⚡ electrical engineering

Multi-objective scheduling of highway PV-storage-charging microgrid clusters with EV-load cascades

Cette étude propose un cadre de planification multi-objectif pour les grappes de micro-réseaux photovoltaïques-stockage-charge sur autoroute qui intègre un modèle de cascade charge de véhicules électriques spatio-temporelle pour tenir compte des comportements de déplacement dynamiques, générant avec succès une frontière de Pareto réalisable qui minimise à la fois les coûts d'exploitation et les émissions de carbone tout en assurant le respect strict des contraintes.

Auteurs originaux : Yanming Sun, Mohan Zhao, Pihong Gong

Publié 2026-07-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yanming Sun, Mohan Zhao, Pihong Gong

Article original sous licence CC BY 4.0 (https://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 autoroute très fréquentée comme un long fleuve de voitures. Le long de ce fleuve, se trouvent trois « stations de service » (appelons-les Station A, Station B et Station C). Chaque station possède des chargeurs pour véhicules électriques (VE), des panneaux solaires sur le toit et une batterie géante (comme une énorme batterie externe pour toute la station).

L'objectif de cette étude est de déterminer la meilleure façon de gérer ces trois stations afin qu'elles économisent de l'argent et produisent moins de pollution, tout en faisant face à un problème délicat : les embouteillages modifient les lieux où les gens souhaitent recharger.

Voici l'histoire de la manière dont les chercheurs ont résolu cela, expliquée simplement :

1. L'« effet domino » du trafic

Habituellement, les planificateurs considèrent la demande de recharge comme un calendrier fixe : « La Station A aura 100 voitures à 17h ». Mais dans la réalité, les conducteurs sont intelligents. Si la Station A est trop encombrée (une file d'attente se forme), les conducteurs peuvent décider : « Je vais sauter cette étape et conduire jusqu'à la Station B à la place ».

Les chercheurs ont construit un modèle numérique qui agit comme un simulateur d'« effet domino ».

Le déclencheur : Si la Station A devient trop encombrée, le « temps d'attente » devient trop long.
La réaction : Les conducteurs vérifient leur batterie. S'ils ont assez d'énergie pour atteindre la Station B en toute sécurité, ils sautent la Station A et vont à la Station B.
Le résultat : La Station B reçoit soudainement une vague de voitures qu'elle n'attendait pas. Si la Station B devient elle aussi trop encombrée, certains pourraient essayer de sauter jusqu'à la Station C.

L'étude a révélé que ce « saut » se produit principalement entre les deux premières stations (A et B). Très peu de voitures sautent jusqu'à la Station C car elles risquent de tomber en panne de batterie ou de se lasser de conduire plus loin juste pour gagner quelques minutes.

2. Les trois stations comme une seule grande équipe

Au lieu de gérer la Station A, la Station B et la Station C séparément, les chercheurs les ont traitées comme une seule grande équipe (un « micro-réseau groupé »).

Les panneaux solaires : Ils génèrent de l'énergie gratuite et propre pendant la journée.
La batterie géante : C'est le « compte d'épargne » de l'équipe. Elle stocke l'excédent d'énergie solaire quand le soleil brille et la libère lorsque les voitures arrivent le soir.
Le réseau électrique : C'est la connexion avec la centrale électrique principale de la ville.

Le défi consistait à dire à la batterie quand se charger et quand se décharger pour maintenir les coûts bas et la pollution minimale, tout en s'assurant qu'aucune station ne tombe en panne d'énergie.

3. Les règles du « pas de triche »

Les chercheurs ont utilisé un algorithme informatique intelligent (un optimiseur numérique) pour trouver le meilleur plan. Mais ils ont ajouté des règles strictes de « pas de triche » pour s'assurer que le plan fonctionne réellement dans le monde réel :

La règle de la « batterie vide » : On ne peut pas vider complètement la batterie à la fin de la journée. Elle doit être rechargée à son niveau initial pour être prête pour le lendemain. (Imaginez que vous ne pouvez pas dépenser tout votre salaire aujourd'hui si vous avez besoin d'argent pour le petit-déjeuner de demain).
La règle du « pas d'exportation » : La batterie ne peut pas revendre de l'électricité au réseau principal de la ville juste pour faire un profit rapide. Elle doit uniquement utiliser son énergie pour charger les voitures.
La règle de la « marge de sécurité » : La batterie ne peut pas devenir trop pleine ou trop vide, sinon elle pourrait s'abîmer.

4. Le résultat : Un plan équilibré

L'ordinateur a généré 500 plans différents « parfaits ». Les chercheurs ont choisi celui qui offrait le meilleur équilibre entre l'économie d'argent et la protection de la planète.

Qu'est-il arrivé dans le plan gagnant ?

Argent économisé : Le coût quotidien était d'environ 13 516 CNY.
Pollution réduite : Les émissions quotidiennes de carbone étaient d'environ 12 068 kg de CO2.
Comment cela a fonctionné : La batterie s'est chargée pendant la journée, lorsque les panneaux solaires travaillaient intensément. Ensuite, le soir, lorsque les voitures arrivaient, la batterie a libéré l'énergie stockée pour charger les véhicules. Cela signifie que les stations n'ont pas eu besoin d'acheter autant d'énergie coûteuse et sale auprès du réseau principal.
Le contrôle de sécurité : Le plan a passé tous les tests. La batterie ne s'est jamais vidée, ne débordé jamais, et les lignes électriques n'ont jamais été surchargées.

L'idée principale

Cette étude montre que vous ne pouvez pas simplement regarder une station de recharge de manière isolée. Vous devez regarder tout le corridor de l'autoroute. Lorsqu'un embouteillage se produit à la première étape, il envoie un effet d'entraînement tout au long de la route, changeant l'endroit où les voitures se rendent. En comprenant cet « effet de vague » et en gérant les panneaux solaires et les batteries comme une seule équipe, les stations d'autoroute peuvent fonctionner de manière moins coûteuse, plus propre et plus fiable.

Les chercheurs ont prouvé que si vous construisez votre plan avec ces comportements de trafic du « monde réel » et des règles de sécurité strictes, vous obtenez une solution qui n'est pas seulement un chiffre sur un écran, mais un plan qui pourrait réellement fonctionner dès demain.

Résumé Technique : Programmation multi-objectif de clusters de micro-réseaux PV-stockage-charge d'autoroutes avec cascades de charges de véhicules électriques

Énoncé du problème
Les aires de service d'autoroute évoluent vers des nœuds couplés transport-énergie où la demande de recharge des véhicules électriques (VE) est souvent modélée comme un profil de charge exogène et fixe. Cette approche traditionnelle ne parvient pas à capturer la réalité dynamique des longs trajets, où la pression des files d'attente, l'état de charge (SOC) restant, les délais de trajet et les décisions de saut de station provoquent un déplacement spatial de la demande de recharge le long d'un corridor. De plus, les modèles de programmation existants traitent souvent la demande de VE comme statique, ignorant le comportement de « saut de station » où les conducteurs contournent des stations en amont congestionnées pour charger en aval. Ce décalage crée un fossé entre les réponses comportementales du côté du trafic et les opérations de micro-réseau du côté de l'énergie. En outre, l'optimisation multi-objectif pour les micro-réseaux repose fréquemment sur des méthodes de pénalité souple, ce qui peut produire des solutions qui semblent optimales dans l'espace des objectifs (coût/émissions) mais violent des contraintes physiques critiques telles que les limites de SOC, la capacité du transformateur ou les exigences de SOC terminal, rendant les solutions opérationnellement infaisables.

Méthodologie
L'étude propose un cadre à deux couches reliant un modèle de cascade de charge de VE spatio-temporelle à un modèle de programmation de micro-réseau de niveau corridor agrégeant PV-stockage-charge.

Modèle de cascade de charge de VE :
- Logique comportementale : Le modèle traite le saut de station comme une réponse comportementale contrainte plutôt que comme une redistribution libre. Il utilise une formulation logit binaire pour calculer les probabilités de saut basées sur les coûts généralisés. Ces coûts pondèrent le temps d'attente dans la file, le délai de trajet entre les stations, le SOC restant et le risque d'autonomie.
- Contraintes physiques : Une contrainte stricte garantit que le saut n'est autorisé que si le SOC restant est suffisant pour atteindre la station suivante tout en maintenant une marge de sécurité.
- Mécanisme de cascade : La demande sautée d'une station en amont (ex. : Station A) est retardée par le temps de trajet et ajoutée au taux d'arrivée de la station en aval (ex. : Station B), créant ainsi une cascade de charge spatio-temporelle.
Modèle de programmation du micro-réseau :
- Périmètre du système : Trois aires de service consécutives (A, B, C) sont agrégées en un seul cluster de micro-réseau au niveau du corridor pour évaluer l'opération conjointe du PV partagé, des systèmes de stockage d'énergie (ESS) et des transformateurs.
- Objectifs : Le modèle minimise deux objectifs conflictuels : le coût d'exploitation net quotidien (incluant l'achat, la vente d'électricité et la dégradation de l'ESS) et les émissions de carbone nettes quotidiennes.
- Contraintes : L'horizon de programmation est de 24 heures (144 intervalles de dix minutes). Les contraintes clés incluent les limites de SOC ([0,1, 0,9]), les limites de puissance active du transformateur, une exigence de SOC terminal (le SOC final doit être $\ge$ au SOC initial pour éviter l'emprunt d'énergie inter-journalier) et une prohibition de l'exportation de l'ESS vers le réseau (empêchant l'arbitrage par batterie).
Flux de travail d'optimisation :
- Algorithme : L'algorithme de tri non dominé NSGA-II est employé.
- Préservation de la faisabilité : Contrairement aux approches standards, ce flux de travail intègre une initialisation orientée vers la faisabilité, une réparation de contrainte directe (écrêtage des limites de puissance, ajustement séquentiel du SOC) et un filtrage Pareto entièrement faisable.
- Sélection : Seuls les programmes satisfaisant toutes les contraintes strictes (zéro violation des limites de SOC, de la capacité du transformateur et du SOC terminal) sont retenus. Une solution de compromis est sélectionnée à partir de ce front « entièrement faisable » en utilisant un score d'appartenance normalisé avec des poids égaux pour le coût et le carbone.

Contributions clés

Modélisation couplée : L'étude lie explicitement les réponses de transport induites par les files d'attente (temps d'attente, saut de station) avec les entrées de charge du micro-réseau en aval, allant au-delà des profils de charge fixes.
Agrégation au niveau du corridor : Elle démontre que bien que la redistribution de la demande se produise au niveau du nœud, la programmation opérationnelle doit tenir compte des ressources agrégées (PV, ESS, capacité du réseau) de l'ensemble du corridor.
Gestion stricte de la faisabilité : L'article introduit un flux de travail qui impose des contraintes strictes (SOC terminal, pas d'exportation de l'ESS vers le réseau) pendant le processus d'optimisation, garantissant que le front de Pareto résultant est constitué entièrement de programmes exécutables plutôt que d'approximations par pénalité souple.
Reproductibilité : L'étude fournit un flux de travail NSGA-II entièrement reproductible avec des graines aléatoires fixes et des mécanismes de réparation spécifiques, produisant 500 solutions Pareto entièrement faisables.

Résultats
L'étude de cas se concentre sur un corridor comprenant trois aires de service.

Dynamique de cascade de charge : Les résultats montrent un transfert de charge asymétrique. L'aire de service A (en amont) subit une pression de file importante (temps d'attente jusqu'à 21,46 min), entraînant une probabilité de saut moyenne de 0,215. Cette demande est largement absorbée par l'aire de service B (en aval), qui voit sa charge augmenter. Le transfert vers l'aire de service C reste limité (probabilité de saut moyenne de 0,041) en raison des contraintes de SOC restant et de la distance de trajet.
Résultats de l'optimisation : À partir des 500 solutions Pareto entièrement faisables, un compromis a été sélectionné :
- Coût d'exploitation net : 13 515,78 CNY/jour.
- Émissions de carbone nettes : 12 067,92 kg CO₂/jour.
- Métriques opérationnelles : L'ESS fonctionne principalement pour déplacer l'énergie au sein du corridor (charge pendant la disponibilité du PV, décharge pendant les pics du soir) plutôt que d'exporter vers le réseau. L'exportation totale du réseau, l'exportation PV et l'exportation de l'ESS vers le réseau sont toutes de 0,00 kWh.
- Satisfaction des contraintes : La solution maintient le SOC dans [0,2577, 0,9000], restitue le SOC terminal à sa valeur initiale de 0,5000, et enregistre zéro violation des limites de SOC, de la capacité du transformateur et de l'exportation de l'ESS vers le réseau.

Signification et affirmations
L'article affirme que traiter la demande de recharge sur autoroute comme un processus spatialement transférable, façonné par les conditions de file d'attente et les contraintes de portée, fournit une interface plus claire entre la dynamique du trafic et les opérations du système énergétique. La signification du travail ne réside pas dans la nouveauté de l'optimiseur (NSGA-II) lui-même, mais dans le couplage reproductible de la modélisation de la cascade de charge pilotée par les files d'attente avec la programmation du corridor au niveau de la faisabilité.

Les auteurs soulignent qu'en imposant la récupération du SOC terminal et en interdisant l'exportation de l'ESS vers le réseau, le compromis coût-carbone rapporté est plus auditable et opérationnellement interprétable. Le compromis sélectionné est présenté non pas comme un optimum numérique sans contrainte, mais comme un programme faisable qui respecte les limites physiques du micro-réseau et les réalités comportementales des conducteurs de VE. L'étude conclut qu'un tel cadre soutient une opération à faible émission de carbone, techniquement interprétable et respectant les contraintes des clusters de micro-réseaux de corridors autoroutiers, tout en reconnaissant des limitations concernant les facteurs de carbone fixes, les horizons d'une seule journée et l'absence de contraintes de puissance alternative (AC).

1. L'« effet domino » du trafic

2. Les trois stations comme une seule grande équipe

3. Les règles du « pas de triche »

4. Le résultat : Un plan équilibré

L'idée principale

Articles similaires