Suite aux travaux de Kempton et coll., un nombre grandissant d’articles à propos du « Smart Grid » et du V2G a fleuri aussi bien dans la communauté scientifique que dans la presse tra- ditionnelle, augmentant l’exposition et la compréhension de ces concepts pour le public.
Les concepts entourant le V2G ont été exposés [16] et la faisabilité de tels systèmes a été
démontrée [21,22,23]. Détailler les différents usages possibles du V2G [18] et estimer les pos-
sibilités financières de tels systèmes [17] fut un pas important dans ce domaine de recherche.
Dans l’optique d’une transition énergétique, la complémentarité entre le V2G et les sources
d’énergies renouvelables a aussi été investiguée [19, 20]. Dans la littérature, l’apport par le
V2G de services auxiliaires comme la régulation de fréquence a très tôt été identifié comme
son usage le plus avantageux [22] et est certainement le domaine le plus couvert [17,23,24,25].
Les concepts du V2G partent du principe que les véhicules électriques vont être déployés en masse et que l’arrivée de ces nouveaux acteurs pourrait alors mettre en difficulté le réseau
électrique [26]. Par exemple, Shahidinejad et coll. ont utilisé des données d’utilisation réelles
de véhicules pour prédire l’augmentation de la charge sur le réseau électrique qui leur serait
associée [27]. En utilisant soit un modèle stochastique, soit de la logique floue, la décision de
brancher ou non le véhicule à une borne de recharge entre les trajets est ainsi déterminée. La majeure partie des recherches effectuées dans le domaine s’accordent pour reconnaître la nécessité de mettre en place des agrégateurs dont le rôle serait d’organiser ce futur réseau intelligent en larges entités, chacune contrôlant une flotte de véhicules. En effet, chaque véhi- cule indépendamment ne représente pas une source conséquente de puissance. De ce fait, les caractéristiques requises pour les communications entre l’agrégateur et les véhicules sous son contrôle ont été décrites et des solutions potentielles aux problèmes posés ont été proposées [28,29].
Un autre aspect des agrégateurs est le processus de prise de décision pour planifier l’activité des véhicules dépendamment du but poursuivi. Différents algorithmes ont été investigués dans la littérature pour achever cette tâche. Sandels et coll. ont proposé un modèle d’agrégateur en appliquant au marché de contrôle allemand des simulations au moyen d’une méthode de type
Monte Carlo [30]. Sekyung et coll. ont détaillé les tâches qui incombent à un agrégateur et ont
utilisé la programmation dynamique pour maximiser l’état de charge des véhicules ainsi que
L’optimisation par essaim de particules a été utilisée pour maximiser les profits des proprié-
taires de véhicules dans un parking en vendant l’énergie excédentaire au réseau [32], avec
une extension ajoutant des contraintes temps réel [33]. Contrairement à nos travaux, ceux-ci
prennent place dans un environnement déréglementé, le V2G envisagé par ces chercheurs ne représente donc pas un intérêt direct pour l’organisation qui possède le parking ou le réseau de distribution mais uniquement pour les propriétaires de véhicules. De plus, si les auteurs prennent grand soin de modéliser les échanges énergétiques de manière réaliste pour facturer précisément les échanges bidirectionnels, la dégradation des batteries des véhicules qu’entraine le système d’achat et de vente d’énergie n’est pas pris en compte, ce qui leur permet d’obtenir des résultats théoriques bien meilleurs que ce qui pourrait être atteint par un tel système dans la réalité. Les auteurs concluent également que leur fonction de coût pourrait être remplacée par une fonction, similaire à ce que nous proposons, qui viserait à diminuer les pics de puis- sance du parking, ce qui ne servirait alors plus seulement les propriétaires de véhicules mais éventuellement tous les acteurs du système.
Shi et Wong ont utilisé l’algorithme Q-Learning pour contrôler en temps réel la décision de charger, décharger ou fournir un service de régulation de fréquence en ayant une incertitude
sur le prix de l’électricité [34]. La gestion d’un grand nombre de véhicules (3 000) a été évaluée
[35] en utilisant un algorithme d’estimation de probabilités pour optimiser la planification de
charge et maximiser l’état de charge des véhicules participants. Un modèle de programmation
linéaire, également adapté à de larges flottes de véhicules (10 000) a été investigué [25] pour
prendre en compte à la fois l’achat et la vente d’énergie au meilleur prix mais également la fourniture de services auxiliaires au réseau. La planification des opérations d’un petit système
de production électrique qui inclut des sources d’énergies renouvelables est décrite dans [36] ;
un modèle de programmation linéaire qui a accès à peu de données et qui prend en compte l’incertitude associée aux patrons de charge/décharge des véhicules y est imaginé. Dans l’op-
tique d’obtenir un système pouvant être déployé, [37] compare les performances en termes de
résultats ainsi que de temps d’exécution d’une approche utilisant la programmation linéaire avec nombres entiers avec une méthode de recuit-simulé.
Plus proche des travaux que nous avons entrepris, l’utilisation de véhicules électriques et d’hy-
brides branchables dans un contexte de V2B est analysé par Pang et coll. [38] pour deux
cas distincts : la gestion de la demande de recharge où seule la planification de recharge des véhicules est considérée en déplaçant celle-ci des périodes de pic aux périodes moins chargées et la gestion des arrêts de fourniture électrique où les véhicules sont alors amenés à se sub- stituer au fournisseur pour assurer la continuité du service électrique. À la différence de nos travaux, l’emphase est encore une fois mise sur la génération de revenus pour les propriétaires de véhicules dans le contexte d’un marché déréglementé. Ces revenus ne sont en fait que des
économies puisque ces recherches ne visent qu’à minimiser le coût d’utilisation des véhicules électriques en les chargeant en période creuse principalement pour faire le trajet jusqu’au lieu de travail, puis en complétant la charge au travail au meilleur tarif avec juste ce qu’il faut d’énergie pour faire le trajet de retour.
Si reposer sur les services d’un agrégateur pour se charger du processus de décision est com- munément accepté comme étant la voie à suivre, plusieurs études proposent des stratégies entièrement différentes. Chenye et coll. utilisent la théorie des jeux avec un agrégateur dont la seule tâche est de coordonner l’interaction entre les agents qui fournissent un service de
régulation de fréquence [39]. Ota et coll. ont proposé un système distribué et autonome pour
fournir une réserve tournante au réseau sous hypothèse que le temps durant lequel les véhi-
cules restent branchés est connu [40]. Finalement, Richardson et coll. comparent une méthode
locale autonome pour planifier la recharge tout en fournissant un service de régulation à ce réseau localement avec une méthode où un agrégateur tient ce rôle, en donnant les avantages
et inconvénients de chaque méthode [41].
La plupart des recherches conduites dans le domaine sont centrées sur des marchés électriques déréglementés où le prix de l’électricité est fixé en $/kWh et où d’importantes variations de ce prix peuvent survenir durant une même journée. Ce type de marché est naturellement concerné par le V2G étant donné que des algorithmes peuvent tirer partie des variations du prix de l’électricité selon l’offre et la demande. Il est en revanche moins évident dans le cas d’un marché réglementé, avec un prix de l’électricité fixé, d’implanter un tel système dans l’optique d’un gain financier. De plus, lorsqu’il y a des échanges bidirectionnels et pas seulement une charge intelligente, planifiée au plus bas coût, l’usure des batteries dont est responsable ce surplus d’échanges énergétiques est un facteur souvent oublié dans la littérature. Nous nous attacherons pour notre part à tenir compte de ce facteur pour évaluer financièrement notre méthode. Enfin, il est généralement admis que l’infrastructure pré-requise est déployée, des maisons aux lieux de travail. Si cette généralisation de la présence des infrastructures néces- saires pourrait devenir une réalité dans un futur proche, avec d’importants investissements, il reste plus probable que cela arrive en premier dans les zones denses, comme les parkings des lieux de travail par exemple.