Smart Charging Management of Electric Vehicles Through Optimization and Learning-Based Coordination

Les flottes de véhicules électriques (VE) sont appelées à jouer un rôle central dans la décarbonation des systèmes de transport urbain. Toutefois, l’intégration à grande échelle des VE pose d’importants défis à la stabilité du réseau électrique et aux systèmes de communication, en raison des incertitudes liées au comportement des conducteurs, de l’augmentation de la de-mande de puissance de pointe et de la complexité computationnelle associée à la coordination de millions de sessions de recharge. Les mécanismes de contrôle centralisé deviennent moins pratiques en raison des préoccupations relatives à la confidentialité des données des usagers (profils de consommation, habitudes de déplacement, etc.), et la surcharge de communication qui augmente la latence et fragilise la réactivité du système. D’une part, les propriétaires de VE sont souvent réticents à partager des données personnelles détaillées, et d’autre part, le gestionnaire de réseau de distribution (GRD) n’est pas autorisé à divulguer des informations confidentielles sur la topologie du réseau ou les contraintes internes d’exploitation. Il devient donc nécessaire de développer des cadres de gestion de la recharge des VE qui soient évolutifs, distribués et hiérarchiques, tout en garantissant la protection de la vie privée et en réduisant les charges liées à l’échange d’information. Cette thèse vise à concevoir des stratégies robustes, évolutives et interprétables pour la coordination de la recharge des VE, qui respectent les contraintes du réseau, préservent la satisfaction des utilisateurs et réduisent les coûts d’exploitation. Pour ce faire, elle s’appuie à la fois sur la planification en avance (day-ahead) et sur la prise de décision en temps réel (real-time), afin de proposer des cadres de gestion efficaces et pragmatiques, capables de s’adapter à la variabilité temporelle et comportementale. La première partie de cette thèse est consacrée à une coordination équitable, en temps réel, fondée sur une approche d’apprentissage par renforcement profond multi-agent (MADRL). Dans ce cadre, chaque Agrégateurs de VE (EVA) est modélisé comme un agent d’apprentissage par renforcement utilisant un réseau Double Deep Q-Network (DDQN) combinant des taux d’apprentissage adaptatifs et une mémoire d’expériences priorisée, afin d’accélérer la convergence. Parallèlement, le GRD calcule la puissance maximale autorisée à chaque nœud via une optimisation de flux de puissance en courant alternatif, et la répartit en s’appuyant sur un modèle de compromis entre efficacité et équité de Jain (EJT). Au niveau des stations, un contrôleur intelligent de répartition en temps réel priorise la recharge de VE en fonction de leur facteur d’urgence, lequel combine l’heure de départ, la puissance maximale de charge, la demande énergétique et l’état de santé de la batterie. Des études de cas réalisées sur le réseau transmission IEEE à 118 nœuds montrent que ce cadre permet de réduire la demande de pointe, de diminuer les coûts de recharge, de respecter les limites de tension et d’améliorer significativement l’équité par rapport aux approches de type premier arrivé–premier servi et recharge non contrôlée. Par ailleurs, les résultats indiquent que l’intégration de systèmes photovoltaïques (PV) dans ce cadre permet d’améliorer la flexibilité locale du réseau et de réduire la dépendance énergétique vis-à-vis du réseau principal. La deuxième partie introduit une architecture prédictive fondée sur le regroupement en clusters, visant à améliorer la coordination de la recharge des VE à l’échelle de la planification anticipée et du temps réel. Une méthode novatrice de regroupement spatio-temporel est proposée pour former des aggrégateurs de VE. Contrairement à un regroupement purement géographique, cette méthode prend en compte la fréquence de recharge, le taux d’utilisation et les plages horaires d’usage. Au sein de chaque cluster, un modèle de type Temporal Fusion Transformer (TFT) est utilisé pour prédire les principaux paramètres comportementaux tels que l’heure d’arrivée, l’heure de départ et la demande énergétique, en exploitant les données historiques de transactions, les calendriers et les prévisions météorologiques. Ces prédictions alimentent un cadre d’enchères en deux étapes, qui équilibre les engagements pris lors de la planification day-ahead avec les ajustements en temps réel, tout en respectant les contraintes du marché. La stratégie proposée permet de réduire les coûts quotidiens et la puissance de pointe par rapport à une recharge non contrôlée, tout en minimisant les écarts entre les profils d’énergie planifiés et réels. La troisième partie de la thèse propose un cadre de coordination hiérarchique à trois niveaux, dans lequel le contrôle de la recharge des VE est réparti entre les clusters, les aggrégateurs de VE et le GRD, selon une structure de décomposition basée sur la méthode des multiplicateurs alternés (ADMM). Au niveau des clusters, un nouvel algorithme appelé répartiteur propor-tionnel sensible à l’urgence (UAPA) remplace l’optimisation individuelle par VE par une seule variable décisionnelle agrégée par groupe, ce qui réduit considérablement la complexité computationnelle tout en maintenant une forte concordance avec les méthodes classiques d’optimisation. Au niveau EVA et GRD, un cadre ADMM enrichi par apprentissage au-tomatique (ML-ADMM) utilise des réseaux de neurones profonds pour prédire des conditions initiales (warm-start) des variables primales et duales, réduisant ainsi significativement le nombre d’itérations nécessaires. Le système global démontre sa scalabilité, sa capacité à préserver la confidentialité des données, et son efficacité à respecter les contraintes du réseau, à travers des simulations sur les réseaux électriques IEEE 33 bus et IEEE 118 bus utilisant des données réelles de sessions de recharge. Dans l’ensemble, cette thèse propose des méthodes de coordination évolutives et respectueuses de la vie privée, unifiant la prévision, le contrôle fondé sur l’apprentissage et l’optimisation hiérarchique pour de larges populations de VE. Les cadres proposés s’appliquent aux réseaux publics de recharge, aux dépôts de flottes et aux programmes de réponse à la demande pilotés par les services publics. En réduisant la charge de communication et en améliorant l’équité, la stabilité et l’efficacité computationnelle, ils répondent aux principaux obstacles à une intégration massive des véhicules électriques.