⚡ electrical engineering

Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

Cet article propose une approche de commande prédictive de modèle (MPC) combinant la tarification et la gestion de la puissance pour réduire les coûts opérationnels et les frais de demande des stations de recharge pour véhicules électriques en milieu professionnel, en incitant les utilisateurs à choisir des services de recharge contrôlables.

Auteurs originaux : Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Publié 2026-03-25

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous gérez un grand parking pour voitures électriques au travail. C'est un peu comme un restaurant très populaire : les gens arrivent, commandent (se branchent), et partent. Mais il y a un problème coûteux : la facture d'électricité.

Le Problème : La "Surprise" de la Facture

Dans le monde de l'électricité pour les entreprises, il y a une taxe spéciale appelée "frais de puissance de pointe" (demand charge). C'est un peu comme si votre restaurant devait payer une amende énorme chaque mois, non pas pour la quantité totale de nourriture servie, mais pour le moment précis où vous avez eu le plus de clients en même temps.

Si, un mardi matin à 9h00, 20 employés arrivent en même temps et branchent leurs voitures, la consommation d'électricité explose. Même si le reste de la journée est calme, vous payez cette "amende" basée sur ce pic de 9h00. C'est comme si vous deviez louer un camion géant juste parce que vous avez eu 5 minutes de rush, même si le reste du mois vous n'avez utilisé que votre petite voiture.

La Solution Proposée : Le Chef Cuisinier Prévoyant

Les auteurs de cet article (des chercheurs de Berkeley) ont créé un "chef cuisinier" intelligent, qu'ils appellent un contrôleur MPC (Commande Prédictive). Ce chef ne se contente pas de réagir ; il prévoit l'avenir.

Voici comment cela fonctionne, en trois étapes simples :

1. Le Menu à Double Prix (L'Incitation)

Au lieu de proposer un seul prix fixe, le système propose deux options aux employés :

L'option "Express" (Regular) : Vous branchez, et la voiture charge à fond tout de suite. C'est rapide, mais cher pour le gestionnaire (car ça crée des pics).
L'option "Planifiée" (Scheduled) : Vous dites "Je veux 50 km d'autonomie avant 17h". Le système accepte de vous charger plus lentement, mais à un prix réduit.

C'est comme si le restaurant disait : "Si vous commandez votre plat à l'avance et acceptez d'attendre un peu, on vous fait une réduction de 20 %." Cela incite les gens à choisir l'option qui permet au gestionnaire de mieux gérer l'électricité.

2. La Balle de Cristal (La Prévision)

Le vrai génie du système, c'est qu'il utilise une balle de cristal numérique (des prévisions basées sur l'histoire et l'intelligence artificielle).

Le système regarde l'historique : "Habituellement, les lundis matins, il y a beaucoup de monde."
Il anticipe : "Demain, il va y avoir du rush. Si je laisse tout le monde charger à 9h, la facture va exploser."
L'action : Il commence à charger les voitures plus tôt (par exemple à 6h du matin quand l'électricité est bon marché et qu'il n'y a personne), ou il encourage les gens à choisir l'option "Planifiée" en baissant le prix de cette option le matin.

C'est comme un chef qui, voyant qu'il va y avoir une foule, commence à préparer les plats dès 5h du matin pour ne pas être débordé à 8h, évitant ainsi de devoir louer des tables supplémentaires (la fameuse amende).

3. Le Résultat : Moins de Facture, Plus de Bonheur

Grâce à cette méthode, le système a réussi à :

Réduire la facture de "pic" d'environ 17 % (c'est énorme !).
Réduire le coût total de l'opérateur d'environ 4,5 %.
Garder les employés satisfaits car ils ont eu des tarifs réduits s'ils étaient flexibles.

L'Analogie Finale : Le Tapis Roulant

Imaginez un tapis roulant dans un aéroport.

Sans le système intelligent : Tout le monde arrive en même temps, s'empile sur le tapis, et le moteur surchauffe (le pic de puissance). L'aéroport doit payer pour un moteur géant qui ne sert que quelques minutes.
Avec le système intelligent : Le système dit : "Eh les gens, si vous montez sur le tapis 10 minutes plus tôt, je vous donne un café gratuit." Résultat : les gens se répartissent sur le tapis tout au long de la matinée. Le moteur tourne doucement, sans surchauffe, et l'aéroport économise une fortune.

En Résumé

Ce papier nous dit qu'en combinant des prix intelligents (pour inciter les gens à changer leurs habitudes) et une intelligence artificielle prédictive (pour anticiper les arrivées), on peut transformer un problème coûteux (la facture d'électricité de pointe) en une opportunité d'économies massives pour les entreprises qui chargent des voitures électriques. C'est de la gestion de l'énergie "maline" qui profite à tout le monde.

1. Problématique

L'article aborde le défi économique et technique de la gestion des stations de recharge pour véhicules électriques (VE) en milieu professionnel. Le problème central est la tarification de la demande (demand charge), une facturation par les utilities basée sur la puissance maximale consommée durant un cycle de facturation (généralement mensuel).

Impact économique : Cette composante représente souvent 30 % à 70 % de la facture électrique totale des opérateurs commerciaux.
Complexité de contrôle : La recharge des VE est stochastique (arrivée imprévisible des véhicules). Une arrivée mal synchronisée peut faire dépasser le pic de puissance en cours, augmentant drastiquement les coûts pour tout le mois.
Limites des approches existantes : Les méthodes précédentes se concentrent soit sur l'optimisation de la puissance (sans influencer le comportement utilisateur), soit sur la tarification dynamique pour des sessions en cours, mais elles manquent souvent de capacité anticipatrice pour gérer les pics potentiels dès le début de la journée.

2. Méthodologie

Les auteurs proposent un cadre d'optimisation conjointe du prix et de la puissance couplé à une Commande Prédictive (MPC - Model Predictive Control).

A. Cadre d'Optimisation et Choix de l'Utilisateur

Lorsqu'un utilisateur arrive, il reçoit un menu de prix pour deux options :

REGULAR (Standard) : Recharge à puissance maximale immédiate (charge non contrôlable).
SCHEDULED (Planifiée) : La charge est garantie jusqu'à la sortie, mais le profil de puissance est optimisé par l'algorithme (charge contrôlable).
LEAVE (Partir) : L'utilisateur part si les prix sont trop élevés.

Un modèle de choix discret (basé sur des utilités estimées) prédit la probabilité que l'utilisateur choisisse l'une de ces options en fonction des prix proposés. L'objectif est de maximiser le profit de l'opérateur en ajustant les prix ( $z_{sch}, z_{reg}$ ) et les profils de puissance.

B. Stratégies de Contrôle Proposées

Pour améliorer la gestion des pics par rapport à une optimisation statique (benchmark), trois approches sont testées :

Seuil Dur Itératif (Hard Thresholding) : Ajout d'une contrainte stricte sur la puissance instantanée ( $G_\tau \le M$ ). Si la solution est irréalisable, le seuil $M$ est relâché itérativement.
Pénalité "Softplus" : Remplacement de la contrainte de pic par une fonction de pénalité convexe (softplus) qui pénalise l'approche du pic de puissance actuel, incitant le contrôleur à éviter de s'en approcher.
Commande Prédictive (MPC) avec Prévision : C'est l'approche principale.
- Le contrôleur intègre une prévision de la série temporelle de la puissance de la station pour les $l$ pas de temps futurs.
- La fonction de coût inclut une estimation du pic futur : $c_D (\max(\hat{G}_{futur}, D_{actuel}) - D_{actuel})$ .
- Trois modèles de prévision sont comparés : un modèle naïf (pas de nouvelles arrivées), une régression linéaire (Elastic Net) et XGBoost.

3. Contributions Clés

Anticipation des pics : Introduction d'une méthode MPC utilisant la prévision de séries temporelles pour anticiper les pics de demande avant qu'ils ne se produisent.
Flexibilité par la tarification : Utilisation de la tarification dynamique pour inciter les utilisateurs à choisir l'option "SCHEDULED", augmentant ainsi la flexibilité de charge disponible pour le contrôleur.
Performance supérieure : Démonstration que cette approche conjointe surpasse les algorithmes d'optimisation de référence (non-anticipatifs) et les reformulations non-MPC.

4. Résultats de l'Étude Numérique

Une simulation de type Monte Carlo a été réalisée sur 2274 sessions de recharge réelles (plateforme SlrpEV) sur 12 mois, avec un tarif de demande de 20 $/kW.

Réduction des coûts :
- Les schémas MPC réduisent les coûts totaux de l'opérateur d'environ 4,5 % par rapport au benchmark.
- La tarification de la demande est réduite d'environ 15 à 17 % (le MPC XGBoost atteint -14,57 % et le Naïf -16,90 %).
- Les coûts TOU (Time-of-Use) sont également réduits d'environ 1 %.
Comportement du contrôleur :
- Contrairement au benchmark qui attend les heures creuses pour charger, le MPC anticipe une journée chargée et commence à charger plus tôt pour lisser la courbe de charge et éviter les périodes de pointe.
- Le MPC ajuste les prix : il offre des réductions significatives pour l'option "SCHEDULED" tôt le matin (6h-8h) pour constituer une base de charges contrôlables, tout en maintenant des prix bas pour les sessions "REGULAR" durant la journée.
Paradoxe de la précision de prévision :
- L'étude révèle une découverte surprenante : le modèle de prévision le plus précis (le plus faible RMSE, XGBoost) n'est pas celui qui réduit le mieux le pic de puissance.
- Le modèle naïf (qui suppose aucune nouvelle arrivée) obtient la meilleure réduction de pic. Cela suggère que minimiser l'erreur quadratique moyenne (RMSE) ne garantit pas une meilleure performance de contrôle, car les modèles complexes peuvent être mal calibrés sur la distribution des données générées par le contrôleur lui-même (problème de référence récursive).

5. Signification et Limites

Signification :
L'article démontre la faisabilité technique et l'efficacité économique d'une gestion conjointe du prix et de la puissance. Les économies réalisées sur la tarification de la demande peuvent soit augmenter les profits des opérateurs, soit être répercutées sous forme de prix plus bas pour les utilisateurs. Cela favorise l'adoption de la recharge intelligente en milieu professionnel.

Limites et Perspectives :

Taille de l'échantillon : La simulation porte sur une petite station (8 chargeurs), ce qui rend les courbes de charge irrégulières et la prévision difficile. Les résultats pourraient être encore meilleurs sur de grands réseaux (effet de la loi des grands nombres).
Comportement utilisateur : La simulation suppose que les utilisateurs ne partent pas (option "LEAVE" exclue de la simulation Monte Carlo car les données historiques ne contiennent que des utilisateurs ayant chargé). Une modélisation plus fine du comportement de départ est nécessaire pour une estimation précise des revenus.
Boucle de rétroaction : L'entraînement des modèles de prévision sur des données générées par le contrôleur MPC crée un problème de référence récursive qui nécessite un travail futur pour être résolu.

En conclusion, cette recherche valide que l'intégration de la prévision et de la tarification dynamique dans une boucle de contrôle prédictif est une stratégie puissante pour atténuer les coûts de demande et optimiser l'exploitation des infrastructures de recharge VE.