Une Révolution dans la Planification des Bornes de Recharge Ultra-Rapide
L’essor des véhicules électriques (VE) a transformé le paysage de la mobilité, mais l’infrastructure qui les alimente peine à suivre. Alors que les constructeurs annoncent des modèles aux autonomies croissantes et des temps de recharge réduits à quelques minutes, un défi majeur persiste : comment intégrer de manière sécurisée, économique et efficace les stations de recharge ultra-rapide (UHPC) dans les réseaux électriques existants ? Ces stations, capables de délivrer 300 kW ou plus, sont la clé de voûte pour éliminer l’anxiété liée à la batterie, promettant de transformer une pause de cinq minutes en une charge substantielle. Pourtant, leur impact sur le réseau électrique est comparable à un tremblement de terre de courte durée : un pic de demande massif qui peut surcharger les transformateurs, provoquer des chutes de tension et exiger des investissements colossaux pour renforcer les réseaux. C’est précisément à ce carrefour entre la promesse technologique et la réalité de l’ingénierie qu’une nouvelle étude, publiée dans la revue Power System Protection and Control, propose une solution élégante et intégrée.
Dirigée par Cheng Shan, Wang Haojie, Xu Qiping, Ran Tao et Wang Can du College of Electrical Engineering and New Energy de l’Université des Trois Gorges de Chine, la recherche intitulée « Méthode de localisation et de détermination de la capacité en deux étapes pour les installations de recharge multi-types avec recharge ultra-haute puissance » présente un cadre de planification qui va bien au-delà du simple choix d’un emplacement sur une carte. Le travail de ces chercheurs est une réponse directe aux limites des modèles traditionnels, qui ignorent souvent la complexité du comportement des utilisateurs et la dynamique du trafic, conduisant à des investissements inefficaces et à des réseaux électriques au bord de l’effondrement. La méthode proposée est un modèle en deux étapes qui considère le trio fondamental de la mobilité électrique moderne : le véhicule, la station de recharge et le réseau électrique lui-même (« vehicle-station-grid »).
La première grande innovation de l’étude réside dans son approche pour prédire où et quand la demande de recharge se manifestera réellement. Plutôt que de se contenter de suppositions simplistes, le modèle de la première étape crée une simulation dynamique et réaliste du monde des véhicules électriques (VE). Il intègre des données de trafic en temps réel pour calculer comment les embouteillages affectent la consommation d’énergie. Un véhicule immobilisé dans un bouchon consomme de la batterie sans avancer, augmentant ainsi la probabilité qu’il doive se recharger plus tôt que prévu. Le modèle prend également en compte le type de route (autoroute, grande artère, rues secondaires) et la température ambiante, car le froid peut drainer la batterie d’un VE beaucoup plus rapidement. Pour simuler les trajets des conducteurs, le modèle utilise des chaînes de Markov, un outil mathématique qui permet de prédire la probabilité qu’un conducteur passe d’un point à un autre du réseau routier, en tenant compte des schémas de déplacement et des conditions de circulation. Cela crée un portrait beaucoup plus précis de la distribution spatiale et temporelle de la charge électrique.
Le cœur de la première étape, cependant, est le modèle de probabilité de choix de l’utilisateur. L’étude reconnaît que les conducteurs ne choisissent pas une station de recharge uniquement en fonction de la proximité. La décision est une équation complexe qui implique le prix par kilowattheure, le temps nécessaire pour y arriver et, de plus en plus, la puissance de recharge disponible. Un conducteur dont la batterie est presque vide et qui n’a qu’une courte pause priorisera une station de recharge ultra-rapide, même si le prix est plus élevé. À l’opposé, un conducteur qui laissera sa voiture stationnée plusieurs heures au travail ou dans un centre commercial peut opter pour une recharge lente et économique, même s’il doit marcher un peu plus. Le modèle quantifie cela à travers le concept « d’utilité », qui est une fonction de l' »attractivité » de la station (principalement le prix) et de la « résistance » pour s’y rendre (une combinaison de distance et de temps de trajet, influencée par le trafic). En calculant la probabilité qu’un conducteur situé en un point précis de la ville choisisse une station plutôt qu’une autre, le modèle définit avec précision la « zone de service » de chaque station de recharge potentielle. C’est un bond quantique par rapport aux méthodes anciennes, qui supposaient simplement que chaque carrefour aurait une station.
Avec la carte de la demande en main, la deuxième étape du processus est une puissante optimisation économique. L’objectif principal est de minimiser le coût total annuel d’investissement et d’exploitation du réseau de recharge. Cette fonction objectif est multifacette, incluant le coût de construction et de maintenance des stations, le coût d’acquisition des terrains, le coût des pertes dans le système électrique et le coût opérationnel d’un élément crucial : le système de stockage d’énergie distribué (DESS). Le modèle doit équilibrer cet objectif économique avec des contraintes rigoureuses pour garantir la sécurité et la fiabilité du réseau électrique.
L’intégration du DESS est la pièce la plus brillante du puzzle. Les stations de recharge ultra-rapide sont comme des projectiles d’énergie pour le réseau électrique. Lorsque plusieurs voitures se connectent simultanément à 300 kW, la demande peut atteindre des niveaux qui mettent la stabilité du réseau en danger. Le DESS agit comme un amortisseur, se chargeant du réseau pendant les périodes de faible demande (par exemple, la nuit) et déchargeant son énergie pendant les pics de recharge. Cet effet est double : premièrement, il réduit drastiquement le pic de puissance que la station prélève directement sur le réseau, soulagant la pression sur les transformateurs et les lignes de distribution. Deuxièmement, en nivelant le profil de charge, il améliore la qualité de la tension sur tout le réseau, évitant les chutes de tension qui pourraient endommager d’autres équipements. La simulation de l’étude a montré que l’intégration du DESS a réduit la charge de pointe aux nœuds critiques de 3 MW à 2,3 MW, une réduction de 23 %, démontrant son efficacité comme bouclier protecteur pour le réseau.
La planification prend également en compte trois types de chargeurs : ultra-rapide (300 kW), rapide (60 kW) et lent (7 kW). Le choix de la combinaison idéale est fondamental. La simulation a révélé qu’un scénario utilisant uniquement des chargeurs rapides de 60 kW entraînerait un coût total 24 % plus élevé que la solution optimale. La raison est claire : pour satisfaire la même demande de recharge dans le même laps de temps, un nombre beaucoup plus important de chargeurs de 60 kW serait nécessaire, ce qui se traduirait par un investissement plus important en matériel et plus d’espace au sol, augmentant les coûts de construction et d’acquisition de terrains. Inversement, une flotte de stations composée uniquement de chargeurs ultra-rapides serait prohibitivement chère et un gaspillage de ressources pour les conducteurs qui n’ont besoin que d’une charge lente. Le modèle trouve l’équilibre, déterminant combien de chargeurs de chaque type sont nécessaires à chaque emplacement pour répondre à la diversité des besoins des utilisateurs de la manière la plus économique possible.
L’étude fournit également un aperçu précieux du nombre optimal de stations à construire. Les résultats de la simulation indiquent qu’il existe un point optimal, dans ce cas précis, cinq stations. Construire moins de stations (trois ou quatre) a forcé les planificateurs à installer plus de chargeurs à chaque emplacement pour gérer la demande, augmentant ainsi les coûts totaux. Construire plus de cinq stations a également augmenté les coûts, car le bénéfice marginal d’une station supplémentaire était surpassé par les coûts fixes de sa construction et de son exploitation. De plus, avec plus de stations, beaucoup d’entre elles resteraient sous-utilisées pendant de longues périodes, représentant une inefficacité dans l’utilisation des ressources. Cette découverte est vitale pour les urbanistes, qui sont souvent sous pression pour construire plus de stations, sans tenir compte du risque de sous-utilisation.
La validation du modèle a été réalisée à travers une étude de cas qui a couplé un réseau routier urbain représentatif au réseau de distribution électrique IEEE à 33 nœuds, une norme largement utilisée dans la recherche sur les réseaux électriques. Les résultats ont été concluants. La méthode en deux étapes n’a pas seulement produit un plan d’infrastructure plus économique, elle a également garanti la sécurité du réseau. Sans le DESS, la simulation a montré que la tension dans plusieurs nœuds du réseau chuterait en dessous de 0,94 pu (par unité), un niveau considéré comme inacceptable et susceptible de déclencher des problèmes opérationnels. Avec le DESS actif, la tension est restée dans les limites de sécurité, démontrant qu’une planification intelligente peut permettre l’intégration massive de la recharge ultra-rapide sans compromettre la stabilité du système électrique.
Les implications de cette recherche sont profondes. Elle fournit aux villes, aux opérateurs de réseaux électriques et aux investisseurs un outil de planification de pointe. Il ne s’agit plus de deviner où construire des stations ; il s’agit de prendre des décisions basées sur des données, qui prennent en compte le comportement des utilisateurs, la dynamique du trafic et la capacité du réseau électrique. Cette approche réduit le risque d’investissement, maximise le retour sur investissement et, surtout, accélère la transition vers une mobilité durable en éliminant l’un des principaux obstacles : le manque d’une infrastructure de recharge fiable et efficace. Le travail de Cheng Shan, Wang Haojie, Xu Qiping, Ran Tao et Wang Can n’est pas seulement une avancée technique ; c’est une carte pour naviguer dans l’avenir de la mobilité électrique.
Les chercheurs ont également mis en lumière un autre aspect crucial : la nécessité d’une planification holistique qui considère la « triple contrainte » de la mobilité électrique. La première contrainte est l’économie. Une infrastructure mal planifiée peut entraîner des coûts exorbitants, tant pour les investisseurs que pour les consommateurs. La deuxième contrainte est la sécurité du réseau. Un réseau électrique instable n’est pas seulement un problème technique ; c’est un risque pour toute la communauté, pouvant entraîner des pannes de courant et des dommages aux appareils. La troisième contrainte est l’expérience utilisateur. Une infrastructure de recharge inaccessible, surchargée ou trop chère découragera les conducteurs potentiels et ralentira l’adoption des VE. La méthode en deux étapes réussit à équilibrer ces trois objectifs souvent concurrents. En optimisant le mix de chargeurs et en intégrant le DESS, elle crée un système qui est à la fois rentable pour les opérateurs, sûr pour les réseaux et pratique pour les utilisateurs.
Un autre aspect remarquable de cette étude est son attention aux détails du comportement humain. Le modèle de choix de l’utilisateur ne se contente pas de dire que les gens choisissent la station la plus proche. Il reconnaît que les décisions sont prises sur la base d’une « utilité » perçue, qui est un compromis entre le coût (le prix) et l’effort (le temps et la distance). Ce modèle est suffisamment sophistiqué pour simuler des scénarios réalistes. Par exemple, il peut prédire que dans une zone résidentielle, les utilisateurs préféreront souvent les chargeurs lents pour une recharge nocturne, tandis que dans un centre-ville ou sur une aire d’autoroute, la demande sera dominée par les chargeurs rapides et ultra-rapides. Cette précision dans la modélisation de la demande est ce qui permet au modèle d’optimisation de la deuxième étape de fonctionner de manière aussi efficace.
La validation par simulation est particulièrement convaincante. L’étude compare plusieurs scénarios pour démontrer la supériorité de son approche. Le premier scénario, qui ne considère que des chargeurs rapides de 60 kW, se révèle être le plus coûteux, avec un coût total 24 % plus élevé que la solution optimale. Cela illustre parfaitement le gaspillage d’une infrastructure monolithique face à une demande hétérogène. Un autre scénario, qui utilise uniquement des chargeurs ultra-rapides, est encore plus coûteux et inefficace, car il oblige des utilisateurs qui n’ont besoin que d’une charge lente à payer un prix premium pour une technologie qu’ils n’utilisent pas pleinement. La comparaison avec un scénario sans DESS est tout aussi révélatrice. Sans le système de stockage, le réseau subit des pics de charge massifs, poussant la tension à des niveaux dangereusement bas. L’intégration du DESS non seulement lisse ces pics, mais elle permet également au réseau de fonctionner dans une plage de tension plus stable et plus sûre, ce qui prolonge la durée de vie des équipements et réduit le risque de pannes.
L’étude va encore plus loin en évaluant les trois scénarios à l’aide d’une « évaluation floue », une méthode qui attribue une note composite en fonction de plusieurs critères : la disponibilité de la recharge pour les utilisateurs, le coût d’investissement de la station et le niveau de fonctionnement du réseau électrique. Le résultat est sans appel : le scénario combinant des chargeurs multi-types et le DESS obtient la note la plus élevée, démontrant sa supériorité globale. Ce type d’analyse holistique est essentiel pour les décideurs politiques et les urbanistes, car il leur fournit un cadre clair pour comparer des options complexes et prendre des décisions éclairées.
En conclusion, la recherche de Cheng Shan et de ses collègues représente une avancée significative dans le domaine de la planification de l’infrastructure de recharge. Elle ne propose pas simplement une nouvelle formule ou un algorithme ; elle offre une méthodologie complète, fondée sur une compréhension profonde de l’interaction entre les véhicules, les utilisateurs et le réseau électrique. En résolvant le dilemme entre la vitesse de recharge, la stabilité du réseau et la rentabilité économique, cette méthode ouvre la voie à un déploiement massif et durable des véhicules électriques. À une époque où les villes du monde entier s’efforcent de réduire leurs émissions de carbone, une infrastructure de recharge intelligente et bien planifiée n’est pas un luxe, mais une nécessité absolue. Ce travail fournit les outils pour y parvenir.
Cheng Shan, Wang Haojie, Xu Qiping, Ran Tao, Wang Can, College of Electrical Engineering and New Energy, China Three Gorges University, Power System Protection and Control, DOI: 10.19783/j.cnki.pspc.240031