Une nouvelle méthode optimise le déploiement des bornes de recharge
La révolution de la mobilité électrique est en marche, et les véhicules électriques (VE) en sont l’épicentre. Portée par des objectifs climatiques ambitieux et une prise de conscience environnementale croissante, l’adoption des véhicules électriques connaît une croissance exponentielle à l’échelle mondiale. En Chine, l’un des marchés automobiles les plus dynamiques et influents de la planète, cette transformation est particulièrement marquée, soutenue par des politiques nationales visant à atteindre le pic d’émissions de carbone d’ici 2030 et la neutralité carbone d’ici 2060. En conséquence directe, le marché chinois des véhicules électriques a vu un nombre croissant d’unités immatriculées, et il est prévu que d’ici 2025, 25 millions de véhicules électriques circuleront sur ses routes. Pour soutenir cette croissance, un vaste réseau d’infrastructures de recharge est nécessaire, avec un ratio prévu de véhicules par borne de 2:1. Cependant, simplement augmenter le nombre de stations de recharge n’est pas suffisant pour atteindre cet objectif. Le facteur décisif est une planification intelligente et basée sur les données qui équilibre l’efficacité économique avec le confort de l’utilisateur.
Malgré les investissements considérables dans les infrastructures de recharge, un défi fondamental persiste : la disjonction entre l’offre et la demande. Le phénomène courant de « véhicules sans points de recharge » ou de « points de recharge sans véhicules » révèle des inefficacités flagrantes dans les stratégies de planification actuelles. Dans certaines zones, les stations de recharge restent inactives, représentant un gaspillage de capital et des coûts opérationnels élevés. Ailleurs, les conducteurs font face à de longues attentes et à l’anxiété liée à l’autonomie en raison d’une infrastructure insuffisante ou mal positionnée. Ce déséquilibre ne fait pas que frustrer les utilisateurs, il ralentit également l’adoption généralisée des véhicules électriques. La racine du problème réside dans la complexité de la planification des stations de recharge, qui ne concerne pas seulement l’emplacement, mais aussi la capacité, c’est-à-dire le nombre de points de recharge. Ce processus, connu sous le nom de sélection de l’emplacement et de détermination de la capacité, est un problème classique d’optimisation à multiples variables.
Les approches traditionnelles se sont concentrées principalement sur un seul objectif, comme la minimisation des coûts de construction ou la maximisation de la couverture. Ces méthodes ont contribué à l’expansion de l’infrastructure de recharge, mais négligent souvent les intérêts conflictuels des différentes parties prenantes. Pour les exploitants de stations de recharge, la rentabilité et l’efficacité opérationnelle sont prioritaires. Pour les conducteurs de véhicules électriques, ce qui compte le plus est l’accessibilité, les courtes distances jusqu’aux stations et les temps d’attente minimaux. Une solution véritablement efficace doit concilier ces objectifs souvent compétitifs et créer un réseau de recharge à la fois économiquement viable et convivial pour l’utilisateur.
C’est précisément à ce niveau qu’intervient une recherche innovante de l’Université normale de Fujian. Une équipe de scientifiques a développé une nouvelle approche de la planification des stations de recharge pour véhicules électriques, intégrant des considérations économiques et centrées sur l’utilisateur dans un cadre d’optimisation unifié. Leur travail, publié dans la prestigieuse revue Journal of Fujian Normal University (Natural Science Edition), présente un algorithme appelé Algorithme génétique d’optimisation par essaim de particules adaptatif (APSOGA). Cette méthode représente une avancée significative dans le domaine, offrant une solution plus complète et efficace à l’un des défis les plus pressants de l’écosystème de la mobilité électrique.
L’équipe de recherche, dirigée par Huang Ziqing, Lin Bing, Lu Yu, Liu Dui et Wang Mingfen, a commencé par le fondement essentiel de tout modèle de planification : la prévision de la demande. Une prévision précise du comportement de recharge des véhicules électriques est essentielle pour déterminer la quantité et la taille nécessaires des stations. Les scientifiques ont analysé les schémas de conduite quotidiens des véhicules électriques et ont utilisé des modèles statistiques pour prédire la distribution spatiale et temporelle de la demande de recharge. En comprenant où et quand les conducteurs auront probablement besoin de recharger, ils ont pu établir une fourchette réaliste du nombre de stations nécessaires dans une zone donnée. Cette approche basée sur les données garantit que le processus de planification repose sur des modèles d’utilisation réels et non sur des hypothèses arbitraires.
Sur la base de cette prévision de la demande, les chercheurs ont construit un modèle d’optimisation complet qui prend en compte à la fois les coûts pour les exploitants de stations de recharge et les coûts pour les utilisateurs de véhicules électriques. Les coûts pour les exploitants incluent l’investissement dans l’achat de terrains, la construction et l’équipement, ainsi que les coûts opérationnels et de maintenance continus. Ceux-ci sont équilibrés avec les coûts pour les utilisateurs, qui consistent principalement dans le temps et l’énergie dépensés pour se rendre à une station de recharge (coût de détour) et le temps d’attente pour qu’un point de recharge soit disponible (coût d’attente). En intégrant ces deux composantes de coût en une seule fonction objectif, le modèle vise à minimiser le coût total du réseau de recharge.
Le cœur de l’innovation de l’équipe est l’algorithme APSOGA, qui combine les points forts de deux techniques d’optimisation bien connues : l’Optimisation par essaim de particules (PSO) et les Algorithmes génétiques (GA). La PSO s’inspire du comportement social des bancs d’oiseaux ou des bancs de poissons, où des agents individuels (particules) se déplacent à travers un espace de solutions, guidés par leur propre meilleure position connue et la meilleure position connue de tout l’essaim. Bien que la PSO soit efficace et facile à mettre en œuvre, elle peut converger trop rapidement vers une solution sous-optimale, se retrouvant piégée dans des minima locaux. Les GA, quant à eux, imitent le processus de sélection naturelle, utilisant des opérations comme le croisement et la mutation pour générer de nouvelles solutions. Les GA sont excellents pour explorer un vaste espace de solutions, mais peuvent être plus lents à converger.
APSOGA fusionne intelligemment ces deux approches. Il utilise le mécanisme de mise à jour des particules de la PSO comme noyau, mais l’améliore avec les opérateurs de croisement et de mutation du GA. Cette hybridation permet à l’algorithme de maintenir une population diversifiée de solutions potentielles, réduisant ainsi le risque de convergence prématurée. De plus, les chercheurs ont introduit des mécanismes adaptatifs qui ajustent dynamiquement des paramètres clés, tels que le poids d’inertie, en fonction de la progression de l’optimisation. Dans les premières phases, l’algorithme favorise l’exploration, cherchant largement dans l’espace des solutions. En avançant, il passe à l’exploitation, affinant les meilleures solutions trouvées jusqu’à présent. Cet équilibre entre exploration et exploitation est crucial pour trouver des solutions de haute qualité dans des problèmes complexes et multidimensionnels comme la planification des stations de recharge.
Pour valider leur méthode, les chercheurs ont mené une étude de cas à Xiamen, une grande ville du sud-est de la Chine. Ils ont sélectionné une zone représentative et cartographié son réseau routier, identifiant 40 sites candidats pour des stations de recharge. En utilisant des données réelles sur le parc de véhicules électriques et les schémas de conduite, ils ont simulé la performance de leur algorithme APSOGA en le comparant à plusieurs méthodes établies, notamment le GA classique, la PSO standard, l’algorithme de recherche du coucou (CS) et un algorithme hybride CS-PSO. Les résultats ont été impressionnants.
La solution de planification basée sur APSOGA a obtenu une réduction des coûts globaux de 7,19 % à 14,37 % par rapport aux autres méthodes. Cette réduction des coûts découle d’une allocation de ressources plus efficace : construire le bon nombre de stations aux bons endroits avec le nombre optimal de points de recharge. Le plus important est que cette efficacité des coûts n’a pas été obtenue au détriment de l’expérience utilisateur. Au contraire, le taux d’utilisation des stations de recharge dans le plan APSOGA a augmenté de 14,28 % à 29,03 %. Un taux d’utilisation plus élevé indique que les stations sont utilisées de manière plus efficace, réduisant à la fois la capacité inutilisée (qui gaspille de l’argent) et la congestion (qui frustre les utilisateurs).
Une analyse détaillée des composantes de coût a révélé les avantages subtils de l’approche APSOGA. Alors que certaines méthodes concurrentes, comme le GA pur, ont obtenu des temps d’attente plus courts en fournissant un grand nombre de points de recharge, cette stratégie a conduit à une augmentation massive des coûts de construction et d’exploitation. Par exemple, le plan basé sur GA nécessitait 125 points de recharge, alors que APSOGA fonctionnait avec 85. Ce suréquipement a provoqué une sous-utilisation significative, avec de nombreux points de recharge inactifs. D’autre part, d’autres méthodes qui minimisaient les coûts de construction se sont retrouvées avec des stations trop petites, entraînant de longues files d’attente et des coûts d’attente élevés pour les utilisateurs. APSOGA a trouvé l’équilibre idéal en minimisant le coût total grâce à un calibrage minutieux de l’emplacement et de la taille des stations pour correspondre à la demande prévue.
Le plan final optimisé pour Xiamen recommandait la construction de six stations de recharge à des emplacements spécifiques, équipées d’un total de 85 points de recharge. La répartition des points de recharge n’était pas uniforme, mais avait été adaptée avec précision à la densité locale de la demande. Par exemple, les stations situées dans des zones à fort trafic ou à proximité de grands quartiers résidentiels ont reçu plus de points de recharge, tandis que celles situées dans des zones moins denses en ont reçu moins. Cette approche différenciée et sensible à la demande est une caractéristique distinctive de la méthode APSOGA et une raison clé de sa performance supérieure.
L’étude a également examiné la sensibilité des résultats de planification à l’importance relative accordée au coût de l’exploitant par rapport au coût de l’utilisateur. En ajustant les poids attribués à ces deux objectifs dans le modèle, les chercheurs ont démontré comment le plan optimal change sous différentes priorités politiques. Lorsque la viabilité économique du réseau de recharge est la principale préoccupation (un poids plus élevé sur les coûts de l’exploitant), le modèle recommande moins de stations, mais plus grandes, avec un taux d’utilisation plus élevé, même si cela signifie que les utilisateurs doivent parcourir des distances ou attendre des temps légèrement plus longs. Ce scénario pourrait être approprié aux premiers stades de l’adoption des véhicules électriques, lorsque la construction d’un réseau clairsemé mais efficace est plus critique que la maximisation du confort. À l’inverse, lorsque l’expérience utilisateur est prioritaire (un poids plus élevé sur les coûts de l’utilisateur), le modèle suggère de construire plus de stations, éventuellement avec une utilisation individuelle plus faible, pour garantir que la recharge soit toujours à proximité et immédiatement disponible. Cette approche est plus adaptée aux marchés matures des véhicules électriques, où une haute satisfaction client est essentielle pour soutenir la croissance.
Cette analyse de sensibilité fournit une orientation précieuse pour les urbanistes et les décideurs politiques. Elle souligne qu’il n’existe pas de solution unique pour l’infrastructure de recharge. La stratégie optimale dépend du contexte spécifique, notamment le niveau actuel d’adoption des véhicules électriques, les objectifs de développement urbain et le budget disponible. Le cadre APSOGA, avec son système de pondération flexible, offre un outil puissant pour adapter les plans à ces circonstances individuelles.
Les implications de cette recherche vont au-delà de l’amélioration immédiate de l’efficacité du réseau de recharge. En fournissant une approche plus rationnelle et équilibrée de la planification des infrastructures, elle contribue à la durabilité globale du secteur des transports. Les stations de recharge utilisées de manière efficace réduisent la nécessité de constructions redondantes, économisant matériaux et énergie. Les distances plus courtes vers les stations de recharge signifient que moins d’énergie est gaspillée pour les « trajets de recharge », réduisant encore davantage l’empreinte carbone de la possession d’un véhicule électrique. De plus, une expérience de recharge fiable et pratique est essentielle pour surmonter la réticence des consommateurs et accélérer la transition vers la mobilité électrique.
Le travail de Huang Ziqing, Lin Bing, Lu Yu, Liu Dui et Wang Mingfen représente un pas significatif en avant dans le domaine des systèmes de transport intelligents. Leur algorithme APSOGA démontre le pouvoir de combiner différentes techniques d’intelligence informatique pour résoudre des problèmes complexes du monde réel. Il déplace la conversation d’une considération simpliste de la quantité — combien de points de recharge pouvons-nous construire ? — vers une considération plus sophistiquée de la qualité — comment pouvons-nous construire un réseau de recharge qui soit vraiment optimal pour toutes les parties prenantes ?
En regardant vers l’avenir, les chercheurs reconnaissent que leur modèle peut être encore plus perfectionné. Les travaux futurs intégreront des facteurs dynamiques tels que le flux de trafic en temps réel, l’impact des véhicules à moteur à combustion interne sur les schémas de trafic des véhicules électriques et l’intégration des stations-service existantes dans le réseau de recharge. Ils prévoient également de prendre en compte différents types de points de recharge (rapides, normaux) et les contraintes imposées par le réseau électrique pour garantir la stabilité du système. Alors que le paysage de la mobilité électrique continuera d’évoluer, les outils nécessaires pour le gérer évolueront également.
En résumé, la transition vers les véhicules électriques ne consiste pas seulement à changer la source d’énergie de nos voitures ; elle exige une réévaluation complète de notre infrastructure de transport. La recherche de l’équipe de l’Université normale de Fujian fournit une méthodologie sophistiquée et basée sur des données probantes pour construire un réseau de recharge à la fois économiquement solide et centré sur l’utilisateur. Alors que les villes du monde entier luttent contre les défis de la décarbonisation, des études comme celle-ci offrent un plan pour un avenir plus intelligent et durable.
Dans le cadre de cette recherche, les auteurs ont également mené une analyse de sensibilité approfondie sur les poids objectifs. Cette analyse est cruciale car elle fournit un guide pratique pour les planificateurs urbains face à des réalités changeantes. Par exemple, dans une ville au début du déploiement de la mobilité électrique, où le taux de pénétration des VE est encore faible, la priorité devrait être donnée à l’économie. Construire trop de stations de recharge dès le départ mènerait à une sous-utilisation massive des infrastructures, un gaspillage de ressources publiques et une pression financière inutile sur les exploitants. Dans ce contexte, un poids plus élevé (λ₁) sur les coûts de construction et d’exploitation est justifié, conduisant à un réseau plus compact et plus rentable. Cela permet d’établir une base solide sans surendettement.
À mesure que le marché des véhicules électriques mûrit et que le nombre de VE augmente, la pression sur le réseau de recharge s’intensifie. Les utilisateurs deviennent plus nombreux et plus exigeants, et la commodité de la recharge devient un facteur déterminant pour l’adoption continue. À ce stade, la priorité doit basculer vers l’expérience utilisateur. Un poids plus faible sur les coûts de construction (λ₁) et un poids plus élevé sur les coûts d’attente et de détour (λ₂) conduiront à un réseau plus dense, avec des stations plus proches des zones de forte demande. Cela peut entraîner une augmentation des coûts d’infrastructure, mais elle est compensée par une augmentation significative de la satisfaction client, une réduction de l’anxiété liée à l’autonomie et une stimulation de la demande pour les véhicules électriques. Cette flexibilité dans le cadre de planification est l’une des forces les plus importantes de la méthode APSOGA, car elle permet aux décideurs de s’adapter dynamiquement à l’évolution du marché.
La validation expérimentale menée à Xiamen a non seulement démontré la supériorité de l’algorithme APSOGA en termes de coûts et d’utilisation, mais a également mis en lumière un aspect souvent négligé : la qualité du service. Un réseau de recharge n’est pas seulement une question de nombre de bornes, mais de leur accessibilité et de leur disponibilité. L’approche APSOGA, en optimisant simultanément l’emplacement et la capacité, garantit que les bornes sont non seulement présentes, mais aussi disponibles au moment où les utilisateurs en ont besoin. Cela se traduit par des temps d’attente plus courts et une expérience utilisateur globalement plus positive, ce qui est un facteur clé pour la fidélisation des clients et la croissance du marché.
En conclusion, la recherche de Huang Ziqing, Lin Bing, Lu Yu, Liu Dui et Wang Mingfen ne se contente pas de proposer un nouvel algorithme ; elle offre une nouvelle philosophie de planification. Elle reconnaît que le succès de la transition vers la mobilité électrique dépend d’un équilibre délicat entre la viabilité économique et la satisfaction du consommateur. En fournissant un outil qui peut naviguer dans ce compromis avec une précision et une efficacité inégalées, cette étude jette les bases d’un avenir où la recharge des véhicules électriques est aussi fluide, fiable et accessible que le fait de faire le plein d’essence aujourd’hui.
Huang Ziqing, Lin Bing, Lu Yu, Liu Dui, Wang Mingfen, College of Physics and Energy, Fujian Normal University; Journal of Fujian Normal University (Natural Science Edition), DOI: 10.12046/j.issn.1000-5277.2024.02.003