Modélisation et optimisation de la recharge bidirectionnelle de véhicules électriques

Transcription

1 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

2

3 Résumé La démocratisation des véhicules hybrides branchables ainsi que des véhicules purement électriques 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 acteurs 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 véhicules 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

4

5 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

6

7 Table des matières Résumé Abstract Table des matières Liste des tableaux Liste des figures Remerciements iii v vii ix xi xvii Introduction 1 1 État de l art Les différentes technologies de véhicules électriques Les véhicules hybrides Les véhicules purement électriques Le stockage de l énergie Les différents types de batteries Les différents moyens de recharge V2G - Smart Grid Définitions Recherches des pionniers Recharge intelligente Conclusion Modélisation et optimisation de la recharge bidirectionnelle Modèle du système Modèle de facturation Données utilisées Véhicules considérés Modèle d optimisation Paramétrisation du modèle Simulateur Conclusion Résultats expérimentaux Janvier vii

8 3.2 Février Mai Fitness de l optimisation État des véhicules Effet de l amélioration des technologies de batteries Conclusion Conclusion 63 Bibliographie 65 A Simulateur en Python 69 A.1 Le module Aggregator A.2 Le module PowerOracle A.3 Le module Car B Récolte de données du véhicule de recherche 73 B.1 Base de données B.2 Importation des données B.3 Accès aux données viii

9 Liste des tableaux 1.1 Tableau comparatif des technologies de batteries actuelles Les différents modes de recharge du connecteur IEC européen Propriétés des véhicules Paramètres de simulation Paramètres du modèle Résultats pour janvier Résultats pour février Résultats pour mai État de charge des véhicules lors de leur départ pour janvier État de charge des véhicules lors de leur départ pour février État de charge des véhicules lors de leur départ pour mai Bénéfice des utilisateurs pour différentes valeurs de K wear en janvier Bénéfice des utilisateurs pour différentes valeurs de K wear en février Bénéfice des utilisateurs pour différentes valeurs de K wear en mai ix

10

11 Liste des figures 1.1 Architecture de l hybride parallèle Architecture de l hybride série Architecture de l hybride à dérivation de puissance La Toyota Prius III VHER modèle d essai prêté à l Université Laval La Chevrolet Volt L accumulateur expérimental de Gaston Planté Composition d une batterie plomb acide actuelle Batterie Ni-Mh d une Toyota Prius seconde génération Schémas représentant les différents design de batteries Li-ion actuelles Comparaison des batteries actuelles en terme de densité gravimétrique et volumétrique Comparaison de la structure du graphite avec le Lithium-Titanate Prévisions d évolution du coût des batteries Prévisions d évolution des batteries Vision d ensemble des acteurs et défis à relever pour faire du SmartGarage une réalité Schéma de l architecture du système de contrôle V2G envisagé par AC Propulsion Schéma de l architecture du système de régulation envisagé par AC Propulsion Photo du stand de démonstration de la ebox modifiée par Kempton et coll Régulation pendant la nuit avec des demandes de régulation à la baisse dominantes (charge de la batterie) Consommation électrique réelle à l Université Laval en mai Consommation électrique réelle à l Université Laval sans chaudière électrique en mai Flot d exécution d une simulation journalière Appel de puissance pour le mois de janvier 2011 avec 400 Prius et une puissance souscrite de 16 MW Échanges énergétiques V2B pour le mois de janvier 2011 avec 400 Prius et une puissance souscrite de 16 MW Appel de puissance pour le mois de février 2011 avec 400 Leafs et une puissance souscrite de 16,4 MW Échanges énergétiques V2B pour le mois de février 2011 avec 400 Leafs et une puissance souscrite de 16,4 MW Appel de puissance pour le mois de mai 2011 avec 400 Leafs et une puissance souscrite de 16 MW xi

12 3.6 Échanges énergétiques V2B pour le mois 2011 avec 400 Leafs et une puissance souscrite de 16 MW Comparaison des fitness pour le mois de janvier avec des flottes de Prius Comparaison des fitness pour le mois de février avec des flottes de Leaf Comparaison des fitness pour le mois de mai avec des flottes de Leaf B.1 Structure originale de la base de données stockant les données du véhicule de recherche à l Université Laval xii

13 À Cassis xiii

14

15 Ce n est pas parce que je suis paranoïaque qu ils ne sont pas tous après moi. Pierre Desproges xv

16

17 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 performants 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

18

19 Introduction L électricité, après la découverte du feu et la maîtrise de l agriculture a été un facteur déterminant 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 conséquentes. 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 infrastructures 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 amenuisent, 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 grandement accentués. 1

20 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 immobilier 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 optimisation 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 véhicules, 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

21 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 financièrement 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 électriques 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 optimisation 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 participants. Nous conclurons enfin ce mémoire par une synthèse du travail réalisé et en donnant des pistes de travaux futurs. 3

22

23 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 commercialisées 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 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 électrochimiques 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

24 Figure 1.1 Architecture de l hybride parallèle Peter Van den Bossche, utilisé sous licence Creative Commons Attribution-ShareAlike 2.5. Figure 1.2 Architecture de l hybride série 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 thermique, 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

25 Figure 1.3 Architecture de l hybride à dérivation de puissance 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 technologie 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 puissance. Elle est basée sur une Toyota Prius modèle ZVW30 (troisième génération) avec l adjonction 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

26 Figure 1.5 La Chevrolet Volt 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 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 documentation 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

27 wermeter» 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 présentés 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 complètement 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

28 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 particularité 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 parcourus 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 développe 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 «Caméléon» 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 Lithium Fer Phosphate, voir page

29 réseau électrique de manière bidirectionnelle (voir page 27). Leurs expérimentations ont conduit à la technologie tzero 9 qui inclut le système de propulsion 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 américains 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 ( $ 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 Sur la même base technologique que le Roadster mais avec une allure d Aston Martin elle dispose d une autonomie allant jusqu 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

30 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 électrique 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 $ US à petite échelle mais pourrait revenir à seulement $ 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 lithiumion 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 plateforme 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 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

31 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 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 régulièrement. 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

32 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 autodécharge 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 Elle était très répandue pour les appareils électriques nécessitant un courant électrique important 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 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

33 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 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 capacité 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 Cela à cause du caractère instable du lithium métallique pendant la phase de charge. Le problème a été résolu en utilisant des ions de lithium. 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

34 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 technologie 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 spécialement 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 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

35 Table 1.1 Tableau comparatif des technologies de batteries actuelles. Technologie Plomb Acide Ni-Cd Ni-Mh Li-ion Li-ion polymère Densité énergétique (Wh/kg) Nombre de cycles 500 à à à à à 600 (Charge décharge) Temps de charge 6 à 12h 1h à 2h 2 à 4h 2 à 4h 2 à 4h Température de fonctionnement -20 à 60 C -40 à 60 C -20 à 60 C -20 à 60 C 0 à 60 C 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 technologie nanophosphate utilise une électrode positive LiF ep o 4 (Valence dispose d une technologie similaire utilisant une électrode positive LiF emgp o 4 ). 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

36 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 ( ) 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 régulière et offrant une plus grande surface de contact comme le montre la figure 1.11, le lithium titanate oxide (Li 4 T i 5 O 12 ). L entreprise prétend que ses batteries sont trois fois plus puissantes que les batteries Lithiumion traditionnelles avec une durée de vie de plus de 5000 cycles, une tolérance à des températures 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 : html. 18

37 Pistes de recherche Une piste de recherche très prometteuse a été mise au point au MIT par l équipe 21 du professeur Gerbrand Ceder et publiée en D après le constat que les ions de lithium pouvaient se déplacer extrêmement rapidement mais que la structure des batteries actuelles les en empêchait, 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 beaucoup 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 accélérations 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 particularité 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 batteries 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 batterie 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 batteries devrait diminuer par un facteur 10 entre les prix de 2009 et les prévisions pour recense les publications sur les travaux de l équipe

38 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, présentées 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 investissements 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

39 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 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 infrastructure 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 Aircraft 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 Voir la vidéo :

40 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 système 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 électriques. 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 véhicules, 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 en Europe Mis au point par l industriel allemand Mennekes, le type de connecteur IEC (ou VDE- AR-E ) a été adopté par un grand nombre d industriels européens comme standard news&pt=17&req_vi=

41 230 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 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 récemment 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 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 ( 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

42 tionne sur du 220 Volts et utilise au choix un connecteur SAE J1772 ou IEC 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 connecteur 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 utilisant 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 project» 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 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 commercialisé atteindra une efficacité de 97% dans les deux sens. Ce chargeur bidirectionnel utilisera leur technologie éprouvée dans le domaine photovoltaïque pour restituer l énergie au réseau électrique. Sa puissance de charge sera de 30 kw et il devrait supporter le futur standard DC de SAE ainsi que CHAdeMO

43 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 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 intégration dans le réseau. Le groupe de travail a organisé une «charrette» 46 en octobre 2008, parmi les participants on 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

44 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 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 possibilités d utiliser des flottes de véhicules en interaction avec le réseau électrique californien

45 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 pouvaient 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 systèmes 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 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 architecture du système de contrôle du véhicule est présentée dans la figure 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 : California Independent System Operator : Un serveur local simulait un serveur Cal. ISO qui envoie des commandes toutes les 4 secondes. 27

46 Figure 1.15 Schéma de l architecture du système de contrôle V2G envisagé par AC Propulsion [21]. Figure 1.16 Schéma de l architecture du système de régulation envisagé par AC Propulsion [21]. 28

47 Les résultats obtenus ont montré que les temps de transmission sans fil convenaient pour respecter 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 performances 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 électrique 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 véhicule a été testé sur près de 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

48 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 régulation 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 capable 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

49 Figure 1.18 Régulation pendant la nuit avec des demandes de régulation à la baisse dominantes (charge de la batterie) [23]. Encore une fois Kempton souligne que cette technologie serait particulièrement bien intégrée dans une économie où la production électrique serait plus dépendante des énergies renouvelables [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 production. 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 université 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

50 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 traditionnelle, 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 possibilités 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 véhicule 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

51 L optimisation par essaim de particules a été utilisée pour maximiser les profits des propriétaires 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 puissance 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 optique 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 hybrides 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 substituer 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

52 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 communément 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 véhicules 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 nécessaires 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 électrification 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

53 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

54

55 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 Université 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» 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

56 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 maximum 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 électricité, 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 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

57 17 16 Puissance en MW /05/ /05/ /05/2011 Appel de puissance d'origine Temps 24/05/ /05/2011 Figure 2.1 Consommation électrique réelle à l Université Laval en mai 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

58 17 16 Puissance en MW /05/ /05/ /05/2011 Appel de puissance d'origine Temps 24/05/ /05/2011 Figure 2.2 Consommation électrique réelle à l Université Laval sans chaudière électrique en mai 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

59 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 (%) 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 Véhicules considérés Le système est pensé autour d un nombre variable de véhicules qui ont chacun leurs caractéristiques propres telles que décrites dans le tableau 2.1. Ces propriétés reflètent les caractéristiques 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 modèle exprimé comme un ensemble d équations linéaires représentant une fonction objectif sujet 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 intérieurs primal-dual telles qu elles sont implantées dans le GNU Linear Programming Kit [42]. 41

60 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. max [ ] t i K chg zi te iw i αi t (K chg + K wear )zi t 1 e i w i βi t K peak γ d K penalty γ w. (2.1) L optimisation de cette fonction objectif est sujette aux contraintes suivantes : 0.2 C max i C 0 i + 0 α t i 1, i, t, (2.2) 0 β t i 1, i, t, (2.3) t j=1 c j i 0.8 Cmax i, i, t, (2.4) γ d 0, (2.5) R P t + γ d 0, t, (2.6) γ w 0, (2.7) R w P t + γ w 0, t, (2.8) C 0 i + T c j i E i, i. (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 : Avec ces paramètres donnés au système : K chg : coût de la charge par unité d énergie [$/kwh] ; c t i = zie t i w i αi t zi t 1 w i β e i. t (2.10) i K wear : coût de la dégradation des batteries induite par la décharge [$/kwh] ; K peak : coût de l appel de puissance en excédant la puissance souscrite [$/kw] ; K penalty : coût de l appel de puissance, en hiver, en excédant 110 % de la puissance souscrite [$/kw] ; zi t : booléen indiquant si le véhicule i est branché (1) ou débranché (0) au pas de temps t ; e i : efficacité du chargeur du véhicule i lors de la charge (0 e i 1) ; 42

61 1 e i : efficacité du chargeur du véhicule i lors de la décharge ( 1) ; w i : flux d énergie théorique maximal depuis ou vers le véhicule i en kwh (15U i I i /60) ; E i : capacité minimum requise de la batterie du véhicule i lorsque celui-ci est débranché pour repartir ; C 0 i : capacité initiale de la batterie du véhicule i lorsque celui-ci est branché ; C max i : capacité maximale de la batterie du véhicule i. Et les variables à optimiser sont : αi t : pourcentage de la puissance du chargeur alloué à la charge du véhicule i au pas de temps t ; βi t : 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 Ci 0 comme le niveau initial de charge du véhicule i en kwh et Cmax i 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

62 R w : initialement 110% de la puissance souscrite ; A t : appel de puissance instantané au pas de temps t sans tenir compte du V2B ; P t = i (zt i U ii i αi t zt i U ii i βi t) + At : appel de puissance instantané au pas de temps t en tenant compte du V2B ; U i : voltage maximum du chargeur du véhicule i ; I i : intensité maximum du chargeur du véhicule i. De plus, les valeurs de R et R w 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 R w, 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 R w. 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 E i 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

63 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 (%) 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 étudiants à temps plein, l Université Laval emploie environ personnes et possède 40 stationnements totalisant plus de 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 paramètres 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 distribués 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, E i, est déterminée selon (2.11). E i = max ( Ci 0, min(0,8 Ci max, 1,1 Ci max Ci 0 ) ) (2.11) Les valeurs générées pour E i 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. K chg est le prix typique, pour un foyer québécois, pour 1 kwh moins le prix pour le campus pour 1 kwh. K chg représente donc, pour les utilisateurs, le gain que constitue le fait de charger son véhicule sur le campus plutôt qu à son domicile. K peak 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

64 Table 2.3 Paramètres du modèle. Paramètre Été 2011 Hiver 2011 K peak 11,1033 $/kw 11,1027 $/kw K penalty - 7,11 $/kw K chg 0,0242 $/kwh 0,024 $/kwh K wear 0,2 $/kwh 0,2 $/kwh de tension moins un rajustement pour pertes de transformation. Cette valeur de K peak est ensuite pondérée par le nombre de jours dans le mois divisé par 30. Une valeur réaliste de K wear 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 K wear 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 R w (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

65 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 consommation électrique est effectuée, les véhicules vont subir les décisions optimales prédéterminées 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

66 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

67 Chapitre 3 Résultats expérimentaux Nous avons jusqu ici atteint nos deux premiers objectifs avec la modélisation de flottes de véhicules 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 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 composante 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 Janvier 2011 En janvier 2011, le coût original de la facture électrique du campus s élève à ,10 $, le pic maximum atteint 16,55 MW et la consommation énergétique totale est de ,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

68 Table 3.1 Résultats pour janvier Prius Volt Leaf 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 ,22 16, , , , ,78-132,49 166, ,16 16, , , , ,47-138,84 356, ,14 16, , , , ,47-67,39 535, ,12 16, , , , ,08-7,14 704, ,17 16, , , , ,25 167,2 665, ,13 16, , , , ,33 716, , ,13 16, , , ,01-783, , , ,14 16, , , ,88-406, , , ,08 16, , , , ,82 47,7 974, ,03 16, , , ,22-806,76 834, , ,04 16, , , ,15-223, , , ,05 16, , , ,87 324, , , Puissance en MW /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2011 Temps Appel de puissance d'origine Appel de puissance avec V2B 01/02/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2011 Figure 3.1 Appel de puissance pour le mois de janvier 2011 avec 400 Prius et une puissance souscrite de 16 MW. 50

69 B2V V2B Énergie en kwh jan jan jan jan jan jan jan jan jan jan jan jan jan jan jan jan 2011 Temps 17 jan jan jan jan jan jan jan jan jan jan jan jan jan jan jan 2011 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 recharge 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 correctement 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

70 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 consommation 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 ,32 $ avec ,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

71 Table 3.2 Résultats pour février Prius Volt Leaf 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 ,66 16, , , , ,03-82,75 47, ,60 16, , , , ,42-123,99 178, ,56 16, , , , ,61-93,55 314, ,53 16, , , , ,7-49,95 446, ,60 16, , , , ,37 151,3 462, ,57 16, , , , ,94 680, , ,58 16, , , , , , , ,59 16, , , , , , , ,48 16, , , , ,7-44,01 650, ,48 16, , , , ,09 785, , ,48 16, , , , , , , ,50 16, , , , , , , Puissance en MW /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/2011 Temps Appel de puissance d'origine Appel de puissance avec V2B 18/02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /03/2011 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 puissance souscrite de 16,4 MW, le gain de la communauté atteint alors 6.902,43 $. Les représentations 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

72 B2V V2B Énergie en kwh feb feb feb feb feb feb feb feb feb feb feb feb feb feb 2011 Temps 15 feb feb feb feb feb feb feb feb feb feb feb feb feb feb 2011 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 ,13 $ avec un pic d appel de puissance maximum de 16,97 MW et une consommation énergétique totale de ,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 précédentes, 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

73 Table 3.3 Résultats pour mai Prius Volt Leaf 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 ,61 16, , , , ,94 146,65 146, ,39 16, , , , ,4 212,68 225, ,35 16, , , , ,01 343,38 413, ,32 16, , , , ,54 487,9 589, ,59 16, , , , ,84 661,42 661, ,37 16, , , , , , , ,37 16, , , , , , , ,38 16, , , , , , , ,28 16, , , , ,74 704,05 873, ,24 16, , , , , , , ,25 16, , , , , , , ,26 16, , , , , , ,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

74 Puissance en MW /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/2011 Temps Appel de puissance d'origine Appel de puissance avec V2B 18/05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/2011 Figure 3.5 Appel de puissance pour le mois de mai 2011 avec 400 Leafs et une puissance souscrite de 16 MW B2V V2B Énergie en kwh may may may may may may may may may may may may may may may may may 2011 Temps 18 may may may may may may may may may may may may may may 2011 Figure 3.6 Échanges énergétiques V2B pour le mois 2011 avec 400 Leafs et une puissance souscrite de 16 MW. 56

75 Fitness /01/ /01/2011 Fitness sans V2B Fitness avec 100 Prius Fitness avec 200 Prius Fitness avec 300 Prius Fitness avec 400 Prius 03/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2011 Temps 19/01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/ /01/2011 Figure 3.7 Comparaison des fitness pour le mois de janvier avec des flottes de Prius Fitness /02/ /02/2011 Fitness sans V2B Fitness avec 100 Leaf Fitness avec 200 Leaf Fitness avec 300 Leaf Fitness avec 400 Leaf 03/02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/2011 Temps 16/02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/ /02/2011 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 performance 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 surviennent les pics de puissance puisque la valeur retournée est constamment supérieure à la 57

76 Fitness /05/ /05/2011 Fitness sans V2B Fitness avec 100 Leaf Fitness avec 200 Leaf Fitness avec 300 Leaf Fitness avec 400 Leaf 03/05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/2011 Temps 19/05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/ /05/2011 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 E i 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 étudiés, 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

77 Table 3.4 État de charge des véhicules lors de leur départ pour janvier Prius Volt Leaf 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 ,91 80,0 57,56 80,0 80,0 80,0 1,06 0, ,37 80,0 55,18 80,0 80,0 80,0 3,15 0, ,27 80,0 55,18 80,0 80,0 80,0 3,37 0, ,0 80,0 55,18 80,0 80,0 80,0 4,02 0, ,91 80,0 55,2 80,0 80,0 80,0 4,07 0, ,78 80,0 55,18 80,0 80,0 80,0 4,39 0, ,58 80,0 55,18 80,0 80,0 80,0 4,62 0, ,35 80,0 55,18 80,0 80,0 80,0 4,96 0, ,17 80,0 55,2 80,0 80,0 80,0 3,69 0, ,61 80,0 55,18 80,0 80,0 80,0 4,63 0, ,33 80,0 55,18 80,0 80,0 80,0 5,04 0, ,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 Prius Volt Leaf 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 ,33 79,72 56,66 57,0 80,0 80,0 3,15 2, ,79 79,64 55,18 55,24 80,0 80,0 4,26 2, ,62 79,57 55,18 55,18 80,0 80,0 4,55 2, ,65 79,5 55,18 55,18 80,0 80,0 4,56 2, ,32 79,44 55,2 55,2 80,0 80,0 4,92 2, ,24 79,36 55,18 55,18 80,0 80,0 5,1 3, ,06 79,35 55,18 55,18 80,0 80,0 5,38 3, ,92 79,33 55,18 55,18 80,0 80,0 5,63 3, ,0 79,49 56,04 56,04 80,0 80,0 3,9 2, ,8 79,42 55,18 55,18 80,0 80,0 4,3 3, ,96 79,35 55,18 55,18 80,0 80,0 5,54 3, ,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

78 Table 3.6 État de charge des véhicules lors de leur départ pour mai Prius Volt Leaf 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 ,0 80,0 80,0 80,0 80,0 80,0 0,0 0, ,76 79,99 55,18 58,01 80,0 80,0 1,93 0, ,68 80,0 55,18 80,0 80,0 80,0 2,29 0, ,59 80,0 55,18 80,0 80,0 80,0 2,57 0, ,0 80,0 80,0 80,0 80,0 80,0 0,0 0, ,42 79,72 55,18 55,18 80,0 80,0 3,09 2, ,41 79,6 55,18 55,18 80,0 80,0 3,12 2, ,39 79,49 55,18 55,2 80,0 80,0 3,21 2, ,67 80,0 55,2 80,0 80,0 80,0 2,35 0, ,44 80,0 55,18 80,0 80,0 80,0 3,01 0, ,43 80,0 55,18 80,0 80,0 80,0 3,05 0, ,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 capable 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 combinaison des deux peut être donné à notre système à travers l ajustement du paramètre K wear. En abaissant la valeur de K wear, des configurations qui étaient précédemment néfastes à l utilisateur 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 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

79 Table 3.7 Bénéfice des utilisateurs pour différentes valeurs de K wear en janvier Prius Volt Leaf Bénéf. util. ($) K wear =0,2 K wear =0,075 K wear =0, MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW ,49 166,4 63,37 175,76 122,13 178, ,84 356,35 175,51 365,7 269,82 368, ,39 535,72 311,11 545,07 424,66 547, ,14 704,0 432,47 713,36 564,35 716, ,2 665,17 473,31 674,52 565,14 677, , , , , , , , , , , , , , , , , , , ,7 974,32 620,21 983,67 791,96 986, , , , , , , , , , , , , , , , , , ,84 Table 3.8 Bénéfice des utilisateurs pour différentes valeurs de K wear en février Prius Volt Leaf Bénéf. util. ($) K wear = 0,2 K wear = 0,075 K wear = 0, MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW ,75 47,5 74,67 124,82 121,89 148, ,99 178,74 166,36 285,61 253,46 317, ,55 314,91 278,68 441,49 390,35 479, ,95 446,64 390,96 588,65 523,23 631, ,3 462,14 440,31 571,05 527,01 603, , , , , , , , , , , , , , , , , , , ,01 650,3 553,89 823,42 733,26 875, , , , , , , , , , , , , , , , , , ,33 61

80 Table 3.9 Bénéfice des utilisateurs pour différentes valeurs de K wear en mai Prius Volt Leaf Bénéf. util. ($) K wear =0,2 K wear =0,075 K wear =0, MW 16,4 MW 16 MW 16,4 MW 16 MW 16,4 MW ,65 146,65 173,75 173,75 181,88 181, ,68 225,63 321,1 327,68 353,62 358, ,38 413,62 485,73 515,67 528,43 546, ,9 589,92 647,66 691,97 695,59 722, ,42 661,42 693,36 693,36 702,94 702, , , , , , , , , , , , , , , , , , , ,05 873,11 905,0 975,16 965, , , , , , , , , , , , , , , , , , , , 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 diversité 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 limitations 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

81 Conclusion En utilisant des données réelles et des patrons de comportement réalistes générés aléatoirement, 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 réglementé 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 significative 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 réglementé 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 paramétrisation 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 processus 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

82 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 campus 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 stationnement 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

83 Bibliographie [1] Lyonel Baum. Les voitures électriques et leurs sources d énergie. com/k/les-voitures-électriques-et-leurs-sources-d-énergie. [2] Rechargeit, un projet de google.org. [3] Ac propulsion. [4] Fabio Ferrari. Bref comparatif des technologies de batteries. 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. battery.html. [6] J.-M. Tarascon et M. Armand. Issues and challenges facing rechargeable lithium batteries. Nature, 414, [7] Ian E. Maxwell. Nanotech innovation. In Managing Sustainable Innovation, pages 1 6. Springer US, [8] A123systems. [9] AltairNano. Nanosafe battery technology. konoctieaa.org/news/articles/nanosafebackgrounder pdf, [10] Altairnano. [11] B. Kang et G. Ceder. Battery materials for ultrafast charging and discharging. Nature, (458): , doi: /nature [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): , [13] USA Department Of Energy. The recovery act: Transforming america s transportation sector. batteries and electric vehicles

84 [14] Rocky mountain institute. [15] Rocky Mountain Institute, MOVE s Smart Garage Charette report. org/knowledge-center/library/ _smartgaragecharettereport, [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 [17] W. Kempton et J. Tomić. Vehicle-to-grid power fundamentals: Calculating capacity and net revenue. Journal of Power Sources, doi: /j.jpowsour [18] W. Tomić, J. et Kempton. Using fleets of electric-drive vehicles for grid support. Journal of Power Sources, 168(2): , [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, doi: /j.jpowsour [20] H. Lund et W. Kempton. Integration of renewable energy into the transport and electricity sectors through V2G. Energy Policy, (36): , doi: /j.enpol [21] A. N. Brooks. Vehicle-to-grid demonstration project: Grid regulation ancillary service with a battery electric vehicle, [22] T. B. Gage. Development and evaluation of a plug-in HEV with Vehicle-to-Grid power flow. or udel.edu/v2g/docs/icat% v2g-plug-hybrid.pdf, [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 frequency regulation in the PJM system. test-v2g-in-pjm-jan09.pdf, [24] H. Sekyung et H. Soohee et K. Sezaki. Estimation of achievable power capacity from plugin electric vehicles for V2G frequency regulation: Case studies for market participation. IEEE Transactions on Smart Grid, 2(4): , [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): , [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): ,

85 [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): , [28] Sandra Céspedes et Xuemin (Sherman) Shen. A framework for ubiquitous IP communications in Vehicle to Grid networks [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, [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 Conference on Power System Technology (POWERCON), pages 1 8, [31] H. Sekyung et H. Soohee et K. Sezaki. Development of an optimal Vehicle-to-Grid aggregator for frequency regulation. IEEE Transactions on Smart Grid, 1(1):65 72, [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, [33] G. K. Venayagamoorthy et P. Mitra et K. Corzine et C. Huston. Real-time modeling of distributed plug-in vehicles for V2G transactions [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 , [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): , [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, [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, [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): , [39] W. Chenye et H. Mohsenian-Rad et H. Jianwei. Vehicle-to-Aggregator interaction game. IEEE Transactions on Smart Grid, 3(1): ,

86 [40] Y. Ota et H. Taniguchi et T. Nakajima et K.M. Liyanage et J. Baba et A. Yokoyama. Autonomous distributed V2G (Vehicle-to-Grid) satisfying scheduled charging. IEEE Transactions on Smart Grid, 3(1): , [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): , [42] GNU Linear Programming Kit, version glpk.html. Dernière visite le 05/07/2013. [43] Richard S. Sutton et Andrew G. Barto. Reinforcement Learning: An Introduction. MIT Press,

87 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 rapidité 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 gratuit 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 nécessaires 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/ :00 : Date de départ de la simulation. -e, end= 01/06/ :00 : Date de fin de la simulation. -f, file= ULConsumptionMay.csv : Fichier contenant les informations d appel de puissance. 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 : 69

88 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 version 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 sauvegardés. -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 : ). -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 k wear, 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 conception 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 résultats précédents. Ainsi, il charge s il y a lieu les résultats précédents pour ajuster la puissance 70

89 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 décompose 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 puissance 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 pertinentes 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 objets 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

90 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 caractéristiques 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, E i. La méthode principale de cette classe, «arrive» enregistre le véhicule auprès de l agrégateur, ce qui simule 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 R w 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

91 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

92 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 serveur 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

93 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 recherche 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 standardisée 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 modification 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

94 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