Une stratégie intelligente réduit les coûts de recharge des véhicules électriques de 30 %
Une étude révolutionnaire menée par la société d’alimentation électrique de Xining, filiale de State Grid Qinghai Electric Power Company, propose une solution inédite pour optimiser la recharge des véhicules électriques (VE) tout en renforçant la stabilité des réseaux électriques. Dirigée par les ingénieurs Zhao Jifang et Zhu Xiaoming, cette recherche introduit un modèle de planification de charge fondé sur l’optimisation convexe, une approche mathématique rigoureuse capable de réduire considérablement les coûts énergétiques pour les propriétaires de VE, tout en atténuant les pressions croissantes exercées sur les infrastructures électriques urbaines. Publiée dans la revue Microcomputer Applications, cette avancée majeure répond à l’un des défis les plus critiques de la transition énergétique : la gestion de l’impact massif des véhicules électriques sur les réseaux de distribution.
L’essor des véhicules électriques marque une transformation profonde du secteur automobile. Prometteurs d’une mobilité plus propre et plus durable, des millions de consommateurs à travers le monde abandonnent progressivement les moteurs à combustion pour adopter la propulsion électrique. Cependant, ce succès comporte une face cachée. Le comportement de recharge de la majorité des utilisateurs – souvent concentré en fin de journée, dès leur retour à domicile – crée des pics de demande électrique soudains et intenses. Ce phénomène, connu sous le nom de « recharge concentrée », peut entraîner une surcharge des transformateurs, une chute de tension, une augmentation des pertes réseau et une dégradation de la qualité de l’alimentation électrique, en particulier dans les quartiers desservis par des infrastructures anciennes. Sans une gestion intelligente, cet afflux massif de nouvelles charges pourrait compromettre la fiabilité du réseau, transformant le rêve d’une mobilité verte en un cauchemar opérationnel pour les gestionnaires de réseau et un fardeau financier pour les consommateurs.
La recherche de Zhao et Zhu s’attaque à ce défi non pas comme un simple problème de gestion de la demande, mais comme une opportunité de repenser le rôle même du véhicule électrique au sein du système énergétique global. L’idée centrale est simple mais puissante : la recharge n’a pas besoin d’être instantanée ou effectuée à pleine puissance dès le branchement. En déplaçant stratégiquement le moment et l’intensité de la charge, il devient possible d’aplanir la courbe de consommation, d’éviter les périodes de pointe les plus coûteuses et de réduire drastiquement le coût total de l’énergie. Le véritable génie de la solution réside dans le cadre mathématique choisi : l’optimisation convexe.
L’optimisation convexe est une branche des mathématiques appliquées dédiée à la minimisation ou à la maximisation de fonctions sous certaines contraintes. Sa force principale réside dans sa fiabilité : lorsqu’un problème est « convexe », toute solution locale trouvée est automatiquement la meilleure solution globale possible. Cela garantit que l’algorithme n’aboutit pas à un compromis sous-optimal, mais trouve systématiquement la configuration la plus efficace. Dans le contexte de la recharge des véhicules électriques, la fonction objectif est le coût total de l’énergie consommée par l’ensemble des véhicules sur une période de 24 heures. Ce coût n’est pas fixe ; il varie dynamiquement en fonction du prix de l’électricité en temps réel, qui reflète la demande et la disponibilité de la production à chaque instant. Pendant les heures de pointe, lorsque la demande est élevée, le prix du kilowattheure est maximal. Pendant les heures creuses, notamment la nuit, le prix est nettement plus bas.
Le modèle développé par l’équipe de Xining traite chaque véhicule électrique comme une « charge flexible » qui peut être programmée dans une fenêtre de temps définie par l’utilisateur, généralement comprise entre l’heure de retour à la maison et l’heure de départ le lendemain. Chaque véhicule a un besoin énergétique spécifique, déterminé par son état de charge initial et le niveau de charge souhaité au moment du départ. L’algorithme calcule alors le profil de puissance de recharge optimal pour chaque véhicule, garantissant que tous atteignent leur niveau de charge cible à temps, tout en minimisant le coût total pour l’ensemble du système. Ce qui rend ce modèle particulièrement robuste, c’est qu’il ne se contente pas de considérer le coût direct de l’électricité, mais intègre également l’impact que la recharge des véhicules a sur l’ensemble du réseau électrique, y compris les coûts associés aux pertes de transmission et aux écarts de tension.
Les contraintes du modèle ont été soigneusement conçues pour refléter les limites du monde réel. La puissance de recharge ne peut pas dépasser la capacité maximale du véhicule ou les limites de sécurité du circuit domestique. L’énergie totale fournie doit satisfaire les besoins du conducteur. Et, élément crucial, le système doit maintenir les niveaux de tension dans des plages sûres pour prévenir les dommages aux appareils et assurer une qualité de l’énergie adéquate. En formulant ces conditions comme des contraintes linéaires et la fonction de coût comme une expression quadratique convexe, les chercheurs transforment un problème complexe et non linéaire en un problème qui peut être résolu de manière efficace et fiable à l’aide d’outils d’optimisation standard.
Pour valider leur modèle, l’équipe a mené une simulation détaillée basée sur le système d’alimentation IEEE à 4 nœuds, un banc d’essai largement reconnu dans la recherche sur les réseaux électriques. La configuration représente un réseau de distribution urbain typique, avec 18 clients résidentiels connectés via un transformateur de 63 kVA. Dans ce scénario, chaque foyer possède un véhicule électrique équipé d’une batterie de 20 kWh et d’une capacité de charge de 3 kW. La charge de base, qui inclut l’éclairage, les appareils ménagers et la climatisation, suit un profil quotidien réaliste avec un pic prononcé entre 16h00 et 21h00. Le prix de l’électricité en temps réel a été modélisé comme une fonction linéaire de la demande totale, avec des tarifs plus élevés pendant les heures de pointe pour refléter le coût réel de la fourniture d’énergie.
Deux scénarios de recharge ont été comparés. Le premier, représentant un comportement non contrôlé, suppose que chaque véhicule commence à charger à sa puissance maximale dès qu’il est branché, indépendamment de l’heure ou du prix de l’électricité. Ce scénario reflète la réalité actuelle pour la majorité des utilisateurs, qui privilégient la commodité au détriment du coût ou de l’impact sur le réseau. Le second scénario met en œuvre l’algorithme d’optimisation convexe, qui programme dynamiquement la recharge, ajustant la puissance de chaque véhicule au fil du temps pour minimiser le coût total du système.
Les résultats ont été frappants. Dans le scénario non contrôlé, la charge maximale du système a atteint 97,8 kW, dépassant largement la capacité du transformateur de 63 kVA, ce qui indique clairement un risque de surcharge et d’instabilité. La charge moyenne était de 49,9 kW, avec un facteur de charge de 51 %. Le coût total de recharge pour tous les véhicules s’est élevé à 256,2 yuans (environ 35 dollars américains). En outre, la tension minimale est tombée à 0,78 p.u. (par unité), bien en dessous du seuil acceptable de 0,9, signalant une mauvaise qualité de l’énergie et un risque de dysfonctionnement des équipements.
En revanche, le scénario optimisé a radicalement transformé le comportement du système. La charge maximale a été réduite à 56,5 kW, soit une diminution de 42,2 %, restant ainsi bien en deçà des limites de sécurité du transformateur. Le facteur de charge est passé à 88 %, indiquant une courbe de demande beaucoup plus plate et efficace. Le coût total de recharge est tombé à 179,8 yuans, une économie de 76,4 yuans, soit 29,7 %. Le résultat le plus significatif concerne peut-être la qualité de la tension : la tension minimale est passée à 0,88 p.u. et la tension moyenne est montée à 0,92 p.u., démontrant une amélioration marquée de la qualité de l’énergie et de la résilience du réseau.
Ces résultats démontrent que la recharge intelligente n’est pas seulement une affaire d’économie pour les consommateurs, mais un outil essentiel pour préserver l’intégrité du réseau électrique. En déplaçant la charge des heures de pointe vers les heures creuses, l’optimisation réalise un effet de « remplissage des creux » et de « rabotage des pics », aplanissant la courbe de la demande et réduisant la nécessité d’investissements coûteux dans l’infrastructure. Les compagnies d’électricité bénéficient d’une moindre sollicitation des transformateurs et des lignes, tandis que les consommateurs profitent de factures plus basses et d’un service plus fiable. L’environnement en tire également profit, car un réseau plus stable peut intégrer plus efficacement les sources d’énergie renouvelable, comme l’énergie solaire et éolienne, qui sont par nature intermittentes.
L’étude souligne également le rôle crucial des incitations financières dans la modulation du comportement des utilisateurs. Bien que le modèle suppose une participation totale au programme de planification, dans la pratique, un certain type de compensation ou de signal tarifaire serait nécessaire pour encourager l’adoption. Les tarifs dynamiques (time-of-use), où le prix de l’électricité varie selon l’heure de la journée, sont déjà en vigueur dans de nombreuses régions et servent de mécanisme naturel pour aligner les choix des consommateurs sur les besoins du système. Le cadre d’optimisation convexe peut être intégré à des plateformes de recharge gérées par les fournisseurs d’énergie ou à des systèmes intelligents de gestion de l’énergie domestique, permettant aux utilisateurs de définir leurs préférences et laissant l’algorithme gérer le reste.
L’une des principales forces de cette approche est sa scalabilité. La complexité computationnelle de l’optimisation convexe augmente de manière prévisible avec le nombre de véhicules, ce qui la rend adaptée à un déploiement à l’échelle d’un quartier, d’une ville ou même d’une région entière. Contrairement aux méthodes heuristiques, qui peuvent rester coincées dans des solutions sous-optimales, l’optimisation convexe garantit le meilleur résultat possible compte tenu d’un ensemble de contraintes. Cette fiabilité est fondamentale pour les opérateurs de réseau, qui doivent assurer la sécurité et la fiabilité en tout temps.
En outre, le modèle est hautement adaptable. Il peut être étendu pour inclure la fonctionnalité « véhicule vers réseau » (V2G), où les véhicules ne se contentent pas de prélever de l’énergie du réseau, mais peuvent également la lui restituer pendant les pics de demande, agissant ainsi comme des batteries distribuées. Il peut intégrer des prévisions de production d’énergie renouvelable, permettant aux véhicules de charger lorsque la production solaire ou éolienne est élevée, réduisant encore davantage la dépendance aux combustibles fossiles. Il peut également être combiné avec des systèmes de gestion de l’énergie des bâtiments pour optimiser l’utilisation de panneaux solaires, de batteries et d’autres charges.
Les implications de cette recherche vont bien au-delà des performances techniques. Elle représente un changement de paradigme : passer d’une vision du véhicule électrique comme un problème à gérer à celle d’une ressource précieuse à exploiter. Avec les bonnes politiques et technologies, des millions de voitures stationnées peuvent se transformer en un vaste réseau de stockage distribué, offrant flexibilité et stabilité au système énergétique. Cette vision est au cœur du concept de « smart grid » (réseau intelligent), où l’intelligence numérique permet un flux bidirectionnel d’énergie et d’informations, créant un système énergétique plus efficace, résilient et durable.
Le travail de Zhao et Zhu s’inscrit dans un corpus de recherche en pleine expansion qui explore la convergence entre les transports et l’énergie. Des études antérieures ont examiné des modèles basés sur la théorie des jeux, l’apprentissage automatique et des stratégies de contrôle décentralisé pour la recharge des véhicules électriques. Ce qui distingue cette étude, c’est sa base mathématique solide et la démonstration claire de bénéfices tangibles dans un environnement réaliste. En utilisant un système de test standard et des métriques bien définies, les auteurs fournissent une référence précieuse pour comparer et évaluer d’autres méthodes.
Les résultats ont également une importance politique. Alors que les gouvernements fixent des objectifs ambitieux pour l’adoption des véhicules électriques, ils doivent également investir dans l’infrastructure de soutien : non seulement des stations de recharge, mais aussi les mécanismes logiciels et de marché qui permettent leur fonctionnement efficace. Les cadres réglementaires doivent promouvoir la tarification dynamique, l’échange de données et l’interopérabilité entre véhicules, chargeurs et compagnies d’électricité. Des campagnes de sensibilisation publique peuvent aider les conducteurs à comprendre les avantages d’une recharge flexible, transformant des consommateurs passifs en acteurs actifs de la transition énergétique.
La prochaine étape logique est la mise en œuvre dans le monde réel. Bien que les simulations soient précieuses, le véritable test de tout modèle est sa performance sur le terrain. Des programmes pilotes impliquant des centaines, voire des milliers, d’utilisateurs de véhicules électriques pourraient valider l’efficacité de l’algorithme, mesurer la satisfaction des utilisateurs et identifier les obstacles pratiques à son adoption. L’intégration avec les systèmes existants des fournisseurs d’énergie, les considérations de cybersécurité et la protection de la vie privée des données seraient des aspects cruciaux à aborder.
Un autre domaine de recherche future concerne l’impact du comportement hétérogène des utilisateurs. Tous les conducteurs n’ont pas la même flexibilité. Certains ont besoin que leur véhicule soit complètement chargé immédiatement, tandis que d’autres peuvent attendre. Certains privilégient l’économie de coût, d’autres valorisent davantage la commodité. Un système de planification robuste doit tenir compte de ces différences, peut-être à travers des niveaux de service hiérarchisés ou des structures d’incitation.
La dégradation de la batterie est un autre facteur qui pourrait être intégré au modèle. Bien que les batteries modernes soient conçues pour une longue durée de vie, une recharge rapide fréquente et des cycles profonds peuvent accélérer leur usure. Un optimiseur avancé pourrait équilibrer les économies de coût avec la santé de la batterie, recommandant une recharge plus lente et plus douce lorsque cela est possible pour prolonger la durée de vie du véhicule.
En conclusion, la recherche de Zhao Jifang et Zhu Xiaoming offre une solution convaincante à l’un des défis les plus critiques de la décarbonation des transports. En appliquant l’optimisation convexe à la recharge des véhicules électriques, ils ont démontré une voie vers des coûts plus bas, une plus grande efficacité et un réseau plus stable. Leur travail est un témoignage du pouvoir de la pensée interdisciplinaire, combinant des connaissances en ingénierie électrique, en recherche opérationnelle et en économie pour résoudre un problème complexe du monde réel.
Alors que le monde s’oriente vers un avenir à zéro émission, l’intégration des véhicules électriques dans le système énergétique deviendra de plus en plus cruciale. Des études comme celle-ci fournissent la base technique nécessaire à cette intégration, montrant que, avec les bons outils, la transition peut être non seulement durable, mais aussi économiquement avantageuse pour toutes les parties prenantes. La route vers un avenir énergétique plus propre et plus intelligent est en construction, un cycle de charge optimisé à la fois.
Zhao Jifang, Zhu Xiaoming, Xining Power Supply Company of State Grid Qinghai Electric Power Company. Optimal Charging Scheduling Model of Electric Vehicle in Distribution Networks Based on Convex Optimization. Microcomputer Applications. DOI: 10.1007-757X(2024)07-0164-04