Synergetic capacity planning of public and private EV charging piles via city-scale multi-objective optimization

Résumé technique : Planification de capacité synergique des bornes de recharge publiques et privées pour véhicules électriques via une optimisation multi-objectifs à l'échelle urbaine

Énoncé du problème
L'expansion rapide des véhicules électriques (VE) a créé un écart persistant entre la croissance du parc automobile et la disponibilité des infrastructures de recharge. Bien que la Chine domine le marché mondial des VE, la synchronisation entre le déploiement des véhicules et la capacité des bornes de recharge reste imparfaite, se caractérisant par des déséquilibres spatiaux où les centres urbains sont surapprovisionnés tandis que les zones périphériques accusent du retard. Les approches de planification existantes reposent souvent sur des projections agrégées basées sur les stocks, qui ne parviennent pas à saisir les différences entre les types de motorisation (véhicules électriques à batterie [VEB], véhicules électriques hybrides rechargeables [VEHR] et véhicules électriques à prolongateur d'autonomie [VEPA]), les effets climatiques saisonniers et les modes d'utilisation distincts des recharges publiques et privées. De plus, la planification à l'échelle urbaine manque fréquemment d'une logique d'allocation unifiée équilibrant le coût économique, la stabilité du réseau et l'équité régionale, traitant souvent l'équité comme un principe général plutôt que comme une contrainte exécutoire.

Méthodologie
L'étude propose un cadre de planification à l'échelle urbaine, piloté par la demande, appliqué à Chongqing, en Chine, couvrant la période de 2022 à 2030. La méthodologie comprend trois composantes intégrées :

1. Estimation de la demande descendante à haute résolution :

   • Le modèle désagrège la demande de recharge des VE par modèle de véhicule et type de motorisation (VEB, VEHR, VEPA).
   • Il intègre les variations saisonnières en divisant l'année en « saisons douces » (printemps/automne) et « saisons à climat extrême » (été/hiver) pour tenir compte des changements induits par la température dans la consommation d'énergie (charges de chauffage/refroidissement).
   • La demande de recharge est calculée selon une approche descendante basée sur les données d'immatriculation des véhicules, le kilométrage annuel moyen, la capacité de la batterie et l'autonomie nominale (CLTC), corrigée par des facteurs de consommation d'énergie spécifiques à la saison et à la version du véhicule.

2. Modèle de planification de capacité multi-objectifs :

   • Un modèle de planification synergique est formulé pour optimiser simultanément l'allocation des bornes de recharge publiques et privées à travers les districts administratifs.
   • Objectifs :
     • Minimiser le coût total du cycle de vie (investissement et exploitation/maintenance).
     • Minimiser la fluctuation de la charge du réseau (variance de la charge trimestrielle du réseau).
     • Maximiser le potentiel total d'approvisionnement énergétique (basé sur les taux d'utilisation).
   • Contraintes : Le modèle inclut des contraintes rigides pour l'équité régionale afin d'assurer un service équilibré à travers la hiérarchie « Centre-Suburbain-Périurbain ».
   • Résolveur : L'algorithme d'optimisation des faucons de Harris (HHO) est employé pour résoudre le problème d'optimisation non linéaire de haute dimension, gérant les compromis entre objectifs conflictuels.

3. Prévision et validation :

   • Un modèle gris d'ordre fractionnaire optimisé par HHO (HHO-FGM) est utilisé pour projeter la demande totale de bornes de recharge de 2025 à 2030.
   • Le cadre est validé par des analyses de sensibilité concernant les normes de cycles de conduite (NEDC, WLTP, CLTC) et les taux de croissance des immatriculations de VE, ainsi que par des comparaisons avec les données de déploiement réel de 2022 à 2024.

Contributions clés

• Comptabilité granulaire de la demande : L'étude va au-delà des modèles agrégés en modélisant explicitement l'intensité énergétique et la dynamique de la demande pour des modèles de véhicules et des types de motorisation spécifiques, capturant le changement structurel vers les VEHR et les VEPA.
• Planification synergique publique-privée : Elle introduit un cadre d'optimisation unifié qui planifie conjointement les bornes de recharge publiques et privées, répondant à la fragmentation historique où ces deux secteurs sont souvent planifiés indépendamment.
• Optimisation intégrant l'équité : L'équité régionale est intégrée comme une contrainte rigide au sein de la fonction multi-objectifs, garantissant que l'allocation résultante ne suit pas simplement la concentration de la demande mais atténue activement les disparités de service urbain-rural.
• Cadre évolutif : La méthodologie est conçue pour être transférable à d'autres villes connaissant une électrification rapide et une hétérogénéité spatiale, offrant un outil pour la conception d'investissements à long terme et de politiques.

Résultats

• Tendances de la demande : Entre juin 2022 et la fin de 2024, la consommation mensuelle d'électricité des VE à Chongqing a triplé, passant de 18,9 GWh à 57,5 GWh. La structure du marché a considérablement évolué, la part combinée des VEHR et des VEPA atteignant 57,6 %, nécessitant une planification des infrastructures spécifique à la technologie. Une volatilité saisonnière significative a été observée, avec un pic de consommation en hiver dû aux besoins de chauffage.
• Inadéquation spatiale : L'analyse historique a révélé que le déploiement réel des bornes de recharge était fortement concentré dans le centre urbain, laissant les zones suburbaines et les comtés sous-desservis. La capacité de recharge publique a constamment pris du retard par rapport à la demande dans tous les districts.
• Performance de l'optimisation : La configuration optimisée a atteint un score de performance globale de 0,28 en 2024, une amélioration significative par rapport au score de déploiement réel de 0,65. Le plan optimisé a mieux équilibré l'adéquation du service à travers la hiérarchie urbaine tout en maintenant la stabilité du réseau.
• Projections 2030 : D'ici 2030, Chongqing devrait nécessiter environ 1,8 million d'unités de recharge. La stratégie optimisée maintient un ratio privé-public stable de 9:1, avec 1,57 million de bornes privées et 176 800 bornes publiques. Cette configuration devrait réduire les fluctuations de la charge du réseau de 24,8 % et améliorer le potentiel d'approvisionnement énergétique de 6,6 % par rapport à la base de 2024.

Signification
L'article affirme que sa signification principale réside dans la fourniture d'un outil polyvalent et spatialement explicite aux décideurs politiques pour soutenir un déploiement durable et rentable des infrastructures de recharge pour VE. En intégrant une comptabilité de demande à haute résolution avec une optimisation multi-objectifs, l'étude comble des lacunes critiques de la littérature existante qui se concentrent souvent sur l'optimisation au niveau des stations ou reposent sur des hypothèses de demande simplifiées. Le cadre permet une analyse transparente des compromis entre coût, compatibilité du réseau et accès équitable, offrant une base robuste pour coordonner le développement des réseaux de recharge urbains et aligner les infrastructures sur les objectifs d'électrification à long terme. Les auteurs soulignent que, bien que Chongqing serve d'étude de cas, la méthodologie est conçue pour être applicable à d'autres villes confrontées à des défis similaires d'électrification rapide et d'hétérogénéité spatiale.