Véhicules électriques : comment la demande élastique transforme les villes
Une étude novatrice à la croisée de l’ingénierie des systèmes électriques et de la planification des transports urbains vient de dévoiler un nouveau cadre mathématique capable de modéliser les interactions complexes entre le comportement des conducteurs de véhicules électriques (VE) et la dynamique opérationnelle des réseaux électriques et routiers. Alors que les villes accélèrent leur transition vers la mobilité électrique, il devient crucial de comprendre comment les utilisateurs de VE réagissent aux variations en temps réel de la congestion routière et des prix de l’électricité — autant pour la stabilité du réseau que pour une planification urbaine équitable et efficace.
Cette recherche, menée par une équipe de l’Université de Fuzhou et de l’Université Tsinghua, introduit un modèle innovant de jeu à deux niveaux fondé sur la théorie des quasi-inégalités variationnelles (QVI). Publiée dans les Proceedings of the CSEE, l’étude relève un défi de longue date : comment prendre en compte la demande élastique, c’est-à-dire le phénomène selon lequel le nombre de trajets effectués par les utilisateurs de VE n’est pas fixe, mais répond dynamiquement aux coûts du voyage, incluant à la fois le temps passé dans les embouteillages et le prix de la recharge.
Les modèles traditionnels supposaient souvent une demande de transport statique, considérant le nombre de véhicules sur la route comme prédéterminé. Bien que cette simplification facilite les calculs, elle ne reflète pas la réalité du terrain, où les usagers peuvent reporter un trajet, se tourner vers les transports en commun, ou même annuler leur déplacement si la congestion s’aggrave ou si le coût de recharge devient trop élevé. En intégrant l’élasticité, le nouveau modèle capte une boucle de rétroaction : des coûts de transport plus élevés réduisent la demande, ce qui atténue à son tour la congestion et soulage le réseau électrique — une nuance ignorée par les approches rigides.
Au cœur de la méthode se trouve un concept d’équilibre à double couche. La couche interne représente les décisions stratégiques des usagers. Face aux informations sur l’état du trafic et les tarifs des bornes de recharge, les conducteurs de VE et de véhicules thermiques choisissent individuellement les itinéraires minimisant leurs coûts. Cette couche débouche sur un équilibre utilisateur où aucun conducteur ne peut réduire son coût en changeant unilatéralement de route — un principe classique de l’économie des transports, désormais étendu à la recharge et à la génération élastique de trajets.
La couche externe modélise l’interaction entre le réseau de transport et le réseau de distribution électrique. L’opérateur du système électrique résout un problème d’optimisation de flux incluant la charge de recharge des VE comme une demande flexible mais sensible aux prix. Les prix marginaux de l’électricité issus de cette optimisation — en particulier les prix marginaux locaux — sont ensuite réinjectés dans le modèle de transport sous forme de tarifs de recharge dynamiques. Ainsi se crée un système en boucle fermée : le trafic détermine où et quand les VE se rechargent, ce qui façonne la charge électrique ; la réponse du réseau à cette charge influence ensuite les décisions futures des conducteurs via les prix.
Pour résoudre ce système interdépendant et complexe, l’équipe a développé une architecture algorithmique spécialisée. La boucle externe utilise une itération à point fixe alternant entre la résolution de l’équilibre du trafic et celle du flux électrique. À chaque itération, l’équilibre interne — compliqué par le fait que l’ensemble des demandes de transport dépend lui-même du coût à l’équilibre — est résolu au moyen d’un algorithme d’approximation par projection visqueuse. Cette technique gère habilement la nature set-valued de la demande élastique en affinant itérativement une estimation du domaine faisable jusqu’à convergence.
Le modèle a été rigoureusement testé sur un système intégré réel basé sur Fuzhou, une grande ville du sud-est de la Chine. Le banc d’essai combinait un réseau de transport à 45 nœuds avec un réseau de distribution radial à 56 nœuds, incluant quatre stations de recharge stratégiquement placées. Les simulations ont révélé plusieurs enseignements majeurs aux implications pratiques profondes.
Premièrement, ignorer l’élasticité de la demande surestime considérablement le stress sur le réseau. Avec une demande fixe (inélastique), la charge de recharge résultante était systématiquement plus élevée, augmentant les coûts opérationnels pour le gestionnaire. En revanche, le modèle élastique a montré qu’une hausse des prix de recharge ou des temps de trajet incitait certains usagers à renoncer à leurs déplacements, réduisant naturellement la demande de pointe. Ce comportement autorégulateur abaisse non seulement le coût total d’exploitation du réseau, mais aussi équilibre mieux l’utilisation des infrastructures de recharge.
Deuxièmement, l’étude démontre que l’élasticité favorise l’équité tarifaire et la stabilité du réseau. Dans des conditions inélastiques, les prix marginaux variaient fortement d’une station à l’autre, reflétant des congestions ou problèmes de tension sur certains nœuds. Avec une demande élastique, ces disparités tarifaires se réduisaient sensiblement. La raison est intuitive : lorsqu’une station devient trop chère à cause d’une congestion locale, les usagers sensibles aux prix se reportent vers des alternatives ou réduisent leurs déplacements, atténuant ainsi le goulot d’étranglement. Cet équilibrage dynamique empêche tout nœud de devenir un point de défaillance critique.
Troisièmement, la recherche a quantifié le rôle des paramètres de sensibilité des utilisateurs. À l’aide d’une fonction de demande de type Logit, l’équipe a fait varier deux facteurs clés : l’« attractivité » des destinations (un proxy du besoin ou désir de voyager) et le « paramètre d’élasticité négative » (mesurant la réactivité des usagers aux hausses de coûts). Ils ont constaté que les coûts opérationnels du réseau sont bien plus sensibles aux changements d’attractivité des destinations qu’à ceux de la sensibilité aux prix. Autrement dit, le volume brut de trajets souhaités influence davantage le stress du réseau que la versatilité des usagers face aux coûts. Toutefois, dans certains scénarios — comme lorsqu’une station éloignée sert de soupape lors de congestions en centre-ville — une forte élasticité peut produire des effets non monotones, où la demande augmente puis réduit la charge sur une station donnée.
D’un point de vue politique, ces résultats sont inestimables. Les urbanistes et gestionnaires de réseau ne peuvent plus considérer l’adoption des VE comme un simple problème d’ajout de charge. La réponse comportementale des usagers est un puissant mécanisme intégré d’ajustement de la demande. Les stratégies tarifaires pour les infrastructures de recharge publique devraient donc non seulement viser à couvrir les coûts ou gérer les pics, mais aussi chercher à exploiter cette élasticité pour l’efficacité globale du système. Par exemple, une tarification dynamique transparente et prévisible peut guider les choix des usagers pour stabiliser collectivement les réseaux de transport et d’énergie.
De plus, le modèle offre un outil robuste pour les décisions d’investissement infrastructurel. En simulant l’état d’équilibre sous divers scénarios — comme l’ajout d’une nouvelle station ou la modernisation d’une ligne électrique — les autorités peuvent anticiper non seulement l’impact direct, mais aussi les changements induits dans les comportements de déplacement et de recharge. Cette vision holistique évite des erreurs coûteuses, comme installer une borne haute capacité dans un lieu que les usagers éviteront en raison d’un accès routier médiocre ou de prix électriques localement élevés.
La contribution technique de l’article est tout aussi significative. En formulant l’équilibre du trafic élastique comme un QVI, les auteurs contournt les limitations des approches traditionnelles par inégalités variationnelles (VI), qui requirent un ensemble faisable fixe et convexe. Le cadre QVI accommode élégamment la réalité selon laquelle l’ensemble des demandes de transport possibles est lui-même une fonction du résultat à l’équilibre. Cette avancée théorique ouvre la porte à la modélisation d’autres systèmes socio-techniques complexes où les décisions humaines et les infrastructures physiques sont co-dépendantes.
Les algorithmes proposés marquent également un progrès en termes de tractabilité computationnelle. Malgré la haute dimensionnalité du cas-test de Fuzhou, la méthode à double boucle a convergé en seulement six itérations externes, l’algorithme de projection visqueuse interne démontrant une vitesse supérieure à celle de sa version non visqueuse. Cette efficacité est cruciale pour les applications réelles, où les modèles doivent souvent être exécutés répétitivement pour la planification, voire en quasi-temps réel pour le soutien décisionnel opérationnel.
Pour la suite, les auteurs suggèrent d’étendre leur cadre à une élasticité variable dans le temps — une évolution naturelle étant donné que la sensibilité des usagers aux prix et à la congestion diffère probablement entre les trajets domicile-travail et les déplacements de loisir. Ils proposent aussi d’explorer les QVI différentiels dans les espaces de Hilbert, qui permettraient une représentation pleinement dynamique, plutôt que statique, des flux de trafic et d’énergie.
À une époque où les frontières entre l’énergie et la mobilité s’estompent rapidement, cette recherche fournit une lentille analytique essentielle. Elle dépasse la pensée en silos pour offrir un modèle unifié et comportemental de l’écosystème urbain. Alors que les villes s’efforcent d’atteindre leurs objectifs climatiques tout en maintenant leur habitabilité, de tels outils intégrés seront indispensables pour concevoir des politiques à la fois techniquement solides et socialement adaptées.
Pour les gestionnaires de réseau, le message est clair : le prochain mégawatt de charge de VE n’est pas qu’un chiffre dans un tableur — c’est le résultat agrégé de milliers de décisions individuelles, chacune façonnée par un calcul complexe entre temps, argent et commodité. En respectant et en modélisant cette complexité, nous pouvons construire un futur où la mobilité électrique améliore nos infrastructures urbaines, plutôt que de les submerger.
Par Shiwei Xie, Kaiyue Chen, Yachao Zhang, Longtao Xie (Université de Fuzhou) et Qiuwei Wu (Université Tsinghua). Publié dans Proceedings of the CSEE. DOI : 10.13334/j.0258-8013.pcsee.230715.