Véhicules Électriques et 5G : Une Alliance pour les Réseaux Intelligents
La révolution de la mobilité électrique est en marche, mais son véritable potentiel dépasse largement la simple substitution du moteur à combustion par une batterie. Elle ne se limite pas à réduire les émissions d’un point A à un point B ; elle s’inscrit dans un changement de paradigme plus profond, où le véhicule lui-même devient un acteur intelligent et dynamique au cœur d’un écosystème énergétique interconnecté. Un travail de recherche pionnier, publié dans la prestigieuse revue Automation of Electric Power Systems, révèle comment les véhicules électriques (VE) et les réseaux 5G peuvent s’unir pour créer un système de distribution d’électricité plus stable, plus efficace et plus résilient. Cette étude, menée par Zhang Wei, Zhu Tongtong et Su Jin de l’École de génie mécanique de l’Université de Shanghai pour la science et la technologie, ne se contente pas de considérer le VE comme un simple consommateur d’énergie. Elle propose une vision holistique, intégrant les réseaux de transport, d’information et d’électricité en un seul système couplé. Leur stratégie innovante, basée sur une optimisation en deux étapes, exploite la double nature des véhicules électriques — à la fois charge mobile et utilisateur de communication — pour lisser les fluctuations de la demande sur le réseau électrique. En reliant le comportement du conducteur au coût énergétique du réseau 5G qui alimente sa connectivité, ce travail ouvre la voie à une nouvelle ère de réponse à la demande, où le choix d’une station de recharge peut avoir un impact direct sur l’équilibre énergétique d’une ville entière.
Le défi majeur pour les réseaux électriques modernes n’est plus seulement de produire suffisamment d’électricité, mais de gérer intelligemment les pics et les creux de la demande. L’essor des énergies renouvelables, comme l’éolien et le solaire, introduit une volatilité inhérente à l’offre d’électricité. Cette instabilité est exacerbée par l’adoption croissante des véhicules électriques, dont les habitudes de recharge peuvent créer de nouvelles vagues massives de demande, en particulier pendant les heures du soir. Les solutions traditionnelles, comme la construction de nouvelles centrales électriques ou le recours à des centrales de pointe coûteuses, sont économiquement et écologiquement insoutenables. La réponse, comme le démontre cette recherche, ne réside pas dans la production d’une énergie supplémentaire, mais dans une gestion intelligente de la demande existante. C’est le principe fondamental de la « réponse à la demande », une stratégie qui incite les consommateurs à décaler leur consommation d’énergie en dehors des périodes de pointe. L’innovation de cette étude réside dans son approche intégrée, qui reconnaît que la décision de recharger un VE n’est pas prise dans un vide. Elle est influencée par le trafic, le coût de l’électricité et, de manière cruciale, par le coût des données que le conducteur utilise. En créant un modèle unifié qui prend en compte tous ces facteurs, les chercheurs ont conçu une stratégie d’optimisation en deux étapes qui peut bénéficier simultanément au réseau électrique, au réseau de télécommunications et au conducteur du véhicule électrique.
Le fondement de cette stratégie est une compréhension approfondie du « couplage » entre trois infrastructures critiques : le réseau électrique, le réseau d’information (représenté par la 5G) et le réseau de transport. Ces systèmes ne sont pas des entités isolées ; ils sont profondément interconnectés. Une station de recharge est un point de couplage physique entre le réseau électrique et la route. Une station de base 5G est un point de couplage entre le réseau électrique et le réseau cellulaire. Et le véhicule électrique lui-même est le point de couplage ultime, une entité mobile qui puise de l’énergie dans le réseau, consomme des données du réseau d’information et circule sur le réseau de transport. Le génie du nouveau modèle est de traiter ces interactions comme un système unique et intégré. Plutôt que d’optimiser chaque réseau de manière isolée, la stratégie vise à optimiser l’ensemble. C’est une rupture significative par rapport aux recherches antérieures, qui se concentraient souvent sur un ou deux de ces réseaux. Par exemple, certaines études ont examiné comment les prix dynamiques de l’électricité peuvent influencer le comportement de recharge des VE, tandis que d’autres ont analysé la gestion de la consommation énergétique des stations de base 5G. Ce nouveau travail synthétise ces idées, créant une boucle de rétroaction où l’état d’un réseau influence directement les décisions prises dans les autres.
La stratégie se déploie en deux étapes distinctes mais interconnectées, une chorégraphie soigneusement orchestrée entre information et énergie. La première étape se concentre sur l’information et la navigation. Avant même qu’un VE n’atteigne une station de recharge, son trajet peut être optimisé pour bénéficier à l’ensemble du système. Les chercheurs ont développé un algorithme sophistiqué qui fournit aux conducteurs une navigation et une planification d’itinéraire pour la recharge. Mais ce n’est pas une simple application qui dit « trouvez la recharge la plus proche ». L’algorithme calcule un « coût de trajet » total pour chaque itinéraire et destination de recharge potentiels. Ce coût est une métrique composite qui inclut le temps de conduite prévu, le temps passé en file d’attente dans une station de recharge surchargée et, surtout, le coût de communication associé au réseau 5G le long de l’itinéraire. Ce coût de communication n’est pas une tarification fixe ; c’est un prix dynamique qui fluctue en fonction de la charge en temps réel des stations de base 5G auxquelles le conducteur se connectera. Une station de base qui dessert une autoroute congestionnée pendant l’heure de pointe aura un coût opérationnel plus élevé, ce qui se reflète dans un « coût de communication » plus élevé dans l’algorithme. Le système de navigation guide donc le conducteur non pas seulement vers la recharge la plus proche, mais vers l’option la plus rentable pour l’ensemble du réseau. Cela peut signifier emprunter un itinéraire légèrement plus long vers une zone moins congestionnée, ce qui réduit ainsi la pression à la fois sur le réseau électrique d’une station de recharge spécifique et sur le réseau 5G d’une autoroute fréquentée. Cette optimisation pré-arrivée est un outil puissant, car elle exploite la flexibilité du choix d’itinéraire du conducteur pour obtenir des bénéfices au niveau du système.
La deuxième étape de la stratégie entre en jeu dès que le VE est connecté au chargeur. À ce moment précis, la batterie du véhicule devient une ressource directe pour le réseau électrique. Le conducteur communique ses besoins — combien de charge il souhaite et quand il prévoit de partir — et le système prend le contrôle. L’objectif principal change alors de la minimisation des coûts de communication à la minimisation des fluctuations de la charge sur le réseau de distribution. Le modèle des chercheurs formule un problème d’optimisation qui détermine le programme de charge et de décharge idéal pour un groupe de VE. L’objectif est de « raboter » les pics et de « combler » les creux de la courbe de demande énergétique globale. Pendant les périodes de forte demande sur le réseau, le système peut demander à certains VE de restituer une petite quantité d’énergie au réseau (un processus connu sous le nom de Véhicule-vers-Réseau, ou V2G). Inversement, pendant les heures creuses, lorsque l’électricité est abondante et bon marché, le système peut charger les VE à un débit plus élevé. Cette approche en deux étapes est élégante dans sa répartition des tâches : la première étape gère la distribution spatiale de la demande en influençant la destination des conducteurs, tandis que la deuxième étape gère la distribution temporelle en contrôlant quand et comment ils chargent. Ce double contrôle offre un levier beaucoup plus puissant pour la stabilité du réseau que ne pourraient le faire les approches séparées.
Pour valider leur modèle complexe, l’équipe de recherche a mené une simulation détaillée basée sur un scénario inspiré de la réalité. Ils ont combiné un modèle simplifié d’un réseau routier urbain de 35 kilomètres carrés, comprenant 37 nœuds de trafic et 66 routes principales, avec le réseau de distribution standard IEEE à 33 nœuds. Cela leur a permis de simuler les interactions entre des milliers de véhicules, plusieurs stations de recharge et des dizaines de stations de base 5G sur une période de 12 heures. Les résultats ont été convaincants et ont démontré les bénéfices tangibles de leur stratégie intégrée. Comparée à un scénario où les VE chargent de manière aléatoire (« mode 1 ») ou choisissent simplement la recharge la plus proche (« mode 2 »), la stratégie d’optimisation en deux étapes proposée a produit des améliorations significatives sur toutes les métriques. La simulation a montré qu’en guidant intelligemment les VE vers différentes stations de recharge et en ajustant leurs horaires de charge, le système pouvait réduire de manière remarquable la différence entre le pic et la vallée de la charge du réseau électrique. Cette métrique, qui mesure l’écart entre les points les plus haut et le plus bas de la courbe de charge quotidienne, a diminué de 12,3 points de pourcentage. Une courbe de charge plus plate signifie que le réseau fonctionne de manière plus efficace, réduisant le besoin de centrales de pointe coûteuses et polluantes, et abaissant le coût global de l’électricité pour tous.
Les bénéfices se sont étendus bien au-delà du réseau électrique. La simulation a également révélé des économies substantielles pour le réseau de télécommunications. En utilisant des tarifs dynamiques pour détourner le trafic des VE des routes desservies par des stations de base 5G surchargées, la consommation énergétique totale du réseau de stations de base a été significativement réduite. L’étude a rapporté une diminution drastique de la « consommation d’énergie dynamique » des stations de base, qui est la partie de leur consommation énergétique qui varie avec le nombre d’utilisateurs connectés. Cette réduction s’est traduite par une économie financière directe, le coût total de l’électricité pour les clusters de stations de base baissant de plus de 8 %. C’est un exemple clair de situation gagnant-gagnant : le réseau électrique obtient une charge plus stable, et l’opérateur de télécommunications obtient une facture d’énergie plus basse. Cela démontre que les intérêts des différents fournisseurs d’infrastructure ne sont pas toujours en conflit ; avec une bonne coordination, ils peuvent travailler ensemble pour obtenir des avantages mutuels. C’est un argument puissant en faveur d’une collaboration accrue entre des industries traditionnellement cloisonnées.
Peut-être l’aspect le plus crucial de tout programme de réponse à la demande est la participation de l’utilisateur. Une stratégie n’est efficace que dans la mesure où les gens sont prêts à l’adopter. Les chercheurs ont bien compris cela et ont intégré un mécanisme d’incitation robuste dans leur modèle. Les résultats de la simulation ont montré que, bien que la navigation optimisée puisse parfois amener un conducteur de VE à emprunter un itinéraire plus long, le coût total pour l’utilisateur restait inférieur. Cela s’explique par le fait que l’algorithme a réussi à réduire efficacement le temps passé en longues files d’attente dans des stations de recharge populaires. Plus important encore, le modèle inclut une incitation financière directe. Les conducteurs qui participent au programme de charge et de décharge coordonné reçoivent une subvention pour la flexibilité qu’ils offrent au réseau. Cette compensation, combinée au temps de trajet réduit et à des coûts de recharge potentiellement plus bas, crée un résultat financier net positif pour l’utilisateur. L’analyse des bénéfices pour l’utilisateur a montré que les participants au système optimisé ont bénéficié d’un revenu net plus élevé par rapport à ceux qui choisissaient simplement l’itinéraire le plus court. Cet incitant financier est crucial pour garantir une adoption généralisée, car il transforme le propriétaire du VE d’un consommateur passif en un participant actif et rémunéré sur le marché de l’énergie.
Les implications de cette recherche sont profondes. Elle déplace le débat sur les véhicules électriques d’une simple électrification vers une intégration intelligente. Elle peint le tableau d’un avenir où nos véhicules ne sont plus seulement un moyen de transport, mais des actifs actifs dans une ville plus intelligente et plus résiliente. Le succès de cette stratégie dépend d’un flux de données parfait entre différents systèmes. Le réseau électrique doit partager sa charge en temps réel et les informations sur les prix, le réseau routier doit fournir des données de congestion, et le réseau 5G doit signaler la charge de ses stations de base. Cela exige un niveau d’échange de données et d’interopérabilité qui est encore en développement, mais les gains potentiels sont immenses. L’étude reconnaît que son modèle actuel est un point de départ. Les travaux futurs devront aborder des scénarios plus complexes, comme les différents comportements des différents types de propriétaires de VE et le développement de mécanismes de marché sophistiqués pour rémunérer équitablement tous les participants, y compris les agrégateurs de VE qui agissent comme intermédiaires entre les conducteurs et le réseau. Malgré ces défis, la voie à suivre est claire. L’avenir de la mobilité urbaine et de l’énergie n’est pas trois réseaux séparés, mais un système intelligent et étroitement couplé où la voiture, la route, la ligne électrique et le flux de données travaillent en parfaite harmonie.
Zhang Wei, Zhu Tongtong, Su Jin, School of Mechanical Engineering, University of Shanghai for Science and Technology, Automation of Electric Power Systems, DOI: 10.7500/AEPS20230727009