Comment les solutions numériques et les données contribuent à la transition énergétique de la mobilité

Pilier de la décarbonation de la mobilité, la transition énergétique peut être un chemin long et sinueux pour les opérateurs de transports publics, avec de multiples variables à considérer à chaque étape. C’est pourquoi une vision experte et holistique est essentielle. Les solutions numériques apportent une aide précieuse pour prendre en compte les différents scénarios possibles. Il peut s’agir de simulations avancées fournissant des projections des évolutions systèmes, d’intelligence artificielle (IA) entraînée pour examiner de multiples itérations ou encore de jumeaux numériques qui, en captant les données des systèmes en exploitation, aident à la modélisation de projets futurs.

Dans notre série d’articles sur la transition énergétique, nous avons d’abord examiné comment la transition énergétique s’intègre avec les autres éléments du puzzle de la décarbonation [Une approche systémique pour réussir la transition énergétique de la mobilité], puis expliqué comment les autorités publiques peuvent agir comme catalyseur pour une transition énergétique plus large de la mobilité [Transition Énergétique : les transports publics ouvrent la voie]. Ce troisième article analyse comment les solutions numériques contribuent à la transition énergétique tout au long du cycle de vie d’un réseau de transport.

Mobilité rime déjà avec numérique

Les progrès apportés par les solutions numériques et la technologie ont déjà permis de faire d’importantes avancées dans le secteur de la mobilité. La modélisation des informations de construction (BIM : Building Information Model) permet de modéliser et de “construire” virtuellement les infrastructures en 3D, réduisant les problèmes d’interface et améliorant la qualité des résultats. La mobilité en tant que service (Maas : Mobility as a Service) peut favoriser les changements de comportements et l’utilisation des transports publics et privés, tandis que les réseaux énergétiques « intelligents » (Smart grids) permettent d’optimiser la distribution de l’énergie, contribuant notamment à une utilisation plus large des énergies renouvelables.

Les solutions numériques aident déjà à planifier et à mettre en œuvre des transitions énergétiques, comme le montrent les exemples ci-après. Cependant, il convient d’être prudent : comme pour tout logiciel, les données d’entrées et les hypothèses doivent être définies de manière robuste pour obtenir des résultats qui ont de la valeur. De plus, toute transition comporte une multitude de défis – politiques, sociaux et économiques – qui doivent également être compris et pris en compte par tous ceux qui conçoivent des systèmes de mobilité.

Planifier la réduction d’émissions de gaz à effet de serre (GES) et l’amélioration de la qualité

de l’air grâce à des solutions numériques

Lorsqu’il s’agit d’élaborer les politiques de transport en centre-ville, les autorités locales ont à résoudre de multiples problèmes complexes. Elles doivent en effet viser à réduire la congestion, améliorer la qualité de l’air et réduire les émissions GES, tout en maintenant l’accessibilité pour tous et en permettant à la ville de prospérer sur le plan économique.

Au Royaume-Uni, où la législation nationale sur la pollution de l’air est particulièrement contraignante, les autorités locales doivent amener les usagers de la route à modifier leurs pratiques locales de déplacement en centre-ville. Beaucoup d’entre elles optent pour des Zones à Faibles Emissions (ZFE), qui empêchent ou découragent la circulation de véhicules fortement polluants dans une zone désignée en interdisant les véhicules non conformes ou en mettant en place un péage à l’entrée de ladite zone, ce qui est bien évidemment politiquement sensible.

En quoi les solutions numériques peuvent-elles aider les décideurs locaux souhaitant mettre en place des ZFE ? Prenons la modélisation avancée de la circulation : elle peut aider à planifier ces zones et à en optimiser l’utilisation en testant différentes hypothèses et scénarios. Ceux-ci peuvent prendre en compte le comportement probable des usagers de la route, les incitations au changement, les questions d’équité d’accès, l’adoption dans le temps des nouvelles technologies énergétiques. Mais elles doivent avant tout reposer sur une compréhension profonde des problématiques de déplacement au sein d’une ville. L’expertise et l’expérience humaines resteront essentielles, même si, à l’avenir, la précision de tels modèles sera améliorée par l’augmentation des capacités de calcul et du nombre de données. En Écosse, SYSTRA travaille ainsi avec trois villes sur la création de leurs ZFE : Glasgow, Dundee et Aberdeen.

Étude de cas #1 : améliorer la qualité de l’air à Aberdeen, en Écosse

Après avoir identifié huit points dans le centre-ville où les niveaux de dioxyde d’azote (NO2) dépassaient les limites légales, SYSTRA a réalisé une analyse préliminaire aboutissant à 40 options pour aider à résoudre la problématique. Celles-ci englobaient diverses limites de frontières de la ZFE, le type de véhicules à restreindre, des questions d’accès à des parkings en bordure de la ZFE et les impacts sur les habitants et les personnes à destination du centre-ville ou en transit, ainsi que les niveaux de pollution de l’air les plus dangereux. Cette phase initiale a permis de constater que, bien que les émissions des voitures aient l’impact global le plus important sur la pollution de l’air dans l’ensemble du centre-ville, ce sont les émissions des bus qui provoquaient des niveaux dangereux aux huit endroits identifiés.

À partir de là, les ingénieurs de SYSTRA, par leurs analyses, ont proposé de réduire le champ d’étude à cinq scénarios possibles, qu’ils ont ensuite simulés à l’aide d’un modèle de circulation étendu du centre-ville aux zones environnantes. L’une des exigences était que tous les parkings autour du centre-ville devaient être accessibles sans entrer dans la ZFE. Le modèle, qui couvre une zone de 5 km sur 4 km, a été créé avec PARAMICS, une solution numérique interne de SYSTRA.

SYSTRA a utilisé une analyse multicritère pour proposer la meilleure des cinq options. Cependant, même pour cette meilleure option, les émissions de NO2 étaient encore trop élevées sur deux points. Pour remédier à cela, SYSTRA a proposé des restrictions de circulation supplémentaires, aboutissant à la meilleure option optimisée sans aucun point de dépassement des seuils légaux de NO2. La ville va mettre la ZFE en service à partir de mai 2024, et SYSTRA aide à sa mise en œuvre.

Intégrer de nouvelles technologies énergétiques dès la phase de conception à l’aide de solutions numériques

Lors de la conception d’un réseau de bus électrique, l’un des plus grands défis est de trouver la bonne adéquation entre le dimensionnement de l’infrastructure de charge, les stratégies de charge et les besoins opérationnels des différentes lignes.

Si l’on prend par exemple le cas des trolleybus, les nouveaux modèles combinent des batteries embarquées avec une alimentation électrique depuis des lignes aériennes de contact (LAC), offrant ainsi une approche flexible, adaptée aux villes où l’espace est limité, où les topographies sont difficiles, et où les contraintes architecturales et le patrimoine culturel rendent à certains endroits les LAC indésirables.

Lors de la conception du système optimal, plusieurs facteurs doivent être pris en compte : quelles sections doivent fonctionner en autonomie sur batterie ou sur LAC ; les exigences opérationnelles du réseau ; comment utiliser au mieux l’énergie régénérée par le freinage ; et comment garantir la résilience, au cas où certaines parties de l’infrastructure de charge seraient compromises.

Un modèle numérique peut aider à analyser et à tester différents scénarios opérationnels et de charge, couplé à une expertise sur les stratégies opérationnelles potentielles et la technologie électrique. Des modèles spécialisés, tels que TESS de SYSTRA [Transition Énergétique : les transports publics ouvrent la voie], qui aide à optimiser l’infrastructure de charge dans les dépôts, peuvent également être déployés. À l’avenir, de nouveaux développements permettront des flux plus directs d’informations, que ce soit depuis d’autres logiciels vers le modèle de simulation ou directement depuis le terrain, par exemple avec des informations provenant de capteurs installés sur les bus déjà en service, directement intégrées dans le modèle.

En France, les lois visant à stimuler la mobilité bas carbone (LTECV1 puis LOM2) encouragent la transition vers des flottes de bus électriques, en particulier pour les zones urbaines de plus de 250 000 habitants.

1 Loi de transition énergétique pour la croissance verte

2 Loi d’orientation de la mobilité

Étude de cas #2 : accompagner la conception de lignes trolleybus dans la métropole de Lyon , en France

Dans l’agglomération lyonnaise, forte de 1,4 million d’habitants, des projets prévoient l’ajout de six lignes de trolleybus à son réseau existant de neuf lignes.

Pour trois des six nouvelles lignes, qui doivent être mises en service en 2025 et 2026, SYSTRA déploie la solution RATP Marcadet pour cartographier les parties de la ligne qui peuvent fonctionner en autonomie sur batterie et celles qui doivent être alimentées par LAC. Pour ce faire, il faut prendre en compte des facteurs tels que l’équipement existant, la densité urbaine, les choix politiques, la faisabilité technique et le ratio entre sections en autonomie sur batterie et celles équipées de LAC. Des recharges supplémentaires aux terminaux et au dépôt doivent également être prévues.

Par ailleurs, une des préoccupations importantes pour l’autorité de transport de la ville et l’exploitant de bus était de savoir si le réseau continuerait de fonctionner si l’une des sous-stations fournissant l’électricité était mise hors service ou si une section LAC devenait inaccessible (accident de la circulation, manifestation…). En simulant de tels scénarios à travers le modèle, SYSTRA a pu garantir la résilience du fonctionnement des lignes.

Pour un réseau aussi complexe que le réseau de l’agglomération lyonnaise, il est essentiel que toutes les hypothèses qui alimentent le modèle soient faites à partir du contexte et des données locales. Sans compter les apports des experts SYSTRA, de l’industrie des bus et du client, qui ont tous contribué à enrichir la solution MARCADET utilisée.

Optimiser l’exploitation en analysant les données de consommation d’énergie avec du

machine learning (apprentissage automatique)

Bien que les systèmes de transport public consomment moins d’énergie par passager que les modes de transport privés tels que les voitures ou les avions, ils restent de gros consommateurs d’énergie.

Les événements mondiaux récents qui ont affecté l’approvisionnement et le prix de l’énergie ont souligné notre dépendance au marché de l’énergie. Cela s’ajoute à notre besoin urgent de passer à des sources d’énergie plus vertes et plus indépendantes pour limiter les impacts du changement climatique.

Pourtant, les données que nous recueillons aujourd’hui sur les systèmes de transport électrique sont encore assez limitées, se concentrant généralement sur la surveillance à des fins de sécurité, au lieu de fournir une vision précise de la consommation d’électricité et de ce qui l’affecte. Or la consommation énergétique est un sujet complexe affectée par toute une série de facteurs : la météo, l’utilisation de la climatisation et du chauffage, les itinéraires, le trafic, le nombre de passagers, la vitesse et les plans d’exploitation.

Comme les contrats sur les matériels roulants et l’infrastructure n’exigent pas, en général, que ce type de données soit fourni à l’exploitant ou au client une fois que le système est en service, elles sont souvent difficiles à obtenir. Et l’absence de ces données peut entraîner le surdimensionnement d’un réseau ou, à l’inverse, un sous-dimensionnement pour certains scénarios extrêmes.

Etude de cas #3 : optimiser la flotte de bus électriques et leur besoin de puissance de charge à Laval, au Canada

Afin d’inciter les villes à décarboner la mobilité, le gouvernement canadien verse des subventions aux flottes de bus à zéro émission.

Comme de nombreuses villes au Canada, Laval, située au nord de Montréal, cherche donc à passer rapidement de l’énergie diesel à l’énergie électrique pour sa flotte de bus. Cependant, il est difficile pour les villes de prendre des décisions éclairées concernant les flottes futures, du fait de la multitude d’options technologiques, de conditions d’exploitation variables d’une région à l’autre et de l’insuffisance de données disponibles. En collaborant avec des spécialistes de l’intelligence artificielle et de l’acquisition de données en temps réel, SYSTRA a développé sa propre série de solutions numériques en interne : HERONWILD TURKEYTESS. HERON utilise du machine learning, une composante de l’intelligence artificielle (IA) pour traiter et analyser les données, afin d’identifier les tendances et de déterminer quels paramètres ont le plus grand impact sur la consommation d’électricité afin de prédire les futures consommations. Dans le cas de Laval, l’analyse a été faite à partir de neuf bus d’une flotte pilote.

A partir des analyses prédictives de HERON, WILD TURKEY intègre efficacement les sessions de charge dans les services des bus, tandis que TESS est utilisé pour modéliser les caractéristiques de charge nécessaires (temps, puissance) au dépôt en fonction du plan d’exploitation.

Après 12 mois d’acquisition de données à partir des neuf bus, l’une des constatations les plus frappantes était la différence considérable (de 1 à 3 fois) de la consommation d’énergie par kilomètre entre les différentes lignes de bus et pour une même ligne à différentes périodes.

Cette information contribuera à la réorganisation des services afin d’optimiser l’utilisation de l’énergie embarquée et de minimiser les allers-retours au dépôt pour la recharge. Notre série de solutions numériques, HERON – WILD TURKEY – TESS, devrait optimiser le nombre de bus requis, le réduisant de 2 % sur une flotte de 219 bus, et réduisant la demande de puissance maximale au dépôt de 17 %, passant de 10,4 MW dans le cas de Laval.

À l’avenir, les solutions numériques seront encore plus puissantes à mesure que les ingénieurs et les experts de la donnée amélioreront les algorithmes IA et les rendront plus efficients. L’ajout de plus en plus de données augmentera également la précision de l’IA et permettra des applications plus larges sur les cas d’usage.

Une révolution silencieuse

Les solutions numériques jouent déjà un rôle essentiel dans la planification, la conception et l’exploitation des nouveaux systèmes et technologies énergétiques, favorisant la transition des réseaux de transport public vers des sources d’énergie à faible émission de carbone.

En permettant d’exécuter différents scénarios, d’en analyser les impacts et de décomposer finement les données de consommation d’énergie, ces nouveaux outils facilitent la communication entre les ingénieurs, les autorités de transport et les exploitants, et, surtout, ils éclairent la prise de décision.

A l’avenir, nous assisterons à une automatisation de plus en plus forte des interfaces entre les logiciels d’une part et de l’intégration des sources de données variées d’autre part, ce qui permettra une utilisation plus étendue de l’IA, à mesure que les algorithmes et le machine learning progresseront. Chez SYSTRA, nous anticipons que de meilleurs flux de données de l’exploitation vers la planification et la conception contribueront à accroître l’efficacité et la durabilité des systèmes de transport public de demain. Néanmoins, l’expertise permettant de définir les hypothèses structurantes techniques et humaines (gouvernance, comportements) sera d’autant plus nécessaire pour bien utiliser et orienter ces outils.

Pour ne manquer aucune communication SYSTRA, rendez-vous sur les réseaux sociaux !