Voitures Électriques Intelligentes : Agrégation Virtuelle et Tarification Dynamique pour un Réseau Stable
Dans le paysage en constante évolution de la mobilité électrique, un défi persistant refuse de disparaître : la crise de la charge. Alors que les flottes de berlines, de SUV et de fourgonnettes électriques se multiplient dans les villes et les banlieues, leur soif collective d’électrons commence à peser sur les artères mêmes qui les alimentent – nos réseaux de distribution vieillissants. Ce qui semblait être un triomphe énergétique propre révèle désormais un nœud logistique complexe : si des milliers de véhicules électriques se branchent en même suite, par exemple après une longue journée de travail, le transformateur de quartier gémit, la tension chute et, dans les pires cas, les feeders critiques disjonctent. C’est le scénario classique du « trop de bonne chose », qui se déroule en temps réel, un circuit surchargé à la fois.
Mais une nouvelle façon de penser émerge – non pas des studios de design des constructeurs automobiles, mais des couloirs discrets des laboratoires de recherche sur les réseaux et des centres de contrôle des utilities. Oubliez le commandement et le contrôle centralisés. L’avenir de l’harmonie entre les véhicules électriques et le réseau pourrait résider dans une intelligence décentralisée, où les signaux de prix – dynamiques, équitables et finement réglés – agissent comme des directeurs de circulation invisibles. Au cœur de cette vision se trouve un jumelage astucieux : l’agrégation virtuelle et le flux de puissance optimal en courant alternatif (ACOPF). Ensemble, ils promettent non seulement la stabilité du réseau, mais aussi un écosystème de charge plus économique, évolutif et convivial. Et les travaux récents d’une équipe d’ingénieurs et de chercheurs de State Grid Hebei et de l’Université de Wuhan viennent peut-être d’en esquisser la feuille de route.
Commençons par le problème – et pourquoi les anciennes solutions ne suffisent plus.
Pendant des années, les utilities ont traité les stations de charge comme des charges passives : prévisibles, inertes et largement indifférentes au stress du réseau. Les premiers efforts d’optimisation s’appuyaient sur des modèles de flux de puissance en courant continu – une approximation linéaire simplifiée qui ignore la physique du monde réel comme la puissance réactive, les chutes de tension et les pertes réseau. C’était rapide. C’était traitable. Mais alors que la pénétration des véhicules électriques dépassait le seuil de 10 à 15 % dans les districts pilotes, les fissures sont apparues. Les modèles en courant continu ne pouvaient pas capturer les violations de tension en bout de feeder long, ni le coût réel de la chaleur induite par la congestion dans les câbles vieillissants. Pire, ils recommandaient souvent des profils de charge optimaux sur le papier – mais qui, en pratique, provoqueraient des baisses de tension ou obligeraient à une déconnexion manuelle de charge.
Est ensuite venue l’approche brutale : modéliser chaque véhicule électrique individuellement, jusqu’à son état de batterie, son heure de branchement et sa fenêtre de départ. Cela semble minutieux ? Ça l’est. Mais c’est aussi un suicide computationnel. Imaginez une ville de taille moyenne avec 50 000 véhicules électriques. Maintenant, imaginez résoudre un problème d’optimisation avec 50 000 variables de décision par pas de temps, sur 24 heures. Même avec les solveurs les plus rapides d’aujourd’hui, les temps d’exécution gonflent jusqu’à plusieurs heures – bien trop lent pour la clearing du marché day-ahead ou les ajustements en temps réel. Le modèle s’effondre sous son propre ambition.
C’est là que l’agrégation virtuelle entre en scène – non pas comme un buzzword vague, mais comme un outil de compression mathématiquement rigoureux.
Voyez-le ainsi : au lieu de suivre 40 voitures individuelles branchées dans le parking d’un centre commercial entre 18 h et 22 h, pourquoi ne pas les traiter comme un seul « véhicule électrique virtuel » flexible et de grande capacité ? Pas un véhicule physique, attention – mais une cohorte comportementale. Ces véhicules électriques partagent deux traits critiques : ils arrivent dans une fenêtre temporelle étroite et resteront connectés à peu près la même durée. Leur état de batterie individuel et leur taux de charge peuvent différer, mais collectivement, ils se comportent comme un bloc de charge unique et contrôlable avec une capacité agrégée, des plages de puissance min/max et une demande d’énergie totale.
Le génie ? Cela réduit considérablement le nombre de variables – de façon spectaculaire. Dans l’étude Hebei-Wuhan, l’application de cette technique à un système de distribution simulé à 33 nœuds avec 240 véhicules électriques (40 par station sur six sites) a réduit la charge d’optimisation de près de moitié. Lorsqu’il est passé à 600 véhicules, le temps de calcul est tombé à seulement 51 % de la méthode conventionnelle par véhicule électrique. Et crucialement, la fidélité n’est pas sacrifiée : l’agrégat respecte toujours l’ensemble faisable de tous ses membres. Aucun véhicule électrique n’est surchargé. Aucun départ ne laisse un conducteur en rade. L’entité virtuelle est un proxy fidèle et de haut niveau – comme un chef d’orchestre résumant des dizaines d’instruments en une partition cohérente.
Mais l’agrégation seule n’est qu’une organisation. Pour orienter le comportement, il faut des incitations. C’est là qu’intervient la tarification nodale dynamique – spécifiquement, une version raffinée de la Tarification Marginal Locational de Distribution (DLMP), construite sur un flux de puissance optimal en courant alternatif complet.
Contrairement aux tarifs fixes ou aux heures creuses, la DLMP n’est pas arbitraire. C’est le reflet en temps réel de trois réalités concrètes du réseau :
- Le coût de l’énergie – le prix marginal de la production au poste source.
- Le coût des pertes – le carburant supplémentaire brûlé (ou les énergies renouvelables réduites) pour surmonter la résistance dans les fils.
- Le coût de la congestion – la prime payée pour éviter la surcharge d’une ligne embouteillée.
Lorsqu’un feeder – disons, la ligne critique 1-2 dans une boucle suburbaine – approche de 100 % de sa capacité à 21h, la DLMP aux nœuds en aval monte en flèche. Non pas comme une punition – mais comme une information. C’est le réseau qui chuchote : « En ce moment, charger ici est cher – pour tout le monde. Décaler ne serait-ce que 30 minutes plus tôt ou plus tard, et vous économiserez de l’argent tout en maintenant l’éclairage. »
Dans la simulation des chercheurs, ce signal a fonctionné exactement comme prévu. Sans DLMP, les véhicules électriques se regroupaient dans la fenêtre horaire bon marché nocturne – 03h00 à 05h00 – poussant la ligne 1-2 à 109 % de sa capacité thermique. Congestion confirmée. Avec la DLMP active, la charge s’est aplatie : les véhicules se sont décalés vers 01h00-02h00 et 05h00-06h00, évitant complètement la fenêtre de stress de pointe. Le chargement de la ligne est tombé précisément à 100 % – sûr, stable et efficace. Aucune intervention manuelle. Aucune panne. Juste l’économie qui fait son travail.
Chose cruciale, cela n’a pas été réalisé en écrasant les préférences des utilisateurs. Chaque « véhicule électrique virtuel » a répondu autonomément, optimisant son propre calendrier de charge pour minimiser son propre coût – guidé uniquement par le signal de prix. L’agrégateur (souvent un opérateur de réseau de charge ou un gestionnaire de flotte) a géré la désagrégation : traduire le profil de puissance optimal du bloc virtuel en calendriers individuels, garantissant qu’aucun véhicule ne viole ses contraintes d’état de charge ou de timing. C’est une danse à deux niveaux : le réseau fixe les règles via le prix ; les agents locaux exécutent en leur sein.
Et les avantages se répercutent.
Premièrement, la santé du réseau s’améliore. Dans l’étude, la planification basée sur l’ACOPF a réduit les pertes système de près de 12 % par rapport à une charge non contrôlée – et a maintenu la tension minimale à un robuste 0,98 p.u., bien dans les normes ANSI. Contrastez cela avec une charge non contrôlée, où la tension en bout de feeder tombait à 0,93 p.u., flirtant avec le territoire de la baisse de tension.
Deuxièmement, les coûts se déplacent équitablement. Oui, le coût total de la charge des véhicules électriques a légèrement augmenté – passant de 2 185,79 ¥ à 2 215,31 ¥ dans la simulation – parce que les utilisateurs ont internalisé le vrai coût de congestion qu’ils imposaient. Mais c’est l’équité en action. Sous des tarifs fixes, les chargeurs précoces subventionnent les retardataires qui déclenchent des surcharges ; l’utility supporte les factures de réparation et de modernisation. Avec la DLMP, ceux qui causent la tension paient pour cela – et crucialement, obtiennent l’option de l’éviter. En pratique, la plupart des utilisateurs verraient des factures moyennes plus basses, grâce aux surcharges d’infrastructure évitées et aux inefficacités réduites à l’échelle du système.
Troisièmement, et peut-être le plus important pour une large adoption : l’évolutivité est débloquée. Alors que les flottes de véhicules électriques passent de milliers à des millions, le contrôle centralisé devient impossible. L’agrégation virtuelle + DLMP est intrinsèquement distribuée. Chaque station, chaque flotte, chaque chargeur domestique agit sur des données de prix locales. Le réseau ne microgère pas – il signale. Le système s’auto-organise. C’est comme le contrôle aérien : aucune tour ne dit à chaque avion comment taxi-er ou monter ; elle émet des autorisations et des altitudes, et les pilotes naviguent dans ce cadre. Le résultat ? Des millions de véhicules, coordonnés en toute sécurité, avec une overhead minimale.
Bien sûr, le déploiement réel fait face à des obstacles. L’infrastructure de comptage legacy dans de nombreuses régions ne peut toujours pas rapporter l’utilisation énergétique infra-horaire – ou recevoir des prix dynamiques. La confiance des consommateurs dans la tarification « intelligente » doit être nourrie ; personne ne veut de factures surprises. Et la coordination entre les DSO (opérateurs de système de distribution), les agrégateurs et les fabricants de matériel de charge reste fragmentée.
Mais les signes de momentum sont partout. La CPUC de Californie a mandaté des mécanismes de type DLMP pour les opérateurs de flottes de véhicules électriques. Le programme « Flexible Exports » du Royaume-Uni paye les propriétaires de véhicules électriques pour retarder la charge pendant les stress du réseau. Même les constructeurs automobiles s’impliquent : l’intégration de Ford avec Electrify America permet aux propriétaires de Lightning de voir les prix en temps réel et de pré-conditionner les batteries en heures creuses – automatisant la réponse.
Ce que l’équipe Hebei-Wuhan offre est un cadre éprouvé – testé sur un réseau IEEE standard, validé par rapport aux benchmarks ACOPF – qui fait le pont entre la théorie et la pratique. Leur modèle à deux étages (ACOPF au niveau système → désagrégation au niveau de la station) est robuste, convexifié via une relaxation de cône de second ordre (SOC), et computationnellement léger. Il ne nécessite pas d’ordinateurs quantiques ou de boîtes noires d’IA – juste une optimisation disciplinée et une conception de marché intelligente.
À l’avenir, la prochaine frontière est l’hétérogénéité. Les modèles d’aujourd’hui supposent souvent des véhicules électriques identiques. Mais la réalité est plus désordonnée : une Nissan Leaf avec une batterie de 40 kWh se comporte très différemment d’une Lucid Air de 118 kWh. Un navetteur se branchant pendant 2 heures n’est pas identique à une fourgonnette de livraison ayant besoin de 8 heures. Les futurs agrégateurs devront regrouper par type comportemental – pas seulement l’heure de branchement – mais la taille de la batterie, la vitesse de charge et les modes d’utilisation. L’apprentissage par renforcement profond, comme exploré dans d’autres articles récents, pourrait aider ici – mais seulement après que la couche fondatrice DLMP soit en place.
Une autre frontière : le flux de puissance bidirectionnel. Alors que les chargeurs bidirectionnels et les pilotes V2G (Vehicle-to-Grid) se développent, les véhicules électriques ne seront plus seulement des charges – ils seront des batteries mobiles. La DLMP inclura alors des prix négatifs pendant les périodes d’excédent d’énergies renouvelables, payant les conducteurs pour charger, ou des incitations positives à décharger pendant les pics de soirée. Le concept d’agrégation virtuelle s’étend naturellement : un cluster de « batteries virtuelles » peut offrir des services réseau comme la régulation de fréquence ou le black-start, soumissionnant collectivement sur les marchés de ancillary.
Pour les gestionnaires de flotte – en particulier la logistique, le transport de personnes et les transports publics – c’est transformateur. Imaginez un dépôt UPS où 100 fourgonnettes de livraison ne chargent pas toutes à minuit. Au lieu de cela, leur agrégateur négocie avec l’utility locale : « Nous absorberons 500 kWh d’excédent solaire à midi, et relâcherons 300 kWh à 18h, si vous le tarifez correctement. » Soudainement, la flotte n’est plus un centre de coût – c’est un flux de revenus et un actif réseau.
Et pour le conducteur quotidien ? La simplicité. Branchez-vous. Définissez votre heure de départ et votre niveau de charge minimum dans une application. Le reste se passe invisiblement : votre voiture charge quand c’est le moins cher et le plus vert, sans lever le petit doigt. Plus d’anxiété sur le timing. Plus de devinettes avec les minuteries. Juste une énergie optimisée et transparente – livrée.
Telle est la promesse des véhicules électriques conscients du réseau : non pas plus de complexité, mais moins. Non pas un contrôle descendant, mais une autonomie intelligente. Non pas le chaos, mais la coordination – orchestrée par le plus ancien mécanisme de marché qui soit : le prix.
La route devant ne sera pas sans nids-de-poule. Les barrières réglementaires se profilent largement. Les utilities traditionnelles peuvent résister à la décentralisation. La cybersécurité pour les signaux de prix dynamiques doit être blindée. Mais le fondement technique est solide. Ce qu’il faut maintenant, c’est du courage – pour piloter, affiner et mettre à l’échelle.
Alors que de plus en plus de villes électrifient les bus, mandatent des bâtiments prêts pour les véhicules électriques et interdisent entièrement les moteurs à combustion, la crise de la charge ne fera que s’intensifier. Nous pouvons y faire face avec des fils plus gros et des transformateurs plus costauds – un jeu coûteux et réactif de rattrapage. Ou nous pouvons y faire face avec des signaux plus intelligents et une agrégation plus sage : une solution proactive et élégante qui transforme des millions de choix individuels en résilience collective.
Le réseau n’a pas besoin de moins de véhicules électriques. Il a besoin de véhicules électriques plus intelligents. Et avec l’agrégation virtuelle et la tarification alimentée par l’ACOPF, nous leur apprenons enfin à bien jouer ensemble.
—
Guanghua Wu¹, Hongsheng Li¹, Yang Wang¹, Bowu Cai², Fei Liao²
¹State Grid Hebei Electric Power Co., Ltd., Marketing Service Center, Shijiazhuang 050000, Chine
²École de génie électrique et d’automatisation, Université de Wuhan, Wuhan 430072, Chine
SOUTHERN POWER SYSTEM TECHNOLOGY, Vol. 17, No. 8, août 2023
DOI: 10.13648/j.cnki.issn1674-0629.2023.08.015