Une stratégie de tarification équilibre la recharge rapide
Alors que les véhicules électriques (VE) gagnent rapidement du terrain dans les flottes urbaines, un défi critique émerge : la gestion de la demande de recharge rapide. L’essor de l’électromobilité a mis en lumière un phénomène familier aux utilisateurs : la congestion. Certaines stations de recharge, souvent situées dans des zones à fort trafic comme les centres commerciaux ou les quartiers d’affaires, deviennent rapidement saturées, avec des files d’attente interminables, tandis que d’autres, à quelques kilomètres de là, fonctionnent bien en dessous de leur capacité. Cette disparité non seulement frustre les utilisateurs, contraints d’attendre ou d’abandonner la recharge, mais crée aussi des inefficacités opérationnelles pour les opérateurs, qui perdent des revenus, et exerce une pression inégale sur le réseau électrique local, pouvant entraîner des pics de demande et la nécessité de coûteuses mises à niveau de l’infrastructure.
Pour relever ce défi de manière innovante et systémique, une équipe de chercheurs de l’Université Jiaotong du Sud-Ouest et de l’Institut de recherche économique de State Grid Sichuan a développé un nouveau mécanisme de tarification dynamique. Dirigé par Yang Shuai, Dai Chaohua, Guo Ai et Ye Shengyong, l’étude, publiée dans la revue Automation of Electric Power Systems (DOI: 10.7500/AEPS20230614001), propose une solution qui va bien au-delà de la simple gestion des prix. Plutôt que de se contenter de déplacer la charge dans le temps, comme le font les tarifs différenciés, le mécanisme se concentre directement sur la dimension spatiale, visant à équilibrer la charge entre différentes stations de recharge au sein d’une même région. Le résultat est un système de recharge plus efficace, plus juste et plus satisfaisant pour tous les acteurs impliqués.
Le cœur de l’innovation réside dans la transformation de la relation entre les stations de recharge, d’une compétition isolée vers une coopération coordonnée. Plutôt que de laisser chaque opérateur fixer ses prix de manière indépendante pour maximiser ses propres profits, le nouveau modèle propose la formation d’une alliance sous la coordination d’un Opérateur du Système de Distribution (DSO). Le DSO agit comme un arbitre neutre, collectant des données en temps réel sur l’occupation des stations, les horaires prévus de libération des bornes et les préférences des utilisateurs. Lorsqu’un conducteur soumet une demande de recharge via une interface fournie par le DSO, il peut indiquer son aversion pour les files d’attente, sa disposition à faire un détour ou sa sensibilité au prix.
Avec ces informations, le DSO exécute un algorithme basé sur la théorie des jeux coopératifs. L’objectif du jeu est l' »équité de charge », mesurée par la variance de l’occupation des stations. Les « stratégies » sont les prix de service que chaque station fixe. L’algorithme itère jusqu’à trouver un ensemble de prix d’équilibre où aucun opérateur ne peut améliorer sa situation en changeant unilatéralement son prix, et où l’objectif d’équilibre du système est atteint. Le mécanisme crée un différentiel de prix : pendant les heures de pointe, les stations congestionnées voient leurs prix augmenter légèrement, tandis que les stations moins utilisées proposent des tarifs plus bas. Cet incitatif économique oriente une partie des utilisateurs vers le choix d’une station alternative, réduisant la pression sur la station saturée et augmentant l’utilisation de celle qui est sous-utilisée.
Modéliser le comportement réel de l’utilisateur
L’efficacité du modèle réside dans sa capacité à simuler de manière réaliste le choix d’une station de recharge par les utilisateurs. Les chercheurs ne se sont pas basés sur des hypothèses simplistes ; ils ont construit leur cadre sur des données du monde réel. Ils ont utilisé un vaste ensemble de données anonymisées provenant d’un service de transport par application à Chengdu, en Chine, pour créer une matrice Origine-Destination (OD) détaillée. Cette matrice capture avec précision les probabilités qu’un voyageur se déplace d’une zone fonctionnelle de la ville à une autre (résidentielle, commerciale, de travail, etc.) à différents moments de la journée.
Cette matrice OD a ensuite été intégrée à un modèle de réseau routier et à un modèle vitesse-flux. Cela permet de simuler non seulement la destination des personnes, mais aussi le temps qu’elles mettront et l’énergie qu’elles consommeront pour y parvenir. Lorsqu’un VE a besoin de recharger, le système peut prédire avec une certaine précision quand et où ce besoin se manifestera, en se basant sur des modèles de consommation d’énergie et des schémas d’utilisation du véhicule.
Pour modéliser la décision finale du conducteur sur la station à choisir, l’équipe a adopté une version modifiée du modèle de Huff, un concept initialement développé pour analyser le choix des consommateurs entre différents magasins. Dans ce contexte, l' »attractivité » d’une station de recharge est déterminée par une combinaison de facteurs : la distance, le temps d’attente prévu, le prix du service et l’attractivité supplémentaire (comme la présence d’une salle de repos, d’un café ou d’un centre commercial). Les utilisateurs peuvent, théoriquement, attribuer différents poids à ces facteurs en fonction de leurs préférences personnelles. Un utilisateur qui déteste attendre peut être prêt à payer un peu plus pour une station proche, tandis qu’un autre, plus flexible, peut opter pour une station plus éloignée mais avec un prix plus bas et pas de file d’attente. Ce modèle sophistiqué permet au système de proposer des recommandations de recharge personnalisées, augmentant la probabilité que les utilisateurs suivent les indications.
Le coordinateur : le rôle central de l’Opérateur du Système de Distribution (DSO)
Le succès de ce mécanisme dépend crucialement du DSO, qui agit comme coordinateur et arbitre neutre. Le DSO n’impose pas de prix, mais facilite un jeu coopératif entre les opérateurs des stations de recharge. Le processus fonctionne de manière itérative : le DSO reçoit les stratégies de tarification proposées par chaque station, simule le comportement des utilisateurs en réponse à ces prix et calcule la distribution de charge résultante. L’algorithme continue d’itérer, en ajustant les prix, jusqu’à atteindre un point d’équilibre où aucun opérateur ne peut améliorer sa situation en changeant unilatéralement son prix, et où l’objectif d’équilibre du système (la variance minimale de la charge) est satisfait.
Un aspect brillant du système est sa capacité à maintenir la coopération. Comment convaincre un opérateur d’une station sous-utilisée de participer, ou un opérateur d’une station prospère de ne pas se sentir désavantagé ? La réponse réside dans la distribution des profits. Le mécanisme utilise la valeur de Shapley, un concept de la théorie des jeux coopératifs, pour répartir les profits supplémentaires générés par l’alliance. La valeur de Shapley attribue à chaque participant une part du gain en fonction de sa contribution marginale au succès collectif. Par exemple, une station congestionnée qui accepte d’augmenter légèrement son prix pour détourner une partie de sa demande contribue de manière significative à la réduction de la congestion générale. De même, une station sous-utilisée qui baisse son prix pour attirer de nouveaux utilisateurs joue un rôle essentiel. La valeur de Shapley garantit que les deux reçoivent une part équitable des profits supplémentaires, assurant que chaque station gagne plus qu’elle ne le ferait en opérant de manière indépendante. Ce principe de « gain collectif » est la clé de la stabilité à long terme de l’alliance.
Résultats de la simulation : un système où tout le monde gagne
Pour tester la validité de leur modèle, les chercheurs ont mené une simulation détaillée basée sur une zone spécifique de Chengdu. Le scénario comprenait cinq stations de recharge rapide et 1 500 véhicules électriques, avec des schémas de déplacement dérivés des données réelles de transport par application. Les résultats ont été impressionnants et démontrent un avantage clair pour tous les acteurs impliqués.
Premièrement, l’objectif principal, la réduction de la variance de la charge, a été largement dépassé. La variance dans l’utilisation des stations a été réduite de 86,8 %. Cela signifie que la demande de recharge a été distribuée de manière extrêmement uniforme, éliminant les pics de congestion.
Deuxièmement, l’expérience utilisateur s’est considérablement améliorée. Le temps d’attente moyen aux stations les plus populaires, qui dépassait 10 minutes dans le scénario de référence, est tombé à moins de 2 minutes. Une réduction de 80 % transforme complètement l’expérience de la recharge rapide, la rendant beaucoup plus prévisible et moins stressante.
Troisièmement, et peut-être de manière contre-intuitive, les revenus des opérateurs de stations de recharge ont augmenté. Au total, les revenus quotidiens ont augmenté de 4,1 %, passant de 8 640 yuans à 8 996,6 yuans. Cette augmentation ne provient pas d’une hausse des prix moyens, mais du fait que le système capture une « demande latente ». Ce sont les utilisateurs qui, dans le scénario non coordonné, auraient abandonné la recharge en raison des longues files d’attente. Avec la possibilité de recharger dans une station voisine à un prix plus bas et sans attente, ces utilisateurs terminent maintenant leur recharge, générant de nouveaux revenus pour le système.
Enfin, le coût moyen par utilisateur est resté substantiellement inchangé. Le système n’oblige pas les utilisateurs à payer plus ; au contraire, il réaffecte le coût. Les utilisateurs qui choisissent de faire un trajet plus long pour obtenir un prix plus bas économisent de l’argent, tandis que ceux qui préfèrent la commodité d’une station proche paient un peu plus, mais en échange obtiennent des temps d’attente quasi nuls. Le résultat net est un système plus efficace et plus équitable.
Implications pour l’avenir de la mobilité urbaine
Cette recherche va bien au-delà de l’optimisation simple de la recharge. Elle représente un paradigme pour une gestion intelligente et collaborative de l’infrastructure urbaine. Ses implications sont vastes :
- Durabilité accrue : Un réseau de recharge plus équilibré réduit le risque de surcharges locales, améliorant la stabilité du réseau électrique et réduisant la nécessité de coûteuses mises à niveau de l’infrastructure.
- Efficacité économique : En augmentant l’utilisation de toutes les stations, le modèle améliore la viabilité économique de tout le réseau de recharge, encourageant davantage d’investissements.
- Un modèle reproductible : Le principe de coopération coordonnée peut être appliqué à d’autres services de mobilité partagée, comme le partage de vélos ou de scooters, où les problèmes de distribution spatiale sont similaires.
- Un nouveau rôle pour les autorités : Pour les villes et les régulateurs, cette approche offre une alternative au contrôle direct. Plutôt que d’imposer des prix fixes, elles peuvent faciliter la création de ces alliances coopératives, en fournissant le cadre réglementaire et les données nécessaires.
Défis et perspectives futures
Malgré les résultats prometteurs, le chemin vers une mise en œuvre à grande échelle présente des obstacles significatifs. Le premier est la confidentialité des données. La collecte de données détaillées sur la localisation et les habitudes de recharge des utilisateurs exige des protocoles rigoureux d’anonymisation et un consentement éclairé transparent pour garantir la confiance du public.
La scalabilité est un autre défi. Le modèle a été testé avec cinq stations, mais une grande métropole peut en compter des centaines. L’algorithme de jeu devra être optimisé pour gérer ces dimensions massives, probablement grâce à des architectures de calcul distribué.
Enfin, le succès dépend de l’adoption par les utilisateurs. Le mécanisme ne fonctionne que si les conducteurs suivent les recommandations du DSO. L’intégration fluide de ces recommandations dans les applications de navigation et de recharge que les utilisateurs utilisent déjà sera essentielle pour en faire le choix le plus pratique par défaut.
Conclusion : Vers un réseau de recharge plus intelligent et collaboratif
La transition vers les véhicules électriques ne concerne pas seulement le moteur, mais tout l’écosystème qui l’entoure. Le mécanisme de tarification dynamique proposé par Yang Shuai, Dai Chaohua, Guo Ai et Ye Shengyong représente une étape cruciale dans cette direction. En transformant la compétition en coopération, ils démontrent qu’il est possible de créer un système de recharge plus efficace, plus résilient et plus satisfaisant pour tous. Il ne s’agit pas d’obliger les utilisateurs à faire des choix inconfortables, mais de leur offrir de meilleures options, leur permettant à chacun de trouver son propre équilibre entre coût, temps et commodité. Cette approche intelligente et collaborative est exactement ce dont la mobilité urbaine a besoin pour relever les défis des prochaines années.
Yang Shuai, Dai Chaohua, Guo Ai, Ye Shengyong, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230614001