Une avancée majeure dans l’intégration des véhicules électriques au réseau électrique
La révolution des véhicules électriques (VE) est en marche, et elle transforme profondément non seulement notre manière de nous déplacer, mais aussi la structure même de notre système énergétique. Alors que les flottes de VE s’agrandissent à un rythme sans précédent, une question critique émerge : comment intégrer des millions de nouvelles unités de charge mobiles dans les réseaux électriques existants sans les surcharger ? Le défi ne réside pas seulement dans la quantité d’énergie à fournir, mais dans la nature intrinsèquement imprévisible de la demande. Un comportement de charge non coordonné, surtout pendant les heures de pointe, peut provoquer des surtensions, des fluctuations de tension et une pression accrue sur les transformateurs et les lignes. Une solution traditionnelle, basée sur l’expansion massive de l’infrastructure, serait à la fois coûteuse et inefficace. La véritable réponse réside désormais dans l’intelligence : la capacité à transformer ce nouveau fardeau en une ressource flexible capable de stabiliser le réseau, plutôt que de le compromettre.
Dans un domaine où les avancées technologiques sont cruciales pour la transition énergétique, une équipe de chercheurs chinois a marqué un tournant significatif. Dans une étude publiée dans la prestigieuse revue Automation of Electric Power Systems, Jinpeng Li, Yinliang Xu et leurs collègues ont développé un modèle de gestion novateur pour l’intégration des VE à grande échelle. Ce modèle, fondé sur une approche appelée « contrainte de probabilité conjointe distributivement robuste » (DRJCC), promet de réconcilier deux objectifs souvent antagonistes : la minimisation des coûts d’exploitation et la garantie d’une haute fiabilité du système, et ce, même en présence de multiples sources d’incertitude.
Le cœur du problème est la complexité des incertitudes. Il ne s’agit pas simplement de prévoir combien de VE seront branchés, mais de déterminer quand, où et avec quelle intensité ils chargeront. Cette imprévisibilité est amplifiée par la nature intermittente des énergies renouvelables, comme le solaire et l’éolien, dont la production ne peut être programmée avec certitude. Ces incertitudes combinées peuvent créer des pics de demande qui dépassent la capacité de la réseau, mettant en péril sa stabilité. Les méthodes traditionnelles de gestion de ces incertitudes ont des limites bien connues. L’optimisation stochastique (SO) repose sur la simulation de nombreux scénarios possibles, une approche qui peut être extrêmement gourmande en ressources informatiques. Elle devient vite impraticable pour des systèmes de grande taille, et si le nombre de scénarios est réduit pour gagner du temps, la précision du modèle en pâtit. À l’opposé, l’optimisation robuste (RO) adopte une approche extrêmement prudente en se préparant au pire des cas. Bien qu’elle garantisse une sécurité maximale, cette stratégie est souvent excessivement conservatrice, conduisant à des coûts opérationnels élevés en raison de l’achat de réserves d’énergie qui restent inutilisées dans la plupart des situations.
C’est ici que le modèle DRJCC présenté par Li et son équipe apporte une solution élégante. Contrairement aux méthodes classiques qui traitent les risques de manière isolée – comme une chute de tension à un nœud, une surcharge sur une ligne ou une insuffisance de réserve – le modèle DRJCC les combine en une seule « contrainte de probabilité conjointe ». Cette innovation fondamentale permet à l’opérateur du réseau de définir un niveau de risque global pour l’ensemble du système. Par exemple, il peut stipuler que toutes les conditions de fonctionnement (tension, puissance sur les lignes, réserve d’énergie) soient satisfaites simultanément avec une probabilité de 95%. Cette approche est bien plus réaliste, car elle reconnaît que ces différents risques sont interdépendants et peuvent se produire en même temps. Elle offre également une gestion du risque beaucoup plus intuitive et cohérente, alignée sur les besoins opérationnels des gestionnaires de réseau.
Cependant, la résolution d’une contrainte de probabilité conjointe est un problème mathématique d’une complexité redoutable, longtemps considéré comme insoluble en pratique. L’ingéniosité du groupe de recherche réside dans l’application d’une méthode sophistiquée appelée « approximation optimisée de Bonferroni » (OBA). Cette technique transforme ce problème inabordable en un modèle de programmation quadratique mixte entière, qui peut être résolu efficacement par des logiciels commerciaux standard.
La véritable percée du modèle OBA, et ce qui le distingue des approximations plus anciennes, est qu’il traite le niveau de risque lui-même comme une variable de décision. Dans les méthodes traditionnelles, on attribue un niveau de risque fixe à chaque contrainte (par exemple, 1% de risque pour la tension, 1% pour la puissance, etc.). Le modèle OBA, en revanche, permet à l’algorithme d’optimisation de déterminer la meilleure manière de répartir le risque total de manière à minimiser les coûts globaux. Il peut décider, par exemple, d’accepter un risque légèrement plus élevé de petite fluctuation de tension sur un nœud secondaire, si cela permet une réduction significative du coût de maintien d’une réserve d’énergie coûteuse. Cette flexibilité dynamique est la clé pour réduire le conservatisme excessif et atteindre une opération plus économique, sans compromettre la sécurité du système.
« L’optimisation du niveau de risque en tant que variable est un changement de paradigme », a déclaré Yinliang Xu, professeur associé à l’École internationale de troisième cycle de Tsinghua Shenzhen et auteur correspondant de l’étude. « Cela nous permet de trouver un compromis bien plus intelligent entre coût et fiabilité, quelque chose que les méthodes précédentes ne pouvaient tout simplement pas faire. »
Pour valider la puissance de leur modèle, l’équipe a mené des simulations approfondies sur deux réseaux de distribution de référence bien connus dans la communauté scientifique : le réseau IEEE à 33 nœuds et le réseau plus vaste à 123 nœuds. Ces réseaux ont été modifiés pour inclure des générateurs distribués, des stations de recharge de VE et des sources d’énergie renouvelable. Les incertitudes ont été modélisées à l’aide de données historiques et ajustées avec des modèles de mélange gaussien (GMM), une technique statistique puissante capable de capturer des distributions de probabilité complexes et réalistes, souvent observées dans les données énergétiques du monde réel.
Les résultats ont été éloquents. Comparé à un modèle d’optimisation stochastique (SO), qui affichait un coût nominal plus bas, le modèle OBA a démontré une fiabilité supérieure à 96%, tandis que le modèle SO a échoué dans plus de 85% des scénarios simulés. En comparaison directe avec un modèle d’optimisation robuste (RO), qui était extrêmement fiable (au-dessus de 99%), le modèle OBA a réalisé une réduction de coût d’environ 6,5%, tout en maintenant un niveau de fiabilité élevé. Cette économie, sur des réseaux à grande échelle, représente des millions de dollars d’économies annuelles.
Un des aspects les plus prometteurs du modèle est sa scalabilité. Sur le réseau de 123 nœuds, avec plus de 4 400 véhicules électriques connectés, le temps de calcul pour le modèle OBA n’a été que de 20 secondes. Lorsque le nombre de VE a été augmenté à 10 000, le temps de résolution n’a augmenté que de manière modeste. Cela démontre que le modèle est viable pour une mise en œuvre en temps réel sur des réseaux urbains complexes, une caractéristique essentielle pour son adoption pratique par les entreprises de services publics.
« La vitesse de calcul est un facteur décisif », a affirmé Hua Feng, ingénieur principal de State Grid Zhejiang Lishui Power Supply Company et coauteur de l’étude. « De nombreux modèles théoriques deviennent inviables lorsqu’ils sont appliqués à des réseaux du monde réel. Notre approche, en regroupant les flottes de VE et en utilisant l’approximation OBA, évite le problème de la dimensionalité et le rend applicable. »
Au-delà de la simple réduction des coûts, le modèle a démontré une capacité exceptionnelle dans des tâches opérationnelles critiques. Il a réussi à effectuer efficacement la gestion des pics de charge (peak shaving), en déplaçant stratégiquement la charge des VE des périodes de forte demande et de prix élevé vers des périodes de charge plus faible. Cela réduit non seulement les coûts énergétiques, mais allège également la pression sur l’infrastructure, augmentant ainsi sa durée de vie.
Le modèle a également intégré de manière native la fourniture de services auxiliaires, tels que la réserve de puissance pour compenser les fluctuations de la génération renouvelable. Il a optimisé l’achat de réserves auprès de générateurs conventionnels et d’agrégateurs de VE, garantissant qu’il y avait une capacité suffisante pour maintenir l’équilibre du système. Cela transforme les VE, via leurs agrégateurs, en partenaires actifs dans la gestion du réseau, et non plus en simples consommateurs passifs.
Xiaogang Chen, ingénieur principal de State Grid Zhejiang, a souligné l’applicabilité pratique de cette recherche : « Les gestionnaires de réseau ont besoin d’outils qui soient non seulement solides sur le plan théorique, mais aussi implémentables. Ce modèle offre un compromis clair entre coût et fiabilité, ce qui est essentiel pour la prise de décision en situation d’incertitude. Nous pouvons spécifier notre niveau de risque souhaité, disons 5 % de probabilité de violation des contraintes, et le modèle nous fournira une stratégie optimale qui atteint cet objectif. »
Une autre caractéristique innovante est la séparation des incertitudes en deux catégories : la charge nette (sans inclure la charge des VE) et la charge des propres VE. Cette modélisation en deux niveaux reflète la réalité selon laquelle différentes sources d’incertitude affectent différentes parties du système et appartiennent à différents acteurs. La tension aux nœuds est plus affectée par la charge nette, tandis que la réserve nécessaire à une station de recharge découle directement du comportement des VE. Cette séparation permet une gestion des risques plus précise et une attribution des responsabilités plus claire entre l’opérateur de réseau et l’agrégateur de VE.
La robustesse du modèle est encore renforcée par sa nature « distributivement robuste ». Plutôt que d’assumer une distribution de probabilité spécifique pour les incertitudes (ce qui pourrait être inexact si les conditions changent), le modèle considère une famille de distributions possibles basées sur des moments connus (comme la moyenne et la variance). Cela le rend plus résistant aux erreurs d’estimation de la distribution et plus adapté aux conditions du monde réel.
Dans une application pratique, ce modèle pourrait être intégré aux systèmes des agrégateurs de véhicules électriques. Ces agrégateurs agissent comme des intermédiaires, regroupant des milliers de VE individuels pour former une « centrale virtuelle » capable de participer aux marchés de l’énergie et aux services auxiliaires. Le cadre DRJCC-OBA permettrait à ces agrégateurs de soumettre des offres plus précises et fiables, étayées par une garantie probabiliste rigoureuse, augmentant ainsi leur crédibilité et leur rentabilité.
L’étude souligne également l’importance de la coordination. Pendant les journées ensoleillées, l’excédent de génération solaire peut être dirigé vers la charge des VE, réduisant le gaspillage d’énergie. Inversement, lorsque la génération solaire chute soudainement, les VE avec des batteries chargées pourraient, dans un futur avec la technologie V2G (Vehicle-to-Grid), fournir de l’énergie de secours pour aider à stabiliser la fréquence et la tension.
Malgré ses points forts, les chercheurs reconnaissent certaines limites. Le modèle actuel n’aborde pas explicitement l’impact du vieillissement des batteries dû aux cycles fréquents de charge et de décharge, ni la possible divergence entre la distribution estimée et la véritable distribution sous-jacente. Ces questions font l’objet de recherches futures.
En résumé, le travail de Li, Xu, Feng, Chen, Zhan et Zhang représente un progrès majeur dans l’intégration intelligente des véhicules électriques. En combinant une théorie avancée de l’optimisation avec des considérations pratiques d’ingénierie, ils ont développé un outil qui est à la fois mathématiquement élégant et, surtout, opérationnellement viable. Alors que le monde avance vers une mobilité électrifiée, des innovations de ce type seront essentielles pour garantir que notre réseau électrique reste stable, efficace et résilient.
Jinpeng Li, Hua Feng, Xiaogang Chen, Hanbing Zhan, Zhenbin Zhan, Yinliang Xu, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230830009