Une optimisation hybride et un réseau de graphes pour une recharge de véhicules électriques durable utilisant un convertisseur dual active bridge et des énergies renouvelables

Pourquoi une recharge plus propre des voitures importe

Les véhicules électriques promettent des rues plus propres et des émissions de carbone réduites, mais la façon dont nous les rechargeons repose encore largement sur le réseau électrique conventionnel. Cette étude examine comment concevoir une station de recharge plus intelligente qui puise principalement son énergie dans le soleil et des piles à hydrogène, soutenue par des batteries de secours, tout en offrant une recharge fiable et abordable. En combinant un convertisseur de puissance efficace avec des algorithmes avancés empruntés à la fois à la nature et à l’intelligence artificielle moderne, les auteurs montrent comment les hubs de recharge de demain pourraient être à la fois plus verts et moins coûteux.

Mélanger soleil, hydrogène et batteries

La station de recharge étudiée dans ce travail utilise un mélange de panneaux solaires, d’une pile à combustible et d’une banque de batteries qui sont tous connectés à un bus en courant continu commun, une sorte d’autoroute énergétique. Les panneaux solaires fournissent de l’électricité peu coûteuse quand le soleil brille, tandis que la pile à combustible offre une puissance de secours contrôlable quand les nuages arrivent ou que la demande augmente. Une batterie stocke l’énergie excédentaire et comble les creux, lissant les fluctuations naturelles de la production renouvelable et des habitudes de conduite. Ensemble, ces trois sources visent à maintenir une recharge des véhicules électriques stable malgré la forte variabilité de l’offre d’énergie et du comportement des conducteurs.

L’électronique de puissance au cœur de la station

Entre ce bus énergétique partagé et la batterie du véhicule se trouve un élément matériel clé appelé convertisseur dual active bridge. Il agit comme une boîte de vitesses intelligente pour l’électricité, permettant au courant de circuler dans les deux sens avec une grande efficacité et une isolation électrique pour la sécurité. En décalant finement le timing de ses commutateurs internes, le convertisseur peut réguler la puissance envoyée vers ou depuis la voiture et la batterie de stockage de la station. Ce contrôle précis aide à maintenir la tension du bus autour d’un niveau constant et à façonner le courant pour que la batterie du véhicule charge rapidement au départ puis plus doucement, contribuant à préserver sa santé.

Planification inspirée par la nature pour une énergie moins coûteuse

Le matériel ne suffit pas ; la station a aussi besoin d’un cerveau pour décider quand utiliser le solaire, quand solliciter la pile à combustible et quand charger ou décharger la batterie. Pour cela, les chercheurs font appel à un « algorithme d’optimisation pelican », une méthode mathématique modélisée sur la coopération des pélicans lorsqu’ils chassent le poisson. Dans l’étude, chaque « pélican » virtuel représente une façon différente d’ordonnancer les flux de puissance et les réglages du convertisseur. En explorant et affinant ces options de façon répétée, l’algorithme recherche des plans de fonctionnement qui minimisent le coût énergétique à long terme, en tenant compte des limites des équipements et des comportements fluctuants des conducteurs et des sources renouvelables.

Un cerveau à base de graphes pour les décisions en temps réel

Pour compléter ce planificateur, l’équipe utilise un réseau neuronal avancé appelé réseau convolutionnel sur graphes multi-ordres à attributs. Plutôt que d’examiner chaque source d’énergie ou charge isolément, ce modèle considère la station comme un réseau de nœuds interconnectés : production solaire, comportement de la pile à combustible, état de charge de la batterie, tension du bus et demande de recharge des véhicules. Il apprend comment une variation en un point se répercute sur le reste du système, capturant des relations multi-étapes que des modèles plus simples manquent. Une fois entraîné, ce cerveau basé sur des graphes prédit les meilleurs signaux de commande pour le convertisseur dual active bridge, aidant la station à réagir en temps réel aux changements soudains d’ensoleillement ou de demande de recharge.

Ce que révèlent les simulations

À l’aide de simulations informatiques détaillées, les auteurs montrent que leur schéma de contrôle hybride maintient les grandeurs électriques clés — comme la tension du bus central, le courant de charge et la tension de la batterie du véhicule — stables en quelques secondes après la mise en route. L’énergie solaire diminue progressivement dans leur scénario de test, tandis que la pile à combustible et la batterie ajustent leurs contributions pour que la voiture continue de recevoir une puissance presque constante. Le profil de charge de la batterie du véhicule reflète ce que les conducteurs attendent : une montée rapide de la tension et du courant au début, suivie d’une phase plus douce qui protège la batterie du stress. Dans l’ensemble, la station fournit environ 4 kilowatts de puissance de charge stable avec seulement de petites baisses rapidement corrigées.

Des coûts en baisse pour une recharge plus verte

Peut-être le résultat le plus frappant est d’ordre économique. Lorsque la nouvelle méthode — combinant optimisation basée sur les pélicans et réseau de neurones graphes — est comparée à une gamme de techniques de planification populaires, elle donne le coût par unité d’énergie livré le plus bas. L’étude rapporte un coût nivelé de l’énergie d’environ cinq cent cinquante centimes par kilowatt-heure, une réduction d’environ moitié par rapport à une méthode standard de particules en essaim et de plus de 70 % par rapport à certaines autres approches heuristiques. Pour un lecteur non spécialiste, cela signifie qu’en orchestrant quand et comment différentes sources d’énergie propre alimentent le chargeur, et en pilotant avec précision l’électronique de puissance, la station peut proposer une recharge renouvelable, fiable et à un prix compétitif voire inférieur aux options classiques basées sur le réseau.

Citation: Narayanan, P., Kandasamy, P., Kandasamy, N. et al. A hybrid optimization and graph network for sustainable electric vehicle charging using a dual active bridge converter and renewable energy. Sci Rep 16, 8868 (2026). https://doi.org/10.1038/s41598-026-36280-0

Mots-clés: recharge de véhicules électriques, énergies renouvelables, réseaux intelligents, électronique de puissance, optimisation énergétique