Load forecasting : prévoir la demande à partir de la météo, des comportements et des DER

# Load forecasting : prévoir la demande à partir de la météo, des comportements et des DER

Une vague de chaleur est annoncée sur votre territoire de desserte mardi prochain. Votre prévision de charge day-ahead indique un pic de demande à 8 200 mégawatts (MW) à 17 h. Vous achetez la puissance correspondante. Mais vous vous êtes trompé de 3 %. Cet écart de 250 MW vient de coûter de l'argent bien réel à votre utility sur le marché temps réel, où les prix pendant une canicule peuvent grimper à dix fois le prix day-ahead.

Tout le jeu du load forecasting est là : trouver le bon chiffre, ou payer pour s'être trompé.

Pourquoi la prévision est le socle

Une prévision de charge est une estimation de la quantité d'électricité que les clients vont consommer sur une période future. Les utilities et les gestionnaires de réseau s'en servent pour décider combien de production programmer, combien d'énergie acheter à l'avance, et si le réseau peut absorber la demande.

Le terme clé est day-ahead procurement : acheter la majeure partie de votre puissance attendue un jour à l'avance sur le marché de gros, où les prix sont plus calmes et plus prévisibles. Tout ce que vous n'avez pas acheté, vous devrez le prendre sur le marché temps réel (aussi appelé marché d'ajustement), qui se règle par pas de cinq ou quinze minutes et se révèle bien plus volatil.

Bien prévoir, c'est acheter de l'énergie bon marché à l'avance. Mal prévoir, c'est courir après la puissance en temps réel au prix que le marché impose.

Le coût de l'erreur

L'erreur de prévision se mesure généralement par le MAPE (Mean Absolute Percentage Error) : l'écart moyen en pourcentage entre charge prévue et charge réelle. Le MAPE day-ahead d'une utility se situe généralement entre 1 et 3 % pour une région stable.

Cela paraît infime. Ça ne l'est pas.

Pour un système de 8 000 MW, une erreur de 2 % représente 160 MW, soit environ la production d'une centrale de taille moyenne. Si vous achetez trop, vous revendez l'excédent à perte. Si vous n'achetez pas assez, vous payez le manque au prix fort. Les deux sens coûtent de l'argent, mais le sous-achat pendant un épisode de rareté est le plus cher.

Les trois forces qui pilotent la charge moderne

La prévision à l'ancienne reposait surtout sur la météo et le calendrier. Aujourd'hui, il faut modéliser trois forces distinctes.

1. La météo, et d'abord la température

La température reste le déterminant le plus fort. La relation n'est pas linéaire : elle a une forme en U. La demande est au plus bas autour de 18 °C (65 °F) et remonte dans les deux sens quand chauffage et climatisation s'enclenchent.

La variable construite la plus utile ici est le degré-jour de refroidissement (CDD) et le degré-jour de chauffage (HDD), qui mesurent l'écart de la température au-dessus ou en dessous d'une base de confort. Un après-midi à 35 °C fait tourner fort la climatisation ; un coup de froid tire le chauffage électrique.

L'humidité, 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 le vent comptent aussi. Un 32 °C humide paraît plus chaud, donc les climatiseurs tournent plus longtemps.

2. Les comportements et le calendrier

Les gens sont des crcrLe 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 →éatures d'habitude. La charge suit des cycles quotidiens et hebdomadaires marqués : montée matinale, pic du soir, demande basse la nuit, week-ends plus légers. Les jours fériés cassent le motif (un lundi férié ressemble à un dimanche).

Les évolutions comportementales pèsent plus qu'avant. Le travail à distance a aplati la montée matinale liée aux trajets domicile-travail dans de nombreuses régions après 2020. La tarification time-of-use, où l'électricité coûte plus cher aux heures de pointe, incite les clients à déplacer lessive et vaisselle vers les heures creuses.

3. Les ressources énergétiques distribuées (DER)

C'est ce qui rend la prévision de 2026 vraiment difficile. Les DER sont de petites ressources énergétiques situées chez le client : panneaux solaires en toiture, batteries domestiques et bornes de recharge de véhicules électriques (VE).

Voici le problème. L'utility ne mesure que la charge nette : la puissance qui traverse le compteur du client. Elle ne voit pas directement ce que produit une installation solaire en toiture derrière ce compteur.

Le solaire en toiture crcrLe 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 →ée la fameuse duck curve : une courbe de demande qui s'affaisse en milieu de journée quand le solaire inonde le système, puis remonte brutalement en début de soirée quand le soleil se couche et que tout le monde rentre. Le gestionnaire de réseau californien a popularisé le terme, et vous pouvez en voir la forme dans l'explication de la duck curve par CAISO.

La recharge des VE ajoute un nouveau pic en soirée. Si des milliers de conducteurs branchent à 18 h, cela s'empile directement sur le pic du soir existant.

Construire une prévision day-ahead, étape par étape

Construisons la logique pour ce mardi de canicule.

Étape 1 : partir de la baseline. Récupérez la charge historique de journées comparables : même saison, même jour de semaine, température similaire. C'est votre forme de référence.

Étape 2 : superposer la prévision météo. Injectez la température horaire, l'humidité et 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 du lendemain. Votre modèle relie les CDD à la charge de climatisation attendue. Un pic à 35 °C pousse fortement la courbe de l'après-midi vers le haut.

Étape 3 : soustraire l'injection solaire attendue. Estimez ce que produira votre parc solaire en toiture. Par temps chaud et dégagé, le solaire de midi est élevé, ce qui écrase la charge nette. Mais les nuages changent tout, et l'erreur de prévision solaire est une source majeure d'erreur globale.

Étape 4 : ajouter la recharge des VE attendue. Superposez la charge de recharge du soir, qui crocroLe Conversion Rate Optimization (CRO) est la pratique systématique visant à augmenter le pourcentage d'utilisateurs qui réalisent une action souhaitée, en s'appuyant sur la data, les tests et la recherche utilisateur.Voir la définition complète →ît chaque année.

Étape 5 : ajouter les rampes. Le moment dangereux, c'est le soir. Le solaire tombe à zéro au coucher du soleil, la climatisation tourne encore, et les VE se branchent. La charge nette peut grimper fortement en deux heures. Les gestionnaires de réseau surveillent de très près ce ramp rate, parce que les groupes de production ont besoin de temps pour monter en puissance.

Voici un croquis simplifié de la logique de charge nette en code :

# Simplified day-ahead net load estimate (per hour)
def net_load(base_demand, temp, solar_output, ev_charging):
    # La charge de climatisation augmente dès que la température dépasse le point de confort de 18 °C
    cooling = max(0, temp - 18) * COOLING_SENSITIVITY

    gross_demand = base_demand + cooling + ev_charging
    net = gross_demand - solar_output   # solaire derrière le compteur
    return net

# Rampe du soir = écart entre le pic de 18 h et le creux solaire de 13 h
evening_ramp = net_load_6pm - net_load_1pm

Les vrais modèles sont bien plus sophistiqués (arbres à gradient boosting, réseaux de neurones ou méthodes d'ensembles météo), mais la logique comptable est exactement celle-ci : demande brute, moins le solaire, plus les VE, suivie heure par heure.

Convertir l'erreur de prévision en euros

Relions maintenant la prévision à l'argent.

Supposons que votre prévision day-ahead pour le pic de 17 h soit de 8 200 MW, et que vous achetiez exactement ce volume. La charge réelle ressort à 8 450 MW. Il vous manque 250 MW.

Vous devez acheter ces 250 MW sur le marché temps réel. Pendant une canicule, les prix temps réel peuvent valoir plusieurs fois le prix day-ahead. Si le day-ahead était autour de 60 dollars par MWh et que le temps réel grimpe à 600 dollars par MWh en situation de rareté, ce déficit coûte très vite très cher. (Chiffres illustratifs ; les prix réels varient largement selon la région et l'événement.)

L'inverse coûte aussi. Si vous achetez 250 MW de trop, vous vous retrouvez à revendre un surplus à un marché qui n'en a pas besoin, souvent à perte.

Pourquoi les erreurs sur les DER frappent le plus fort

L'erreur la plus retorse concerne le solaire derrière le compteur. Imaginez que vous ayez supposé un ciel dégagé et une forte production solaire, donc acheté moins de puissance. Puis les nuages arrivent, le solaire sous-performe, et la charge nette bondit sans prévenir. Vous voilà en déficit en heures de pointe, à acheter aux prix de rareté.

C'est pourquoi les utilities investissent lourdement dans la prévision d'irradiance solaire et le suivi satellitaire des nuages. Une meilleure prévision solaire réduit directement le risque d'approvisionnement.

Prévision probabiliste

La pratique moderne passe d'un chiffre unique à une prévision probabiliste : une fourchette avec des intervalles de confiance. Au lieu de « 8 200 MW », la prévision dit « 8 200 MW attendus, avec 90 % de chances d'être entre 7 900 et 8 600 MW ».

Cette fourchette permet à une utility de faire de meilleurs paris. Si la queue haute est dangereuse et coûteuse, vous pouvez acheter un peu plus en assurance, ou mobiliser du demand response flexible (payer de gros clients pour réduire leur consommation sur commande) comme filet de sécurité bon marché. L'U.S. Energy Information Administration publie des éléments accessibles sur le fonctionnement de la demande d'électricité et de sa prévision.

Points clés

• Petites erreurs, gros coûts. Un écart de prévision de 2 à 3 % sur un grand système équivaut à la production d'une centrale entière, et le sous-achat en période de rareté se règle à des prix temps réel qui peuvent valoir plusieurs fois le prix day-ahead.

• Trois forces pilotent la charge moderne : la température (relation non linéaire en U, capturée par les degrés-jours de chauffage et de refroidissement), les comportements (cycles quotidiens, hebdomadaires et jours fériés) et les DER (solaire en toiture et recharge des VE).

• Le solaire derrière le compteur est invisible et volatil. Les utilities mesurent la charge nette, pas la production solaire : une mauvaise prévision nuageuse devient donc silencieusement une mauvaise prévision de charge et une erreur d'approvisionnement coûteuse.

• La rampe du soir est la zone de danger. Quand le solaire s'efface et que les VE se branchent, la charge nette grimpe fortement, et les groupes de production ont besoin de délai pour répondre.

• Les prévisions probabilistes battent les chiffres uniques. Une fourchette avec intervalles de confiance permet aux utilities de tarifer le risque, d'acheter une assurance d'approvisionnement et de pré-positionner du demand response plutôt que de parier sur une estimation ponctuelle.