Prévoir la demande et la production dans l'incertitude

# Prévoir la demande et la production dans l'incertitude

Il est 14 heures, un après-midi d'été. Une opératrice réseau voit sur son dashboard la production solaire chuter d'un tiers en douze minutes, à mesure qu'un banc de nuages passe au-dessus d'une région truffée de panneaux en toiture. Les climatiseurs, eux, montent encore en charge. Si elle se trompe sur la vitesse de reprise du solaire, elle démarre une centrale de pointe au gaz coûteuse dont elle n'avait pas besoin, ou elle court acheter de l'électricité sur le marché spot à un prix douloureux.

C'est le quotidien de la prévision dans les systèmes électriques : faire coïncider l'offre et la demande, minute par minute, alors que les deux sont incertaines.

Pourquoi la prévision est le problème central

L'électricité est un bien à part. Elle doit être produite et consommée quasiment au même instant. Sur la plupart des réseaux, le stockage à grande échelle et bon marché est très limité. Les opérateurs prédisent donc en permanence deux choses :

• La charge (load) : la quantité d'électricité que les clients vont appeler (la demande).
• La production : ce que les centrales et les renouvelables vont produire (l'offre).

Historiquement, la charge était la partie difficile et la production la partie facile. Une centrale à charbon ou à gaz produit ce qu'on lui demande. Mais avec la montée de l'éolien et du solaire, la production est devenue elle aussi incertaine, pilotée par la météo plutôt que par une molette. C'est l'intermittence : la production renouvelable varie avec les nuages, les rafales de vent et la lumière du jour.

Deux termes liés que vous entendrez :

• Dispatch : la décision de l'opérateur sur les centrales à faire tourner et à quel niveau.
• Réserve : production supplémentaire tenue prête au cas où la prévision se trompe.

De meilleures prévisions, c'est moins de réserve gaspillée, moins d'achats d'urgence et des coûts plus faibles répercutés sur les clients.

De la prévision ponctuelle à la prévision probabiliste

La prévision à l'ancienne donnait un seul chiffre : « Demain à 15 heures, la charge sera de 42 000 mégawatts. » C'est une prévision ponctuelle (point forecast). Elle est inutile pour les décisions de risque parce qu'elle masque l'ampleur possible de l'erreur.

La pratique moderne utilise des prévisions probabilistes : au lieu d'un chiffre, vous obtenez une distribution. Par exemple : « Il y a 90 % de chances que la charge se situe entre 40 000 et 44 000 MW. »

Pourquoi cela compte : une opératrice ne dispatche pas contre la moyenne. Elle dispatche contre la queue de distribution. Si un déficit de 2 000 MW risque de provoquer un black-out, ce qui l'intéresse c'est le pire cas plausible, pas le cas espéré. Les prévisions probabilistes lui permettent de dimensionner les réserves à un niveau de confiance choisi.

Ce que le machine learning fusionne réellement

Les modèles de machine learning (ML) brillent ici parce que le signal provient de sources de données nombreuses, désordonnées et redondantes. Un système de prévision en production ingère typiquement :

Des données météo. La température pilote les besoins de refroidissement et de chauffage. La couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète → nuageuse et l'irradiance (l'intensité du rayonnement solaire reçu par une surface) pilotent le solaire. La vitesse du vent à hauteur de moyeu pilote les parcs éoliens. Les prévisionnistes s'appuient sur des modèles numériques de prévision météo comme ceux publiés par NOAA et d'autres services nationaux, souvent sous forme d'ensembles (de nombreux scénarios météo légèrement différents).

Des courbes de charge historiques. La demande suit des rythmes journaliers et hebdomadaires marqués. Un lundi matin ressemble au lundi matin précédent. Les modèles apprennent ces formes.

Des variables calendaires et comportementales. Les jours fériés, les calendriers scolaires et même les grands événements sportifs déplacent la demande. Une journée chaude un jour férié ne se comporte pas comme une journée chaude ouvrée.

De la télémétrie temps réel. Les données de compteurs en direct, les relevés au niveau des départs et la production renouvelable instantanée permettent au modèle de se corriger au fil des conditions.

Le travail du modèle ML consiste à relier tout cela à une prévision, et surtout à une fourchette autour de celle-ci.

Types de modèles courants

• Les arbres à gradient boosting (comme XGBoost ou LightGBM) sont les chevaux de bataille de la prévision de charge. Ils gèrent bien les variables tabulaires et s'entraînent vite.
• Les réseaux de neurones, en particulier les modèles séquentiels, capturent la dépendance des conditions du jour au passé récent. Les architectures temporelles sont populaires pour les horizons de plusieurs heures.
• La régression quantile est une technique qui se superpose aux précédentes : au lieu de prédire une valeur, le modèle est entraîné à prédire des percentiles précis (le 10e, le 50e, le 90e, etc.). Cela produit directement la fourchette probabiliste dont les opérateurs ont besoin.

Voici la forme conceptuelle d'un entraînement par quantiles dans une librairie courante :

import lightgbm as lgb

# Entraîner un modèle distinct pour chaque quantile qui vous intéresse
quantiles = [0.1, 0.5, 0.9]
models = {}

for q in quantiles:
    models[q] = lgb.LGBMRegressor(
        objective="quantile",   # optimiser sur un percentile, pas sur la moyenne
        alpha=q                  # quel percentile (ex. : 0.9 = 90e)
    )
    models[q].fit(X_train, y_train)

# La prédiction donne une bande basse / médiane / haute, pas un chiffre unique

L'important n'est pas le code. C'est que l'on demande explicitement au modèle de borner l'incertitude, ce qui est précisément ce qu'exigent les décisions de dispatch.

Suivre le banc de nuages en temps réel

Revenons à notre opératrice. Un système moderne de nowcasting solaire (prévision à très court terme, de quelques minutes à quelques heures) n'attend pas le prochain bulletin météo. Il fusionne l'imagerie satellite des nuages, les caméras de ciel installées sur les fermes solaires et les relevés de production en direct pour anticiper la rampe avant qu'elle ne frappe pleinement.

Si le modèle alerte à 13 h 45 qu'un front nuageux va réduire le solaire régional d'environ un tiers en quinze minutes, l'opératrice peut pré-positionner des ressources flexibles : charger ou décharger des batteries, solliciter une turbine à gaz à démarrage rapide, ou activer le demand response (payer de gros clients pour réduire brièvement leur consommation). La prévision transforme une course contre le temps en un plan.

🎬 [VIDEO: "How Grid Operators Balance Supply and Demand" - youtube.com - une introduction claire à l'équilibrage du réseau en temps réel et aux raisons pour lesquelles la prévision conditionne les décisions de dispatch]

Comment les utilities mesurent la qualité d'une prévision

On ne pilote pas ce qu'on ne mesure pas. Deux métriques dominent :

• MAPE (Mean Absolute Percentage Error) : l'erreur moyenne en pourcentage pour les prévisions de charge. Un MAPE de charge à J-1 de quelques pour cent est courant chez les utilities matures ; l'intraday peut être plus serré. Considérez tout chiffre précis comme une estimation qui varie selon les régions.
• Pinball loss : la règle de scoring standard pour les prévisions probabilistes. Elle récompense un modèle qui place la bonne quantité de probabilité au bon endroit, et pénalise à la fois l'excès de confiance et le flou.

Un concept subtil mais critique est la calibration. Si votre modèle annonce un « intervalle de confiance à 90 % », alors les résultats réels doivent tomber dans cet intervalle environ 90 % du temps. Un modèle peut être juste en moyenne et pourtant mal calibré, sous-estimant systématiquement l'incertitude. C'est dangereux, parce que les opérateurs font confiance à la bande. Les utilities valident la calibration en continu face aux résultats observés.

Où les prévisions alimentent le business

Les prévisions ne sont pas un exercice académique. Elles se traduisent directement en argent et en fiabilité :

• Marchés day-ahead. Dans beaucoup de régions, les utilities et les producteurs enchérissent sur un marché de gros la veille. Une meilleure prévision de charge et de renouvelables, ce sont des offres plus fines et moins de corrections coûteuses sur le marché temps réel.
• Unit commitment. Décider quelles grandes centrales à démarrage lent mettre en chauffe plusieurs heures à l'avance. Chauffer une centrale inutile coûte cher ; avoir besoin d'une centrale non chauffée coûte plus cher encore.
• Écrêtement (curtailment) des renouvelables. Quand les prévisions annoncent plus d'éolien ou de solaire que le réseau ne peut absorber, les opérateurs peuvent écrcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →êter (gaspiller volontairement) la production. De bonnes prévisions réduisent les écrcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →êtements imprévus.
• Programmation du stockage. Les batteries gagnent de l'argent en se chargeant quand l'électricité est abondante et bon marché et en se déchargeant quand elle est rare. Cet arbitrage dépend entièrement de la prévision du prix et de la courbe d'offre.

Les difficultés dont personne ne fait la publicité

Distribution shift. Les modèles apprennent de l'histoire. Quand les comportements changent vite (adoption rapide des véhicules électriques, raccordement d'un nouveau data center, canicule hors de toute plage historique), le passé est un mauvais guide. Les équipes surveillent le drift et réentraînent souvent.

Événements extrêmes rares. Les prévisions qui comptent le plus, pendant une tempête sévère ou une urgence réseau, sont celles pour lesquelles on a le moins de données d'entraînement. Un modèle excellent les jours normaux peut échouer exactement quand les enjeux sont les plus élevés. C'est pourquoi les opérateurs humains et les modèles de secours fondés sur la physique restent dans la boucle.

Solaire derrière le compteur (behind-the-meter). Les panneaux en toiture réduisent la charge que voit l'utility sans que celle-ci les compte directement. Du point de vue du réseau, un après-midi ensoleillé ressemble à une demande qui baisse mystérieusement. Estimer cette production cachée est une tâche de prévision distincte et délicate.

Erreurs corrélées. Une erreur météo peut fausser la charge, le solaire et l'éolien en même temps, dans le même sens. Des erreurs qui s'additionnent sont bien plus dangereuses que des erreurs indépendantes, et la planification des réserves doit en tenir compte.

Une vision réaliste du rôle de l'IA

L'IA ne supprime pas l'incertitude. Elle la quantifie mieux et réagit plus vite. Les dispositifs qui fonctionnent associent prévisions ML, jugement humain et modèles physiques, plutôt que de remplacer les opérateurs. Les régulateurs de nombreux marchés exigent aussi explicabilité et auditabilité, si bien que les modèles purement black-box cohabitent souvent avec des baselines interprétables.

Pour un traitement plus approfondi et librement accessible des méthodes de prévision et de leur évaluation, le manuel en ligne Forecasting: Principles and Practice est un point de départ largement reconnu.

Points clés

• L'électricité doit être équilibrée en temps réel : prévoir la charge et la production est donc le problème opérationnel central, rendu plus difficile par l'intermittence des renouvelables pilotée par la météo.
• Les opérateurs ont besoin de prévisions probabilistes (une fourchette avec des niveaux de confiance), pas de prédictions ponctuelles, car les décisions de dispatch consistent à gérer le risque dans les queues de distribution.
• Les modèles ML fusionnent météo, courbes de charge historiques, effets calendaires et télémétrie en direct ; des techniques comme la régression quantile produisent directement les bandes d'incertitude contre lesquelles les utilities dispatchent.
• La calibration compte autant que la précision : un intervalle annoncé à 90 % doit réellement contenir les résultats 90 % du temps, sinon les opérateurs dimensionnent mal leurs réserves.
• Les prévisions sont les plus fragiles lors d'événements extrêmes rares et de changements comportementaux rapides, ce qui est précisément la raison pour laquelle les opérateurs humains et les modèles physiques restent indispensables.