À l’ère du développement massif des véhicules électriques (VE), la question de leur impact sur le réseau électrique est devenue un enjeu majeur. En Chine, où la vente de voitures électriques a atteint 6,887 millions d’unités en 2022 avec une pénétration de marché de 25 % (contre 2,4 % en 2017), la charge simultanée de millions de véhicules représente un défi pour la stabilité du réseau. Les pics de consommation peuvent entraîner des surcharges, tandis que les périodes de faible demande laissent des capacités inutilisées. C’est dans ce contexte que des chercheurs de l’Université Tongji présentent une nouvelle approche de gestion de charge aggregée pour les flottes de VE, combinant incitations hybrides et algorithmes d’optimisation, afin de répondre aux besoins de « pic de réduction et de comblement de vallée » du réseau électrique.
Un cadre de gestion intégrée : Réseau électrique, agrégateurs et utilisateurs
La stratégie proposée s’appuie sur un cadre de coordination entre trois acteurs clés : le réseau électrique, les agrégateurs de charge et les utilisateurs de VE. Contrairement aux méthodes traditionnelles qui se concentrent uniquement sur la tarification horaire, cette approche intègre des incitations hybrides (prix dynamiques et points de fidélité) pour motiver les utilisateurs à participer activement à la régulation du réseau.
Le fonctionnement est le suivant : le réseau électrique transmet ses besoins de charge (notamment les périodes de vallée à combler), les stations de recharge partagent leurs états de disponibilité (nombre de bornes libres), et les utilisateurs indiquent leurs besoins de recharge. L’agrégateur, à l’aide d’algorithmes d’optimisation, propose alors des recommandations de charge (horaires et stations) aux utilisateurs, assorties d’incitations adaptées. Le but est de concentrer la charge électrique pendant les périodes de faible demande du réseau, de réduire les coûts pour les utilisateurs et d’améliorer l’efficacité des stations de recharge.
Cette méthode se distingue par sa capacité à adapter en temps réel les incitations en fonction de trois paramètres clés : la charge actuelle du réseau, la disponibilité des stations de recharge et la fiabilité des utilisateurs (taux de respect des engagements passés). Ces ajustements permettent de maximiser l’efficacité de la gestion de charge tout en maintenant une participation élevée des utilisateurs.
Les incitations hybrides : Prix et points pour motiver les utilisateurs
La tarification horaire, bien qu’efficace pour encourager la charge en période creuse, présente des limites : les variations de prix peuvent être complexes à comprendre pour les utilisateurs, et ne prennent pas compte de facteurs comme la distance à parcourir pour atteindre une station ou la fiabilité des conducteurs. La solution proposée combine donc une tarification de base horaire avec un système de points dynamiques, ajustés en temps réel selon les conditions du réseau et des stations.
Les points sont calculés à l’aide de trois coefficients d’ajustement :
- Coefficient de charge du réseau (φ₁) : Ce coefficient varie en fonction de la charge actuelle du réseau par rapport à sa moyenne. Lorsque la charge est inférieure à la moyenne (période de vallée), φ₁ augmente, ce qui signifie des points plus élevés pour encourager la charge. À l’inverse, en période de pic, φ₁ diminue, réduisant les incitations.
- Coefficient de disponibilité des stations (φ₂) : Ce coefficient dépend du nombre de bornes libres dans une station par rapport à son total. Si une station est peu occupée, φ₂ est élevé, incitant les utilisateurs à s’y rendre pour équilibrer la charge entre les stations.
- Coefficient de fiabilité de l’utilisateur (φ₃) : Ce coefficient récompense les utilisateurs qui respectent leurs engagements de charge. Plus le taux de réalisation des réservations est élevé, plus φ₃ est important, encourageant une participation régulière et fiable.
La somme de ces coefficients détermine le nombre de points gagnés par un utilisateur pour une charge donnée, qui peuvent ensuite être convertis en réductions sur les futurs coûts de recharge. Cette combinaison de prix et de points permet de résoudre un dilemme majeur : comment inciter les utilisateurs à se déplacer vers des stations ou des périodes moins demandées, sans augmenter leurs coûts globaux.
Évaluation de la volonté de participation : Une approche par logique floue
Pour garantir une participation effective, la stratégie intègre un modèle de prédiction de la volonté des utilisateurs de suivre les recommandations d’agrégation. Cette évaluation se base sur deux facteurs clés : l’état de charge de la batterie (SOC) du véhicule et le rapport entre le coût de recharge après incitations et le coût initial (λ).
Grâce à une enquête menée à Hangzhou auprès de conducteurs de VE, les chercheurs ont établi des règles de décision floues (fuzzy logic) pour prédire la probabilité de participation. Par exemple, si un véhicule a un SOC faible (besoin urgent de recharge) et que les incitations réduisent significativement le coût (λ faible), la probabilité de participation est élevée. Inversement, si le SOC est élevé et les incitations faibles, la probabilité diminue.
Ce modèle permet à l’agrégateur de cibler les utilisateurs les plus susceptibles de répondre positivement aux recommandations, augmentant ainsi l’efficacité de la gestion de charge. Dans les tests, avec un seuil de probabilité fixé à 0,5, 88,3 % des véhicules (sur 1 000) ont été classés comme « susceptibles de participer », et avec des ajustements des incitations, le taux de participation réel a été maintenu à plus de 80 % sur plusieurs cycles de charge.
Optimisation multi-objectifs : Distance, charge et coûts
L’optimisation finale repose sur un modèle multi-objectifs, résolu à l’aide de l’algorithme NSGA-II (Non-dominated Sorting Genetic Algorithm II), qui vise trois objectifs principaux :
- Minimiser la distance parcourue par les véhicules pour atteindre les stations de recharge, afin de réduire la consommation d’énergie et les temps de déplacement.
- Maximiser la quantité d’électricité chargée pendant les périodes ciblées (notamment les vallées du réseau), pour répondre aux besoins de régulation.
- Maximiser les points gagnés par les utilisateurs, pour maintenir leur motivation à participer.
Les résultats de l’optimisation forment un ensemble de solutions Pareto, c’est-à-dire des compromis entre les objectifs (par exemple, une solution peut maximiser la charge mais augmenter légèrement la distance parcourue). Les décideurs peuvent alors choisir la solution la mieux adaptée aux besoins du moment (ex: priorité à combler une vallée du réseau ou à minimiser les coûts des utilisateurs).
Dans les tests avec 883 véhicules participant, la solution moyenne a donné des résultats encourageants : une distance moyenne de 25,5 km par véhicule, une charge totale de 31 957 kWh (soit 36,2 kWh par véhicule) et des points équivalents à 26,5 yuan par véhicule (environ 3,5 euros). Ces chiffres démontrent que l’approche permet de concilier efficacité réseau et satisfaction des utilisateurs.
Comparaison avec les méthodes traditionnelles : Une amélioration significative
Pour valider l’efficacité de la stratégie, les chercheurs l’ont comparée à une méthode basée uniquement sur la tarification horaire. Les résultats montrent des améliorations majeures sur plusieurs indicateurs clés :
- Quantité de charge : La méthode hybride augmente la charge répondant aux besoins du réseau de 43,6 %, passant de 25,2 kWh à 36,2 kWh par véhicule en moyenne.
- Coût par kWh : Le coût unitaire d’électricité diminue de 45,7 % pour les utilisateurs, passant de 1,6 yuan/kWh à 0,87 yuan/kWh (soit environ 0,12 euros/kWh).
- Participation des utilisateurs : Le nombre de véhicules participants dépasse le seuil de volonté est de 883 pour la méthode hybride, contre 650 pour la tarification horaire seule, soit une augmentation de 36 %.
Bien que la distance moyenne parcourue par les véhicules augmente de 63,4 % (de 15 km à 25,5 km), cette augmentation est compensée par une réduction significative des coûts et une contribution plus importante à la stabilité du réseau. Ces résultats démontrent que les incitations hybrides sont plus efficaces pour aligner les intérêts des utilisateurs et des opérateurs du réseau.
Adaptabilité à grande échelle : De 1 000 à 5 000 véhicules
Un autre atout de la stratégie est sa capacité à s’adapter à des flottes de différentes tailles. Les tests ont été réalisés pour des configurations allant de 1 000 véhicules et 100 stations à 5 000 véhicules et 500 stations. Les résultats montrent que, malgré une augmentation linéaire du temps de calcul (de 12 secondes à 52 secondes), les performances clés restent stables :
- La distance moyenne parcourue varie de 24,3 km à 25,5 km.
- La charge moyenne par véhicule reste autour de 35,7 kWh.
- Le coût unitaire d’électricité se maintient à environ 0,87 yuan/kWh.
- Le taux de participation des utilisateurs reste supérieur à 85 %.
Cette stabilité démontre que la méthode peut être déployée à grande échelle, ce qui est crucial pour les villes avec un fort taux de véhicules électriques. De plus, dans la configuration la plus large (5 000 véhicules et 500 stations), la stratégie permet de combler 1,25 % de la vallée de charge du réseau pendant les périodes ciblées, une contribution non négligeable à la stabilité électrique.
Perspectives : Intégration de la V2G et développement futur
Si la stratégie propose des solutions innovantes, elle présente également des axes d’amélioration. Actuellement, elle ne prend pas en compte la possibilité de décharge des véhicules dans le réseau (V2G, Vehicle-to-Grid), une fonctionnalité de plus en plus répandue dans les nouveaux modèles de VE. Intégrer la V2G pourrait permettre de renforcer davantage la capacité de « réduction de pic » du réseau, en utilisant les batteries des véhicules comme solution de stockage temporaire pendant les périodes de forte demande.
De plus, l’optimisation pourrait être affinée en intégrant des données plus précises sur les habitudes de conduite des utilisateurs (horaires de déplacement, destinations fréquentes) et des prédictions météorologiques (qui influencent la consommation d’énergie des véhicules). Ces améliorations permettraient de personnaliser davantage les incitations et de renforcer la participation des utilisateurs.
Conclusion : Un pas vers un réseau électrique plus résilient
Dans le contexte de la transition énergétique et des objectifs de « carbon neutralité », la gestion efficace de la charge des véhicules électriques devient un enjeu stratégique. La méthode proposée par les chercheurs de l’Université Tongji combine innovation technologique (algorithmes d’optimisation, logique floue) et approche centrée sur l’utilisateur (incitations hybrides), offrant une solution équilibrée entre besoins du réseau et satisfaction des conducteurs.
Les résultats démontrent que cette stratégie peut augmenter la charge répondant aux besoins du réseau de 43,6 %, réduire les coûts des utilisateurs de 45,7 % et maintenir une participation élevée (supérieure à 85 %) même à grande échelle. Ces améliorations contribuent directement à la stabilité du réseau électrique, à la réduction des investissements dans de nouvelles centrales électriques et à la promotion d’une mobilité électrique plus durable.
À l’avenir, l’intégration de la V2G et l’affinement des prédictions d’habitudes des utilisateurs devraient renforcer davantage l’efficacité de cette méthode, faisant d’elle un outil clé pour lesSmart cities et les réseaux électriques intelligents.