Au Mondial de l’Auto de Paris, en octobre 2026, Renault a placé le renouvellement des gammes Scénic et Rafale après le lancement du Trafic E-Tech. La cible annoncée atteint 750 km d’autonomie sur le cycle WLTP, avec une recharge de 10 à 80 % en 20 minutes.
Ces modèles reposeraient sur la plateforme RGEV Medium 2.0, dotée d’une architecture électrique de 800 volts. Le Trafic E-Tech doit ouvrir la séquence en 2027, puis le renouvellement du Scénic et du Rafale interviendrait entre 2028 et 2030 selon le modèle. À ce stade, Renault n’a pas publié de fiche technique homologuée pour ces deux voitures.
Il faudra attendre les mesures.
750 km sur le papier, 20 minutes en station
Le chiffre de 750 km concerne le cycle WLTP, la procédure européenne utilisée pour comparer les véhicules neufs. Il ne prédit pas la distance parcourue sur autoroute, en hiver, avec un véhicule chargé et le chauffage en marche. La consommation varie selon la vitesse, la température, le relief, le vent, le style de conduite et la charge transportée.
En 2026, le Scénic E-Tech Grande Autonomie atteint jusqu’à 625 km WLTP. La cible de 750 km ajouterait donc 125 km sur le même indicateur, à condition que Renault conserve une méthode de comparaison identique. Le Rafale affiche, lui, jusqu’à 1 000 km avec sa motorisation hybride rechargeable. Cette donnée décrit une autonomie totale et ne se compare pas directement aux 750 km d’un futur modèle 100 % électrique.
Pour la recharge, Renault annonce un passage de 10 à 80 % en 20 minutes, contre environ 30 minutes pour le Scénic E-Tech en 2026. Cette durée ne correspond ni à une recharge complète ni à tous les arrêts possibles. Elle dépendra de la borne, de la température de la batterie, de son niveau de départ et de la puissance maintenue pendant la session.
L’architecture 800 volts ne fait pas tout
Une architecture de 800 volts permet, à puissance identique, de faire circuler moins de courant. La relation tient en une formule : P = U × I. Cette tension peut réduire les contraintes sur les câbles et les composants de puissance, tout en facilitant la gestion thermique lors d’une recharge rapide. Elle ne garantit ni une batterie plus légère ni une courbe de charge régulière.
Renault présente la plateforme RGEV Medium 2.0 comme une base destinée à dépasser la limite actuelle de 150 kW en courant continu sur les modèles concernés. Le Trafic E-Tech est annoncé avec une puissance pouvant atteindre 190 kW, mais, en octobre 2026, Renault n’avait pas détaillé la puissance maximale des futurs Scénic et Rafale.
Une puissance de pointe n’est pas une durée de recharge.
La courbe compte plus que le pic
Une borne affichant 300 kW ne transmet pas automatiquement cette puissance à une voiture. La batterie peut réduire la puissance demandée quand son niveau de charge augmente, quand elle est froide ou quand sa température devient trop élevée. La chimie des cellules, le refroidissement et le logiciel de gestion déterminent donc une partie du résultat.
Les watts ne suffisent pas. Les 20 minutes annoncées auront davantage de valeur si Renault maintient une puissance élevée entre 10 et 70 %, plutôt qu’un pic limité aux premières minutes. La courbe complète, le préconditionnement avant l’arrivée à la borne et la température de référence pèseront autant que la puissance maximale.
Pourquoi viser 750 km quand 400 km couvrent beaucoup d’usages
Une étude publiée en 2023 dans iScience a évalué plusieurs autonomies de voitures électriques avec un modèle intégrant les performances, le coût total de possession, le remplacement de la batterie et les solutions de transport alternatives. Dans le périmètre étudié en Chine, le modèle identifie environ 400 km comme une autonomie optimale pour les consommateurs.
Ce résultat ne fixe pas une règle pour la France. Il pose toutefois une question directe au programme de Renault : combien de clients accepteront de payer et de transporter une batterie plus grande pour éviter quelques arrêts annuels?
Le même travail attribue aux véhicules à très longue autonomie de moins bons résultats en dynamique, en sécurité et en économie que les versions à plus courte autonomie. Une batterie plus volumineuse augmente la masse, le coût et l’énergie nécessaire au déplacement. Elle réduit la fréquence des recharges, mais pas le temps d’attente à une borne.
Une grande autonomie peut répondre à des usages précis : longs trajets fréquents, réseau de recharge irrégulier, remorquage ou absence de recharge à domicile. L’étude ne dit pas qu’une voiture de 750 km serait inutile. Elle indique que l’autonomie supplémentaire réduit surtout la fréquence des recharges, alors que l’inquiétude porte sur le ravitaillement énergétique.
Le prolongateur change la question
Une autonomie proche de 1 400 km est aussi évoquée avec un prolongateur. Ce chiffre ne décrit pas une version 100 % électrique : il associe une batterie et un générateur, avec une chaîne de traction différente.
Un article publié en 2015 dans TheScientificWorldJournal a évalué par simulation une stratégie pour un véhicule combinant pile à combustible et batterie. Dans ce modèle, la pile fournit de l’électricité à la batterie pendant la conduite. La stratégie de contrôle a été testée dans un modèle de conduite urbaine pour limiter la baisse de l’état de charge.
Cette étude est une simulation, pas un essai routier d’un futur Renault. Elle ne permet donc pas d’associer directement ses résultats au prolongateur évoqué pour le Scénic ou le Rafale.
Une autonomie crédible doit connaître la route
Le WLTP donne un point de comparaison, pas une prévision personnalisée. Une publication de Scientific Reports parue en 2026 décrit un modèle de prévision de l’autonomie électrique qui prend en compte les données de conduite, l’état de la batterie, la météo et les styles de conduite.
Les auteurs l’ont évalué sur l’EV Energy Consumption Dataset et le Full Electric Vehicle Dataset 2024, avec des conditions de conduite, des états de batterie et des conditions météorologiques différents. Le travail porte sur la prévision de l’autonomie, pas sur les futurs modèles Renault.
Pour les futurs Scénic et Rafale, l’affichage embarqué devra donc actualiser l’estimation à partir du trajet réel. Lors des essais, il faudra examiner la marge proposée avant la prochaine borne et la stabilité de cette estimation, au même titre que le nombre WLTP.
La recharge rapide progresse, mais la batterie reste le goulot
Le 22 septembre 2026, une publication dans Advanced Materials a décrit une interphase solide d’électrolyte riche en Li3PO4 et Li2SO4. Les auteurs indiquent une baisse de l’énergie d’activation apparente du transport des ions lithium, de 39,1 à 21,3 kJ par mole.
Dans cette étude, des cellules poche de 51,6 Ah ont atteint une densité d’énergie de 208,7 Wh par kilogramme après 10,5 minutes de charge à température ambiante, soit 25 °C. Un pack de 94 kWh assemblé avec 504 cellules poche produites en série a ensuite été intégré dans un véhicule électrique commercial et chargé de 5 à 85 % en 11,77 minutes. La publication rapporte une récupération de 36 km d’autonomie par minute de charge dans ce test.
Ce résultat ne signifie pas que la batterie des futurs Renault utilisera la même chimie. Il ne permet pas non plus d’anticiper sa durée de vie, son coût ou sa production en série. La recharge assistée à 65 °C peut accélérer le processus, mais elle augmente le risque d’emballement thermique. L’essai réalisé à 25 °C montre une autre voie, sans régler à lui seul les contraintes industrielles.
Le calendrier Renault commence ailleurs
En octobre 2026, Fabrice Cambolive a présenté le Trafic E-Tech comme la priorité de Renault pour 2027. Le renouvellement du Scénic et du Rafale doit venir ensuite, entre 2028 et 2030 selon le modèle.
Renault prévoit de conserver une silhouette de SUV pour le prochain Scénic, avec un habitacle très modulable de type monospace. Un écran panoramique OpenR courant sur la largeur du tableau de bord doit aussi équiper le futur Rafale autour de 2030. La capacité utile, la masse, la puissance maximale et la courbe de charge restent toutefois inconnues.
Le concept E-Space présenté à Paris ne constitue pas un lancement confirmé. Renault doit décider de l’avenir du prochain Espace après le Scénic et le Rafale. Il faut donc le traiter comme une étude de style, pas comme une voiture déjà programmée.
Les chiffres à contrôler avant de signer
Lorsque les modèles de série seront disponibles, quatre vérifications permettront de passer de la promesse au choix automobile :
- Comparer les 750 km WLTP entre les versions, les dimensions de roues et les niveaux d’équipement réellement proposés.
- Demander la capacité utile de la batterie, et non sa seule capacité brute, ainsi que la courbe de recharge entre 10 et 80 %.
- Vérifier dans quelles conditions Renault mesure les 20 minutes : température, borne, préconditionnement et niveau de départ.
- Tester l’estimation d’autonomie sur un trajet d’autoroute, par temps froid et avec un véhicule chargé, car ces situations ne reproduisent pas le cycle WLTP.
Le WLTP ne suffit pas pour juger.
Sources et références scientifiques
- A Novel Range-Extended Strategy for Fuel Cell/Battery Electric Vehicles – PMC. TheScientificWorldJournal. DOI: 10.1155/2015/363094 · PMID: 26236771.
- 1.Hori Y. Future vehicle driven by electricity and control-research on four-wheel-motored “UOT Electric March II”. IEEE Transactions on Industrial Electronics. 2004;51(5):954-962. doi: 10.1109/tie.2004.834944. [DOI] [Google Scholar]. doi:10.1109/tie.2004.834944.
- 2.Hu J.-S., Yin D., Hori Y. Fault-tolerant traction control of electric vehicles. Control Engineering Practice. 2011;19(2):204-213. doi: 10.1016/j.conengprac.2010.11.012. [DOI] [Google Scholar]. doi:10.1016/j.conengprac.2010.11.012.
- 3.Hu J.-S., Yin D., Hori Y., Hu F.-R. Electric vehicle traction control: a new MTTE methodology. IEEE Industry Applications Magazine. 2012;18(2):23-31. doi: 10.1109/mias.2011.2175519. [DOI] [Google Scholar]. doi:10.1109/mias.2011.2175519.
- 4.Hwang J. J., Chang W. R. Characteristic study on fuel cell/battery hybrid power system on a light electric vehicle. Journal of Power Sources. 2012;207:111-119. doi: 10.1016/j.jpowsour.2012.02.008. [DOI] [Google Scholar]. doi:10.1016/j.jpowsour.2012.02.008.
- 5.Neubauer J., Brooker A., Wood E. Sensitivity of plug-in hybrid electric vehicle economics to drive patterns, electric range, energy management, and charge strategies. Journal of Power Sources. 2013;236:357-364. doi: 10.1016/j.jpowsour.2012.07.055. [DOI] [Google Scholar]. doi:10.1016/j.jpowsour.2012.07.055.
- 6.Hwang J.-J., Kuo J.-K., Wu W., Chang W.-R., Lin C.-H., Wang S.-E. Lifecycle performance assessment of fuel cell/battery electric vehicles. International Journal of Hydrogen Energy. 2013;38(8):3433-3446. doi: 10.1016/j.ijhydene.2012.12.148. [DOI] [Google Scholar]. doi:10.1016/j.ijhydene.2012.12.148.
- en B.-C., Wu Y.-Y., Tsai H.-C. Design and analysis of power management strategy for range extended electric vehicle using dynamic programming. Applied Energy. 2014;113:1764-1774. doi: 10.1016/j.apenergy.2013.08.018. [DOI] [Google Scholar]. doi:10.1016/j.apenergy.2013.08.018.
- 8.Geng C., Mostefai L., Denai M., Hori Y. Direct yaw-moment control of an in-wheel-motored electric vehicle based on body slip angle fuzzy observer. IEEE Transactions on Industrial Electronics. 2009;56(5):1411-1419. doi: 10.1109/TIE.2009.2013737. [DOI] [Google Scholar]. doi:10.1109/TIE.2009.2013737.
- 9.Wang F.-C., Chen H.-T., Yang Y.-P., Yen J.-Y. Multivariable robust control of a proton exchange membrane fuel cell system. Journal of Power Sources. 2008;177(2):393-403. doi: 10.1016/j.jpowsour.2007.11.051. [DOI] [Google Scholar]. doi:10.1016/j.jpowsour.2007.11.051.
- 10.Ceraolo M., Miulli C., Pozio A. Modelling static and dynamic behaviour of proton exchange membrane fuel cells on the basis of electro-chemical description. Journal of Power Sources. 2003;113(1):131-144. doi: 10.1016/s0378-7753(02)00565-7. [DOI] [Google Scholar]. doi:10.1016/s0378-7753(02)00565-7.
- 11.Wang F.-C., Yang Y.-P., Huang C.-W., Chang H.-P., Chen H.-T. System identification and robust control of a portable proton exchange membrane full-cell system. Journal of Power Sources. 2007;164(2):704-712. doi: 10.1016/j.jpowsour.2006.11.040. [DOI] [Google Scholar]. doi:10.1016/j.jpowsour.2006.11.040.
- 12.Gerssen-Gondelach S. J., Faaij A. P. C. Performance of batteries for electric vehicles on short and longer term. Journal of Power Sources. 2012;212:111-129. doi: 10.1016/j.jpowsour.2012.03.085. [DOI] [Google Scholar]. doi:10.1016/j.jpowsour.2012.03.085.
- Comprehensive assessment for different ranges of battery electric vehicles: Is it necessary to develop an ultra-long range battery electric vehicle? – PMC. iScience. DOI: 10.1016/j.isci.2023.106654 · PMID: 37213236.
- 1.Zhao F., Liu X., Zhang H., Liu Z., Zhang W. Automobile industry under China’s carbon peaking and carbon neutrality goals: challenges, opportunities, and coping strategies. J. Adv. Transp. 2022;2022:1-13. doi: 10.1155/2022/5834707. [DOI] [Google Scholar]. doi:10.1155/2022/5834707.
- 2.Tamor M.A., Stechel E.B. Electrification of transportation means a lot more than a lot more electric vehicles. iScience. 2022;25:104376. doi: 10.1016/j.isci.2022.104376. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.isci.2022.104376.
- 3.Ou S., Hsieh I.Y.L., He X., Lin Z., Yu R., Zhou Y., Bouchard J. China's vehicle electrification impacts on sales, fuel use, and battery material demand through 2050: optimizing consumer and industry decisions. iScience. 2021;24:103375. doi: 10.1016/j.isci.2021.103375. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.isci.2021.103375.
- en K., Zhao F., Hao H., Liu Z., Liu X. Hierarchical optimization decision-making method to comply with China’s fuel consumption and new energy vehicle credit regulations. Sustainability. 2021;13:7842. doi: 10.3390/su13147842. [DOI] [Google Scholar]. doi:10.3390/su13147842.
- 5.Liu Z., Hao H., Cheng X., Zhao F. Critical issues of energy efficient and new energy vehicles development in China. Energy Pol. 2018;115:92-97. doi: 10.1016/j.enpol.2018.01.006. [DOI] [Google Scholar]. doi:10.1016/j.enpol.2018.01.006.
- 6.Ou S., Lin Z., Wang C.R., Davis S., Jiang S., Hilliard M., Hwang H.L., Hao X., Yu R. Improving the effectiveness and equity of fuel economy regulations with sales adjustment factors. iScience. 2022;25:104902. doi: 10.1016/j.isci.2022.104902. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.isci.2022.104902.
- 7.Lv C., Zhang J., Li Y., Yuan Y. Mechanism analysis and evaluation methodology of regenerative braking contribution to energy efficiency improvement of electrified vehicles. Energy Convers. Manag. 2015;92:469-482. doi: 10.1016/j.enconman.2014.12.092. [DOI] [Google Scholar]. doi:10.1016/j.enconman.2014.12.092.
- 8.Srdic S., Lukic S. Toward extreme fast charging: challenges and opportunities in directly connecting to medium-voltage line. IEEE Electrific. Mag. 2019;7:22-31. doi: 10.1109/mele.2018.2889547. [DOI] [Google Scholar]. doi:10.1109/mele.2018.2889547.
- 9.Zhang Y., Zhang Y., Zhang Q., Liu W. Analysis of battery swapping technology for electric vehicles – using NIO’s battery swapping technology as an example. SHS Web Conf. 2022;144:02015. doi: 10.1051/shsconf/202214402015. [DOI] [Google Scholar]. doi:10.1051/shsconf/202214402015.
- 10.Lipman T.E. Transportation, Land Use, and Environmental Planning. 2020. Vehicle technologies for achieving near and longer term fuel economy and climate goals; pp. 217-236. [DOI] [Google Scholar].
- 11.Zhang H., Zhao F., Hao H., Liu Z. Comparative analysis of life cycle greenhouse gas emission of passenger cars: a case study in China. Energy. 2023;265:126282. doi: 10.1016/j.energy.2022.126282. [DOI] [Google Scholar]. doi:10.1016/j.energy.2022.126282.
- 12.Needell Z.A., McNerney J., Chang M.T., Trancik J.E. Potential for widespread electrification of personal vehicle travel in the United States. Nat. Energy. 2016;1:16112. doi: 10.1038/nenergy.2016.112. [DOI] [Google Scholar]. doi:10.1038/nenergy.2016.112.
- Path informed adaptive trend analyzer using Hilbert Huang transform for electric vehicle driving range prediction – PMC. Scientific reports. DOI: 10.1038/s41598-026-37995-w · PMID: 42098174.
- 1.Bustos, J. E. G. et al. A novel data-driven framework for driving range prognostics in electric vehicles. Eng. Appl. Artif. Intell.142, 109925 (2025). [Google Scholar].
- 2.Tolun, Ö. C., Zor, K. & Tutsoy, O. A comprehensive benchmark of machine learning-based algorithms for medium-term electric vehicle charging demand prediction: ÖC Tolun et al. J. Supercomputing. 81, 475 (2025). [Google Scholar].
- 3.Kim, M. & Baek, J. Prediction and validation of solar power generation for solar electric vehicles using shading statistics on urban roads. Renew. Energy. 248, 123057 (2025). [Google Scholar].
- 4.Wang, J., Zhang, H., Wu, B. & Liu, W. Symmetry-Guided Electric Vehicles Energy Consumption Optimization Based on Driver Behavior and Environmental Factors: A Reinforcement Learning Approach, Symmetry, vol. 17, p. 930, (2025)..
- 5.Shan, J., Che, Z. & Liu, F. Accurate rotor temperature prediction of permanent magnet synchronous motor in electric vehicles using a hybrid RIME-XGBoost model. Appl. Sci.15, 3688 (2025). [Google Scholar].
- 6.Zhu, F., Zhang, B., Wu, J., Han, B. & Louis, A. Y. Navigation-based model predictive control of energy management for a serials-parallel plug-in hybrid electric vehicle. Int. J. Green Energy. 22, 202-215 (2025). [Google Scholar].
- 7.Wu, B., Qiu, S. & Liu, W. Addressing Sensor Data Heterogeneity and Sample Imbalance: A Transformer-Based Approach for Battery Degradation Prediction in Electric Vehicles, Sensors, vol. 25, p. 3564, (2025). [DOI] [PMC free article] [PubMed].
- 8.Nagy, E. & Török, Á. Comparison of Simulation-and Regression-Based approaches to estimating electric car power Consumption, Applied Sciences, 15, p. 513, (2025)..
- 9.Yang, M. et al. Predicting and optimizing pure electric vehicle road noise via a locality-sensitive hashing transformer and interval analysis. ISA Trans.157, 556-572 (2025). [DOI] [PubMed] [Google Scholar].
- 10.Zou, Y. et al. A high-speed recurrent state network with noise reduction for multi-temperature state of energy estimation of electric vehicles lithium-ion batteries, Energy, vol. 322, p. 135639, (2025)..
- 11.Fang, Y., Yang, W., Ihara, Y. & Kamiya, Y. Developing a simple electricity consumption prediction formula for the pre-introduction prediction for electric buses. World Electr. Veh. J.16, 67 (2025). [Google Scholar].
- 12.Ofoegbu, E. O. State of charge (SOC) Estimation in electric vehicle (EV) battery management systems using ensemble methods and neural networks. J. Energy Storage. 114, 115833 (2025). [Google Scholar].
- Mao W, Xia H, Pei F, Hu Z, Cai L, Tang X, Ai G, Loh XJ, Chen X, Huang X.. Extreme-Fast-Charging Li-Ion Batteries via Activation-Energy Regulation With a Li3PO4-Li2SO4-Rich Solid Electrolyte Interphase.. Advanced materials (Deerfield Beach, Fla.). 2026. DOI: 10.1002/adma.75045 · PMID: 42770561. (résumé scientifique structuré; texte intégral non fourni)
- Renault prépare du lourd pour les Scénic et Rafale électriques : 750 km d’autonomie et charge ultra-rapi…. 2026.
- Thomas Kim. 750 km d’autonomie et recharge en 20 minutes : Renault prépare une révolution pour les Scénic et Rafale électriques. 2026.
