Bornes de recharge : l’IA aide à trouver les meilleurs emplacements
Temps de lecture : 5 min
Croiser des données de fréquentation, de profil de population, d’environnement concurrentiel pour trouver les meilleurs emplacements des futures stations de recharge de véhicules électriques, c’est ce que propose la solution E-ChargePredict.
©Brunet-Monié Photographie
L’intelligence artificielle va-t-elle transformer le marché de la recharge de véhicules électriques ? Aujourd’hui, dans ce domaine, la majorité des cas d’usage de l’IA concerne la maintenance prédictive des bornes de recharge installées. Mais quel pourrait être demain le rôle des algorithmes dans la configuration des futurs réseaux ? Demain ? Pas la peine de se projeter si loin… Identifier les emplacements stratégiques pour l’installation d’infrastructures de recharge pour véhicules électriques (IRVE), estimer sur le long terme le ROI des différents types de chargeurs, ajuster le pricing pour maximiser les bénéfices : voilà qui est d’ores et déjà réalité.
Joint-venture entre VINCI Energies et VINCI Concessions créée en 2017 pour notamment financer et gérer des réseaux d’IRVE, EASYCHARGE a récemment lancé une solution utilisant l’IA pour estimer les consommations futures des infrastructures de recharge sur la base des données issues de ses trois réseaux maillant l’ensemble du territoire métropolitain : Easy Charge Services, AVIA VOLT by EASYCHARGE et le réseau eborn. Soit, au total, 4 000 points de charge en opération.
« La rentabilité d’un projet d’implantation de station de recharge est très directement liée aux prévisions de consommations des futurs usagers. Il est donc essentiel pour nous et nos investisseurs partenaires d’estimer dans chaque zone géographique notre part du marché à court, moyen et long terme, c’est-à-dire dans des échelles contractuelles de quinze à vingt ans. C’est dans cette optique que nous avons conçu la solution E-ChargePredict », explique Mohamed Belahrach, développeur chez EASYCHARGE.
Projections de consommation à quinze ou vingt ans
L’outil a été pensé autour de la combinaison de trois approches scientifiques : l’estimation de la demande dans un maillage spatial fin, la prédiction de l’évolution de la demande estimée, la détermination algorithmique des localisations les plus stratégiques au sein du maillage communal.
« Proposer le meilleur rapport qualité-prix et garder la totale maîtrise de la solution. »
Concrètement, comment ça marche ? Les modèles d’apprentissage automatique (« machine learning ») s’entraînent en croisant, pour chaque zone géographique, des données issues de sources diverses (pourcentage d’équipement en véhicules électriques, présence et maillage commercial, revenus médians, dessin du réseau routier) avec des données de consommation émanant des réseaux d’IRVE. Les calculs de consommation obtenus sont ensuite projetés sur une durée d’exploitation de quinze à vingt ans afin d’identifier, par ordre décroissant, les meilleurs emplacements pour installer les bornes.
La solution permet en outre aux gestionnaires de stations de pondérer des hypothèses de trafic construites il y a deux ou trois ans sur la base de projections optimistes par rapport au taux d’équipement actuel en véhicules électriques.
Huit mois d’incubation au sein de Leonard
« Lorsque nous avons lancé ce projet, il existait très peu de solutions sur le marché. Aujourd’hui, l’offre commence à s’étoffer, ce qui traduit un réel besoin. Notre volonté de développer une offre propriétaire répond à un double dessein : proposer le meilleur rapport qualité-prix qui soit et garder la totale maîtrise de la solution, de son architecture et de la data », développe Eric Mendels, chef d’entreprise chez EASYCHARGE.
Pour parfaire sa solution de modélisation, EASYCHARGE a pu bénéficier de huit mois d’incubation au sein de Leonard, structure d’innovation et de prospective de VINCI. Aujourd’hui, la solution E-ChargePredict fonctionne et peut être proposée et activée sur tout le parc métropolitain d’IRVE géré par VINCI.
Comme toute solution basée sur l’IA, E-ChargePredict améliore sa performance grâce au modèle d’entraînement induit par l’algorithme, contribuant à rendre l’architecture de la solution de plus en plus rapide, robuste et facile à utiliser. « Il s’agit pour l’heure d’un outil déployé par et pour le Groupe VINCI, mais nous comptons bien, dans le futur, étendre le périmètre commercial de la solution. Demain, elle pourrait être adaptée aux besoins du marché poids lourds. Notre intention est de poursuivre le développement de l’outil pour l’élargir à l’échelle européenne », conclut Eric Mendels.
10/09/2026
