📈 economics

Locational Energy Storage Bid Bounds for Facilitating Social Welfare Convergence

Cet article propose une méthode novatrice, consciente de l'incertitude, pour générer des bornes d'offres de stockage d'énergie localisées qui alignent efficacement les offres de marché sur les objectifs de bien-être social, réduisant ainsi les coûts du système et augmentant les profits du stockage tout en atténuant les risques de pouvoir de marché.

Auteurs originaux : Ning Qi, Bolun Xu

Publié 2026-05-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ning Qi, Bolun Xu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le réseau électrique comme un immense marché animé où l'énergie est achetée et vendue chaque seconde. Dans ce marché, le stockage par batterie est un nouveau type de commerçant. Contrairement à une centrale à charbon ou à gaz qui vend de l'énergie en fonction du coût du combustible nécessaire à sa combustion, un commerçant-batterie joue un jeu complexe d'« acheter bas, vendre haut » à travers le temps. Il souhaite charger lorsque l'électricité est bon marché et décharger lorsqu'elle est chère.

Le problème est que, parce que l'avenir est incertain (le soleil pourrait ne pas briller, ou une tempête pourrait frapper), ces commerçants-batteries jouent souvent trop prudemment — ou trop avidement. Ils pourraient retenir leur énergie (rétention) en espérant une flambée massive des prix plus tard, ou ils pourraient soumissionner à des prix extrêmement élevés juste au cas où. Ce comportement peut rendre l'ensemble du marché inefficace et coûteux pour tout le monde.

Cet article propose un nouvel ensemble de « plafonds de prix » (ou bornes de soumission) pour ces batteries. Imaginez ces plafonds comme le code de règles d'un arbitre qui dit : « Vous pouvez soumissionner aussi haut que vous le souhaitez, mais pas au-delà de cette limite spécifique basée sur la météo actuelle, le niveau de charge de votre batterie et le risque que présente le marché. »

Voici une explication du fonctionnement, utilisant des analogies simples :

1. Le problème de la « boule de cristal »

Dans un monde parfait, l'opérateur du marché aurait une boule de cristal. Il saurait exactement combien d'énergie éolienne et solaire sera produite demain et exactement combien d'électricité les gens utiliseront. Avec cette connaissance parfaite, il pourrait dire aux batteries exactement combien charger et décharger pour maintenir les coûts bas. C'est ce qu'on appelle le scénario de l'« Oracle ».

Mais nous n'avons pas de boules de cristal. Nous n'avons que des suppositions (incertitude). Si l'opérateur établit des règles basées sur une « meilleure estimation », les batteries pourraient être trompées. Si l'estimation est erronée, les batteries pourraient perdre de l'argent, ou le marché pourrait devenir chaotique.

2. Le « filet de sécurité » (bornes à contraintes de chance)

Les auteurs ont créé un nouvel outil mathématique appelé un modèle à « contraintes de chance ». Imaginez que vous faites vos valises pour un voyage.

Déterministe (ancienne méthode) : Vous faites vos valises pour un temps ensoleillé parce que la prévision dit « ensoleillé ». S'il pleut, vous êtes trempé.
Contraintes de chance (nouvelle méthode) : Vous emportez un parapluie juste au cas où il pleuvrait, mais vous ne l'emportez que s'il y a 5 % de chances de pluie. Vous êtes prêt à accepter un tout petit risque d'être mouillé pour éviter de porter un parapluie lourd tous les jours.

L'article utilise cette logique pour établir les plafonds de prix. Il calcule une limite qui est « sûre » 95 % du temps (ou tout autre niveau de confiance choisi par l'opérateur). Cette limite prend en compte :

La quantité d'énergie dans la batterie : Si une batterie est presque pleine, sa valeur pour le système est plus faible (elle a moins d'espace pour stocker davantage), donc le plafond de son prix de soumission baisse.
L'incertitude de la météo : Si le vent est imprévisible, le plafond augmente pour compenser la batterie du risque.
L'aversion au risque de l'opérateur : Si l'opérateur est très inquiet à l'idée de pannes de courant, il fixe les plafonds plus haut pour encourager les batteries à participer.

3. L'analogie de la « limite de vitesse »

Imaginez la soumission d'une batterie comme une voiture roulant à grande vitesse sur une autoroute.

Sans la règle : La batterie pourrait accélérer (soumissionner haut) en espérant une énorme récompense, mais cela provoque des embouteillages (coûts élevés du système) pour tout le monde.
Avec la règle : L'article propose une limite de vitesse dynamique. Si la route est dégagée (faible incertitude), la limite est plus basse. Si la route est brumeuse (forte incertitude), la limite est plus élevée.
Le résultat : La batterie peut toujours rouler vite si les conditions le justifient, mais elle ne peut pas accélérer de manière imprudente au point de faire s'effondrer le marché.

4. Ce qui s'est passé lors du test

Les auteurs ont testé cette idée sur une version simulée du réseau électrique de la Nouvelle-Angleterre (ISO-NE). Ils ont créé des « agents » (programmes informatiques) qui agissaient comme des propriétaires de batteries avides essayant de manipuler le système.

Le résultat : Lorsqu'ils ont appliqué leurs nouvelles « limites de vitesse » (bornes de soumission) :
- Les coûts du système ont diminué : Le coût global de fonctionnement du réseau a légèrement baissé (environ 0,17 % dans leur test).
- Les profits des batteries ont augmenté : Étonnamment, les batteries ont en fait gagné plus d'argent (environ 10 % de plus en moyenne).
- Pourquoi ? En plafonnant les soumissions « avides » qui étaient trop élevées, les batteries ont pu participer plus souvent au marché. Elles ont cessé de retenir leur énergie par peur, ce qui signifie qu'elles ont pu vendre plus d'énergie à des prix équitables.

5. L'effet de la « grande batterie »

L'article a révélé que plus il y a de batteries sur le réseau, plus ces règles deviennent importantes.

Si vous avez quelques batteries, elles ne changent pas beaucoup le marché.
Si vous avez beaucoup de batteries (comme 35 % de la capacité du réseau), leur comportement collectif peut faire fluctuer les prix de manière sauvage. Les nouvelles règles agissent comme un stabilisateur, garantissant qu'une flotte massive de batteries travaille pour le réseau plutôt que contre lui.

Résumé

L'article soutient que nous avons besoin d'une manière plus intelligente de réguler le stockage d'énergie. Au lieu de deviner ou d'utiliser des règles rigides, nous devrions utiliser un « filet de sécurité » flexible qui change en fonction du niveau de remplissage de la batterie et du risque que présente la météo. Cela maintient le marché équitable, réduit les coûts pour tout le monde et aide en réalité les propriétaires de batteries à réaliser un meilleur profit en les empêchant de jouer à des jeux dangereux et inefficaces.

Résumé technique : Bornes d'offre de stockage d'énergie localisées pour faciliter la convergence du bien-être social

Énoncé du problème
Le déploiement rapide du stockage d'énergie dans les marchés de l'électricité introduit des défis majeurs en matière de régulation du pouvoir de marché et de garantie de la convergence du bien-être social. Contrairement aux générateurs thermiques, dont les offres sont basées sur des coûts de combustible connus, les participants au stockage doivent soumettre des offres tenant compte des opportunités futures et des incertitudes, qui sont difficiles à quantifier. Les pratiques actuelles de marché reposent sur des offres stratégiques de la part des participants au stockage, conduisant souvent à un retrait économique (retrait de capacité pour arbitrer sur les marchés temps réel ou anticiper des pics de prix). Ce comportement peut entraîner des inefficacités de marché, une volatilité excessive des prix et une réduction du bien-être social. Les mesures réglementaires existantes, telles que les offres par défaut déterministes (par exemple, le LMP jour-ahead le plus élevé de CAISO), sont souvent trop conservatrices, ignorant les incertitudes temps réel et la dépendance de la valeur des opportunités vis-à-vis de l'état de charge (SoC). De plus, la détection de la manipulation de marché est difficile car le retrait économique légitime visant à saisir des opportunités futures est indistinguable d'un retrait manipulatif sans une base de référence robuste des coûts d'opportunité.

Méthodologie
L'article propose un cadre novateur pour générer des bornes d'offre (plafonds d'offre) localisées et spécifiques à l'unité pour le stockage d'énergie. La méthodologie procède selon les étapes suivantes :

Dispatch économique Oracle (OED) : Les auteurs formulent d'abord un problème de dispatch économique multipériodique en supposant une prévision parfaite de la demande et de la production renouvelable. Cela sert de référence théorique pour déterminer le coût marginal optimal du stockage, qui inclut à la fois les coûts physiques de dégradation et les coûts d'opportunité dérivés des contraintes de couplage temporel.
Dispatch économique à contraintes stochastiques (CED) : Pour pallier l'impossibilité pratique de prédire les incertitudes futures, l'OED est étendu à une formulation à contraintes stochastiques. Ce cadre intègre les incertitudes de la charge nette (provenant des renouvelables et de la charge) et la préférence de risque de l'opérateur du système (définie par un niveau de confiance $1-\epsilon$ ).
Reformulation déterministe : Le problème à contraintes stochastiques est reformulé en un équivalent déterministe convexe. Cela implique de remplacer les contraintes probabilistes par des contraintes déterministes en utilisant la fonction de répartition inverse (CDF) de la charge nette. Les auteurs explorent divers modèles d'incertitude, notamment les distributions normales, les approximations robustes (inégalité de Cantelli) et des distributions polyvalentes pour les données historiques discrètes.
Dérivation des bornes d'offre : Les variables duales associées aux contraintes d'équilibre énergétique du stockage dans le cadre CED représentent le coût d'opportunité marginal conscient du risque. Les auteurs dérivent les bornes d'offre de décharge et de charge ( $A_{s,t}$ $A_{s, t}$ et $B_{s,t}$ $B_{s, t}$ ) basées sur ces variables duales. Les bornes sont définies comme suit :
- Borne de décharge : $A_{s,t} = M_s + \max(\hat{\theta}_{s,t})/\eta_s$
- Borne de charge : $B_{s,t} = \min(\hat{\theta}_{s,t})\eta_s - M_s$
  Où $M_s$ est le coût physique de dégradation, $\eta_s$ est l'efficacité, et $\hat{\theta}_{s,t}$ est le coût d'opportunité conscient du risque.
Simulation basée sur les agents : L'efficacité des bornes proposées est testée à l'aide d'un système de test ISO-NE modifié en 8 zones avec une simulation de marché basée sur les agents. La simulation inclut des participants au stockage stratégiques employant des stratégies de retrait économique à différents niveaux de pénétration des renouvelables (30 %, 50 %), de capacité de stockage (20 %, 35 %) et d'incertitude du système.

Contributions clés

Bornes à contraintes stochastiques : L'article introduit un cadre novateur fournissant des bornes d'offre probabilistes pour les offres de stockage. Ces bornes sont dérivées d'un dispatch économique multipériodique intégrant explicitement l'incertitude de la charge nette et les préférences de risque de l'opérateur du système, offrant une mesure préventive contre l'abus de pouvoir de marché.
Analyse théorique de la tarification : Les auteurs fournissent des preuves théoriques établissant les caractéristiques clés des bornes :
- Garantie de confiance : Les bornes plafonnent les coûts marginaux véridiques avec un niveau de confiance garanti ( $1-\epsilon$ ).
- Monotonie du SoC : Les bornes d'offre diminuent de manière monotone à mesure que l'état de charge (SoC) du stockage augmente, reflétant une valeur marginale décroissante.
- Échelle d'incertitude et de risque : Les bornes augmentent de manière monotone avec l'incertitude de la charge nette et l'aversion au risque de l'opérateur du système (un $\epsilon$ plus faible). Cela contraste avec les générateurs conventionnels, dont les offres sont indépendantes de tels facteurs.
- LMP conscient du risque : Il est démontré que les bornes s'alignent sur les prix marginaux localisés (LMP) conscients du risque.
Validation par simulation : L'étude démontre, par le biais de simulations basées sur les agents, que les bornes proposées surpassent les bornes déterministes existantes. Elles alignent efficacement les offres de stockage sur les objectifs de bien-être social, réduisant les coûts du système tout en maintenant ou augmentant les profits du stockage, en particulier dans les scénarios de retrait économique élevé.

Résultats
Les expériences numériques sur le système de test ISO-NE ont produit les résultats suivants :

Réduction des coûts du système : Dans les scénarios avec 30 % de capacité renouvelable et 20 % de capacité de stockage, les bornes d'offre proposées ont réduit les coûts moyens du système de 0,17 % par rapport aux offres stratégiques non régulées. La réduction a augmenté avec la capacité de stockage et le retrait économique.
Rentabilité du stockage : Contrairement à l'intuition selon laquelle plafonner les offres réduit les profits, les bornes proposées ont augmenté les profits moyens du stockage de 10,16 % dans divers scénarios. Cela est attribué au fait que les bornes empêchent un retrait excessif inefficace conduisant à un déblaiement sous-optimal et à des opportunités manquées.
Comparaison avec les bornes déterministes : Les bornes déterministes (basées sur les LMP historiques) ont été jugées sous-estimer les coûts d'opportunité dans des conditions de forte incertitude, entraînant une augmentation de 0,01 % des coûts du système et une réduction d'environ 20 % des profits du stockage. L'approche à contraintes stochastiques s'est avérée supérieure pour gérer l'incertitude.
Sensibilité aux paramètres :
- Préférence de risque ( $\epsilon$ ) : Un $\epsilon$ plus faible (aversion au risque plus élevée) conduit à des bornes d'offre plus élevées mais à une amélioration réduite du bien-être social. Un $\epsilon$ de 5 % à 10 % a été identifié comme un compromis pratique.
- Modèles d'incertitude : Les modèles de distribution empiriques et polyvalents ont produit de meilleures améliorations du bien-être social que les approximations robustes, qui ont généré des bornes excessivement élevées.
- Pénurie : Les bornes ont particulièrement bien fonctionné dans les scénarios de pénurie (prix élevés), limitant efficacement le retrait excessif qui aurait autrement fait augmenter les coûts.
Efficacité computationnelle : Bien que la reformulation exacte évolue de manière exponentielle avec le nombre d'unités de stockage, l'application d'une relaxation robuste (évitant les variables binaires) a réduit le temps de calcul de manière linéaire, permettant la résolution de systèmes de 10 000 unités en environ 102 secondes.

Importance et affirmations
L'article affirme répondre au besoin pressant de nouvelles approches réglementaires pour gérer l'afflux de stockage d'énergie dans les marchés de l'électricité. En fournissant un cadre à contraintes stochastiques traitable, les auteurs offrent aux opérateurs de système un outil pour :

Réguler le pouvoir de marché : Empêcher le retrait économique excessif qui compromet l'efficacité du système sans étouffer les comportements stratégiques légitimes.
Faciliter le bien-être social : Aligner les offres de stockage sur les objectifs de bien-être social, réduisant ainsi les coûts globaux du système.
Maintenir la neutralité : Permettre aux opérateurs de rester neutres dans les déblaiements de marché tout en respectant les normes de fiabilité, car les bornes sont dérivées d'une optimisation à l'échelle du système plutôt que de données spécifiques à un participant.
Adaptabilité : Le cadre est conçu pour être transférable à divers marchés (par exemple, CAISO) et peut être ajusté en fonction de profils d'incertitude et de préférences de risque spécifiques.

Les auteurs soulignent que leur approche reconnaît la validité du retrait économique pour saisir des opportunités futures, mais cherche à plafonner les offres qui dépassent le coût marginal véridique dérivé d'une perspective de système consciente du risque. Le travail est présenté comme une solution pratique pour gérer l'intégration du stockage à mesure que les capacités renouvelables et de stockage augmentent.