Une IA révolutionne la prévision des bornes de recharge
L’essor inarrêtable des véhicules électriques (VE) redéfinit non seulement le paysage automobile, mais aussi les fondements mêmes de notre infrastructure énergétique. Alors que les flottes de VE envahissent les routes, la demande associée de stations de recharge de grande puissance exerce une pression croissante sur les réseaux électriques, menaçant leur stabilité et leur efficacité. La capacité à prédire avec précision la charge électrique générée par ces stations est devenue un enjeu stratégique, crucial pour éviter les surcharges, optimiser la production d’énergie et intégrer harmonieusement les sources renouvelables. Une étude de pointe publiée dans la revue Southern Power System Technology propose une solution innovante qui pourrait bien devenir la norme de demain. Menée par Wang Changchun de l’Université de technologie de Lanzhou, en collaboration avec Wang Guo, Zhao Qianyu et Wang Shouxiang de l’Université de Tianjin, cette recherche introduit un modèle de prévision hybride, combinant des réseaux de mémoire à long terme (LSTM) et une régression par vecteurs de support (SVR), qui améliore significativement la précision des prévisions à court terme de la charge des stations de recharge.
Le cœur de cette avancée réside dans une compréhension profonde du comportement des utilisateurs. Contrairement aux modèles traditionnels, souvent limités aux données historiques de consommation et aux conditions météorologiques, ce nouveau modèle intègre deux facteurs clés, longtemps négligés : la tarification de l’électricité dépendante de l’heure de la journée (Time-of-Use, TOU) et le taux d’utilisation des bornes de recharge. En faisant de ces paramètres économiques et opérationnels des piliers de son architecture, le modèle ne se contente plus de constater les tendances passées ; il les explique et les anticipe, offrant une prédiction bien plus robuste et fiable.
La complexité d’une charge en constante évolution
La transition vers la mobilité électrique est une réalité tangible, accélérée par les objectifs de décarbonation et les progrès technologiques. Les consommateurs adoptent les VE pour leurs coûts d’exploitation réduits et leur impact environnemental moindre. Cependant, ce succès fulgurant se traduit par un défi majeur pour les gestionnaires de réseau. La charge d’un véhicule électrique n’est pas une demande linéaire et prévisible. Elle est caractérisée par des pics de consommation intenses et concentrés, souvent en fin de journée, lorsque les utilisateurs rentrent du travail. Une station de recharge de grande taille, comme celle analysée dans l’étude, avec une capacité de 3 mégawatts, peut consommer en quelques minutes une quantité d’énergie équivalente à celle de plusieurs centaines de foyers. Une telle concentration de charge, si elle n’est pas anticipée, peut provoquer des surtensions locales, des pertes de réseau et des coûts d’infrastructure prohibitifs.
Une prévision précise de la charge à court terme est donc indispensable. Pour les gestionnaires de réseau, elle permet une planification optimale de la production d’énergie, une réduction de la dépendance aux centrales thermiques de pointe coûteuses et polluantes, et une meilleure gestion de la stabilité du réseau. Pour les exploitants de stations de recharge, elle est la clé d’une gestion énergétique intelligente, notamment pour profiter au mieux des tarifs TOU, où le prix du kilowattheure varie considérablement selon les heures de la journée. Enfin, pour les politiques publiques, une telle précision est essentielle pour intégrer efficacement la recharge des VE avec la production d’énergie solaire et éolienne, maximisant ainsi les bénéfices environnementaux de la transition énergétique.
Malgré son importance, la prévision de la charge des VE reste un problème ardu. Les modèles statistiques classiques peinent à modéliser les relations non linéaires et complexes entre les habitudes de conduite, les facteurs météorologiques et la consommation d’énergie. Bien que les approches d’apprentissage automatique aient apporté des améliorations, de nombreuses solutions se concentrent encore sur des ensembles de données incomplets, ignorant souvent les signaux économiques puissants qui guident les décisions des utilisateurs.
Intégrer les signaux économiques et opérationnels
L’innovation majeure de cette recherche est d’avoir placé au cœur du modèle deux variables fondamentales : la tarification dépendante de l’heure (TOU) et le taux d’utilisation des stations de recharge. Ces facteurs ne sont pas des détails anecdotiques, mais des moteurs primordiaux du comportement des conducteurs.
La tarification TOU est un mécanisme économique conçu pour lisser la courbe de la demande. En appliquant des prix plus élevés pendant les heures de pointe (généralement en soirée) et des prix très bas pendant les heures creuses (souvent en milieu de journée), elle incite les utilisateurs à décaler leur charge. Dans la région étudiée de la province de Shandong, en Chine, la différence de prix est considérable, passant de 1,3078 yuans/kWh en heure de pointe à 0,6717 yuans/kWh en heure creuse. Cette incitation financière est un facteur déterminant. L’étude le démontre par une analyse de corrélation rigoureuse, révélant une corrélation négative forte entre le prix de l’électricité et la charge de la station. Quand le prix monte, la charge baisse, et inversement. Ignorer ce signal, c’est comme essayer de prédire la circulation sans tenir compte des feux de signalisation ou des péages.
Le deuxième pilier est le taux d’utilisation des bornes. Ce taux, calculé comme le pourcentage de bornes actives par rapport au nombre total de bornes disponibles, est un indicateur opérationnel crucial. Un taux d’utilisation élevé signale une station saturée, ce qui peut dissuader un conducteur de s’y rendre, de peur d’attendre longtemps. À l’inverse, un taux faible est un signal d’attractivité, indiquant des places disponibles et des temps d’attente courts. L’étude révèle que le taux d’utilisation est la variable la plus fortement corrélée à la charge réelle, surpassant même l’influence de la température extérieure, souvent considérée comme un facteur clé. Cela signifie que la perception de la congestion par l’utilisateur est un moteur de décision plus puissant que les conditions météorologiques elles-mêmes.
En intégrant ces deux facteurs – l’incitation économique (le prix) et l’information opérationnelle (l’encombrement) – les chercheurs construisent un modèle qui reflète fidèlement la réalité du terrain. Ce n’est plus une boîte noire qui extrapole des tendances passées, mais un système qui comprend les motivations humaines derrière les chiffres.
Un modèle hybride sophistiqué pour une précision inégalée
Pour exploiter pleinement le potentiel de ces données enrichies, l’équipe de recherche a conçu une architecture de prévision en plusieurs étapes, d’une grande sophistication.
La première étape est la collecte et la préparation des données. Les chercheurs ont utilisé des données réelles d’une station de recharge de grande envergure, échantillonnées toutes les 15 minutes sur une période de deux mois. Ces données incluent la puissance de charge historique, le taux d’utilisation, la tarification TOU et des informations météorologiques complètes (température, humidité, vitesse du vent, etc.). Toutes ces données sont normalisées pour garantir une cohérence optimale.
La deuxième étape, cruciale, est le traitement des données brutes. Les séries temporelles, en particulier pour des variables comme la température ou le taux d’utilisation, sont souvent non stationnaires, c’est-à-dire qu’elles contiennent des tendances et des bruits qui compliquent la modélisation. Pour surmonter cela, les chercheurs ont employé la méthode de Décomposition Modale Empirique Complète avec Bruit Adaptatif (CEEMDAN). Cette technique avancée décompose un signal complexe et bruyant en une série de composantes plus simples et plus stables, appelées Fonctions de Mode Intrinsèque (IMF). Chaque IMF capture un aspect différent du signal original, qu’il s’agisse de fluctuations rapides (haute fréquence) ou de tendances lentes (basse fréquence). Ce processus enrichit considérablement le jeu de données, créant de nouvelles caractéristiques à différentes échelles de temps.
Cependant, cette décomposition crée un volume de données massif, avec un risque élevé de redondance et de bruit. Pour sélectionner les caractéristiques les plus pertinentes, les chercheurs ont mis en œuvre une méthode de sélection basée sur un coefficient de corrélation combiné. Plutôt que de se fier à une seule mesure de corrélation (comme le coefficient de Pearson), ils ont combiné trois mesures différentes (Pearson, Spearman et Kendall’s tau-b) pour obtenir un score de corrélation composite plus robuste. Seules les caractéristiques présentant un score de corrélation élevé avec la charge de sortie sont conservées, éliminant ainsi le bruit et les données inutiles.
Le cœur du système est le modèle de prévision hybride LSTM-SVR. Chaque algorithme apporte des forces complémentaires. Le réseau LSTM est un type de réseau neuronal récurrent particulièrement puissant pour les séries temporelles. Il possède une « mémoire » interne qui lui permet de retenir des informations sur des événements passés éloignés et d’utiliser cette mémoire pour influencer les prédictions futures. C’est l’outil idéal pour comprendre la dynamique temporelle de la charge.
D’un autre côté, la régression par vecteurs de support (SVR) excelle dans la modélisation de relations non linéaires complexes. Elle est capable de trouver des patterns dans des données de haute dimension, ce qui est parfait pour gérer les multiples facteurs d’entrée du modèle. L’idée n’est pas de choisir entre les deux, mais de les combiner de manière intelligente.
Les chercheurs ont donc développé un modèle d’ensemble pondéré. Les modèles LSTM et SVR sont d’abord entraînés indépendamment sur les données préparées. Ensuite, leurs prédictions individuelles sont combinées pour produire la prévision finale. Le poids accordé à chaque modèle n’est pas fixe ; il est calculé de manière dynamique. Le système compare l’erreur absolue de chaque modèle sur un jeu de validation. Si les erreurs sont similaires, les poids sont répartis de manière proportionnelle. Si un modèle est nettement plus précis, il reçoit un poids beaucoup plus élevé, permettant ainsi au meilleur modèle de dominer la prévision finale. Cette approche adaptative garantit que le modèle final est toujours le plus performant possible.
Pour affiner encore les performances, les chercheurs ont utilisé l’algorithme d’Optimisation du Bond-Dieu du Nord (NGO). Inspiré du comportement de chasse de cet oiseau de proie, NGO est un algorithme d’optimisation intelligent qui explore automatiquement l’espace des hyperparamètres (comme le nombre de couches dans le LSTM ou les paramètres du noyau dans le SVR) pour trouver la configuration optimale. Cela évite les essais manuels fastidieux et garantit que chaque composant du modèle fonctionne à son niveau de performance maximal.
Validation et résultats : une percée indéniable
Le modèle a été validé avec rigueur sur des données réelles. Les chercheurs ont mené une série d’expériences comparatives pour isoler l’impact de chaque composant de leur approche.
Les résultats sont éloquents. Lorsque le modèle intègre à la fois la tarification TOU et le taux d’utilisation, la précision de la prévision augmente de plus de 8 % par rapport à un modèle de base qui les ignore. Ce gain massif souligne l’importance critique de ces deux facteurs. Le processus de sélection de caractéristiques basé sur CEEMDAN s’est également révélé extrêmement efficace, réduisant le bruit et enrichissant le modèle avec des informations multi-échelles, ce qui a conduit à une amélioration supplémentaire de la précision.
Le modèle hybride LSTM-SVR a surpassé tous les modèles individuels testés, y compris le LSTM seul, le SVR seul, un réseau de neurones à propagation avant (BP) et une forêt aléatoire (Random Forest). Il a obtenu les scores les plus bas pour l’Erreur Quadratique Moyenne (RMSE) et l’Erreur Absolue Moyenne (MAE), et le score le plus élevé pour le coefficient de détermination (R²), indiquant un ajustement quasi parfait aux données réelles. Les diagrammes en boîte des erreurs de prévision montrent que le modèle LSTM-SVR présente la dispersion la plus faible et le moins d’outliers, témoignant de sa robustesse.
Un résultat particulièrement impressionnant est la capacité du modèle à prédire avec précision les périodes de forte volatilité. Par exemple, lors d’une journée où la charge a montré des variations inhabituellement importantes, le modèle LSTM-SVR a suivi les fluctuations de près, tandis que les autres modèles ont dévié significativement. Cette capacité à gérer l’imprévu est essentielle pour une application dans le monde réel.
Vers un avenir énergétique intelligent et résilient
Les implications de cette recherche vont bien au-delà d’une seule station de recharge. À mesure que le nombre de véhicules électriques explosera dans les années à venir, la capacité à prédire et à gérer leur charge collective deviendra un pilier fondamental d’un réseau électrique intelligent, résilient et durable.
Pour les gestionnaires de réseau, ce modèle est un outil puissant de gestion proactive. Une prévision plus précise permet de mieux équilibrer l’offre et la demande, de réduire les pertes de transmission et d’intégrer une part plus importante d’énergie renouvelable. Pour les exploitants de stations de recharge, il ouvre la voie à des stratégies commerciales plus intelligentes, comme la tarification dynamique basée sur la prévision de la demande, ou une planification plus fine de la capacité. Pour les décideurs politiques, il fournit une preuve concrète que les incitations économiques, comme la tarification TOU, sont des leviers efficaces pour moduler le comportement des consommateurs et lisser la courbe de la demande.
Le succès de cette approche hybride illustre également une tendance majeure dans le domaine de l’intelligence artificielle : la puissance des modèles d’ensemble. En combinant les forces de plusieurs algorithmes, les chercheurs peuvent créer des systèmes plus robustes et plus précis que n’importe quel modèle isolé. Cette philosophie du « meilleur des deux mondes » est appelée à dominer les développements futurs dans la prévision de la charge et d’autres domaines complexes.
En conclusion, le travail de Wang Changchun et de ses collègues représente une avancée majeure dans la science de la prévision de la charge des véhicules électriques. En intégrant des facteurs du monde réel souvent négligés et en utilisant une stratégie de modélisation sophistiquée et multi-étapes, ils ont développé un outil qui non seulement est plus précis, mais qui reflète également de manière plus fidèle la complexité du système énergétique moderne. Alors que le monde s’achemine vers une mobilité entièrement électrifiée, des innovations de ce type seront essentielles pour garantir que notre infrastructure énergétique puisse non seulement suivre le rythme, mais aussi prospérer.
Wang Changchun, Wang Guo, Zhao Qianyu, Wang Shouxiang. A Short-Term Load Forecasting Method for Large Scale Electric Vehicle Charging Stations Considering Characteristics of Charging Utilization Rate and Time-of-Use Electricity Price. Southern Power System Technology. DOI: 10.13648/j.cnki.issn1674-0629.2024.05.008