Prévisions des prix sur le marché d'équilibrage irlandais

Les marchés d'électricité à court terme prennent de l'importance alors que les sources d'énergie renouvelables deviennent plus variables et imprévisibles. Parmi ces marchés, le marché d'équilibrage est le plus dynamique et proche du temps réel. Pourtant, il n'y a pas beaucoup de recherches sur la tarification dans ce marché, et les études existantes sont incohérentes et obsolètes. Dans ce contexte, on utilise différentes techniques pour prédire les prix de l'électricité sur le marché d'équilibrage irlandais.

#Importance de la prévision des prix

Des prévisions précises des prix sont cruciales pour tous les acteurs du marché de l'électricité, y compris les producteurs, les consommateurs et les traders. Cette importance est encore plus marquée pour les systèmes à réponse rapide comme le stockage par batterie, qui réagissent aux variations de l'offre et de la demande. À mesure que les sources d'énergie renouvelables deviennent plus courantes, des erreurs de prévision peuvent entraîner des pertes financières et des défis opérationnels pour les participants au marché.

#Explication du marché d'équilibrage

Le marché d'équilibrage est l'endroit où l'électricité est échangée à la dernière minute pour équilibrer l'offre et la demande. Il connaît des fluctuations de prix plus importantes par rapport aux autres marchés. Ce marché est vital pour les régions sans stockage d'énergie significatif, car il garantit que la production et la consommation d'électricité sont synchronisées en temps réel.

La concentration traditionnelle a été sur le marché de la journée suivante, où les prix sont fixés un jour à l'avance et où les données sont largement disponibles pour analyse. Les raisons de la moindre concentration sur le marché d'équilibrage incluent la variabilité de ses règles et la difficulté à collecter des ensembles de données pertinents.

#Tendances récentes dans la prévision des prix

Avec les avancées technologiques et la disponibilité des données, les méthodes d'apprentissage profond deviennent plus populaires pour prévoir les prix sur les marchés de l'électricité. Cependant, il y a peu de recherches sur la façon dont ces modèles fonctionnent sur le marché d'équilibrage. La plupart des études se sont concentrées sur le marché de la journée suivante. Donc, notre objectif est de développer une référence en utilisant des modèles qui ont bien fonctionné sur le marché de la journée suivante et de voir comment ils s'en sortent sur le marché d'équilibrage.

#Objectifs de l'étude

Notre étude a plusieurs objectifs clés :

1. Créer un cadre pour former et évaluer des modèles pour le marché d'équilibrage qui peut être reproduit par d'autres.
2. Évaluer la performance de plusieurs modèles statistiques et d'apprentissage automatique bien connus lorsqu'ils sont appliqués au marché d'équilibrage.
3. Comparer les résultats du marché d'équilibrage avec ceux du marché de la journée suivante pour fournir des insights sur la prévision des mouvements de prix volatils.

On se penche aussi sur les défis rencontrés par les modèles d'apprentissage profond dans cet environnement de marché plus imprévisible et sur la façon dont la variation de la taille des données d'entraînement impacte la précision des prévisions.

#Structure du marché

Les marchés de l'électricité en Europe ne sont pas uniformes, mais ils ont de plus en plus convergé, principalement en raison de l'utilisation accrue des énergies renouvelables. Dans cette section, on décrit la structure du marché unique de l'électricité irlandais, qui sert à la fois l'Irlande et l'Irlande du Nord.

#Composants clés du marché

1. Marché de la journée suivante (DAM) : Ce marché fonctionne par le biais d'une enchère unique tenue chaque jour, permettant aux participants de fixer le prix de l'électricité pour le lendemain.
2. Marché intra-journée (IDM) : Après le marché de la journée suivante, il y a des sessions de trading supplémentaires et un marché en continu pour des ajustements.
3. Marché d'équilibrage (BM) : Ce marché fixe le prix de l'électricité en fonction des besoins immédiats d'offre et de demande. Les prix sont calculés sur une courte période de moyenne et sont cruciaux pour maintenir la stabilité du système.

#Fonctionnalité du marché d'équilibrage

Le but principal du marché d'équilibrage est de permettre à l'opérateur du système d'ajuster l'offre à la demande en temps réel. Les participants à ce marché soumettent des offres pour compenser toute déviation par rapport à leurs estimations initiales, garantissant ainsi la stabilité du système.

#Sources de données et préparation

On a rassemblé des données provenant de diverses sources publiques, y compris des données historiques de prix et de prévisions de 2019 à 2022. Notre objectif est de prévoir les prix pour les périodes de règlement à venir, ce qui nécessite à la fois des données passées et des données prospectives.

#Types de données utilisées

• Données historiques : Cela inclut les prix et volumes passés du marché d'équilibrage, la différence entre l'énergie éolienne prévue et réelle, et les prix précédents du marché de la journée suivante.
• Données futures : Cela inclut des prévisions pour la demande, l'offre et la production d'énergie renouvelable pour les heures à venir.

Le but est d'utiliser ces données pour créer un modèle complet qui peut prédire avec précision les futurs prix sur le marché d'équilibrage.

#Aperçu des modèles

On a utilisé plusieurs modèles établis pour prévoir les prix de l'électricité, y compris des approches statistiques et d'apprentissage automatique. Cette section fournit une brève description de chaque modèle utilisé dans l'analyse.

#Modèle naïf

Ce modèle de base utilise les prix des heures précédentes comme prédicteur pour les prix des heures suivantes. Il sert de référence simple pour la comparaison avec des modèles plus complexes.

#Modèle auto-régressif LASSO estimé (LEAR)

LEAR est un modèle statistique amélioré qui utilise la régularisation LASSO pour améliorer la précision des prévisions. Il intègre des données de prix historiques pour fournir des prédictions fiables.

#Forêt aléatoire (RF)

Ce modèle combine plusieurs arbres de décision pour générer des prévisions. Il est efficace pour traiter des ensembles de données complexes et a tendance à produire des résultats précis.

#Régression par vecteurs de support (SVR)

SVR mappe les données dans un espace de dimension supérieure pour appliquer des techniques de régression linéaire pour les prédictions. Il est efficace pour des données complexes et de haute dimension.

#Gradient boosting extrême (XGB)

Semblable à la forêt aléatoire, XGB combine plusieurs arbres mais les apprend de manière séquentielle. Cela conduit souvent à une précision améliorée dans les prévisions.

#Modèles d'apprentissage profond

1. Réseau de neurones profond à tête unique (SH-DNN) : Un modèle simple composé de plusieurs couches densément connectées conçu pour la prévision des prix.
2. Réseau de neurones récurrent à plusieurs têtes (MH-RNN) : Une architecture plus complexe qui combine les données historiques et futures, idéalement conçue pour capturer des motifs dans le temps.

#Configuration expérimentale

Notre analyse comporte trois étapes principales : optimisation des hyperparamètres, formation du modèle et prévision sur des données non vues. On réentraîne le modèle toutes les 8 heures pour intégrer les dernières informations disponibles.

#Optimisation des hyperparamètres

On a ajusté les paramètres de chaque modèle pour améliorer les performances basées sur les ensembles de validation. Cela garantit que les modèles sont adaptés pour fournir les meilleurs résultats possibles.

#Métriques d'évaluation

Pour évaluer la précision des modèles, on a utilisé diverses métriques de performance. Celles-ci incluent :

• Erreur Absolue Moyenne (MAE) : Cela mesure les erreurs absolues moyennes dans les prévisions.
• Erreur quadratique moyenne (RMSE) : Cela fournit une mesure de la proximité des valeurs prédites par rapport aux valeurs réelles.
• Erreur proportionnelle absolue moyenne symétrique (sMAPE) : C'est particulièrement utile dans la tarification de l'électricité en raison de sa capacité à gérer des prix qui sont proches de zéro.

#Résultats et discussion

On présente la performance des différents modèles dans la prévision des prix du marché d'équilibrage.

#Précision des prévisions

LEAR s'est démarqué comme le meilleur modèle pour le marché d'équilibrage, surtout lorsqu'il est formé sur des ensembles de données plus importants. Il a montré une capacité à fournir des prévisions stables, évitant des pics significatifs malgré qu'il ne capte pas toujours les mouvements de prix extrêmes.

#Comparaison de la performance avec d'autres modèles

Les modèles d'apprentissage automatique comme la forêt aléatoire et XGB ont été compétitifs, surpassant leurs homologues d'apprentissage profond. Ces derniers ont eu du mal à s'adapter à la forte volatilité du marché d'équilibrage et ont souvent fait des prévisions trop confiantes qui ont conduit à des taux d'erreur plus élevés.

#Impact de la taille des données d'entraînement

La taille de l'ensemble de données d'entraînement a un impact significatif sur la performance du modèle. L'augmentation de la taille d'entraînement a réduit les erreurs de prévision pour tous les modèles. Cependant, les modèles d'apprentissage profond n'ont pas bénéficié autant des ensembles de données plus volumineux par rapport aux modèles plus simples.

#Analyse statistique

On a effectué des tests statistiques pour comprendre les différences dans la précision des modèles de manière plus robuste. Cette analyse a confirmé que LEAR et les modèles d'ensemble surpassaient systématiquement les autres.

#Analyse horaire des prévisions

En examinant les prévisions et les prix réels sur différentes heures, on a obtenu des insights sur les moments de la journée qui posaient les plus grands défis en termes de prévision. En général, les prix étaient plus volatils en fin d'après-midi, ce qui entraînait des erreurs de prévision plus importantes durant ces périodes.

#Comparaison avec le marché de la journée suivante

Les différences entre le marché d'équilibrage et le marché de la journée suivante étaient claires. Les prévisions sur le marché de la journée suivante bénéficiaient de dynamiques de prix plus stables, tandis que celles sur le marché d'équilibrage faisaient face à des fluctuations abruptes qui compliquaient la prévision.

#Efficacité computationnelle

En termes pratiques, l'efficacité computationnelle des modèles est cruciale pour les applications en temps réel. Les modèles d'apprentissage profond nécessitaient généralement plus de temps et de ressources pour être entraînés par rapport aux modèles statistiques et d'apprentissage automatique, qui excellaient à la fois en précision et en efficacité.

#Conclusion

L'étude fournit une analyse complète de divers modèles pour prévoir les prix de l'électricité sur le marché d'équilibrage. Bien que les modèles d'apprentissage profond aient montré des promesses dans des environnements plus stables, des modèles plus simples comme LEAR se sont révélés plus efficaces sur le marché d'équilibrage volatile.

Les insights tirés de cette recherche pourraient guider les futurs efforts pour améliorer les modèles de prévision spécifiquement adaptés aux marchés d'équilibrage. De plus, une exploration plus poussée pourrait élargir notre compréhension et conduire à des stratégies plus efficaces dans la tarification et le trading d'électricité.

Les données originales, les modèles et le cadre de cette étude seront mis à disposition pour encourager de nouvelles recherches et le développement de techniques de prévision améliorées.