Optimisation QUBO centrée sur les AE pour la coordination de la puissance active et réactive dans les systèmes de distribution pilotés par DLMP

Pourquoi votre voiture pourrait aider à maintenir l’éclairage

À mesure que les voitures électriques se multiplient dans les quartiers, elles deviennent discrètement l’un des outils les plus puissants du réseau. Plutôt que d’être simplement un autre appareil qui se branche la nuit, la batterie et le chargeur d’une voiture à l’arrêt peuvent aider à lisser la demande, soutenir la tension locale et même générer des revenus pour leur propriétaire. Cet article examine comment des milliers de véhicules électriques, agissant de concert via un agrégateur, peuvent être programmés pour se charger à moindre coût, stabiliser le réseau et se préparer à un avenir où de nouvelles formes de calcul résoudront des problèmes trop complexes pour les méthodes actuelles.

De voitures isolées à des essaims coordonnés

L’étude se concentre sur les agrégateurs de véhicules électriques — des entreprises ou plateformes qui gèrent la recharge de grandes flottes pour le compte des conducteurs. Plutôt que de traiter chaque voiture comme une charge isolée, l’agrégateur regroupe les véhicules ayant des heures d’arrivée, des besoins énergétiques et des puissances de charge similaires en quelques clusters. Cela rend un problème tentaculaire, avec 1 000 voitures, gérable tout en respectant les heures d’arrivée de chaque conducteur, la distance qu’il devra parcourir le lendemain et la vitesse de charge de son véhicule. Ces clusters jouent ensuite le rôle de blocs de demande pilotables qui peuvent être décalés dans le temps ou ajustés vers le haut ou vers le bas pour aider le réseau.

Une hiérarchie de puissance renversée qui favorise la flexibilité

Traditionnellement, l’opérateur local du réseau dicte les actions : il fixe les prix et les producteurs et consommateurs répondent. Ici, cette hiérarchie est renversée. L’agrégateur de véhicules électriques est traité comme le leader d’un jeu à deux niveaux, décidant de la quantité de charge et de soutien en tension que chaque cluster fournira au cours de la journée. L’opérateur du système de distribution suit, ajustant la production locale et les réglages du réseau en réponse. Des prix connus sous le nom de prix marginaux locatifs de distribution (DLMP) reflètent le coût réel d’approvisionnement en énergie, y compris les pertes et la congestion sur des lignes spécifiques. L’agrégateur prédit ces prix, planifie sa flotte en conséquence, puis met à jour son plan au fur et à mesure que l’opérateur réagit, répétant le processus jusqu’à ce qu’aucune des deux parties n’ait intérêt à changer.

Transformer la physique en un puzzle de choix marche/arrêt

Coordonner des milliers de voitures sur de nombreux pas de temps est un cauchemar combinatoire. Les auteurs reformulent ce défi comme un problème d’optimisation binaire quadratique non contrainte, ou QUBO, dans lequel des décisions continues — telles que les niveaux de puissance et les tensions — sont discrétisées en une grille de choix marche/arrêt. Des pénalités astucieuses dans la formulation mathématique garantissent que les limites physiques, comme les puissances des chargeurs, les besoins énergétiques et les bornes de tension, sont respectées. Une méthode de clustering spectral, également écrite sous forme QUBO, trouve automatiquement des clusters de véhicules bien équilibrés. Les problèmes binaires résultants sont résolus à l’aide d’un algorithme de recuit simulé amélioré, une stratégie de recherche inspirée du refroidissement des matériaux qui converge vers des états d’énergie faible et s’adapte bien au matériel quantique futur.

Que se passe-t-il quand 1 000 voitures jouent le jeu

Le cadre est testé sur un réseau de distribution standard à 33 nœuds avec 1 000 voitures réparties en quatre clusters. Lorsque les voitures ne répondent qu’avec leur puissance de charge active, le réseau bénéficie déjà du report de la demande. Lorsqu’elles utilisent aussi leurs chargeurs pour fournir de la puissance réactive — un ingrédient invisible mais crucial pour maintenir la tension — les gains deviennent frappants. Comparés à des schémas de coordination plus conventionnels, les coûts totaux du système chutent d’environ 40 %, les coûts de l’opérateur du réseau diminuent d’environ un quart et la facture énergétique de l’agrégateur se réduit des trois quarts. Les pertes de puissance sur les lignes diminuent de presque 5 %, les écarts de tension s’améliorent d’environ 10 % et les tensions minimales à l’extrémité du raccordement dépassent les seuils de qualité courants.

De nouveaux revenus pour les voitures et de nouveaux outils pour les ingénieurs

Au-delà des gains techniques, le schéma ouvre une nouvelle source de revenus : en vendant du soutien en tension, la flotte gagne plus de 47 $ par jour en paiements pour puissance réactive, tout en satisfaisant 100 % des besoins énergétiques des conducteurs et en maintenant un indice de satisfaction client proche de 99 %. Comparée à des méthodes de recherche populaires telles que l’algorithme d’essaim particulaire et les algorithmes génétiques, l’approche QUBO est plus lente mais évolue plus harmonieusement vers des problèmes très vastes et fonctionne efficacement avec des solveurs commerciaux modernes. Parce que le QUBO est aussi le langage natif de nombreux ordinateurs quantiques émergents, les auteurs soutiennent que leur cadre peut tirer des bénéfices immédiats sur les machines d’aujourd’hui tout en étant prêt à exploiter les accélérations quantiques de demain à mesure que l’électrification des réseaux et le déploiement des renouvelables continuent de croître.

Citation: Suri, V., Nagpal, N., Siano, P. et al. EVA-centric QUBO optimization for active and reactive power coordination in DLMP-driven distribution systems. Sci Rep 16, 12513 (2026). https://doi.org/10.1038/s41598-026-35457-x

Mots-clés: agrégation de véhicules électriques, réseaux de distribution intelligents, réponse à la demande, support de puissance réactive, optimisation d’inspiration quantique