Jeu de données haute résolution des réponses de charge des véhicules électriques sous différentes perturbations de la qualité de l’alimentation

Pourquoi la prise de votre voiture compte

À mesure que les voitures électriques deviennent des véhicules du quotidien, l’attention se porte souvent sur les batteries, l’autonomie et le nombre de bornes disponibles. Mais un autre facteur, moins visible, influe discrètement sur la rapidité et la sécurité de la charge : la stabilité de l’électricité fournie par le réseau. Cette étude présente un jeu de données détaillé et open source qui capture la façon dont un véhicule électrique réel réagit lorsque l’alimentation secteur est momentanément « imparfaite » de différentes manières, posant les bases pour des chargeurs plus intelligents, des réseaux plus robustes et une meilleure protection des batteries coûteuses.

Des hoquets invisibles dans l’alimentation

Dans les réseaux électriques réels, l’électricité qui arrive à votre domicile ou à votre parking n’est pas toujours parfaitement lisse. Le réseau peut subir de brèves baisses de tension, des pics soudains, de petites interruptions ou des formes d’onde déformées causées par des machines puissantes, des fluctuations des énergies renouvelables ou des tempêtes. Ces perturbations de la qualité de l’alimentation peuvent ralentir la charge, déclencher des protections de sécurité ou, si elles surviennent fréquemment, raccourcir la durée de vie des batteries. Jusqu’à présent, chercheurs et ingénieurs disposaient de peu de données réelles partagées montrant précisément comment un véhicule électrique complet se comporte sous chaque type de perturbation, ce qui compliquait la comparaison des études ou la conception de matériels de charge robustes.

Construction d’un banc d’essai contrôlé

Pour combler cette lacune, les auteurs ont construit une plateforme de laboratoire spécialisée qui leur permet de « rejouer » de nombreuses conditions de réseau imparfaites de façon contrôlée. Ils génèrent d’abord des formes d’onde de tension perturbées soit avec du matériel dédié, soit en les produisant par logiciel puis en les rejouant sous forme de signaux électriques réels. Ces signaux alimentent une source d’alimentation alternative programmable qui, à son tour, alimente une borne de charge AC standard connectée à une voiture électrique de série. Pendant la charge, des instruments enregistrent la tension et le courant côté réseau à grande vitesse, et une interface de données à l’intérieur du véhicule consigne la tension de la batterie, le courant de charge, l’état de charge, la température et d’autres signaux clés. Toutes ces informations sont stockées dans des fichiers simples et lisibles par machine afin que d’autres équipes puissent réutiliser les données.

Dix types de perturbations et la réaction de la voiture

Le jeu de données explore systématiquement dix types représentatifs de perturbations, comme des variations de fréquence, des harmoniques ajoutés (ondulations supplémentaires sur la forme d’onde), des sous-tensions et surtensions de courte ou longue durée, des interruptions totales ou partielles, et les « chutes » et « montées » classiques où la tension diminue ou augmente brusquement. Chaque expérience modifie l’intensité et la durée de la perturbation, tout en gardant la batterie de la voiture à un niveau de charge initial connu. En superposant la tension perturbée et le courant de charge de la voiture, les auteurs montrent comment différents événements laissent des « empreintes » distinctes : les interruptions portent le courant presque à zéro, les chutes déclenchent souvent la protection du chargeur et arrêtent brusquement la charge, tandis que des transitoires très brefs perturbent à peine le courant. Des écarts plus longs et plus doux poussent le courant vers le haut ou vers le bas de façon graduelle, révélant la sensibilité du chargeur aux variations quotidiennes du réseau.

Des signaux bruts à un outil de recherche

Au-delà de la collecte des données, l’équipe a veillé à leur exactitude et à leur utilité générale. Ils ont calibré les instruments par rapport à des compteurs de référence, vérifié l’alignement temporel à quelques millièmes de seconde près, réparé de petites lacunes dans le flux de données embarqué, et confirmé que les perturbations correspondaient bien aux intensités et durées visées. Ils ont ensuite résumé ce qui avait été enregistré dans chaque fichier à l’aide de statistiques simples et de mesures fréquentielles, et utilisé des méthodes de clustering pour vérifier que des événements clairement différents, comme une perte totale de tension, ressortent nettement dans cet espace de caractéristiques. Un sous-ensemble étendu de tests s’est concentré sur les chutes de tension à travers différentes voitures, différents chargeurs et différents niveaux de charge initiaux, montrant que si les niveaux de courant absolus varient, le schéma de base — des chutes plus profondes entraînant une charge plus faible — est remarquablement cohérent.

Pourquoi cela compte pour la charge de demain

Au final, ce travail ne propose pas en soi un nouvel algorithme ou un nouveau design de chargeur. Il livre en revanche un « langage commun » de mesures réelles, soigneusement validées, sur lequel d’autres peuvent s’appuyer. Grâce à ce jeu de données, les chercheurs peuvent comparer plus équitablement des méthodes de détection et de classification des perturbations, les fabricants peuvent soumettre virtuellement de nouveaux chargeurs à des tests d’endurance avant déploiement, et les planificateurs de réseau peuvent mieux comprendre quand la charge des VE est susceptible de faiblir. Pour les conducteurs, les bénéfices à long terme sont plus discrets : des chargeurs et des réseaux qui gèrent avec élégance les hoquets électriques quotidiens, rendant les temps de charge prévisibles et préservant la santé des batteries sur plusieurs années d’utilisation.

Citation: Li, H., Zhang, Y., Yang, S. et al. High-resolution Dataset of Electric Vehicle Charging Responses Under Varied Power Quality Disturbances. Sci Data 13, 403 (2026). https://doi.org/10.1038/s41597-026-06768-5

Mots-clés: charge de véhicule électrique, perturbations de la qualité de l’électricité, chute de tension, données réseau intelligent, fiabilité de la charge de batterie