La prévision des prix de l'électricité (EPF) est une branche de la prévision énergétique qui applique des modèles mathématiques, statistiques et de Machine learning pour prédire les futurs prix de l'électricité. Au cours des trois dernières décennies, ces prévisions sont devenues un intrant fondamental dans la prise de décision des entreprises énergétiques, en particulier sur les marchés déréglementés où l'électricité est échangée par le biais de contrats au comptant et de produits dérivés. Ce domaine a émergé parallèlement à la libéralisation des marchés en Europe, en Amérique du Nord, en Australie et en Asie, alors que les secteurs électriques traditionnellement monopolistiques évoluaient vers des structures concurrentielles.
L'électricité est un produit unique car elle n'est pas économiquement stockable, ce qui exige un équilibre constant entre production et consommation pour la stabilité du réseau. Sa demande dépend fortement des conditions météorologiques et des schémas d'activité quotidiens, comme les heures de pointe par rapport aux heures creuses et les jours de semaine par rapport aux week-ends. Ces caractéristiques produisent des dynamiques de prix inédites sur d'autres marchés, notamment une saisonnalité quotidienne, hebdomadaire et annuelle, ainsi que des pics de prix brutaux et souvent imprévus. La volatilité des prix peut être jusqu'à deux ordres de grandeur supérieure à celle de tout autre produit échangé ou actif financier, ce qui pousse les acteurs du marché à couvrir à la fois le risque de volume et le risque de prix. Une entreprise de services publics avec une charge de pointe de 1 GW peut économiser environ 300 000 $ par an grâce à une réduction de 1 % de l'erreur absolue moyenne en pourcentage (MAPE) dans les prévisions de prix à court terme.
Méthodes de prévision
L'approche la plus simple pour la prévision du lendemain consiste à demander à chaque source de production d'enchérir sur des blocs de production et à sélectionner les offres les moins chères. Si les offres soumises sont insuffisantes, les prix augmentent ; si elles sont trop nombreuses, les prix peuvent chuter à zéro ou devenir négatifs. Les prix d'offre intègrent le coût de production, le coût de transport et la marge bénéficiaire. Les gestionnaires de réseau indépendants (ISO) favorisent la concurrence en séparant les opérations de transport et de production, en utilisant des marchés basés sur les offres pour déterminer le dispatching économique. L'électricité peut être échangée avec les pools électriques voisins.
Les sources renouvelables non pilotables, comme l'éolien et le solaire, sont généralement vendues avant les autres offres à des tarifs prédéterminés. Toute production excédentaire est vendue à d'autres gestionnaires de réseau, stockée via des stations de transfert d'énergie par pompage, ou réduite dans les pires scénarios. La réduction de production peut considérablement diminuer les avantages économiques et environnementaux de l'énergie solaire à mesure que les taux de pénétration augmentent. L'intégration des réseaux intelligents et de la production renouvelable décentralisée a accru l'incertitude de l'offre et de la demande, stimulant des recherches substantielles sur les techniques de prévision.
Facteurs déterminants
Étant donné que l'électricité est produite au moment exact de la demande, tous les facteurs d'offre et de demande ont un impact immédiat sur les prix du marché au comptant. Les prix à court terme sont surtout influencés par la météo, la demande de chauffage en hiver et de refroidissement en été entraînant des pics de prix saisonniers. Des capacités supplémentaires au gaz naturel ont fait baisser les prix tout en augmentant la demande. Les prix des combustibles et les prix des quotas de CO2 sont des facteurs clés côté offre ; les prix du carbone dans l'UE ont doublé depuis 2017, ce qui en fait un facteur de coût significatif.
Les dotations en ressources spécifiques à chaque pays et les réglementations façonnent également les tarifs. Les subventions gouvernementales aux producteurs ou aux consommateurs peuvent maintenir l'électricité abordable, mais la plupart des pays ont adopté une forme ou une autre de tarification basée sur le marché.
Météo
La demande d'électricité est largement déterminée par la température, les degrés-jours de chauffage et les degrés-jours de refroidissement mesurant la consommation d'énergie par rapport à une référence de 65 degrés Fahrenheit. La météo affecte également l'offre renouvelable. La courbe du canard de la Californie illustre l'écart entre la demande et la disponibilité de l'énergie solaire tout au long de la journée, le solaire inondant le marché pendant les périodes ensoleillées et chutant en soirée lorsque la demande atteint son pic. Les prévisions météorologiques peuvent améliorer la précision des prévisions de prix, en particulier pour les horizons de 2 à 4 jours à l'avance, tandis que les prévisions du lendemain bénéficient d'effets autorégressifs.
Disponibilité de l'hydroélectricité
Le manteau neigeux, les débits des cours d'eau, la saisonnalité et d'autres facteurs hydrologiques déterminent l'énergie potentielle disponible pour les barrages hydroélectriques. La prévision de ces variables prédit la capacité de production pour une période donnée. Des régions comme le Pakistan, l'Égypte, la Chine et le Nord-Ouest Pacifique dépendent fortement de la production hydroélectrique. En 2015, la Zambie a connu plus du double de la durée et de la fréquence moyennes d'interruption du système (SAIDI et SAIFI) par rapport à l'année précédente en raison de faibles réserves d'eau dans les barrages dues à des précipitations insuffisantes.
Pannes de centrales et de transport
Les pannes planifiées ou imprévues réduisent la puissance totale disponible sur le réseau, compromettant l'offre et faisant monter les prix. Les services publics et les gestionnaires de réseau doivent intégrer les calendriers de pannes dans les prévisions à court terme.
Santé économique
En période de ralentissement économique, les usines réduisent leur production en réponse à une baisse de la demande des consommateurs, diminuant ainsi leur consommation d'électricité. Cette réduction de la demande peut faire baisser les prix de gros, tandis que la croissance économique augmente généralement la demande et les prix.
Approches d'apprentissage automatique
L'EPF moderne repose de plus en plus sur des modèles d'Artificial intelligence et de Deep learning, notamment des réseaux de neurones et des méthodes d'ensemble. Ces modèles capturent les relations non linéaires entre les facteurs de prix, tels que la météo, la charge et la production renouvelable. Des techniques comme les réseaux résiduels et les architectures Transformer (architecture) ont été appliquées aux tâches de prévision des prix, en exploitant de grands ensembles de données de prix historiques et d'entrées météorologiques. L'entraînement utilise souvent des variantes de l'Adam (Optimizer) et des programmes de taux d'apprentissage pour améliorer la convergence. Le choix des fonctions de perte et des stratégies de augmentation de données peut affecter considérablement les performances de prévision.
La recherche a comparé les modèles statistiques classiques, comme ARIMA, aux approches d'apprentissage automatique. Bien qu'aucune méthode ne domine, les modèles hybrides qui combinent des facteurs fondamentaux avec des composants statistiques ou basés sur l'apprentissage tendent à bien performer. La précision des prévisions de production renouvelable publiées par les gestionnaires de réseau de transport (GRT) peut être améliorée avec des modèles de prédiction simples, ce qui améliore à son tour les prévisions de prix.
Applications sur le marché
Les gestionnaires de portefeuille d'électricité utilisent des prévisions de prix allant de quelques heures à plusieurs mois à l'avance pour ajuster leurs stratégies d'enchères et leurs calendriers de production ou de consommation. Des prévisions précises du lendemain permettent aux services publics de réduire les risques et de maximiser les profits sur les marchés concurrentiels. La part croissante des renouvelables intermittents augmente l'incertitude des prévisions, rendant les modèles robustes plus précieux. Les prévisions de prix soutiennent également la gestion des risques, l'évaluation des actifs et la planification des investissements à long terme dans les infrastructures de production et de réseau.