Une nouvelle stratégie améliore l’intégration V2G pour la régulation des pics
L’intégration des véhicules électriques (VE) dans les réseaux électriques modernes s’est imposée comme l’un des piliers fondamentaux de la transition énergétique mondiale. Avec des projections indiquant que la Chine pourrait compter environ 390 millions de véhicules électriques en circulation d’ici 2060, le défi de gérer leur impact collectif sur la stabilité du réseau, en particulier pendant les périodes de forte demande, est devenu de plus en plus pressant. Une étude innovante publiée dans la revue Automation of Electric Power Systems présente une stratégie de contrôle en temps réel à plusieurs niveaux conçue pour exploiter la flexibilité de flottes massives de véhicules électriques, leur permettant de participer activement à la régulation des pics du réseau avec une précision et une rapidité sans précédent.
La recherche, dirigée par Hu Junjie du Laboratoire d’État des Systèmes Électriques Alternatifs avec des Sources d’Énergie Renouvelable de l’Université de l’Énergie Électrique de Chine du Nord, en collaboration avec Wang Wen et Yang Ye de State Grid Smart Internet of Vehicles Co., Ltd., s’attaque à deux goulets d’étranglement critiques dans les modèles actuels d’agrégation de véhicules électriques : une faible précision de contrôle et des temps de calcul excessivement longs. Ces limitations ont historiquement entravé la capacité des agrégateurs de véhicules électriques à répondre de manière fiable aux exigences rigoureuses des marchés électriques, où les écarts par rapport aux courbes de puissance cibles peuvent exclure les participants des incitations financières.
Le cadre proposé redéfinit la manière dont les véhicules électriques sont gérés à grande échelle, en introduisant une architecture de contrôle hiérarchique qui combine l’analyse de regroupement basée sur les données, la modélisation robuste des limites et le contrôle prédictif basé sur un modèle (MPC) pour obtenir une réponse en temps réel. Contrairement aux approches centralisées traditionnelles qui traitent tous les véhicules électriques de manière uniforme, cette stratégie reconnaît l’hétérogénéité de l’infrastructure de recharge et du comportement des utilisateurs, créant ainsi un mécanisme de contrôle plus nuancé et plus efficace.
Au cœur de la méthodologie se trouve une technique sophistiquée de regroupement appliquée aux données des stations de recharge. En analysant les enregistrements historiques d’exécution de la puissance provenant d’un jeu de données du monde réel à Shanghai, les chercheurs ont extrait deux indicateurs clés de performance : la précision de réponse et la précision d’ajustement de puissance. La précision de réponse mesure à quel point la sortie de puissance réelle d’un chargeur est proche de son entrée de commande, tandis que la précision d’ajustement de puissance évalue dans quelle mesure un modèle linéaire peut prédire l’exécution en fonction des valeurs de puissance en temps réel et de commande. Ces métriques servent de base pour regrouper les chargeurs en clusters distincts, permettant à l’agrégateur de différencier entre les unités à haute performance et celles à précision plus faible.
Pour garantir l’intégrité du processus de regroupement, l’équipe a mis en œuvre un algorithme en deux étapes. Tout d’abord, la méthode DBSCAN (Agrégation Spatiale Basée sur la Densité d’Applications avec Bruit) a été utilisée pour identifier et isoler les chargeurs anormaux présentant un comportement erratique ou peu fiable ; ceux-ci ont été classés comme des points de bruit et exclus des boucles de contrôle primaires. Les chargeurs restants ont ensuite été regroupés à l’aide de l’algorithme k-means++, qui améliore la stabilité du cluster en optimisant la sélection initiale des centroïdes. Cette approche double non seulement améliore la représentativité de chaque cluster, mais augmente également la robustesse générale du système de contrôle en minimisant l’influence du matériel aux performances médiocres.
Les résultats du regroupement ont révélé quatre groupes distincts, chacun caractérisé par des combinaisons uniques de précision de réponse et de précision d’ajustement. Par exemple, le Cluster 1 a montré une haute précision d’ajustement (R² = 0,984) mais des rapports de réponse légèrement élevés (1,182), indiquant une tendance à dépasser les niveaux de puissance commandés. En revanche, le Cluster 2 a démontré des performances équilibrées avec une précision de réponse de 1,090 et une précision d’ajustement de 0,923. Ces observations permettent à l’agrégateur d’attribuer stratégiquement les tâches de contrôle, en privilégiant les clusters à haute précision pour les opérations de réglage fin, tout en réservant les autres pour les ajustements de puissance de masse.
S’appuyant sur cette classification sensible à l’infrastructure, les chercheurs ont développé un modèle robuste de limite de régulabilité de puissance qui tient compte à la fois des besoins de recharge rigides et flexibles. Les véhicules électriques rigides—ceux qui nécessitent une recharge immédiate et à haute puissance en raison de plans de voyage urgents—sont traités comme des ressources semi-flexibles, avec une petite réduction autorisée (jusqu’à 10 %) de la puissance de recharge pour soutenir les besoins du réseau. Les véhicules électriques flexibles, dont les propriétaires sont prêts à retarder ou à moduler la recharge en échange d’incitations financières, forment le noyau de la flotte contrôlable.
Le modèle de limite calcule les limites supérieure et inférieure d’ajustement de puissance pour chaque véhicule électrique en fonction de son état de charge (SOC), de l’heure de départ et de la capacité de la batterie. Pour l’ajustement à la hausse, le modèle détermine la puissance additionnelle maximale qu’un véhicule électrique peut absorber sans dépasser sa limite de SOC, en tenant compte des périodes immédiates et reportées. Pour l’ajustement à la baisse, il évalue quelle quantité de puissance peut être reportée tout en garantissant que le véhicule atteint son SOC cible à l’heure de départ. Cette estimation dynamique des limites assure que les besoins des utilisateurs sont respectés tout en maximisant le potentiel de service au réseau.
Une innovation clé réside dans la simplification de ce calcul de limite. Plutôt que de dépendre de solveurs computationnellement intensifs pour chaque pas de temps, les chercheurs ont dérivé des expressions en forme fermée qui approchent la solution optimale avec une grande fidélité. Cela permet une recalibration rapide des limites de puissance à mesure que les états des véhicules évoluent, une exigence critique pour le contrôle en temps réel. L’approche transforme ce qui serait normalement un problème d’optimisation complexe en une série d’opérations arithmétiques efficaces, réduisant considérablement la surcharge de traitement.
L’architecture de contrôle elle-même fonctionne sur un cadre à deux niveaux et à plusieurs échelles de temps. Au niveau supérieur, l’écart total de puissance entre la courbe cible du marché et la sortie actuelle de la flotte de véhicules électriques est attribué aux différents clusters. Cette attribution prend en compte à la fois la précision de réponse et le coût de régulation de chaque cluster, favorisant les unités à haute précision afin de minimiser l’erreur de suivi. La fonction objectif équilibre deux objectifs concurrents : maximiser la précision du contrôle et minimiser le nombre de commandes de puissance émises (un proxy pour le coût de communication et opérationnel).
Le deuxième niveau distribue les ajustements de puissance au niveau du cluster aux véhicules électriques individuels. Ici, l’algorithme intègre un mécanisme de déploiement basé sur les priorités qui prend en compte le SOC de chaque véhicule et le temps jusqu’au départ. Les véhicules électriques ayant un SOC plus bas ou un départ imminent ont une priorité plus élevée, garantissant qu’ils reçoivent une charge suffisante même dans des conditions restreintes. De plus, le modèle pénalise les grandes fluctuations de la puissance de recharge entre les intervalles consécutifs, favorisant une opération plus fluide qui réduit la contrainte tant sur la batterie du véhicule que sur le réseau.
Pour améliorer encore la précision, le système introduit une boucle de correction fine fonctionnant par intervalles de 3 minutes dans le cadre de la période standard de règlement du marché de 15 minutes. Toutes les trois minutes, la puissance de sortie réelle de la flotte est comparée à la trajectoire planifiée. Si l’écart dépasse un seuil prédéfini, un recalcul rapide est déclenché, se concentrant exclusivement sur les clusters à haute précision identifiés précédemment. Ces clusters se voient confier la tâche d’absorber l’erreur résiduelle par des ajustements de puissance ciblés, corrigeant effectivement la sortie globale.
Cette deuxième boucle de correction est conçue pour la rapidité et l’efficacité. Plutôt que de réoptimiser toute la flotte, elle considère l’allocation d’énergie de 15 minutes pour chaque véhicule électrique comme une quantité fixe et la redistribue aux sous-intervalles restants. L’objectif est de minimiser la différence entre l’énergie livrée réelle et celle souhaitée, en attribuant une charge de correction plus importante aux chargeurs les plus fiables. Cette approche garantit que le système peut répondre à des perturbations imprévues—comme une chute soudaine de puissance due à une panne du chargeur—sans subir le délai computationnel d’un recalcul à grande échelle.
L’efficacité de la stratégie proposée a été validée par une simulation à grande échelle impliquant 3 000 véhicules électriques organisés en 16 clusters. Le scénario de test couvrait une période de 24 heures avec des signaux de marché dynamiques, reflétant les variations du monde réel de la demande de régulation des pics. Les résultats ont été convaincants : la précision moyenne de contrôle a dépassé 97 %, les écarts de puissance restant en dessous du seuil d’évaluation du marché de 15 % pendant toute la simulation. Notamment, le temps de calcul par période a été en moyenne inférieur à 5 secondes, bien en deçà des exigences en temps réel pour un déploiement pratique.
Une analyse comparative avec une méthode de contrôle centralisée traditionnelle a mis en évidence les avantages de l’approche à plusieurs niveaux. Alors que le modèle centralisé a atteint une précision comparable pour certaines périodes, il a échoué à répondre aux exigences du marché lors d’un pic critique du soir, avec des erreurs dépassant 17 %. En revanche, la méthode proposée a maintenu des performances constantes, démontrant une fiabilité supérieure. De plus, l’efficacité computationnelle était nettement plus élevée, la nouvelle stratégie achevant les calculs 1 à 3 fois plus rapidement que son homologue centralisé.
Les analyses de sensibilité ont encore confirmé la robustesse du cadre. Les chercheurs ont examiné l’impact de paramètres de pondération clés dans les fonctions d’optimisation, tels que l’équilibre entre précision et coût au niveau du cluster, et l’équilibre entre erreur de suivi, priorité et lissage de la puissance au niveau du véhicule électrique. Les résultats ont montré que, bien que le choix des paramètres influence la performance, le système reste stable et efficace dans une plage raisonnable de valeurs. Cette flexibilité permet aux agrégateurs d’adapter la stratégie de contrôle à leurs objectifs opérationnels spécifiques, qu’il s’agisse de privilégier la précision maximale ou de minimiser les actions de contrôle.
Les implications de cette recherche vont bien au-delà de la performance technique. En permettant une intégration plus précise et fiable des véhicules électriques au réseau, la stratégie ouvre la voie à une participation plus approfondie aux marchés de services auxiliaires. Cela pourrait débloquer de nouveaux flux de revenus pour les propriétaires de véhicules électriques et les agrégateurs, rendant les services véhicule-réseau (V2G) plus économiquement viables. Du point de vue d’un gestionnaire de réseau, une flotte de véhicules électriques gérée avec une telle précision devient une ressource fiable pour équilibrer l’offre et la demande, particulièrement à mesure que la pénétration des énergies renouvelables augmente et que la volatilité du système s’accroît.
L’étude souligne également l’importance de prendre en compte les caractéristiques du matériel dans la conception du contrôle. La plupart des modèles existants traitent les chargeurs comme des actionneurs idéalisés, supposant une exécution parfaite de la puissance commandée. En intégrant des données du monde réel sur le comportement de réponse des chargeurs, ce travail reconnaît les réalités physiques de l’infrastructure, conduisant à des résultats de contrôle plus précis et plus pratiques. Ce passage de l’abstraction au réalisme représente une maturation du domaine, rapprochant davantage des solutions déployables.
En regardant vers l’avenir, les auteurs soulignent que le modèle actuel se concentre exclusivement sur la régulation des pics dans un cadre centré sur la puissance. Les travaux futurs élargiront le champ d’application pour inclure la participation aux marchés de l’énergie en temps réel et le couplage des réseaux de transport et d’énergie. L’intégration d’incertitudes spatio-temporelles dans les schémas de mobilité des véhicules électriques sera essentielle pour développer des stratégies de contrôle véritablement adaptatives et résilientes.
En conclusion, la stratégie de contrôle en temps réel à plusieurs niveaux présentée par Hu Junjie et ses collègues marque une avancée significative dans le domaine de l’intégration des véhicules électriques au réseau. En combinant le regroupement basé sur les données, la modélisation robuste des limites et une architecture de contrôle hiérarchique et à plusieurs échelles de temps, l’approche atteint un niveau de précision et d’efficacité qui répond aux défis fondamentaux auxquels sont confrontés les agrégateurs de véhicules électriques aujourd’hui. Alors que la transition énergétique progresse, de telles innovations seront cruciales pour transformer des millions de véhicules électriques individuels en un actif cohérent, intelligent et précieux pour le réseau électrique moderne.
Hu Junjie, Lu Jiayue, Ma Wenshuai, Li Gengyin, Wang Wen, Yang Ye, Laboratoire d’État des Systèmes Électriques Alternatifs avec des Sources d’Énergie Renouvelable, Université de l’Énergie Électrique de Chine du Nord, State Grid Smart Internet of Vehicles Co., Ltd., Automation of Electric Power Systems, DOI: 10.7500/AEPS20231215003