Modélisation et optimisation de la recharge

bidirectionnelle de véhicules électriques

Application à la régulation électrique d’un complexe immobilier

Mémoire

Kevin Tanguy

Maîtrise en génie électrique

Maître ès sciences (M.Sc.)

Québec, Canada

© Kevin Tanguy, 2013

Résumé

La démocratisation des véhicules hybrides branchables ainsi que des véhicules purement élec-
triques implique un surplus de demande sur les réseaux de distribution. Le Vehicle-to-Grid
(V2G) ou le Vehicle-to-Building (V2B) visent à répondre à cette demande accrue en utilisant
les véhicules non plus comme de simples charges pour le réseau électrique mais comme des ac-
teurs effectuant des échanges bidirectionnels. Les travaux présentés dans ce mémoire montrent,
avec des données réelles du campus de l’Université Laval, une modélisation de flottes de véhi-
cules et l’application d’un modèle d’optimisation linéaire que le V2B peut permettre de réaliser
des gains financiers partagés entre les acteurs tout en rechargeant efficacement les véhicules
participants.

iii
Abstract

The democratization of plug-in hybrid electric vehicles along with purely electric vehicles
causes an increased electric demand on the power grid. Vehicle-to-Grid (V2G) or Vehicle-to-
Building (V2B) aim to bring an appropriate response to this increased demand, by not simply
considering vehicles as loads for the grid but as actors making bidirectionnal exchanges. The
works presented in this master’s thesis show, with real data on the Université Laval campus,
a modelling of vehicle fleets and the application of a linear optimization model, that V2B can
provide financial gain shared between the actors of the system, while charging the vehicles
efficiently.

v
Table des matières

Résumé iii

Abstract v

Table des matières vii

Liste des tableaux ix

Liste des figures xi

Remerciements xvii

Introduction 1

1 État de l’art 5
1.1 Les différentes technologies de véhicules électriques . . . . . . . . . . . . . . . . 5
1.1.1 Les véhicules hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Les véhicules purement électriques . . . . . . . . . . . . . . . . . . . . . 9
1.2 Le stockage de l’énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Les différents types de batteries . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Les différents moyens de recharge . . . . . . . . . . . . . . . . . . . . . . 21
1.3 V2G - Smart Grid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Recherches des pionniers . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4 Recharge intelligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2 Modélisation et optimisation de la recharge bidirectionnelle 37

2.1 Modèle du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.1 Modèle de facturation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.2 Données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.1.3 Véhicules considérés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2 Modèle d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3 Paramétrisation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4 Simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3 Résultats expérimentaux 49
3.1 Janvier 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

vii
 3.2 Février 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Mai 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.4 Fitness de l’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.5 État des véhicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6 Effet de l’amélioration des technologies de batteries . . . . . . . . . . . . . . . . 60
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Conclusion 63

Bibliographie 65

A Simulateur en Python 69
A.1 Le module Aggregator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
A.2 Le module PowerOracle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.3 Le module Car . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

B Récolte de données du véhicule de recherche 73

B.1 Base de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
B.2 Importation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
B.3 Accès aux données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

viii
Liste des tableaux

1.1 Tableau comparatif des technologies de batteries actuelles. . . . . . . . . . . . . . . 17

1.2 Les différents modes de recharge du connecteur IEC 62196 européen . . . . . . . . 23

2.1 Propriétés des véhicules. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.2 Paramètres de simulation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3 Paramètres du modèle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.1 Résultats pour janvier 2011. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.2 Résultats pour février 2011. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Résultats pour mai 2011. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4 État de charge des véhicules lors de leur départ pour janvier 2011. . . . . . . . . . 59
3.5 État de charge des véhicules lors de leur départ pour février 2011. . . . . . . . . . . 59
3.6 État de charge des véhicules lors de leur départ pour mai 2011. . . . . . . . . . . . 60
3.7 Bénéfice des utilisateurs pour différentes valeurs de Kwear en janvier 2011. . . . . . 61
3.8 Bénéfice des utilisateurs pour différentes valeurs de Kwear en février 2011. . . . . . 61
3.9 Bénéfice des utilisateurs pour différentes valeurs de Kwear en mai 2011. . . . . . . . 62

ix
Liste des figures

1.1 Architecture de l’hybride parallèle. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.2 Architecture de l’hybride série. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Architecture de l’hybride à dérivation de puissance. . . . . . . . . . . . . . . . . . . 7
1.4 La Toyota Prius III VHER – modèle d’essai prêté à l’Université Laval. . . . . . . . 7
1.5 La Chevrolet Volt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 L’accumulateur expérimental de Gaston Planté. . . . . . . . . . . . . . . . . . . . . 13
1.7 Composition d’une batterie plomb acide actuelle. . . . . . . . . . . . . . . . . . . . 14
1.8 Batterie Ni-Mh d’une Toyota Prius seconde génération. . . . . . . . . . . . . . . . 15
1.9 Schémas représentant les différents design de batteries Li-ion actuelles. . . . . . . . 16
1.10 Comparaison des batteries actuelles en terme de densité gravimétrique et volumé-
trique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.11 Comparaison de la structure du graphite avec le Lithium-Titanate. . . . . . . . . . 18
1.12 Prévisions d’évolution du coût des batteries. . . . . . . . . . . . . . . . . . . . . . . 20
1.13 Prévisions d’évolution des batteries. . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.14 Vision d’ensemble des acteurs et défis à relever pour faire du SmartGarage une
réalité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.15 Schéma de l’architecture du système de contrôle V2G envisagé par AC Propulsion. 28
1.16 Schéma de l’architecture du système de régulation envisagé par AC Propulsion. . . 28
1.17 Photo du stand de démonstration de la eBox modifiée par Kempton et coll. . . . . 30
1.18 Régulation pendant la nuit avec des demandes de régulation à la baisse dominantes
(charge de la batterie). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.1 Consommation électrique réelle à l’Université Laval en mai 2011. . . . . . . . . . . 39

2.2 Consommation électrique réelle à l’Université Laval sans chaudière électrique en
mai 2011. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Flot d’exécution d’une simulation journalière. . . . . . . . . . . . . . . . . . . . . . 47

3.1 Appel de puissance pour le mois de janvier 2011 avec 400 Prius et une puissance
souscrite de 16 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Échanges énergétiques V2B pour le mois de janvier 2011 avec 400 Prius et une
puissance souscrite de 16 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Appel de puissance pour le mois de février 2011 avec 400 Leafs et une puissance
souscrite de 16,4 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.4 Échanges énergétiques V2B pour le mois de février 2011 avec 400 Leafs et une
puissance souscrite de 16,4 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Appel de puissance pour le mois de mai 2011 avec 400 Leafs et une puissance
souscrite de 16 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

xi
3.6 Échanges énergétiques V2B pour le mois 2011 avec 400 Leafs et une puissance
souscrite de 16 MW. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.7 Comparaison des fitness pour le mois de janvier avec des flottes de Prius. . . . . . 57
3.8 Comparaison des fitness pour le mois de février avec des flottes de Leaf. . . . . . . 57
3.9 Comparaison des fitness pour le mois de mai avec des flottes de Leaf. . . . . . . . . 58

B.1 Structure originale de la base de données stockant les données du véhicule de re-
cherche à l’Université Laval. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

xii
À Cassis

xiii
Ce n’est pas parce que je suis
paranoïaque qu’ils ne sont pas
tous après moi.

Pierre Desproges

xv
Remerciements

J’aimerais tout d’abord remercier mon directeur de recherche, M. Christian Gagné pour sa
supervision, me donnant les opportunités d’expérimenter librement mais aussi des directives
précises pour guider l’avancée et le perfectionnement de ces travaux. Je le remercie également
pour son soutien moral tout au long de mon cursus et du soutien financier supplémentaire
qu’il m’a accordé pour achever ces travaux dans de bonnes conditions.

Je voudrais également remercier mon co-directeur, M. Maxime Dubois pour son soutien, ses
encouragements et particulièrement pour avoir pris le temps de m’expliquer et de valider les
parties de ces travaux ayant trait à l’électronique de puissance, un domaine qui m’était, sinon
étranger, méconnu.

Je souhaiterais évidemment remercier le Fonds de Recherche Québécois sur la Nature et les

Technologies (FRQNT) pour le soutien financier dont j’ai bénéficié.

Étant donné la nature des travaux présentés, la mise à disposition de moyens de calcul per-
formants était essentielle, je remercie donc Calcul Québec/Compute Canada pour l’allocation
du temps de calcul à ce projet, dont j’ai bénéficié.

Je remercie également mes parents et ma fratrie pour le soutien moral, financier et logistique
tout au long de mes études à l’étranger.

Enfin, je remercie chaleureusement Sergette qui m’a guidé dans l’exploration de la culture
québécoise, notamment gastronomique.

xvii
Introduction

L’électricité, après la découverte du feu et la maîtrise de l’agriculture a été un facteur dé-

terminant dans la marche vers le progrès de l’espèce humaine. Les applications issues de la
domestication de ce phénomène physique n’ont cessés de se diversifier et de se perfectionner, au
point de devenir un besoin dans les sociétés modernes. Ce besoin énergétique est en croissance
permanente, malgré les efforts pour augmenter l’efficacité énergétique des différents appareils
électriques. La production en quantité suffisante mais non excessive de cette ressource pour
adapter l’offre à la demande en temps réel et assurer la continuité de service avec un réseau
électrique stable représente un défi permanent. Il est en effet difficile et coûteux au niveau des
producteurs et distributeurs d’électricité de stocker les surplus produits ou en transit sur le
réseau et les restituer lorsque la demande dépasse la production. Ces mécanismes requièrent de
lourdes infrastructures distribuées sur tout le réseau et engendrent des pertes d’énergie consé-
quentes. L’idée derrière le « réseau intelligent » (Smart Grid) est de déporter une partie de ces
mécanismes de contrôle vers les agents consommateurs, en intégrant leurs modestes infrastruc-
tures dans le processus de stabilisation du réseau et également en modifiant les comportements
de consommation. Nous allons traiter une partie de ce problème de réseau intelligent en nous
concentrant sur ce qui peut être fait avec un bien courant, la voiture, qui s’électrifie de plus
en plus.

Problématique

Après le succès des voitures hybrides dans les pays industrialisés, notamment avec l’iconique
Toyota Prius, le marché des véhicules de transport personnel a récemment fait un bond en
avant en proposant des véhicules hybrides branchables et des véhicules purement électriques.
Si cette démocratisation de l’utilisation de l’énergie électrique dans le secteur des transports
est un pas vers une société moins dépendante des énergies fossiles, dont les réserves s’ame-
nuisent, l’arrivée en masse de tels véhicules pose des problèmes pour les réseaux électriques,
qui verront leur charge augmenter avec probablement des pics de demande de puissance gran-
dement accentués.

1
Toutefois, l’arrivée de ces véhicules électrifiés comporte également son lot d’opportunités pour
la modernisation des infrastructures électriques au design vieillissant et en pleine mutation,
permettant ainsi une transition énergétique où les énergies renouvelables prendront une part
grandissante. En effet, un véhicule personnel est typiquement à l’arrêt la plupart du temps.
Ces véhicules représentent donc un stock d’énergie dormante, sur un stationnement, alors que
le réseau électrique pourrait les intégrer dans une relation bidirectionnelle, en prenant de leur
énergie lorsqu’il en a besoin et en les rechargeant intelligemment autrement. C’est le concept
du Vehicle-to-Grid (V2G), faire des voitures un acteur à part entière, intégrées dans le réseau
électrique et non pas seulement de les considérer comme une charge supplémentaire. Ainsi, au
lieu de charger pleinement en tout temps son véhicule, on envisage de le recharger selon ses
besoins de déplacement et également selon le besoins du réseau électrique. En effet, le réseau
peut avoir besoin de se délester d’un surplus d’électricité mettant en danger sa stabilité et un
véhicule peut alors rendre service en se chargeant à ce moment là. La réciproque est également
valable dans d’autres circonstances, l’envoi de la puissance au réseau électrique lorsque celui-ci
est soumis à une forte demande étant également concevable.

Objectifs

Le premier objectif des travaux présentés dans ce mémoire consiste à modéliser des flottes
de véhicules électriques intégrées à un complexe immobilier. La flotte de véhicules doit être
modélisée de manière réaliste : chaque véhicule possède une planification propre des ses allers
et venues en plus de ses caractéristiques techniques au regard de ses capacités électriques. Les
interactions en terme d’échanges de puissance entre la flotte de véhicules et le complexe immo-
bilier doivent également être réalistes, sujettes à des pertes d’énergie qui peuvent varier selon
les chargeurs des véhicules. Cette modélisation doit enfin tenir compte du modèle économique
de distribution de l’électricité dans le contexte du marché réglementé québécois. Ce modèle
sera implanté dans un simulateur.

Le deuxième objectif de ces travaux est de faire en sorte que notre modèle permette une op-
timisation des décisions pour la recharge bidirectionnelle de véhicules électriques. Ce modèle
d’optimisation repose sur l’idée que tous les acteurs du système devraient obtenir un gain
financier de par leur participation au système. Ainsi, cette optimisation s’appuie sur notre
modélisation générale du système, en particulier sur le modèle de facturation électrique du
complexe considéré ainsi que du modèle de facturation appliqué aux propriétaires de véhi-
cules, sans être biaisé en faveur d’un parti. Ce modèle d’optimisation doit lui aussi tenir
compte des caractéristiques techniques des véhicules considérés.

Enfin, le dernier objectif est de réaliser des expérimentations avec le modèle développé en

2
s’appuyant sur l’optimisation des prises de décisions, afin de déterminer si un système de
planification de la recharge bidirectionnelle intégré à un complexe électrique peut être finan-
cièrement intéressant ou non. Ces expérimentations doivent être variées dans le sens où les
paramètres de simulation sont multiples et permettent, au regard des résultats obtenus, de
tirer des conclusions quant à la pertinence de la recherche dans le domaine, ceci dans l’optique
d’implanter concrètement de tels systèmes. Ces résultats étant optimaux, mais obtenus par
simulation, la contribution majeure est ici de fournir une base théorique de comparaison pour
les recherches futures s’appliquant aux conditions expérimentales considérées dans ces travaux.

Structure du mémoire
Dans le premier chapitre, nous allons exposer l’état de l’art des technologies disponibles pour
l’électrification des véhicules de transport individuel. Les différents types de véhicules élec-
triques seront présentés à travers des exemples de modèles présentement disponibles. Puis,
les multiples types de batteries seront définis et leurs caractéristiques mises en contraste dans
l’optique d’une utilisation dans le contexte du V2G. Les standards en matière de chargeurs
seront par la suite explicités. Nous conclurons ce chapitre par une revue de littérature sur le
V2G incluant les définitions des différents concepts associés.

Dans le second chapitre, nous présenterons le sujet principal de ce mémoire : la modélisation

de flottes de véhicules mis au point pour juger de la viabilité financière du Vehicle-to-Building
(V2B) dans le contexte de la régularisation de la demande électrique du campus de l’Université
Laval. Le modèle de programmation linéaire imaginé sera donc détaillé avec le jeu de données
à notre disposition et les spécificités de la fourniture du service électrique au campus sur le
plan économique.

Le troisième chapitre sera dédié aux expérimentations réalisées à l’aide du modèle d’opti-
misation développé. Après avoir exposé la méthodologie expérimentale et la paramétrisation
utilisée, nous démontrerons, à l’appui de résultats issus de simulations, l’éventuelle viabilité
financière du V2B aussi bien pour le campus que pour les propriétaires des véhicules partici-
pants.

Nous conclurons enfin ce mémoire par une synthèse du travail réalisé et en donnant des pistes
de travaux futurs.

3
Chapitre 1

État de l’art

Dans ce chapitre, nous allons présenter les technologies pertinentes à la mise en place d’un
réseau électrique plus intelligent et ce en particulier par le V2G. Les technologies commercia-
lisées présentement ainsi que les technologies futures dont le développement est avancé vont
être exposées, de manière non exhaustive, dans l’optique de situer nos travaux dans le contexte
actuel, favorable à l’émergence de nouvelles manières de produire et consommer l’électricité.
Les travaux de ce domaine de recherche seront également présentés et contrastés avec les nôtres
lorsqu’ils sont comparables.

1.1 Les différentes technologies de véhicules électriques

Il existe plusieurs types de véhicules électrifiés, nous explicitons ces technologies dans cette
section et donnons des exemples de véhicules existants.

1.1.1 Les véhicules hybrides

Les voitures hybrides actuelles associent deux types de motorisation : un moteur thermique
alimenté par un carburant (essence, diesel, biocarburants...) et un moteur électrique alimenté
par une batterie rechargeable.

Il y a trois façons d’utiliser ces deux moteurs dans des voitures actuellement [1] : hybride
parallèle, hybride série et hybride à dérivation de puissance.

L’hybride parallèle

C’est le moteur thermique qui sert à déplacer le véhicule (transmission mécanique, embrayage,
boîte de vitesse). On lui adjoint un moteur électrique qui utilise l’énergie des batteries élec-
trochimiques rechargeables. Grâce à son couple élevé, disponible immédiatement, le moteur
électrique aide le moteur thermique dans les phases où il est peu efficace (démarrages , re-

5
Figure 1.1 – Architecture de l’hybride parallèle. ©2006 Peter Van den Bossche, utilisé sous
licence Creative Commons Attribution-ShareAlike 2.5.

Figure 1.2 – Architecture de l’hybride série. ©2006 Peter Van den Bossche, utilisé sous
licence Creative Commons Attribution-ShareAlike 2.5.

prises). Lors des phases de freinage ou de décélération, le moteur électrique se transforme en

générateur, récupère une partie de l’énergie cinétique et recharge la batterie. L’architecture
générale de la technologie hybride parallèle est schématisée dans la figure 1.1.

L’hybride série

C’est le moteur électrique qui assure la propulsion de la voiture (application de son couple
aux roues). Il est alimenté par une batterie électrochimique de forte capacité. Le moteur ther-
mique, qui tourne à régime constant, et le générateur électrique forment un groupe électrogène
qui recharge la batterie. La voiture est d’abord chargée sur le secteur au domicile. Lorsque
l’autonomie « tout électrique » est épuisée, le groupe électrogène se met en route pour étendre
le rayon d’action en rechargeant la batterie. L’architecture générale de la technologie hybride
série est schématisée dans la figure 1.2.

6
Figure 1.3 – Architecture de l’hybride à dérivation de puissance. ©2006 Peter Van den
Bossche, utilisé sous licence Creative Commons Attribution-ShareAlike 2.5.

Figure 1.4 – La Toyota Prius III VHER – modèle d’essai prêté à l’Université Laval.

L’hybride à dérivation de puissance

Comme dans le fonctionnement parallèle, le moteur thermique déplace le véhicule par une
transmission mécanique mais grâce à deux moteurs/générateurs électriques, la transmission
mécanique est renforcée par une transmission électrique. L’architecture générale de la techno-
logie hybride à dérivation de puissance est schématisée dans la figure 1.3.

Véhicules hybrides branchables commerciaux

Toyota Prius

La Toyota Prius III VHER, montrée dans la figure 1.4, est une hybride à dérivation de puis-
sance. Elle est basée sur une Toyota Prius modèle ZVW30 (troisième génération) avec l’ad-
jonction de deux batteries lithium-ion (totalisant 5,2 kWh) développées en collaboration avec
Panasonic qui lui permettent de rouler sur 21 km en mode tout électrique avec une vitesse

7
Figure 1.5 – La Chevrolet Volt. ©2012 Mario Roberto Durán Ortiz, utilisé sous licence
Creative Commons Attribution-ShareAlike 3.0.

maximale de 100 km/h.

Chevrolet Volt

La Chevrolet Volt de General Motors, montrée dans la figure 1.5, est une voiture hybride
série ; la version définitive de cette berline cinq portes quatre places a été lancée fin 2010. Elle
est dotée d’un moteur électrique de 111 kW (150 ch) alimenté par des batteries lithium-ion
polymères rechargeables sur secteur en trois heures ou via le moteur essence faisant office de
générateur de 55 kW (74 ch). La vitesse maximale est de 161 km/h et les batteries autorisent,
à elles seules, une autonomie de 64 kilomètres avant recharge.

Véhicules hybrides branchables de recherche

Le projet RechargeIT de Google

Google mène une expérimentation [2] depuis 2007 avec des Toyota Prius et des Ford Escape
Hybrid converties en VHER avec le bloc batterie Hymotion de A123 Systems. Peu de docu-
mentation est disponible sur l’expérimentation mais des résultats sont accessibles sur le site.
Cette étude est d’ailleurs jointe à d’autres projets de Google sur les énergies renouvelables 1
comme la géothermie, l’énergie éolienne ou les cellules photo-voltaïques 2 et leur « Google Po-

1. http://www.google.org/rec.html
2. http://www.google.com/corporate/solarpanels/home

8
werMeter » 3 .

1.1.2 Les véhicules purement électriques

Contrairement aux véhicules hybrides, les véhicules tout électrique ont un design plus simple
puisqu’il n’y a plus de moteur thermique et toutes ses dépendances jusqu’à l’échappement.

Véhicules électriques commerciaux

De multiples voitures citadines électriques sont arrivées sur le marché récemment. Sont pré-
sentés dans cette partie des véhicules électriques actuellement disponibles, le but n’est pas
d’être exhaustif mais de montrer la diversité des véhicules disponibles à travers des exemples
de modèles populaires dans les différents marchés automobiles mondiaux.

Smart For Two ED

La Smart For Two ED (Electric Drive) dispose d’un moteur de 47 chevaux pour une vitesse de
pointe de 125 km/h et une autonomie de 135 km. Elle se recharge complètement en 6 heures
sur du 240 Volts. Depuis le printemps 2013, elle est disponible dans 30 pays incluant le Canada.

Mitsubishi I-miev

La mitsubishi I-miev dispose d’un moteur de 47 kW (180 Nm) et d’une batterie Lithium-ion
de 16 kWh pour une autonomie de 160 km. Elle peut être chargée via deux prises, une pour
une connexion domestique (100 à 200 Volts) avec un temps de charge d’environ 7 heures pour
du 200 Volts et une prise recharge rapide avec un temps de charge d’environ 30 minutes. 4
Hydro-Québec effectue des tests routiers de ce modèle à Boucherville 5 .

Nissan Leaf

La Nissan Leaf est une voiture tout électrique avec un moteur de 80 kW (107 ch, 280 Nm) et
une batterie Lithium-ion compacte d’une capacité de 24 kWh. Elle a une autonomie d’environ
160 kilomètres, peut rouler jusqu’à 140 km/h (et plus selon Nissan) et se recharge complète-
ment en 7 à 8 heures sur une prise domestique (200 à 240 Volts) ou en 30 minutes à 80% de
sa capacité avec un chargeur rapide. Elle est de plus moins chère que la Chevrolet Volt, ce qui
3. http://www.google.com/powermeter/about/index.html
4. http://www.mitsubishi-motors.com/special/ev/whatis/index.html
5. http://www.hydroquebec.com/electrification-transport/essai-route.html

9
en fait une citadine écologique avec une autonomie raisonnable abordable.

Renault Z.E.

En France, l’entreprise Renault 6 a mis au point une gamme de véhicules électriques allant de
la citadine bi-place au véhicule utilitaire dans la famille « Z.E. » (Zéro Émission). La particu-
larité du modèle économique proposé par l’entreprise est de vendre la voiture sans batterie,
à prix abordable, et louer les batteries à prix variable suivant le nombre de kilomètres par-
courus par an. Les batteries se trouvent alors garanties avec un contrat d’assistance pour leur
maintenance.

La Renault Twizy Z.E. est une voiture biplace urbaine disposant d’une batterie de 7 kWh et
d’une autonomie de 100 km disponible en deux motorisations. La première motorisation dé-
veloppe seulement 5 chevaux et est bridée à 45 km/h, ce qui en fait un véhicule accessible dès
16 ans. La deuxième motorisation développe quant à elle 17 chevaux et est bridée à 80 km/h.

La Renault Zoé Z.E. est une berline compacte qui embarque une batterie de 22 kWh pour un
moteur de 65 kW développant 87 chevaux. Elle peut atteindre 135 km/h avec une autonomie
de 150 à 210 km. Le point fort de ce véhicule est la présence à bord du chargeur « Camé-
léon » breveté par Renault qui accepte tout niveau de charge de 3,7 kW monophasé pour une
recharge complète entre 6 et 8 heures à 42 kW triphasé pour une recharge à 80% en trente
minutes. Ses caractéristiques sont très proches de la Nissan Leaf, toutefois elle ne nécessite
pas un chargeur externe pour une recharge rapide.

Phoenix Motor Cars

Phoenix Motor Cars 7 commercialise un véhicule utilitaire sportif à destination des entreprises
et des flottes gouvernementales. Ce véhicule a un moteur de 60 kW (160 ch, 260 Nm), des
batteries lithium-ion LFP 8 et une autonomie d’environ 120 km. Le véhicule peut se charger
en 5 à 6 heures sur du 220 Volts ou en environ 1 heure avec un chargeur rapide.

AC Propulsion

AC Propulsion [3] travaille depuis longtemps à la mise au point de véhicules qu’ils soient
hybrides série ou tout électrique et en particulier pour que ces véhicules interagissent avec le
6. http://www.renault.com
7. http://www.phoenixmotorcars.com
8. Lithium Fer Phosphate, voir 1.2.1 page 17.

10
réseau électrique de manière bidirectionnelle (voir 1.3.2 page 27).

Leurs expérimentations ont conduit à la technologie tzero™ 9 qui inclut le système de propul-
sion électrique avec chargeur bidirectionnel intégré, la gestion des batteries et du véhicule dans
son ensemble et l’intégration de possibilités Vehicle-to-Grid (V2G).

Tesla Motors travaillait à ses débuts sous licence avec AC Propulsion pour la réalisation de
leur voiture de sport électrique. De plus BMW travaille aussi avec AC Propulsion pour la
production de véhicules électriques 10 (la Mini E 11 ) tout comme les services postaux améri-
cains 12 . Ils semblent être à ce jour les plus avancés en matière de motorisation et d’intégration
pour les véhicules électriques à destination du grand public.

Tesla Roadster

La Tesla Roadster dispose d’un moteur de 185 à 215 kW (248 à 288 ch, 270 Nm) et de batteries
Lithium-ion d’une capacité de 53 kWh pour une autonomie de 340 km et des accélérations
entre 0 et 100 km/h en seulement 3,7 secondes. Plusieurs moyens de recharge sont proposés par
Tesla, la recharge rapide dure 3 heures et demi avec un adaptateur 240 Volts (soit environ 100
km d’autonomie par heure de charge). S’il s’agit sans doute d’une prouesse technologique (et
esthétique) son prix (116 500 $ US) est rédhibitoire et c’est un produit réservé à une clientèle
de luxe.

Tesla Model S

La Tesla Model S est une berline commercialisée depuis 2012. Sur la même base technologique
que le Roadster mais avec une allure d’Aston Martin elle dispose d’une autonomie allant jus-
qu’à 480 km dans sa version avec un bloc batterie de 85 kWh. Elle peut se recharger en 3
à 5 heures avec l’adaptateur 240 Volts ou en 1 heure avec un adaptateur rapide triphasé de
480 Volts. Elle supporte également le remplacement de batterie rapide en 90 secondes, soit
une recharge plus rapide que le temps nécessaire à réaliser un plein d’essence. Avec un moteur
développant 416 chevaux et une vitesse de pointe de 210 km/h, ce modèle s’adresse toujours
à une clientèle haut de gamme.

9. http://acpropulsion.com/products-tzero.html
10. http://acpropulsion.com/pressreleases/11.20.2008%20BMW%20Press%20Release.pdf
11. http://en.wikipedia.org/wiki/Mini_E
12. http://acpropulsion.com/pressreleases/01.20.2010%20USPS%20Announcement.pdf

11
Véhicules électriques de recherche

eBox d’AC Propulsion

La eBox d’AC Propulsion est une conversion d’une Toyota Scion xB à un véhicule tout élec-
trique avec leur technologie tzero™. Elle est équipée d’un moteur électrique de 150 kW (200
ch) et de batteries lithium-ion totalisant 35 kWh pour une autonomie de 230 à 290 km. Elle
réalise un 0 à 100 km/h en 7 secondes et peut atteindre 153 km/h en pointe. Elle peut être
rechargée en 2 à 5 heures. Cette voiture est particulièrement intéressante puisqu’elle présente
des capacités V2G intégrées ainsi que la possibilité d’agir comme un UPS (Uninterruptible
Power Supply).
La conversion de la Scion xB en eBox est estimée à 55 000 $ US à petite échelle mais pourrait
revenir à seulement 10 000 $ US en production de masse.

Véhicules électriques du MIT

La Porsche 914 BEV 13 est une conversion d’une Porsche 914 en véhicule électrique par l’équipe
EVT du MIT. Elle dispose d’un moteur de 55 kW d’Azure Dynamics 14 et de batteries lithium-
ion phosphate de Valence Technology 15 pour une autonomie de 160 km. Elle est rechargeable
en 2 heures et demi à 8 heures dépendant de la puissance du chargeur.

La dernière née du MIT et la plus prometteuse, la elEVen 16 est une conversion d’une plate-
forme Ford CD3. Elle est équipée d’un moteur électrique de 250 ch prévu pour des bus de 16,5
tonnes et de batteries lithium-ion phosphate de A123 Systems (voir 1.2.1 page 17) totalisant
plus de 60 kWh. Cette voiture devrait aller de 0 à 100 km/h en moins de 9 secondes, avoir
une autonomie de 320 km et se recharger en 11 minutes (d’où son nom) avec un chargeur
spécialement conçu pour, délivrant 350 kW.

Bien d’autres véhicules sont prévus et il serait long et inutile de tous les présenter, Plug In
America 17 recense et met à jour une liste de véhicules électriques sur leur site. De plus Project
Get Ready 18 tient à jour une carte avec les villes où des initiatives en matière de véhicules
électriques sont prises.

13. http://web.mit.edu/evt/porsche914.html
14. http://www.azuredynamics.com/
15. http://www.valence.com/
16. http://web.mit.edu/evt/nextvehicle.html
17. http://www.pluginamerica.org/vehicles/
18. http://projectgetready.com/category/city

12
 Figure 1.6 – L’accumulateur expérimental de Gaston Planté [4].

1.2 Le stockage de l’énergie

Le stockage de l’énergie est un obstacle majeur à une vaste adoption des véhicules électriques.
La densité énergétique des batteries est inférieure à celle des produits pétroliers ce qui résulte
en un poids supérieur pour une autonomie moindre. Le coût des batteries et leur rechargement
bien plus long qu’un passage à la pompe à essence est encore un autre frein.

1.2.1 Les différents types de batteries

Il existe différents types de batteries disponibles à l’heure actuelle sur le marché mais aucune
d’elles ne parvient à égaler ou surpasser la densité énergétique des carburants fossiles.

Les batteries Plomb Acide

C’est la plus ancienne des technologies de batteries et la moins onéreuse actuellement. Inventée
en 1859 par le français Gaston Planté dont le prototype est illustré à la figure 1.6, elle est
améliorée et passe en production industrielle en 1881 grâce au luxembourgeois Henri Owen
Tudor qui la rend plus robuste et efficace en remplaçant les feuilles de plomb baignant dans de
l’acide sulfurique par des plaques de plomb enduites d’une pâte active. La composition d’une
batterie plomb acide actuelle est détaillée dans la figure 1.7.

Lors de sa charge une batterie au plomb dégage de l’oxygène et de l’hydrogène, la boîte n’étant
pas fermée hermétiquement, la batterie doit être utilisée à plat et le niveau d’eau ajusté ré-
gulièrement. D’autre part les vapeurs et/ou projections d’acide sulfurique provoquent de la
corrosion si l’emplacement de la batterie n’est pas entretenu (avec de l’eau et bicarbonate de
soude). Ce type de batterie supporte très mal la décharge complète et la surcharge, elles sont
faites pour rester chargées en permanence.

13
 Figure 1.7 – Composition d’une batterie plomb acide actuelle [5].

Deux évolutions de ce type de batterie sont apparues :

– La batterie plomb-gel qui supporte bien les décharges importantes mais a une courte
durée de vie car le gel se détériore et laisse des vides, ce qui diminue la surface d’échange.

– La batterie à recombinaison de gaz qui a une meilleure capacité, un faible taux d’auto-
décharge et quasiment aucun dégazage. De ce fait elle peut être hermétiquement fermée
et placée dans n’importe quelle position.

Ce type de batterie n’est pas adapté pour une utilisation dans les véhicules électriques de par
leur poids et leur faible capacité, elles sont de plus nocives pour l’environnement. Toutefois le
projet CalCars 19 a commencé ses expérimentations avec ce type de batterie.

Les batteries Nickel-Cadmium (Ni-Cd)

C’est une technologie très ancienne aussi, inventée par le suédois Waldemar Jungner en 1899.
Elle était très répandue pour les appareils électriques nécessitant un courant électrique impor-
tant comme les téléphones portables ou les appareils photos numériques. De part la nocivité
du Cadmium pour l’environnement, ce type de batterie a été interdit en Europe pour le grand
public en 2006.

Ce type de batterie a une longévité assez importante (environ 1000 cycles) mais insuffisante
pour une utilisation dans les véhicules électriques et a de plus un effet mémoire.

19. http://www.calcars.org/

14
 Figure 1.8 – Batterie Ni-Mh d’une Toyota Prius seconde génération.

Les batteries Nickel-hydrure Métallique (Nickel-Metal hybride Ni-Mh)

C’est la technologie qui a succédé aux batteries Ni-Cd, commercialisée en 1990. Ces batteries
ont une architecture similaire aux batteries Ni-Cd pour une densité énergétique doublée mais
une résistance supérieure qui impose une phase de rodage des éléments pour débiter de forts
taux de courants. C’est une technologie assez fragile car ne supportant pas la surcharge.

Un avantage certain de cette technologie est qu’elle n’a pas d’effet mémoire mais a une capa-
cité d’auto-décharge importante. Ce type de batterie est adapté pour une transition vers les
voitures électriques mais sa durée de vie n’est pas satisfaisante. La Toyota Prius utilisait ce
type de batterie, illustrée dans la figure 1.8, avant l’arrivée de la troisième génération de la série.

Les batteries Lithium-ion (Li-ion)

Bien que le principe en soit connu depuis les années 1980 les premiers éléments rechargeables
au lithium n’ont été commercialisés qu’en 1991. Cela à cause du caractère instable du lithium
métallique pendant la phase de charge. Le problème a été résolu en utilisant des ions de li-
thium. Le lithium-ion (Li-ion) ne présente pas de danger si certaines précautions sont prises
lors de la charge. En revanche il y a un risque de surchauffe et d’explosion si elles sont chargées
dans de mauvaises conditions, la plupart des fabricants équipent donc leurs blocs de batteries
de circuits de protection. Avec un faible taux de décharge dans le temps et sans effet mémoire,
cette batterie offre une densité énergétique importante (le double du Ni-Mh) mais une durée
de vie inférieure aux batteries Ni-Mh. Elles peuvent de plus être manufacturées sous diverses
formes, illustrées dans la figure 1.9, selon l’usage voulu.

Les batteries Lithium-ion Polymère (Li-po)

Depuis 1999 est apparue une nouvelle génération d’accumulateurs Li-ion : Le Lithium ion
Polymère (Li-po). L’électrolyte est un polymère gélifié qui permet d’obtenir des éléments très

15
Figure 1.9 – Schémas représentant les différents design de batteries Li-ion actuelles [6] : a)
cylindrique, b) plate, c) prismatique et d) mince et plate.

fins et plats pouvant prendre toutes les formes possibles. Encore chère aujourd’hui cette tech-
nologie récente est promise à beaucoup d’avenir. Elle doit, à terme, revenir moins cher à la
réalisation que le Li-ion classique. La Chevrolet Volt utilise ce type de batteries produites par
LG Chemical.

Comparaison des batteries existantes

Les différentes technologies de batteries sur le marché sont comparées dans le tableau 1.1 en
ne tenant compte ni des évolutions récentes en recherche ni des batteries d’une famille spé-
cialement conçues pour une application précise. Les batteries Li-ion classiques sont celles qui
possèdent la plus haute densité énergétique pour une durée de vie intéressante.

La densité énergétique en terme de poids et de volume est représentée graphiquement dans la

figure 1.10. Il apparaît clairement que les batteries lithium-ion et lithium-ion polymères sont
les plus adaptées pour le marché automobile puisqu’elles sont, pour une quantité d’énergie
stockée équivalente, les plus légères et les plus compactes.

16
 Table 1.1 – Tableau comparatif des technologies de batteries actuelles.
Technologie Plomb Acide Ni-Cd Ni-Mh Li-ion Li-ion polymère
Densité énergétique 30-50 45-80 60-120 160-200 100-130
(Wh/kg)
Nombre de cycles 500 à 800 1000 à 2000 600 à 1500 400 à 1200 400 à 600
(Charge décharge)
Temps de charge 6 à 12h 1h à 2h 2 à 4h 2 à 4h 2 à 4h
Température de fonc- -20 à 60°C -40 à 60°C -20 à 60°C -20 à 60°C 0 à 60°C
tionnement

Figure 1.10 – Comparaison des batteries actuelles en terme de densité gravimétrique et

volumétrique [6].

Les batteries en développement

La batterie Lithium-Nanophosphate de A123 Systems et Saphion de Valence

Technologie

A123 Systems est née en 2001 des recherches sur les batteries conduites au MIT. Leur tech-
nologie nanophosphate™ utilise une électrode positive LiF eP o4 (Valence dispose d’une tech-
nologie similaire utilisant une électrode positive LiF eM gP o4 ). Ce type de batterie s’appuie
sur les nano-technologies pour obtenir une meilleure circulation des électrons avec une faible
impédance et une plus longue durée de vie que les batteries lithium-ion traditionnelles [7].
L’entreprise prétend que ce type de batterie s’auto-décharge très peu et garde sa capacité
même sur de longues décharges. D’autre part, ces batteries supportent la recharge rapide et
les réactions chimiques donnent lieu à peu de déperdition de chaleur, ces batteries sont plus

17
 Figure 1.11 – Comparaison de la structure du graphite avec le Lithium-Titanate [9].

sûres que les batteries traditionnelles puisque les matériaux utilisés sont plus stables [8] 20 .

A123 Systems commercialisait en Amérique du nord des kits de conversion pour Toyota Prius
(2004-2009) pour les rendre branchables. Baptisé Hymotion, le bloc batterie s’appuie sur cette
technologie de batteries. Il est utilisé par le projet RechargeIT de Google [2]. D’autre part la
Chevrolet Volt aurait pu utiliser ce type de batteries mais A123 Systems a été pénalisé par son
statut de « startup » et surtout pour ne pas produire de cellules prismatiques qui contrairement
aux cellules cylindriques, offrent une perte minimale d’espace lors de la conception d’un bloc
batterie.

La batterie Lithium-Titanate de AltairNano et Toshiba

Au lieu d’agir sur la cathode comme le fait A123 Systems, AltairNano agit sur l’anode en
remplaçant le graphite traditionnellement utilisé par une nano-structure sphérique plus régu-
lière et offrant une plus grande surface de contact comme le montre la figure 1.11, le lithium
titanate oxide (Li4 T i5 O12 ).

L’entreprise prétend que ses batteries sont trois fois plus puissantes que les batteries Lithium-
ion traditionnelles avec une durée de vie de plus de 5000 cycles, une tolérance à des tempéra-
tures de -40 à 65°C et des temps de charge/décharge de l’ordre de 10 minutes [10]. D’après un
document d’AltairNano datant de 2006 sur leur technologie NanoSafe™ [9], leurs recherches
montreraient que leurs batteries pourraient avoir une durée de vie allant jusqu’à 20 ans, opérer
entre -50°C et 75°C et se recharger en quelques minutes seulement. Ils auraient même testé
leurs batteries dans des fours à 250°C en n’observant aucune explosion.

20. Tests du MIT sur ce type de batteries : http://mit-evt.blogspot.com/2010/07/new-cell-cycler.

html.

18
Pistes de recherche

Une piste de recherche très prometteuse a été mise au point au MIT par l’équipe 21 du profes-
seur Gerbrand Ceder et publiée en 2009. D’après le constat que les ions de lithium pouvaient
se déplacer extrêmement rapidement mais que la structure des batteries actuelles les en em-
pêchait, l’équipe a mis au point des sortes de « périphériques » pour ions, des tunnels leur
permettant de circuler plus librement et donc la batterie peut être chargée et déchargée beau-
coup plus rapidement en délivrant plus de puissance. Une fois perfectionnée, cette découverte
permettrait aux véhicules électriques de bénéficier d’une plus grande vélocité dans les accé-
lérations et des temps de recharges extrêmement rapides de l’ordre de la dizaine de secondes
[11]. A123 Systems a déjà acquis la licence d’utilisation de cette nouvelle technologie et devrait
très prochainement avoir un produit l’intégrant en test.

Plus récemment, deux types de batteries ont été mis au point au MIT. La première est une
batterie semi-liquide appelée « Cambridge crude » 22 et décrite dans un article [12]. Sa particu-
larité tient au fait que le liquide qui stocke l’énergie est pompé dans le système qui le décharge,
ainsi ce design permettrait de réaliser un système moins volumineux et onéreux que les bat-
teries actuelles. Ce système aurait également l’avantage d’autoriser le remplacement dans une
voiture de la batterie en pompant le liquide déchargé tout en déversant du liquide pleinement
chargé, l’équivalent d’une recharge rapide. La voiture n’aurait alors pas nécessairement à avoir
de chargeur intégré ou en option pour une recharge éventuelle sur secteur. La deuxième bat-
terie est une amélioration du design de batteries « lithium-air » ou « lithium-oxygène » 23 , en
utilisant des nano-technologies pour minimiser la quantité de carbone utilisée. De ce fait, les
batteries de ce type sont quatre fois plus légères qu’une batterie au lithium traditionnelle pour
une capacité identique.

Toutes ces recherches au MIT sont pertinentes pour les véhicules électriques ou hybrides
branchables puisqu’elles répondent à une partie des obstacles à l’adoption de ces types de
véhicules dont le coût des batteries, leur recharge rapide, leur capacité de stockage et leur
poids.

Les prévisions d’évolution des batteries

D’après un rapport de 2010 du ministère des transports américain [13], le coût des batte-
ries devrait diminuer par un facteur 10 entre les prix de 2009 et les prévisions pour 2030.
21. http://burgaz.mit.edu recense les publications sur les travaux de l’équipe.
22. http://web.mit.edu/newsoffice/2011/flow-batteries-0606.html
23. http://web.mit.edu/newsoffice/2011/better-battery-storage-0725.html

19
 Figure 1.12 – Prévisions d’évolution du coût des batteries [13].

(a) poids (b) durée de vie

Figure 1.13 – Prévisions d’évolution des batteries : a) poids, b) durée de vie [13].

Cette baisse du coût des batteries, illustrée dans la figure 1.12 engendrera, si elle se confirme,
une augmentation de l’attractivité des véhicules électriques pour le grand public à court terme.

Toujours d’après ce rapport, cette baisse des coûts s’accompagnerait également de la réduction
du poids des batteries et d’une augmentation de leur durée de vie. Si ces prévisions, présen-
tées dans la figure 1.13 venaient à se réaliser, elles se traduiraient par une augmentation de
l’autonomie des véhicules électriques ainsi qu’un coût d’opération inférieur, le remplacement
des batteries durant la vie utile du véhicule étant moins probable.

Avec ce « Recovery Act », l’administration états-unienne a injecté près de 5 milliards de dollars,

sous forme de prêts à taux 0, à l’électrification du parc automobile national. Ces investisse-
ments comprenaient à la fois l’implantation d’usines de fabrication de véhicules électriques
(Nissan, Tesla et Fisker) et de composants (Delphi Automotive Systems), de batteries et
de leurs composants (A123 Systems, Cellgard LLC) et d’infrastructures de recharge (Cou-

20
lomb Technologies). La recherche et le développement de nouvelles technologies de batteries
ont également était subventionnés ainsi que le développement de projets existants comme la
Volt de General Motors.

1.2.2 Les différents moyens de recharge

Une contrainte des véhicules électriques (ou hybrides branchables) est qu’il faut les recharger
souvent de par leur autonomie limitée, ce qui pose des problèmes techniques d’électronique
de puissance pour recharger rapidement et de standardisation des prises (ou autre moyen de
recharge) pour un accès universel et sécurisé dans l’espace public.

L’échange de batteries

C’est une solution proposée pour pallier les temps de recharge des batteries, très longs sans l’in-
frastructure adaptée pour une recharge rapide. Le principe serait d’avoir des stations services
proposant d’échanger la batterie vidée du véhicule par une batterie équivalente complètement
rechargée. Dans ce système économique, le client ne serait pas le propriétaire des batteries de
son véhicule mais il les louerait. La compagnie BetterPlace 24 teste déjà ce modèle économique
et a des prototypes de centre d’échange qui sont prêts, notamment à Yokohama, au Japon 25 .

Évidemment cette solution demanderait une standardisation de l’emplacement et de la forme

des batteries pour le secteur automobile.

La recharge par induction proposée par Renault/Nissan et coll.

Le constructeur automobile Nissan 26 a développé, en collaboration avec la société Showa Air-

craft Industry 27 , un nouveau système pour recharger sans contact des batteries de voitures
électriques lorsque celles-ci sont en stationnement dans des parkings spécialement aménagés.
Le principe, relativement simple, utilise l’induction électromagnétique entre deux bobines. La
version proposée délivre 10 kW et est prévue pour l’espace public, une version moins puissante
de 3 kW à 6 kW est envisagée pour les résidences.

La compagnie Evatran 28 basée en Californie teste depuis 2009 un système similaire qu’elle
commercialise maintenant pour Nissan Leaf et Chevrolet Volt. Ce système représenterait une

24. http://www.betterplace.com/
25. Voir la vidéo : http://www.youtube.com/watch?v=KKA4GhVn0a4
26. http://www.nissan-global.com
27. http://www.showa-aircraft.co.jp/en/index.html
28. http://www.pluglesspower.com/

21
avancée majeure si des villes ou des tronçons d’autoroute en étaient équipés, donnant aux
véhicules électriques une plus grande autonomie que celle des véhicules à énergie fossiles. Le
KAIST (Korea Advanced Institute of Science and Technology) a d’ailleurs développé ce sys-
tème pour les tramways d’un parc d’attraction, les bus de son campus et maintenant également
des bus de la ville de Gumi en Corée du Sud 29 .

Les chargeurs branchables

Plusieurs types de standards existent et émergent pour le rechargement de véhicules élec-

triques. Au delà du connecteur physique utilisé, la puissance délivrée influe nettement sur les
temps de recharge. Ainsi, plusieurs niveaux de charge ont été définis :
– niveau 1 : correspond à une prise de courant conventionnelle en courant alternatif et ne
délivre qu’une faible puissance, la recharge complète du véhicule pourra prendre jusqu’à
12 heures.
– niveau 2 : correspond à une installation spécifiquement destinée à la recharge de vé-
hicules, toujours en courant alternatif, la puissance délivrée est bien supérieure ce qui
permet la recharge d’un véhicule en 2,5 à 5 heures.
– niveau 3 : correspond non plus à une interface entre le réseau électrique et le chargeur
du véhicule mais à un chargeur de batteries en courant continu. Aussi appelé « charge
rapide », ce niveau de charge puissant permet une recharge à 80% du véhicule en un peu
moins d’une demi heure.

Connecteur SAE J1772 en Amérique du Nord

Mis au point par l’industriel japonais Yazaki, le type de connecteur SAE J1772 a été adopté
comme standard en 2010 par les compagnies GM, Chrysler, Ford, Toyota, Honda, Nissan et
Tesla.
Deux niveaux de charges sont définis tous deux en courant alternatif. Le premier avec une
tension de 120 Volts et un courant de 16 ampères, le second avec une tension de 240 Volts et
un courant inférieur ou égal à 80 ampères. Actuellement ce connecteur peut délivrer environ
17 kW. Des travaux sont en cours pour standardiser d’autres niveaux de charge permettant la
recharge rapide (niveau 3). 30

Connecteur IEC 62196 en Europe

Mis au point par l’industriel allemand Mennekes, le type de connecteur IEC 62196 (ou VDE-
AR-E 2623-2-2) a été adopté par un grand nombre d’industriels européens comme standard.
29. http://www.kaist.edu/english/01_about/06_news_01.php?req_P=bv&req_BIDX=10&req_BNM=ed_
news&pt=17&req_VI=4404
30. http://www.sae.org/servlets/works/committeeHome.do?comtID=TEVHYB3

22
 230 V 400 V triphasé
16 A 3,7 kW 11,0 kW
32 A 7,4 kW 22,0 kW
63 A 14,5 kW 43,5 kW
Table 1.2 – Les différents modes de recharge du connecteur IEC 62196 européen

Cette proposition de standard supporte plus de modes que le connecteur SAE J1772, ces modes
détaillés dans le tableau 1.2 atteignent même le niveau 3 en pouvant délivrer jusqu’à 43,5 kW.

Connecteur CHAdeMO ou JARI (niveau 3)

Le connecteur CHAdeMO a été mis au point par une association éponyme regroupant The
Tokyo Electric Power Company, Nissan, Mitsubishi, Fuji Heavy Industries (Subaru) et récem-
ment Toyota. Ce connecteur peut délivrer jusqu’à 62.5 kW (500 Volts DC, 125 A). La Nissan
Leaf, la Mitsubishi i-MiEV et la Subaru R1e sont compatibles avec ce chargeur. Hydro-Québec
a rejoint l’association CHAdeMO en mai 2010.

Quelques acteurs des infrastructures pour véhicules branchables

– AddÉnergie 31 propose de multiples bornes de recharge de niveau 2 avec connecteur

SAE J1772 aussi bien pour les clients résidentiels que pour l’espace public. La compagnie
québécoise développe également une borne de recharge rapide (niveau 3) sous licence.

– AeroVironment 32 propose une gamme étendue de bornes de recharge avec trois types
de produits :
– Bornes unidirectionnelles lentes (7 kW) avec connecteur SAE J1772.
– Bornes unidirectionnelles rapides (30-60 kW) avec connecteur CHAdeMO.
– Bornes bidirectionnelles extrêmement rapides (125-250 kW) avec connecteur non
spécifié.
Ces bornes disposent d’une connectivité multiple au réseau en option : Wifi, Zigbee,
Ethernet, GSM et CPL.

– BetterPlace 33 semble plutôt miser sur les bornes de recharge lentes à domicile et des
stations de remplacement de batteries pour l’espace public. Leur borne de recharge fonc-
31. http://www.addenergietechnologies.com/
32. http://evsolutions.avinc.com/
33. http://www.betterplace.com/the-solution

23
 tionne sur du 220 Volts et utilise au choix un connecteur SAE J1772 ou IEC 62196.

– Coulomb Technologies 34 propose des bornes de recharge lentes pour plusieurs types
de configuration, prises domestiques (Amérique du nord et Europe) ou SAE J1772 ainsi
qu’une borne de recharge rapide (50 kW) avec le connecteur CHAdeMO. Leur réseau de
bornes aux Etats Unis est de plus consultable en ligne 35 .

– DBT 36 offre des bornes de recharge lentes (4 kW) pour le marché européen avec connec-
teur résidentiels ou un connecteur industriel Maréchal 37 . Leurs produits sont destinés à
l’espace public avec système monétique intégré par carte à puce sans contact. La ville
de Paris a déployé ces bornes, la carte est disponible en ligne 38 .

– ECOtality 39 propose une station de recharge rapide (60 kW) appelée « blink » 40 uti-
lisant le connecteur CHAdeMO. ECOtality prévoit le déploiement imminent d’un grand
nombre de ces bornes sur le territoire américain à travers son initiative « The EV pro-
ject » 41 . Une carte est disponible pour consulter l’emplacement de ces bornes sur leur
site.

– Green Motion 42 propose une borne pour le marché européen utilisant au choix un
connecteur résidentiel ou un connecteur IEC 60309 pour une puissance allant de 4 à
13 kW. L’emplacement de leurs bornes en Suisse est disponible sur leur site 43 .

– Ideal Power Converters 44 possède une technologie novatrice utilisée sous licence par
Lockheed Martin qui permet de construire des chargeurs bidirectionnels plus légers,
moins onéreux et plus efficaces. La compagnie prétend que son futur modèle commer-
cialisé atteindra une efficacité de 97% dans les deux sens. Ce chargeur bidirectionnel
utilisera leur technologie éprouvée dans le domaine photovoltaïque pour restituer l’éner-
gie au réseau électrique. Sa puissance de charge sera de 30 kW et il devrait supporter le
futur standard DC de SAE ainsi que CHAdeMO.

34. http://www.coulombtech.com/products-charging-stations.php
35. http://www.mychargepoint.net/find-stations.php
36. http://www.dbt.fr/spip.php?rubrique2
37. http://www.marechal.com/
38. http://www.paris.fr/portail/pratique/Portal.lut?page_id=5775
39. http://www.ecotality.com/
40. http://www.blinknetwork.com/
41. http://www.theevproject.com/
42. http://www.greenmotion.ch/fr/
43. http://www.chargingstations.ch/poles/index.php
44. http://www.idealpowerconverters.com

24
Figure 1.14 – Vision d’ensemble des acteurs et défis à relever pour faire du SmartGarage une
réalité [15].

1.3 V2G - Smart Grid

Nous avons maintenant un aperçu de l’état actuel des technologies matérielles disponibles et
à venir pour la mise en place de systèmes V2G. Il est donc naturel de définir plus précisément
les objectifs que l’on poursuit dans le domaine et de présenter les travaux déjà entrepris.

1.3.1 Définitions
Pour commencer, il est important de définir ce qu’est le V2G, les multiples formes qu’il peut
prendre et exposer l’étendue de la tâche pour parvenir à une implantation des concepts en
jeu. Nous allons donc le faire par l’intermédiaire des travaux d’un groupe regroupant les divers
acteurs impliqués.

La fondation Rocky Mountain Institute et le Smart Garage

La fondation Rocky Mountain Institute [14] a développé un groupe de travail appelé Smart
Garage [15] co-financé par The Lemelson Foundation 45 et Google.org, ce groupe réunit des
entreprises de premier plan pour travailler sur le futur de l’automobile électrique et son inté-
gration dans le réseau.

Le groupe de travail a organisé une « charrette » 46 en octobre 2008, parmi les participants on
45. http://www.lemelson.org/
46. Terme venant des étudiants en architecture français qui finissaient souvent leur travail dans la charrette
qui les emmenait à l’université juste avant de rendre leur production.

25
peut noter la présence d’IBM, A123 Systems, Alec Brooks de Google (ancien d’AC Propulsion),
Tesla, Nissan, GM, Ford et plusieurs compagnies électriques. Mis à part le consommateur, des
représentants de tous les acteurs clés du système (Key system players dans la figure 1.14)
étaient présents.

Plusieurs scénarios ont été définis en ce qui concerne l’intégration des véhicules électriques
dans le réseau :

– V0G : Charge immédiate sur branchement.

– TC (Timed Charging) : Charge sur planification horaire ou signal du réseau électrique
quand les prix sont bas et/ou la demande est basse.
– V1G (Charge Intelligente) : Le véhicule communique en temps réel avec le réseau et
se charge quand le réseau en a besoin (évite les pics de demande trop forts pouvant
déstabiliser le réseau et permet de faire de la régulation).
– V2B : Comme V2G mais seulement avec un immeuble ou un complexe.
– V2G : Comme V1G mais de manière bidirectionnelle, décharge quand le réseau en a
besoin.
– V2G NGU : V2G du futur avec un réseau plus efficace reposant plus sur les énergies
renouvelables.
Durant les 3 jours qu’a duré la charrette, le groupe de 80 ingénieurs/spécialistes a travaillé
sur tous les aspects du « problème V2G » : les véhicules (existant, attendu), l’infrastructure
de recharge (public, privé, qui paye ?), la standardisation des connecteurs, le réseau électrique
(adaptation ou refonte complète) et enfin l’accueil du consommateur.

Les participants à cette charrette sont arrivés au consensus suivant : la solution technique à
court terme (2 à 5 ans envisagés) est le V1G (des systèmes bien intégrés dans le réseau qui
font de la charge unidirectionnelle mais de manière intelligente), même si à plus long terme
le V2B, V2G ou V2G NGU sont des solutions plus élégantes et intéressantes tant pour les
distributeurs d’électricité que pour les consommateurs.

1.3.2 Recherches des pionniers

Les recherches de Willet Kempton et coll. pour UC Davis

Dès 2001, W. Kempton 47 et coll. publiaient un rapport [16] dans lequel ils détaillent les pos-
sibilités d’utiliser des flottes de véhicules en interaction avec le réseau électrique californien

47. http://www.udel.edu/V2G/index.html

26
pour sa régulation.

L’équipe étudie trois paramètres des véhicules électriques :

– la ressource que représente les véhicules électriques
– la disponibilité de ces véhicules pour être connectés
– le potentiel économique de ces véhicules pour supporter le réseau pour la charge de base,
les pics de puissance, comme réserve tournante ou comme service de régulation
Pour ce faire, l’étude se base sur les données des prix d’électricité de Californie pour les années
1998, 1999 et 2000 et compare trois types de véhicules :
– Véhicule électrique avec batterie (environ 10 kW)
– Véhicule hybride (environ 30 kW sur moteur)
– Pile à combustible (environ 40 kW)
Sur le principe que les véhicules sont immobilisés la plupart du temps et pourraient donc être
branchés, l’équipe a simulé leur potentiel économique. Ils ont montré que les véhicules pou-
vaient être très profitables pour leurs propriétaires si ils sont utilisés comme réserve tournante
ou comme service de régulation et peuvent être profitables pour répondre aux pics de puissance
mais dans une moindre mesure. Ce document qui est une base théorique incontournable sur la
technologie V2G et les moyens de modélisation est complété par diverses études postérieures
[17, 18, 19, 20].

Les essais d’ACPropulsion – Alec N. Brooks, 2002

Ce projet [21], sponsorisé par le CARB 48 présente une analyse détaillée des rouages de sys-
tèmes de régulation du réseau électrique 49 et comment la technologie V2G peut les apporter
et ce en plus d’un support local pour les résidences. Un véhicule de test a été équipé d’un
système électrique bidirectionnel (voir 1.1.2 page 10) pour prendre de l’énergie au réseau, la
stocker dans des batteries et être capable de renvoyer cette énergie au réseau électrique. L’ar-
chitecture du système de contrôle du véhicule est présentée dans la figure 1.15. Le véhicule
était également équipé d’une connexion Internet sans fil, illustrée figure 1.16, permettant le
contrôle à distance de la gestion énergétique.

Les commandes de contrôle étaient envoyées au véhicule à intervalles de 4 secondes 50 et la

réponse du véhicule était surveillée et enregistrée.

48. California Air Resources Board : http://www.arb.ca.gov/

49. California Independent System Operator : http://www.caiso.com
50. Un serveur local simulait un serveur Cal. ISO qui envoie des commandes toutes les 4 secondes.

27
Figure 1.15 – Schéma de l’architecture du système de contrôle V2G envisagé par AC Pro-
pulsion [21].

Figure 1.16 – Schéma de l’architecture du système de régulation envisagé par AC Propulsion

[21].

28
Les résultats obtenus ont montré que les temps de transmission sans fil convenaient pour res-
pecter les contraintes du système Cal. ISO et que la charge sur la batterie due à l’activité de
régulation était sensiblement identique à la charge d’une journée d’utilisation normale de la
voiture. De plus, les bénéfices pécuniaires de cette activité de régulation du réseau excèdent les
coûts liés à la dégradation de la batterie dans la plupart des scénarios envisagés par cette étude.

En 2008, Alec N. Brooks a été engagé par Google [2] pour s’occuper de la recherche sur les
énergies renouvelables et l’intégration des véhicules branchables dans le réseau électrique.

Les essais d’ACPropulsion – Thomas B. Gage, 2003

Ce projet [22], sponsorisé par le CARB lui aussi décrit la conception d’un véhicule utilisant
3 sources d’énergies (électrique, essence, gaz naturel) avec une propulsion hybride série. Le
véhicule disposait d’une autonomie de 56 kilomètres sur batterie uniquement avec des perfor-
mances suffisantes pour rouler sur autoroute. Lorsque la batterie atteint un seuil critique de
décharge, le moteur à combustion prenait le relais pour fournir de l’électricité au moteur élec-
trique et recharger la batterie 51 . De plus ce véhicule pouvait se recharger en 1 heure connecté
au réseau électrique, générer de l’électricité soit à partir du moteur à combustion interne avec
de l’essence soit avec du gaz naturel et ce pour recharger les batteries ou fournir de l’électricité
au réseau électrique ou une autre destination (résidence par exemple lors d’une coupure de
courant).

Tout comme dans le projet précédent d’AC Propulsion [21], le véhicule était équipé d’une
liaison Internet sans fil qui assurait le contrôle de la gestion énergétique de l’engin. Ce véhi-
cule a été testé sur près de 10 000 kilomètres en circulation et à l’arrêt. Le rapport étudie
l’efficacité des différents modes de fonctionnement d’un tel véhicule ainsi que son impact sur
l’environnement.

L’essai de W. Kempton en 2008 avec une eBox d’ACPropulsion

En 2008, W. Kempton et coll. ont publié [23] sur une expérimentation en conditions réelles
d’un véhicule électrique pour le stockage de l’énergie et la régulation de fréquence du réseau
PJM 52 . Ces travaux ont été réalisés en partenariat industrie-université.

51. Exactement le même principe que pour la Chevrolet Volt.

52. http://www.pjm.com/

29
Figure 1.17 – Photo du stand de démonstration de la eBox modifiée par Kempton et coll.
[23].

L’essai a été réalisé avec une eBox (1.1.2 page 12) dont le système a été modifié pour gérer et
réagir aux signaux de l’ISO (Independent System Operator) PJM pour participer à la régula-
tion du réseau en temps réel. La figure 1.17 montre cette eBox modifiée reliée à un compteur
électrique spécialement installé pour afficher les échanges bidirectionnels.

À l’Université du Delaware, une passerelle de communication commerciale Arcom Director 53

(matériel utilisé par les fournisseurs de services auxiliaires traditionnels qui ont pour charge
de garder la fréquence et la tension du réseau électrique dans des limites acceptables) a été
installée dans la voiture pour recevoir le signal de PJM et contrôler la charge et la décharge, la
connexion est filaire avec un câble ethernet. Le véhicule répondant aux signaux de PJM est ca-
pable de délivrer 19 kW et de répondre en moins d’une seconde. Les chercheurs de l’Université
du Delaware ont imaginé un protocole de communication entre les systèmes et ont coordonné
les modifications logicielles nécessaires avec AC Propulsion, Arcom et PJM.

Lorsqu’elle est branchée, la voiture envoie à un serveur de l’université les données sur l’état de
charge de la batterie, la capacité de la prise de courant, le voltage de la batterie, le courant,
le signal de régulation et d’autres variables, tout ceci est stocké sur le serveur. Les tests de
régulation réalisés pendant la nuit, ont montré que cette régulation était majoritairement à la
baisse, donc privilégiant la recharge du véhicule. Un exemple de résultat, présenté figure 1.18,
montre clairement que le véhicule se recharge plus qu’il n’envoie d’électricité au réseau.

53. http://www.arcomcontrols.com/products/pcp/Gateways/DS/default.htm

30
Figure 1.18 – Régulation pendant la nuit avec des demandes de régulation à la baisse domi-
nantes (charge de la batterie) [23].

Encore une fois Kempton souligne que cette technologie serait particulièrement bien inté-
grée dans une économie où la production électrique serait plus dépendante des énergies re-
nouvelables [20], les voitures stockant l’énergie quand les éoliennes, panneaux solaires, etc.,
produisent un surplus d’énergie et redistribuant cette énergie au réseau lors de creux de pro-
duction.

Satisfaite des résultats obtenus avec cette eBox qui lui était prêtée, l’Université du Delaware
l’a achetée et prévoit de constituer une flotte de véhicules d’un MW pour prendre un contrat
d’A/S 54 et tester le modèle technique et économique présenté à plus grande échelle. L’univer-
sité possède actuellement 15 Mini-E offertes par BMW avec des chargeurs bidirectionnels de
18 kW, soit une flotte pouvant totaliser 270 kW.

54. Ancillary Service : service auxiliaire, appelé régulation le plus souvent.

31
1.4 Recharge intelligente

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
les revenus engendrés par la régulation de fréquence pour les participants [31].

32
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

33
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.

1.5 Conclusion

Nous avons vu dans ce chapitre que le marché automobile était en mutation et que son élec-
trification était une réalité qui rend les recherches présentes sur le V2G ou V2B pertinentes.
Les différentes technologies de stockage et de transfert d’énergie ont également été exposées,
ces technologies évoluent rapidement et semblent aller dans le sens qui servirait le déploiement

34
de systèmes bidirectionnels. Enfin, les recherches importantes et des développements récents
ayant trait au sujet de ce mémoire ont été rapportés, ainsi que leurs limites.

35
Chapitre 2

Modélisation et optimisation de la
recharge bidirectionnelle

Notre étude va mettre en valeur les bénéfices que le V2B apporte quand les véhicules sont
connectés à un stationnement ou à un bâtiment dont la consommation électrique est contrainte
par une puissance souscrite fixe. Pour ce faire, nous prenons l’exemple du campus de l’Univer-
sité Laval. Nous allons présenter dans ce chapitre la modélisation générale de l’environnement
et des agents que nous considérons dans nos travaux ainsi que l’optimisation qui est appliquée
à ce modèle.

2.1 Modèle du système

L’Université Laval possède un réseau électrique indépendant, il obtient son énergie électrique
via deux lignes tri-phasées de 25 kV fournies par Hydro-Québec. L’Université Laval souscrit à
une puissance de 15,75 MW et maintient son facteur de puissance entre 0,95 et 1,0. Avec une
telle infrastructure, l’Université est ce que l’on appelle un client « grande puissance ».

2.1.1 Modèle de facturation

La compagnie qui fournit l’électricité à la province de Québec, Hydro-Québec, a un modèle
de facturation spécifique pour les clients à grand besoin de puissance et d’énergie. Ce modèle
de facturation s’appuie sur deux composantes :

– la valeur maximum entre la puissance souscrite et le plus grand pic de puissance en kW

durant le mois ;
– la consommation totale d’énergie en kWh durant le mois.

La composante puissance est une partie importante d’une facture typique dans ce contexte,
avec un poids d’approximativement 40% du coût total. La spécificité de ce modèle de factu-

37
ration tient au fait que l’énergie est vendue à un coût fixe, dépendamment de la saison, et
relativement peu onéreux : 2,97¢ par kWh en été et 2,99¢ par kWh en hiver pour l’année 2011,
alors que les clients résidentiels payaient alors 5,39¢ par kWh en tout temps. Le coût de la
composante puissance est pour sa part calculé en plusieurs étapes successives. En premier lieu,
la valeur de puissance utilisée pour la facturation est déterminée en retenant la plus haute
valeur en kW entre la puissance réelle appelée maximum, 95% de la puissance apparente maxi-
mum et la puissance souscrite. Le coût brut de la composante puissance peut donc ensuite
être calculé en multipliant cette valeur de puissance retenue par 12,18 $/kW et en multipliant
encore le résultat obtenu par le nombre d’heures contenues dans le mois, le tout divisé par le
nombre d’heures contenues dans 30 jours. Cependant, le coût final de la composante puissance
prend en compte deux facteurs additionnels, calculés de la même façon que le coût brut et
venant se soustraire à celui-ci :

– un crédit d’alimentation pour installation sujet à une conversion de tension (0,915 $/kW),
ce crédit survient lorsque le client convertit lui-même l’électricité en moyenne ou haute
tension avec des transformateurs à double tension primaire ;
– un rajustement pour pertes de transformation (0,1670 $/kW en été, 0,16230 $/kW en
hiver), ce rajustement a lieu lorsque le point de mesurage de consommation d’Hydro-
Québec est situé en dehors des installations d’un client qui convertit lui-même l’électri-
cité, puisque cette conversion génère des pertes.

En hiver, le client doit avoir une estimation assez précise de la puissance maximale qui sera
appelée, puisque si cette puissance appelée dépasse 110% de la puissance souscrite, alors une
pénalité journalière de 7,11 $ est appliquée pour chaque kW excédentaire, en addition au prix
régulier de la puissance. Cette pénalité pour dépassement de la puissance souscrite ne peut
toutefois excéder 21,33 $ par kW excédentaire mensuellement. En tout état de cause, des pics de
puissance élevés, même pour une courte période de temps, peuvent être extrêmement onéreux.

2.1.2 Données utilisées

Cette étude utilise les données réelles de consommation électrique fournies par le Service des
immeubles de l’Université Laval. Ce jeu de données contient la puissance instantanée appelée
pour la totalité du campus aux 15 minutes. En conséquence, chaque journée sera découpée en
intervalles de 15 minutes pour nos simulations, sous hypothèse que la puissance appelée par
le campus reste stable durant ces intervalles.

Nous avons également accès aux factures produites par Hydro-Québec et c’est donc le modèle
de facturation, décrit précédemment, que nous utilisons pour déterminer la viabilité financière
du V2B dans ce contexte.

38
 17

16
Puissance en MW

15

14

13

Appel de puissance d'origine

12
2 011 /2011 / 2011 20 11 20 11
5 / 0 5 0 5 0 5 / 0 5 /
0 3/0 1 0/ 17/ 24/ 31/
Temps

Figure 2.1 – Consommation électrique réelle à l’Université Laval en mai 2011.

De plus, le campus utilise une chaudière électrique pour réguler sa consommation électrique à la
hausse. Durant les périodes creuses en termes d’appel de puissance, cette chaudière fonctionne
en complément ou en remplacement de la chaudière à gaz pour optimiser l’utilisation de la
consommation électrique et baisser ses coûts de chauffage. La figure 2.1 montre les données
brutes dont nous disposons pour le mois de mai 2011 avant que nous enlevions la consommation
imputable à la chaudière électrique.

Pour notre projet, nous avons supprimé la puissance consommée par la chaudière électrique car
cette charge additionnelle est en compétition avec l’utilisation du V2B. En effet, la chaudière

39
 17

16
Puissance en MW

15

14

13

Appel de puissance d'origine

12
2 011 / 2011 / 2011 20 11 20 11
/0 5/ 0 5 0 5 0 5 / 0 5 /
03 1 0/ 17/ 24/ 31/
Temps

Figure 2.2 – Consommation électrique réelle à l’Université Laval sans chaudière électrique
en mai 2011.

a été installée dans le but de tirer avantage du modèle de facturation en régularisant la

demande de puissance vers le haut et rester au plus près de l’appel de puissance maximal
voulu. La figure 2.2 montre donc la consommation électrique de l’Université Laval une fois la
consommation de la chaudière électrique enlevée. On peut alors identifier aisément les jours de
semaine travaillés où les appels de puissance sont plus importants que lors des fins de semaine.

Le scénario que nous envisageons avec le modèle de facturation et les données utilisés est donc
gagnant-gagnant, aussi bien pour les utilisateurs des stationnements que pour l’Université

40
 Table 2.1 – Propriétés des véhicules.
Paramètre Prius Volt Leaf
Capacité des batteries (kWh) 4,4 16,5 24,0
Intensité maximum du chargeur (Amps) 15 AC 16 AC 125 DC
Voltage maximum du chargeur (V) 240 AC 240 AC 480 DC
Efficacité du chargeur (%) 93 93 93

Laval et se résume ainsi : avec le V2B, la composante puissance de la facture électrique du

campus peut être réduite alors que les utilisateurs sont autorisés à voir leurs véhicules rechargés
gratuitement en échange du droit accordé de contrôler leurs réserves énergétiques.

2.1.3 Véhicules considérés

Le système est pensé autour d’un nombre variable de véhicules qui ont chacun leurs caracté-
ristiques propres telles que décrites dans le tableau 2.1. Ces propriétés reflètent les caracté-
ristiques techniques de trois véhicules disponibles commercialement : la Toyota Prius hybride
branchable 2012 (dont le nom est simplement abrégé par Prius par la suite), la Chevrolet Volt
2012 qui est une autre hybride branchable et la Nissan Leaf 2012 qui est purement électrique.
Ce mélange de véhicules nous donne à la fois des chargeurs de niveau 2 et de niveau 3.

Nous faisons l’hypothèse dans nos travaux que la charge et la décharge des véhicules peut être
approximée par une fonction linéaire et que nous pouvons tirer profit de 60% de l’amplitude de
charge des blocs batterie sur 20% à 80% d’état de charge. En effet, nous fixons volontairement
cette limite puisque les courbes de charge et décharge entre 0%-20% et 80%-100% ne peuvent
être simplement approximées comme des fonctions linéaires. De plus, l’utilisation des ces plages
opératoires aurait un effet négatif sur la durée de vie des batteries. En outre, nous faisons
l’hypothèse que les chargeurs peuvent envoyer vers le réseau la même puissance maximale qu’ils
peuvent prélever, ces chargeurs sont donc capables de décharger les batteries plus rapidement
qu’ils ne peuvent les charger.

2.2 Modèle d’optimisation

La programmation linéaire est une méthode mathématique d’optimisation convexe d’un mo-
dèle exprimé comme un ensemble d’équations linéaires représentant une fonction objectif su-
jet à des contraintes. La fonction objectif peut être minimisée ou maximisée sous certaines
contraintes exprimées sous forme d’équations linéaires et d’inégalités linéaires. Les travaux qui
sont présentés font usage de la méthode du simplexe révisé et de la méthode des points inté-
rieurs primal-dual telles qu’elles sont implantées dans le GNU Linear Programming Kit [42].

41
Le modèle bâti vise à maximiser l’énergie transférée aux véhicules participants au système tout
en gardant l’appel de puissance du campus en dessous ou au niveau du seuil que constitue la
puissance souscrite. Ce modèle prend également en compte la dégradation des batteries qui
survient de par l’activité V2B. Ainsi, la fonction objectif à maximiser tenant compte de ces
considérations doit être vue comme le bénéfice réalisé par la communauté en $ grâce au V2B.

P P h i
max t i K z t e w αt − (K
chg i i i i chg + K )z t 1 w βt − K
wear i ei i i
d w
peak γ − Kpenalty γ . (2.1)

L’optimisation de cette fonction objectif est sujette aux contraintes suivantes :

0 ≤ αit ≤ 1, ∀i, ∀t, (2.2)

0 ≤ βit ≤ 1, ∀i, ∀t, (2.3)

t
cji ≤ 0.8 Cimax , ∀i, ∀t,
X
0.2 Cimax ≤ Ci0 + (2.4)
j=1

γ d ≥ 0, (2.5)

R − P t + γ d ≥ 0, ∀t, (2.6)

γ w ≥ 0, (2.7)

Rw − P t + γ w ≥ 0, ∀t, (2.8)
T
cji ≥ Ei , ∀i.
X
Ci0 + (2.9)
j=1

Les équations (2.4) et (2.9) utilisent l’expression des échanges énergétiques pour le véhicule i
au pas de temps t, dérivée de la fonction objectif, définit comme :
1
cti = zit ei wi αit − zit wi βit . (2.10)
ei

Avec ces paramètres donnés au système :

– Kchg : coût de la charge par unité d’énergie [$/kWh] ;
– Kwear : coût de la dégradation des batteries induite par la décharge [$/kWh] ;
– Kpeak : coût de l’appel de puissance en excédant la puissance souscrite [$/kW] ;
– Kpenalty : coût de l’appel de puissance, en hiver, en excédant 110 % de la puissance
souscrite [$/kW] ;
– zit : booléen indiquant si le véhicule i est branché (1) ou débranché (0) au pas de temps
t;
– ei : efficacité du chargeur du véhicule i lors de la charge (0 ≤ ei ≤ 1) ;

42
 – 1
ei : efficacité du chargeur du véhicule i lors de la décharge (≥ 1) ;
– wi : flux d’énergie théorique maximal depuis ou vers le véhicule i en kWh (15Ui Ii /60) ;
– Ei : capacité minimum requise de la batterie du véhicule i lorsque celui-ci est débranché
pour repartir ;
– Ci0 : capacité initiale de la batterie du véhicule i lorsque celui-ci est branché ;
– Cimax : capacité maximale de la batterie du véhicule i.

Et les variables à optimiser sont :

– αit : pourcentage de la puissance du chargeur alloué à la charge du véhicule i au pas de
temps t ;
– βit : pourcentage de la puissance du chargeur alloué à la décharge du véhicule i au pas
de temps t ;
– γ d : appel de puissance maximal excédant la puissance souscrite en tenant compte de
l’activité V2B ;
– γ w : appel de puissance maximal excédant 110% de la puissance souscrite en hiver.

Les contraintes (2.2) et (2.3) restreignent chaque chargeur à fonctionner entre 0 et 100% de sa
puissance nominale maximale respectivement lors de la charge et la décharge d’un véhicule,
assurant ainsi le respect des capacités opératoires des chargeurs.

Nous devons également imposer des limites quant à la capacité des batteries, pour ce faire
nous définissons Ci0 comme le niveau initial de charge du véhicule i en kWh et Cimax comme la
capacité maximale des batteries du véhicule i en kWh. Grâce à cela, la contrainte (2.4) impose
le respect des bornes énergétiques des batteries.

Si une stratégie V2B est implantée sur le campus pour limiter les pics d’appel de puissance et
ainsi économiser de l’argent sur la composante puissance de la facture, dépasser la puissance
souscrite a un effet négatif sur la fonction objectif. En conséquence, γ d doit être positif ou nul
comme l’assure (2.5) et la détermination adéquate de la valeur de cette variable est garantie
par (2.6). En hiver, une pénalité additionnelle est appliquée lorsque l’on dépasse 110% de
la puissance souscrite, γ w doit lui aussi être positif ou nul (2.7) et sa valeur déterminée en
utilisant (2.8).

Les variables utilisées pour modéliser la puissance consommée sont :

– R : initialement la puissance souscrite ;

43
 – Rw : initialement 110% de la puissance souscrite ;
– At : appel de puissance instantané au pas de temps t sans tenir compte du V2B ;
– P t = i (zit Ui Ii αit − zit Ui Ii βit ) + At : appel de puissance instantané au pas de temps t en
P

tenant compte du V2B ;

– Ui : voltage maximum du chargeur du véhicule i ;
– Ii : intensité maximum du chargeur du véhicule i.
De plus, les valeurs de R et Rw peuvent subir des ajustements dans le processus de simulation
pour prendre en compte des objectifs irréalisables. Si la demande de puissance a excédé la
puissance souscrite dans les jours précédents celui pour lequel la simulation prend place, alors
la valeur du pic maximal remplace la valeur de R. Le même principe s’applique pour Rw , si
l’appel de puissance a dépassé 110% de la puissance souscrite, alors la valeur du troisième plus
gros pic au-delà de 110% de la puissance souscrite remplace Rw .

Enfin, nous ne souhaitons pas que les véhicules participants repartent du campus avec leurs
batteries déchargées relativement à leur état de charge initial, nous forçons donc les véhicules
à repartir avec une capacité Ei qui peut être vue comme l’énergie minimum nécessaire pour
faire le trajet de retour au domicile. La contrainte (2.9) assure que cette capacité minimum est
respectée lorsque le véhicule est débranché, avec T comme le pas de temps auquel le véhicule
est débranché.

2.3 Paramétrisation du modèle

Le processus d’optimisation et la simulation ultérieure de l’impact de la séquence de décisions
produite à partir de nos données sont réalisés pour chaque journée pour un mois donné, pour
que nous puissions produire une facture mensuelle identique à ce que Hydro-Québec produirait
avec ce profil de consommation modifié. Nous avons déterminé, en observant le jeu de données
à notre disposition, qu’un patron d’appel de puissance se répétait. La plupart des journées d’un
même mois suivait ce patron tant en termes de consommation horaire que de pic maximum
atteint. Cependant, un petit nombre de journées dans le mois ne suit pas ce patron et exhibe
des pics d’appel de puissance inhabituels. Ce phénomène peut être observé dans la figure 2.2,
si il y a des variations entre les jours de semaine, seuls les 24, 30 et 31 exhibent réellement
des pics de puissance importants. En conséquence, si l’on pouvait réduire la consommation
de puissance individuellement pour chaque journée, ce ne serait pas une option satisfaisante
puisque nous augmenterions la dégradation des batteries des véhicules sans obtenir de gain
puisque le pic maximum sur le mois est retenu pour la facturation et non le pic maximum de
chaque journée individuellement.

Les simulations sont répétées avec de multiples paramètres pré-déterminés en vue de comparer
les résultats obtenus selon différents scénarios possibles :

44
 Table 2.2 – Paramètres de simulation.
Paramètre Minimum Maximum
Temps d’arrivée 7:30 9:30
Temps de départ 15:30 17:30
État de charge initial (%) 20 80

– Différentes tailles de flottes de véhicules : de 100 véhicules à 400 par pas de 100 (4
tailles) ;
– Différents types de véhicules : Prius, Volt et Leaf comme décrits dans le tableau 2.1 ;
– Différentes valeurs de puissance souscrite : 16 MW et 16,4 MW.
En plus de ses 30 000 étudiants à temps plein, l’Université Laval emploie environ 9 000 per-
sonnes et possède 40 stationnements totalisant plus de 10 000 places. Les flottes de véhicules
considérés représentent donc de 1% à 4% du nombre total de véhicules pouvant être stationnés
sur le campus.

Les simulations prennent place sur une base journalière, pour chaque jour travaillé, les para-
mètres sont initialisés aléatoirement dans les éventails donnés dans le tableau 2.2. Les temps
d’arrivée et de départ sont déterminés en utilisant des nombres aléatoires uniformément dis-
tribués alors que l’état de charge initial est déterminé en utilisant une distribution triangulaire
centrée sur 50%. Cette paramétrisation vise à refléter les habitudes des employés plutôt que
celles des étudiants, dont on s’attend à un comportement moins prévisible et régulier.

La capacité minimum des blocs batterie lorsque le véhicule est débranché, Ei , est déterminée
selon (2.11).

Ei = max Ci0 , min(0,8 × Cimax , 1,1 × Cimax − Ci0 ) (2.11)

Les valeurs générées pour Ei représentent par conséquent 30% à 80% de l’état de charge pour
chaque véhicule puisque nous voulons prévenir le départ de véhicules avec une très faible
capacité énergétique ou le départ de véhicules déchargés relativement à leur état de charge
initial.

De plus, les paramètres du modèle expliqués précédemment ont été déterminés et sont donnés
dans le tableau 2.3. Kchg est le prix typique, pour un foyer québécois, pour 1 kWh moins
le prix pour le campus pour 1 kWh. Kchg représente donc, pour les utilisateurs, le gain que
constitue le fait de charger son véhicule sur le campus plutôt qu’à son domicile. Kpeak est pour
sa part directement tiré du modèle de facturation de Hydro-Québec, il s’agit donc du prix
brut de la puissance moins le crédit d’alimentation pour installation sujet à une conversion

45
 Table 2.3 – Paramètres du modèle.
Paramètre Été 2011 Hiver 2011
Kpeak 11,1033 $/kW 11,1027 $/kW
Kpenalty - 7,11 $/kW
Kchg 0,0242 $/kWh 0,024 $/kWh
Kwear 0,2 $/kWh 0,2 $/kWh

de tension moins un rajustement pour pertes de transformation. Cette valeur de Kpeak est
ensuite pondérée par le nombre de jours dans le mois divisé par 30. Une valeur réaliste de
Kwear a été déterminée en utilisant un coût de 240 $/kWh pour des batteries Li-ion standards
et une durée de vie espérée de 1500 cycles pour des cycles de 100% à 20% d’état de charge.
D’autres valeurs plus optimistes pour Kwear ont également été testées dans les cas où le prix
des batteries baisserait ou leur durée de vie augmenterait significativement.

Une fois que les simulations journalières pour un ensemble de paramètres sont achevées, une
facture mensuelle qui combine le nouveau pic de puissance maximum (kW) et la consommation
énergétique révisée (kWh) du campus est générée. Cette nouvelle facture est alors comparée
avec l’originale.

2.4 Simulateur
L’implantation de nos modèles du système et d’optimisation a été réalisée en Python, si des
détails quant à l’implantation à proprement parler et sur le fonctionnement interne sont donnés
en annexe, nous allons seulement présenter ici une vue haut niveau de l’architecture logicielle
à travers le flot d’exécution des simulations.

Le flot d’exécution d’une simulation est présenté dans la figure 2.3, il se décompose de la
manière suivante :
– Le programme principal reçoit les paramètres de la simulation en ligne de commande et
les valide ;
– Le programme principal instancie l’agrégateur (1) en lui passant les paramètres reçus ;
– L’agrégateur s’initialise : s’il y a des expériences précédentes, il vérifie si la puissance
souscrite a été dépassée et ajuste au besoin R et Rw (2) conformément au modèle
d’optimisation ;
– L’agrégateur instancie l’oracle de puissance (3), responsable de communiquer, pour tout
pas de temps, la puissance appelée par le campus ;
– L’oracle de puissance charge les données de puissance pertinentes à la simulation (4)
depuis le fichier CSV correspondant au mois de la journée visée par la simulation ;

46
 Figure 2.3 – Flot d’exécution d’une simulation journalière.

– L’agrégateur instancie autant de véhicules que paramétré (5), ces véhicules s’initialisent
selon la paramétrisation du modèle ;
– Une première passe est faite sur les données de consommation électrique en fonction des
véhicules pour préparer le modèle d’optimisation (6). Lors de cette passe, la simulation
n’a pas débuté, il s’agit uniquement de déterminer les paramètres passés au modèle
(véhicule branché ou non, capacité des batteries, puissance appelée...) ;
– Le modèle est ensuite envoyé à GLPK dans un processus distinct où l’optimisation
linéaire prend place (7) ;
– Une fois cette optimisation réalisée et les décisions de recharge de véhicules obtenues, la
simulation proprement dite a lieu (8), une deuxième passe sur les données de consom-
mation électrique est effectuée, les véhicules vont subir les décisions optimales prédéter-
minées par l’optimisation linéaire à chaque pas de temps ;
– Enfin, une fois la simulation terminée pour cette journée, les résultats sont consignés
dans divers fichiers (9). Le fichier contenant les puissances maximales appelées sera
utilisé par les simulations ultérieures, les autres fichiers seront agrégés pour produire
les résultats finaux lorsque toutes les simulations pour le mois avec une paramétrisation
seront achevées.

47
2.5 Conclusion
Dans ce chapitre, nous avons présenté la modélisation de flottes de véhicules intégrées à un
complexe immobilier. Cette modélisation s’appuie sur des données réelles ; si des hypothèses
ont été faites pour simplifier certains aspects de cette modélisation, il n’en reste pas moins
qu’elle respecte l’objectif premier de ce mémoire en étant réaliste. Nous avons également
exposé un modèle d’optimisation linéaire pour la planification de recharge bidirectionnelle qui
respecte les contraintes imposées par la modélisation du système. Ce modèle tient compte des
spécificités du modèle de facturation électrique d’Hydro-Québec et vise à maximiser le gain de
l’ensemble des acteurs du système V2B imaginé, en tant que communauté solidaire, remplissant
ainsi notre deuxième objectif. Enfin, l’implantation des ces modèles dans un programme de
simulation a été abordé et va nous permettre de traiter le troisième objectif par la suite.

48
Chapitre 3

Résultats expérimentaux

Nous avons jusqu’ici atteint nos deux premiers objectifs avec la modélisation de flottes de véhi-
cules et du complexe immobilier ainsi que la définition de notre méthode d’optimisation de la
prise de décision pour la planification de charge bidirectionnelle. Nous appliquons maintenant
cette méthode d’optimisation à notre modèle et présentons ici les résultats obtenus pour les
mois de janvier, février et mai 2011. Quatre valeurs sont particulièrement intéressantes dans
les résultats qui suivent dans les tableaux 3.1 à 3.3 :

– P max : Le plus grand pic sur le mois, cette valeur est utilisée pour calculer la compo-
sante puissance de la facture ;
– ∆ énergie : L’accroissement de la consommation énergétique sur le mois dû au V2B ;
– ∆ facture ($) : La variation de la facture mensuelle du campus (réduite si négatif,
augmentée si positif) ;
– Bénéf. util. : Le gain partagé par tous les propriétaires des véhicules participants. Cette
valeur est calculée en combinant la valeur de l’énergie échangée ainsi que le coût dû à
la dégradation des batteries. Cette valeur est sous-estimée puisqu’elle utilise le coût de
l’énergie tel que facturé par Hydro-Québec pour les 30 premiers kWh consommés par
jour. Dans l’optique de démontrer la viabilité financière du V2B, cette imprécision est
ignorée 1 .

3.1 Janvier 2011

En janvier 2011, le coût original de la facture électrique du campus s’élève à 545 486,10 $, le pic
maximum atteint 16,55 MW et la consommation énergétique totale est de 9 661 833,68 kWh.

Le tableau 3.1 montre les résultats obtenus avec V2B en fonction des différents paramètres
donnés au système.
1. De plus, la simulation de la consommation électrique des participants à leur domicile est en dehors de
notre champ d’étude.

49
 Table 3.1 – Résultats pour janvier 2011.
P max (MW) ∆ énergie (kWh) ∆ facture ($) Bénéf. util. ($)
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 16,22 16,40 3 395,35 3 187,1 -4 256,52 -1 906,78 -132,49 166,4
Prius

200 16,16 16,40 6 742,06 6 513,52 -4 877,46 -1 793,47 -138,84 356,35

300 16,14 16,40 9 865,27 9 654,69 -5 105,35 -1 686,47 -67,39 535,72
400 16,12 16,40 12 703,7 12 601,82 -5 265,54 -1 586,08 -7,14 704,0
100 16,17 16,40 11 861,08 11 921,72 -4 614,99 -1 609,25 167,2 665,17
200 16,13 16,40 23 929,55 24 395,81 -4 768,76 -1 184,33 716,34 1 377,46
Volt

300 16,13 16,40 35 045,1 36 175,2 -4 345,01 -783,09 1 335,99 2 050,09

400 16,14 16,40 45 201,5 47 226,93 -3 898,88 -406,62 1 934,84 2 681,17
100 16,08 16,40 17 542,25 17 335,75 -5 634,9 -1 424,82 47,7 974,32
200 16,03 16,40 34 764,64 35 479,87 -5 647,22 -806,76 834,18 2 010,38
Leaf

300 16,04 16,40 50 648,35 52 613,53 -4 987,15 -223,11 1 790,42 2 988,75

400 16,05 16,40 65 531,5 68 688,78 -4 364,87 324,48 2 691,37 3 906,68

17
16
15
Puissance en MW

14
13
12
11
10
9 Appel de puissance d'origine
Appel de puissance avec V2B
8
/2 0 11/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011
1 1 1 1 1 1 1 1 1 01 01 01 01 01 01 01 01 01 01 1 1 1 1 1 1 1 1 1 1 1 1 2
01/0 02/0 03/0 04/0 05/0 06/0 07/0 08/0 09/0 10/ 11/ 12/ 13/ 14/ 15/ 16/ 17/ 18/ 19/ 20/0 21/0 22/0 23/0 24/0 25/0 26/0 27/0 28/0 29/0 30/0 31/0 01/0
Temps
Figure 3.1 – Appel de puissance pour le mois de janvier 2011 avec 400 Prius et une puissance
souscrite de 16 MW.

50
 1400
B2V
1200 V2B

1000
Énergie en kWh

800

600

400

200

0
an 1
an 1
an 1
an 1
an 1
an 1
an 1
10 n 20 1
jan 11
12 n 20 1
13 n 20 1
14 n 20 1
15 n 20 1
16 n 20 1
17 n 20 1
18 n 20 1
19 n 20 1
20 n 20 1
21 n 20 1
22 n 20 1
23 n 20 1
24 n 20 1
25 n 20 1
26 n 20 1
27 n 20 1
28 n 20 1
29 n 20 1
30 n 20 1
31 n 20 1
jan 11
11
2 j 201
3 j 201
4 j 201
5 j 201
6 j 201
7 j 201
8 j 201
9 j 201

ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
ja 1
11 20

20
an

a
1j

Temps
Figure 3.2 – Échanges énergétiques V2B pour le mois de janvier 2011 avec 400 Prius et une
puissance souscrite de 16 MW.

Comme le montre le tableau 3.1, appliquer notre modèle avec une puissance souscrite de
16 MW ne produit pas de résultats satisfaisants pour les propriétaires de Prius qui perdent
de l’argent à participer. Ceci est dû à la dégradation des batteries associée à la décharge de
véhicules en masse. Ce coût de dégradation des batteries n’est alors pas compensé par la re-
charge des véhicules puisque la capacité énergétique de leurs batteries n’est pas suffisamment
grande. Ceci affecte particulièrement les Prius puisqu’elles ne disposent que d’un petit bloc
batterie. Un exemple de ce comportement avec 400 Prius est exposé dans la figure 3.1 pour
l’appel de puissance et dans la figure 3.2 pour les échanges énergétiques. Ce mauvais résultat
survient à cause d’une faiblesse connue dans notre méthodologie, puisque nous avons réalisé
les simulations sur une base journalière et non mensuellement. Les exigences en équipement et
en calculs pour faire des simulations sur une base mensuelle seraient plus importantes que ce
dont nous disposons actuellement. En conséquence, bien qu’une solution optimale soit correc-
tement déterminée individuellement pour chaque journée, le résultat agrégé est sous-optimal
dans ces cas.

Toutefois, les flottes de véhicules constituées de Volts et de Leafs ne sont pas affectées par
ce problème et les utilisateurs gagnent de plus en plus avec l’augmentation de la taille de la
flotte. Ceci est dû à la plus grande capacité des blocs batterie de ces modèles qui autorisent
la recharge des véhicules à compenser largement le coût de la dégradation des batteries.

Du point de vue du campus, une flotte de 200 Volts ou Leafs apporte la plus grosse réduc-

51
tion de la facture électrique puisqu’il y a alors un équilibre entre les gains engendrés par la
réduction du pic de puissance maximum et les pertes dues à l’augmentation de la consom-
mation énergétique pour recharger les véhicules. Alors que la taille de ces flottes de véhicules
augmente, la perte financière associée à l’augmentation de la composante énergie de la facture
diminue les profits réalisés par le campus au bénéfice des utilisateurs.

Si aucune configuration de flotte de véhicules ne permet de respecter la consigne donnée de

16 MW de puissance souscrite, toutes les configurations arrivent à respecter la consigne de
16,4 MW. On observe alors que de plus petites flottes de véhicules sont bénéfiques pour le
campus. La combinaison d’un chargeur très puissant et d’une large capacité énergétique fait
même en sorte que la facture du campus augmente avec 400 Leafs, le système étant généreux
avec ses utilisateurs.

Il est également intéressant de noter qu’avec une puissance souscrite de 16 MW et des flottes
de Volts ou Leafs, le pic de puissance maximum commence par baisser avec l’augmentation
de la taille de la flotte puis augmente à nouveau. Encore une fois ceci est dû à la plus grande
capacité des blocs batterie. Le bénéfice réalisé en rechargeant les véhicules est plus important
que la réduction de la facture du campus.

3.2 Février 2011

En février, le coût original de la facture électrique s’élève à 509 228,32 $ avec 9 064 529,99 kWh
consommés et un pic de puissance maximum de 16,98 MW.

Les résultats pour le mois de février 2011, détaillés dans le tableau 3.2, montrent les mêmes
problèmes discutés précédemment lorsqu’une valeur de puissance souscrite trop optimiste est
utilisée, 16 MW dans ce cas. Ces mauvais résultats affectent même la flotte de 100 Leafs cette
fois-ci.

Toutefois, le mois de février est plus intéressant que le mois de janvier puisqu’il contient plus
de pics répartis sur sa durée. Étant donnée l’importance de l’appel de puissance d’origine pour
ce mois, même une flotte de 400 Leafs ne peut pas achever la cible que constitue une puissance
de souscrite de 16,4 MW. Ces résultats constituent donc un bon exemple de l’importance de
la détermination de la valeur de la puissance souscrite avec autant de précision que possible
pour qu’un tel système puisse être implanté.

Dans les résultats obtenus avec une puissance souscrite de 16,4 MW, le système est toujours

52
 Table 3.2 – Résultats pour février 2011.
P max (MW) ∆ énergie (kWh) ∆ facture ($) Bénéf. util. ($)
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 16,66 16,66 3 144,58 3 088,26 -3 615,11 -3 617,03 -82,75 47,5
Prius

200 16,60 16,60 6 301,61 6 249,02 -4 278,63 -4 280,42 -123,99 178,74

300 16,56 16,56 9 224,3 9 208,82 -4 638,08 -4 638,61 -93,55 314,91
400 16,53 16,53 11 991,84 11 965,81 -4 877,81 -4 878,7 -49,95 446,64
100 16,60 16,60 11 083,56 11 271,37 -4 155,77 -4 149,37 151,3 462,14
200 16,57 16,57 22 395,45 22 907,48 -4 019,38 -4 001,94 680,11 1 110,03
Volt

300 16,58 16,58 32 810,74 33 883,81 -3 612,97 -3 576,42 1 253,54 1 740,58

400 16,59 16,59 42 429,44 44 142,77 -3 175,99 -3 117,63 1 824,39 2 334,04
100 16,48 16,48 16 677,41 16 440,37 -5 278,62 -5 286,7 -44,01 650,3
200 16,48 16,48 33 320,51 33 380,98 -4 746,15 -4 744,09 785,96 1 614,21
Leaf

300 16,48 16,48 47 703,16 49 290,7 -4 236,43 -4 182,35 1 625,48 2 524,66

400 16,50 16,50 60 721,18 64 209,15 -3 628,31 -3 509,5 2 470,0 3 392,93

17

16

15
Puissance en MW

14

13

12

11 Appel de puissance d'origine

Appel de puissance avec V2B
10
2 /2 0112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20112/20113/2011
0 0 0 0 0 0 0 0 0 0
01/0 02/0 03/0 04/0 05/0 06/0 07/0 08/0 09/0 10/ 11/ 12/ 13/ 14/ 15/ 16/ 17/ 18/ 19/ 20/0 21/0 22/0 23/0 24/0 25/0 26/0 27/0 28/0 01/0
Temps
Figure 3.3 – Appel de puissance pour le mois de février 2011 avec 400 Leafs et une puissance
souscrite de 16,4 MW.

bénéficiaire aussi bien pour les utilisateurs que pour le campus. Tout comme pour le mois de
janvier avec une puissance souscrite de 16 MW et des flottes de Volts et Leafs, ceci est dû à
une très forte réduction du pic d’appel de puissance maximum, avec jusqu’à 500 kW envoyé
des véhicules au campus.

La meilleure configuration pour ce mois survient avec une flotte de 400 Leafs pour une puis-
sance souscrite de 16,4 MW, le gain de la communauté atteint alors 6.902,43 $. Les représen-
tations graphiques de ce résultat sont données à la figure 3.3 pour l’appel de puissance et à
la figure 3.4 pour les échanges énergétiques. Il est apparent dans ces résultats que la flotte
de véhicules n’est que marginalement mise à contribution durant le mois, à l’exception du 16

53
 3500
B2V
3000 V2B

2500
Énergie en kWh

2000

1500

1000

500

0
eb 1
eb 1
eb 1
eb 1
eb 1
eb 1
eb 1
e 1
fe 1
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
fe 11
feb 11
11
2 f 201
3 f 201
4 f 201
5 f 201
6 f 201
7 f 201
8 f 201
9 f 201
10 b 201
11 b 20
12 b 20
13 b 20
14 b 20
15 b 20
16 b 20
17 b 20
18 b 20
19 b 20
20 b 20
21 b 20
22 b 20
23 b 20
24 b 20
25 b 20
26 b 20
27 b 20
28 b 20
20
eb
1f

Temps
Figure 3.4 – Échanges énergétiques V2B pour le mois de février 2011 avec 400 Leafs et une
puissance souscrite de 16,4 MW.

février où le plus gros pic de puissance intervient.

3.3 Mai 2011

En mai 2011, le coût original de la facture électrique s’élève à 534 464,13 $ avec un pic
d’appel de puissance maximum de 16,97 MW et une consommation énergétique totale de
9 239 864,39 kWh.

Les résultats pour ce mois sont les meilleurs que nous ayons obtenus. Le tableau 3.3 donne
ces résultats avec les différents paramètres donnés au système. Toutes les configurations de
simulation sont alors bénéficiaires aussi bien pour le campus que pour les utilisateurs, bien
que la cible que constitue une puissance souscrite de 16 MW ne puisse être atteinte.

Les flottes de Prius réalisent des performances particulièrement intéressantes pour le campus.
Alors que leur faible capacité énergétique pouvait être un handicap dans les simulations précé-
dentes, ce bridage permet ici de faire d’importantes économies sur la facture du campus quelle
que soit la puissance souscrite tout en bénéficiant aux utilisateurs.

Les résultats graphiques d’un cas équilibré avec 400 Leafs et une puissance souscrite de 16 MW
sont présentés dans la figure 3.5 pour l’appel de puissance et la figure 3.6 pour les échanges
énergétiques. Ces résultats montrent, tout comme pour le mois de février, que la contribution

54
 Table 3.3 – Résultats pour mai 2011.
P max (MW) ∆ énergie (kWh) ∆ facture ($) Bénéf. util. ($)
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 16,61 16,61 3 358,97 3 358,97 -4 591,94 -4 591,94 146,65 146,65
Prius

200 16,39 16,40 6 888,42 6 929,42 -7 350,86 -7 226,4 212,68 225,63

300 16,35 16,40 10 167,34 10 221,65 -7 808,13 -7 115,01 343,38 413,62
400 16,32 16,40 13 206,48 13 309,12 -8 011,46 -7 010,54 487,9 589,92
100 16,59 16,59 12 515,15 12 515,15 -4 595,84 -4 595,84 661,42 661,42
200 16,37 16,40 25 237,43 25 444,93 -7 032,77 -6 599,92 1 232,22 1 282,9
Volt

300 16,37 16,40 37 333,54 37 533,33 -6 551,93 -6 190,9 1 929,67 1 973,17

400 16,38 16,40 48 643,0 48 784,21 -6 056,99 -5 810,22 2 586,05 2 615,62
100 16,28 16,40 18 193,94 18 268,47 -8 409,34 -6 842,74 704,05 873,11
200 16,24 16,40 36 805,59 37 276,6 -8 260,95 -6 199,58 1 700,04 1 958,51
Leaf

300 16,25 16,40 54 403,73 55 226,15 -7 563,69 -5 592,24 2 719,93 2 983,47

400 16,26 16,40 70 874,48 72 066,88 -6 952,3 -5 022,4 3 667,86 3 945,11

de la flotte de véhicules est marginale et concentrée sur quelques jours. Ici, les 24, 30 et 31
sont les journées où la flotte de véhicule a le plus participé en V2B ; il se trouve qu’il s’agissait
des jours les plus chauds du mois. Le reste du temps, les véhicules sont simplement rechargés.

De plus, on peut observer l’ajustement apporté à la puissance souscrite via la mise à jour de
R dans la figure 3.5. En effet, les pics d’appel de puissance ne dépassent jamais 16 MW avant
le 24 mai. Mais comme la flotte de véhicules ne pouvait pas fournir assez de puissance ce jour
ci pour ramener le pic à 16 MW, une nouvelle valeur est utilisée pour les jours suivants. Cette
modification n’aura toutefois pas de conséquences en ce qui concerne l’énergie consommée sur
les jours suivants comme le démontre la figure 3.6.

Le mois de mai est particulier puisqu’il a vu la plus grande réduction de pic d’appel de
puissance avec les véhicules fournissant jusqu’à 730 kW au campus. Ce résultat n’était pas
atteignable pour les autres mois puisque la demande en puissance lors de pics était maintenue
pour une plus longue durée.

55
 17
16
15
Puissance en MW

14
13
12
11
10
9 Appel de puissance d'origine
Appel de puissance avec V2B
8
11 11 11 11 11 11 11 11 011 011 011 011 011 011 011 011 011 011 11 11 11 11 11 11 11 11 11 11 11 11
2 / 0 5/230/05/240/05/250/05/260/05/270/05/280/05/290/05/200/05/21/05/22/05/23/05/24/05/25/05/26/05/27/05/28/05/29/05/20/05/210/05/220/05/230/05/240/05/250/05/260/05/270/05/280/05/290/05/200/05/210/05/20
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3
Temps
Figure 3.5 – Appel de puissance pour le mois de mai 2011 avec 400 Leafs et une puissance
souscrite de 16 MW.

3500
B2V
3000 V2B

2500
Énergie en kWh

2000

1500

1000

500

0
3 may 20 1
4 may 20 1
5 m y 20 1
6 m y 20 1
7 m y 20 1
8 may 20 1
9 may 20 1
10 y 2 11
11 ay 2 11
12 ay 2 11
13 ay 2 11
14 ay 2 11
15 ay 2 11
16 ay 2 11
17 ay 2 11
18 ay 2 11
19 ay 2 11
20 ay 2 11
21 ay 2 11
22 ay 2 11
23 ay 2 11
24 ay 2 11
25 ay 2 11
26 ay 2 11
27 ay 2 11
28 ay 2 11
29 ay 2 11
30 ay 2 11
31 ay 2 11
y2 1
1
1
1
1
1
1
1
1

ma 01
01
2 may 20

m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
m 0
a
a
a

a
1m

Temps
Figure 3.6 – Échanges énergétiques V2B pour le mois 2011 avec 400 Leafs et une puissance
souscrite de 16 MW.

56
 1000

1000

Fitness 2000

3000

4000
Fitness sans V2B
5000 Fitness avec 100 Prius
Fitness avec 200 Prius
6000 Fitness avec 300 Prius
Fitness avec 400 Prius
7000
1 1 1 1 1 1 1 1 1 11 11 11 11 11 11 11 11 11 11 1 1 1 1 1 1 1 1 1 1 1 1
1 /2011/2011/2011/2011/2011/2011/2011/2011/20011/2001/2001/2001/2001/2001/2001/2001/2001/2001/20 1/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/2011/201
01/ 02/0 03/0 04/0 05/0 06/0 07/0 08/0 09/0 10/ 11/ 12/ 13/ 14/ 15/ 16/ 17/ 18/ 19/ 20/0 21/0 22/0 23/0 24/0 25/0 26/0 27/0 28/0 29/0 30/0 31/0
0
Temps

Figure 3.7 – Comparaison des fitness pour le mois de janvier avec des flottes de Prius.

1000

1000

2000
Fitness

3000

4000
Fitness sans V2B
5000 Fitness avec 100 Leaf
Fitness avec 200 Leaf
6000 Fitness avec 300 Leaf
Fitness avec 400 Leaf
7000
1 1 1 1 1 1 1 1 1 11 11 11 11 11 11 11 11 11 11 1 1 1 1 1 1 1 1 1
2 /2012/2012/2012/2012/2012/2012/2012/2012/20102/2002/2002/2002/2002/2002/2002/2002/2002/2002/20 2/2012/2012/2012/2012/2012/2012/2012/2012/201
01 02/0 03/0 04/0 05/0 06/0 07/0 08/0 09/0 10/ 11/ 12/ 13/ 14/ 15/ 16/ 17/ 18/ 19/ 20/0 21/0 22/0 23/0 24/0 25/0 26/0 27/0 28/0
/ 0
Temps

Figure 3.8 – Comparaison des fitness pour le mois de février avec des flottes de Leaf.

3.4 Fitness de l’optimisation

Les résultats obtenus par optimisation linéaire peuvent également être jugés directement en
observant la valeur retournée par la fonction objectif à la fin du processus d’optimisation. Les
figures 3.7 à 3.9 montrent ces valeurs, pour les quatre différentes tailles de flottes de véhicules
pour les exemples mis précédemment en exergue graphiquement. Ces indicateurs de perfor-
mance sont également comparés à la valeur de cette fonction objectif sans V2B.

Il est apparent dans ces graphiques que le processus d’optimisation est efficace lorsque sur-
viennent les pics de puissance puisque la valeur retournée est constamment supérieure à la

57
 2000

2000

4000
Fitness

6000

8000 Fitness sans V2B

Fitness avec 100 Leaf
Fitness avec 200 Leaf
10000 Fitness avec 300 Leaf
Fitness avec 400 Leaf
12000
11 11 11 11 11 11 11 11 11 011 011 011 011 011 011 011 011 011 011 11 11 11 11 11 11 11 11 11 11 11 11
5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/2005/2 05/2 05/2 05/2 05/2 05/2 05/2 05/2 05/2 05/2 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20 5/20
01/ 02/0 03/0 04/0 05/0 06/0 07/0 08/0 09/0 10/ 11/ 12/ 13/ 14/ 15/ 16/ 17/ 18/ 19/ 20/0 21/0 22/0 23/0 24/0 25/0 26/0 27/0 28/0 29/0 30/0 31/0
0
Temps

Figure 3.9 – Comparaison des fitness pour le mois de mai avec des flottes de Leaf.

valeur sans V2B, et ce quelle que soit la taille de la flotte de véhicules. Il est en revanche
plus difficile de discerner, lorsque l’appel de puissance du campus est inférieur à la puissance
souscrite, l’efficacité de cette optimisation. Ceci est dû à deux facteurs :
– La fonction objectif tient compte du coût de l’énergie pour le campus soustrait au coût
de l’énergie pour les particuliers. Cette valeur est donc plus faible que le gain réel des
utilisateurs, mais tient compte de la perte financière du campus pour être équitable.
– L’échelle écrase ce gain journalier modeste mais régulier et met en avant la performance
réalisée sur la réduction de la puissance.

3.5 État des véhicules

Une des préoccupations majeures dans la construction du modèle d’optimisation de la prise
de décision était le « bien-être » des véhicules en forçant à travers le paramètre Ei un état de
charge minimum lors du départ du véhicule. Les tableaux 3.4 à 3.6 présentent les statistiques
d’état de charge des véhicules lors de leur départ pour chaque mois. Pour les trois mois étu-
diés, il est notable que la moyenne d’état de charge lorsqu’un véhicule repart est très élevée :
elle s’approche ou atteint même la valeur maximum possible qui est 80% (en février et en
mai pour 16,4 MW de puissance souscrite). Ceci n’est pas surprenant puisque nous avons vu
que les véhicules étaient simplement rechargés la plupart du temps. En revanche, pour les
journées où la flotte de véhicules est mise à contribution, plusieurs véhicules ne repartent pas
complètement rechargés dans bien des configurations. Ces véhicules sont toutefois tous plus
chargés qu’à leur arrivée et à plus de 55,18% d’état de charge. Lors de ces journées à forts
pics de puissance, le système n’a en effet pas le temps de recharger tous les véhicules. Ceux
qui repartent le plus tôt en pâtissent alors, comme le véhicule avec l’identifiant « 151 » qui

58
 Table 3.4 – État de charge des véhicules lors de leur départ pour janvier 2011.
Moyenne Valeur min Valeur max Écart type
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 79,91 80,0 57,56 80,0 80,0 80,0 1,06 0,0
Prius

200 79,37 80,0 55,18 80,0 80,0 80,0 3,15 0,0

300 79,27 80,0 55,18 80,0 80,0 80,0 3,37 0,0
400 79,0 80,0 55,18 80,0 80,0 80,0 4,02 0,0
100 78,91 80,0 55,2 80,0 80,0 80,0 4,07 0,0
200 78,78 80,0 55,18 80,0 80,0 80,0 4,39 0,0
Volt

300 78,58 80,0 55,18 80,0 80,0 80,0 4,62 0,0

400 78,35 80,0 55,18 80,0 80,0 80,0 4,96 0,0
100 79,17 80,0 55,2 80,0 80,0 80,0 3,69 0,0
200 78,61 80,0 55,18 80,0 80,0 80,0 4,63 0,0
Leaf

300 78,33 80,0 55,18 80,0 80,0 80,0 5,04 0,0

400 78,21 80,0 55,18 80,0 80,0 80,0 5,26 0,0

Table 3.5 – État de charge des véhicules lors de leur départ pour février 2011.
Moyenne Valeur min Valeur max Écart type
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 79,33 79,72 56,66 57,0 80,0 80,0 3,15 2,08
Prius

200 78,79 79,64 55,18 55,24 80,0 80,0 4,26 2,4

300 78,62 79,57 55,18 55,18 80,0 80,0 4,55 2,63
400 78,65 79,5 55,18 55,18 80,0 80,0 4,56 2,87
100 78,32 79,44 55,2 55,2 80,0 80,0 4,92 2,96
200 78,24 79,36 55,18 55,18 80,0 80,0 5,1 3,24
Volt

300 78,06 79,35 55,18 55,18 80,0 80,0 5,38 3,26

400 77,92 79,33 55,18 55,18 80,0 80,0 5,63 3,36
100 79,0 79,49 56,04 56,04 80,0 80,0 3,9 2,88
200 78,8 79,42 55,18 55,18 80,0 80,0 4,3 3,06
Leaf

300 77,96 79,35 55,18 55,18 80,0 80,0 5,54 3,26

400 77,39 79,33 55,18 55,18 80,0 80,0 6,19 3,36

repart à 16h30 et se retrouve constamment le moins rechargé lors des journées mettant le plus
la flotte à contribution avec 55,18% d’état de charge.

Même sans instruction pour répartir l’énergie équitablement entre les véhicules, le système
fait donc un bon travail, la dispersion des états de charge autour de la moyenne reste assez
faible dans tous les cas et les véhicules disposent assurément de suffisamment d’énergie pour
faire le trajet de retour au domicile du propriétaire.

59
 Table 3.6 – État de charge des véhicules lors de leur départ pour mai 2011.
Moyenne Valeur min Valeur max Écart type
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 80,0 80,0 80,0 80,0 80,0 80,0 0,0 0,0
Prius

200 79,76 79,99 55,18 58,01 80,0 80,0 1,93 0,34

300 79,68 80,0 55,18 80,0 80,0 80,0 2,29 0,0
400 79,59 80,0 55,18 80,0 80,0 80,0 2,57 0,0
100 80,0 80,0 80,0 80,0 80,0 80,0 0,0 0,0
200 79,42 79,72 55,18 55,18 80,0 80,0 3,09 2,02
Volt

300 79,41 79,6 55,18 55,18 80,0 80,0 3,12 2,41

400 79,39 79,49 55,18 55,2 80,0 80,0 3,21 2,82
100 79,67 80,0 55,2 80,0 80,0 80,0 2,35 0,0
200 79,44 80,0 55,18 80,0 80,0 80,0 3,01 0,0
Leaf

300 79,43 80,0 55,18 80,0 80,0 80,0 3,05 0,0

400 79,41 80,0 55,18 80,0 80,0 80,0 3,14 0,0

3.6 Effet de l’amélioration des technologies de batteries

Nous avons démontré l’éventuelle viabilité financière du V2B avec des valeurs réalistes et des
technologies qui sont disponibles présentement. Toutefois de meilleurs résultats pourraient être
atteints dans le futur, ce qui serait une forte incitation à investir dans ce domaine de recherche
et déployer des systèmes à grande échelle.

Les tableaux 3.7 à 3.9 présentent les bénéfices utilisateurs en fonction de l’évolution du coût
des batteries. Il est en effet envisagé que deux facteurs affectent significativement ce coût.
Le premier facteur est l’augmentation de la longévité d’une cellule, celle-ci serait alors ca-
pable de subir plus de cycles pendant sa durée de vie utile. Le second facteur est les économies
d’échelle qui peuvent être réalisées dans la chaîne de production. Un de ces facteurs ou la com-
binaison des deux peut être donné à notre système à travers l’ajustement du paramètre Kwear .

En abaissant la valeur de Kwear , des configurations qui étaient précédemment néfastes à l’uti-
lisateur deviennent profitables, comme c’est le cas dans les tableaux 3.7 et 3.8 avec les flottes
de Prius ainsi qu’avec 100 Leafs pour une puissance souscrite de 16 MW en février 2011. Dans
tous les cas, cette évolution du coût des batteries à la baisse entraîne automatiquement un
accroissement du gain réalisé par les utilisateurs et augmente ainsi l’attractivité du V2B.

60
Table 3.7 – Bénéfice des utilisateurs pour différentes valeurs de Kwear en janvier 2011.
Bénéf. util. ($)
Kwear =0,2 Kwear =0,075 Kwear =0,0375
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 -132,49 166,4 63,37 175,76 122,13 178,56
Prius

200 -138,84 356,35 175,51 365,7 269,82 368,51

300 -67,39 535,72 311,11 545,07 424,66 547,88
400 -7,14 704,0 432,47 713,36 564,35 716,16
100 167,2 665,17 473,31 674,52 565,14 677,33
200 716,34 1 377,46 1 106,46 1 386,82 1 223,5 1 389,62
Volt

300 1 335,99 2 050,09 1 735,16 2 059,44 1 854,91 2 062,25

400 1 934,84 2 681,17 2 322,66 2 690,52 2 439,01 2 693,33
100 47,7 974,32 620,21 983,67 791,96 986,48
200 834,18 2 010,38 1 524,88 2 019,74 1 732,09 2 022,54
Leaf

300 1 790,42 2 988,75 2 451,56 2 998,1 2 649,9 3 000,91

400 2 691,37 3 906,68 3 321,85 3 916,03 3 511,0 3 918,84

Table 3.8 – Bénéfice des utilisateurs pour différentes valeurs de Kwear en février 2011.
Bénéf. util. ($)
Kwear = 0,2 Kwear = 0,075 Kwear = 0,0375
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 -82,75 47,5 74,67 124,82 121,89 148,02
Prius

200 -123,99 178,74 166,36 285,61 253,46 317,68

300 -93,55 314,91 278,68 441,49 390,35 479,47
400 -49,95 446,64 390,96 588,65 523,23 631,25
100 151,3 462,14 440,31 571,05 527,01 603,72
200 680,11 1 110,03 1 039,4 1 228,87 1 147,19 1 264,52
Volt

300 1 253,54 1 740,58 1 625,62 1 857,15 1 737,24 1 892,13

400 1 824,39 2 334,04 2 183,51 2 446,02 2 291,24 2 479,62
100 -44,01 650,3 553,89 823,42 733,26 875,35
200 785,96 1 614,21 1 456,11 1 789,39 1 657,15 1 841,94
Leaf

300 1 625,48 2 524,66 2 284,68 2 698,65 2 482,44 2 750,85

400 2 470,0 3 392,93 3 068,49 3 557,09 3 248,04 3 606,33

61
 Table 3.9 – Bénéfice des utilisateurs pour différentes valeurs de Kwear en mai 2011.
Bénéf. util. ($)
Kwear =0,2 Kwear =0,075 Kwear =0,0375
16 MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW
100 146,65 146,65 173,75 173,75 181,88 181,88
Prius

200 212,68 225,63 321,1 327,68 353,62 358,3

300 343,38 413,62 485,73 515,67 528,43 546,29
400 487,9 589,92 647,66 691,97 695,59 722,59
100 661,42 661,42 693,36 693,36 702,94 702,94
200 1 232,22 1 282,9 1 357,57 1 384,95 1 395,18 1 415,57
Volt

300 1 929,67 1 973,17 2 050,98 2 075,23 2 087,38 2 105,84

400 2 586,05 2 615,62 2 701,01 2 717,67 2 735,5 2 748,29
100 704,05 873,11 905,0 975,16 965,29 1 005,78
200 1 700,04 1 958,51 1 941,06 2 060,57 2 013,37 2 091,18
Leaf

300 2 719,93 2 983,47 2 951,95 3 085,52 3 021,56 3 116,14

400 3 667,86 3 945,11 3 895,43 4 047,16 3 963,7 4 077,78

3.7 Conclusion
Dans ce chapitre, nous avons présenté les résultats obtenus avec les modélisations réalisées,
implantées dans un simulateur. Ces résultats issus d’expérimentations variées de par la diver-
sité des paramètres considérés offrent des perspectives encourageantes pour la mise en place
de systèmes V2B puisqu’il est démontré que tous les acteurs peuvent en bénéficier. Des limita-
tions existent cependant dans ces travaux, certaines paramétrisations n’étant pas avantageuses
pour tous les acteurs. Il s’agit toutefois de cas limite qui peuvent être évités.

62
Conclusion

En utilisant des données réelles et des patrons de comportement réalistes générés aléatoire-
ment, notre projet démontre la viabilité financière du V2B à la fois pour l’organisme hôte que
pour les propriétaires de véhicules dans le contexte d’un marché électrique fortement régle-
menté comme celui du Québec, sous condition que la puissance souscrite et la taille de la flotte
de véhicules soient en accord.

L’avantage d’un tel système pour le fournisseur d’électricité n’est toutefois pas pris en compte
dans ce projet mais il ne serait pas surprenant qu’être capable de prédire avec plus de précision
la demande en puissance de ses clients soit d’intérêt pour Hydro-Québec. De plus, si un tel
système se généralisait, la capacité de réduire les pics d’appel de puissance de manière signi-
ficative permettrait sans doute d’augmenter la stabilité du réseau et de prévenir la nécessité
d’augmenter les capacités de production électrique à seule fin de satisfaire ces pics. Ceci dit,
il est connu que l’entreprise Hydro-Québec est intéressée par le V2G et procède elle-même à
des expérimentations 2 .

Contributions
Les contributions apportées par ce mémoire sont les suivantes :
– Une modélisation de flottes de véhicules et de ses interactions bidirectionnelles avec un
complexe immobilier. Cette modélisation adaptée au contexte d’un marché électrique ré-
glementé comme c’est le cas au Québec est implantée dans un simulateur. Ce simulateur
qui possède plusieurs modes de fonctionnement grâce à des possibilités de paramétri-
sation étendues, peut s’exécuter sur une grappe de calculs relativement simplement et
produit en sortie toute l’information nécessaire pour l’analyse des résultats et du pro-
cessus de simulation lui-même.
– Un modèle d’optimisation linéaire pour la planification de charge bidirectionnelle adapté
au modèle de facturation « client grande puissance » dans le marché électrique réglementé

2. http://nouvelles.hydroquebec.com/fr/communiques-de-presse/65/

63
 québécois. Ce modèle maximise les gains du complexe électrique hôte ainsi que des
propriétaires de véhicules participant tout en assurant le « bien être » des véhicules. C’est
à notre connaissance le premier travail réalisé dans le contexte d’un marché électrique
réglementé.
– L’application du processus d’optimisation aux données électriques réelles de l’Université
Laval selon plusieurs paramétrisations, avec l’obtention de résultats optimaux pouvant
guider les travaux futurs. Ces résultats montrent une marge de manœuvre financière
intéressante pour l’ensemble des acteurs du système avec la technologie présente et des
possibilités futures encore plus prometteuses.

Travaux futurs
Une limitation importante de cette étude est qu’aussi bien la demande en puissance du cam-
pus que la planification des allers et venues des véhicules sont connues pour chaque journée et
directement utilisées par la méthode d’optimisation. Il n’est évidemment pas possible d’avoir
ces informations à l’avance en pratique et les résultats exposés doivent donc être considérés
comme la barre haute de ce que le V2B peut réaliser avec les configurations considérées.

Les travaux futurs incluent de plus amples expérimentations où le processus d’optimisation

se verrait donner des prévisions d’appel de puissance et d’occupation des stationnements par
les véhicules. Les travaux présentés constitueraient alors la base nécessaire pour effectuer une
comparaison des performances d’un tel système. L’utilisation de méthodes en-ligne venant du
domaine de l’apprentissage par renforcement [43] est également à considérer pour remplacer
la programmation linéaire dans la production de la planification de charge. Ces méthodes ne
nécessitent pas la connaissance préalable des appels de puissance et de la planification de sta-
tionnement des véhicules. En comparant les résultats obtenus avec ces approches avec ceux
rapportés grâce à ce projet, il serait alors possible d’évaluer leurs performances au regard de
résultats optimaux.

Enfin, quelles que soient les méthodes employées dans le futur, il serait pertinent dans le
contexte de l’Université Laval, d’inclure la planification du fonctionnement de la chaudière
électrique dans un système cohérent où la régulation de la demande électrique, aussi bien à la
hausse qu’à la baisse, serait intégrée.

64
Bibliographie

[1] Lyonel Baum. Les voitures électriques et leurs sources d’énergie. http://knol.google.
com/k/les-voitures-électriques-et-leurs-sources-d-énergie.

[2] Rechargeit, un projet de google.org. http://www.google.org/recharge/.

[3] Ac propulsion. http://www.acpropulsion.com/.

[4] Fabio Ferrari. Bref comparatif des technologies de batteries. http://www.symbiocars.

com/symbiocars/JO/index.php?option=com_content&view=article&id=9:
bref-comparatif-des-technologies-de-batteries&catid=3:batteries&Itemid=14.

[5] Lead-acid battery. http://www.daviddarling.info/encyclopedia/L/AE_lead-acid_

battery.html.

[6] J.-M. Tarascon et M. Armand. Issues and challenges facing rechargeable lithium batteries.
Nature, 414, 2001.

[7] Ian E. Maxwell. Nanotech innovation. In Managing Sustainable Innovation, pages 1–6.
Springer US, 2009.

[8] A123systems. http://www.a123systems.com/lithium-iron-phosphate-battery.htm.

[9] AltairNano. Nanosafe battery technology. http://www.altairnano.com; http://

konoctieaa.org/news/articles/NanoSafeBackgrounder060920.pdf, 2006.

[10] Altairnano. http://www.altairnano.com.

[11] B. Kang et G. Ceder. Battery materials for ultrafast charging and discharging. Nature,
(458):190–193, 2009. doi:10.1038/nature07853.

[12] Mihai Duduta et Bryan Ho et Vanessa C. Wood et Pimpa Limthongkul et Victor E.

Brunini et W. Craig Carter et Yet-Ming Chiang. Semi-solid lithium rechargeable flow
battery. Advanced Energy Materials, 1(4):511–516, 2011.

[13] USA Department Of Energy. The recovery act: Transforming america’s transportation
sector. batteries and electric vehicles. 2010.

65
[14] Rocky mountain institute. http://www.rmi.org/.

[15] Rocky Mountain Institute, MOVE’s Smart Garage Charette report. http://www.rmi.
org/Knowledge-Center/Library/2008-14_SmartGarageCharetteReport, 2008.

[16] W. Kempton et J. Tomić et S. Letendre et A. Brooks et T. Lipman. Vehicle-to-Grid

power: Battery, hybrid, and fuel cell vehicles as resources for distributed electric power
in California. http://escholarship.org/uc/item/0qp6s4mb, 2001.

[17] W. Kempton et J. Tomić. Vehicle-to-grid power fundamentals: Calculating capacity and

net revenue. Journal of Power Sources, 2004. doi:10.1016/j.jpowsour.2004.12.025.

[18] W. Tomić, J. et Kempton. Using fleets of electric-drive vehicles for grid support. Journal
of Power Sources, 168(2):459–468, 2007.

[19] W. Kempton et J. Tomić. Vehicle-to-grid power implementation: From stabilizing

the grid to supporting large-scale renewable energy. Journal of power sources, 2004.
doi:10.1016/j.jpowsour.2004.12.022.

[20] H. Lund et W. Kempton. Integration of renewable energy into the trans-

port and electricity sectors through V2G. Energy Policy, (36):3578–3587, 2008.
doi:10.1016/j.enpol.2008.06.007.

[21] A. N. Brooks. Vehicle-to-grid demonstration project: Grid regulation ancillary service

with a battery electric vehicle, 2002.

[22] T. B. Gage. Development and evaluation of a plug-in HEV with Vehicle-to-Grid power
flow. http://www.arb.ca.gov/research/icat/projects/acprop.pdf or http://www.
udel.edu/V2G/docs/ICAT%2001-2-V2G-Plug-Hybrid.pdf, 2003.

[23] W. Kempton et V. Udo et K. Huber et K. Komara et S. Letendre et S. Baker et

D. Brunner et N. Pearre. A test of vehicle-to-grid (V2G) for energy storage and fre-
quency regulation in the PJM system. http://www.magicconsortium.org/_Media/
test-v2g-in-pjm-jan09.pdf, 2008-2009.

[24] H. Sekyung et H. Soohee et K. Sezaki. Estimation of achievable power capacity from plug-
in electric vehicles for V2G frequency regulation: Case studies for market participation.
IEEE Transactions on Smart Grid, 2(4):632–641, 2011.

[25] E. Sortomme et M.A. El-Sharkawi. Optimal scheduling of Vehicle-to-Grid energy and

ancillary services. IEEE Transactions on Smart Grid, 3(1):351–359, 2012.

[26] A. Ashtari et E. Bibeau et S. Shahidinejad et T. Molinski. PEV charging profile prediction

and analysis based on vehicle usage data. IEEE Transactions on Smart Grid, 3(1):341–
350, 2012.

66
[27] S. Shahidinejad et S. Filizadeh et E. Bibeau. Profile of charging load on the grid due to
plug-in vehicles. IEEE Transactions on Smart Grid, 3(1):135–141, 2012.

[28] Sandra Céspedes et Xuemin (Sherman) Shen. A framework for ubiquitous IP communi-
cations in Vehicle to Grid networks. 2011.

[29] A. Brooks et E. Lu et D. Reicher et C. Spirakis et B. Weihl. Demand dispatch. IEEE

Power and Energy Magazine, 8(3):20–29, 2010.

[30] C. Sandels et U. Franke et N. Ingvar et L. Nordstrom et R. Hamren. Vehicle to Grid –

Monte Carlo simulations for optimal aggregator strategies. In 2010 International Confe-
rence on Power System Technology (POWERCON), pages 1–8, 2010.

[31] H. Sekyung et H. Soohee et K. Sezaki. Development of an optimal Vehicle-to-Grid ag-

gregator for frequency regulation. IEEE Transactions on Smart Grid, 1(1):65–72, 2010.

[32] C. Hutson et G. K. Venayagamoorthy et K. A. Corzine. Intelligent scheduling of hybrid

and electric vehicle storage capacity in a parking lot for profit maximization in grid power
transactions. IEEE Energy 2030 Conference, pages 1–8, 2008.

[33] G. K. Venayagamoorthy et P. Mitra et K. Corzine et C. Huston. Real-time modeling of

distributed plug-in vehicles for V2G transactions. 2009.

[34] V.W.S. Wenbo Shi et Wong. Real-time Vehicle-to-Grid control algorithm under price
uncertainty. In 2011 IEEE International Conference on Smart Grid Communications
(SmartGridComm), pages 261–266, 2011.

[35] Wencong Su et Mo-Yuen Chow. Performance evaluation of an EDA-based large-scale

plug-in hybrid electric vehicle charging algorithm. IEEE Transactions on Smart Grid,
3(1):308–315, 2012.

[36] C. Battistelli et L. Baringo et A.J. Conejo. Optimal energy management of small electric
energy systems including V2G facilities and renewable energy sources. Electric Power
Systems Research, 92(0):50–59, 2012.

[37] T. Sousa et H. Morais et Z. Vale et P. Faria et J. Soares. Intelligent energy resource

management considering Vehicle-to-Grid: A simulated annealing approach. In Power
and Energy Society General Meeting, 2012 IEEE, pages 1–1, 2012.

[38] C. Pang et P. Dutta et M. Kezunovic. BEVs/PHEVs as dispersed energy storage for V2B
uses in the smart grid. IEEE Transactions on Smart Grid, 3(1):473–482, 2012.

[39] W. Chenye et H. Mohsenian-Rad et H. Jianwei. Vehicle-to-Aggregator interaction game.

IEEE Transactions on Smart Grid, 3(1):434–442, 2012.

67
[40] Y. Ota et H. Taniguchi et T. Nakajima et K.M. Liyanage et J. Baba et A. Yokoyama. Au-
tonomous distributed V2G (Vehicle-to-Grid) satisfying scheduled charging. IEEE Tran-
sactions on Smart Grid, 3(1):559–564, 2012.

[41] P. Richardson et D. Flynn et A. Keane. Local versus centralized charging strategies for
electric vehicles in low voltage distribution systems. IEEE Transactions on Smart Grid,
3(2):1020–1028, 2012.

[42] GNU Linear Programming Kit, version 4.48. http://www.gnu.org/software/glpk/

glpk.html. Dernière visite le 05/07/2013.

[43] Richard S. Sutton et Andrew G. Barto. Reinforcement Learning: An Introduction. MIT

Press, 1998.

68
Annexe A

Simulateur en Python

Le logiciel conçu pour simuler des flottes de véhicules et implanter le modèle linéaire imaginé
repose sur le langage de programmation Python. Ce choix s’explique par la facilité et la rapi-
dité avec laquelle on peut créer des programmes complexes tout en gardant un aspect élégant
et compréhensible. Si les performances de ce langage interprété sont moins intéressantes que
celles de langages compilés comme le C ou le C++, elles restent néanmoins satisfaisantes.

La boucle événementielle du simulateur repose sur le paquet SimPy 1 . Ce paquet libre et gra-
tuit publié sous licence GNU Lesser GPL permet d’obtenir aisément la base d’un simulateur
à événements discrets avec des processus actifs, des ressources finies ainsi que les outils néces-
saires pour l’échange de messages entre les acteurs et la collecte de données lors du processus
de simulation.

Le programme est fait pour être exécuté en ligne de commande en traitement par lot sur un
supercalculateur ; de ce fait le programme principal accepte un grand nombre de paramètres :

– -b, –begin=’01/05/2011 00:00’ : Date de départ de la simulation.

– -e, –end=’01/06/2011 00:00’ : Date de fin de la simulation.
– -f, –file=’ULConsumptionMay.csv’ : Fichier contenant les informations d’appel de puis-
sance. Si le chemin est relatif, alors le fichier sera sélectionné relativement au répertoire
« Data » du simulateur.
– -c, –cars=entier : Nombre de véhicules simulés.
– -C, –chargetype=[stupid|smart|V2B] : Mode de simulation, exclusif à l’utilisation de la
programmation linéaire.
« stupid » charge les véhicules dès leur branchement quelle que soit la situation en

1. Simulation in Python : http://simpy.sourceforge.net/

69
 termes d’appel de puissance.
« smart » charge les véhicules en fonction de l’appel de puissance en évitant de dépasser
la puissance souscrite.
« V2B » est une heuristique qui agit comme « smart » pour la recharge de véhicules
mais décharge également les véhicules lors de dépassements de la puissance souscrite.
– -l, –linear-programming=[1-10] : Utiliser la programmation linéaire en spécifiant la ver-
sion du modèle à utiliser, exclusif à l’utilisation des heuristiques.
– -n, –nofit : Ne pas ajuster une courbe aux données disponibles, utiliser les données brutes.
– -o, –out=’chemin/vers/dossier’ : Chemin vers le dossier où les résultats seront sauvegar-
dés.
– -O, –oracle-future=[0..x] : Utiliser les données d’appel de puissance à x pas de temps
dans le futur, utilisé en conjonction avec les heuristiques.
– -p, –powersubscription=entier : Puissance souscrite en Watts (exemple : 16400000).
– -P, –prior : Chemin vers le fichier contenant l’appel de puissance maximum précédent (i.e.
résultats pour la journée précédente lors de l’utilisation de la programmation linéaire).
– -s, –timestep=flottant : Durée d’un pas de temps en minutes.
– -T, –cartype=[prius|volt|leaf] : Sélection du type de véhicule simulé (change la capacité
de la batterie et le chargeur)
– -w, –withboiler : Simuler avec les données électriques contenant la consommation de la
chaudière électrique.
– -W, –wear : Fixer kwear , paramètre de dégradation de la batterie lors de la décharge en
$/kWh.

L’architecture logicielle du programme est simple, faite pour privilégier une faible empreinte
mémoire et une plus grande rapidité d’exécution plutôt que la pureté d’un modèle objet
complexe. Ainsi, outre le programme principal, seuls trois modules forment l’entièreté du
simulateur.

A.1 Le module Aggregator

Le module « Aggregator » représente l’agrégateur responsable de la prise de décision pour les
échanges V2B. Il s’agit de la pièce centrale du simulateur, un processus qui va communiquer
avec tous les autres objets. Étant donné son caractère unique, il répond au patron de concep-
tion singleton qui limite l’instanciation de la classe contenue dans le module à un seul objet.

Lors de son instanciation, l’objet est responsable de la création des conditions expérimentales
et, le cas échéant, de la poursuite du processus de simulation en tenant compte des résul-
tats précédents. Ainsi, il charge s’il y a lieu les résultats précédents pour ajuster la puissance

70
souscrite à utiliser lors de l’utilisation de la programmation linéaire. C’est également lui qui
instancie et possède « PowerOracle » qui est responsable de fournir les valeurs d’appel de
puissance de même que le générateur de véhicules. Enfin, une série de variables initialisées
consignent, au fil de la simulation, des observations sur la consommation électrique, le nombre
de véhicules branchés ou encore l’état de charge de véhicules.

Dans le cas où la programmation linéaire est utilisée, la méthode principale « Run » se dé-
compose en deux parties. Dans un premier temps, avant de lancer la simulation, le modèle
linéaire est construit et résolu à l’aide de GLPK [42]. Dans un deuxième temps, une boucle
infinie va se charger de la simulation. À chaque pas de temps, l’état des véhicules est mis à jour
et le nouvel état est consigné dans les variables d’observation. Puis les décisions obtenues par
programmation linéaire sont appliquées ; on consigne alors les observations d’appel de puis-
sance modifié et d’énergie consommée avant de se rendormir pour la durée d’un pas de temps.
Cette boucle infinie est arrêtée par le programme principal, puisque SimPy est paramétré pour
conduire la simulation pendant une certaine durée.

A.2 Le module PowerOracle

Le module « PowerOracle » est responsable du chargement et de la communication des valeurs
d’appel de puissance. Lors de son instanciation, l’objet va charger en mémoire les données per-
tinentes à la période de simulation contenues dans le fichier passé en paramètre au programme
principal. Une fois ces données chargées, elles peuvent être altérées si l’option « –nofit » n’est
pas utilisée. Dans ce cas, un lissage par filtre Gaussien est appliqué aux données puis une
fonction est déterminée par ajustement polynomial dont le degré est paramétrable. Avec le jeu
de données dont nous disposons et la méthodologie expérimentale employée, cette altération
n’est pas nécessaire mais est utile si l’on souhaite abaisser la durée des pas de temps.

Cet oracle peut par la suite, en fonction de son mode de fonctionnement, renvoyer pour
tout pas de temps la valeur de l’appel de puissance, soit approximée par une fonction si il
y a ajustement polynomial, soit la valeur disponible la plus proche dans le temps avec une
recherche dichotomique.

A.3 Le module Car

Le module « Car » comporte deux classes distinctes. « CarSource » est un générateur d’ob-
jets de la classe « Car » qui suit la paramétrisation donnée dans le Tableau 2.2, son rôle
se limite ainsi à instancier le nombre de véhicules voulus en utilisant les paramètres donnés
au programme principal et de déterminer l’heure d’arrivée à laquelle les objets seront activés

71
et l’heure de départ à laquelle ils seront débranchés. Cette classe est également capable de
générer des plannings mensuels lorsque la simulation utilise une heuristique.

La classe « Car » représente un véhicule et possède toutes les variables représentant ses ca-
ractéristiques techniques ; chaque objet est un processus capable d’envoyer le signal de départ.
Lors de son instanciation, les paramètres propres au type de véhicule voulu sont initialisés
avec son état de charge et la valeur minimum requise lors de son départ, Ei . La méthode
principale de cette classe, « arrive » enregistre le véhicule auprès de l’agrégateur, ce qui si-
mule le branchement, puis se met en sommeil jusqu’à son départ. Lorsque l’événement départ
survient, l’objet signifie son départ à l’agrégateur, ce qui simule le fait de se débrancher, et
l’objet affiche un résumé de sa session.

Une fois la simulation terminée, le programme principal va sauvegarder plusieurs fichiers dans
le répertoire donné en paramètre :

– out.txt : historique complet de la simulation retraçant les arrivées et les départs ainsi
que tous les échanges électriques. Ce fichier est utile pour le débogage.
– consumption_results.csv : ce fichier contient, pour chaque pas de temps, l’appel de
puissance d’origine et l’appel de puissance avec V2B.
– prior_power.pkl : ce fichier contient les valeurs des pics maximum, il sert donc à adapter
R et Rw pour les simulations suivantes si besoin est.
– soc.pkl : ce fichier contient l’historique de l’état de charge pour chaque véhicule.
– takenelectricity.pkl : ce fichier contient l’historique, pour chaque pas de temps, des
échanges énergétiques V2B.
– bill.txt : il s’agit d’une facture présentée comme une facture Hydro-Québec, avec détails
des calculs.
– un graphique de puissance sur la période de simulation.
– un graphique des échanges énergétiques sur la période de simulation.
– un diagramme en boîte présentant l’évolution de l’état de charge des véhicules sur la
période de simulation.

72
Annexe B

Récolte de données du véhicule de

recherche

Le groupe de travail sur le V2G à l’Université Laval dispose d’une Toyota Prius modifiée
pour ses expérimentations. Cette voiture dispose d’un système d’acquisition de données pour
étudier le comportement matériel du véhicule. Une partie du travail concernait le stockage de
ces données ainsi que l’accès ultérieur à celles-ci. Étant donnée la distance de ses tâches au
sujet principal présenté dans ce mémoire, elles ne sont évoquées que succinctement en annexe.

B.1 Base de données

Les données récoltées à bord du véhicules sont variées et sont séparées en trois sources :

– Les informations sur le CAN bus du véhicule

– Les senseurs sur le bloc batterie

– Les données GPS

La récolte pouvant se faire à haute fréquence (10 Hz) un système de base de données capable
d’avoir une représentation fine du temps devait être choisi. PostgreSQL 1 a donc été choisi
pour cette caractéristique en plus d’être libre et gratuit.

Le design de la base de données devait être multi-utilisateurs et multi-véhicules et tenir compte

des différentes sources qui ont chacune leur propre fréquence de récolte de données. Cette base
devait également être robuste, sa structure devant assurer l’intégrité des données. La figure B.1
montre la structure initiale de cette base de données avec les différentes tables reliées entre
elles avec des contraintes de clef étrangère pour assurer cette intégrité des données.

1. http://www.postgresql.org/

73
Figure B.1 – Structure originale de la base de données stockant les données du véhicule de
recherche à l’Université Laval.

Étant donné le volume de données à traiter et pour éviter de longues requêtes à la base de
données, trois tables supplémentaires ont été ajoutées par la suite pour chaque source de
données pour pré-traiter ces données en amalgamant une minute de données en une entrée.

B.2 Importation des données

Le véhicule dispose d’un lien GSM et téléverse régulièrement les données récoltées sur le ser-
veur du groupe. Les fichiers envoyés sont des archives compressées contenant chacune une
minute de données. Plutôt que d’utiliser un démon qui scruterait périodiquement le répertoire
d’arrivée de ces données pour les traiter, la solution mise en place repose sur les notifications

74
du noyau Linux grâce au module python pyinotify 2 .

Lorsqu’un fichier est créé dans le répertoire d’arrivée, un signal est envoyé au programme
avec le chemin de ce fichier ; il peut alors décompresser l’archive, charger le fichier csv qu’elle
renfermait, valider les données puis les insérer dans la base de données. Le code de cet outil
d’importation, originellement écrit par mes soins puis modifié par les professionnels de re-
cherche attaché au projet, est trop verbeux et pas suffisamment intéressant pour être inclus
ici.

B.3 Accès aux données

L’accès aux données stockées par le système se fait par l’intermédiaire du protocole SOAP 3 .
Ce protocole basé sur le langage XML 4 permet l’échange d’informations de manière standar-
disée par le protocole HTTP 5 dans l’optique d’être inter-opérable avec différents langages de
programmation. Le système repose sur le serveur Apache 6 avec plusieurs modules nécessaires :

– mod_ssl : permet de chiffrer les échanges entre le client et le serveur rendant la connexion
sécurisée.
– mod_auth_pgsql : permet d’authentifier les utilisateurs du service SOAP avec les entrées
contenues dans la base de données PostgreSQL.
– mod_wsgi : permet d’utiliser le langage python pour développer une application web.

Le service web réalisé utilise le langage de programmation python avec le module soaplib 7
pour les échanges protocolaires avec les clients et le module psycopg2 8 pour l’accès à la base
de données.

Un ensemble de méthodes est défini dans le service pour autoriser l’acquisition et la modifi-
cation de données présentes dans la base de données. Nous allons simplement exposer ici le
contenu de l’API ne nécessitant pas de privilèges administrateur.

– getMeasureNames()
Cette méthode renvoie la liste des mesures disponibles en base de données pouvant être
2. https://github.com/seb-m/pyinotify
3. http://www.w3.org/TR/soap/
4. http://www.w3.org/XML/
5. http://fr.wikipedia.org/wiki/Hypertext_Transfer_Protocol
6. http://httpd.apache.org/
7. https://github.com/soaplib/soaplib
8. http://pythonhosted.org/psycopg2/

75
 passées en paramètre de la méthode getData ainsi que la description de ce que sont ces
mesures.
– getDataRangeDate(carid, measure, tz)
Cette méthode renvoie les dates correspondant à la première et la dernière entrée d’une
mesure pour un véhicule spécifié et formate ce temps en fonction du fuseau horaire
sélectionné par tz (par défaut : America/Montreal).
– getData(carid, begin, end, measures, nbdata, gap, avg, min, max)
cette méthode renvoie des séries de données temporelles en fonction des arguments passés
en paramètre :
– carId : argument obligatoire, identifiant du véhicule pour lequel on veut récupérer
des données.
– begin : argument obligatoire, date de début pour l’obtention des données.
– end : argument obligatoire, date de fin d’obtention des données. Ce paramètre ne
peut être égal à begin.
Si le laps de temps entre begin et end est inférieur à une heure, alors les données
brutes seront utilisées au lieu des données pré-traitées à la minute.
– measures : argument obligatoire, il s’agit de la liste des noms de mesures telles
qu’obtenues avec la méthode getMeasureNames que l’on souhaite récupérer.
Si une liste vide est passée en paramètre, alors les données pour toutes les mesures
disponibles seront renvoyées.
– nbdata : exclusif à gap, entier donnant le nombre de valeurs à retourner pour chaque
série temporelle.
– gap : exclusif à nbdata, flottant donnant l’écart attendu entre chaque point de
données dans les séries temporelles renvoyées.
– avg : booléen qui ordonne l’utilisation des tables de valeurs moyennées à la minute
si défini.
– min : booléen utilisé en conjonction avec avg, permet d’obtenir la valeur minimum
sur la minute également.
– max : booléen utilisé en conjonction avec avg, permet d’obtenir la valeur maximum
sur la minute

76