Une stratégie de recharge programmée optimise les réseaux électriques
L’essor inébranlable des véhicules électriques (VE) redéfinit l’avenir de la mobilité, promettant des villes plus propres et plus silencieuses. Pourtant, derrière cette révolution, se profile un défi silencieux mais critique : l’impact massif de millions de nouveaux consommateurs d’électricité sur les réseaux de distribution existants. Le modèle traditionnel de recharge, où les conducteurs branchent simplement leur voiture à leur retour du travail, coïncide souvent avec les pics de consommation résidentielle. Ce comportement non coordonné crée des surcharges, provoque des chutes de tension, augmente les pertes d’énergie dans les lignes électriques et menace la stabilité globale du réseau. Face à cette menace, une équipe de chercheurs chinois propose une solution visionnaire qui transforme le problème en opportunité. Leur modèle de « recharge et décharge programmée » ne se contente pas de gérer la demande ; il positionne activement les véhicules électriques comme des partenaires stratégiques, capables de stabiliser le réseau et d’optimiser son efficacité.
Dirigée par Cao Hangtao de Jiaxing Hengchuang Electric Power Equipment Co., Ltd., cette recherche, publiée dans la revue Zhejiang Electric Power, aborde une des principales préoccupations de la transition énergétique : comment intégrer harmonieusement une flotte croissante de véhicules électriques sans compromettre la fiabilité du réseau. Les chiffres sont éloquents. Selon l’Association chinoise de l’industrie automobile, les ventes annuelles de véhicules électriques pourraient croître de plus de 40 % par an au cours des prochaines années, atteignant une part de marché de 20 à 30 %. D’ici 2040, la Chine pourrait compter jusqu’à 300 millions de véhicules électriques, représentant une capacité de stockage mobile colossale de 200 milliards de kWh. Cette opportunité de stocker l’énergie renouvelable est immense, mais elle se transforme en risque si la recharge n’est pas intelligemment orchestrée. Une charge désordonnée pourrait accentuer les variations entre les pics et les creux de la courbe de charge, forçant les gestionnaires de réseau à activer des centrales d’énergie de pointe, coûteuses et polluantes, pour combler les besoins. De plus, les fluctuations de tension pourraient endommager les équipements électroniques sensibles dans les foyers et les entreprises.
Le concept de Véhicule vers le Réseau (V2G) existe depuis des années, promettant que les voitures puissent non seulement consommer de l’énergie, mais aussi la restituer au réseau en cas de besoin. Cependant, sa mise en œuvre a été limitée. La plupart des stratégies V2G actuelles s’appuient sur des signaux de marché en temps réel ou sur les préférences individuelles des utilisateurs, ce qui introduit un haut degré d’aléatoire. La demande agrégée de charge et de décharge est imprévisible, rendant extrêmement difficile pour les opérateurs du système une planification et une gestion efficaces du réseau. C’est là que la recherche de Cao Hangtao et de son équipe marque une rupture. Ils proposent un modèle proactif, plutôt que réactif, qui transforme l’incertitude en prévisibilité.
Le cœur de leur solution est un système de réservation. Plutôt que de brancher simplement le véhicule et de charger immédiatement, le propriétaire d’un VE programmerait sa session de charge ou de décharge à l’avance, via une application ou un portail web. Ce simple acte change radicalement la dynamique. Au lieu d’une charge aléatoire, le système obtient un profil de demande prévisible. Le processus débute avec le centre de dispatching du réseau, qui analyse la courbe de charge prévue pour le lendemain. Sur la base de cette prévision, le centre définit les périodes de tarif de pointe (haute demande) et de tarif de creux (basse demande) et communique ces prix aux stations de recharge. Le conducteur, en planifiant son trajet, envoie une demande de réservation à la station de recharge la plus proche, en indiquant sa fenêtre horaire souhaitée et s’il a besoin de charger (généralement en heures creuses) ou est prêt à décharger (généralement en heures de pointe).
La station de recharge agit comme un agrégateur, collectant toutes les demandes de ses utilisateurs et envoyant le profil de demande agrégé au centre de dispatching. C’est à ce stade que l’optimisation mathématique de haut niveau entre en jeu. Le centre de dispatching exécute un modèle sophistiqué dont l’objectif est clair : minimiser les pertes totales de puissance active dans le réseau et maintenir les niveaux de tension dans des limites sûres et stables. Ce qui rend ce modèle particulièrement avancé, c’est qu’il ne considère pas uniquement la puissance active (l’énergie réelle consommée ou fournie), mais optimise également de manière coordonnée la puissance réactive.
La puissance réactive, bien qu’elle ne soit pas consommée comme énergie utile, est cruciale pour maintenir la stabilité de la tension dans le réseau. En permettant aux stations de recharge des véhicules électriques et aux sources de génération distribuée renouvelable (RDG), comme les panneaux solaires et les éoliennes, d’ajuster également leur production de puissance réactive, le système peut corriger activement les chutes ou les pics de tension. Les chercheurs traitent les stations de recharge et les onduleurs des sources renouvelables comme des actifs contrôlables pouvant fournir à la fois de la puissance active et réactive. Les variables d’optimisation incluent la puissance active et réactive de chaque station de recharge VE, ainsi que la puissance réactive des systèmes photovoltaïques (PV) et éoliens (WT).
Résoudre un problème d’optimisation aussi complexe, non linéaire et non convexe, est un défi computationnel formidable. Les équations qui régissent le flux de puissance dans un réseau de distribution sont intrinsèquement quadratiques et difficiles à résoudre. Pour surmonter cet obstacle, les chercheurs ont utilisé une technique mathématique avancée connue sous le nom de Relaxation du Cône du Second Ordre (SOCR). Cette méthode transforme le problème d’origine, intraitable, en un problème de Programmation du Cône du Second Ordre (SOCP), qui est convexe et peut être résolu de manière efficace et fiable à l’aide de puissants solveurs commerciaux comme Gurobi. Ce choix méthodologique est fondamental, car il garantit que la solution trouvée est la solution optimale globale, évitant les pièges des algorithmes heuristiques qui pourraient rester bloqués dans des solutions sous-optimales.
Pour valider leur modèle théorique, l’équipe a mené une étude de simulation approfondie en utilisant une version modifiée du système de test standard IEEE 33 nœuds, un modèle largement utilisé dans la recherche sur les systèmes de puissance. Pour accroître le réalisme, le modèle a été enrichi avec des données géographiques réelles d’une région de Hangzhou, en Chine. Le réseau a été équipé de trois stations de recharge pour véhicules électriques situées en des nœuds stratégiques, de deux installations d’éoliennes et de deux fermes solaires photovoltaïques. La simulation a supposé 500 véhicules électriques, chacun avec une batterie de 50 kWh, utilisant le système de réservation. Les profils de charge et de génération renouvelable quotidiens étaient basés sur des données de prévision réelles pour la région.
Les résultats de la simulation ont été concluants. L’étude a comparé trois scénarios différents. Le premier, un scénario de référence, supposait l’absence de véhicules électriques, d’énergie éolienne ou solaire, seulement la charge « de base » conventionnelle des foyers et des entreprises. Le deuxième scénario intégrait des véhicules électriques, de l’énergie éolienne et solaire, mais les gérait de manière plus simple, en optimisant uniquement la puissance active des véhicules électriques et en ignorant les capacités de puissance réactive des ressources d’énergie distribuée. Le troisième et dernier scénario mettait en œuvre le modèle complet de « recharge et décharge programmée » avec l’optimisation coordonnée de la puissance active et réactive.
La performance a été évaluée à l’aide de trois métriques clés : la différence quotidienne entre la charge de pointe et celle de creux, les pertes totales quotidiennes de puissance active (ζ) et l’écart de tension dans tout le système (Г). Les résultats ont démontré clairement la supériorité du modèle proposé. Par rapport au scénario de référence, le deuxième scénario, qui gérait uniquement la puissance active des véhicules électriques, a réduit la différence entre la charge de pointe et de creux de 40,60 %, a réduit les pertes de puissance de 85,19 % impressionnants et a réduit l’écart de tension de 70,74 %. Cela démontre à lui seul l’immense bénéfice de simplement gérer les horaires de recharge des véhicules électriques.
Cependant, le modèle complet (Scénario 3) a obtenu des améliorations encore plus importantes. Par rapport au Scénario 2, il a obtenu une réduction supplémentaire de 57,00 % des pertes de puissance et une réduction supplémentaire de 6,86 % de l’écart de tension. Cela se traduit par une réduction totale des pertes de puissance de plus de 94 % par rapport au scénario de référence. Les véhicules électriques « programmés » ont effectivement réalisé une opération de « remplissage des creux et d’aplatissement des pics ». Pendant les heures creuses (8h à 15h), les véhicules électriques ont chargé leurs batteries, absorbant l’énergie excédentaire et aidant à stabiliser la tension. Pendant les heures de pointe (17h à 23h), les véhicules électriques ont déchargé de l’énergie dans le réseau, réduisant la charge sur l’alimentation principale et prévenant les chutes de tension. La visualisation de la courbe de charge équivalente du système a montré un profil beaucoup plus plat et gérable après l’intégration des véhicules électriques programmés.
L’impact sur la stabilité de la tension a été particulièrement remarquable. Dans le scénario de référence, les niveaux de tension dans tout le réseau, en particulier aux extrémités des alimentateurs, étaient souvent au niveau limite inférieur de la plage acceptable (0,95 p.u.), indiquant un système sous tension. Le deuxième scénario a amélioré cette situation, mais certains nœuds fonctionnaient encore près des limites supérieure (1,05 p.u.) ou inférieure. En revanche, le troisième scénario, propulsé par le modèle d’optimisation complet, a maintenu la tension dans presque tous les 33 nœuds remarquablement proche de l’idéal 1,00 p.u., avec une distribution très uniforme. Ce niveau de contrôle de la tension est crucial pour le fonctionnement fiable des équipements électroniques sensibles et pour prévenir les dommages à l’infrastructure du réseau.
Cette recherche présente un plan convaincant pour l’avenir de l’intégration des véhicules électriques. Elle va au-delà de la notion simpliste selon laquelle les véhicules électriques sont simplement une autre charge et les positionne comme des ressources intelligentes et flexibles du réseau. Le modèle de « recharge et décharge programmée » offre un cadre pratique pour y parvenir. Il fournit aux propriétaires de véhicules électriques la prévisibilité et le contrôle qu’ils souhaitent, en sachant quand et combien leur batterie sera chargée, tout en fournissant simultanément une immense valeur au réseau. Pour les entreprises de services publics, cela signifie des coûts opérationnels réduits grâce à des pertes d’énergie moindres, des investissements reportés dans de nouvelles infrastructures et un réseau plus stable et fiable. Pour la société, cela signifie une transition plus fluide et durable vers la mobilité électrique.
Bien que le modèle montre une grande promesse, les chercheurs sont les premiers à reconnaître ses limites. Leur simulation a supposé une information parfaite et le respect des engagements par les propriétaires de véhicules électriques, ce qui peut ne pas refléter le comportement du monde réel, où les utilisateurs peuvent modifier leurs plans ou « faire défaut » à leurs réservations. Le modèle a également simplifié le processus de prise de décision de l’utilisateur, en se concentrant uniquement sur la proximité d’une station de recharge et en ne tenant pas compte des conditions de circulation ou des changements d’emploi du temps personnel. De plus, l’étude n’a pas intégré de contraintes strictes sur la capacité physique de composants spécifiques du réseau, ce qui serait essentiel pour une mise en œuvre dans le monde réel.
Malgré ces limites, ce travail représente une avancée significative. Il fournit une solution robuste, mathématiquement solide et démontrablement efficace pour un problème critique. Alors que l’adoption des véhicules électriques continue sa croissance exponentielle, la nécessité de systèmes de gestion intelligents et coordonnés comme celui proposé par Cao Hangtao et son équipe deviendra non seulement bénéfique, mais essentielle. Leur recherche trace un chemin clair vers un avenir où des millions de véhicules électriques ne sont pas une menace pour le réseau, mais un pilier d’un système énergétique plus intelligent, plus résilient et plus efficace.
Cao Hangtao, Zhang Yong, Jiang Ning, Lü Bin, Jiaxing Hengchuang Electric Power Equipment Co., Ltd., Zhejiang Electric Power, DOI: 10.19585/j.zjdl.202405005