Optimisation de la localisation et la configuration d'infrastructures de recharge pour une flotte de taxis électriques

Les enjeux actuels autour de l'écologie et du développement de nouveaux modes de transport moins polluants nous amènent à aborder de nouvelles problématiques. Celles traitées dans ce mémoire ont été initiées par le lancement du projet pilote de l'entreprise Taxelco : Téo Taxi, qui a introduit une flotte de taxis électriques à Montréal en novembre 2015. La mise en place et le fonctionnement d'une telle flotte conduit à diverses interrogations, dont notamment celle de la localisation des infrastructures de recharge. Nous proposons de traiter cette problématique en trois étapes : la localisation des infrastructures de recharge, l'attribution des courses aux véhicules et la configuration des stations. Ces trois problèmes sont formulés en programmes linéaires, dont les objectifs sont de minimiser les distances d'accès aux sites de recharge, pour les modèles de localisation et de configuration et de minimiser le nombre de véhicules en service, pour le modèle d'attribution des courses. Les modèles de localisation et de configuration prennent en compte en entrée un ensemble de données de courses représenté par une matrice de déplacements interzones. L'objectif de ces modèles est de localiser les sites de recharge à proximité des zones les plus visitées (zones accueillant le plus d'extrémités de courses). Chacune des zones est alors associée à un et un seul site de recharge. La configuration vise à répartir un nombre de bornes donné sur les différents sites localisés, en tenant compte alors du nombre de déplacements associés à chaque site. Le modèle d'attribution des courses consiste en un modèle de flux dans un réseau, pour lequel on souhaite satisfaire la totalité des courses en entrée avec un minimum de véhicules, nous prenons également en compte le problème de la recharge des taxis et la localisation des stations déterminée préalablement. Les modèles mathématiques mentionnés sont développés sous AIMMS ou AMPL et résolus par le solveur CPLEX. Les différentes expériences présentées dans ce mémoire sont appliquées au projet Téo Taxi et traitent donc de cas spécifiques rencontrés sur le développement de cette flotte de taxis électriques. Nous prenons en compte l'état actuel de leur réseau de recharge, ainsi que des diverses améliorations et modifications envisagées. Ces expériences sont possibles et pertinentes grâce à l'ensemble des données fournies par Téo Taxi. Nous élaborons donc une série d'expériences, compte tenu de l'état du réseau de recharge de Téo Taxi en mars 2017 : trois sites répartis sur l'île de Montréal et un quatrième site envisagé. Ces expériences ont pour but de localiser optimalement trois sites de recharge puis quatre sites sur le territoire d'étude et enfin de considérer les trois sites de recharge de Téo Taxi afin de localiser optimalement uniquement un quatrième site. Nous utilisons alors le modèle d'attribution comme outil de simulation pour évaluer les différentes localisations et déterminer la sollicitation des différentes stations, sur le cas d'une journée de service. Enfin, pour l'étape de configuration des stations, nous répartissons, tout d'abord, 50 bornes entre les stations de recharge pour tous les cas de localisation, puis nous nous appuyons sur les résultats précédents concernant la sollicitation des stations pour établir des comparaisons. Une seconde série d'expériences est ensuite réalisée selon la même approche, en tenant compte des évolutions du réseau de recharge de Téo Taxi en avril 2017 : quatre sites Téo et deux sites supplémentaires envisagés. Les résultats mis en évidence par la résolution du modèle de localisation révèlent les gains potentiels des localisations optimisées des stations. En effet, sur la première série d'expériences, les gains sur le temps total d'accès aux stations de recharge sont évalués entre 20 et 30%, pour les localisations optimisées par rapport aux localisations de Téo Taxi. L'importance d'une répartition optimale de bornes de recharge aux stations est, quant à elle, prouvée par le modèle de configuration. Les résultats présentés démontrent que toutes les stations ne sont pas sollicitées de la même manière et que certaines se doivent de proposer plus de bornes de recharge, car elles sont susceptibles d'accueillir plus de véhicules. Les simulations réalisées sur le seul exemple du 10 octobre 2016 ne permettent pas de conforter ces résultats car l'échantillon est trop restreint. Cependant, le modèle d'attribution, en tant qu'outil de simulation, devrait permettre une validation de ces résultats avec un plan d'expérience plus étendu.