Accès et exploitation de l'infrastructure de recharge pour réduire les impacts sur le réseau de l'adoption profonde des véhicules électriques

Nature Energy volume 7, pages 932–945 (2022)Citer cet article

29 000 accès

12 Citations

849 Altmétrique

Détails des métriques

Les véhicules électriques contribueront à la réduction des émissions aux États-Unis, mais leur recharge pourrait remettre en question le fonctionnement du réseau électrique. Nous présentons un modèle réaliste et basé sur les données de la demande de recharge qui capture les divers comportements de recharge des futurs adoptants dans l'interconnexion ouest des États-Unis. Nous étudions le contrôle de la charge et la construction de l'infrastructure en tant que facteurs critiques façonnant la charge de charge et évaluons l'impact du réseau dans le cadre de l'adoption rapide des véhicules électriques avec un modèle de répartition économique détaillé de la génération 2035. Nous constatons que la demande nette d'électricité de pointe augmente jusqu'à 25 % avec l'adoption des prévisions et de 50 % dans un test de résistance avec une électrification complète. Des contrôles optimisés localement et une charge domestique élevée peuvent surcharger le réseau. Passer à la place à une charge diurne non contrôlée peut réduire les besoins de stockage, la production excessive de combustibles non fossiles, la montée en puissance et les émissions. Nos résultats exhortent les décideurs politiques à refléter les impacts au niveau de la génération dans les tarifs des services publics et à déployer une infrastructure de recharge qui favorise le passage de la recharge à domicile à la recharge de jour.

L'utilisation de véhicules électriques (VE), associée à un réseau électrique qui se décarbone, peut aider les États-Unis à atteindre leurs objectifs de réduction des émissions1,2. Les analystes du secteur prévoient que le nombre de véhicules électriques légers et de leurs prises de charge augmentera pour atteindre respectivement plus de 300 millions et 175 millions dans le monde d'ici 2035, une augmentation d'un ordre de grandeur par rapport à 20213. La recharge des véhicules électriques couple le transport vers le réseau, mais les transformations des deux secteurs sont largement désordonnées, malgré leurs objectifs communs de réduction des émissions4,5,6,7,8,9,10. Alors que les implications de l'électrification des transports pour le réseau ont été étudiées à des niveaux d'adoption faibles et à court terme, l'identification et l'atténuation des conséquences du système à des niveaux profonds d'adoption des VE sont restées un défi critique car elles nécessitent des modèles qui capturent les divers comportements et conditions de futurs conducteurs11.

L'infrastructure de charge, les contrôles et le comportement des conducteurs ont des implications sur les opérations du réseau, ce qui rend difficile la planification à long terme pour soutenir la demande de charge quotidienne dans des scénarios d'électrification élevée. Le comportement des conducteurs est très hétérogène et stochastique12,13,14,15,16 ; où, quand et à quelle fréquence les conducteurs choisissent de se brancher déterminent leur forme de charge et leur demande sur le réseau. L'ajout de contrôles de charge et la modification du paysage de l'infrastructure de charge en augmentant ou en diminuant la disponibilité des différentes options de charge représentent des outils puissants pour remodeler la charge afin d'améliorer les impacts sur le réseau aux niveaux futurs et profonds d'adoption des VE. Les commandes de charge, également appelées charge intelligente ou gérée, remodèlent la demande en retardant la charge à une durée prédéfinie ou en modulant la puissance délivrée tout au long de la session de charge d'un véhicule en réponse aux prix de l'électricité. La conception et la géographie du réseau d'infrastructures de recharge, à leur tour, modifient les choix disponibles pour les conducteurs et remodèlent la demande de recharge à l'échelle du système en modifiant le lieu de recharge et l'heure de la journée (par exemple, de la nuit si la recharge à domicile à midi si la recharge au travail ).

L'accès à la recharge est essentiel pour éviter les désagréments de recharge, qui peuvent être un obstacle à la fois à l'adoption et à l'utilisation continue des VE16,17,18,19,20. Les résidents aisés des maisons unifamiliales (SFH) sont surreprésentés parmi les premiers utilisateurs de VE et sont susceptibles d'avoir accès à la recharge à domicile21. Les ménages à faible revenu, les locataires et les résidents d'immeubles à appartements ou d'immeubles à logements multiples (MUD), quant à eux, sont tous moins susceptibles d'avoir accès à la recharge à domicile12,13,16,17,22,23 malgré des subventions ciblées24. Supposer que l'utilisation de l'infrastructure de recharge continuera de correspondre au comportement des premiers utilisateurs dénaturerait les options des futurs conducteurs et pourrait manquer des opportunités précieuses pour les ménages, les services publics et le régulateur.

Les approches existantes de modélisation de la demande de recharge à grande échelle imputent les décisions de tarification en fonction des comportements des premiers utilisateurs ou des hypothèses du modélisateur concernant le comportement des conducteurs9,10,25,26,27. De nombreuses études antérieures ont utilisé des contrôles de charge pour améliorer l'impact sur le réseau et les coûts des VE8,9,25,26,28,29,30,31,32,33,34,35,36. Cependant, la plupart des études ont des scénarios limités concernant l'accès à l'infrastructure de recharge, utilisent des contrôles optimisés de manière centralisée plutôt que site par site, évaluent des optimisations basées sur le calendrier ou se concentrent sur les ressources et les conditions actuelles du réseau, et peu incluent le stockage du réseau et calculent les émissions (Note complémentaire 1). Les études précédentes avec différents scénarios d'infrastructure de recharge se sont principalement concentrées sur les utilisateurs précoces et ne conceptualisent pas l'infrastructure comme un outil de contrôle de la recharge9,10,26,34,37,38. L'importance de l'infrastructure de recharge pour les voyages longue distance et les journées à haute énergie pour soutenir l'adoption des VE a été au centre d'autres études récentes18,39,40.

La recharge des VE a des conséquences sur la distribution, le transport et la production d'électricité41. Par exemple, il a été démontré qu'une charge incontrôlée augmente la demande de pointe et provoque une surcharge du transformateur5, force le remplacement précoce de l'équipement7, surcharge les lignes de transmission28, détériore la qualité de l'alimentation4,6 ou nécessite des mises à niveau des sous-stations42. Éviter les coûts élevés des mises à niveau du système de distribution est une valeur clé offerte par la charge contrôlée. Les véhicules électriques peuvent également apporter de la valeur au réseau en fournissant des services de régulation de fréquence et de rampe en temps réel43,44.

Dans cette étude, nous modélisons la demande quotidienne de recharge pour les véhicules électriques personnels dans des scénarios d'électrification élevée en 2035 pour la partie américaine du réseau Western Interconnection (WECC), couvrant 11 États avec plus de 75 millions de personnes45. Nous comparons une gamme de scénarios futurs pour comprendre comment l'infrastructure de charge, le contrôle et le comportement des conducteurs affecteront ensemble l'impact sur le réseau. Notre étude comprend deux stratégies (contrôle et construction d'infrastructures) et utilise des modèles réalistes et détaillés des trois éléments : comportement du conducteur, contrôle et répartition du réseau. Nous nous concentrons sur les schémas de charge typiques et agrégés des véhicules légers personnels en tant que facteurs d'impact sur le réseau au niveau générationnel. Notre objectif est d'identifier les scénarios d'adoption à grande échelle des véhicules électriques qui atténuent le mieux les conséquences négatives de la recharge et tracent une voie de décarbonation efficace via l'intégration véhicule-réseau. Nos résultats incitent à coupler les mesures de tarification et de planification du réseau. Pour rendre les contrôles de tarification plus efficaces, les décideurs politiques devraient envisager de coordonner la gestion des impacts de la production et de la distribution sur le réseau. Plus important encore, la planification devrait cibler la construction d'une infrastructure de recharge au cours de la prochaine décennie qui soutienne le passage de la recharge à domicile à la recharge de jour dans WECC.

Le comportement des conducteurs est très hétérogène. Nous utilisons une méthode probabiliste basée sur les données pour capturer les préférences de charge des conducteurs en fonction des modèles observés dans les données de charge réelles (Méthodes). Nous calibrons notre modèle à l'aide d'un ensemble de données de 2,8 millions de sessions enregistrées pour 27,7 mille conducteurs de véhicules électriques à batterie dans la région de la baie de Californie en 2019. Nous modélisons le lien entre les groupes de comportements de charge et le revenu des conducteurs, le logement, les kilomètres parcourus et l'accès aux options de charge comme illustré à la Fig. 1. Nous mettons en œuvre une charge contrôlée site par site pour simuler des réponses réalistes aux tarifs d'électricité. Nous nous concentrons sur la partie américaine du réseau WECC et simulons la facturation de plus de 48 millions de véhicules personnels dans ses 11 principaux États (Méthodes).

a, Un aperçu de l'approche de modélisation. Pour étudier les impacts sur le réseau des scénarios de recharge des véhicules électriques, la demande de recharge a été simulée pour chaque région à l'aide d'un modèle de comportement des conducteurs, les profils régionaux ont été agrégés et la dynamique du réseau a été modélisée, y compris la production de combustibles non fossiles, le stockage et la répartition des générateurs de combustibles fossiles. Dans les scénarios avec contrôle de charge, des contrôles de minuterie dans la charge résidentielle ont été appliqués lors de la génération de la demande de chaque comté, et des contrôles de modulation de charge dans la charge sur le lieu de travail ont été appliqués au profil de lieu de travail non contrôlé global pour WECC. Les États sont identifiés par une abréviation postale. La répartition horaire de la demande nette et de la demande totale sur les ressources de production de combustibles fossiles et non fossiles est illustrée pour un exemple de jour à l'étape « Grille modèle ». Les profils de demande net et total d'origine sont représentés respectivement par des lignes pointillées et pointillées, et les profils de demande net et total plus lisses obtenus grâce à l'envoi de 10 GW de stockage sur le réseau sont représentés par des lignes pleines et en pointillés, respectivement. b, Le modèle de demande de recharge de VE dans chaque région en fonction des caractéristiques du quartier, de l'accès à la recharge et des comportements des conducteurs (Méthodes). Les flèches sont codées par couleur selon les sources de données : US Census and Community Survey45 et EASI MRI Consumer Survey69 (bleu clair), California Vehicle Rebate Project (violet)71, California Energy Commission70 et National Renewable Energy Laboratory survey (rouge), University of California at Davis study12 (jaune), ensemble de sessions de charge de conducteurs observées (vert) et modélisées (gris) comme détaillé dans Méthodes. EASI MRI signifie Easy Analytic Software Inc. Mediamark Research, une base de données à partir de laquelle les données de kilométrage annuel au niveau du comté ont été consultées.

Une planification récente en Californie révèle que 50 % de la flotte de véhicules légers devra être électrifiée d'ici 2035 pour atteindre les prochaines échéances de décarbonisation et suivre les délais pour la fin des ventes de véhicules à moteur à combustion interne10,46. Conformément à ces études et à d'autres études sur l'électrification élevée47,48, nous incluons les résultats d'une adoption de 50 % ou de 24 millions de véhicules électriques dans le WECC (électrification de la moitié du parc de véhicules personnels) en 2035. L'industrie et les décideurs politiques, cependant, s'efforcent d'accélérer adoption encore plus rapide. Nous incluons les résultats pour une adoption à 100 % (électrification complète de la flotte de véhicules personnels) en tant que test de résistance pour caractériser l'état de préparation du réseau pour une adoption approfondie et identifier les changements supplémentaires qui seront nécessaires dans le réseau ou dans la recharge. Nous présentons également la sensibilité de tous les résultats clés à des niveaux d'adoption plus ou moins élevés tout au long du document.

Pour calculer l'impact sur le réseau au niveau de la production dans chaque scénario de charge, nous répartissons la demande globale d'électricité pour une année entière vers un modèle de futures ressources de production du réseau qui reflète les retraits et les ajouts prévus de générateurs à combustible fossile et l'augmentation du stockage éolien, solaire et du réseau. (Méthodes). Nous supposons que la production éolienne et solaire varie d'heure en heure tout au long de l'année, comme en 2019.

La consommation annuelle d'électricité de référence devrait augmenter de 16 % en moyenne d'ici 2035 en raison de l'électrification dans des applications autres que les transports, telles que le chauffage et le refroidissement48. Nous constatons que l'ajout de la recharge des véhicules électriques lors de l'adoption approfondie augmente encore la consommation annuelle d'électricité du même ordre de grandeur. Chaque pourcentage d'augmentation de l'adoption des véhicules électriques augmente la consommation totale d'environ 0,11 % dans ce système (Figure 7 supplémentaire). À 50 % d'adoption, cela équivaut à une augmentation de 5 % par rapport à la référence de 2035. Ensemble, l'augmentation totale due à l'électrification dans tous les secteurs atteint 22 % par rapport aux niveaux de 2019. Dans le test de résistance avec une adoption à 100 % des véhicules électriques, la consommation est augmentée de 11 % par les véhicules électriques et jusqu'à 28 % globalement par rapport aux niveaux de 2019.

Le moment de cette augmentation de la consommation d'électricité est critique, et les impacts de la recharge sur le réseau varient considérablement en fonction des différents profils de demande. Ainsi, nous modélisons quatre scénarios pour la future infrastructure de recharge en faisant varier l'accès à la recharge à domicile d'universel à faible sur la base des données d'une récente enquête californienne (Méthodes). Avec l'accès universel à domicile, 86 % de la consommation totale d'électricité se produit à domicile, contre 22 % dans les cas d'accès à domicile faible (note complémentaire 5 et tableau complémentaire 2). Dans chaque scénario d'accès, nous modélisons quatre types de contrôle de charge conventionnel pour représenter les implémentations courantes aux États-Unis aujourd'hui49 : les minuteries SFH réglées pour 21 h et 0 h contrôle de la modulation sur les lieux de travail répondant aux charges de la demande par la minimisation des pointes ou à des tarifs basés sur l'heure d'utilisation basés sur les émissions moyennes du réseau (Avg Em). Des pics de demande provenant des minuteries synchrones sont observés dans les données de charge actuelles et persistent dans de nombreux scénarios de planification10,52, malgré leurs impacts sur la stabilité du réseau53,54. Par contraste, nous modélisons un troisième type de contrôle de minuterie SFH où les conducteurs participants se voient attribuer au hasard une heure de début sur la demi-heure entre 20 h et 2 h 30. Enfin, nous modélisons un scénario supplémentaire, Business As Usual, comme un cas particulier de High Accès à domicile avec contrôle du lieu de travail et minuteries pour représenter le mélange dominant de stratégies de contrôle d'aujourd'hui. Il en résulte un total de 25 scénarios, dont un sous-ensemble est illustré à la Fig. 2.

a,b,d,e, Les profils non contrôlés pour un jour de semaine typique (à gauche) et un week-end (à droite) sont affichés pour l'accès universel à la maison (a) ; Accès à domicile élevé (b); Accès Bas Domicile, Haut Travail (d) et Bas Domicile, Accès Bas Travail (e). f–j, Le profil des jours de la semaine est illustré pour un exemple de chaque type de commande : minuteries SFH de minuit avec accès universel à la maison (f) ; Minuteries SFH de 21 h 00 avec accès High Home (g) ; minimisation des pics de travail avec Low Home, High Work access (h); la minimisation des émissions moyennes sur le lieu de travail avec un accès Low Home, Low Work (i) ; et minuteries SFH aléatoires entre 20 h et 2 h 30 avec accès High Home (j) (Méthodes). Les profils sont illustrés pour l'électrification complète des États américains dans le WECC afin de montrer la demande modélisée maximale. La demande est agrégée en heure locale pour cette illustration, mais dans la simulation, les deux fuseaux horaires sont reflétés et il y a un délai d'une heure entre les minuteries réglées sur Pacific et Mountain Time. c, Business As Usual est un cas particulier d'accès High Home avec un mélange de minuteries résidentielles à 20 h, 21 h, 22 h et minuit et un contrôle du lieu de travail de minimisation des pointes. Le profil des jours de la semaine et du week-end pour chaque scénario est répété pour compiler la demande de recharge de l'année complète. L2 signifie charge de niveau 2 et DCFC signifie charge rapide en courant continu.

La demande de base dans le WECC est la plus élevée en fin d'après-midi et en début de soirée. La demande totale maximale d'électricité d'un jour de semaine typique en 2035 sans VE est modélisée à environ 109 GW à 17 h. Chaque scénario de charge s'aligne différemment, comme le montre la Fig. plus tard vers 19 h, alors que la recharge diurne crée de nouveaux pics en milieu de matinée à 10 h et 11 h. La valeur du pic augmente modestement avec l'ajout de la recharge des VE jusqu'à environ 30 % d'adoption, après quoi il y a des points de rupture dans plusieurs scénarios. Les augmentations les plus fortes se produisent dans les scénarios de charge avec les pics les plus élevés une fois que les horaires de la demande totale de pointe et de la demande de charge de pointe sont alignés. Avec une adoption à 50 %, l'augmentation varie de 3 % à 9 % selon le scénario, comme le montre la Fig. 4. Dans le test de résistance avec une adoption à 100 %, la charge augmente la demande totale de pointe de 9 à 26 %. Les scénarios de recharge de jour augmentent la demande totale de pointe plus que les scénarios de recharge High Home et Universal Home, sauf dans les cas avec des minuteries de 21 h.

Le moment de la demande totale de pointe dépend de l'interaction de la tarification et de la demande de base. a, Le profil de demande pour chaque scénario d'accès avec une charge incontrôlée par rapport à la demande de référence non EV pour 2035. L2 signifie charge de niveau 2 et DCFC signifie charge rapide en courant continu. b,c, Les cadrans d'horloge sous chaque profil illustrent le moment de la demande totale de pointe pour ce scénario d'accès sous toutes les options de contrôle pour l'adoption de 50 % de VE (b) et l'adoption de 100 % de VE (c). Min(peak) fait référence au contrôle du lieu de travail de minimisation du pic et Min(Avg Em) fait référence au contrôle du lieu de travail conçu pour minimiser les émissions moyennes du réseau. Des bordures épaisses sont utilisées pour indiquer les pics pm. Nous observons le moment des changements de pointe de 17 h avant les véhicules électriques à tard dans la soirée dans de nombreux scénarios de recharge à domicile ou au milieu de la matinée dans les scénarios de recharge de jour. d, La variation en pourcentage de la demande totale de pointe à mesure que l'adoption des véhicules électriques varie de 10 % à 100 %.

a, Une journée type à partir de la répartition pré-EV est utilisée pour illustrer le calcul de la demande nette : la production de combustibles non fossiles est répartie en premier ; la demande nette est calculée en soustrayant cette production de la demande totale. La demande totale est représentée par une ligne pointillée et la demande nette est représentée par une ligne pleine. b,c, Une comparaison de l'augmentation de la demande totale de pointe (b) et de la demande nette de pointe (c) par rapport à la demande d'électricité avant les véhicules électriques. Les valeurs pour l'adoption de 50 % et de 100 % de véhicules électriques sont indiquées. Nous avons observé que l'accès à domicile élevé entraîne la plus faible augmentation de la demande totale de pointe, mais les scénarios de recharge de jour entraînent les augmentations les plus faibles de la demande nette de pointe. Les formes courtes suivantes sont utilisées pour les scénarios d'accès : UH = Universal Home ; HH = Maison élevée ; LHLW = Low Home, Low Work ; LHHW = Bas Accueil, Haut Travail. d,e, Le moment de la demande nette de pointe dans chaque scénario pour l'adoption de 50 % de VE (d) et l'adoption de 100 % de VE (e). Nous constatons que la demande nette de pointe se produit le soir dans tous les scénarios, car la plupart des recharges de jour sont couvertes par la production de combustibles non fossiles.

La demande totale, cependant, ne raconte pas toute l'histoire de l'impact sur le réseau, et il est essentiel d'étudier comment cette demande est ressentie à travers les différentes sources de production d'électricité. La demande nette, calculée en supprimant la contribution de la production de combustibles non fossiles, entraîne l'envoi de générateurs de combustibles fossiles.

Pour mieux comprendre ces impacts, nous avons développé un modèle détaillé du réseau en 2035 sur la base des résultats de la récente planification de l'expansion de la capacité au niveau de l'État et de la région55,56. Nous avons étendu le modèle de répartition basé sur les commandes au mérite présenté par Deetjen et Azevedo57 pour refléter les retraits et les ajouts de générateurs annoncés, nous avons augmenté la demande de base et nous avons augmenté la production solaire et éolienne à des niveaux de référence de 3,5 × et 3 × 2019, respectivement. Nous avons additionné la demande de charge dans les stations rapides et lentes, la maison, le lieu de travail et la charge publique pour étudier les impacts sur le système d'alimentation en masse, et nous avons supposé que le système de distribution pouvait gérer la demande (Méthodes).

Les variations de la demande nette de pointe, illustrées à la Fig. 4, révèlent l'impact opposé à celui de la demande totale. Les scénarios de recharge à domicile, et non les scénarios de recharge de jour, ont un impact plus important sur la demande nette de pointe et mettent plus de pression sur le parc restant de générateurs à combustible fossile. Grâce à une production solaire élevée pendant la journée, la demande nette de pointe se produit le soir dans tous les scénarios. Le scénario Business As Usual augmente la demande nette de pointe typique de 1,6 × de plus que le scénario Low Home, High Work avec 50 % de VE ou 1,8 × avec 100 %. Dans le pire des cas, le scénario d'accès Universal Home avec des minuteries SFH à 21 h l'augmente de 3,3 × ou 3,4 ×.

Se concentrer sur la recharge de jour pour minimiser les impacts sur le réseau est la première conclusion majeure de cette étude. D'abord dessiné ici, il est étayé par toutes les analyses suivantes. Le moment de l'augmentation de la demande est plus important dans le futur réseau avec une augmentation de la production d'énergie renouvelable. Les scénarios de recharge de jour bénéficient de leur alignement sur la production solaire, tandis que les scénarios de recharge de nuit manquent cette opportunité.

Pour garantir la capacité du réseau à prendre en charge la recharge en cas de taux d'adoption élevés des véhicules électriques, le stockage sera nécessaire. Une petite quantité, 0,39 GW, est nécessaire pour répondre à la demande de base. La planification récente de la Californie vise 9,7 GW de stockage sur le réseau pendant 4 h d'ici 203058, ce qui représenterait une augmentation de plus de 40 fois par rapport aux niveaux de 2019.

Nous constatons que 10 GW de stockage installés dans WECC suffisent pour que le réseau prenne en charge au moins 50 % d'adoption des véhicules électriques. Dans le WECC en 2035 avec la recharge de véhicules électriques Business As Usual, 10 GW représentent entre 8 % et 9 % de la demande totale de pointe un jour de semaine typique ou entre 6 % et 7 % de la demande totale de pointe un jour extrême. Le réseau peut prendre en charge plus de VE dans les scénarios avec plus de charge de jour et moins de VE dans les scénarios avec plus de charge à domicile, comme illustré à la Fig. 5a.

a, Le niveau maximal d'adoption de VE pour lequel la recharge peut être prise en charge avant que la capacité de production ne soit insuffisante au moins 1 h dans l'année dans le réseau 2035. Il est possible de prendre en charge davantage de véhicules électriques dans les scénarios d'accès à domicile faible, grâce à un meilleur alignement de la charge avec les heures de faible demande de base et une production renouvelable plus élevée. Ce modèle de réseau en 2035 comprend 10 GW de stockage d'une durée de 4 h, indépendant de la technologie, exploité pour lisser la demande nette. BAU signifie Business As Usual. Max signifie Maximum. b, La capacité minimale de stockage d'une durée de 4 h qui permettrait au réseau de prendre en charge la charge pour des niveaux croissants d'adoption de VE. Ce type de stockage est distribué après toutes les autres ressources de production pour couvrir la demande non satisfaite et nous supposons que du solaire supplémentaire est déployé pour le recharger (Méthodes). c, Un examen approfondi de la quantité de stockage nécessaire pour prendre en charge l'adoption de 50 % ou 100 % des véhicules électriques en 2035. Avec une charge incontrôlée dans le meilleur des cas, le scénario d'accès Low Home, High Work ne nécessiterait que 4,2 GW ou 3,6 % de demande totale de pointe typique en semaine pour ce scénario. Dans notre test de résistance avec une adoption à 100 % des véhicules électriques, le réseau aurait besoin de 8,1 GW de stockage ou de 6,1 % de la demande totale de pointe typique en semaine. À 50 %, nous constatons que les besoins en stockage varient d'un facteur de 1,9 × de 3,9 GW à 7,4 GW entre les scénarios. À 100 %, nous constatons que le besoin varie de 3,3 × de 7,4 GW à 24,5 GW entre les scénarios.

Dans le meilleur des cas, avec un accès Low Home, Business As Usual ou High Home avec minuit ou des minuteries aléatoires, le réseau peut prendre en charge la facturation pour une adoption à 100 % des véhicules électriques. Dans le pire des cas, avec l'accès universel à la maison et les minuteries de 21 h, le réseau ne peut prendre en charge que 59 % d'adoption des véhicules électriques.

Les contrôles de charge sont souvent présentés comme une solution aux contraintes de capacité du réseau et, en effet, nous constatons que les minuteries SFH de 12 h et les minuteries SFH aléatoires augmentent considérablement le niveau d'adoption des VE que le réseau peut prendre en charge. Dans le scénario Universal Home Access, ils augmentent la capacité de 67% à 86% et 83%.

Cependant, l'ajout de 10 GW de stockage coûte cher, et nous calculons donc la quantité de stockage nécessaire dans chaque scénario. Sur la figure 5b, nous montrons la quantité minimale de stockage de réseau de 4 h qui serait suffisante pour couvrir toute la demande non satisfaite. Heureusement, la plupart des scénarios nécessitent moins de 10 GW pour atteindre 50 % ou même 100 % d'adoption des véhicules électriques, comme le montrent les Fig. 5b, c. Encore une fois, nous constatons que les scénarios avec plus de recharge pendant la journée sont meilleurs que ceux avec une recharge élevée à domicile.

Les politiques soutenant un avenir avec un accès Low Home, High Work pourraient se traduire par des économies de stockage remarquables. Avec une recharge incontrôlée et une adoption de 50 % des véhicules électriques, ce scénario réduirait les besoins en stockage de 1,3 × par rapport au statu quo ou de 1,7 × par rapport à l'accès universel non contrôlé à la maison. Le passage de la facturation du statu quo au scénario de facturation de l'accès à faible domicile et travail élevé réduirait le coût du stockage installé de 0,7 milliard de dollars US avec une prévision optimiste de 143 USD kWh-1 pour le coût du stockage ou de 1,5 milliard de dollars US avec une prévision plus élevée. coût de 299 US$ kWh−1 (réfs. 59,60). Ces économies sont substantielles par rapport aux coûts totaux de l'électricité (Note complémentaire 6) et augmentent considérablement à mesure que nous examinons des niveaux plus élevés d'adoption des VE. Dans le test de résistance avec une adoption à 100 % des véhicules électriques, le passage à l'accès Low Home, High Work entraînerait des économies de 1,6 milliard de dollars US ou de 3,4 milliards de dollars US avec l'une ou l'autre des prévisions de coûts.

Le stockage peut également fournir d'autres valeurs à la grille. Les politiques encourageant la recharge pendant la journée pourraient se traduire par une meilleure fiabilité du réseau en libérant de la capacité de stockage pour servir de réserve pour les jours extrêmes ou fournir d'autres services de réseau, plutôt que de couvrir la demande de pointe induite par la recharge des véhicules électriques.

La deuxième conclusion majeure de cette étude est que les implémentations courantes de contrôle de charge peuvent avoir de graves impacts au niveau de la génération lors d'une adoption profonde. Le contrôle de la minuterie, en particulier, peut avoir des impacts négatifs importants. En étudiant l'augmentation de la demande nette de pointe sur la Fig. 4, nous avons constaté que les minuteries SFH de 21 h entraînaient de fortes augmentations, jusqu'à 25 % avec une adoption à 50 % des véhicules électriques ou jusqu'à 50 % avec une adoption à 100 % des véhicules électriques. Les impacts sur le stockage sont moins graves à 50 % d'adoption, mais en regardant la Fig. 5b, nous pouvons voir que la demande de stockage augmente très rapidement à des niveaux plus élevés. Une capacité de production supplémentaire à 21 h devrait être ajoutée avant que l'adoption des véhicules électriques n'atteigne 100 % dans le scénario d'accès universel à la maison pour éviter que la demande de stockage ne dépasse 24 GW, soit plus de 18 % de la demande totale de pointe typique en 2035. Avec Low Home, High L'accès au travail et le contrôle de la minimisation des pics augmenteraient les besoins de stockage de 1,5 × par rapport à la quantité non contrôlée en poussant la charge jusqu'à la fin de l'après-midi où la demande de base est déjà élevée, ce qui augmenterait la demande nette de pointe.

Dans cette section, nous supposons que la quantité prévue de stockage sur le réseau de 10 GW est ajoutée et exploitée pour lisser la demande nette. Même ainsi, il existe des rampes substantielles d'une heure dans les profils finaux envoyés aux générateurs de combustibles fossiles, comme le montre la Fig. 6. Il s'agit d'une mesure importante pour la fiabilité du réseau, car une montée en puissance fréquente et rapide des générateurs de combustibles fossiles peut raccourcir la durée de vie des centrales et augmenter les coûts opérationnels43,61. Tous les scénarios partent d'une situation où il n'y a pas de VE, et l'ajout de la charge de jour diminue la montée en puissance en aplatissant la demande nette tandis que l'ajout de la recharge à domicile augmente la montée en puissance car elle s'aligne sur le pic de référence (Fig. 5 et note complémentaire 7). Les temporisateurs aléatoires et SFH de 12 h peuvent réduire la montée en puissance dans certains scénarios, mais l'effet de l'ajout de contrôle est faible par rapport à l'effet de la commutation entre les scénarios d'accès de charge.

a,c, la rampe maximale d'une heure dans le profil moyen de la demande quotidienne de production de combustibles fossiles dans chaque scénario de recharge pour l'adoption de 50 % (lignes pointillées) et de 100 % d'adoption de véhicules électriques (lignes pleines) (a) et à tous les niveaux d'adoption ( c). b,d, Les valeurs pour 50 %, 100 % (b) et d'autres niveaux d'adoption de VE (d) de la quantité annuelle totale de production excédentaire de combustibles non fossiles. Dans chaque scénario, 10 GW de stockage sur le réseau ont fonctionné pour lisser la demande nette. Nous constatons que la montée en puissance et la production excessive de combustibles non fossiles sont plus faibles dans les scénarios avec une faible charge à domicile et une charge diurne élevée. La rampe augmente avec l'ajout de véhicules électriques dans les scénarios avec une charge domestique élevée, mais diminue dans les scénarios avec une charge diurne élevée ; l'ajout de la demande de recharge de VE diminue la quantité de production excessive de combustibles non fossiles dans tous les scénarios, la plus rapide dans ceux avec plus de recharge de jour.

Pour certains de nos jours modélisés dans l'année, la production de combustibles non fossiles dépasse la demande. Sans modélisation de la transmission, nous ne pouvons pas déterminer si cette production excédentaire est réduite ou exportée vers une autre région. Dans les deux cas, cela peut représenter une occasion manquée pour WECC de réduire ses émissions et d'augmenter son utilisation de sources de combustibles non fossiles. Sans les véhicules électriques, la production excédentaire annuelle totale de combustibles non fossiles est d'environ 2,8 TWh. Ce montant diminue dans tous les scénarios à mesure que davantage de véhicules électriques sont ajoutés, le plus rapidement dans les scénarios avec plus de recharge pendant la journée, comme illustré à la Fig. cela tombe à seulement 0,5 TWh avec une adoption à 100 % des véhicules électriques. Les scénarios avec une charge diurne élevée s'alignent mieux sur la production d'énergie renouvelable et utilisent davantage cette énergie excédentaire (note complémentaire 7). Encore une fois, la modification de l'accès à la recharge a un effet plus important que l'ajout de contrôle.

Les émissions d'échappement des véhicules de tourisme à moteur à combustion interne vendus aux États-Unis varient selon le type (note complémentaire 8). Les camions légers et les véhicules utilitaires sport (SUV) étant le segment le plus populaire, l'Environmental Protection Agency (EPA) des États-Unis estime qu'un véhicule de tourisme moyen aux États-Unis émet environ 404 g de CO2 par mile par son tuyau d'échappement62. Les berlines émettent moins; la Honda Civic 2019, par exemple, émet environ 276 g de CO2 par mile (réf. 63). Nous constatons que les émissions ajoutées du réseau de CO2 par mile de recharge de VE dans WECC sont nettement inférieures, entre 84 g et 88 g de CO2 par mile dans un scénario de base pour 2035 énergies renouvelables avec 50 % d'adoption de VE ou entre 89 g et 93 g de CO2 par mile avec une adoption à 100 % des véhicules électriques. Cela représente une amélioration de plus de 4 fois les émissions opérationnelles par rapport au véhicule moyen à moteur à combustion interne ou une amélioration de 3 fois par rapport à une berline, qui est comparable en taille et en style aux véhicules électriques modélisés ici (Méthodes et note complémentaire 8). Des baisses similaires de SO2 et de NOX sont également observées (Figs. 8 et 9 supplémentaires).

Les scénarios avec moins de recharge à domicile produisent moins d'émissions de CO2 par mile, comme le montre la Fig. 7. Ce résultat est cohérent dans les scénarios de réseau et les niveaux d'adoption des VE. Dans le scénario de base « Moyennes énergies renouvelables » avec des niveaux d'énergie solaire et éolienne de 3,5 × et 3 × 2019, l'écart entre le meilleur et le pire des cas est de 5 % à 50 % d'adoption des VE ou de 4,5 % à 100 % d'adoption des VE. Avec des énergies renouvelables élevées à des niveaux de 5 × 2019, nous constatons une plus grande différence d'émissions entre les scénarios. Universal Home a des émissions jusqu'à 36 % plus élevées par mile que Low Home, High Work access avec 50 % de VE, ou jusqu'à 23 % d'émissions plus élevées avec 100 % de VE.

a–d, les émissions de CO2 supplémentaires associées à la demande supplémentaire de recharge de VE sont présentées pour deux niveaux d'adoption de VE — 50 % (a,c) et 100 % (b,d) — et deux scénarios de production d'énergie renouvelable en 2035 : la base cas des énergies renouvelables moyennes avec 3,5 × et 3 × l'énergie éolienne et solaire de 2019 (a, b) et des énergies renouvelables élevées avec 5 × niveaux de 2019 de chacun (c, d). Nous constatons que les scénarios de recharge de jour ont des émissions inférieures à celles des scénarios de recharge à domicile dans les deux conditions de réseau. Les émissions du pire scénario sont supérieures au meilleur de 5,0 % et 36,6 %, respectivement, dans les deux réseaux avec une adoption de 50 % des véhicules électriques. Nous constatons les mêmes tendances avec une adoption à 100 % des véhicules électriques, avec des écarts légèrement plus faibles de 4,5 % et 23,0 % entre le meilleur et le pire des scénarios. e, Le profil médian (50e centile) des émissions moyennes et marginales pour les jours de semaine en 2035 ; les bandes ombrées montrent la plage du 25e au 75e centile, mettant en évidence l'incertitude. f,g, L'ordre de mérite des générateurs classés par coût tel qu'utilisé par le modèle de répartition77 : coût de production (f) et taux d'émission de CO2 (g) pour chaque générateur. La largeur de la barre de chaque générateur indique sa capacité. L'ordre de répartition est très variable tout au long de l'année avec des prix historiques du carburant variables et l'ordre de mérite de chaque semaine mélange les générateurs de cette manière. Des semaines supplémentaires sont présentées dans la Fig. 12 supplémentaire.

Différentes stratégies de contrôle de charge ne modifient pas notre résultat de plus de 2 %. La charge non contrôlée sur le lieu de travail est bien alignée sur la production solaire, et nous constatons que le contrôle moyen de la minimisation des émissions ne réduit pas de manière significative les émissions par rapport à la non contrôlée. Cela se produit, en partie, parce que les émissions moyennes et marginales ne sont pas alignées. Les émissions moyennes sont faibles pendant la journée grâce à une production solaire élevée, mais les émissions marginales sont souvent plus élevées pendant la journée qu'à d'autres moments (Figures supplémentaires 10 et 11). Bien que les émissions moyennes aient diminué, les émissions marginales ont augmenté aux États-Unis au cours de la dernière décennie64. Le contrôle a utilisé les émissions moyennes comme objectif fixe tout au long de l'année. Cela a conduit à une utilisation légèrement meilleure de la production excédentaire de combustibles non fossiles, comme nous l'avons vu sur la figure 7, mais il n'y avait que jusqu'à 100 jours dans l'année avec une production excédentaire de combustibles non fossiles à cibler. Les autres jours, ce contrôle a augmenté la demande diurne de générateurs à combustible fossile avec des émissions marginales souvent élevées.

Cependant, l'amélioration de cette conception de contrôle serait difficile car le profil des émissions marginales et l'ordre de répartition des générateurs changent tout au long de l'année. La figure 7b montre la forte incertitude des facteurs d'émission marginaux, souvent plus élevés à midi, et des facteurs d'émission moyens, qui sont les plus bas à midi. La figure 7c montre l'ordre de mérite des générateurs à combustible fossile à partir d'une semaine au milieu de l'année. Des générateurs à fortes et faibles émissions sont présents tout au long de l'ordre de mérite, le profil quotidien des facteurs d'émission marginaux est très variable et l'évolution de la demande pour ces générateurs a un impact incohérent et faible sur les émissions totales.

La planification actuelle du réseau dépend des modèles de demande de recharge future. Cette étude a testé la sensibilité de ces plans à différentes réalisations de tarification basées sur des scénarios de comportement du conducteur, d'infrastructure et de contrôle. Dans la Fig. 8, nous testons la sensibilité de nos résultats aux mises à jour dans la planification du réseau. Dans chaque cas, nous tirons la même conclusion : l'accès à la recharge Low Home réduit les émissions du réseau de véhicules électriques, les besoins de stockage, la montée en puissance et la production excessive de carburants non fossiles par rapport aux scénarios d'accès à la recharge High ou Universal Home. Les coûts et les avantages en matière d'émissions de chaque scénario de tarification sont abordés dans la note complémentaire 9.

Nous testons des augmentations de 10 % (lignes pleines) et des diminutions de 10 % (lignes pointillées) de la capacité de production solaire, éolienne, au gaz et au charbon. Nous montrons les résultats uniquement pour les scénarios de charge non contrôlés afin de faciliter leur lecture. a–h, le résultat pour une adoption à 50 % des véhicules électriques (a–d) et le résultat pour une adoption à 100 % des véhicules électriques (e–h). Dans tous les cas, nous constatons que la principale conclusion est valable : les scénarios de recharge de jour réduisent les impacts sur le réseau par rapport aux scénarios avec une forte recharge à domicile. L'ajout de capacité éolienne et solaire améliore les émissions du réseau, en particulier avec la charge de jour. Augmenter la capacité de gaz et de charbon de 10 % est suffisant pour éliminer le besoin de stockage sur le réseau pour couvrir la facturation de l'adoption de 50 % de véhicules électriques, car la capacité supplémentaire et le stockage sur le réseau agissent comme des pointes. Seuls le solaire et le vent changent la montée en puissance ou la quantité de production excédentaire de combustibles non fossiles, car ces deux résultats dépendent du profil de la demande nette. Ici, les formes abrégées suivantes pour les scénarios d'accès sont utilisées : UH = Universal Home ; HH = Maison élevée ; LHLW = Low Home, Low Work ; LHHW = Bas Accueil, Haut Travail. Les abréviations suivantes sont utilisées dans l'étiquetage : chg = changer ; plafond = capacité ; et gen = génération.

Nous fournissons une analyse de sensibilité aux prix du gaz naturel, à la capacité de la batterie du véhicule et à la prévalence de la charge rapide dans les figures supplémentaires. 17–19.

Nos résultats montrent le potentiel de l'infrastructure de recharge pour améliorer l'intégration au réseau des VE dans le WECC à des niveaux d'adoption élevés. Dans le futur réseau avec une production renouvelable plus élevée, le calendrier est plus important et la demande nette raconte une histoire très différente de la demande totale. Le déplacement des conducteurs de la recharge à domicile vers la recharge de jour améliore toutes les mesures de l'impact sur le réseau, y compris la montée en puissance, l'utilisation de la production de combustibles non fossiles, les exigences de stockage et les émissions. Cette idée est robuste à différents niveaux d'adoption des véhicules électriques.

Nos résultats exigent un accès élargi à la recharge pendant la journée ; la simple limitation de la recharge à domicile pourrait avoir un impact négatif sur l'adoption et contribuer à un accès inéquitable à la possession de véhicules électriques. Les décideurs politiques doivent veiller à ce que les options de recharge de jour soient pratiques, peu coûteuses, généralisées et ouvertes au public.

Bien que les réductions d'émissions débloquées en passant d'un scénario de recharge à l'autre soient modestes avec des niveaux moyens d'énergies renouvelables, les besoins de stockage sur le réseau sont substantiels. Le stockage coûte cher, la pénétration actuelle du réseau est faible et l'industrie est déjà sous pression pour se développer face à d'autres défis liés au réseau. En évitant le pic du soir et en s'alignant mieux sur les énergies renouvelables, les scénarios de recharge de jour réduisent la quantité de stockage nécessaire pour prendre en charge la recharge des véhicules électriques et la libèrent pour fournir d'autres services.

Nos résultats révèlent également des défis liés aux contrôles de tarification basés sur les grilles tarifaires existantes et proposées. Les contrôles centralisés de l'opérateur de réseau peuvent changer cette situation pour garantir le bon fonctionnement du réseau.

Nous révélons un conflit entre les avantages au niveau du système et du site. Le contrôle de la minimisation des pointes est largement mis en œuvre sur les sites commerciaux en fonction des limites de capacité des équipements et des tarifs d'électricité conçus pour protéger l'infrastructure du système de distribution7. Cependant, l'étalement de la charge sur le lieu de travail tout au long de la journée augmente la demande en fin d'après-midi, lorsque la forte demande de base et la diminution de la production solaire sollicitent déjà le réseau au niveau de la production, ce qui entraîne des besoins de stockage plus élevés. Compte tenu des coûts élevés des mises à niveau du système de stockage et de distribution du réseau, des recherches supplémentaires sont nécessaires pour évaluer le compromis entre ces objectifs.

Un conflit similaire a récemment été identifié avec le contrôle de la recharge à domicile au Royaume-Uni28. Cela représente également une tension entre les préoccupations à court terme concernant les mises à niveau des infrastructures et les préoccupations à long terme concernant la décarbonisation du réseau. Les services publics de Californie s'éloignent des frais de demande sur les sites commerciaux de véhicules électriques afin d'améliorer le dossier économique des exploitants de stations et d'encourager l'adoption65. Un problème similaire se pose dans la conception des tarifs résidentiels entre des structures simples et complexes, qui ont de meilleurs impacts sur le réseau54, mais introduisent des défis pratiques, réglementaires et éthiques liés à l'attribution de tarifs différents aux clients voisins.

Nous constatons que le contrôle du lieu de travail conçu pour aligner la tarification sur les faibles émissions moyennes du réseau ne permet pas de réaliser des réductions significatives lorsqu'il est mis en œuvre. La grande variabilité dans l'ordre de répartition des générateurs et le profil des émissions marginales rendent difficile la conception de programmes de taux de réduction des émissions. En plus d'équilibrer les impacts au niveau de la distribution et de la production, les futurs tarifs d'électricité devraient mieux s'harmoniser avec les prix de gros de l'électricité et pourraient varier d'un jour à l'autre en fonction des conditions de production du réseau.

Différentes hypothèses concernant la demande de référence future et les ressources de production pourraient conduire à des résultats différents, inversant éventuellement la dynamique de la recharge diurne et nocturne. Par exemple, la recharge contrôlée à domicile pourrait être la meilleure dans les systèmes à faible demande nocturne et fortement dépendants de la production éolienne nocturne. De même, les effets saisonniers causés par la variation de la température extérieure pourraient avoir une incidence sur les résultats dans certaines régions. Le couplage devrait également être exploré avec différents scénarios d'électrification dans d'autres secteurs que les transports et avec différentes voies de décarbonisation du réseau. Dans tous les cas, l'heure de la journée de charge compte.

La construction de nouvelles bornes de recharge représente une puissante forme de contrôle de la recharge sur plusieurs années pour améliorer les impacts de la recharge des véhicules électriques, soutenir une adoption généralisée équitable, réduire les émissions, soutenir l'intégration des énergies renouvelables et faciliter la transition vers un avenir décarboné.

Nous développons un modèle de recharge des VE et du réseau électrique pour étudier les conséquences de la demande de recharge sur les émissions, la capacité du réseau, les coûts, le stockage et l'intégration des énergies renouvelables en 2035 (Fig. 1a). Tout d'abord, nous développons des scénarios pour la future demande de recharge de VE minute par minute, en modélisant le comportement de recharge des conducteurs dans les états du WECC à l'aide d'un modèle probabiliste, basé sur les données, du comportement et de la recharge des conducteurs. Nous explorons ensuite une palette de scénarios de recharge maîtrisée ou de modification de l'accès des conducteurs à la recharge à domicile et au travail. Nous modélisons la recharge contrôlée dans les environnements résidentiels et professionnels en fonction des tarifs d'électricité existants. Nous répétons le profil typique des jours de semaine et de week-end pour chaque scénario de charge afin de représenter une année complète de demande de charge. Deuxièmement, nous étendons un modèle existant du réseau électrique pour représenter les conditions et le fonctionnement en 2035, en utilisant un modèle de distribution à commande réduite pour simuler l'utilisation de générateurs à combustibles fossiles et en tenant compte des niveaux futurs de production d'énergie renouvelable et de stockage sur le réseau. Ensuite, en combinant les deux éléments, nous calculons la répartition du réseau sur les 8 760 heures de l'année et les émissions associées à la demande supplémentaire de recharge des véhicules électriques pour étudier les impacts de chaque scénario.

La demande de recharge de véhicules électriques dépend du comportement du conducteur et du type de véhicule : où, quand, comment, à quelle fréquence et combien chaque conducteur recharge. Pour modéliser la demande de recharge dans le WECC, nous nous appuyons sur et étendons considérablement notre modèle de recharge antérieur, qui regroupait les conducteurs en groupes distincts en fonction de leurs comportements de recharge observés52. L'approche de modélisation complète est détaillée ici.

Ici, nous modélisons uniquement les véhicules personnels légers et ne modélisons pas les scénarios pour les véhicules utilitaires moyens et lourds. Les véhicules utilitaires suivront des schémas de tarification très différents, davantage dictés par les horaires que par le comportement ou les préférences des conducteurs. Les véhicules moyens et lourds connaîtront également des délais d'adoption différents66.

Le profil de recharge d'un conducteur est influencé par les besoins de mobilité, par les caractéristiques du véhicule et, surtout, par l'accès à la recharge à différents endroits. Les données utilisées pour cette étude capturent un large éventail de comportements pour les conducteurs de différentes marques et modèles de VE.

Pour modéliser le comportement de charge des conducteurs des groupes à faible revenu, des futurs adoptants et des autres conducteurs sous-représentés dans les données de charge historiques, nous avons utilisé ces trois facteurs comme intermédiaire : nous paramétrons les groupes de comportements observés des conducteurs actuels sur leurs besoins énergétiques, la batterie du véhicule la capacité et l'accès à la recharge et modéliser comment ces facteurs changeraient pour représenter les futurs moteurs de revenus ou de logements différents dans différentes régions des États-Unis. Le modèle probabiliste de la demande de charge reliant ces caractéristiques est illustré à la Fig. 1b.

Chaque connexion de la Fig. 1b représente une dépendance conditionnelle : compte tenu de la région du conducteur, nous modélisons la probabilité qu'il ait un type de logement, un niveau de revenu et une distance annuelle à parcourir ; compte tenu du revenu et du type d'habitation du conducteur, nous modélisons la probabilité qu'il dispose d'un véhicule à grande ou petite capacité de batterie et sa probabilité d'avoir accès à différents types de recharge à domicile ou sur son lieu de travail ; et compte tenu du kilométrage annuel du conducteur, nous modélisons sa demande annuelle totale d'énergie de recharge. Les liens ont été ajustés à l'aide d'une gamme d'entrées et d'ensembles de données décrits ci-dessous.

La modélisation de la gamme complète des adopteurs précoces, intermédiaires et tardifs est un défi majeur pour la planification à long terme des véhicules électriques. Les utilisateurs tardifs sont mieux représentés dans les données d'aujourd'hui parmi les résidents des MUD, les conducteurs sans accès à la recharge à domicile et les conducteurs avec des véhicules à petite batterie. Avec cette méthode, les modèles de comportement uniques des conducteurs dans chacun de ces segments sont capturés et redimensionnés pour créer de futurs scénarios de charge.

Les groupes de comportement des conducteurs sont identifiés en regroupant les conducteurs à partir d'un vaste ensemble de données de sessions de recharge réelles52 ; chaque groupe représentait un type unique de conducteur avec un schéma de recharge sur différents segments, à différents moments de la journée et à différentes fréquences. Nous concevons le vecteur de caractéristiques pour chaque conducteur afin d'inclure la capacité de la batterie de son véhicule et des statistiques décrivant son utilisation de chaque segment de charge : leur nombre de sessions, leur fréquence de charge le week-end plutôt qu'en semaine et leur heure moyenne de début de session, leur énergie et leur durée au sein de chaque segment. Nous modélisons les décisions de charge quotidiennes et les paramètres de session séparément pour les conducteurs de chaque groupe. Les données ne révèlent aucun lien direct clair entre les groupes de comportement des conducteurs et les indicateurs socio-économiques après prise en compte de l'accès, de la consommation d'énergie et de la capacité de la batterie du véhicule. Les comportements observés et capturés par ces clusters représentent les préférences révélées des conducteurs réels. Plusieurs comportements identifiés dans d'autres études sont confirmés dans ces données dont, par exemple, la présence de conducteurs plus ou moins averses au risque, de fortes habitudes de recharge régulière et une utilisation mixte des différentes infrastructures13,67. Ces comportements révélés sont différents de ceux identifiés par les enquêtes de préférences déclarées17. Les heures d'arrivée ont ensuite été validées à l'aide des données de l'Enquête nationale sur le transport des ménages de 2016-201768 à différents niveaux de revenu des ménages pour les répondants de la Bay Area (Note complémentaire 4).

Pour générer les scénarios présentés dans le document, nous modélisons séparément la demande de recharge pour chaque comté dans les 11 principaux États du WECC et agrégeons les profils régionaux. WECC fait référence à la Western Interconnection, supervisée par le Western Electricity Coordinating Council. Dans cette étude, nous avons exclu les parties canadienne et mexicaine du territoire. Nous déplaçons toute la demande de charge sur l'heure du Pacifique lors de la création de la demande globale.

En concaténant les profils de jour de semaine et de week-end pour compiler une année de charge, nous supposons que les effets saisonniers causés par les changements de température extérieure peuvent être négligés.

Nous avons consulté le nombre de véhicules de tourisme et les distributions au niveau des comtés des types de logement, des revenus des ménages et de la demande de déplacement à partir des données des recensements, des communautés et des enquêtes auprès des consommateurs45,69. Nous modélisons la dépendance de l'accès à la recharge résidentielle sur le revenu et le type de logement en utilisant les données d'une enquête de 2021 auprès des Californiens menée conjointement par la California Energy Commission et le National Renewable Energy Laboratory70. L'enquête définit trois tranches pour le revenu annuel des ménages : jusqu'à 60 000 $, entre 60 000 $ et 100 000 $ et supérieur à 100 000 $. Nous apparions les types de logements de l'enquête à cinq groupes dans les données du recensement : SFH détaché, SFH attenant, appartements de faible et moyenne hauteur, appartements de grande hauteur et maisons mobiles. Nous modélisons l'accès à la recharge sur le lieu de travail sur la base d'une enquête menée en 2018 auprès des navetteurs californiens12. Nous modélisons la dépendance de la capacité de la batterie au revenu du conducteur en utilisant les données du California Clean Vehicle Rebate Project sur plus de 400 000 achats de véhicules électriques en Californie entre 2010 et 202071.

Pour modéliser le comportement des conducteurs, nous utilisons un ensemble de données de plus de 2,8 millions de sessions de charge de 27,7 mille conducteurs de véhicules électriques à batterie enregistrés par un grand fournisseur de bornes de recharge en 2019 dans la région de la baie de San Francisco en Californie. Chaque session est associée à un ID de conducteur unique et l'heure de début, l'heure de fin, l'énergie, le taux de charge et la catégorie de localisation sont connus. Les sessions couvrent cinq segments : la recharge de niveau 2 (L2) sur le lieu de travail, la recharge publique de L2, la recharge publique rapide (DCFC), la recharge résidentielle de L2 SFH et la recharge résidentielle L2 de MUD. La charge L2 s'est produite à 6,6 kW et DCFC s'est produite à 150 kW.

Le nettoyage des données est décrit plus en détail dans la note supplémentaire 2 et les méthodes supplémentaires, et les statistiques sur les pilotes et les sessions sont présentées dans les figures supplémentaires. 1–3. Soixante-quinze pour cent des séances ont lieu sur les lieux de travail, suivis de 17 % en public, 8 % dans les SFH et moins de 1 % (3 592 séances) dans les MUD. Parmi les véhicules, 53 % ont de grandes capacités de batterie (supérieures à 50 kWh) et 47 % ont des capacités de batterie plus petites. La marque la plus courante est Tesla, suivie de Chevrolet et de Nissan. Cet ensemble de données sert de données de préférences révélées et contient un riche ensemble de comportements.

Nous partons du principe que tous les conducteurs ont accès à la recharge publique. Nous étiquetons l'accès à la recharge à domicile ou sur le lieu de travail pour les conducteurs dans l'ensemble de données en fonction de leur historique de recharge en 2019. Nous modélisons la recharge gratuite et payante sur le lieu de travail comme des catégories d'accès distinctes et attribuons un accès gratuit aux conducteurs dont les frais de session médians en 2019 étaient inférieurs à 0,05 USD. Nous définissons quatre scénarios en faisant varier l'accès des conducteurs à la recharge. Pour "l'accès universel à domicile", nous supposons que chaque conducteur de chaque niveau de logement et de revenu aurait accès à la recharge à domicile. Pour « l'accès à domicile élevé », nous modélisons l'accès à la recharge à domicile sur la base du scénario « accès potentiel avec modification du stationnement » de l'enquête70, en supposant que la recharge L2 serait installée pour tous les conducteurs qui ont répondu qu'ils pouvaient installer un certain type de recharge à leur résidence. Dans les deux cas, « Accès universel à domicile » et « Accès à domicile élevé », nous supposons que 50 % des conducteurs à revenu élevé auraient accès à la recharge sur leur lieu de travail sur la base de l'étude de 201812, et les conducteurs à faible revenu seraient moins susceptibles d'y avoir accès. Pour « Low Home, Low Work », nous avons modélisé l'accès à la recharge à domicile sur la base du scénario « accès existant » de l'enquête70, en supposant que seuls les conducteurs qui se garent déjà à côté de l'équipement de recharge de niveau 1 (L1) seraient en mesure d'installer des chargeurs à domicile L2 . Pour 'Low Home, High Work', nous avons utilisé le même modèle de faible accès à la recharge à domicile mais augmenté la probabilité d'accès à la recharge sur le lieu de travail, limitée par la fraction de Californiens qui conduisent pour se rendre au travail45. Dans tous les cas, nous supposons que la recharge sur le lieu de travail était gratuite pour 75 % de ceux qui y avaient accès. Les scénarios sont illustrés à la Fig. 1 et à la Fig. 28 supplémentaire.

Nous modélisons les décisions d'achat de véhicules dans les données du Clean Vehicle Rebate Project avec une régression logistique, représentant le revenu de chaque conducteur avec le revenu médian du ménage de son code postal et en utilisant des marques de véhicules haut de gamme pour représenter les véhicules à batterie plus gros. La probabilité moyenne qu'un conducteur achète un gros véhicule à batterie est de 30,6 %, 33,2 % et 37,9 % pour les conducteurs à revenu faible, moyen et élevé, respectivement. Nous modélisons la distribution de la consommation d'énergie annuelle totale des conducteurs en supposant une efficacité moyenne élevée dans les futurs véhicules électriques de 5 miles par kWh (réf. 72) avec des pertes négligeables d'efficacité de charge et définissons sept classes alignées sur les distributions de kilométrage annuel : (0, 600), (600, 1 000), (1 000, 1 600), (1 600, 2 000), (2 000, 3 000), (3 000, 4 000), (4 000, +) kWh. Nous supposons que la répartition des véhicules électriques sur les comtés correspondra à la répartition actuelle des véhicules de tourisme aux niveaux élevés d'adoption des véhicules électriques étudiés dans cet article.

Nous regroupons les pilotes en utilisant le regroupement agglomératif avec la méthode de Ward. L'algorithme de clustering est initialisé avec chaque pilote en tant que cluster séparé. Soit xd le vecteur de caractéristiques normalisé décrivant le pilote d. À chaque étape, l'algorithme choisit deux clusters à combiner de sorte que la variance totale intra-cluster73 soit minimisée. Où Cl désigne l'ensemble des pilotes dans le cluster l et \({x}^{{C}_{l}}\) représente le centroïde des vecteurs de caractéristiques des pilotes dans Cl, cela peut être exprimé comme

Cela crée une hiérarchie de clusters ; le diagramme en coude montrant le bénéfice marginal de chaque augmentation du nombre de grappes est utilisé pour sélectionner le seuil optimal. Nous avons regroupé les conducteurs dans chaque bac d'énergie de charge annuelle séparément et avons trouvé un total de 136 groupes. Le profil de charge typique en semaine pour les conducteurs de chaque groupe est illustré dans la Fig. 26 supplémentaire.

Nous modélisons la dépendance du groupe de conducteurs à l'accès, à la capacité de la batterie et à l'énergie en calculant la distribution des étiquettes de cluster pour les conducteurs dans chaque bac. Plus précisément, où NA, B, E désignent le nombre de conducteurs ayant accès A dans la cellule de capacité de batterie B et la cellule d'énergie E et où NG désigne le nombre de conducteurs dans le groupe G, la probabilité est calculée comme \(P(G| A, B,E)={N}_{A,B,E}\!^{G}/{N}_{A,B,E}\).

La probabilité qu'un conducteur d'un groupe donné charge dans chaque segment un jour de semaine ou de week-end est modélisée à l'aide des historiques de charge des conducteurs du groupe. Pour chaque groupe de conducteurs G et segment de charge z, nous modélisons la distribution conjointe des paramètres de session, de l'heure de début et de l'énergie, s, en utilisant un modèle de mélange gaussien avec jusqu'à K = 10 composantes réf. 74). La fonction de densité de probabilité du mélange peut donc être exprimée comme

Chaque composant, k, dans le modèle de mélange est une distribution gaussienne et son poids dans le mélange est P(k). Chaque composant représente un modèle distinct de comportement de charge qui se produit dans les sessions observées dans le segment z pour les conducteurs du groupe G. Dans cette notation, le composant k a une moyenne μk et un écart type σk, et \({\mathcal{N}}\ ) est un raccourci pour la formule de distribution gaussienne standard.

Nous avons testé la sensibilité des comportements de facturation aux États américains à l'aide de l'Enquête nationale sur les déplacements des ménages68 et avons constaté que toute différence de comportement au-delà de celles capturées par notre modèle de besoins énergétiques était faible.

Pour un petit nombre de bacs de batterie et d'énergie, il n'y a pas de pilotes avec accès MUD : nous modélisons la distribution des groupes de comportement pour ces bacs en utilisant d'autres bacs dans la catégorie d'accès MUD, en faisant correspondre au mieux d'abord l'accès, puis l'énergie, puis capacité de la batterie, basée sur des observations de l'impact relatif de chacun sur le profil d'un groupe. En modélisant l'accès à la recharge à domicile, nous supposons que la recharge pour les résidents des maisons mobiles pourrait être représentée par nos données sur les MUD et nous déclassons les résultats de l'enquête de 50 % pour refléter la difficulté spécifique d'installer la recharge L2 au lieu de la recharge L1 dans une maison mobile.

En raison de la structure probabiliste en boucle ouverte et de la taille des tranches de kilométrage de recensement, l'énergie annuelle totale varie légèrement entre les scénarios non contrôlés, de 8,654 × 107 MWh pour le scénario «Low Home High Work» à 8,994 × 107 MWh pour le « Scénario "Universal Home", une différence de moins de 5 %.

Pour générer la demande de recharge quotidienne dans chaque scénario, nous utilisons ce modèle pour échantillonner chaque session de recharge, en répétant pour simuler la recharge pour le nombre total de véhicules dans chaque région. L'ensemble total des sessions, leurs heures de début, leurs énergies et les taux de charge des segments, ont été utilisés pour définir les profils de charge de charge incontrôlés avec une résolution temporelle de 1 min. Avec cette approche, nous avons pu générer les profils de demande typiques en semaine et en week-end représentant 48,6 millions de conducteurs pour chaque scénario en moins de 9 min sur un ordinateur portable. Une charge contrôlée ou intelligente est appliquée à la sortie de ce module, en utilisant soit l'ensemble des paramètres de session, soit les profils non contrôlés.

Nous modélisons deux types de charge contrôlée : le contrôle du transfert de charge dans les résidences unifamiliales, où une session non contrôlée est retardée à une heure de début prédéfinie ; et le contrôle de la modulation de la charge sur les lieux de travail, où chaque véhicule au taux de charge d'un site est modulé tout au long de sa session pour optimiser le profil de charge global. Nous nous concentrons sur la recharge unidirectionnelle en raison de sa mise en œuvre généralisée. Des obstacles réglementaires, sociaux et techniques considérables subsistent au déploiement généralisé de la recharge bidirectionnelle ou du véhicule à tout (V2X), malgré la recherche universitaire croissante sur le sujet. Ces défis comprennent l'impact du V2X sur la santé de la batterie, l'acceptation des programmes V2X par les conducteurs, les implications en matière de fiscalité et de garantie et le développement d'un protocole de charge, de réglementations et de normes suffisants41,75.

Pour estimer l'effet du contrôle de la modulation de charge à grande échelle, nous avons ajusté un modèle basé sur les données des résultats de contrôle pour les sites à plus petite échelle, en suivant notre méthode proposée par Powell et al.76. L'approche complète est détaillée ici. Dans chaque cas, le conducteur reçoit la même quantité d'énergie que sans contrôle. Nous mettons en œuvre la minimisation des pointes et la minimisation des émissions moyennes.

Nous simulons 1 000 jours-site sur le lieu de travail avec 150 véhicules chacun en échantillonnant au hasard les sessions de charge sur le lieu de travail dans l'ensemble de données. Le problème d'optimisation pour la charge quotidienne est soumis à des contraintes limitant le taux de charge, l'intervalle de temps de charge et garantissant que chaque véhicule reçoit la même quantité d'énergie que lors de la session non contrôlée. Nous supposons que les paramètres de session sont connus à l'avance. Ecrite en fonction de la charge totale du site L à chaque heure de la journée t, la charge du site contrôlé après minimisation du pic est \({L}^{* }=\,{{\mbox{argmin}}}\,\,\ hop-math{\max }\nolimits_{t}{L}^{t}\). Étant donné le profil de facteur d'émission moyen quotidien, et, simulé par le modèle de répartition pour un scénario sans demande de recharge de VE, la charge du site contrôlé après la minimisation des émissions est L* = argmin∑tetLt.

Nous utilisons les résultats pour apprendre un modèle basé sur les données de la cartographie des profils de sites non contrôlés aux profils de sites contrôlés, f : L → L*. Nous modélisons f avec une régression de crête, normalisons et divisons les 1 000 profils de site en ensembles d'entraînement, de développement et de test et formons le modèle avec une validation croisée et une recherche de grille sur le paramètre de crête. Les erreurs quadratiques moyennes du modèle sur l'ensemble de développement pour les optimisations de minimisation de pointe et de minimisation des émissions étaient respectivement de 2,06 % et 3,34 % de la charge de pointe.

Dans la formulation d'optimisation pour la minimisation des émissions de charge sur le lieu de travail, nous avons ajouté un petit terme de régularisation proportionnel à la pente du profil agrégé pour encourager une répartition de charge plus fluide et plus réaliste.

Pour modéliser les profils finaux des scénarios de contrôle du lieu de travail, nous appliquons le modèle entraîné pour chaque objectif d'optimisation au profil de charge total du lieu de travail non contrôlé du WECC.

Plus de 31 % des sessions de recharge résidentielles de notre ensemble de données de recharge démontrent l'utilisation de minuteries pour retarder les heures de début de soirée jusqu'à la période de prix la plus basse du service public local. Nous supposons le même taux de réponse dans tous les scénarios futurs avec des minuteries.

Nous modélisons le contrôle de la minuterie de transfert de charge en identifiant les composants dans les modèles de mélange gaussien des comportements de session qui représentent ces comportements et en décalant leurs heures de début. Le scénario « Minuteries aléatoires » représente un cas théorique où les résidents utilisant des minuteries se sont vu attribuer au hasard des grilles tarifaires avec des périodes de prix les plus bas commençant à 20h30, 21h, 21h30, 22h, ..., 2h et 2h : 30 h Pour modéliser la charge résidentielle non contrôlée, nous supprimons ces composants des modèles mixtes et ajoutons leur poids aux autres composants avec des heures de début en soirée.

Le week-end, les distributions d'énergie pour les composants de la demande de charge résidentielle sont plus variables : en modélisant la charge résidentielle non contrôlée, nous ciblons spécifiquement les composants non temporisés dont les énergies les plus proches des composants temporisés sont supprimées.

Nous modélisons la partie américaine du WECC, en nous appuyant sur le modèle de répartition des générateurs d'ordre réduit proposé par Deetjen et Azevedo57,77 et en étendant le modèle pour prendre en compte à la fois la production de combustibles non fossiles et le stockage sur le réseau.

Le modèle de répartition construit un ordre de mérite des générateurs pour chaque semaine de l'année à l'aide de données de coût historiques et répartit les générateurs selon le coût le plus bas pour répondre à chaque heure de demande. Les coûts et la disponibilité des générateurs sont mis à jour chaque semaine ou chaque mois, selon les données disponibles, ce qui donne lieu à 52 commandes au mérite différentes tout au long de l'année. Nous construisons le modèle en utilisant les dernières données disponibles de 2019 et nous ajoutons plusieurs extensions pour représenter le futur réseau : nous supprimons ou ajoutons des unités de production en fonction des retraits et des ajouts annoncés jusqu'en 2035 ; nous augmentons la demande de base pour représenter l'électrification dans d'autres secteurs ; nous incluons deux scénarios pour une augmentation de la production d'énergie renouvelable ; nous modélisons le comportement des ajouts de stockage projetés à l'échelle du réseau et nous ajoutons la demande de nos scénarios de recharge de VE.

Comme les données historiques sur le prix du carburant et la production sont utilisées pour calculer le coût de production de chaque centrale, des facteurs tels que l'efficacité, la différence de contrat et l'emplacement conduisent les centrales du même type à avoir des coûts de production différents. En conséquence, les générateurs ne sont pas bien classés par leurs taux d'émission.

Une gamme de modèles de réseau est utilisée dans la littérature sur l'impact de la recharge des VE, y compris des modèles de transmission9,28, d'engagement d'unité25,34 et autres29,32. Le modèle de distribution d'ordre réduit proposé par Deetjen et Azevedo57 est rapide et peu coûteux en termes de calcul, ce qui nous permet de calculer et de comparer de nombreux scénarios. Il est également open source, hautement personnalisable et basé sur des données accessibles au public, ce qui nous permet également de partager notre modèle du futur réseau open source. Une revue de littérature plus détaillée est incluse dans la note complémentaire 1.

Les données recueillies par l'EPA par le biais de ses systèmes de surveillance continue des émissions donnent le fonctionnement horaire, la consommation de carburant, la capacité et les émissions pour chaque unité de production de combustibles fossiles dans WECC78. Les données recueillies par l'EPA dans sa base de données Emissions and Generation Integrated Resource donnent la date de construction, le type de combustible et l'emplacement de chaque centrale79. Les données recueillies par l'ensemble de données US Energy Information Administration Form 923 donnent les achats de carburant et les prix des centrales au charbon, au gaz naturel et au pétrole80. La production horaire à partir de sources de combustibles non fossiles, y compris le nucléaire, l'hydroélectricité, l'éolien et le solaire, a été consultée sur le site Web des données d'exploitation du système électrique de l'US Energy Information Administration81.

Les changements de production prévus et annoncés pour 2035 sont le résultat de modèles de planification d'expansion de la capacité qui incluent une prévision de scénario de base du statu quo de la demande de recharge de VE. Nous utilisons les résultats de ces modèles et annonces pour mettre à jour notre modèle de génération de réseau, puis modifions la part de la demande des VE pour tester la sensibilité des impacts du réseau à différents scénarios de charge.

Les centrales ou unités dont la mise hors service a été annoncée jusqu'en 2035 sont retirées de l'ensemble des producteurs56 : 7 644 MW de capacité au gaz naturel et 17 175 MW de capacité au charbon. Les ajouts annoncés sont inclus en dupliquant les centrales existantes les plus similaires, en donnant la priorité à celles qui sont en service depuis le plus récemment et dans la même région que les ajouts56 : 14 283 MW de gaz naturel et pas de charbon.

La demande de base est mise à l'échelle par un facteur de 1,16 pour représenter l'électrification sur la base du profil de charge du scénario d'électrification de référence et d'avancement technologique modéré de l'étude sur l'avenir de l'électrification48,82. Ce facteur a été calculé comme l'augmentation moyenne en pourcentage de la consommation par rapport aux niveaux de 2018 dans tous les États du WECC, à l'exclusion de celle associée à l'électrification des transports, en utilisant les données mises à disposition par Mai et al.48 et en interpolant entre les années 2030 et 2040. Cette estimation représente la l'effet d'une population croissante, le statu quo prévoit une augmentation de l'utilisation des technologies électriques pour le chauffage, le refroidissement, la cuisson et d'autres utilisations finales48 et des améliorations modérées de la technologie et de l'efficacité83.

Nous développons deux scénarios pour l'expansion de la production d'énergie renouvelable sur la base de projections récentes stimulées par le projet de loi 100 du Sénat californien, "The 100 Percent Clean Energy Act of 2018"58. Nous supposons que les augmentations de capacité prévues pour la Californie pourraient se refléter dans toute la région du WECC. Notre scénario "Moyennes renouvelables" basé sur les projections de 2035 place la capacité éolienne et solaire respectivement à 3 × et 3,5 × niveaux de 2019 ; et notre scénario "High Renewables" basé sur les projections de 2045 place la capacité éolienne et solaire chacune à 5 × niveaux de 2019. Nous modélisons une quantité de base de stockage de batterie dans WECC d'une capacité de 10 GW et d'une durée de 4 h sur la base du même rapport58,84.

Nous calculons la demande future à laquelle seront confrontés les générateurs de combustibles fossiles, Dff, en soustrayant la production basée sur les combustibles non fossiles ajustée, Gnon-ff, de la demande totale, Dtotal, ajustée pour l'électrification par le facteur αelect, et ajustée pour inclure la demande ajoutée de la recharge des véhicules électriques, des DEV. Le calcul peut être exprimé comme

Nous utilisons des multiplicateurs, αsolaire et αéolien, pour ajuster la production renouvelable et ainsi supposer que les futures installations auront les mêmes facteurs de capacité et les mêmes opérations que celles de 2019. Nous avons exploité les 10 GW de stockage de base avec un calendrier de charge r1 avant l'expédition pour la pointe. - rasage, optimisant le fonctionnement pour minimiser la norme de la demande à laquelle sont confrontés les générateurs à combustion, \({r}_{1}\!^{* }=\,{{\mathrm{argmin}}}\,\,| | {D}_{{{\mathrm{comb}}}}-{r}_{1}| {| }_{2}\). Toute surgénération est réduite à ce point pour assurer un Dff non négatif, dispatché. Le montant final envoyé aux producteurs était

Nous appliquons également un deuxième type de stockage, après l'expédition du générateur, en utilisant un stockage supplémentaire pour couvrir toute demande non satisfaite et en optimisant pour trouver la capacité supplémentaire minimale de stockage de 4 h nécessaire.

La capacité du réseau à prendre en charge les véhicules électriques est limitée par la capacité totale maximale des générateurs chaque semaine de l'année.

Pour tester la capacité et étudier les impacts à des niveaux d'adoption inférieurs, nous mettons à l'échelle la sortie du modèle pour la demande de recharge de VE à 100 %, en supposant une distribution constante de l'adoption.

La limite de capacité correspond au premier pourcentage d'adoption des véhicules électriques lorsque la charge totale, y compris les véhicules électriques, ne peut pas être prise en charge. Cette mesure est plus sensible aux journées extrêmes que l'étude du pic sur une journée moyenne, mais elle représente une réelle limitation et un impact réseau important. Il représente également un seuil important pour la fiabilité du réseau ; fonctionnant près de cette limite, le réseau est susceptible de manquer les jours de production inférieure à la moyenne ou de demande supérieure à la moyenne.

Le modèle de répartition utilise une heuristique pour implémenter des contraintes de temps d'arrêt minimum pour les centrales au charbon57. Nous supposons que ces contraintes seraient actives pendant les mêmes périodes de temps dans le futur réseau. Le modèle de répartition est mis à jour chaque semaine en fonction des données historiques sur les périodes où certains générateurs étaient hors ligne en 2019, de sorte que la capacité de production maximale varie chaque semaine. Lorsque la fenêtre pour laquelle une contrainte d'indisponibilité minimale est déclenchée franchit la division entre une semaine et la suivante, la capacité de cette période est limitée par la plus faible des capacités des deux semaines. Pendant ce temps, le besoin de stockage est calculé non pas sur la base de limites hebdomadaires, mais avec une série chronologique horaire de la demande qui n'a pas pu être satisfaite lors de l'exécution du modèle de répartition.

Les projections de capacité de stockage en 2035 sont très incertaines et couvrent une large gamme de valeurs. Les ajouts annoncés dans le WECC entraînent une augmentation d'environ 8 fois par rapport aux niveaux de 202056. Bien que la Californie ait déjà plus de trois fois la capacité de stockage à l'échelle du réseau de tout autre État85, l'exigence du rapport du projet de loi 100 du Sénat de 10 GW d'ici 2030 représenterait une augmentation de 50 × le niveau de 2019 de 0,2 GW (réf. 58). Nous supposons que cette valeur représenterait une projection de cas de base équitable pour l'installation totale dans WECC d'ici 2035.

Dans le deuxième type d'implémentation de stockage lors de l'ajout de capacité de stockage supplémentaire pour couvrir une demande non satisfaite, nous incluons un petit terme de régularisation dans l'objectif de bon fonctionnement de la batterie. Le stockage supplémentaire est nécessaire pour répondre aux contraintes de capacité en soirée. Nous supposons qu'il serait facturé à l'aide d'énergie solaire supplémentaire et nous n'itérons pas ou ne réexpédions pas avec la demande supplémentaire pour charger le stockage supplémentaire.

Nous calculons les émissions totales à chaque heure comme la somme des émissions de chaque générateur qui a été envoyé. Le dernier générateur envoyé pour chaque heure de demande est identifié comme le générateur marginal, et son taux d'émission en kgCO2 kWh−1 détermine le facteur d'émission marginal. Pour attribuer les émissions causées par l'ajout de VE dans chaque scénario, nous soustrayons les émissions totales de l'envoi d'un scénario parallèle sans demande de recharge de VE.

Nous calculons la production excédentaire de combustibles non fossiles en additionnant la production excédentaire sur les heures où la production de combustibles non fossiles dépasse la demande. Le modèle ne représente pas la transmission, l'interconnexion ou la congestion ; par conséquent, nous ne modélisons pas si la production excédentaire est réduite ou exportée vers une autre région.

Les données de charge utilisées dans cette étude ne peuvent pas être rendues publiques en raison de problèmes de confidentialité pour les conducteurs individuels, mais les objets modèles et les profils de charge qui ont été calibrés avec ces données et utilisés dans cette étude ont été mis à disposition sur https://data. mendeley.com/datasets/y872vhtfrc/2avec https://doi.org/10.17632/y872vhtfrc.2. Cet ensemble de données minimum permet d'exécuter le modèle de charge et de simuler de nouveaux scénarios de charge futurs à tester. GVC ([email protected]) peut être contacté pour toute question concernant l'accès. Le modèle de grille a été exécuté à l'aide de données accessibles au public. Les instructions pour sa collecte et son traitement sont incluses avec le code sur https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact. Veuillez contacter SP, IA ou RR pour toute question.

Le code utilisé pour l'analyse présentée dans cet article a été mis à disposition sur https://github.com/Stanford-Sustainable-Systems-Lab/speech-grid-impact avec DOI 10.5281/zenodo.7031008. Veuillez contacter SP pour toute question.

Bibra, E. et al. Global EV Outlook 2021: Accelerating Ambitions Malgré la pandémie (Agence internationale de l'énergie, 2021).

Bouckaert, S. et al. Net Zero by 2050: A Roadmap for the Global Energy Sector (Agence internationale de l'énergie, 2021).

McKerracher, C. et al. Perspectives des véhicules électriques 2021 : résumé (BloombergNEF, 2021).

Coignard, J., MacDougall, P., Stadtmueller, F. & Vrettos, E. Les véhicules électriques entraîneront-ils des mises à niveau du réseau de distribution ? : Le cas de la Californie. IEEE Électrif. Mag. 7, 46–56 (2019).

Article Google Scholar

Muratori, M. Impact de la recharge non coordonnée des véhicules électriques rechargeables sur la demande d'électricité résidentielle. Nat. Énergie 3, 193–201 (2018).

Article Google Scholar

Quiros-Tortos, J., Ochoa, L. & Butler, T. Comment les véhicules électriques et le réseau fonctionnent ensemble : leçons tirées de l'un des plus grands essais de véhicules électriques au monde. IEEE Power Energy Mag. 16, 64–76 (2018).

Article Google Scholar

Powell, S. et al. Recharge maîtrisée des véhicules électriques en milieu de travail : impact des grilles tarifaires sur le vieillissement des transformateurs. Appl. Énergie 276, 115352 (2020).

Article Google Scholar

Brinkel, N., Schram, W., AlSkaif, T., Lampropoulos, I. & van Sark, W. Devrions-nous renforcer la grille ? Optimisation des coûts et des émissions de la recharge des véhicules électriques sous différentes limites de transformateur. Appl. Énergie 276, 115285 (2020).

Article Google Scholar

Kintner-Meyer, M. et al. Véhicules électriques à l'échelle - Analyse de la phase I : Impacts élevés de l'adoption des véhicules électriques sur le réseau électrique de l'ouest des États-Unis (Laboratoire national du nord-ouest du Pacifique, 2020).

Projet de loi 2127 de l'Assemblée sur l'évaluation de l'infrastructure de recharge des véhicules électriques (California Energy Commission, 2021) ; https://www.energy.ca.gov/programs-and-topics/programs/electric-vehicle- Charging-infrastructure-assessment-ab-2127

Muratori, M. et al. Futurs systèmes intégrés mobilité-énergie : une perspective de modélisation. Renouveler. Sust. Énergie Rev. 119, 109541 (2020).

Article Google Scholar

Chakraborty, D., Bunch, DS, Lee, JH & Tal, G. Les conducteurs de la demande pour le comportement de charge de l'infrastructure de charge des navetteurs de véhicules électriques rechargeables. Transp. Rés. D 76, 255-272 (2019).

Article Google Scholar

Lee, JH, Chakraborty, D., Hardman, SJ et Tal, G. Exploration des modèles de recharge des véhicules électriques : utilisation mixte de l'infrastructure de recharge. Transp. Rés. D 79, 102249 (2020).

Article Google Scholar

Zhang, J., Yan, J., Liu, Y., Zhang, H. & Lv, G. Profils quotidiens de charge de charge des véhicules électriques tenant compte des données démographiques des utilisateurs de véhicules. Appl. Énergie 274, 115063 (2020).

Article Google Scholar

Pan, L., Yao, E. & MacKenzie, D. Modélisation du choix de recharge des véhicules électriques en tenant compte des attitudes à l'égard du risque et de l'absence de présence. Transp. Rés. C 102, 60–72 (2019).

Article Google Scholar

Hardman, S. et al. Un examen des préférences des consommateurs et des interactions avec les infrastructures de recharge des véhicules électriques. Transp. Rés. D 62, 508–523 (2018).

Article Google Scholar

Hardman, S. & Tal, G. Comprendre l'abandon chez les propriétaires de véhicules électriques de Californie. Nat. Énergie 6, 538–545 (2021).

Article Google Scholar

Wei, W., Ramakrishnan, S., Needell, ZA et Trancik, JE Solutions d'électrification et de charge des véhicules personnels pour les journées à haute énergie. Nat. Énergie 6, 105–114 (2021).

Article Google Scholar

Mersky, AC, Sprei, F., Samaras, C. & Qian, ZS Efficacité des incitations à l'adoption des véhicules électriques en Norvège. Transp. Rés. D 46, 56–68 (2016).

Article Google Scholar

Ledna, C., Muratori, M., Brooker, A., Wood, E. & Greene, D. Politique énergétique 165, 112931 (2022).

Article Google Scholar

Lee, JH, Hardman, SJ et Tal, G. Qui achète des véhicules électriques en Californie ? Caractériser l'hétérogénéité des premiers utilisateurs et prévoir la diffusion sur le marché. Énergie Rés. Sciences sociales. 55, 218-226 (2019).

Article Google Scholar

Brockway, AM, Conde, J. & Callaway, D. Accès inéquitable aux ressources énergétiques distribuées en raison des limites de l'infrastructure du réseau en Californie. Nat. Énergie 6, 892–903 (2021).

Article Google Scholar

Canepa, K., Hardman, S. & Tal, G. Premier aperçu de l'adoption des véhicules électriques rechargeables dans les communautés défavorisées de Californie. Transp. Politique 78, 19-30 (2019).

Article Google Scholar

Building EV Infrastructure (CALeVIP, consulté le 9 septembre 2021) ; https://calevip.org/

Szinai, JK, Sheppard, CJ, Abhyankar, N. & Gopal, AR Réduction des coûts d'exploitation du réseau et réduction des énergies renouvelables grâce à la gestion de la charge des véhicules électriques. Politique énergétique 136, 111051 (2020).

Article Google Scholar

Zhang, J., Jorgenson, J., Markel, T. & Walkowicz, K. Valeur pour le réseau de la charge gérée basée sur l'étude californienne sur les énergies renouvelables élevées. IEEE Trans. Système d'alimentation 34, 831–840 (2018).

Article Google Scholar

Wood, EW, Rames, CL & Muratori, M. Nouveaux outils/modèles analytiques EVSE : outil de projection de l'infrastructure des véhicules électriques (EVI-Pro) (National Renewable Energy Lab, 2018).

Crozier, C., Morstyn, T. & McCulloch, M. L'opportunité d'une recharge intelligente pour atténuer l'impact des véhicules électriques sur les systèmes de transmission et de distribution. Appl. Énergie 268, 114973 (2020).

Article Google Scholar

Manríquez, F., Sauma, E., Aguado, J., de la Torre, S. & Contreras, J. L'impact des systèmes de recharge des véhicules électriques dans la planification de l'expansion du système électrique. Appl. Énergie 262, 114527 (2020).

Article Google Scholar

Cheng, AJ, Tarroja, B., Shaffer, B. et Samuelsen, S. Comparaison des avantages en matière d'émissions des approches centralisées et décentralisées de recharge intelligente des véhicules électriques : une étude de cas du réseau électrique californien de l'année 2030. J. Sources d'alimentation 401, 175-185 (2018).

Article Google Scholar

Zhang, C., Greenblatt, JB, MacDougall, P., Saxena, S. & Prabhakar, AJ Quantification des avantages des véhicules électriques sur le futur réseau électrique du Midwest des États-Unis. Appl. Énergie 270, 115174 (2020).

Article Google Scholar

Doluweera, G., Hahn, F., Bergerson, J. et Pruckner, M. Une étude basée sur des scénarios sur les impacts des véhicules électriques sur la consommation d'énergie et la durabilité en Alberta. Appl. Énergie 268, 114961 (2020).

Article Google Scholar

Wolinetz, M., Axsen, J., Peters, J. & Crawford, C. Simulation de la valeur de l'intégration véhicule électrique-réseau à l'aide d'un modèle comportemental réaliste. Nat. Énergie 3, 132–139 (2018).

Article Google Scholar

Chen, X. et al. Impacts des types de flotte et des modes de recharge des véhicules électriques sur les émissions sous différentes pénétrations de l'énergie éolienne. Nat. Énergie 3, 413–421 (2018).

Article Google Scholar

Xu, Y., Çolak, S., Kara, EC, Moura, SJ & González, MC Planification des besoins des véhicules électriques en couplant les profils de recharge à la mobilité urbaine. Nat. Énergie 3, 484–493 (2018).

Article Google Scholar

Jenn, A., Clark-Sutton, K., Gallaher, M. & Petrusa, J. Impacts environnementaux de la charge extrêmement rapide. Environ. Rés. Lett. 15, 094060 (2020).

Article Google Scholar

Sachan, S., Deb, S. & Singh, SN Différentes infrastructures de recharge ainsi que des stratégies de recharge intelligentes pour les véhicules électriques. Soutenir. Soc. 60, 102238 (2020).

Article Google Scholar

McLaren, J., Miller, J., O'Shaughnessy, E., Wood, E. & Shapiro, E. Émissions de CO2 associées à la recharge des véhicules électriques : l'impact du mix de production d'électricité, de la disponibilité des infrastructures de recharge et du type de véhicule. Électr. J. 29, 72–88 (2016).

Article Google Scholar

Needell, ZA, McNerney, J., Chang, MT et Trancik, JE Potentiel d'électrification généralisée des déplacements en véhicule personnel aux États-Unis. Nat. Énergie 1, 16112 (2016).

Article Google Scholar

He, Y., Kockelman, KM & Perrine, KA Emplacements optimaux des bornes de recharge rapide aux États-Unis pour effectuer des trajets longue distance avec des véhicules électriques à batterie. J. Cleaner Prod. 214, 452–461 (2019).

Article Google Scholar

Anwar, MB et al. Évaluation de la valeur de la recharge gérée des véhicules électriques : revue des méthodologies et des résultats. Énergie Environ. Sci. 15, 466–498 (2022).

Article Google Scholar

Borlaug, B. et al. L'électrification des camions lourds et les impacts de la recharge des dépôts sur les systèmes de distribution d'électricité. Nat. Énergie 6, 673–682 (2021).

Article Google Scholar

Coignard, J., Saxena, S., Greenblatt, J. & Wang, D. Véhicules propres en tant que catalyseur d'un réseau électrique propre. Environ. Rés. Lett. 13, 054031 (2018).

Article Google Scholar

Black, D., MacDonald, J., DeForest, N. & Gehbauer, C. Démonstration véhicule-réseau de la base aérienne de Los Angeles : rapport final sur le projet (Lawrence Berkeley National Laboratory, 2020).

US Census Bureau American Community Survey Data (SimplyAnalytics, consulté le 13 août 2021) ; https://simplyanalytics.com/

Fideldy, A. Ébauche de mise à jour du conseil d'administration de décembre : 2020 Mobile Source Strategy (California Air Resources Board, 2020) ; https://ww2.arb.ca.gov/sites/default/files/2020-11/Draft_2020_Mobile_Source_Strategy.pdf

Mahone, A. et al. Deep Decarbonization in a High Renewables Future Updated Results from the California Pathways Model (California Energy Commission, 2018); https://www.energy.ca.gov/sites/default/files/2021-06/CEC-500-2018-012.pdf

Mai, T. et al. Étude sur l'avenir de l'électrification : scénarios d'adoption de la technologie électrique et de consommation d'énergie aux États-Unis. NREL/TP-6A20-71500 (Laboratoire national des énergies renouvelables, 2018) ; https://doi.org/10.2172/1459351

Rapport final du groupe de travail sur l'intégration véhicule-réseau des agences conjointes de Californie (California Public Utilities Commission, 2020) ; https://www.gridworks.org/wp-content/uploads/2020/09/GW_VehicleGrid-Integration-Working-Group.pdf

Plans tarifaires pour véhicules électriques (EV) (Pacific Gas and Electric Company, consulté le 28 septembre 2021) ; https://www.pge.com/en_US/residential/rate-plans/rate-plan-options/electric-vehicle-base-plan/electric-vehicle-base-plan.page

Options tarifaires pour les technologies d'énergie propre : Go Electric With a Great Plan (Southern California Edison, consulté le 28 septembre 2021) ; https://www.sce.com/residential/rates/electric-vehicle-plans

Powell, S., Cezar, GV et Rajagopal, R. Estimations probabilistes évolutives de la recharge des véhicules électriques compte tenu du comportement observé du conducteur. Appl. Énergie 309, 118382 (2022).

Article Google Scholar

Chassin, DP et al. Estimation de l'inertie du système WECC à l'aide des transitoires de fréquence observés. IEEE Trans. Système d'alimentation 20, 1190–1192 (2005).

Article Google Scholar

Muratori, M. & Rizzoni, G. Réponse à la demande résidentielle : gestion dynamique de l'énergie et tarification de l'électricité variable dans le temps. IEEE Trans. Système d'alimentation 31, 1108-1117 (2015).

Article Google Scholar

SB 100 Joint Agency Report (California Energy Commission, California Public Utilities Commission et California Air Resources Board, 2021) ; https://www.energy.ca.gov/sb100

Brown, L. Generation Retirements : Retraites annoncées et potentielles (WECC, 2020) ; https://www.wecc.org/Administrative/06_Brown_Retirements_October%202020.pdf

Deetjen, TA & Azevedo, IL Modèle de répartition des commandes réduites pour simuler les facteurs d'émissions marginaux pour le secteur de l'électricité aux États-Unis. Environ. Sci. Technol. 53, 10506–10513 (2019).

Article Google Scholar

2021 SB 100 Joint Agency Report Summary: Achieving 100% Clean Electricity in California (California Energy Commission, California Public Utilities Commission et California Air Resources Board, 2021); https://www.energy.ca.gov/sb100

Mongird, K. et al. Évaluation des coûts et des performances de la technologie de stockage d'énergie du réseau 2020 (Laboratoire national du nord-ouest du Pacifique, 2021).

Cole, W., Frazier, AW et Augustine, C. Projections des coûts pour le stockage des batteries à l'échelle des services publics : mise à jour 2021 (National Renewable Energy Lab, 2021).

Kumar, N., Besuner, P., Lefton, S., Agan, D. & Hilleman, D. Coûts du cycle des centrales électriques (National Renewable Energy Lab, 2012).

Émissions de gaz à effet de serre d'un véhicule de tourisme typique (US EPA, consulté le 9 septembre 2021); https://www.epa.gov/greenvehicles/greenhouse-gas-emissions-typical-passenger-vehicle

The Official US Government Source for Fuel Economy Information (US Department of Energy et US EPA, consulté le 10 avril 2022) ; https://fueleconomy.gov/feg/Find.do?action=sbsSelect

Holland, SP, Kotchen, MJ, Mansur, ET & Yates, AJ Pourquoi les émissions marginales de CO2 ne diminuent pas pour l'électricité américaine : estimations et implications pour la politique climatique. Proc. Natl Acad. Sci. États-Unis 119, e2116632119 (2022).

Article Google Scholar

Fitzgerald, G. & Nelder, C. EVGO Fleet and Tariff Analysis: Phase 1: California (Rocky Mountain Institute, 2017); https://rmi.org/wp-content/uploads/2017/04/eLab_EVgo_Fleet_and_Tariff_Analysis_2017.pdf

Ledna, C., Muratori, M., Yip, A., Jadun, P & Hoehne, C. Décarbonisation des véhicules routiers moyens et lourds : Analyse des coûts des véhicules à zéro émission (National Renewable Energy Lab, 2022).

Nicholas, M., Tal, G. & Ji, W. Lessons from In-Use Fast Charging Data: Why are Drivers Staying Close to Home (Institute of Transportation Studies, University of California, Davis, 2017).

2017 National Household Travel Survey (US Department of Transportation, 2017); https://nhts.ornl.gov

EASI MRI Consumer Survey Data 2019 (SimplyAnalytics, consulté le 21 juin 2021) ; https://simplyanalytics.com/

Alexander, M. Accès à la recharge à domicile en Californie. Numéro de publication CEC-600-2022-021 (Commission de l'énergie de Californie, 2022).

California Air Resources Board Clean Vehicle Rebate Project, Rebate Statistics (Center for Sustainable Energy, consulté le 19 février 2021) ; https://cleanvehiclerebate.org/eng/rebate-statistics

Galvin, R. Les véhicules électriques deviennent-ils trop gros et trop lourds ? Modélisation de la demande future de déplacements de véhicules sur un réseau électrique américain décarboné. Politique énergétique 161, 112746 (2022).

Article Google Scholar

Xu, R. & Wunsch, D. Clustering Vol. 10 (John Wiley & Fils, 2008).

Friedman, J., Hastie, T. & Tibshirani, R. Les éléments de l'apprentissage statistique Vol. 1, (Springer, 2001).

Gschwendtner, C., Sinsel, SR et Stephan, A. Mise en œuvre du véhicule à x (V2X) : un aperçu des configurations d'essai prédominantes et des défis techniques, sociaux et réglementaires. Renouveler. Sust. Énergie Rev. 145, 110977 (2021).

Article Google Scholar

Powell, S., Cezar, GV, Apostolaki-Iosifidou, E. & Rajagopal, R. Scénarios à grande échelle de recharge de véhicules électriques avec un modèle de contrôle basé sur les données. Énergie 248, 123592 (2022).

Article Google Scholar

Deetjen, TA & Azevedo, IL Modèle open source de répartition simple. Github github.com/tdeetjen/simple_dispatch (2019).

Données du système de surveillance continue des émissions (CEMS) (US EPA, 2019); ftp://newftp.epa.gov/DmDnLoad/emissions/hourly/monthly/

Emissions & Generation Resource Integrated Database (eGRID) (US EPA, 2019); https://www.epa.gov/energy/emissions-generation-resource-integrated-database-egrid

EIA-923 Monthly Generation and Fuel Consumption Time Series File (US Energy Information Administration, 2019); https://www.eia.gov/electricity/data/eia923/

Production nette par source d'énergie (US Energy Information Administration, 2019) ; https://www.eia.gov/opendata/qb.php?category=3390101

Murphy, C. et al. Futurs d'électrification élevés : impacts sur le système d'alimentation en vrac des États-Unis. Électr. J. 33, 106878 (2020).

Article Google Scholar

Jadun, P. et al. Étude sur l'avenir de l'électrification : projections des coûts et des performances de la technologie électrique d'utilisation finale jusqu'en 2050 (National Renewable Energy Lab, 2017).

Entrées et hypothèses—CEC SB 100 Joint Agency Report (California Energy Commission, California Public Utilities Commission et California Air Resources Board, 2021); https://www.energy.ca.gov/sb100

Stockage d'énergie : Impacts des systèmes de stockage d'énergie par batterie électrochimique à grande échelle sur le système d'alimentation en vrac (North American Electric Reliability Corporation, 2021).

Télécharger les références

Nous remercions N. Crisostomo et M. Alexander avec le CEC pour leur soutien ; nos collègues de Stanford et du SLAC, y compris les groupes S3L, INES, GISMo et EV50 pour leurs précieux commentaires et discussions ; T. Deetjen pour le modèle original de répartition du réseau ; et ChargePoint pour fournir des données. Ce travail a été financé par la California Energy Commission avec la subvention EPC-17-020 (SP et GVC), par la US National Science Foundation via le numéro de prix CAREER 1554178 (RR), grâce au financement de l'initiative Stanford Bits & Watts EV50 du Precourt Institute for Energy (IMLA et LM) et de Volkswagen (SP). Le SLAC National Accelerator Laboratory est exploité pour le Département américain de l'énergie par l'Université de Stanford sous le contrat DE-AC02-76SF00515.

Siobhan Powell

Adresse actuelle : Département de gestion, de technologie et d'économie, ETH Zurich, Zurich, Suisse

Département de génie mécanique, Université de Stanford, Stanford, Californie, États-Unis

Siobhan Powell

Division des sciences appliquées, SLAC National Accelerator Laboratory, Menlo Park, Californie, États-Unis

Gustavo Vianna Cezar

Precourt Institute for Energy, Université de Stanford, Stanford, Californie, États-Unis

Liang Min, Inês ML Azevedo & Ram Rajagopal

Département d'ingénierie des ressources énergétiques, Université de Stanford, Stanford, Californie, États-Unis

Inês ML Azevedo

Woods Institute for the Environment, Université de Stanford, Stanford, Californie, États-Unis

Inês ML Azevedo

Département de génie civil et environnemental, Université de Stanford, Stanford, Californie, États-Unis

Ram Rajagopal

Département de génie électrique, Université de Stanford, Stanford, Californie, États-Unis

Ram Rajagopal

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SP, GVC, LM, IMLA et RR ont conçu la recherche. SP, RR et IMLA ont conçu le cadre de modélisation. SP a mis en œuvre le cadre, traité les données et analysé les résultats. SP et RR ont préparé la première ébauche du manuscrit. SP, GVC, LM, IMLA et RR ont édité et révisé le manuscrit. GVC, LM, IMLA et RR ont apporté un soutien institutionnel et matériel à la recherche.

Correspondance à Siobhan Powell, Inês ML Azevedo ou Ram Rajagopal.

Les auteurs ne déclarent aucun intérêt concurrent.

Nature Energy remercie Kara Kockelman et les autres examinateurs anonymes pour leur contribution à l'examen par les pairs de ce travail.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Notes supplémentaires 1 à 12, tableaux 1 à 11, fig. 1–28, Méthodes et références.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Powell, S., Cezar, GV, Min, L. et al. Accès et exploitation de l'infrastructure de recharge pour réduire les impacts sur le réseau de l'adoption profonde des véhicules électriques. Nat Energy 7, 932–945 (2022). https://doi.org/10.1038/s41560-022-01105-7

Télécharger la citation

Reçu : 01 janvier 2022

Accepté : 21 juillet 2022

Publié: 22 septembre 2022

Date d'émission : octobre 2022

DOI : https://doi.org/10.1038/s41560-022-01105-7

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Communications Terre & Environnement (2023)

Nature (2022)