaux » du SOC.
Les modèles traditionnels divisent souvent la plage de SOC 0-100% en une poignée de larges intervalles (par exemple, 0-20%, 20-40%, etc.). Pour un véhicule avec une batterie de 300 kWh, un seul intervalle peut représenter une énergie potentielle massive de 60 kWh, créant une marge d’erreur importante dans la prédiction de charge. Le nouveau modèle introduit une approche imbriquée. Il crée d’abord cinq ensembles flous primaires qui capturent l’état qualitatif de la batterie : « très bas », « bas », « normal », « élevé », et « très élevé ». Au sein de chacun de ces ensembles primaires, il crée ensuite une subdivision plus fine en n intervalles plus petits. Cette discrétisation à double couche permet au modèle de capturer des différences subtiles mais critiques dans la demande de charge. Un camion arrivant à 18% de SOC a un profil de charge très différent d’un camion à 2%, même si les deux tombent dans la même catégorie « bas » dans un modèle grossier.
Avec ces données SOC à haute résolution, les chercheurs appliquent ensuite leur chaîne de Markov d’ordre supérieur. Un modèle de Markov standard (du premier ordre) suppose que le SOC futur d’un camion dépend uniquement de son état actuel. En réalité, sa trajectoire est influencée par son histoire récente – son SOC sur les dernières heures. Un modèle d’ordre supérieur, dans ce cas un modèle du second ordre, incorpore cette mémoire. Il calcule des probabilités de transition multi-étapes, demandant non seulement « Où ira le SOC de ce camion à partir de maintenant ? » mais aussi « Compte tenu de son SOC il y a deux heures et de son SOC maintenant, où sera-t-il le plus probablement dans l’heure suivante ? »
Ce contexte historique est vital pour capturer l’inertie et les tendances dans le comportement d’une flotte. Par exemple, si un grand nombre de camions ont été sur des routes long-courrier ces dernières heures, le modèle peut anticiper une vague d’arrivées en décharge profonde au dépôt en soirée, menant à une surtension de charge substantielle et prévisible. En exploitant ces données historiques plus riches, la chaîne de Markov d’ordre supérieur produit une prévision bien plus précise et stable de la demande de puissance agrégée.
Les résultats de leur simulation sont frappants. Le modèle a prédit avec succès la courbe de charge quotidienne caractéristique de la flotte de camions électriques, avec un pic majeur en fin de soirée (atteignant 8,1 MW dans leur cas test) lorsque les camions revenaient de leurs livraisons quotidiennes. Comparé à un modèle standard de chaîne de Markov du premier ordre, leur approche d’ordre supérieur a réduit l’erreur de prédiction moyenne de 22,24%. Ce niveau de précision s’est maintenu même lorsqu’ils ont mis à l’échelle la simulation vers des flottes plus importantes de 600 et 800 camions, démontrant la robustesse du modèle.
Les implications de ces travaux vont bien au-delà de l’intérêt académique. Pour un utility ou un opérateur de réseau, une amélioration de 22% de la précision des prévisions change la donne. Cela permet une planification bien plus efficace des ressources de production, réduit le besoin de centrales de pointe coûteuses et minimise le risque de surcharges locales du réseau. Pour l’entreprise logistique elle-même, une prévision de charge précise est le fondement de la mise en œuvre de stratégies de charge intelligentes. Elles peuvent négocier de meilleurs tarifs électriques en décalant la charge non urgente vers les heures creuses, ou même participer à des programmes d’effacement, générant des revenus en réduisant leur charge pendant les urgences du système.
De plus, la capacité du modèle à suivre non seulement la charge mais aussi le potentiel pour les services vehicle-to-grid (V2G) est une fonctionnalité prospective. L’article note que les camions avec un SOC « élevé » ou « très élevé » et sans ordre de livraison immédiat peuvent servir de ressource énergétique distribuée, renvoyant de l’énergie au réseau pendant les périodes de pointe. Prévoir avec précision cette capacité disponible est une première étape critique vers le déblocage de ce service précieux d’équilibrage du réseau.
Bien que le modèle actuel soit une avancée majeure, les auteurs reconnaissent ses limites. Il ne prend pas encore en compte la dégradation à long terme de la santé de la batterie, qui est un facteur crucial dans l’économie des flottes commerciales. Des travaux futurs pourraient intégrer des modèles de vieillissement des batteries pour créer un cadre opérationnel plus holistique qui équilibre les besoins du réseau avec la longévité des véhicules.
À une époque où l’électrification des transports lourds s’accélère rapidement, cette recherche fournit un outil vital pour s’assurer que cette transition est non seulement bénéfique pour l’environnement, mais aussi techniquement et économiquement viable pour le réseau électrique. En ancrant un modèle mathématique sophistiqué dans les réalités concrètes des opérations logistiques, l’équipe a construit un pont entre le monde du transport de fret et l’ingénierie des systèmes électriques. Leur travail pave la voie vers un futur où les flottes massives de camions électriques ne sont pas une menace pour la stabilité du réseau, mais un atout prévisible, gérable et même favorable à l’écosystème des énergies propres.
Auteurs : Hang Liu, Hao Shen, Yong Yang (State Grid Handan Electric Power Supply Company) ; Ling Ji (Guodian Nanjing Automation Co., Ltd.) ; Yang Yu (State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources, North China Electric Power University). Publié dans : Electric Power, Vol. 57, No. 5, mai 2024. DOI : 10.11930/j.issn.1004-9649.202306066.