Le nombre de véhicules électriques est en constante augmentation... et le nombre de stations de recharge doit donc suivre. Comment gérer leur disponibilité et la demande en électricité sur des milliers de stations, pour des millions de véhicules dans une perspective de leur « recharge intelligente » (« smart charging ») ? L'informatique quantique pourrait faciliter cette gestion.

Gérer la future demande en électricité sur les stations de recharge est bien plus complexe que de proposer un « plein » de carburant, facile à stocker. En effet, chaque point de recharge en électricité, sur un maillage couvrant tout un territoire, devra être capable de fournir l'électricité demandée par les usagers alors même que le temps nécessaire pour « faire le plein » est plus long et que la demande varie selon le jour, l'heure ou la saison...

Côté fournisseur d'électricité, il est donc nécessaire d'optimiser la gestion de la recharge des véhicules, intimement liée à la planification de l'offre en électricité (et de sa production). Cela passe par le smart charging, une « recharge intelligente » basée sur la modélisation de l'ensemble des stations et de la demande sur chacune d'entre elles pour dimensionner au mieux l'électricité disponible à chaque instant. Partie intégrante du Plan mobilité électrique lancé par EDF en 2018, le smart charging présente un autre intérêt : les véhicules électriques en circulation sont autant de « batteries sur roue », capables de stocker l'électricité quand elle est excédentaire et de la « restituer » lorsque la demande sur le réseau se fait plus pressante. Une perspective intéressante dans un contexte où les sources de production se diversifient et intègrent plus de sources intermittentes, comme le solaire ou l'éolien. Ce volet de la recharge intelligente, nommé Vehicle to grid ou « V2G », s'intègre donc à une vision bien plus large de gestion de la production d'électricité.

La R&D d’EDF travaille activement sur cette problématique avec la société Pasqal, une société qui développe des calculateurs quantiques basés sur la technologie des atomes neutres.

Pour assurer la sûreté de ses réacteurs nucléaires, EDF doit envisager tous les scénarios accidentels possibles. Une analyse des risques qui répond à des exigences opérationnelles et réglementaires. Sur un système aussi complexe qu'un réacteur, les calculs sont très complexes et très longs. L'informatique quantique ouvre de nouvelles perspectives.

Une étude probabiliste de sûreté (EPS) est une démarche qui consiste à évaluer les risques en explorant systématiquement tous les scénarios pouvant mener à un dysfonctionnement, et en quantifiant leur probabilité d'occurrence. Complémentaires aux études déterministes - qui consistent à quadrupler chaque dispositif de sécurité - les études probabilistes de sûreté nucléaire recensent toutes les défaillances possibles dans les systèmes qui garantissent le bon fonctionnement d'un réacteur nucléaire.

« On identifie tous les événements initiateurs possibles : un composant électronique qui « grille », une fuite d'eau dans le système de refroidissement, un séisme, une inondation, une défaillance humaine...», explique Mohamed Hibti, chercheur expert senior au sein de la R&D d'EDF et spécialiste en modélisation informatique de problèmes combinatoires. « Puis, on élabore les combinaisons possibles de défaillances matérielles ou humaines, et on modélise les conduites à tenir, selon que le réacteur fonctionne à pleine puissance, à puissance réduite ou qu'il soit à l'arrêt ». Ainsi, différentes familles de scénarios sont envisagées et déclinées sous forme d'« arbres d'événements » qui sont élaborés à partir d'une analyse qualitative des séquences accidentelles.

Un arbre d'événements modélise l'ensemble des scénarios consécutifs à un évènement initiateur.

Pour un réacteur, les EPS sont très complexes car le nombre de scénarios est relié de façon exponentielle au nombre de sources de défaillance possible. « Nous travaillons sur des modèles probabilistes qui tiennent compte de centaines d'événements initiateurs, et chacun engendre jusqu'à une centaine de scénarios possibles », précise Mohamed Hibti.

Apport de l'informatique quantique

Actuellement faites sur des ordinateurs de bureau ou des serveurs, les études de sûreté permettent d'identifier les faiblesses éventuelles des systèmes, de les hiérarchiser et de mettre en place des parades en cas d'incident. L'informatique quantique permettrait de les « repenser ». « Les calculs seraient plus rapides à exécuter et permettraient aussi une vision dynamique, tenant compte à la fois de l'ordre dans lequel les événements se produisent et de la possible remise en fonction d'un système pendant qu'une procédure alternative est appliquée », s'enthousiasme Mohamed Hibti. La R&D d'EDF se prépare à l'ère de l'informatique quantique en testant actuellement ses premiers algorithmes quantiques sur des simulateurs et les calculateurs quantiques disponibles.

La simulation des matériaux pourrait faire un bond en avant avec le calcul quantique. Cela bénéficiera à EDF pour la surveillance des installations de production ou la conception de panneaux photovoltaïques et de batteries, par exemple. Le quantique se prépare aussi une place de choix dans le domaine des capteurs, essentiels pour surveiller différentes unités de production d'électricité.

La simulation des matériaux est primordiale pour EDF tant pour la connaissance du vieillissement des aciers dans les réacteurs nucléaires que l'évaluation de la dégradation dans le temps des performances des panneaux photovoltaïques ou de la capacité de charge des batteries. Néanmoins, dès lors qu'ils sont faits au niveau atomique, les calculs sur ces problèmes physiques se confrontent très vite aux limites des moyens informatiques actuels. La précision des résultats est donc contrainte par les capacités limitées des ordinateurs classiques. Le calcul quantique changerait la donne.

« Quand on fait une simulation atomique pour étudier le vieillissement du fer par exemple, certains aspects physiques fins sont négligés pour conserver un temps de calcul raisonnable or cela entrave l'exactitude des résultats », explique Christophe Domain, ingénieur chercheur senior au département Matériaux et mécanique des composants de la R&D d'EDF. « De même pour les oxydes de batterie dont la structure électronique est complexe, ou les aciers inox qui ont la particularité d'être « paramagnétiques ». Pour ces derniers, les calculs sont faits sur un modèle de base très détaillé, mais sans tenir compte du spin* car cela multiplierait le temps de calcul par 100. Avec un calculateur quantique, on pourrait intégrer la notion de spin* et ainsi affiner le calcul pour obtenir de meilleures descriptions. »

De nouveaux capteurs quantiques, ultra-précis

A cela s'ajoute des travaux de veille sur la métrologie quantique. Cet ensemble de technologies exploite les propriétés quantiques pour améliorer la précision des capteurs. Ces capteurs quantiques, exacts et très sensibles, ont déjà commencé à voir le jour dans les horloges atomiques ou la résonance magnétique nucléaire (RMN) appliquée à l'imagerie (IRM).

« La très grande sensibilité des capteurs quantiques les rend fragiles par rapport à leur environnement, à cause du phénomène de décohérence. Mais on voit déjà apparaître de possibles capteurs quantiques performants pour des applications qui nous intéressent, comme la surveillance des installations de production ou la prospection minière pour le stockage souterrain de CO₂. Il faut désormais qu'ils dépassent l'étape de la démonstration et deviennent des instruments fonctionnels, y compris hors des laboratoires. »

* Le spin est, en physique quantique, une des propriétés internes des particules, au même titre que la masse ou la charge électrique. Comme d'autres observables quantiques, sa mesure donne des valeurs discrètes et est soumise au principe d'incertitude.

La production d'électricité inclut des sources intermittentes de plus en plus nombreuses. Comment adapter l'ensemble des productions à la demande, en tenant compte des variations de production et des arrêts techniques indispensables ? Le machine learning permet d’apporter des réponses. L'arrivée de calculateurs quantiques le rendra encore plus performant.

Les techniques de machine learning (ML ou apprentissage machine – AM - en français) consistent à analyser des données passées puis à les utiliser pour « prédire » des événements futurs. Mais ces programmes d'apprentissage, qui interviennent désormais dans d'innombrables domaines, nécessitent un grand nombre de données d'apprentissage pour obtenir un résultat fiable, et des calculs qui peuvent durer longtemps. Au-delà du compromis entre durée de calcul (coût) et fiabilité, le résultat émerge toujours sans pour autant que l'on sache expliquer « comment »

Le calcul quantique pourrait allier rapidité, fiabilité et explicabilité. Pour EDF, cela aurait de nombreuses applications. L'une d'elles est la programmation précise de ses différents moyens de production en fonction d'une prévision fine des aléas, incluant le niveau de demande en électricité et en production d’énergies renouvelables. « Il serait alors possible de définir de façon encore plus optimale les moments les plus opportuns pour les arrêts techniques indispensables ».

« Le machine learning est un bon outil pour des problématiques de type offre/demande et on doit donc être en mesure de simuler des données. Pour ce faire, le calcul quantique est tout indiqué car il se base sur des calculs intrinsèquement probabilistes, de la même façon que le machine learning repose sur une distribution de probabilités. L'arrivée du calcul quantique tombe en fait à point nommé – même si c'est seulement dans 5 ou 10 ans – car la multiplication des sources d'énergie renouvelables localisées et dont la production est partiellement autoconsommée s'ajoute aux différentes sources centralisées comme les nôtres. »