Placement optimal des stations de recharge de véhicules électriques et de la production distribuée par partition du réseau de distribution en utilisant l’algorithme rapide modifié de Newman

Alimenter des villes plus propres

À mesure que davantage d’automobilistes passent des voitures à essence aux véhicules électriques, nos réseaux électriques doivent suivre. Une recharge rapide et pratique est essentielle, mais si de nombreux véhicules se branchent en même temps, le réseau local de poteaux, câbles et transformateurs peut être poussé au‑delà de ses limites. Cet article examine comment positionner de manière plus intelligente à la fois les stations de recharge pour VE et les petites sources locales d’énergie afin que les quartiers puissent accueillir davantage de VE tout en maintenant la stabilité du réseau et en réduisant les coûts.

Diviser les grands réseaux en quartiers plus petits

Plutôt que de traiter le réseau de distribution d’une ville comme un enchevêtrement unique, les auteurs le divisent en « quartiers » électriques plus restreints et fortement connectés, appelés micro‑réseaux virtuels. Ils utilisent une technique issue de la science des réseaux, l’algorithme rapide modifié de Newman, mais l’adaptent à l’électricité en mesurant à quel point deux points du réseau sont liés en termes électriques réels, et non pas seulement par la distance physique. Cette mesure, appelée force d’accouplement électrique, combine la facilité de circulation de l’électricité entre deux points et la capacité sûre de chaque ligne. Le résultat est un ensemble de grappes dont les lignes internes sont fortement connectées et fonctionnent comme une zone locale cohérente.

Ajouter des bornes et de petites centrales là où elles sont les plus utiles

Une fois le réseau divisé en ces quartiers virtuels, l’étape suivante consiste à décider où implanter chaque station de recharge et chaque générateur distribué, comme un petit générateur synchrone ou une unité éolienne. Les auteurs attribuent à chaque micro‑réseau virtuel exactement une station de recharge et une petite source d’énergie. Ils recherchent alors le meilleur nœud (bus) à l’intérieur de chaque quartier en se concentrant sur les points les plus faibles du système — les emplacements où la tension est la plus basse et la stabilité la plus limitée. En renforçant ces points, ils peuvent réduire les pertes d’énergie et maintenir les tensions dans des limites sûres, même avec l’augmentation de la demande de recharge des VE.

Emprunter des stratégies à la nature pour trouver la meilleure configuration

Trouver le mélange idéal d’emplacements et de tailles pour les bornes et les générateurs est un puzzle complexe à multiples facettes. Pour le résoudre, les auteurs comparent trois méthodes de recherche avancées connues sous le nom d’algorithmes métaheuristiques. Deux d’entre elles sont de nouvelles approches inspirées de la nature : l’algorithme d’optimisation Starfish, basé sur la façon dont les étoiles de mer cherchent de la nourriture et régénèrent leurs membres, et l’algorithme d’optimisation Puma, fondé sur la manière dont les pumas explorent et chassent dans leur territoire. La troisième, l’optimisation par essaim de particules, est une technique plus établie modélisée sur les vols d’oiseaux ou les bancs de poissons. Les trois visent à minimiser les pertes d’énergie sur les lignes tout en améliorant une mesure de stabilité de la tension, tout en respectant des limites d’exploitation telles que le chauffage des lignes et les plafonds de puissance des générateurs.

Améliorations importantes sur des réseaux petits et grands

Les chercheurs testent leur cadre sur deux réseaux de référence standard : un système modeste de 33 bus et un système beaucoup plus grand de 118 bus. Dans le cas le plus petit, leur méthode réduit les pertes de puissance active d’environ 82 % et relève la tension la plus basse d’un niveau préoccupant à une valeur proche de la cible, tout en améliorant fortement un indice de stabilité. Dans le réseau plus vaste, les pertes diminuent d’environ 68–69 % avec des gains similaires en qualité de tension et en stabilité. Parmi les trois méthodes de recherche, l’algorithme basé sur le puma converge le plus rapidement vers des solutions de haute qualité, surtout dans le grand réseau, ce qui suggère qu’il est bien adapté à la planification à grande échelle lorsque le temps et la puissance de calcul sont limités.

Vers des réseaux en temps réel et riches en renouvelables

Au‑delà de la planification statique, l’étude esquisse comment cette stratégie peut s’étendre à des conditions plus réalistes et variables dans le temps. Les auteurs construisent des profils de charge journaliers pour différents types de clients et simulent une recharge non coordonnée des VE, qui augmente la demande de pointe et la contrainte sur le réseau. Ils ajoutent ensuite des générateurs éoliens à l’intérieur des micro‑réseaux virtuels et montrent que ces énergies renouvelables locales peuvent lisser les pics de demande et réduire les pertes tout en soutenant davantage les tensions. Bien que le travail actuel se concentre sur la performance technique plutôt que sur le coût ou les émissions, il ouvre la voie à un avenir où les réseaux urbains sont divisés en quartiers intelligents accueillant des bornes de recharge et une production locale propre à des emplacements soigneusement choisis.

Ce que cela signifie pour les conducteurs au quotidien

Pour les non‑spécialistes, le message principal est que l’emplacement des stations de recharge et des petites centrales compte autant que leur nombre. En découpant d’abord le réseau en quartiers électriques naturels, puis en utilisant des méthodes de recherche intelligentes inspirées de la nature pour renforcer les points faibles, les opérateurs peuvent réduire considérablement le gaspillage, stabiliser les tensions et faire de la place pour beaucoup plus de véhicules électriques. Concrètement, cela se traduit par moins de coupures et de baisses de tension, des recharges plus fiables et une transition plus fluide vers des transports plus propres à mesure que les renouvelables et les VE deviennent centraux dans la vie quotidienne.

Citation: Mohamed, M.A.E., Gawish, A.N.A. & Metwally, M.E. Optimal electric vehicle charging stations and distributed generation placement by partitioning the distribution network using the modified newman fast algorithm. Sci Rep 16, 6341 (2026). https://doi.org/10.1038/s41598-026-35433-5

Mots-clés: recharge de véhicules électriques, réseaux de distribution d’énergie, production distribuée, optimisation du réseau, micro-réseaux virtuels