⚡ electrical engineering

A Hierarchical Stochastic Model Predictive Control Framework for Integrated Request-aware Charge Scheduling and Service Allocation

Cet article propose un cadre de commande prédictive à horizon fini hiérarchique, distribué et à contraintes de chance, qui intègre la demande stochastique des clients et les prix de l'électricité variables dans le temps afin d'optimiser les calendriers de recharge et l'allocation de services pour les véhicules électriques de mobilité à la demande, réduisant efficacement les coûts et la dégradation des batteries par rapport aux méthodes existantes.

Auteurs originaux : Mainak Dan, Arvind Easwaran

Publié 2026-07-29

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Mainak Dan, Arvind Easwaran

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 une ville où les voitures n'appartiennent pas à des individus mais font partie d'une immense flotte partagée, comme un gigantesque système de bus scolaires qui ne dort jamais. Ce sont des véhicules électriques (VE) utilisés pour le transport à la demande, ramassant des inconnus pour les déposer là où ils doivent aller. Mais voici le hic : ces voitures ont besoin de manger de l'électricité pour fonctionner, et elles deviennent grincheuses si vous leur donnez le mauvais type de nourriture au mauvais moment. Si vous les rechargez quand l'électricité est chère, la flotte perd de l'argent. Si vous les rechargez trop agressivement, leurs batteries se fatiguent et s'abîment plus vite, raccourcissant ainsi leur durée de vie. C'est un équilibre délicat : vous devez deviner quand les clients appelleront pour une course (ce qui est imprévisible, comme essayer de prédire quand un ami va vous envoyer un SMS), tout en surveillant le prix de l'électricité qui fluctue comme des montagnes russes. L'objectif est de garder les voitures contentes, les clients contents et le portefeuille content, le tout sans griller les batteries.

Cet article s'attaque précisément à cet exercice de jonglage avec un nouveau « cerveau intelligent » pour gérer ces flottes électriques. Les auteurs, Mainak Dan et Arvind Easwaran, proposent un système appelé iCMS (Integrated Charging Management and Service Allocation). Voyez cela comme un entraîneur super organisé pour une équipe de sport. Au lieu de simplement dire à chaque joueur de courir aussi vite qu'il peut (ce que font souvent les méthodes actuelles), cet entraîneur observe l'ensemble du jeu. Il sait que le prix de l'énergie est bas à 3 heures du matin mais élevé à 18 heures. Il sait qu'une batterie déteste être chargée trop vite ou trop lentement, et il sait qu'un client peut demander une course à tout moment. Le papier suggère d'utiliser une approche « hiérarchique », ce qui revient à avoir un entraîneur principal et des entraîneurs adjoints. L'entraîneur principal (le niveau supérieur) prend les grandes décisions : « Quelles voitures doivent quitter la station et quand ? ». Les entraîneurs adjoints (le niveau inférieur) gèrent ensuite les détails pour chaque voiture individuelle : « D'accord, Voiture 42, puisque tu pars dans deux heures, voici le programme de charge parfait, lent et régulier, pour économiser de l'argent et protéger ta batterie ».

Les chercheurs ont testé cette idée à l'aide de simulations avec 300 véhicules électriques sur une période de 24 heures, en utilisant des données réelles sur les prix de l'électricité à Singapour et des demandes de trajets historiques. Ils ont comparé leur nouveau système d'« entraîneur intelligent » à deux autres méthodes : l'approche « Business as Usual » (on branche et on charge le plus vite possible) et une approche « basée sur la laxité » (recharger uniquement en fonction du temps restant avant qu'une voiture ne soit nécessaire). Les résultats de ces simulations ont montré que leur nouveau système était le grand vainqueur dans la cuisine. Il a réussi à réduire considérablement les coûts d'électricité — faisant passer la facture de la flotte de près de 194 $ à environ 138 $ — tout en protégeant les batteries de l'usure, réduisant les coûts de dégradation de plus de moitié par rapport aux anciennes méthodes.

Cependant, l'article avertit également qu'être trop intelligent peut être lourd en termes de calcul. Si vous essayez de résoudre le problème pour les 300 voitures à la fois dans un seul cerveau géant (une approche centralisée), l'ordinateur met beaucoup de temps à réfléchir, surtout si vous voulez vérifier chaque scénario possible. C'est pourquoi la méthode « hiérarchique » des auteurs est si importante ; en divisant le travail, ils ont trouvé un moyen d'obtenir des résultats presque aussi excellents mais beaucoup plus rapidement, rendant possible l'exécution de ce système en temps réel. Ils ont également découvert que le système est flexible : en ajustant quelques chiffres, les gestionnaires de flotte peuvent choisir de donner la priorité à l'économie d'argent, à la protection de la batterie ou à l'assurance qu'aucun client ne sera jamais laissé en attente, selon ce dont l'entreprise a le plus besoin à ce moment-là. En bref, cet article suggère qu'avec le bon mélange de mathématiques et de stratégie, nous pouvons rendre notre avenir électrique partagé moins cher, plus durable et beaucoup moins stressant pour tout le monde.

Résumé Technique : Un cadre de contrôle prédictif de modèle stochastique hiérarchique pour l'ordonnancement intégré de la recharge et l'allocation de services sensible aux demandes

Énoncé du Problème
L'article traite des défis opérationnels auxquels sont confrontées les flottes de véhicules électriques de mobilité à la demande (MoD-EV) opérant sous un modèle de location flexible de type A-vers-B. Dans ce contexte, les véhicules sont loués à partir d'une station de recharge (CS) et retournés dans une autre, les réservations de trajets manquant d'informations précises concernant la distance ou l'itinéraire. L'opérateur de la flotte est confronté à un problème d'optimisation complexe impliquant :

Une demande stochastique : Les demandes de location des clients sont incertaines et intermittentes.
Une tarification dynamique : Les prix de l'électricité varient au fil du temps.
Une dynamique de batterie non linéaire : Une modélisation précise nécessite de capturer les comportements non linéaires tels que les effets de température, les variations de la tension en circuit ouvert (OCV) et la dégradation de la capacité, qui sont souvent simplifiés dans la littérature existante.
La scalabilité : Les approches d'optimisation centralisées pour de grandes flottes souffrent d'une intraitabilité computationnelle en raison de la nature combinatoire des contraintes d'entiers mixtes et de la taille de l'horizon de prédiction.

L'objectif central est de minimiser les coûts opérationnels totaux (électricité, commutation, dégradation de la batterie) tout en garantissant la fiabilité du service (satisfaction des demandes de location) sous l'incertitude, sans compromettre la santé de la batterie.

Méthodologie
Les auteurs proposent un mécanisme intégré de gestion de la recharge et d'allocation de services (iCMS) basé sur un cadre de contrôle prédictif (MPC) multi-objectif et stochastique.

Modélisation de la batterie :
- L'étude utilise un modèle de circuit équivalent (ECM) amélioré pour représenter la dynamique de la batterie, capturant la température interne, l'état de charge (SOC) et la tension aux bornes.
- Pour gérer la non-linéarité au sein d'un cadre de programmation linéaire, les auteurs emploient une approximation linéaire par morceaux de la dynamique de la batterie et du modèle de dégradation de la capacité. La plage de SOC est divisée en segments mutuellement exclusifs, permettant l'utilisation de la programmation linéaire en nombres entiers mixtes (MILP).
- Un modèle de dégradation de capacité cyclique est intégré pour quantifier la dégradation en fonction du SOC moyen, de l'écart de SOC et de la quantité de transfert de charge, allant au-delà des simples modèles de coûts agrégés.
Optimisation stochastique (MPC à contraintes de chance) :
- Le cadre incorpore des contraintes de chance pour gérer l'incertitude des demandes de trajet. Au lieu de supposer une distribution paramétrique spécifique, le modèle utilise des scénarios de données historiques pour appliquer des contraintes de niveau de service de manière probabiliste (par exemple, garantir un niveau de confiance $\alpha_{CON}$ que la demande sera satisfaite).
- La fonction objectif minimise une somme pondérée des coûts d'électricité, des coûts de dégradation de la batterie et des coûts de commutation du mode de charge.
Solution distribuée hiérarchique :
- Pour répondre à la complexité computationnelle de la formulation MILP centralisée, les auteurs développent un algorithme distribué hiérarchique à deux étapes :
  - Étape supérieure (Allocation des trajets) : Un modèle d'ordre réduit optimise l'allocation de service de haut niveau et les temps de départ des véhicules ( $t_{dep}$ ) à travers la flotte, en respectant les contraintes de chance.
  - Étape inférieure (Ordonnancement de la recharge) : Des problèmes d'optimisation décentralisés sont résolus pour chaque VE inactif. Chaque véhicule détermine sa séquence de charge détaillée (courant, commutation de mode) en fonction du temps de départ fourni par l'étape supérieure, de la dynamique locale de la batterie et des prix de l'électricité.

Principales Contributions
L'article revendique les contributions spécifiques suivantes :

Mécanisme intégré : Développement d'un cadre unifié gérant simultanément l'allocation de service sous des demandes stochastiques et la dynamique non linéaire des batteries.
Modélisation avancée de la batterie : Adaptation d'un modèle de batterie paramétrique qui capture le comportement dynamique non linéaire et un modèle détaillé de dégradation de capacité cyclique, plutôt que de s'appuyer sur des modèles de l'état de charge (SOC) linéaires simplifiés.
Efficacité computationnelle : Construction d'un problème MILP via une relaxation linéaire par morceaux des dynamiques non linéaires pour améliorer l'efficacité de la prise de décision.
Commutation de mode discrète : Formulation des opérations de charge discrètes (incluant la décharge V2G, les modes de charge multiples et les états OFF) avec des automates de transition.
Architecture scalable : Développement d'un algorithme distribué hiérarchique qui décompose le problème centralisé pour réduire la complexité computationnelle, permettant une mise en œuvre en temps réel pour de plus grandes flottes.

Résultats et Évaluation
Le cadre a été évalué à l'aide d'un ensemble de données de 300 VE sur un horizon de 24 heures avec les prix de l'électricité de gros de Singapour et des données de demande historiques. Les méthodes proposées (iCMS centralisé et iCMS distribué) ont été comparées à une heuristique "Business-as-Usual" (BAU) et à une approche de recharge basée sur la laxité (LC).

Efficacité des coûts : Les approches iCMS proposées ont nettement surpassé le BAU et le LC. L'approche iCMS distribuée (D-iCMS) a obtenu le coût de dégradation de la batterie le plus bas (5,2 $ contre 21,04 $ pour le BAU) et des coûts d'électricité proches de l'optimal (138,38 $ contre 193,95 $ pour le BAU).
Profil de charge : Bien que l'approche centralisée (C-iCMS) ait obtenu le coût d'électricité le plus bas, elle a entraîné un ratio de pointe à la moyenne (PAR) plus élevé de 3,89 dû à l'exploitation agressive des périodes de bas prix. Le D-iCMS a offert une solution équilibrée avec un PAR modéré de 2,33.
Performance stochastique : L'analyse de différents niveaux de confiance a montré que des niveaux de confiance plus élevés produisent des solutions plus robustes avec des écarts plus faibles entre les coûts prédits et réels, bien qu'au prix d'une utilisation accrue des ressources.
Scalabilité computationnelle : L'analyse du temps d'exécution a démontré que l'approche centralisée subit une croissance exponentielle du temps de calcul à mesure que l'horizon de prédiction et l'intervalle d'échantillonnage augmentent. En revanche, l'approche D-iCMS distribuée a maintenu des temps d'exécution faibles (par exemple, 1,3 seconde pour un intervalle de 30 minutes) en décomposant le problème, ce qui la rend adaptée aux applications en temps réel.
Sensibilité des hyperparamètres : L'étude a analysé l'impact des coûts de commutation et des facteurs de pénalité, montrant que l'ajustement de ces paramètres permet aux opérateurs de prioriser soit la stabilité du réseau (dégradation moindre), soit la faisabilité opérationnelle (pénalités moindres).

Signification
L'article positionne ce travail comme un outil pratique d'aide à la décision pour la gestion de flotte. Il affirme que le cadre proposé comble le fossé entre la modélisation théorique de la batterie et la réalité opérationnelle en :

Permettant une répartition sensible à la grille qui atténue les impacts de la charge de pointe tout en tirant parti des incitations tarifaires.
Fournissant un mécanisme pour équilibrer des objectifs concurrents (coût de l'électricité, fiabilité du service et longévité de la batterie) grâce à des poids de fonction de coût ajustables.
Offrant une scalabilité grâce au calcul décentralisé, permettant aux opérations de flotte de croître sans être freinées par les limites de calcul des solveurs centralisés.

Les auteurs concluent que, bien qu'une discrétisation du SOC par tranches de 10 % offre un point de départ robuste pour équilibrer temps d'exécution et précision, la capacité du cadre à gérer simultanément les dynamiques non linéaires et la demande stochastique représente une avancée significative par rapport aux stratégies de planification simplifiées existantes.

Articles similaires