Introduction et contexte
L’utilisation des véhicules électriques a fortement augmenté ces dernières années. L’Union Européenne a notamment voté pour l’arrêt des ventes de nouveaux véhicules émettant du dioxyde de carbone (CO2) d’ici à 2035 [1]. Par conséquent, la consommation en électricité provenant du transport a été multipliée par 6 entre 2018 et 2022 [2]. La forte croissance de cette demande peut mettre en difficulté la fiabilité du réseau électrique. Il y a donc un besoin d’améliorer le Smart Charging et plus spécifiquement le calcul des profils de charge afin de mieux optimiser la consommation électrique.
Un profil de charge défini la quantité d’énergie qui sera délivrée tout au long de la session de charge. Lors de la génération d’un profil de charge, des contraintes sur deux niveaux sont prises en compte :
- Niveau utilisateur : Une quantité suffisante d’énergie doit être délivrée pendant la durée de la session afin de satisfaire les besoins de l’utilisateur
- Niveau infrastructure : La puissance délivrée durant la recharge doit respecter des contraintes au niveau local (parc de borne) et des contraintes au niveau du réseau électrique.
Pour générer un profil de charge, un système de gestion d’énergie (EMS) requiert des informations sur la session de charge telles que sa durée et l’énergie consommée pendant celle-ci. Mais aussi des informations sur la borne de recharge, telle que sa consommation à un moment donné durant une session. Cependant, ces données ne sont généralement pas accessibles au début d’une session et sont remplacées par des valeurs par défaut. Afin de résoudre ce problème, nous avons exploré l’utilisation du machine learning pour prédire ces données manquantes.
Deux cas d’utilisation pour le machine learning ont été identifiés dans le contexte de la recharge de véhicule électrique :
- Prédire le comportement utilisateur [3,4,5,10], c’est-à-dire, pour une session, prédire la quantité d’énergie consommée et sa durée.
- Prévoir la demande sur une station de recharge [6,7,8]. L’objectif est de connaître en avance quand la demande sera plus élevée qu’habituellement afin de générer des profils de charges limitant l’importance des pics de consommation.
L’utilisation du machine learning pour prédire le comportement utilisateur et prévoir la demande a été étudiée, le contexte de recharge de véhicule électrique introduit 3 défis liés aux données utilisées pour entraîner des modèles de machine learning :
- Qualité des données : Dans un environnement avec des appareils communicants, il est courant d’avoir des données manquantes ou contenant des anomalies à cause d’un dysfonctionnement ou d’une panne.
- Quantité de données : Comme le comportement dans l’utilisation des véhicules électriques évolue constamment, les données ont tendance à devenir rapidement obsolètes. Dans notre cas, nous avons utilisé des données sur une année seulement.
- Diversité des données disponibles : Il n’y a pas assez de données décrivant l’environnement d’une station de recharge, ou décrivant le contexte environnemental ou financier.
Les travaux en machine learning sont généralement composés de trois parties : la préparation des données, la sélection d’un algorithme prédictif et l’évaluation du modèle produit. Afin de surmonter les problèmes définis ci-dessus, une grande partie du travail s’est concentrée sur l’analyse des données et l’ingénierie des caractéristiques (feature engineering), c’est-à-dire, définir des variables permettant de mieux décrire l’environnement du problème.
Focus sur la prédiction du comportement utilisateur
Pour entraîner un modèle de prédiction du comportement utilisateur, nous avons utilisé un dataset public provenant du National Renewable Energy Laboratory (NREL) [9] aux Etats-Unis décrivant des sessions de charge.
Nous avons rassemblé des données provenant de différentes sources et les avons combinées en un jeu de données unique.
Afin de gérer le problème des données manquantes ou erronées, courantes dans un système Internet Of Things, un filtrage et une complétion ont été appliqués sur les données. La majeure partie du travail sur le preprocessing s’est concentré sur le feature engineering, c’est-à-dire, donner au modèle autant d’informations que possible pour chaque élément qu’il souhaite prédire.
Ensuite, les données préparées ont été utilisées pour entraîner un modèle prédictif.
Enfin, le modèle est évalué en étudiant son erreur moyenne et la valeur ajoutée pour chacune des étapes de la préparation des données via une étude d’ablation. Les prédictions ont été tracées et comparées avec les valeurs réelles afin d’observer la capacité du modèle à comprendre des comportements complexes (Figure 1). Le pipeline du modèle est illustré en Figure 2.
Figure 1. Graphique des prédictions de l’énergie consommée pendant une session de charge
Figure 2. Pipeline du modèle pour la prédiction du comportement utilisateur
Résultats et conclusions
Nos travaux ont prouvé que le machine learning était pertinent pour prédire le comportement de l’utilisateur. Lors de l’évaluation, un modèle de référence utilisant la moyenne de la variable prédite a été défini afin de prouver l’intérêt du Machine Learning.
Notre modèle pour la prédiction de l’énergie chargée pendant une session a une erreur moyenne (RMSE) de 5.5 kWh (pour une consommation par session moyenne de 11 kWh) sur-performant ainsi le modèle de référence avec 7.73 kWh. Aussi, notre modèle pour la prédiction de la durée d’une session a une erreur moyenne de 1.67h (pour une durée moyenne par session de 10.34h) surpassant ainsi le modèle de référence dont l’erreur moyenne est de 5.48h. Enfin, nous sommes capables de prédire le taux d’occupation sur une station de recharge avec une erreur moyenne de 15 % (pour une occupation moyenne de 36 %) dépassant ainsi le modèle de référence avec une erreur moyenne de 18%.
Tableau 1 : Erreur moyenne (RMSE) obtenues avec les modèles prédictifs
| Modèle ML
(XGBoost) |
Modèle de référence (Moyenne glissante) |
|
| Prédiction énergie chargée | 5.5 kWh | 7.73 kWh |
| Prédiction durée session | 1.67 h | 5.48 h |
| Prédiction occupation station | 15% | 18% |
Pour les futurs travaux sur l’utilisation du machine learning pour la recharge de véhicule électrique, les acteurs du domaine devront se concentrer sur l’amélioration de la collecte des données à propos de l’environnement des stations de recharges. Par exemple les données météorologiques, le prix de l’électricité ou encore des évènements locaux [10].
Références :
[1] European Commission : Zero emission vehicles: first ‘Fit for 55′ deal will end the sale of new CO2 emitting cars in Europe by 2035, Ref, last accessed 28/02/2025
[2] European Commission : Final energy consumption in transport – detailed statistics, Ref, last accessed 21/02/2025
[3] Xiong Y., Chu C. -c., Gadh R. and Wang B. : Distributed optimal vehicle grid integration strategy with user behavior prediction, 2017 IEEE Power & Energy Society General Meeting, Chicago, IL, USA (2017) Ref
[4] Chung Y. W;, Khaki B.; Li T;, Chu C. and Gadh R. : Ensemble machine learning-based algorithm for electric vehicle user behavior prediction. Applied Energy, 254, 113732 (2019). Ref
[5] Lee Z. J.; Li T. and Low S. H. : Acn-data: Analysis and applications of an open ev charging dataset. In Proceedings of the tenth ACM international conference on future energy systems (pp. 139-149) (2019). Ref
[6] Ibrahim B.; Rabelo L.; Gutierrez-Franco; E. and Clavijo-Buritica N. : Machine learning for short-term load forecasting in smart grids. Energies, 15(21), 8079 (2022). Ref
[7] Ma T. Y. and Faye S. : Multistep electric vehicle charging station occupancy prediction using hybrid LSTM neural networks. Energy, 244, 123217 (2022). Ref
[8] Tolun Ö. C. ; Zor K. ; Tutsoy O. : A comprehensive benchmark of machine learning-based algorithms for medium-term electric vehicle charging demand prediction. The Journal of Supercomputing (2025). Ref
[9] Neuman C. ; Meintz A. ; Jun M. Workplace Charging Data Collection and Behavior (No. NREL/TP-5400-77515). National Renewable Energy Lab. (NREL), Golden, CO (United States) (2021) Ref
[10] Shahriar S. ; Al-Ali A. R. ; Osman A. H. ; Dhou S. ; Nijim M. : Machine learning approaches for EV charging behavior: A review. IEEE Access, 8, 168980-168993 (2020) Ref
