Une Stratégie Innovante pour l’Emplacement des Bornes de Recharge
L’essor spectaculaire des véhicules électriques (VE) est une réalité incontournable, redéfinissant les contours de l’industrie automobile et transformant en profondeur les infrastructures urbaines. Alors que les conducteurs abandonnent progressivement les moteurs thermiques, une nouvelle frontière se dessine : celle de l’intégration harmonieuse de cette mobilité électrique dans les réseaux électriques existants. L’adoption massive des VE, couplée à la nature aléatoire de leurs comportements de recharge, exerce une pression croissante sur les réseaux de distribution. Les pics de charge, souvent concentrés en fin de journée lorsque les utilisateurs rentrent chez eux, s’ajoutent aux pics de consommation résidentielle traditionnels, menaçant la stabilité du réseau et la qualité de la tension électrique. Cette chute de tension, ou « voltage sag », peut non seulement réduire l’efficacité des appareils connectés, mais aussi accélérer la dégradation des équipements et, dans les cas extrêmes, provoquer des coupures partielles. Jusqu’à présent, la planification des stations de recharge a été largement dominée par des considérations commerciales : maximiser les revenus, optimiser l’accessibilité ou suivre les flux de trafic. Ces approches, bien que pertinentes, traitent souvent le réseau électrique comme un simple fournisseur de puissance, ignorant les interactions complexes et critiques entre les flux de mobilité et la santé du système électrique. Ce cloisonnement des disciplines risque de conduire à un déploiement d’infrastructures qui aggrave les faiblesses du réseau au lieu de les résoudre.
Dans ce contexte, une étude pionnière menée par Ou Jiancong et Yang Lijie du Guangxi Communications Design Group Co., Ltd. propose une solution révolutionnaire. Publiée dans la revue Mechanical & Electrical Engineering Technology, leur recherche introduit un cadre de planification qui rompt radicalement avec les modèles conventionnels. Plutôt que de se concentrer sur la rentabilité ou la commodité, leur stratégie place la qualité de la tension électrique au cœur du processus décisionnel. Leur objectif n’est pas seulement de satisfaire la demande de recharge, mais de transformer les stations de recharge en outils actifs pour améliorer la performance et la résilience du réseau électrique. Leur méthode, fondée sur une intégration profonde entre les modèles de transport et d’énergie, vise à optimiser le positionnement des bornes de recharge pour maximiser la tension moyenne sur un alimenteur, une métrique fondamentale pour la stabilité du système.
Le défi central réside dans la dualité du comportement de recharge des VE. D’une part, il est profondément ancré dans les habitudes de mobilité : l’heure de retour à la maison, la distance parcourue, la durée du stationnement. D’autre part, il a un impact direct et significatif sur la physique du réseau électrique. Les modèles traditionnels de planification, en traitant ces deux aspects séparément, échouent à saisir cette synergie. Ou et Yang abordent ce problème en se concentrant sur les bornes de recharge lente (AC), qui constituent le type le plus répandu dans les zones résidentielles, les parkings et les lieux de travail. Bien qu’une borne individuelle de 7 kW puisse sembler modeste, leur nombre élevé et leur distribution géographique étendue en font un facteur de charge majeur pour les réseaux de distribution de moyenne tension. Leur stratégie dépasse la simple addition de puissance installée. Elle intègre une modélisation sophistiquée du comportement des utilisateurs, reconnaissant que la décision de charger dépend inextricablement des schémas de déplacement.
Le modèle commence par une analyse détaillée des caractéristiques de recharge des VE. Il modélise la distance journalière parcourue par les véhicules, une donnée clé qui détermine la quantité d’énergie nécessaire. Pour refléter la variabilité réelle des trajets – des courts déplacements domicile-travail aux excursions plus longues – les auteurs utilisent une distribution log-normale. Un élément crucial est le « moment de début de la recharge », qui est directement lié à l’heure de retour à domicile. Les chercheurs dérivent ce moment des probabilités de départ du travail, de la durée du trajet et de la durée de stationnement. Cette approche permet de construire un profil temporel de la demande de recharge qui s’aligne de manière réaliste avec le pic de consommation résidentielle, offrant une prédiction précise de quand le réseau sera le plus sollicité.
La véritable innovation du modèle réside dans l’introduction d’une « fonction de volonté spatiale ». Ce concept reconnaît une réalité fondamentale : les conducteurs de VE ont une forte préférence pour les bornes de recharge proches de leur domicile ou de leur lieu de travail. La probabilité d’utiliser une borne diminue rapidement avec la distance. Pour quantifier cette préférence, le modèle attribue des coordonnées géographiques aux véhicules et aux bornes de recharge potentielles, puis calcule la distance de trajet réelle le long du réseau routier. Cette méthode, bien plus précise que la simple distance à vol d’oiseau, permet de prédire avec une grande finesse où la demande de recharge est la plus susceptible de se concentrer. En fusionnant les données de mobilité avec la topologie du réseau électrique, les chercheurs parviennent à créer un profil de charge spatio-temporel extrêmement réaliste, qui reflète non seulement la quantité d’énergie requise, mais aussi sa distribution géographique.
Ce profil de charge, fruit d’une analyse interdisciplinaire entre transport et énergie, est ensuite intégré dans un modèle détaillé du réseau électrique. Le problème d’optimisation est formulé avec un objectif clair et ambitieux : maximiser la tension moyenne sur tous les nœuds de l’alimenteur. Cet objectif représente une rupture fondamentale, plaçant la santé du réseau électrique au centre du processus de planification. Le modèle est soumis à un ensemble rigoureux de contraintes opérationnelles qui garantissent la sécurité et la stabilité du système. Ces contraintes incluent :
- Les contraintes de flux de puissance : Les équations fondamentales qui assurent l’équilibre entre la puissance active et réactive à chaque nœud du réseau.
- Les contraintes de courant : Pour empêcher la surcharge des lignes électriques, qui pourrait entraîner des surchauffes et des défaillances.
- Les contraintes de tension : Pour maintenir la tension à chaque nœud dans les limites opérationnelles sécuritaires (par exemple, entre 9,7 kV et 10,7 kV pour un réseau de 10 kV).
- Les contraintes de capacité : Pour s’assurer que le nombre total de bornes de recharge planifiées ne dépasse pas la charge totale prévue des VE.
Pour résoudre ce problème complexe, non linéaire et à multiples variables, les chercheurs ont employé une version améliorée de l’algorithme de l’essaim de particules (Particle Swarm Optimization – PSO). Cet algorithme, inspiré du comportement collectif des bancs de poissons ou des vols d’oiseaux, explore intelligemment l’espace des solutions. Chaque « particule » représente une configuration possible de bornes de recharge (localisation et nombre). Les particules se déplacent dans l’espace des solutions, guidées à la fois par la meilleure solution qu’elles ont trouvée individuellement et par la meilleure solution découverte par tout l' »essaim ». La version améliorée utilisée par les auteurs accélère la convergence de l’algorithme vers la solution optimale, en évitant de rester piégé dans des solutions sous-optimales locales.
Pour valider l’efficacité de leur méthodologie, Ou et Yang ont mené une simulation sur un modèle d’un alimenteur de 10 kV à 8 nœuds, basé sur un réseau réel du China Southern Power Grid. Le modèle comprenait une charge résidentielle de base avec un pic nocturne et une charge additionnelle prévue de 70 kW provenant de VE. Deux scénarios ont été comparés :
- Méthode traditionnelle : Distribution uniforme de 2 bornes de recharge sur chacun des nœuds 3, 4, 5, 6 et 7.
- Méthode proposée : Positionnement optimisé basé sur la maximisation de la tension moyenne.
Les résultats ont été probants. La méthode traditionnelle a abouti à une tension moyenne sur l’alimenteur de 10,01 kV. En revanche, la méthode proposée a concentré de manière stratégique les bornes de recharge sur les nœuds 2, 4 et 6 (respectivement 4, 3 et 3 unités), atteignant une tension moyenne de 10,12 kV. Cette amélioration de 0,11 kV, bien que modeste en apparence, représente un progrès significatif en ingénierie électrique. Une tension plus élevée et plus stable signifie un réseau plus efficace, avec des pertes d’énergie réduites dans les lignes, une plus grande capacité à absorber de futures charges et une opération plus robuste et résiliente.
Cette recherche a des implications profondes pour les urbanistes, les gestionnaires de réseau et les décideurs politiques. Elle offre un outil concret pour passer d’une planification réactive, basée sur l’intuition, à une planification proactive, fondée sur les données. Au lieu de réagir aux problèmes de réseau après leur survenance, les gestionnaires peuvent désormais utiliser ce modèle pour positionner les bornes de recharge de manière à prévenir les problèmes avant qu’ils ne surviennent. Cela est particulièrement précieux dans les zones dotées de réseaux anciens ou disposant de budgets limités pour les extensions.
En outre, le travail d’Ou Jiancong et Yang Lijie souligne l’importance cruciale de la collaboration interdisciplinaire. La solution à un défi moderne comme l’électromobilité exige des experts qui comprennent à la fois les flux de trafic et la physique des réseaux électriques. Leur affiliation avec un groupe d’ingénierie des transports, combinée à leur expertise en planification des réseaux électriques, les positionne parfaitement pour construire ce pont entre les deux mondes. Leur étude est un exemple paradigmatique de la manière dont l’intégration de connaissances différentes peut générer des solutions plus intelligentes et durables.
La valeur de leur approche va bien au-delà de la simple stabilité de la tension. Un réseau plus sain est un réseau mieux préparé pour l’avenir. Il est plus capable d’intégrer d’autres technologies vertes, comme les panneaux solaires résidentiels ou les systèmes de stockage par batterie. De plus, lorsque la recharge des VE est planifiée de manière intelligente, ces véhicules peuvent évoluer d’êtres de simples consommateurs d’énergie à des ressources flexibles. Ils pourraient être utilisés pour fournir des services d’assistance au réseau, tels que l’équilibrage de la fréquence ou la fourniture de puissance réactive, devenant ainsi une partie intégrante de la solution pour un réseau plus intelligent.
En regardant vers l’avenir, le cadre développé par Ou et Yang est extrêmement flexible. Il pourrait être étendu pour intégrer des prix dynamiques de l’électricité, incitant les conducteurs à recharger pendant les heures de faible demande. Il pourrait également être adapté pour gérer la recharge bidirectionnelle (Vehicle-to-Grid, V2G), où les véhicules non seulement prélèvent de l’énergie du réseau, mais peuvent aussi la restituer pendant les pics de demande. L’intégration avec des prévisions météorologiques pour l’énergie solaire ou avec des données de trafic en temps réel pourrait rendre le modèle encore plus puissant et prédictif.
En conclusion, la recherche d’Ou Jiancong et Yang Lijie représente un pas décisif vers une ère d’électromobilité véritablement intégrée et durable. En transformant la planification des stations de recharge d’une simple activité d’installation en un acte d’ingénierie de système, ils offrent une vision qui va bien au-delà de la mobilité propre. Ils démontrent qu’avec la bonne stratégie, les véhicules électriques peuvent non seulement ne pas être un problème pour le réseau, mais devenir un allié précieux pour le rendre plus fort, plus efficace et plus résilient. Cette étude fournit un guide pratique et scientifiquement solide pour les villes qui souhaitent adopter l’avenir de la mobilité électrique de manière intelligente et responsable.
Ou Jiancong, Yang Lijie. Une Stratégie Innovante pour l’Emplacement des Bornes de Recharge. Mechanical & Electrical Engineering Technology. DOI: 10.3969/j.issn.1009-9492.2024.07.046