Prévision de charge pour les opérateurs de réseau : intégrer les signaux météo, comportementaux et DER dans un pipeline de prédiction de la demande

La prévision de charge a longtemps reposé sur une logique relativement stable : température extérieure, profil historique de consommation par heure, quelques coefficients saisonniers. Ce modèle tenait la route quand la demande était passive et le parc de production centralisé. En 2026, ce n'est plus le cas. Un territory de distribution comme celui de Pacific Gas & Electric intègre aujourd'hui plusieurs millions de compteurs communicants, des centaines de milliers de systèmes solaires résidentiels avec batteries, et des flottes de véhicules électriques dont les pics de recharge se superposent aux pointes de chaleur. Le signal à prédire est devenu composite, non-linéaire, et parfois inversé par rapport aux règles historiques.

L'enjeu réglementaire accentue la pression. Dans le cadre des tarifs déposés auprès des commissions d'État (CPUC en Californie, PUCT au Texas), les erreurs de prévision se traduisent par des surcoûts d'achat sur les marchés spot ou, pire, par des violations des normes NERC relatives aux réserves opérationnelles. Une erreur de 3 % sur la pointe estivale peut coûter plusieurs millions de dollars en achats d'urgence. Le pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → de prévision n'est pas un outil analytique secondaire : il conditionne directement la stratégie d'approvisionnement et la solidité des dossiers tarifaires.

Construire le pipeline : une séquence en cinq étapes

Étape 1 : cartographier les sources de données et leurs latences réelles

Avant d'entraîner un modèle, l'équipe data doit établir un inventaire honnête des flux disponibles. Pour chaque source (données AMI, relevés météo NWS ou stations locales, registres de DER auprès de la commission, programmes de demand response, données de recharge VE collectées via les EVSE en territoire), il faut documenter la latence effective, pas théorique. Un compteur AMI qui transmet toutes les 15 minutes peut arriver avec 45 minutes de délai si l'infrastructure de collecte est insuffisante. Un registre de systèmes solaires peut avoir plusieurs mois de retard sur les installations réelles. Ces écarts invalident directement les modèles qui supposent une fraîcheur des données qu'elle n'a pas.

Étape 2 : segmenter le territoire en zones de charge homogènes

La prévision à l'échelle du territoire entier masque les hétérogénéités qui comptent. Un quartier à forte densité de panneaux solaires peut afficher une charge nette négative en milieu de journée, pendant qu'un pôle industriel à proximité tire sa pointe habituelle. Travailler à l'échelle des feeders de distribution ou des substations de 69 kV permet d'isoler ces dynamiques. Duke Energy a documenté publiquement ce type d'approche dans ses dépôts de planification intégrée des ressources (IRP) en Caroline du Nord : la granularité spatiale réduit les erreurs de prévision de pointe de manière significative comparée à un modèle zonal unique.

Étape 3 : construire des features météo adaptées aux comportements locaux

La température sèche reste le régresseur principal, mais elle ne suffit plus. L'humidité relative influence la consommation de climatisation au-delà du seuil de 60 % d'une façon non proportionnelle. La vitesse du vent affecte la production éolienne distribuée. L'index de rayonnement solaire GHI (Global Horizontal Irradiance) détermine la production des systèmes résidentiels et modifie directement la charge nette. Ces variables doivent être construites à partir de données de réanalyse (ERA5 de ECMWF, ou HRRR du NOAA pour des horizons à courte portée) interpolées aux centroïdes des zones de charge identifiées à l'étape 2. Des features de type "jours consécutifs de chaleur" ou "amplitude thermique nocturne" capturent des effets de saturation thermique des bâtiments que les températures instantanées ne voient pas.

Étape 4 : intégrer les signaux DER via un modèle de production nette

Les compteurs AMI mesurent la charge nette, pas la charge brute. Pour isoler la flexibilité réelle du réseau, le pipeline doit modéliser séparément la production DER (solaire, stockage en décharge) et en déduire la charge brute sous-jacente. Cela implique un sous-modèle de production solaire résidentiel calé sur les registres de capacité installée par zone et sur les prévisions d'irradiance. Pour les batteries domestiques (systèmes Powerwall ou Enphase, largement déployés sur la côte Ouest), le comportement de charge/décharge dépend des réglages du propriétaire et des programmes d'agrégation actifs. Ce sous-modèle doit être mis à jour à chaque nouveau cycle d'enregistrement auprès de la commission, sinon il dérape rapidement.

Étape 5 : choisir l'architecture de modèle selon l'horizon de prévision

Les horizons de prévision ont des contraintes opérationnelles distinctes. À 24-72 heures, un modèle gradient boosting (XGBoost ou LightGBM) sur features météo et calendaires donne en général des performances comparables à des architectures plus complexes, avec un avantage majeur en lisibilité pour les équipes de dispatch. À l'horizon infrajournalier (1-4 heures), des modèles LSTM ou TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → entraînés sur les séries temporelles AMI à 15 minutes peuvent capter des dynamiques de rampe difficiles à modéliser avec des features statiques. Pour la prévision de pointe saisonnière, utilisée dans les dépôts NERC et les demandes de réserves de capacité, des méthodes probabilistes (quantile regression ou conformal prediction) sont indispensables : les commissions de régulation demandent des intervalles de confiance, pas des valeurs ponctuelles.

Pièges courants et comment les éviter

Le premier piège est de traiter le registre DER comme stable. En territoire à forte adoption solaire, 10 à 15 % de la capacité installée peut changer d'état (panneaux ajoutés, batteries installées, systèmes mis hors service) sur une année. Sans procédure de synchronisation trimestrielle avec les données de permis et les registres de la commission, le modèle de charge nette se dégrade silencieusement.

Le deuxième piège concerne les données AMI pendant les événements de demand response. Quand un programme DR de type "peak time rebate" est actif, la charge observée est déjà conditionnelle à une intervention. Entraîner un modèle sur ces données sans flaguer les périodes DR produit un modèle qui sous-estime la charge de pointe naturelle, ce qui fausse les calculs de réserves.

Le troisième piège est organisationnel : les équipes de dispatch et les équipes data opèrent souvent en silos. Un modèle de prévision précis qui n'est pas intégré dans les

Le parcours complet sur ce secteur :Data dans Énergie & Utilities.