Une nouvelle méthode optimise les bornes de recharge rapide pour les zones rurales
L’essor des véhicules électriques (VE) transforme profondément le paysage de la mobilité. Alors que les grandes métropoles se dotent de réseaux de recharge de plus en plus denses, une question cruciale émerge : que deviennent les vastes territoires ruraux, les petites villes et les régions périphériques ? Dans ces zones, l’accès à une infrastructure de recharge fiable et bien répartie reste souvent limité, créant un fossé numérique et géographique qui freine l’adoption généralisée de la mobilité électrique. Une étude récente, menée par des chercheurs de l’Université Tsinghua et du Bureau d’Alimentation Électrique de Shantou de la Réseau Électrique du Guangdong, propose une réponse innovante à ce défi. Plutôt que de se contenter de modèles économiques classiques, les chercheurs ont conçu un cadre de planification sophistiqué qui intègre pour la première fois de manière systématique et rigoureuse le comportement réel des conducteurs dans les zones de niveau départemental.
Le modèle, développé par Zhuoxu Chen et Zechun Hu du Département de Génie Électrique de l’Université Tsinghua, en collaboration avec Yujian Wan et Junsong Li du Bureau d’Alimentation Électrique de Shantou, a été publié dans la revue scientifique Automated Electric Power Systems. Son ambition est claire : aller au-delà des approches traditionnelles qui supposent que les conducteurs sont des agents parfaitement rationnels, choisissant toujours la borne la plus proche ou la moins chère. Ce modèle reconnaît une réalité bien plus complexe : dans les zones moins urbanisées, où l’information en temps réel sur la disponibilité des bornes ou la congestion du réseau est souvent limitée, les décisions de recharge sont prises sous une forme de « rationalité limitée ». Les conducteurs évaluent un ensemble de facteurs – la distance de détour, le coût de la recharge, la longueur prévue des files d’attente, et même la présence d’installations pratiques à proximité – pour prendre une décision qui maximise leur confort personnel, souvent en l’absence de données complètes.
C’est précisément cette complexité humaine que le modèle cherche à capturer. Il repose sur un concept fondamental en théorie des jeux et en économie du transport : l’Équilibre de l’Utilisateur Stochastique (Stochastic User Equilibrium, SUE). Contrairement à l’équilibre classique de Wardrop, où tous les usagers choisissent le chemin optimal, le SUE accepte l’incertitude et la variabilité des comportements. Il suppose que les conducteurs ont une perception du coût total d’une recharge, qui est une combinaison de plusieurs composantes. Le modèle de Chen et de ses collègues en identifie quatre principales : le coût lié à la distance de détour par rapport à leur itinéraire initial, le coût monétaire de la recharge (incluant l’électricité, les frais de service et de stationnement), le coût de la congestion (lié à l’attente en file d’attente) et le coût associé à l’attractivité des services environnants (comme les restaurants ou les centres commerciaux). Chaque facteur est pondéré par des coefficients qui reflètent leur importance relative pour le conducteur moyen.
La grande innovation de cette recherche réside dans la façon dont elle intègre ce modèle de comportement dans le processus de planification des infrastructures. Le modèle ne traite pas le comportement des utilisateurs comme une donnée d’entrée statique, mais comme une condition d’équilibre dynamique. Cela signifie que la solution finale – l’emplacement et la taille des stations de recharge – doit être cohérente avec les choix que les utilisateurs sont susceptibles de faire dans ce réseau. C’est un processus itératif : la configuration des stations influence les choix des conducteurs, et ces choix, à leur tour, déterminent la performance et la rentabilité des stations. Cette boucle de rétroaction garantit que la solution optimisée n’est pas seulement la moins coûteuse pour le développeur, mais aussi la plus efficace et la plus satisfaisante pour l’utilisateur final.
Pour générer des scénarios de demande réalistes, les chercheurs ont utilisé une méthode de simulation de chaîne de déplacements. Cette technique reconstruit les itinéraires complets des véhicules électriques sur une période donnée, en tenant compte des points de départ et d’arrivée, des horaires, des vitesses de conduite et de la consommation d’énergie de la batterie. Un aspect particulièrement novateur est l’inclusion de « nœuds de connexion externe » dans le réseau routier. Ces points représentent les intersections entre les autoroutes interurbaines et les routes locales, permettant ainsi de modéliser non seulement la demande locale des résidents, mais aussi la demande transitoire des touristes, des transporteurs ou des conducteurs en déplacement longue distance. Cette distinction est cruciale, car dans de nombreuses régions rurales, une part significative de la demande de recharge provient précisément de ces véhicules de passage.
La simulation a été calibrée avec des données réelles, notamment des paramètres de performance des véhicules (capacité de la batterie, consommation d’énergie), des habitudes de conduite (niveau de charge initial, tolérance au détour) et des modèles de déplacement régionaux. L’étude a examiné quatre scénarios distincts, reflétant des variations de la population totale de véhicules (de 120 000 à 200 000), du taux de pénétration des VE (fixé à 5%) et de la proportion de trafic entrant (allant de 1% à 40%). Cette approche par scénarios multiples assure que le modèle est robuste face aux fluctuations saisonnières, comme les pics de circulation pendant les vacances.
Une fois la demande simulée, le modèle d’optimisation entre en jeu. Son objectif est double : minimiser le coût total d’investissement et d’exploitation pour le développeur de la station de recharge, et minimiser la distance de détour moyenne pour l’ensemble des utilisateurs – un indicateur clé de commodité. Le modèle doit également respecter des contraintes physiques et économiques, telles que la capacité du réseau électrique local, la disponibilité des terrains et les budgets de construction.
La véritable prouesse technique de ce travail réside dans sa capacité à résoudre un problème mathématiquement très complexe. La formulation initiale du modèle, avec ses contraintes d’équilibre non convexes issues du modèle de choix Logit, est extrêmement difficile à résoudre, surtout lorsqu’elle est combinée à des variables entières (par exemple, décider si une station doit être construite ou non à un emplacement donné). Pour surmonter cet obstacle, l’équipe a appliqué une série de techniques de linéarisation avancées. Ils ont transformé les équations non linéaires en un ensemble d’inégalités linéaires, convertissant ainsi le problème d’optimisation non convexe en un programme linéaire en nombres mixtes (MILP). Cette transformation est essentielle, car elle permet d’utiliser des solveurs commerciaux puissants comme Gurobi pour trouver la solution globalement optimale de manière efficace et fiable.
L’étude de cas a été menée sur un réseau de transport modifié de 33 nœuds, conçu pour refléter la connectivité routière clairsemée typique des zones départementales. Douze sites candidats ont été considérés pour des stations de recharge rapide, chacune pouvant accueillir entre 8 et 16 bornes de 96 kW. Après optimisation, le modèle a recommandé la construction de stations à seulement cinq emplacements : les nœuds 2, 17, 20, 21 et 26. Ce résultat est riche en enseignements. Tout d’abord, les stations sélectionnées ne sont pas nécessairement les plus centralisées ou les plus accessibles depuis tous les points de départ. Elles représentent un équilibre subtil entre couverture, coût et comportement des utilisateurs. Par exemple, la station n17, située en périphérie, sert une proportion élevée de véhicules externes (60,1% dans un scénario), soulignant son importance stratégique en tant que point d’entrée pour le trafic de transit. Construire des stations supplémentaires à d’autres nœuds externes a été jugé inutile, car cela aurait augmenté les coûts sans améliorer significativement le service.
Deuxièmement, le modèle évite naturellement la surconcentration. Dans les simulations par scénario, la demande des utilisateurs était répartie de manière relativement uniforme entre les cinq stations, empêchant les types de congestion observés dans les points chauds du monde réel. C’est un résultat direct du cadre SUE : lorsque une station devient trop fréquentée, son « coût perçu » augmente (en raison des temps d’attente plus longs), incitant les utilisateurs à envisager des alternatives, même si elles impliquent un détour légèrement plus long.
Troisièmement, l’intégration de facteurs non liés au déplacement, tels que la disponibilité d’équipements à proximité, s’est révélée influente. Les stations situées près de zones commerciales ou touristiques étaient plus attractives, non pas parce qu’elles étaient moins chères ou plus proches, mais parce qu’elles offraient une expérience globale plus agréable. Cela confirme que la recharge d’un véhicule électrique n’est plus perçue comme une simple nécessité fonctionnelle, mais comme faisant partie intégrante d’un écosystème plus large de mobilité et de style de vie.
Pour valider la précision du modèle, les chercheurs ont mené des analyses de sensibilité approfondies. Ils ont testé comment des changements dans les préférences des utilisateurs – une aversion accrue à l’attente ou une sensibilité plus forte au prix – affectaient la solution optimale. Comme prévu, lorsque les utilisateurs devenaient plus sensibles à la congestion, le modèle recommandait des réseaux plus distribués pour éviter les goulets d’étranglement. À l’inverse, lorsque la sensibilité au prix prédominait, une concentration autour de zones à moindre coût devenait favorable.
Peut-être le plus révélateur fut l’analyse du coefficient de rationalité – un paramètre qui contrôle à quel point les utilisateurs suivent le choix « optimal ». Lorsqu’il était fixé à zéro (comportement totalement aléatoire), la distance moyenne de détour était élevée et l’utilisation des stations était faible. Lorsqu’il était fixé à l’infini (rationalité parfaite), les utilisateurs se précipitaient vers les stations les moins chères ou les plus proches, entraînant une forte congestion. L’équilibre optimal émergeait à des valeurs intermédiaires, où les utilisateurs font preuve d’une rationalité limitée – une découverte qui souligne l’importance d’une modélisation réaliste du comportement dans la planification des infrastructures.
D’un point de vue politique, les implications sont significatives. Alors que les gouvernements poussent à l’électrification du transport dans les zones rurales et suburbaines – dans le cadre d’efforts plus larges pour réduire les émissions et promouvoir l’indépendance énergétique – ce modèle offre une base scientifique solide pour les décisions d’investissement. Il permet aux planificateurs de dépasser les suppositions et les preuves anecdotiques, les remplaçant par des stratégies fondées sur des données et informées par le comportement.
En outre, le modèle soutient le concept de « corridors de recharge intelligents » – des réseaux stratégiques de stations de recharge rapide le long des principales routes de voyage qui assurent une mobilité longue distance en VE sans à-coups. En optimisant à la fois l’emplacement et la capacité, de tels corridors peuvent réduire l’anxiété liée à l’autonomie, améliorer la stabilité du réseau et enrichir l’expérience utilisateur globale.
La recherche a également des applications pratiques pour les entreprises de services publics et les opérateurs privés de recharge. Pour le Réseau Électrique du Guangdong, qui a financé l’étude, le modèle fournit un outil pour évaluer l’impact des nouvelles stations de recharge sur les réseaux de distribution locaux. En intégrant des contraintes de flux de puissance, le modèle garantit que les nouvelles stations n’entraîneront pas de surcharges des transformateurs ou d’instabilité de tension – un problème courant dans les réseaux ruraux aux capacités limitées.
Pour les opérateurs privés, le modèle aide à identifier des opportunités d’investissement à forte valeur. En simulant le comportement des utilisateurs et le potentiel de revenus sous différents systèmes de tarification, il permet une prévision financière plus précise et une meilleure évaluation des risques, en particulier dans des zones où la demande est incertaine et où la concurrence peut émerger.
Dans une ère où l’intelligence artificielle et les mégadonnées redéfinissent chaque aspect du transport, cette étude se distingue par son équilibre entre rigueur technique et pertinence pratique. Elle ne repose pas sur des algorithmes opaques ou des modèles de boîtes noires. Au contraire, elle s’appuie sur des principes bien établis d’économie, de théorie des jeux et de recherche opérationnelle, rendant ses résultats interprétables, vérifiables et actionnables.
Le succès de la révolution des véhicules électriques ne dépendra pas uniquement des progrès dans la technologie des batteries ou l’augmentation de l’échelle de production. Il dépendra aussi de l’intelligence de l’infrastructure qui la soutient. Comme le démontre cette recherche, l’avenir de la recharge ne consiste pas seulement à construire plus de stations, mais à construire les bonnes stations, aux bons endroits, pour les bonnes personnes.
Chen Zhuoxu, Hu Zechun et al., Automated Electric Power Systems. DOI: 10.7500/AEPS20230731003