Comment l'optimisation de la charge des véhicules électriques dépend de la puissance initiale ?

Le profil de charge des véhicules électriques (PEV) est un élément central dans la gestion des réseaux électriques intelligents. Lorsque l'on suppose que le profil de charge choisi est représenté dans la figure 4.7, on peut exprimer la puissance de charge $PEV(t) = PEV,i(t)$ comme une fonction de l'état de charge $SOCEV,i(t)$, selon l'équation (4.5). Dans cette section, une notation simplifiée sera utilisée : $PEV,i(t) \rightarrow p(t)$, $SOCEV,i(t) \rightarrow x(t)$, $CAPEV,i \rightarrow CAP$, $dEV,i \rightarrow d$, $bEV,i \rightarrow b$, $Pinit EV,i \rightarrow pinit$, $SOCinit EV,i \rightarrow xinit$, et $SOCfin EV,i \rightarrow xfin$.

L'intégration continue dans l'intervalle $b \leq x \leq xfin$ donne lieu à une nouvelle équation différentielle (4.22), dont la solution permet de calculer l'instant final $t''$ du processus de charge, lorsque l'état de charge $x(t)$ atteint sa valeur finale $xfin$. Ce processus permet de déterminer la durée optimale de charge pour un véhicule donné, en fonction de la puissance initiale de charge $pinit$, ce qui affecte directement la planification des processus de charge dans un réseau intelligent.

Il est essentiel de comprendre que la durée minimale de charge $CHMIN i$, qui se produit lorsque la puissance de charge atteint sa valeur maximale $prated$, correspond à l'optimisation du processus de charge. Cela permet de minimiser les coûts associés à l'utilisation de l'énergie, en prenant en compte les coûts de production des centrales électriques à base de combustibles fossiles et les pénalités liées aux retards de charge des véhicules (voir équation (4.30)).

Pour résoudre ce problème d'optimisation, il est nécessaire de tenir compte des contraintes de l'équilibre de la puissance, qui sont définies par les équations (4.43) et (4.44), ainsi que des contraintes concernant les dynamiques de stockage d'énergie. Les contraintes incluent les relations entre l'état de charge initial et final des véhicules, les coûts de production de l'énergie, et les pénalités liées aux retards dans la charge.

En ce qui concerne les contraintes sur la durée de charge, le calcul du temps de charge optimal $t'$ et $t''$ dépend directement de la puissance initiale de charge $pinit$, et des variables associées aux caractéristiques du véhicule et du réseau électrique. Ainsi, l'optimisation des processus de charge dans un réseau intelligent repose sur une combinaison complexe de paramètres physiques, énergétiques et économiques, nécessitant une analyse détaillée pour garantir une gestion efficace de l'énergie et des ressources disponibles.

Le problème d'optimisation ne se limite pas uniquement à la minimisation de la durée de charge ou des coûts énergétiques. Il s'agit également de garantir la satisfaction des demandes énergétiques de chaque véhicule, tout en respectant les contraintes de temps liées aux délais de service et aux capacités du réseau. Une approche optimale permet d'atteindre un équilibre entre les besoins énergétiques des véhicules, la gestion des coûts de production d'énergie, et la minimisation des impacts environnementaux en réduisant l'utilisation d'énergie provenant de sources non renouvelables.

Comment optimiser l'emplacement des stations de recharge pour véhicules électriques tout en soutenant le réseau électrique ?

Dans les réseaux électriques intelligents, les systèmes de production et de stockage d'énergie sont souvent gérés par un Système de Gestion de l’Énergie (SGE) afin de minimiser les coûts, les pertes d'énergie et les émissions de CO2, tout en répondant à la demande d'énergie. Lorsque les stations de recharge sont connectées à un réseau intelligent, les véhicules électriques représentent une charge supplémentaire à satisfaire et un système de stockage supplémentaire si la technologie de "vehicle-to-grid" (V2G) est activée. Néanmoins, cette charge, contrairement à d'autres formes de consommation, peut être différée, ce qui permet d’optimiser la gestion énergétique.

Dans cette optique, plusieurs approches ont été proposées pour aborder les problèmes d’optimisation. L’une des méthodes consiste en une formalisation de l'optimisation par étapes discrètes, où l'on prend en compte des prévisions concernant la demande d'énergie et la disponibilité des énergies renouvelables. Toutefois, cette approche génère un nombre considérable de variables de décision, rendant la résolution de ces problèmes complexes et difficile à traiter avec les outils d'optimisation commerciaux disponibles. Une autre approche plus moderne repose sur une formalisation des événements discrets, ce qui permet de réduire le nombre de variables et d’accélérer le calcul des solutions.

Les modèles d’optimisation peuvent être appliqués de manière différente selon le type de véhicules. Si les véhicules privés sont largement étudiés, l'optimisation des bus électriques (EB) présente des défis particuliers, en raison de leurs horaires de passage bien définis et de leurs besoins spécifiques en matière de recharge. Les solutions proposées pour ces véhicules incluent des modèles d’optimisation périodiques pour gérer les particularités des trajets de ces bus dans un cadre de planification des réseaux de transport.

Dans ce cadre, la gestion optimale des infrastructures de recharge passe par une combinaison d’optimisation des sites et des tailles des stations en fonction des contraintes électriques des réseaux intelligents. Les technologies envisagées pour ces réseaux incluent les petites éoliennes (WT), les panneaux photovoltaïques (PV) et les microturbines de cogénération, toutes connectées au même réseau de distribution. L'objectif est de minimiser la valeur nette actuelle de l'investissement, en garantissant une efficacité maximale du système.

L'optimisation de l'implantation des stations de recharge dans un réseau de distribution repose ainsi sur une analyse détaillée des besoins en énergie et en infrastructures de transport. Cela implique également de prendre en compte les contraintes électriques liées aux capacités de stockage, à la production d’énergie renouvelable et à la gestion des pics de demande. Les résultats de l’analyse permettent de déterminer les meilleurs emplacements et tailles pour les stations de recharge, tout en veillant à la stabilité et à l’efficacité du réseau.

Outre la gestion des véhicules privés et des bus électriques, d'autres sujets méritent une attention particulière dans le cadre de la planification des infrastructures de recharge. Par exemple, les systèmes de partage de voitures, de trottinettes ou de vélos électriques représentent des candidats idéaux pour intégrer des véhicules électriques dans des systèmes de transport partagés en milieu urbain. Cependant, des décisions complexes doivent être prises concernant l’emplacement des stations de recharge, la gestion des batteries, le réapprovisionnement des véhicules et l'optimisation des trajets. Ces défis peuvent également être abordés par des modèles d'optimisation pour maximiser l’efficacité de ces systèmes partagés tout en minimisant les coûts et l'impact environnemental.