Une nouvelle méthode optimise les bornes de recharge en ville montagneuse
L’électrification du transport est désormais une réalité incontournable, et les véhicules électriques (VE) s’imposent de plus en plus sur les routes des grandes métropoles. Cependant, alors que les villes à terrain plat peuvent s’appuyer sur des modèles de planification d’infrastructures de recharge relativement simples, les agglomérations construites sur des terrains accidentés font face à un ensemble de défis uniques et complexes. Dans des lieux comme Chongqing, Medellín ou Pittsburgh, le relief montagneux n’est pas seulement une caractéristique géographique ; il redéfinit fondamentalement la manière dont les véhicules consomment de l’énergie, modifiant les habitudes d’utilisation et les besoins en recharge. Une étude innovante menée par des chercheurs de l’Université des Postes et des Télécommunications de Chongqing et de la compagnie d’électricité State Grid Chongqing a présenté une solution révolutionnaire à ce problème. Publiée dans la revue Electric Power System Technology, cette recherche propose un nouveau paradigme pour la planification des stations de recharge, prenant en compte, pour la première fois de manière rigoureuse, l’impact tridimensionnel du terrain montagneux sur la consommation d’énergie des véhicules électriques.
L’équipe de recherche, dirigée par le professeur Dr. Hongyu Long du Laboratoire clé de Chongqing des Systèmes complexes et du Contrôle bionique, a identifié une faille critique dans les méthodologies actuelles. La grande majorité des modèles de prévision de charge pour les VE reposent sur une hypothèse simpliste : que les routes sont plates. Ces modèles calculent la consommation d’énergie en se basant sur la distance horizontale parcourue et sur un taux de consommation moyen par kilomètre. Cette approche fonctionne bien dans les villes aux rues en quadrillage, mais échoue complètement dans les environnements montagneux. Là-bas, une courte distance horizontale peut impliquer une montée verticale significative, forçant le moteur du véhicule à fournir un travail considérable pour vaincre la force de gravité. Cet effort supplémentaire se traduit par une consommation d’énergie beaucoup plus élevée, réduisant drastiquement l’autonomie du véhicule et modifiant profondément le comportement du conducteur. Ignorer cette réalité conduit à des prévisions de recharge imprécises, à un positionnement inefficace des stations de recharge et, en dernière instance, à une expérience utilisateur frustrante et à une surcharge inutile du réseau électrique.
Le cœur de l’innovation des chercheurs chinois est un modèle de consommation d’énergie individualisé qui intègre explicitement les caractéristiques tridimensionnelles du terrain. Leur approche va bien au-delà de la topographie bidimensionnelle. Plutôt que de traiter les routes comme des lignes plates sur une carte, ils construisent un modèle spatial tridimensionnel du réseau routier urbain. Ce modèle ne se contente pas d’enregistrer la distance horizontale entre deux points, mais calcule également la distance réelle du trajet, en incluant toutes les montées et descentes. Ce faisant, il est possible de déterminer avec précision le travail réel accompli par le véhicule, permettant une estimation beaucoup plus réaliste de sa consommation d’énergie. Par exemple, un véhicule qui voyage d’un point A à un point B dans une ville montagneuse peut consommer jusqu’à 50 % d’énergie en plus que ce qu’un modèle traditionnel prédirait, simplement parce qu’il doit gravir une pente raide. Cette différence n’est pas un détail technique ; c’est une réalité opérationnelle qui définit l’expérience quotidienne des conducteurs de VE dans ces villes.
Cependant, la véritable percée de l’équipe de recherche ne réside pas seulement dans la modélisation d’un véhicule unique, mais dans l’extension de cette connaissance pour prévoir le comportement collectif de milliers de véhicules. Pour y parvenir, ils ont développé un modèle sophistiqué de prévision de charge de groupe. Ce modèle est alimenté par des données de flux de trafic réelles, collectées à intervalles réguliers sur chaque nœud du réseau routier. En appliquant un taux de pénétration des véhicules électriques et une proportion de véhicules ayant besoin d’une recharge rapide, ils peuvent estimer combien de VE auront besoin d’une charge pendant une période donnée. Un aspect crucial de leur méthodologie est la correction de la redondance des données. Un véhicule peut être détecté à plusieurs points de surveillance au cours de son trajet, ce qui pourrait entraîner un décompte en double s’il n’est pas corrigé. Pour résoudre ce problème, les chercheurs ont introduit un facteur de correction basé sur la vitesse moyenne du véhicule et l’intervalle de surveillance, garantissant que leurs prévisions reflètent le nombre réel de véhicules en mouvement, évitant ainsi des chiffres gonflés par des observations répétées.
Le noyau du modèle est un algorithme de parcours amélioré. Contrairement aux systèmes de navigation conventionnels qui privilégient l’itinéraire le plus court ou le plus rapide, cet algorithme a été redessiné pour trouver l’itinéraire avec la consommation d’énergie la plus faible. Dans une ville montagneuse, cela signifie souvent choisir un itinéraire plus long mais avec des pentes plus douces plutôt qu’un plus court mais avec des pentes abruptes. Cette approche reflète le comportement réel des conducteurs, qui, poussés par l’anxiété liée à l’autonomie, cherchent activement à économiser de l’énergie. En simulant des millions de trajets à l’aide de la méthode de Monte Carlo, le modèle peut prédire non seulement la quantité totale d’énergie qui sera consommée, mais aussi où et quand il est probable que les conducteurs recherchent une station de recharge. Cela génère une prévision dynamique de la demande de recharge, détaillée par heure et par localisation, capturant les fluctuations naturelles du trafic au cours de la journée.
Cette prévision détaillée de la charge est ensuite intégrée à un nouveau cadre de planification des stations de recharge. L’approche traditionnelle traite la planification comme un processus statique : identifier les meilleurs emplacements en fonction d’une demande moyenne. La méthode de l’équipe de Chongqing, en revanche, est itérative et dynamique. Ils reconnaissent un cycle de rétroaction fondamental : l’emplacement d’une station de recharge influence directement le comportement du conducteur, ce qui, à son tour, modifie la distribution de la charge que les planificateurs essaient de prévoir. Si une station est placée dans une zone à fort trafic, elle attirera naturellement plus d’utilisateurs, potentiellement surcharger ce point et laisser les autres sous-utilisés. Leur solution est un processus d’optimisation itératif. Le modèle commence avec un ensemble de sites potentiels, exécute la prévision de charge, évalue le résultat, puis ajuste l’emplacement des stations pour améliorer la performance. Ce cycle se répète jusqu’à ce qu’une configuration optimale soit trouvée.
L’optimisation est guidée par deux objectifs principaux : minimiser les fluctuations de charge dans le temps et atteindre un équilibre dans la distribution spatiale. Le premier objectif vise à lisser les pics et les creux dans la demande de recharge au cours de la journée. Une station qui subit une surcharge massive pendant l’heure de pointe du matin, suivie de plusieurs heures d’inactivité, est inefficace et met une pression sur le réseau électrique. En répartissant la demande de manière plus uniforme, le système devient plus stable et plus facile à gérer. Le second objectif garantit qu’aucune station n’est surchargée tandis que d’autres restent vides. Une distribution équitable de la charge entre plusieurs stations améliore l’expérience utilisateur, réduit les temps d’attente et crée une infrastructure plus résiliente. Le modèle intègre également des contraintes pratiques, comme s’assurer qu’aucun conducteur ne soit à plus d’une distance d’une station de recharge que ce que permet son autonomie restante, et que chaque station dispose de suffisamment de points de recharge pour répondre à sa demande prévue sans files d’attente excessives.
Pour valider leur modèle, les chercheurs l’ont appliqué à un réseau routier réel de 20 nœuds et 31 tronçons dans une ville montagneuse du sud-ouest de la Chine. Ils ont utilisé des données de trafic historiques de 2012, les ont projetées sur un horizon de planification de 2022 et ont comparé les résultats de leur modèle, sensible au terrain montagneux, avec un modèle traditionnel basé sur un terrain plat. Les différences étaient frappantes. Les emplacements optimaux pour les stations de recharge étaient complètement différents. Le modèle traditionnel recommandait de placer des stations aux nœuds 4 et 8, qui pourraient sembler centraux sur une carte bidimensionnelle. En revanche, le modèle sensible au terrain a identifié les nœuds 5 et 14 comme les meilleurs emplacements, des zones qui desservent mieux les itinéraires à forte consommation d’énergie et équilibrent mieux la charge globale.
Les performances du réseau optimisé étaient clairement supérieures. Dans le meilleur scénario du modèle traditionnel, une station a fait face à une charge maximale de 3 180 kW, tandis que l’autre a atteint un pic de 2 580 kW, une disparité significative. Dans le scénario optimal du modèle sensible au terrain, les deux stations ont enregistré des pics de charge de 3 180 kW et 3 000 kW, une distribution beaucoup plus équilibrée. Plus important encore, les courbes de charge pour chaque station étaient plus lisses, avec des différences moindres entre les périodes de pointe et de faible demande. Cette réduction de la fluctuation de la charge est cruciale pour les opérateurs du réseau, car elle réduit la tension sur les transformateurs, minimise les fluctuations de tension et diminue le besoin d’extensions coûteuses du réseau. Le modèle a également démontré que le nombre nécessaire de points de recharge pouvait être dimensionné avec une plus grande précision, évitant à la fois la sous-provision et les investissements excessifs et coûteux.
Les implications de cette recherche vont bien au-delà de Chongqing. Des villes du monde entier avec des topographies exigeantes, de Denver et San Francisco à Lisbonne et Hong Kong, peuvent bénéficier de cette approche plus nuancée. Alors que l’électrification mondiale s’accélère, il devient évident qu’une solution unique pour l’infrastructure de recharge n’est plus viable. Les environnements urbains sont trop divers, et les conséquences d’une mauvaise planification sont trop graves. Une station de recharge surchargée dans une zone montagneuse n’est pas seulement un inconvénient ; elle peut laisser des conducteurs bloqués sur des pentes raides, créer des embouteillages dangereux et miner la confiance du public dans la technologie électrique.
Le travail de Long, Zhou, Chen et de leurs collègues fournit une feuille de route pour un avenir plus intelligent et adaptable. Leur méthodologie change le paradigme d’une planification réactive à une planification proactive. Plutôt que de construire des stations sur la base de suppositions ou de modèles obsolètes, les urbanistes peuvent désormais utiliser une approche fondée sur des données et informée par la physique qui tient compte du coût réel de la conduite dans un environnement montagneux. Cela conduit à une infrastructure non seulement plus efficace, mais aussi plus équitable, garantissant que toutes les parties d’une ville soient desservies de manière juste.
En outre, l’étude souligne l’importance de la collaboration interdisciplinaire. Elle réunit des experts en systèmes complexes, contrôle bionique, génie électrique et science des transports. Cette vision holistique est essentielle pour résoudre les défis multifacettes de la transition énergétique moderne. L’intégration d’algorithmes avancés, comme l’algorithme génétique utilisé pour l’optimisation, démontre le pouvoir des outils informatiques pour relever des défis du monde réel. Il ne s’agit pas seulement de construire plus de points de recharge ; il s’agit de construire les points de recharge justes, aux bons endroits, au bon moment.
En regardant vers l’avenir, cette recherche ouvre la voie à des modèles encore plus sophistiqués. Les prochaines itérations pourraient intégrer des données de trafic en temps réel, des conditions météorologiques (qui affectent également l’autonomie des VE) et des signaux de prix dynamiques pour affiner encore la gestion de la charge. Le modèle pourrait également être adapté à différents types de véhicules, des petites voitures urbaines aux camions électriques lourds, chacun ayant son propre profil de consommation d’énergie sur des pentes abruptes. L’objectif ultime est un système de transport et d’énergie totalement intégré et intelligent, où l’infrastructure de recharge s’adapte de manière fluide aux besoins de la ville et de ses conducteurs.
En conclusion, l’étude menée par Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu et Yi Long du Laboratoire clé de Chongqing des Systèmes complexes et du Contrôle bionique et du Centre de service marketing de la compagnie d’électricité State Grid Chongqing représente un bond qualitatif dans la planification de l’infrastructure de recharge pour véhicules électriques. En tenant rigoureusement compte des défis uniques des villes montagneuses, ils ont développé une méthode qui produit des prévisions de charge plus précises, une utilisation plus équilibrée des stations et un réseau électrique plus stable. Ce n’est pas seulement un exercice académique ; c’est une solution pratique et évolutif qui peut aider les villes du monde entier à construire un avenir électrique plus durable et résilient. Alors que le monde poursuit son chemin vers la décarbonisation, une recherche innovante et sensible au contexte comme celle-ci sera essentielle pour garantir que la transition soit non seulement verte, mais aussi intelligente et équitable.
Hongyu Long, You Zhou, Fangxing Chen, Xiaorui Hu, Tingting Xu, Yi Long, Chongqing Key Laboratory of Complex Systems and Bionic Control, State Grid Chongqing Electric Power Company Marketing Service Center, Electric Power System Technology, DOI: 10.19725/j.cnki.1007-2322.2022.0195