Une IA révolutionne la prévision de recharge des véhicules électriques
L’essor fulgurant des véhicules électriques (VE) est sans conteste l’une des transformations les plus marquantes de l’industrie automobile. Pourtant, derrière l’enthousiasme suscité par ces voitures silencieuses et sans émission, se profile un défi colossal pour les infrastructures énergétiques : la gestion d’une demande électrique massivement accrue, imprévisible et souvent concentrée. Contrairement aux appareils domestiques dont la consommation est régulière, la recharge d’un VE est un événement hautement aléatoire, dicté par les habitudes personnelles de millions de conducteurs. À quelle heure rentrera-t-on du travail ? Combien de kilomètres a-t-on parcourus ? Optera-t-on pour une charge lente à domicile ou une recharge express sur la route ? Cette somme de décisions individuelles crée un profil de charge extrêmement complexe, non linéaire et instable, qui peut provoquer des pics de demande soudains, menaçant la stabilité des réseaux électriques. La capacité à prédire avec une grande précision cette demande de recharge à court terme n’est donc pas une simple amélioration technologique ; c’est un impératif stratégique pour garantir un avenir de la mobilité électrique à la fois durable, fiable et économiquement viable.
C’est précisément ce défi que vient de relever une équipe de recherche internationale, dont les travaux ont été publiés dans la prestigieuse revue Shandong Electric Power. Sous la direction de Chen Xiaohua, ingénieur à l’Agence d’Alimentation Électrique de Zhanjiang (Guangdong Power Grid Co., Ltd.) et chercheur à l’Université de Technologie de Guangdong, en collaboration étroite avec Wu Jiekang, Zhang Xunxiang, Long Yongcheng et Wang Zhiping, l’équipe a développé un modèle de prévision hybride d’une sophistication remarquable. Ce modèle, qui combine des techniques avancées de traitement du signal et un algorithme d’optimisation bio-inspiré, promet de repousser les limites de la précision dans la prédiction de la charge des véhicules électriques, offrant aux gestionnaires de réseau un outil de pilotage inédit.
La complexité de la prédiction de la charge VE réside dans la nature même du comportement des utilisateurs. Les modèles traditionnels, qu’ils soient basés sur des simulations statistiques comme les chaînes de Markov ou sur des approches purement data-driven comme les réseaux de neurones LSTM (Long Short-Term Memory), peinent à capturer toute la nuance de ce comportement. Les premiers s’appuient sur des hypothèses qui peuvent s’éloigner de la réalité, tandis que les seconds, bien que puissants, sont souvent des « boîtes noires » extrêmement complexes. Ces modèles, comme les réseaux de neurones convolutifs (CNN) ou les LSTM, possèdent des centaines, voire des milliers, de paramètres internes qui doivent être minutieusement ajustés, un processus long et coûteux en ressources appelé « ajustement d’hyperparamètres ». Un mauvais réglage de ces paramètres peut mener à un modèle qui « s’adapte trop bien » aux données d’entraînement (un phénomène appelé overfitting), perdant ainsi toute capacité à faire des prévisions fiables sur de nouvelles données. De plus, leur architecture complexe rend leur déploiement en temps réel difficile et coûteux.
L’approche révolutionnaire proposée par Chen Xiaohua et ses collègues consiste à déconstruire le problème. Plutôt que d’essayer de prédire la charge totale dans son chaos apparent, leur modèle, baptisé CEEMD-SE-POA-GRNN, adopte une stratégie en plusieurs étapes, chacune visant à éliminer une couche de complexité.
La première étape est la décomposition du signal. Les chercheurs utilisent une technique de pointe appelée « Décomposition Modale Empirique d’Ensemble Complémentaire » (CEEMD). Imaginez le signal de charge total comme un mélange sonore chaotique. Le CEEMD agit comme un ingénieur du son expert, capable de séparer ce mélange en ses différents instruments : une série de « Fonctions de Mode Intrinsèque » (IMF), chacune représentant un « ton » ou une fréquence de comportement spécifique. Une IMF peut capturer les fluctuations rapides de charge durant la journée, une autre le lent déclin de la charge nocturne, et une autre encore un cycle hebdomadaire. En plus de ces IMF, le CEEMD isole une composante résiduelle qui représente la tendance générale à long terme. En décomposant le signal global en ces composantes plus simples et plus régulières, le modèle peut désormais les analyser et les prédire indépendamment, une tâche bien plus aisée que de modéliser le signal entier dans sa complexité.
Cependant, la décomposition par CEEMD n’est pas parfaite. Elle peut parfois produire plusieurs IMF qui contiennent des informations très similaires, un phénomène connu sous le nom de « redondance ». Cela alourdit inutilement le processus de calcul sans apporter de valeur ajoutée à la précision. Pour résoudre ce problème, l’équipe a recours à un outil mathématique élégant : l' »Entropie d’Échantillonnage » (Sample Entropy, SE). L’entropie est une mesure du désordre ou de l’imprévisibilité d’un système. Un signal à haute entropie est chaotique et difficile à prédire, tandis qu’un signal à basse entropie est plus régulier et structuré. Les chercheurs calculent l’entropie d’échantillonnage pour chaque IMF générée par le CEEMD. Les IMF qui ont des valeurs d’entropie très proches sont considérées comme dynamiquement similaires. Ces IMF sont alors fusionnées ou « reconstruites » ensemble en une seule composante. Dans leur étude de cas, ce processus a permis de réduire le nombre de composantes à modéliser de 11 à 8, allégeant considérablement la charge de calcul tout en préservant l’intégrité des données.
Une fois le signal purifié et simplifié, le cœur du moteur prédictif entre en jeu : la « Réseau de Régression Généralisé » (Generalized Regression Neural Network, GRNN). Le choix du GRNN est stratégique et représente un avantage majeur par rapport aux modèles plus complexes. Connu pour sa rapidité d’entraînement et sa capacité à modéliser des relations non linéaires, le GRNN se distingue par sa simplicité. Son efficacité dépend principalement d’un seul et unique paramètre critique : le « facteur de lissage » (smoothing factor). Ce facteur détermine la souplesse du modèle. Un facteur trop élevé rend le modèle trop lisse, l’empêchant de capter les pics de charge importants. Un facteur trop bas le rend trop rigide, le rendant sensible au bruit dans les données et le poussant à s’adapter trop étroitement aux données d’entraînement, ce qui nuit à sa capacité de généralisation. Trouver la valeur optimale de ce facteur de lissage est donc la clé du succès du GRNN.
C’est là que réside la deuxième grande innovation de l’équipe : l’application de l' »Algorithme d’Optimisation du Pélican » (Pelican Optimization Algorithm, POA). Introduit en 2022, le POA est un algorithme d’optimisation métaheuristique inspiré du comportement de chasse des pélicans. Il simule deux phases distinctes. La première est la phase d’exploration, où les pélicans volent en formation sur une large zone d’eau pour localiser un banc de poissons (la solution optimale). La seconde est la phase d’exploitation, où ils se concentrent et plongent de concert pour capturer leur proie. Dans le contexte du modèle, le POA est chargé de trouver le facteur de lissage parfait pour le GRNN. On lui donne un espace de recherche (par exemple, des valeurs entre 0,01 et 100) et une fonction de coût à minimiser, généralement l’erreur quadratique moyenne entre les prévisions du modèle et les données réelles. Le POA explore systématiquement cet espace, testant différentes valeurs du facteur de lissage. Grâce à sa logique d’exploration et d’exploitation, il converge rapidement vers la valeur qui minimise l’erreur de prédiction. Le résultat est un modèle GRNN dont le paramètre clé a été optimisé de manière quasi parfaite, baptisé POA-GRNN.
Le modèle final, CEEMD-SE-POA-GRNN, a été testé sur des données de charge réelles provenant d’une région de Chine, avec des mesures prises toutes les 15 minutes sur une période de dix jours. Les résultats, comparés à six autres modèles de pointe, sont éloquents. Le modèle CEEMD-SE-POA-GRNN a obtenu la meilleure performance sur deux métriques clés : l’Erreur Quadratique Moyenne (MSE) et le Coefficient d’Efficacité de Nash-Sutcliffe (NSE). Il a atteint un MSE record de 0,314 MW et un NSE de 0,958, un score très proche de 1,0, qui indique un ajustement quasi parfait aux données réelles. En comparaison, le modèle GRNN de base, sans aucune optimisation, a échoué lamentablement avec un MSE de 1,372 MW. Même le modèle POA-GRNN, qui bénéficie de l’optimisation mais pas de la décomposition du signal, a obtenu un MSE de 1,032 MW, bien en deçà du modèle complet. Le modèle CEEMD-SE-SSA-GRNN, qui utilise un autre algorithme d’optimisation (le « Sparrow Search Algorithm »), a obtenu un MSE de 0,366 MW, démontrant clairement la supériorité du POA dans ce contexte précis.
Les implications de cette avancée sont profondes pour l’ensemble de l’écosystème des véhicules électriques. Pour les gestionnaires de réseau, une telle précision permet une gestion proactive de la demande. Ils peuvent mettre en place des tarifs dynamiques qui incitent les utilisateurs à charger leurs véhicules pendant les heures creuses, lorsque la demande est faible et que l’énergie renouvelable (comme l’éolien ou le solaire) est souvent la plus abondante. Cela non seulement évite les surcharges et les investissements massifs dans le renforcement du réseau, mais maximise également l’utilisation de l’énergie propre. Pour les investisseurs et les planificateurs urbains, ce modèle est une boussole inestimable. Il permet de prévoir avec une grande confiance où et quand de nouvelles stations de recharge seront nécessaires, optimisant ainsi les investissements et garantissant que l’infrastructure suit le rythme de l’adoption des VE.
Au-delà de la gestion opérationnelle, ce type de modèle intelligent est un pilier de la transition énergétique. Il permet une intégration harmonieuse entre la production d’énergie décentralisée et la consommation mobile. En prédisant précisément les vagues de charge, les réseaux peuvent coordonner la génération, le stockage (dans des batteries de quartier ou des centrales virtuelles) et la consommation, transformant le défi de la mobilité électrique en une opportunité de créer un système énergétique plus résilient, plus efficace et plus durable.
La sélection du POA comme moteur d’optimisation est particulièrement significative. Elle démontre que les algorithmes bio-inspirés de nouvelle génération ne sont pas seulement des curiosités académiques, mais des outils puissants capables de résoudre des problèmes d’ingénierie complexes et réels. Son succès dans ce domaine ouvre la voie à son utilisation pour d’autres défis dans le secteur de l’énergie, tels que l’optimisation de la maintenance prédictive des équipements ou la gestion des micro-réseaux.
En conclusion, le travail de Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng et Wang Zhiping transcende le cadre d’une simple publication scientifique. C’est une contribution pratique et visionnaire à l’un des défis les plus pressants de notre époque. En combinant une décomposition intelligente du signal, une réduction de la redondance et une optimisation de pointe, ils ont créé un modèle qui établit une nouvelle référence en matière de précision prédictive. Ce genre d’innovation est le fondement sur lequel sera bâti un avenir de la mobilité électrique non seulement possible, mais aussi fluide, fiable et en parfaite harmonie avec le système énergétique global.
Chen Xiaohua, Wu Jiekang, Zhang Xunxiang, Long Yongcheng, Wang Zhiping, Shandong Electric Power, DOI: 10.20097/j.cnki.issn1007-9904.2024.07.001