Une Stratégie Intelligente Renforce la Durabilité des Bornes de Recharge
L’essor spectaculaire des véhicules électriques (VE) transforme en profondeur le paysage de la mobilité. Alors que l’attention se concentre souvent sur les performances des véhicules, l’autonomie des batteries et la densité des réseaux de recharge, un défi crucial, mais souvent négligé, émerge : la santé et la longévité des infrastructures de recharge elles-mêmes. Un point de charge n’est pas un simple robinet d’électricité ; c’est un système complexe, soumis à des contraintes thermiques, électriques et mécaniques répétées, dont la dégradation inégale peut compromettre la fiabilité du réseau et gonfler les coûts d’exploitation. Une étude de pointe publiée dans le Chinese Journal of Automotive Engineering par Lu Yang, Liu Niexuan et Huang Hongye, chercheurs au State Grid Electric Power Research Institute, NARI Group Corporation, propose une solution révolutionnaire. Leur stratégie de planification de la recharge, basée sur l’état de santé des bornes, ne se contente pas d’optimiser le temps d’attente des utilisateurs ; elle vise activement à maximiser la durée de vie des équipements, posant ainsi les bases d’une infrastructure de mobilité électrique plus durable et plus intelligente.
Le modèle actuel de gestion des stations de recharge, souvent basé sur une simple logique de « premier arrivé, premier servi », présente des failles fondamentales. Cette approche passive conduit inévitablement à une utilisation inégale des bornes. Celles situées à des emplacements privilégiés ou les plus rapides sont surutilisées, subissant un nombre disproportionné de cycles de charge rapide, les plus exigeants pour les composants électroniques. Cette surcharge répétée accélère la dégradation des modules de puissance, des systèmes de refroidissement et des connecteurs, augmentant le risque de pannes. Pendant ce temps, d’autres bornes, moins accessibles, restent sous-utilisées, représentant un gaspillage de capacité et un manque à gagner pour les opérateurs. Ce déséquilibre crée un réseau fragile, où la disponibilité est imprévisible et où les coûts de maintenance grimpent en flèche. La stratégie proposée par les chercheurs de NARI Group rompt avec ce cycle vicieux en introduisant un concept central : la santé de la borne comme critère décisionnel prioritaire.
L’innovation majeure réside dans la création d’un modèle d’évaluation de la santé des bornes de recharge (Health Assessment Model) d’une précision et d’une exhaustivité inédites. Plutôt que de se fier à des indicateurs grossiers, les chercheurs ont construit un cadre d’évaluation fondé sur 26 indicateurs spécifiques, regroupés en six modules fonctionnels clés : puissance, contrôle, communication, pistolet de charge, composants critiques et facteurs environnementaux. Cette structure multidimensionnelle permet une analyse fine de l’état de santé global de chaque unité.
Le modèle intègre à la fois des paramètres de performance électrique et des indicateurs de sécurité. Parmi les indicateurs électriques, on retrouve l’erreur de tension et de courant de sortie, la précision de la régulation de tension et de courant, le déséquilibre de courant entre les modules en parallèle (un facteur crucial pour la longévité), le facteur de puissance et le rendement global du système. Une dérive même minime de ces paramètres est un signe précoce de détérioration des circuits internes. Par exemple, un rendement en baisse signifie non seulement une perte d’efficacité énergétique, mais aussi une génération accrue de chaleur, alimentant un cercle vicieux de vieillissement. Les indicateurs de sécurité sont tout aussi cruciaux. Le modèle surveille en continu des températures critiques : celles des modules de contrôle et de communication, celle du pistolet de charge pendant l’opération, ainsi que les températures extrêmes (minimale et maximale) de la batterie du véhicule. Les hautes températures sont l’un des principaux ennemis de l’électronique de puissance. Un pistolet de charge qui chauffe excessivement ou un module de contrôle fonctionnant en permanence à ses limites thermiques voit sa durée de vie considérablement réduite. Le modèle prend également en compte la fréquence des pannes de composants spécifiques, tels que les contacteurs CA, les interrupteurs d’arrêt d’urgence, les lecteurs de carte, les ventilateurs et les parafoudres. La récurrence de ces incidents est un indicateur direct de la fiabilité du système. Enfin, l’âge du pistolet de charge est intégré, reconnaissant l’usure mécanique inévitable liée aux cycles de connexion/déconnexion.
Pour transformer cette masse de données hétérogènes en une métrique unique et exploitable, les chercheurs ont développé un indice de santé normalisé sur une échelle de 0 à 1. Un score de 1 correspond à une borne neuve et en parfaite condition, tandis qu’un score de 0 indique une unité complètement hors service. Le processus de calcul est une prouesse d’objectivité. Après une étape de normalisation des données brutes, le modèle attribue un poids à chaque indicateur en utilisant la méthode de pondération par entropie. Cette technique statistique avancée détermine l’importance de chaque indicateur de manière objective, en fonction de sa variabilité et de son impact sur l’état général du système. Les indicateurs qui varient le plus et qui sont les plus corrélés à la dégradation reçoivent un poids plus élevé. Par exemple, les pannes de contacteurs CA et d’interrupteurs d’arrêt d’urgence, identifiées comme des points de défaillance critiques dans les données de terrain, ont reçu les poids les plus élevés (0,1919 et 0,2192 respectivement), soulignant leur rôle prépondérant dans la santé globale de la borne.
L’étape suivante, et la plus révolutionnaire, est l’intégration de cet indice de santé dans le processus de planification de la recharge. L’équipe a conçu un modèle d’optimisation qui prend en compte deux variables fondamentales pour chaque véhicule en attente : la durée de charge requise et l’état de santé des bornes disponibles. Pour uniformiser le processus, la charge nécessaire (en kWh) est convertie en temps de charge, créant ainsi une variable temporelle. Le rôle de l’opérateur de station de recharge évolue donc : il ne s’agit plus de simplement attribuer la première borne libre, mais de résoudre un problème d’optimisation complexe. L’objectif est double et souvent contradictoire : maximiser la santé globale de la station de recharge sur le long terme, tout en minimisant la variance de santé entre les différentes bornes. Cela signifie éviter que certaines bornes deviennent des « points faibles » en étant surchargées, tout en s’assurant qu’aucune borne n’est laissée à l’abandon.
Pour résoudre ce dilemme, les chercheurs ont choisi l’algorithme NSGA-II (Non-dominated Sorting Genetic Algorithm II), une technique de pointe en optimisation multi-objectifs. Contrairement aux méthodes traditionnelles qui cherchent une solution unique « optimale », NSGA-II génère un ensemble de solutions de compromis, appelé front de Pareto. Cela donne à l’opérateur une palette de choix, lui permettant de sélectionner la stratégie qui correspond le mieux à ses priorités spécifiques, qu’il s’agisse de maximiser la durée de vie globale ou d’assurer une utilisation parfaitement équilibrée. La supériorité de NSGA-II sur d’autres algorithmes, comme l’optimisation par essaim de particules (PSO), a été démontrée de manière convaincante dans les simulations.
La validation de cette stratégie s’est appuyée sur des données réelles provenant de 10 bornes de recharge situées dans la province du Jiangsu, en Chine. Les chercheurs ont simulé une année complète d’opérations sous trois scénarios distincts : un scénario de base sans aucune optimisation (attribution aléatoire), le modèle de santé proposé optimisé avec l’algorithme PSO, et le même modèle optimisé avec l’algorithme NSGA-II. Cette comparaison rigoureuse a mis en lumière la puissance de l’approche.
Les résultats ont été spectaculaires. Lorsque la stratégie fondée sur la santé et optimisée avec NSGA-II a été mise en œuvre, la santé annuelle moyenne de toute la station de recharge a augmenté de 18,54 % par rapport au scénario sans optimisation. À l’échelle individuelle, chaque borne a vu sa santé annuelle moyenne s’améliorer de 1,85 %. En comparaison, l’optimisation avec l’algorithme PSO n’a permis qu’une amélioration modeste de 2,76 % pour la station et de 0,27 % pour les bornes individuelles, soulignant la supériorité décisive de l’approche NSGA-II.
Un résultat encore plus révélateur concerne la variance de santé. Dans le scénario sans optimisation, la variance mensuelle de santé de la station a tendance à augmenter au fil du temps, atteignant un maximum de 0,0020. Cette tendance à la hausse est un indicateur clair d’un déséquilibre croissant : certaines bornes se dégradent beaucoup plus vite que d’autres, créant des points de défaillance potentiels. Sous la stratégie optimisée NSGA-II, la variance n’a pas seulement été réduite, elle a montré une tendance à la stabilisation. Son maximum a été ramené à 0,0015, témoignant d’une utilisation bien plus équilibrée et d’un réseau bien plus résilient. Cette uniformité est essentielle pour une maintenance prédictive efficace et une disponibilité élevée.
L’analyse des données annuelles de service a révélé le mécanisme de cette réussite. Dans le scénario sans optimisation, le nombre de véhicules servis par borne était relativement uniforme, mais cette apparente égalité masquait une allocation inefficace de la charge. La stratégie intelligente, guidée par l’état de santé, a ajusté les attributions de manière dynamique. Les bornes en meilleure santé ont été privilégiées pour les sessions de charge plus longues ou plus puissantes, exploitant leur pleine capacité, tandis que les bornes dont la santé était plus fragile ont été réservées à des charges plus courtes ou moins exigeantes. Cette approche préventive protège les unités les plus vulnérables d’un usure prématurée, prolongeant ainsi la durée de vie de l’ensemble du parc.
Pour les opérateurs commerciaux, les implications sont profondes. Leur rentabilité repose sur la maximisation des revenus grâce à une forte utilisation, tout en minimisant les coûts de maintenance et de remplacement. Cette stratégie offre une solution élégante à ce dilemme. En prolongeant significativement la durée de vie des équipements, elle reporte les coûteux investissements en capital. En réduisant la fréquence des pannes et la nécessité de maintenance réactive, elle diminue les coûts opérationnels et améliore la satisfaction client. Un système plus sain et plus prévisible se traduit directement par une meilleure expérience utilisateur.
Au-delà de la gestion des actifs, ce modèle jette les bases d’une maintenance véritablement prédictive. En surveillant en continu les indicateurs de santé, les opérateurs peuvent détecter des signes précoces de dégradation, comme une hausse progressive de la température d’un module ou une augmentation de la fréquence des erreurs d’un composant. Cela permet de planifier les interventions de maintenance aux moments de faible demande, évitant les interruptions coûteuses et optimisant l’efficacité.
La scalabilité de l’approche est un autre atout majeur. Bien que la validation ait été effectuée sur une seule station, les principes sous-jacents sont applicables à des réseaux de toute taille, des petites installations urbaines aux grands corridors d’autoroute. À l’avenir, ce système pourrait être intégré à des plateformes de gestion de flotte ou à des applications de navigation pour rediriger proactivement les conducteurs vers les stations et les bornes qui ne sont pas seulement disponibles, mais aussi dans les meilleures conditions pour gérer leur demande de charge.
Les chercheurs reconnaissent que la mise en œuvre pratique nécessite une intégration étroite avec les plateformes de gestion de recharge existantes et une standardisation des protocoles de données de santé. Néanmoins, leur travail fournit un cadre clair, technique et fondé sur des données pour la prochaine génération d’infrastructures de recharge intelligentes. L’utilisation d’un algorithme de pointe et bien documenté comme NSGA-II ajoute une grande crédibilité et transparence aux résultats.
En conclusion, la recherche de Lu Yang, Liu Niexuan et Huang Hongye marque une étape décisive dans l’évolution de l’infrastructure des véhicules électriques. En déplaçant le focus de la simple disponibilité à la santé holistique des actifs, elle établit une nouvelle norme en matière de durabilité et d’efficacité. Alors que le monde s’oriente vers une mobilité entièrement électrifiée, des innovations de ce type seront essentielles pour garantir que l’infrastructure puisse soutenir la demande à long terme, non seulement en termes de capacité, mais aussi en termes de fiabilité et de durabilité. Cette stratégie ne se contente pas de charger plus vite ; elle vise à charger de manière à préserver et à optimiser l’écosystème précieux qui rend la mobilité électrique possible.
Lu Yang, Liu Niexuan, Huang Hongye, State Grid Electric Power Research Institute, NARI Group Corporation, Chinese Journal of Automotive Engineering, DOI: 10.3969/j.issn.2095‒1469.2024.06.09