Un cadre d’optimisation multi‑objectif en deux étapes pour la planification coordonnée de la charge des VE et l’ordonnancement de la puissance réactive

Pourquoi une charge plus intelligente des voitures électriques est importante

Les véhicules électriques promettent un air plus propre et une réduction des émissions de gaz à effet de serre, mais si des millions d’automobilistes se branchent au gré de leurs envies, le réseau local peut être mis à rude épreuve. Les transformateurs risquent la surcharge, les pertes électriques augmentent et les tensions peuvent sortir des limites sûres. Cet article présente une méthode pratique pour gérer la recharge à domicile de centaines de VE simultanément, réduisant le gaspillage et les coûts tout en maintenant l’alimentation et la santé du réseau.

Faire coexister voitures et câbles

Les auteurs se concentrent sur un réseau de distribution urbain typique : un feeder radial de 33 nœuds alimentant des foyers où 984 voitures électriques se rechargent principalement la nuit. Plutôt que de laisser les conducteurs charger immédiatement à leur arrivée, un ordinateur central appelé agrégateur coordonne le moment où chaque voiture consomme réellement de l’énergie. L’objectif est d’étaler la charge sur la nuit, évitant les pics de demande, tout en respectant l’exigence de chaque conducteur de repartir avec une batterie presque pleine. Cela importe car les réseaux actuels n’ont pas été conçus pour de grands groupes de VE dans les mêmes rues, et une charge non maîtrisée peut doubler les pertes et faire dépasser la capacité nominale des équipements.

Deux façons de planifier

Le cadre propose deux modes de planification. En mode « jour‑à‑l’avance », l’agrégateur planifie les prochaines 24 heures à partir de prévisions des prix de l’électricité, de la demande domestique de base et des heures d’arrivée et de départ prévues des VE. Il exécute des calculs détaillés de flux de puissance, vérifiant la charge des transformateurs, les pertes en ligne et les tensions à chaque nœud. En mode « temps réel », le système met à jour les décisions toutes les cinq minutes uniquement pour les véhicules nouvellement arrivés, en utilisant des formules plus simples au lieu de calculs réseau complets pour rester suffisamment rapide pour le contrôle en ligne. La planification jour‑à‑l’avance a l’avantage d’avoir une vision d’ensemble et peut approcher un optimum global ; la planification en temps réel réagit mieux aux imprévus, comme des arrivées tardives ou une demande d’énergie plus élevée que prévu.

Utiliser les voitures garées pour soutenir le réseau

Une innovation clé est que les auteurs ne se contentent pas de planifier quand les voitures chargent ; ils exploitent aussi l’électronique des chargeurs pour moduler le flux d’énergie non facturée appelé puissance réactive. Contrairement à la restitution d’énergie de la batterie vers le réseau, fournir de la puissance réactive n’altère pas la durée de vie de la batterie. Lorsque les tensions locales chutent ou augmentent, l’onduleur du chargeur peut injecter ou absorber ce type de puissance pour ramener les tensions vers la valeur idéale. Pour garder le problème gérable, la méthode n’ajuste pas chaque voiture individuellement ; elle décide plutôt de la quantité de puissance réactive à fournir à chaque nœud du réseau, en fonction du nombre de VE connectés et de leur intensité de charge.

Des algorithmes plus intelligents en coulisses

Parce que le système doit concilier plusieurs objectifs à la fois — minimiser les pertes, aplatir la courbe de charge, maintenir les tensions dans ±5% de la valeur nominale et réduire les coûts de charge — les auteurs formulent la tâche comme un problème d’optimisation multi‑objectif. Ils testent plusieurs méthodes de recherche « métaheuristiques » modernes inspirées par la nature, incluant des essaims particulaires et des modèles de déplacement animal. Parmi elles, une méthode relativement nouvelle appelée Slime Mould Algorithm donne les meilleurs résultats, trouvant de façon consistante des solutions qui réduisent à la fois le stress sur le réseau et les factures des clients. L’étude explore aussi les compromis entre objectifs via des frontières de Pareto, permettant aux opérateurs de choisir, par exemple, s’ils privilégient la réduction des pertes ou la baisse du coût de charge.

Ce que montrent les chiffres

Les simulations révèlent des bénéfices considérables. En charge non maîtrisée, l’énergie perdue quotidiennement sous forme de chaleur dans le réseau est d’environ 4,04 mégawattheures. Avec la seule charge coordonnée, cela diminue d’environ 19 % dans le cas jour‑à‑l’avance et de 16 % dans le cas temps réel. Lorsque le contrôle de la puissance réactive via les chargeurs de VE est ajouté, les pertes chutent encore — à 2,55 et 2,77 mégawattheures pour les stratégies jour‑à‑l’avance et temps réel — réduisant les pertes de 36,8 % et 31,4 %. La charge maximale au poste est ramenée dans sa capacité nominale de 5 MVA, et les tensions le long du feeder le plus éloigné restent supérieures à 0,95 p.u. Côté clients, le coût total de la charge diminue d’environ 29 % pour la planification jour‑à‑l’avance et de 34 % pour la planification temps réel, principalement en déplaçant la charge vers les heures à tarif réduit tout en atteignant l’état de charge souhaité par chaque conducteur.

Ce que cela signifie pour les conducteurs au quotidien

Pour les propriétaires de VE, l’approche proposée est en grande partie invisible : vous vous branchez toujours à la maison et indiquez l’heure de départ et le niveau de batterie souhaité. En coulisses, le logiciel de l’opérateur étale les heures de charge et ajuste discrètement la manière dont les chargeurs interagissent avec le réseau, de sorte que les quartiers puissent accueillir bien plus de voitures électriques sans coûteux travaux d’infrastructure. L’étude montre que la charge coordonnée des VE et l’usage intelligent de l’électronique des chargeurs permettent de réduire substantiellement le gaspillage d’énergie, de maintenir les tensions dans des limites sûres et d’abaisser les factures, ouvrant la voie à un transport plus propre qui s’intègre harmonieusement aux systèmes électriques existants.

Citation: Badr, M.S., Sharaf, H.M. & Zobaa, A.M. A two-stage multi-objective optimization framework for coordinated EV charging scheduling and reactive power dispatch. Sci Rep 16, 12470 (2026). https://doi.org/10.1038/s41598-026-45109-9

Mots-clés: charge de véhicules électriques, réseau électrique intelligent, contrôle de la puissance réactive, réseaux de distribution, optimisation multi‑objectif