Véhicules Électriques et 5G : Une Alliance pour le Réseau Électrique
Une étude révolutionnaire menée par l’Université du Sud-Est redéfinit les frontières entre la mobilité électrique, les télécommunications et la gestion de l’énergie. Sous la direction de Zhang Xinyu, du Département de Génie Électrique, les chercheurs ont mis au point un modèle innovant qui fusionne les batteries des véhicules électriques (VE) et les systèmes de stockage des stations de base 5G pour créer une ressource de flexibilité énergétique sans précédent. Publié dans la prestigieuse revue Power System Technology, ce travail introduit une nouvelle approche d’optimisation, baptisée « robustesse par satisfaction » (Robust Satisficing, RS), permettant aux agrégateurs d’énergie de tirer parti du potentiel combiné de ces ressources distribuées, les transformant en un acteur puissant et économiquement viable sur les marchés de l’électricité.
L’idée centrale de cette recherche est à la fois simple et radicale : alors que le monde s’électrifie et se connecte à une vitesse fulgurante, deux armées massives de batteries émergent en parallèle. À la fin de 2022, la Chine comptait plus de 10 millions de véhicules électriques et plus de 2,3 millions de stations de base 5G. Chaque véhicule et chaque station abrite une batterie lithium-ion, une unité de stockage électrochimique. Individuellement, aucune de ces unités n’est suffisamment grande pour participer directement au marché de gros de l’électricité. Cependant, lorsqu’elles sont regroupées et gérées intelligemment par un agrégateur, leur potentiel collectif pour fournir des services de flexibilité au réseau est immense. L’innovation ne réside pas seulement dans le concept d’agrégation, mais dans la manière dont le modèle surmonte les incertitudes inhérentes à la participation à des marchés dynamiques et imprévisibles.
La tâche d’un agrégateur est comparable à celle d’un chef d’orchestre en plein tempête. Il doit soumettre ses offres pour le lendemain en se basant sur des prévisions, tout en gérant des ressources dont le comportement est fondamentalement imprévisible. À quel moment un véhicule électrique sera-t-il branché à une borne de recharge ? Avec quel niveau de charge et à quelle heure de départ prévu ? Quelle sera la disposition du propriétaire du véhicule à autoriser l’utilisation de sa batterie pour des services réseau ? D’un autre côté, les stations de base 5G ont un profil de charge prévisible, lié au trafic de données, mais leur fonction première est d’assurer la continuité du service de télécommunication, ce qui signifie qu’elles doivent toujours maintenir une réserve d’énergie minimale pour faire face aux coupures de courant. De plus, les prix de l’énergie et des services de régulation de fréquence fluctuent constamment. Ces couches d’incertitude ont longtemps limité l’efficacité des méthodes de planification traditionnelles.
Les approches conventionnelles se divisent en trois catégories principales. L’optimisation stochastique (SO) utilise des données historiques et des hypothèses sur les distributions de probabilité pour calculer un profit espéré. Bien que puissante, sa performance dépend fortement de la qualité et de la quantité des données, et peut échouer de manière spectaculaire si le futur s’écarte des modèles passés. L’optimisation robuste (RO) adopte une posture défensive, concevant des stratégies qui fonctionnent même dans le pire des cas. Bien qu’elle garantisse la sécurité, elle conduit à des décisions excessivement conservatrices qui sacrifient la rentabilité. L’optimisation robuste distributionnelle (DRO) tente de trouver un équilibre, en considérant un ensemble de distributions de probabilité possibles, mais nécessite toujours une estimation précise de cet ensemble, ce qui peut être aussi difficile que le problème initial.
Face à ces limitations, Zhang Xinyu et son équipe proposent un paradigme radicalement différent : l’optimisation par satisfaction robuste (RS). Ce modèle ne cherche pas le profit maximal possible, mais inverse la logique. Tout d’abord, l’agrégateur fixe un objectif de profit acceptable. Ensuite, le modèle ne maximise pas le profit, mais maximise la robustesse — la capacité du système à atteindre cet objectif de profit malgré toute déviation des prévisions. Plutôt que de dépendre de distributions de probabilité complexes, le modèle introduit un « facteur d’impact adversaire », un indicateur qui mesure directement la sensibilité du système aux incertitudes. L’objectif devient alors de minimiser cette sensibilité.
Cette philosophie de conception est profondément pragmatique. Plutôt que de parier sur un scénario idéal, le modèle RS se concentre sur la résilience. Peu importe que les prix du marché se comportent de manière inattendue ou que les schémas de charge des véhicules électriques changent soudainement ; le modèle est conçu pour maintenir la performance aussi proche que possible de l’objectif souhaité. Cette caractéristique le rend particulièrement adapté au monde réel, où les événements imprévus sont la norme, pas l’exception.
Les tests de simulation menés par l’équipe de l’Université du Sud-Est fournissent une validation écrasante de la supériorité du modèle RS. Dans un scénario basé sur le marché des services auxiliaires PJM, le modèle RS a été comparé aux modèles SO, RO et DRO sur 1 000 scénarios de test différents. Les résultats ont été concluants. Le modèle RS a non seulement généré le profit net moyen le plus élevé, mais a également affiché la plus faible variabilité dans ses résultats. En comparaison directe avec le modèle DRO, considéré comme une référence, le RS a augmenté le profit réel obtenu de 76,92 %, tout en réduisant l’écart-type de 11,05 %. Le fait le plus révélateur est que, lorsqu’on a évalué la performance du DRO dans les mêmes conditions, son profit était inférieur de 130,79 % à celui du RS. Cet écart démontre que la théorie robuste ne se traduit pas nécessairement par une performance pratique supérieure, et que l’approche RS, en se concentrant sur la robustesse du résultat, est plus efficace.
Au-delà de la rentabilité, le modèle RS se distingue également par la qualité du service. La régulation de fréquence, un service critique pour maintenir la stabilité du réseau, est rémunérée non seulement sur la capacité offerte, mais aussi sur la précision avec laquelle le signal de contrôle est suivi. Le modèle RS a atteint un score de précision moyen de 91,27 %, avec une fluctuation minimale. En revanche, le modèle SO a montré le score le plus bas et la plus grande volatilité, le rendant inadapté aux marchés avec des pénalités sévères pour une faible performance. Cette fiabilité est essentielle pour les agrégateurs, car elle leur permet de respecter leurs contrats et de maintenir une solide réputation sur le marché.
Le véritable saut qualitatif de la recherche, cependant, réside dans la co-optimisation des véhicules électriques et des stations de base 5G. L’étude compare trois scénarios : fonctionner uniquement avec des véhicules électriques, uniquement avec des stations de base, et une flotte combinée. Les résultats montrent un effet de synergie évident. La somme des revenus des deux ressources fonctionnant de manière indépendante s’élevait à 1 548,89 dollars. Lorsqu’elles ont été gérées conjointement, le revenu total est passé à 2 012,47 dollars, soit une augmentation de 29,93 %. Ce gain substantiel découle d’une complémentarité temporelle fondamentale entre les deux types de ressources.
Les stations de base 5G connaissent leur demande d’énergie la plus élevée pendant les heures de pointe du trafic de données, principalement en fin d’après-midi et en soirée. Pendant ces périodes, leur capacité de stockage doit réserver de l’énergie pour garantir la continuité du service, ce qui limite leur flexibilité pour participer au marché. Parallèlement, de nombreuses personnes rentrent du travail en fin d’après-midi et branchent leurs véhicules électriques. Leurs batteries, souvent partiellement déchargées, ont un grand potentiel pour absorber de l’énergie (régulation descendante) ou, si elles ont une charge suffisante, injecter de l’énergie dans le réseau (régulation ascendante). Dans les premières heures du matin, lorsque le trafic de données est faible et que les stations de base ont plus de capacité de manœuvre, la majorité des véhicules électriques sont déjà complètement chargés et ne peuvent plus absorber d’énergie. À ce moment-là, la capacité de réserve des batteries des stations de base peut être utilisée pour stabiliser le réseau, tandis que les véhicules électriques agissent comme un support passif.
Cette synchronisation permet à l’agrégateur d’agir de manière stratégique. Il peut utiliser les batteries des stations de base pour absorber de l’énergie bon marché provenant de sources renouvelables pendant la nuit et les batteries des véhicules pour fournir de l’énergie chère pendant les heures de pointe. L’opération conjointe crée un système d’équilibre interne. Si une ressource s’approche de ses limites opérationnelles en raison de sa participation au marché, l’autre peut compenser. Cela réduit la nécessité d’acheter de l’énergie coûteuse sur le marché en temps réel pour corriger les déséquilibres, augmentant ainsi l’efficacité globale et la rentabilité de l’agrégateur.
Une autre découverte clé est la flexibilité dans le profil de puissance de base. Les stratégies traditionnelles se concentrent sur l’arbitrage des prix, en achetant à bas prix et en vendant à prix élevé. Cependant, le modèle RS révèle une stratégie plus sophistiquée : ajuster le profil de puissance de base non seulement pour tirer parti des différences de prix, mais aussi pour permettre des offres de régulation de fréquence plus rentables. Par exemple, augmenter la décharge pendant une période de prix bas peut sembler contre-productif, mais si cela permet à l’agrégateur de proposer une capacité de régulation descendante plus importante lorsque les prix sont élevés, le bénéfice net dépasse le coût de l’énergie. Cette manœuvre stratégique n’est possible que grâce à la redondance et à la capacité d’équilibre que fournit le système combiné.
Le modèle RS est également remarquable par sa capacité d’adaptation au risque. Un agrégateur peut ajuster son objectif de profit pour l’aligner sur sa tolérance au risque. Un objectif élevé conduit à des offres plus agressives, avec un potentiel de profit plus élevé mais aussi une plus grande volatilité. Un objectif plus conservateur produit une opération plus stable et fiable, avec un score de régulation plus élevé. Cette capacité d’ajustement permet au modèle de s’adapter à différents types de participants sur le marché, des sociétés de capital-risque aux opérateurs de services publics qui priorisent la fiabilité.
Dans l’ensemble, cette étude n’est pas seulement une avancée technique, mais une vision du futur pour les villes intelligentes. Elle démontre que la convergence de la mobilité électrique et des télécommunications à très haute vitesse n’est pas un simple fait technologique, mais une opportunité stratégique pour construire des systèmes énergétiques plus résilients, efficaces et durables. En brisant les barrières entre les secteurs, la recherche de Zhang Xinyu ouvre la voie à une nouvelle ère d’intégration énergétique.
Zhang Xinyu, Département de Génie Électrique, Université du Sud-Est, Power System Technology, DOI: 10.13335/j.1000-3673.pst.2023.2232