FR3089164A1

FR3089164A1 - Procédé de gestion optimisée de la charge d’une flotte de véhicules électriques.

Info

Publication number: FR3089164A1
Application number: FR1872263A
Authority: FR
Inventors: Marine Astorg; Pierre Nicolas
Original assignee: Renault SAS; Nissan Motor Co Ltd
Current assignee: Renault SAS; Nissan Motor Co Ltd
Priority date: 2018-12-04
Filing date: 2018-12-04
Publication date: 2020-06-05
Anticipated expiration: 2038-12-04
Also published as: CN113165547B; JP2022510390A; CN113165547A; FR3089164B1; WO2020114795A1; US20220118875A1; EP3891010A1; US11807125B2; JP7528083B2

Abstract

L'invention concerne un procédé de gestion optimisée de la charge d’un ensemble de batteries électriques, chaque batterie étant rechargée pendant un intervalle de temps où elle est reliée à un réseau de distribution d’électricité (20), suivant un profil de charge (Rideal) fourni par un agrégateur de charge (10), en appliquant, sous le contrôle d’un gestionnaire de charge de la batterie, un niveau de puissance de charge, on détermine, côté agrégateur, comme profil de charge, une courbe de distribution de la charge par jour sur une période de temps donné, définie pour toutes les batteries uniquement en fonction de contraintes propres au réseau, on transmet vers chaque gestionnaire de charge ladite courbe de distribution de charge et on adapte, côté gestionnaire de charge, ladite courbe de distribution de charge reçue audit intervalle de temps pendant lequel ladite batterie est reliée au réseau et audit niveau de puissance de charge associé. Figure pour l’abrégé : Fig. 1

Description

Titre de l'invention : Procédé de gestion optimisée de la charge d’une flotte de véhicules électriques.

[0001] L’invention a pour objet un procédé de gestion optimisée de la charge d’un ensemble de batteries électriques pour l’alimentation de consommateurs électriques. L’invention s’applique notamment, mais pas exclusivement, à l’optimisation de la charge des batteries de traction d’une flotte de véhicules électriques ou hybrides rechargeables.

[0002] Aujourd’hui, de nombreuses solutions ont déjà été imaginées pour mettre en regard les besoins des véhicules électriques et ceux du réseau de distribution d’électricité pour obtenir un profil de charge optimisé. Pour avoir un impact important sur les besoins du réseau, certaines solutions de recharge intelligente font de l’agrégation, en contrôlant la charge de nombreux véhicules électriques en même temps. Les solutions actuelles prennent classiquement en compte les besoins de mobilité quotidiens d’un véhicule donné, ainsi que les contraintes du réseau de distribution d’électricité, pour parvenir à une optimisation sur la journée de la charge de la batterie du véhicule reliée au réseau, de façon à atteindre un même besoin de mobilité chaque jour.

[0003] Plus précisément, l’agrégateur, qui est lié au réseau de distribution d’électricité, est conçu pour recevoir en temps réel les besoins du réseau de distribution d’électricité, les besoins de mobilité quotidiens de tous les véhicules électriques contrôlés par l’agrégateur et l’état courant des véhicules électriques contrôlés (état de charge, statut de branchement au dispositif de recharge électrique de la batterie, etc.). A partir de toutes ces informations, l’agrégateur est apte à calculer des profils de charge optimaux de chaque véhicule et les transmet à destination des gestionnaires de batterie embarqués dans les véhicules, destinés à contrôler la charge des batteries.

[0004] Une telle méthode est notamment connue par l’exemple qu’en donne le document EP2928721, qui décrit un procédé de gestion de charge d’un ensemble de batteries de traction de véhicules électriques, reposant sur une coordination de la charge de l’ensemble des batteries. Plus précisément, un gestionnaire de charge de batterie associé à chaque batterie est prévu pour établir une communication bidirectionnelle avec un agrégateur implémenté au niveau du réseau de distribution d’électricité, de façon à permettre de déterminer, pour chaque batterie à charger, un profil de charge optimal, en tenant compte d’un signal de consommation électrique fourni par l’agrégateur, destiné à indiquer un profil de consommation électrique globale envisagée sur le réseau de distribution d’électricité, résultant des choix individuels de profil de charge propres à chaque batterie, émis itérativement par chaque gestionnaire de batterie à destination de l’agrégateur. Ainsi, l’agrégateur reçoit en temps réel les besoins en charge des batteries de tous les véhicules et envoie des ordres de charge à chaque gestionnaire de batterie en fonction de l’état du réseau.

[0005] Cette méthode d’agrégation a cependant de nombreux inconvénients. En particulier, elle repose sur une communication bidirectionnelle entre l’agrégateur et les gestionnaires de batterie embarqués dans les véhicules électriques. Elle implique ainsi de nombreux échanges de données, ce qui se traduit par des coûts de déploiement importants, liés aux serveurs et aux moyens de télécommunication nécessaires entre l’agrégateur, le réseau et les gestionnaires de batterie embarqués dans les véhicules. Elle est également contraignante pour les conducteurs des véhicules électriques, qui doivent connaître à l’avance leurs besoins de mobilité et les transmettre à l’agrégateur.

[0006] Elle peut en outre engendrer des appels de puissance importants sur le réseau puisque les agrégateurs liés au réseau raisonnent souvent en « tout ou rien » et initient la charge de tous les véhicules électriques qu’ils contrôlent aux moments les plus intéressants pour eux (par exemple les moins chers), ce qui est source d’une importante discontinuité de consommation sur le réseau.

[0007] Par ailleurs, dans le contexte actuel de consensus autour du réchauffement climatique, la diminution des émissions de dioxyde de carbone (CO2) est un défi majeur, les normes étant toujours plus exigeantes en la matière. Aussi, les prix de l’électricité sont fortement corrélés aux émissions de CO2 résultant de la production d’électricité. L’intégration de plus en plus importante, sur les réseaux de distribution d’électricité, des énergies renouvelables (énergie solaire, éolienne etc.) a un impact favorable sur la diminution des émissions de CO2. Cependant, ces énergies renouvelables étant par nature intermittentes, les émissions de CO2 liées à la production d’électricité varient beaucoup d’un jour à l’autre. Il s’avère donc que la définition d’un profil de charge d’une flotte de véhicules, qui est basé sur la prise en compte d’un même besoin de mobilité chaque jour, n’est pas adaptée aux périodes d’intégration des énergies renouvelables sur le réseau et, en particulier, n’est pas optimale pour adapter la charge à certaines contraintes du réseau comme les émissions de CO2.

[0008] Aussi, un but de l’invention est de proposer un procédé de gestion de charge d’un ensemble de batteries électriques, qui soit exempt de l’une au moins des limitations précédemment évoquées.

[0009] A cette fin, l’invention concerne un procédé de gestion optimisée de la charge d’un ensemble de batteries électriques pour l’alimentation de consommateurs électriques, dans lequel chaque batterie électrique est rechargée pendant au moins un intervalle de temps durant lequel elle est reliée à un réseau de distribution d’électricité, suivant un profil de charge fourni par un agrégateur de charge, en appliquant, sous le contrôle d’un gestionnaire de charge associé à chaque batterie électrique, un niveau de puissance de charge associé audit intervalle de temps. Selon l’invention :

- on détermine, côté agrégateur, ledit profil de charge comme étant une courbe de distribution de la charge par jour sur une période de temps donné, définie pour toutes les batteries uniquement en fonction de contraintes propres au réseau de distribution d’électricité, comprenant au moins la puissance disponible sur le réseau,

- on transmet, depuis l’agrégateur vers chaque gestionnaire de charge, ladite courbe de distribution de charge, et

- on adapte, côté gestionnaire de charge, ladite courbe de distribution de charge reçue audit au moins un intervalle de temps pendant lequel ladite batterie est reliée au réseau pour sa recharge et audit niveau de puissance de charge associé.

[0010] On entend par contraintes propres au réseau de distribution d’électricité, des paramètres tels que la puissance disponible, le prix de l’électricité voir des contraintes environnementales de production, à l’exclusion de toute contrainte liée à l’utilisateur (véhicule, flotte de véhicules, réseau domestique, etc).

[0011] Avantageusement, on contrôle les moments de charge et de décharge de chaque batterie au travers du réseau par le suivi de la courbe de distribution de charge.

[0012] Avantageusement, on détermine ledit profil de charge en fonction des émissions de CO2 liées à la production d’électricité sur le réseau de distribution d’électricité sur ladite période donnée.

[0013] De préférence, on reçoit un modèle de prédiction des émissions de CO2, duquel on déduit une moyenne des émissions de CO2 sur ladite période donnée et une moyenne des émissions de CO2 par jour, et on compare le niveau des émissions de CO2 à un instant t à la moyenne des émissions CO2 par jour, de façon que ledit profil de charge soit adapté à commander la charge seulement aux moments où le niveau des émissions de CO2 est en dessous de la moyenne par jour.

[0014] De préférence, ladite courbe de distribution de la charge est calculée en pourcentage de charge par rapport au temps selon un pas d’échantillonnage donné, par exemple tous les quarts d’heure.

[0015] Avantageusement, ladite période de temps donnée correspond à une période de temps d’une semaine.

[0016] Avantageusement, on détermine pour l’ensemble des batteries un coefficient représentatif d’un pourcentage à atteindre par jour par rapport à une plage de flexibilité autorisée par le gestionnaire de charge définie en fonction de la capacité nominale de la batterie et d’un état de charge minimal souhaité par jour, et on calcule un état de charge cible journalier à atteindre en fonction dudit coefficient et dudit état de charge minimal souhaité par jour.

[0017] Avantageusement, on détermine ledit niveau de puissance de charge durant chaque intervalle de temps sur la base d’une comparaison entre l’état de charge cible journalier à atteindre et un état de charge courant de la batterie.

[0018] Avantageusement, le pourcentage à atteindre par jour par rapport à la plage de flexibilité autorisée par le gestionnaire de charge varie inversement avec le niveau des émissions de CO2 liées à la production d’électricité sur le réseau de distribution d’électricité sur ladite période donnée.

[0019] L’ensemble de batteries est constitué des batteries de traction d’une flotte de véhicules électriques ou hybrides rechargeables.

[0020] D'autres caractéristiques et avantages de l’invention ressortiront de la description qui en est faite ci-après, à titre indicatif et nullement limitatif, en référence aux dessins annexés, dans lesquels :

[0021] [fig-1] illustre un système de gestion de charge optimisée de véhicules électriques selon la présente invention ;

[0022] [fig.2] représente un graphique illustrant une loi de charge mise en œuvre côté véhicule obtenue en employant le procédé de gestion de charge selon la présente invention ;

[0023] [fig.3] représente un graphique illustrant un exemple de variation sur une semaine d’un état de charge cible journalier à atteindre, en fonction d’un pourcentage à atteindre d’une plage de flexibilité autorisée en prenant en compte la variation des émissions de CO2 dans la production d’électricité sur le réseau ;

[0024] [fig.4] représente un graphique illustrant un exemple de profil de charge idéal à suivre pour l’ensemble des véhicules pour atteindre l’état de charge cible journalier.

[0025] La figure 1 illustre schématiquement un ensemble de véhicules électriques VE munis chacun d’une batterie de traction et d’un gestionnaire de charge associé adapté à être connecté à un réseau de distribution d’électricité 20. La charge de cet ensemble de véhicules électriques VE est contrôlée par un agrégateur 10, lié au réseau de distribution d’électricité 20, auquel les batteries sont reliées lors d’une phase de charge de celles-ci. L’agrégateur 10 est par exemple un serveur dédié d’un constructeur automobile programmé pour pouvoir communiquer à distance avec des véhicules du constructeur, par exemple par l’intermédiaire d’une communication « OTA » (pour « Over The Air »). Ainsi, chaque véhicule VE possède un module de communication, par exemple un module GSM, permettant une communication, via un réseau de communication, avec le serveur 10 constituant l’agrégateur.

[0026] L’agrégateur est également conçu pour tenir compte de l’état du réseau de distribution d’électricité 20, en particulier, comme on le verra plus en détail par la suite, des moments où l’énergie disponible sur le réseau est au moins en partie décarbonée, c’est-à-dire où la production d’énergie disponible sur le réseau intègre des sources d’énergie décarbonée, par exemple d’origine éolienne ou solaire.

[0027] Le procédé de l’invention repose en premier lieu sur la détermination d’un profil de charge idéal sur la journée R_ideai. Ce profil de charge R_ideai est calculé au niveau de l’agrégateur 10 pour tous les véhicules VE dont il contrôle la charge et est défini comme étant la distribution de la charge sur chaque jour, sur une période de temps donné, en fonction de contraintes propres au réseau de distribution d’électricité. Cette distribution de charge par jour R_ideai est calculée en pourcentage de charge par rapport au temps selon un pas d’échantillonnage donné, par exemple tous les quarts d’heure, pour une période donnée de plusieurs jours, d’une semaine par exemple.

[0028] Les pourcentages de charge par pas d’échantillonnage donné peuvent être soit positifs, signifiant que le moment correspondant est propice pour le réseau à fournir de l’énergie pour la charge de la batterie, soit négatifs, signifiant que le moment correspondant est plutôt propice pour renvoyer de l’énergie stockée dans la batterie au réseau de distribution d’électricité, si la batterie du véhicule est reliée à un dispositif de charge réversible.

[0029] La figure 2 illustre un exemple d’une courbe de distribution de charge par jour ainsi calculée pour l’ensemble des véhicules, qui correspond au profil de charge optimal sur la journée en pourcentage par quart d’heure Ri_deai, tel qu’il est envoyé par l’agrégateur 10 aux véhicules VE.

[0030] Les gestionnaires de charges associés aux batteries des différents véhicules électriques VE comportent des moyens logiciels pour exécuter un algorithme d’adaptation de cette courbe R_ideai aux besoins propres de l’utilisateur du véhicule et, en particulier, pour tenir compte des moments où le véhicule est branché au réseau et de la puissance de branchement dont il dispose pour la charge. Autrement dit, les ordres de charges à destination des batteries ne sont pas envoyés par l’agrégateur 10 mais sont générés localement par le gestionnaire de charge associé à la batterie, en fonction de la courbe de distribution de charge agrégée en fonction du temps, répondant aux seuls besoins du réseau de distribution d’électricité, qui est adaptée par chaque gestionnaire de charge, en fonction des moments de branchement de la batterie et du niveau de puissance de la charge. Autrement dit encore, on s’affranchit côté agrégateur 10, des besoins des utilisateurs des véhicules électriques. En particulier, les besoins de mobilité des utilisateurs n’ont pas à être connus à l’avance, ni transmis à l’agrégateur 10. Cela permet de diminuer fortement les échanges d’informations entre l’agrégateur 10 et les véhicules VE, par rapport aux méthodes d’agrégation classiques utilisées pour contrôler la charge d’une pluralité de véhicules en même temps.

[0031] Plus précisément, l’algorithme d’adaptation mis en œuvre du côté du gestionnaire de charge associé à chaque batterie, reçoit en données d’entrée le profil de charge optimal Rideai sur la journée en pourcentage par quart d’heure selon l’exemple et des données représentatives du besoin de mobilité de l’utilisateur du véhicule. Ces données représentatives du besoin de mobilité de l’utilisateur peuvent se présenter sous la forme d’un état de charge dit état de charge souhaité de la batterie SOC_desi_red, pouvant cor respondre par exemple à un état de charge minimal à atteindre chaque jour, typiquement en fin de nuit, par exemple à 6h du matin, sachant que cet état de charge pourra être dépassé. Le gestionnaire de charge prend également en données d’entrée la capacité nominale de la batterie E_max (en kWh). Par exemple, un utilisateur avec une batterie dont la capacité nominale est égale à 60 kWh, pourra considérer qu’avec un niveau d’énergie stockée de 30kWh, ce qui correspond à un état de charge de 50 %, il pourra couvrir la plupart de ses trajets. Il pourra ainsi régler son état de charge souhaité SOCdesired à 50%, laissant ainsi au gestionnaire de charge associé à la batterie, une plage de flexibilité de 30kWh, par exemple, comme on le décrira plus en détail par la suite, pour faire de l’optimisation CO2, autrement dit pour bénéficier de plages de charge optimales d’un point de vue de la mise à disposition d’énergie décarbonée sur le réseau de distribution d’électricité.

[0032] [0033] [0034]

Le gestionnaire de charge de la batterie prendra également en données d’entrée un coefficient représentatif d’un pourcentage à atteindre par jour par rapport à cette plage de flexibilité. Autrement dit, selon l’exemple donné ci-dessus, le coefficient K indiquera le pourcentage à atteindre chaque jour dans les 30kWh de flexibilité autorisé par le gestionnaire de charge.

A partir de ces données en entrée, l’algorithme d’adaptation de la courbe R_ideai est conçu pour calculer un état de charge cible journalier SOC_target, puis l’énergie cible à atteindre E^get selon cet état de charge cible journalier :

[Math.l]

SOCtarget ⁼ $OC_desirecl + K ( 1 - SOC_desired ) [Math. 2] [0035] [Math.2] ‘-'target ^av7<'target ^max [0036] A chaque instant, le gestionnaire de charge associé à la batterie calcule un écart ΔΕ entre un niveau d’énergie courant de la batterie E_t et la valeur d’énergie cible de la journée telle que précédemment calculée :

[0037] [Math.3]

Δ = ^target “ [0038] Pour adapter sa propre courbe de charge par rapport à ses instants de branchement et sa puissance de charge, l’algorithme d’adaptation utilise une régulation proportionnelle intégrale sur l’écart ΔΕ:

[0039] [Math.4]

E_delta = Δ E*( 1 + Δ E), Avec k = coefficient intégral [0040] Ainsi, lorsque l’écart régulé E_dei_ta est positif, cela signifie que l’état de charge souhaité n’est pas atteint et partant, l’algorithme d’adaptation doit commander la charge de la batterie dès que l’état du réseau, résultant du profil de charge idéal R_ideai envoyé au véhicule, le permet. En revanche, quand E_dei_ta est négatif, cela signifie que la batterie a dépassé l’état de charge souhaité et il est donc nécessaire de commander la décharge de la batterie dans le réseau aux moments propices, tels qu’indiqués par le profil de charge idéal R_ideai.

[0041] L’algorithme d’adaptation déduit ensuite de l’écart E_dei_ta le niveau de puissance de charge P_charge à appliquer à la batterie, via la stratégie suivante :

[Math.5]

- Si > Q» alors (cas où la batterie doit se charger) ;

Si BiâM > 0, alors binon û

Sinon < q, alors (cas· où la batterie doit se décharger) Si^_aJ <0, afors -5_Se&a*

Sinon = û [0042] Il reste à prendre en compte les moments où la batterie est branchée au réseau de distribution d’électricité et les contraintes de puissance en termes de puissance de charge minimale P_min et maximale P_max de la batterie du véhicule, pour déterminer la puissance de charge à appliquer au final P_finai :

[Math.6]

Si I

- Si le véhicule n’est pas branché, alors P_/iran< = o

- Sinon ;

° Si P^gs > 0 alors P_finai = o Sinon L_i£îai = max(P_cWSinon = o [0043] On obtient ainsi une loi de charge qui suit au maximum le profil de charge idéal R_ideai reçu en entrée, sans discontinuité sur les appels de charge au niveau du réseau, tout en s’affranchissant de l’usage du véhicule. Comme illustré à la figure 2 par les courbes représentatives de la consommation du véhicule CONSO en kWh et de la puissance de charge P_finai en kW résultant de la loi de charge imposée par l’algorithme d’adaptation, on voit d’une part, que la batterie se charge et se décharge bien aux moments propices indiqués par le signal du profil de charge idéal R_ideai et, d’autre part, qu’une consommation plus importante que d’habitude, symbolisée par le pic de consommation sur le signal CONSO engendrera une plus forte charge de la batterie.

[0044] La gestion de la charge s’effectue ainsi avantageusement en boucle ouverte : le profil de charge calculé par l’agrégateur permet de définir une loi de commande optimale, i.e. un profil de charge idéal à suivre chaque jour sur une période de plusieurs jours, tenant compte uniquement des contraintes propres au réseau, en s’affranchissant d’un retour des utilisateurs finaux (statut de branchement de la batterie au réseau, état de charge courant des batteries, etc.), ce profil de charge idéal étant transmis aux gestionnaires de charges associés aux batteries, qui pilotent localement le système de charge de la batterie. A des intervalles réguliers, par exemple une fois par semaine, une nouvelle loi de commande est recalculée en tenant compte de l’état du réseau.

[0045] Avantageusement, comme indiqué plus haut dans la description, on peut prendre en compte un profil de charge idéal calculé à partir des émissions de CO2 liées à la production d’énergie disponible sur le réseau, pour gérer les phases de charge et de décharge de la batterie des véhicules sur le réseau et, en particulier, pour charger davantage la batterie les périodes où l’énergie disponible sur le réseau résulte d’une production d’énergie électrique à faibles émissions de CO2.

[0046] Ainsi, dans ce contexte dit d’optimisation par rapport aux émissions de CO2, on convient que le profil de charge idéal fourni par l’agrégateur 10 dépende également des émissions de CO2 liées à la production de l’électricité disponible sur le réseau de distribution d’électricité 20. Aussi, l’agrégateur 10 prend avantageusement en entrée, pour établir le profil de charge idéal R_ideai, un modèle de prédiction de ces émissions de CO2 (ou du prix de l’électricité, ce dernier étant fortement corrélé aux émissions de CO2 de la production d’électricité) sur une période de temps relativement longue, typiquement sur plusieurs jours et préférentiellement sur une semaine. En effet, on a pu constater la présence de deux périodes distinctes dans la variation des émissions de CO2 dans la production d’électricité, à savoir une période de variation quotidienne, qui correspond à la période de la production d’énergie d’origine solaire par des installations photovoltaïques reliées au réseau, et une période de variation à la semaine, qui elle correspond à la période de la production d’énergie d’origine éolienne par des installations éoliennes reliées au réseau. Aussi, le fait de tenir compte d’un modèle de prédiction des émissions de CO2 sur plusieurs jours et préférentiellement sur une semaine, pour le calcul du profil de charge idéal sur le réseau pour tous les véhicules, permet d’intégrer au mieux dans le profil de charge idéal R_ideai les variations des émissions de CO2 dans la production d’électricité et notamment celles liées à la production issue des installations de production d’énergie d’origine éolienne. Le modèle de prédiction des émissions de CO2 peut par exemple être déduit par l’agrégateur de diverses sources de données, dont des données météorologiques (taux d’ensoleillement, etc.) qui conditionnent la production d’énergie électrique décarbonée dans une région donnée.

[0047] Le modèle de prédiction des émissions de CO2 liées à la production d’énergie disponible sur le réseau fournit par exemple une valeur d’émission de CO2 toutes les 15 minutes pendant une durée d’une semaine et fournit donc un indicateur de [0048] [0049] [0050] [0051] [0052] [0053] [0054] [0055] [0056] [0057] [0058] prédiction des émissions de CO2 structuré sous la forme d’un vecteur à 672 composantes.

On va dans un premier temps calculer l’état de charge cible journalier SOC_target en fonction du coefficient K, de façon à permettre de calculer chaque jour le pourcentage de la plage de flexibilité que la batterie du véhicule doit atteindre, pour se charger davantage les jours à faibles émissions CO2.

Pour ce faire, à partir de la prédiction de CO2 en entrée, on calcule pour l’ensemble des véhicules d’une part, la moyenne des émissions de CO2 sur la semaine CO2_week__avget, d’autre part, la moyenne des émissions de CO2 par jour CO2_day__avg.

On calcule l’intégrale I_Co2 de la différence entre ces valeurs :

[Math.7]

Ico2 ⁼ J (CO 2_week _ _avg - CO 2_day _ _avg) et on détermine les valeurs maximale Ico2max et minimale Ico2min que l’intégrale ainsi calculée peut prendre :

[Math. 8] = n^x(l_CS2)

On en déduit alors le coefficient K représentatif du pourcentage de la plage de flexibilité autorisée que l’on souhaite atteindre, pour chaque jour de la semaine : [Math.9] jz _ lçQ2 ~ lçC)2min

Ic02max

T ¹C02min

Ce coefficient K est identique pour l’ensemble des véhicules.

Comme expliqué précédemment, on applique ensuite ce coefficient au besoin de mobilité de chaque utilisateur, défini sous la forme d’un état de charge dit état de charge souhaité de la batterie SOCdesired, pour en déduire l’état de charge cible journalier SOC_target à atteindre :

[Math. 10]

SOCtarget = SOC_desired + K(1 - SOC_desired )

Ainsi, les jours où l’énergie disponible sur le réseau correspond à de fortes émissions de CO2, l’état de charge cible journalier SOC_target à atteindre sera égal à l’état de charge souhaité de la batterie SOC_desi_red, c’est-à-dire à l’état de charge que l’utilisateur souhaite obtenir à son heure de départ. En revanche, les jours où l’énergie disponible sur le réseau correspond à de faibles émissions de CO2, l’état de charge cible journalier SOC _target à atteindre sera plus élevé. La batterie est donc davantage chargée les jours à faibles émissions de CO2.

[0059] La figure 3 illustre un exemple de variation sur une semaine de l’état de charge cible journalier SOC_target à atteindre, sous forme d’histogrammes, en fonction du pourcentage K de la plage de flexibilité à atteindre, calculé chaque jour selon les principes exposés ci-dessus, à partir des valeurs de la moyenne des émissions de CO2 sur la semaine CO2_week._avg et de la moyenne des émissions de CO2 par jour CO2_day__avg. La partie en grisé sur la figure 3 de chaque histogramme journalier représente le niveau d’état de charge souhaité SOC_desi_red et la partie non grisée de chaque histogramme représente la plage de flexibilité autorisée qui en découle par rapport à la capacité nominale de la batterie, l’état de charge cible journalier SOC_target à atteindre, symbolisé par le trait horizontal, se situant dans cette plage de flexibilité en fonction de la valeur du coefficient K pouvant prendre des valeurs entre 0% et 100% selon le niveau des émissions de CO2.

[0060] De la même façon, pour calculer la distribution de charge idéale sur la journée, on compare le niveau des émissions de CO2 à un instant t CO2_curTent à la moyenne des émissions CO2 par jour CO2_day._avg, de façon à permettre de commander la charge seulement aux moments où le niveau des émissions de CO2 est en dessous de la moyenne. Ainsi, on calcule :

[0061] [Math. 11]

CO2_day ⁼ CO2_day__aVg - CO2_current [0062] Puis, on normalise la répartition :

[0063] [Math. 12] n _ & CO2_day ^^{h et} Sabs( Δ _C02__day)) [0064] On obtient ainsi un profil de charge R_fleet, équivalent au profil de charge idéal R_ideai, mais étant calculé à partir des émissions de CO2. Ce profil de charge Rfi_eet se définit alors comme étant la distribution de charge par jour sur une semaine, en pourcentage par quart d’heure (ou un autre pas d’échantillonnage), calculée à partir des émissions de CO2, comme expliqué ci-dessus. La somme de tous les pourcentages sur la journée (positifs et négatifs) doit être égale à 0. Ce profil de charge idéal correspond au profil à suivre pour l’ensemble des véhicules pour atteindre l’état de charge cible journalier SOCtarget* [0065] La figure 4 est un graphique illustrant un exemple d’une telle distribution de charge sur une journée. Lorsque le niveau des émissions de CO2 à un instant t CO2_cuirent est inférieur à la moyenne sur la journée des émissions CO2 CO2_day._avg, le signal R_ideai correspond à un pourcentage de charge positif, signifiant que le moment est propice pour se charger si la batterie est branchée au réseau pour sa recharge. Par contre, lorsque le niveau des émissions de CO2 à un instant t CO2_CUITent devient supérieur à la moyenne sur la journée des émissions de CO2 CO2_day._avg, le signal R_fleet correspond à un pourcentage de charge négatif, signifiant alors que le moment est plutôt propice pour renvoyer de l’énergie stockée dans la batterie au réseau de distribution d’électricité, si la batterie du véhicule est reliée à un dispositif de charge réversible. Le pourcentage de charge par quart d’heure en valeur absolue est d’autant plus élevé que l’écart entre le niveau des émissions de CO2 à un instant t CO2_CUITent et la moyenne sur la journée des émissions CO2 CO2_day._avg est grand.

[0066] Le pilotage sur plusieurs jours et préférentiellement sur une semaine de l’état de charge journalier à atteindre, soit de la cible de charge quotidienne définie selon les besoins de mobilité de l’utilisateur, permet avantageusement de profiter au maximum à la fois de la production d’énergie électrique disponible sur le réseau d’origine solaire et d’origine éolienne. Cela permet de charger la batterie aux moments optimaux, à la fois d’un point de vue des émissions de CO2 mais également d’un point de vue économique, les deux informations étant très corrélées.

[0067] Par ailleurs, cette méthode peut aisément être adaptée aux besoins des gestionnaires de réseau. Il suffit en effet d’adapter l’échelle du modèle de prédiction des émissions de CO2 utilisé, pour obtenir par exemple un pilotage correspondant à la maille d’un quartier, permettant d’éviter des congestions du réseau, ou de repasser à un modèle de prédiction des émissions de CO2 national pour gérer l’équilibre de la demande. On peut également utiliser cette méthode à la maille d’une installation pour optimiser l’autoconsommation.

[0068] Le modèle de prédiction des émissions de CO2 utilisé en entrée pour déterminer le profil de charge optimal permet au gestionnaire de charge associé à chaque batterie de calculer des ordres de charge pour chaque véhicule de l’ensemble de véhicule électriques, qui permettront de suivre les moments les plus propices de charge sans créer de discontinuité de consommation sur le réseau de distribution d’électricité et donc sans entrainer de perturbations supplémentaires sur le réseau d’électricité, et ce en tenant en compte des différences d’émission de CO2 liées à la production d’électricité sur plusieurs jours.

[0069] Le profil de charge R_fleet calculé précédemment est avantageusement le profil de charge à suivre pour tous les véhicules, en particulier s’agissant d’un grand ensemble de véhicules. Cependant, en variante, pour un plus petit ensemble de véhicules, ayant donc un impact moindre sur le réseau de distribution d’électricité, il peut être plus intéressant de chercher à concentrer les moments de charge aux moments pouvant être déterminés comme étant les plus intéressants d’un point de vue des émissions de CO2 et partant, d’un point de vue économique. Pour ce faire, on définit un profil de charge [0070] [0071] [0072] idéal, dit profil de charge « concentré » Rfi_eet_concentrated, apte à définir ces moments de charge, en appliquant la méthode suivante :

[Math. 13]

Si _ _______Rfleet_______ fSset cône Bisteatssd --- „ .

mSKfKfjBgtî ^fleet ^as5t avec c étant un coefficient de concentration compris entre 1 et l’infini (défini en fonction de la taille de l’ensemble de véhicules). Quand c=l, on ne fait pas de Concentration et. Rfleet_concentrated Rfleet

On normalise de nouveau la répartition : [Math. 14]

SÎg.at- .> 0 alors £ i RT-wf

R _ , = Π

Ueet_cts «centrâtes _n eg . < θ i •fleet, «sa -eesstrs .eg set.

Et on en déduit le profil de charge final R_fleet final pour l’ensemble de véhicules : [Math. 15] ‘fieetçoRCsnirs.tsd θ ’ ^Seetûnsl

Sinon. = jj._aT._;, [0073]

Ainsi, pour un ensemble avec peu de véhicules, on va choisir un coefficient de concentration c élevé, ce qui permettra de charger les véhicules sur les seuls moments les plus intéressants du point de vue des émissions de CO2 et ce, sans créer de véritable discontinuité sur le réseau de par le faible impact en puissance d’un petit nombre de véhicules. Plus l’ensemble de véhicules sera important, plus on diminue le coefficient de concentration c, permettant ainsi de suivre au mieux les contraintes réseau.

Claims

Revendications [Revendication 1] Procédé de gestion optimisée de la charge d’au moins un ensemble de batteries électriques pour l’alimentation de consommateurs électriques (VE), dans lequel chaque batterie est rechargée pendant au moins un intervalle de temps pendant lequel elle est reliée à un réseau de distribution d’électricité (20), suivant un profil de charge (Ri_deai,Rfleet) fourni par un agrégateur de charge (10), en appliquant, sous le contrôle d’un gestionnaire de charge associé à chaque batterie, un niveau de puissance de charge associé audit intervalle de temps, caractérisé en ce que : on détermine, côté agrégateur, ledit profil de charge (R_ideai,Rfleet) comme étant une courbe de distribution de la charge par jour sur une période de temps donné, définie pour toutes les batteries uniquement en fonction de contraintes propres au réseau de distribution d’électricité comprenant au moins la puissance disponible sur le réseau, on transmet, depuis l’agrégateur vers chaque gestionnaire de charge, ladite courbe de distribution de charge, et on adapte, côté gestionnaire de charge, ladite courbe de distribution de charge reçue audit au moins un intervalle de temps pendant lequel ladite batterie est reliée au réseau et audit niveau de puissance de charge associé. [Revendication 2] Procédé selon la revendication 1, caractérisé en ce qu’on contrôle les moments de charge et de décharge de chaque batterie au travers du réseau par le suivi de la courbe de distribution de charge. [Revendication 3] Procédé selon la revendication 1 ou 2, caractérisé en ce qu’on détermine ledit profil de charge en fonction des émissions de CO2 liées à la production d’électricité sur le réseau de distribution d’électricité sur ladite période donnée. [Revendication 4] Procédé selon la revendication 3, caractérisé en ce qu’on reçoit un modèle de prédiction des émissions de CO2, duquel on déduit une moyenne des émissions de CO2 sur ladite période donnée (CO2_week._avg) et une moyenne des émissions de CO2 par jour (CO2_day._avg) et on compare le niveau des émissions de CO2 à un instant t (CO2_CUITent) à la moyenne des émissions CO2 par jour (CO2_day._avg), de façon que ledit profil de charge soit adapté à commander la charge seulement aux moments où le niveau des émissions de CO2 est en dessous de la moyenne par jour. [Revendication 5] Procédé selon l’une quelconque des revendications précédentes, ca-

ractérisé en ce que ladite courbe de distribution de la charge (R_ideai,Rfleet) est calculée en pourcentage de charge par rapport au temps selon un pas d’échantillonnage donné [Revendication 6] Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que ladite période de temps donnée correspond à une période de temps d’une semaine. [Revendication 7] Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce qu’on détermine pour l’ensemble des batteries un coefficient (K) représentatif d’un pourcentage à atteindre par jour par rapport à une plage de flexibilité autorisée par le gestionnaire de charge définie en fonction de la capacité nominale de la batterie et d’un état de charge minimal souhaité par jour (SOC_desi_red), et on calcule un état de charge cible journalier à atteindre (SOC_target) en fonction dudit coefficient et dudit état de charge minimal souhaité par jour. [Revendication 8] Procédé selon la revendication 7, caractérisé en ce qu’on détermine ledit niveau de puissance de charge durant chaque intervalle de temps sur la base d’une comparaison entre l’état de charge cible journalier à atteindre et un état de charge courant de la batterie. [Revendication 9] Procédé selon la revendication 7 ou 8, caractérisé en ce que le pourcentage (K) à atteindre par jour par rapport à la plage de flexibilité autorisée par le gestionnaire de charge varie inversement avec le niveau des émissions de CO2 liées à la production d’électricité sur le réseau de distribution d’électricité sur ladite période donnée. [Revendication 10] Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que l’ensemble de batteries est constitué des batteries de traction d’une flotte de véhicules électriques ou hybrides rechargeables.

1/3