⚡ electrical engineering

Adversarially and Distributionally Robust Virtual Energy Storage Systems via the Scenario Approach

Cet article propose un cadre de planification de données convexe pour les systèmes de stockage d'énergie virtuels basés sur les véhicules électriques, garantissant une robustesse finie et sans distribution contre les incertitudes opérationnelles, les perturbations adverses et les décalages de distribution, tout en permettant d'ajuster explicitement le compromis entre performance économique et sécurité opérationnelle.

Auteurs originaux : Georgios Pantazis, Nicola Mignoni, Raffaele Carli, Mariagrazia Dotoli, Sergio Grammatico

Publié 2026-04-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Georgios Pantazis, Nicola Mignoni, Raffaele Carli, Mariagrazia Dotoli, Sergio Grammatico

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

🚗 Le Concept : Transformer un Parking en Batterie Géante

Imaginez un grand parking de centre-ville. Des centaines de voitures électriques (EV) y sont garées toute la journée. Chaque voiture possède une batterie. Si l'on pouvait coordonner toutes ces batteries comme si elles n'en formaient qu'une seule, on obtiendrait une batterie virtuelle géante.

C'est ce que les auteurs appellent un Système de Stockage d'Énergie Virtuel (VESS). Le gestionnaire du parking (le "Chef du Parking") peut utiliser cette énergie pour aider le quartier (les "Prosumers" qui produisent et consomment de l'énergie) ou pour acheter et revendre de l'électricité au réseau, comme un trader.

⚠️ Le Problème : L'Imprévisibilité

Le problème, c'est que les voitures ne sont pas des batteries statiques. Elles arrivent, elles partent, et leurs propriétaires ont des habitudes différentes.

L'incertitude : Une voiture peut partir plus tôt que prévu, ou arriver plus tard.
Le risque : Si le gestionnaire promet trop d'énergie au quartier et qu'une voiture repart soudainement avec sa batterie pleine, le système s'effondre. C'est comme promettre de prêter de l'argent à un ami, mais en oubliant que vous-même avez besoin de cet argent pour payer votre loyer demain.

Les méthodes classiques essaient de prédire l'avenir avec des moyennes, mais elles échouent souvent quand la réalité est "bizarre" ou imprévue.

🛡️ La Solution : L'Approche par "Scénarios" (La Méthode des Mille et Une Nuits)

Au lieu de deviner une seule prédiction parfaite, les auteurs utilisent une méthode appelée l'approche par scénarios.

Imaginez que le gestionnaire du parking ne regarde pas une seule météo pour demain, mais qu'il prépare un plan pour 1 000 scénarios différents basés sur des données passées :

Scénario A : Il pleut, tout le monde rentre tard.
Scénario B : C'est un jour férié, tout le monde part tôt.
Scénario C : Un bus scolaire arrive et prend 20 places.

Le système calcule la stratégie qui fonctionne dans tous ces scénarios à la fois. C'est comme préparer un sac à dos pour un voyage : vous ne prenez pas juste un manteau pour un jour de soleil, vous prenez un parapluie, un pull et un imperméable, au cas où la météo changerait.

🕵️‍♂️ L'Innovation : Se Méfier des "Mauvaises Données" (Robustesse Adversariale)

C'est ici que le papier devient vraiment brillant. Les données historiques peuvent être :

Bruyantes : Des capteurs défectueux qui donnent de fausses informations.
Manipulées : Un pirate informatique qui modifie les données pour tromper le système.
Décalées : Les habitudes des gens changent (ex: après une pandémie, les gens travaillent différemment).

Les auteurs proposent de ne pas faire confiance aveuglément aux données passées. Ils imaginent un "zone de confiance" autour de chaque donnée.

L'analogie du garde du corps : Imaginez que le gestionnaire du parking a un garde du corps (le modèle mathématique). Le garde du corps ne regarde pas seulement la personne qui lui parle (la donnée), mais il vérifie aussi si cette personne pourrait être un imposteur déguisé (une perturbation).
Le système est conçu pour rester sûr même si les données sont légèrement "corrompues" ou si les habitudes changent radicalement. C'est comme conduire une voiture avec un système de freinage qui fonctionne même si la route est glissante ou si un obstacle surgit soudainement.

⚖️ Le Choix Difficile : Argent vs Sécurité (Le Trade-off)

Le gestionnaire a un dilemme :

Option A (Sécurité maximale) : Il garde toujours beaucoup d'énergie en réserve. C'est très sûr, mais il perd de l'argent car il ne peut pas vendre l'excédent.
Option B (Profit maximal) : Il vend tout ce qu'il peut. Il gagne beaucoup d'argent, mais risque de faire défaut si une voiture repart trop tôt.

Ce papier offre un bouton de réglage (un paramètre nommé $\rho$ ).

Le gestionnaire peut dire : "Je suis prêt à accepter un petit risque de 1% pour gagner 10% de plus."
Ou : "Je veux une sécurité absolue, même si je gagne moins."
Le système calcule automatiquement le meilleur équilibre et garantit mathématiquement que le risque ne dépassera jamais le seuil choisi.

📊 Les Résultats : Ça Marche !

Les chercheurs ont testé leur méthode avec des simulations informatiques.

Ils ont comparé leur méthode "super-résistante" avec une méthode classique.
Résultat : Quand les données étaient parfaites, les deux fonctionnaient bien. Mais dès qu'ils ont introduit du "bruit" (des erreurs) ou changé les habitudes (décalage de distribution), la méthode classique a échoué et a violé les règles de sécurité.
La méthode proposée, elle, a tenu bon. Elle a respecté les promesses faites aux clients, même dans les pires conditions, tout en permettant de gagner de l'argent.

🎯 En Résumé

Ce papier propose une nouvelle façon de gérer les batteries des voitures électriques dans les parkings. Au lieu de faire des paris sur l'avenir, il utilise des milliers de scénarios pour se préparer à tout.

L'idée clé : C'est comme avoir un parapluie magique qui s'adapte à la pluie, à l'orage, et même si quelqu'un essaie de vous jeter de l'eau dessus. Cela permet au gestionnaire du parking de faire de l'argent sans avoir peur de faire faillite si la réalité ne correspond pas exactement à ses prévisions.

C'est une avancée majeure pour rendre les réseaux électriques plus intelligents, plus sûrs et plus résistants aux imprévus.

1. Problématique et Contexte

L'article aborde le défi de la gestion des systèmes de stockage virtuel d'énergie (VESS) basés sur l'agrégation de batteries de véhicules électriques (VE) dans des parkings. L'objectif est de permettre à un gestionnaire de parking (PLM) de fournir des services de stockage à une communauté de « prosumers » (producteurs-consommateurs) tout en interagissant avec un détaillant d'énergie.

Les défis principaux identifiés sont :

Incertitudes dynamiques : Les arrivées et départs des VE, ainsi que leurs états de charge (SoC), sont variables et incertains.
Sécurité opérationnelle vs Performance économique : Le PLM doit maximiser ses revenus (via l'arbitrage énergétique) sans violer les contraintes physiques (capacité de stockage, besoins des prosumers).
Fiabilité des données : Les données historiques utilisées pour la planification peuvent être bruitées, corrompues par des attaques adverses, ou subir des déplacements de distribution (distributional shifts) par rapport aux conditions réelles futures. Les méthodes stochastiques classiques ne garantissent pas la fiabilité dans ces cas.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'optimisation convexe piloté par les données, fondé sur l'approche par scénarios (Scenario Approach), étendu pour inclure la robustesse face aux perturbations adverses et aux changements de distribution.

A. Modélisation de Base

Le problème est formulé comme une optimisation convexe où le PLM décide des transactions énergétiques ( $r_k$ ) avec le détaillant et de la gestion du stock virtuel ( $b_k$ ) pour satisfaire la demande des prosumers ( $q_k$ ).

Contraintes : Évolution de l'état de charge, limites de capacité variables ( $\beta_k$ ), et pertes dues aux départs de VE ( $\ell_k$ ).
Fonction objectif : Minimisation des coûts d'achat et maximisation des revenus de vente, avec des prix d'achat et de vente distincts.

B. Approche par Scénarios (Data-Driven)

Au lieu de supposer une distribution de probabilité connue pour les incertitudes ( $\ell_k, \beta_k$ ), le modèle utilise un ensemble de $N$ échantillons de données historiques.

Le PLM résout un problème d'optimisation qui garantit la faisabilité pour tous les scénarios observés dans l'ensemble d'entraînement.
Garanties a priori : En utilisant la théorie de l'optimisation par scénarios, le modèle fournit des bornes supérieures sur la probabilité de violation des contraintes pour des données non vues, indépendamment de la distribution sous-jacente (distribution-free).

C. Extension Robuste (Adversaire et Distributionnelle)

Pour renforcer la fiabilité face à des données imparfaites, l'article introduit deux niveaux de robustesse :

Robustesse Adversaire : Le modèle considère que chaque point de données d'entraînement peut être perturbé dans une région de confiance (trust-region) définie par un rayon $R$ . L'optimisation est contrainte pour rester valide même si les données sont corrompues ou bruitées à l'intérieur de cette région.
Robustesse Distributionnelle (Wasserstein) : Le modèle prend en compte la possibilité que la distribution réelle des données futures ( $P'$ ) diffère de la distribution d'entraînement ( $P$ ). Cela est modélisé via une ambiguïté de Wasserstein de rayon $\mu$ . Le PLM optimise le pire des cas parmi toutes les distributions proches de $P$ selon cette métrique.

D. Mécanisme de Trade-off (Profit vs Risque)

L'article intègre un paramètre de relaxation $\rho$ qui permet au PLM de tolérer volontairement de petites violations des contraintes d'entraînement (avec pénalité) pour améliorer la performance économique. Cela crée un compromis explicite et réglable entre le profit et la sécurité opérationnelle.

3. Contributions Clés

Modélisation Convexe Unifiée : Formulation d'un modèle de stockage virtuel intégrant les transactions avec le détaillant, les demandes des prosumers et les incertitudes de départs de VE dans un cadre convexe.
Garanties Finies et Sans Distribution : Développement d'une méthodologie basée sur les scénarios fournissant des certificats de sécurité (probabilité de violation) avec un nombre fini d'échantillons, sans hypothèse sur la forme de la distribution des données.
Robustesse Avancée : Extension du cadre pour inclure des perturbations adverses (bruit, cyber-attaques) et des déplacements de distribution (Wasserstein), offrant des certificats de robustesse contre des données corrompues et hors-distribution.
Algorithme de Calibration : Proposition d'un algorithme itératif (Algorithme 1) permettant au PLM de sélectionner automatiquement les paramètres de confiance ( $R$ ) et de risque ( $\mu, \rho$ ) pour atteindre un niveau de violation cible tout en maximisant le profit.

4. Résultats Numériques

Des études numériques ont été menées pour valider le cadre théorique :

Compromis Profit-Risque : Les simulations montrent que l'augmentation de la robustesse (via $R$ ou $\mu$ ) ou l'augmentation du nombre d'échantillons ( $N$ ) réduit la probabilité de violation, mais augmente légèrement le coût opérationnel.
Performance Hors-Distribution (OOD) : Le modèle robuste a été testé sur des données générées à partir de distributions différentes de celles d'entraînement.
- Le modèle nominal (sans robustesse) a échoué à respecter les limites de sécurité sous des déplacements de distribution, dépassant largement les niveaux de risque attendus.
- Le modèle robuste a maintenu des taux de violation bien en dessous des bornes théoriques certifiées, même avec un nombre limité d'échantillons ( $N=2000$ ).
Concordance Théorie-Pratique : Les niveaux de violation observés empiriquement correspondent étroitement aux certificats théoriques, confirmant la validité des bornes de garantie.

5. Signification et Impact

Cet article apporte une contribution majeure à la gestion des réseaux électriques intelligents et à l'intégration des VE :

Fiabilité Opérationnelle : Il offre aux gestionnaires de parkings un outil mathématiquement rigoureux pour opérer des systèmes de stockage virtuel sans craindre les défaillances dues à des données imprécises ou à des changements de comportement des utilisateurs.
Gestion du Risque : La capacité à régler explicitement le compromis entre profit et sécurité permet une adaptation fine aux préférences de risque des opérateurs.
Résilience Cyber-Physique : En intégrant la robustesse aux attaques adverses, le modèle prépare les infrastructures énergétiques aux menaces de sécurité croissantes.
Passage à l'échelle : La méthodologie est conçue pour être applicable à grande échelle, avec des perspectives d'extension vers des réseaux de multiples parkings et une intégration future de la santé des batteries.

En résumé, cette recherche transforme la gestion des VE d'un problème d'optimisation déterministe ou stochastique classique en un cadre robuste et certifiable, essentiel pour le déploiement fiable des services de flexibilité dans les réseaux électriques modernes.