⚡ electrical engineering

Context-Aware Stochastic Modeling of Consumer Energy Resource Aggregators in Electricity Markets

Cet article propose et évalue trois méthodes d'optimisation stochastique à deux étapes efficaces — neutre face au risque, robuste et à contraintes de probabilité — pour aider les agrégateurs de ressources énergétiques de consommation dans le marché national de l'électricité australien à gérer efficacement les incertitudes provenant du solaire résidentiel et du stockage par batterie, améliorant ainsi la rentabilité et fournissant des conseils contextuels pour la participation au marché.

Auteurs originaux : Chatum Sankalpa, Ghulam Mohy-ud-din, Erik Weyer, Maria Vrakopoulou

Publié 2026-07-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chatum Sankalpa, Ghulam Mohy-ud-din, Erik Weyer, Maria Vrakopoulou

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 que vous êtes le capitaine d'une flotte de petits bateaux (ce sont vos panneaux solaires de toiture et vos batteries) essayant de vendre leur énergie à un marché géant et très rapide. Le problème est que la météo est imprévisible (le soleil peut se cacher derrière les nuages) et l'utilisation de l'énergie par vos voisins est un mystère. Si vous promettez de vendre une certaine quantité d'énergie et que vous ne pouvez pas la livrer à cause de ces imprévus, vous recevez de lourdes amendes.

Ce document est comme un guide de stratégie pour les capitaines qui veulent gagner le plus d'argent possible tout en évitant ces amendes. Les auteurs ont testé trois façons différentes de planifier vos mouvements dans ce marché incertain.

Voici une décomposition simple de leur approche :

1. Les trois stratégies (Les guides de "Comment faire")

Le document compare trois mentalités différentes pour prendre des décisions :

L'« Homme Moyen » (Neutre au risque) :
- La métaphore : Imaginez que vous pariez sur un lancer de pièce. Vous savez que c'est du 50/50. Vous calculez votre profit en fonction de ce qui se passe en moyenne sur mille lancers. Vous ne vous inquiétez pas trop pour un mauvais lancer car, statistiquement, vous vous rattraperez plus tard.
- L'affirmation du document : Cette méthode examine tous les scénarios météorologiques possibles, calcule le profit moyen et choisit le plan qui maximise cette moyenne. Cela fonctionne très bien lorsque vos prévisions sont généralement assez précises.
Le « Préparateur Paranoïaque » (Optimisation robuste) :
- La métaphore : Ce capitaine suppose que la pire tempête possible va frapper. Il emporte des couvertures et de la nourriture supplémentaires au cas où le ciel deviendrait noir. Il ne se soucie pas de savoir si le soleil brille ; il planifie pour la catastrophe.
- L'affirmation du document : Cette méthode planifie pour le « pire scénario ». Elle vous garantit que vous ne recevrez pas d'amende même si tout tourne mal. Cependant, parce qu'elle est si prudente, elle laisse souvent de l'argent sur la table en ne vendant pas autant d'énergie qu'elle pourrait le faire.
Le « Joueur avec un filet de sécurité » (Contrainte de probabilité) :
- La métaphore : Ce capitaine dit : « Je suis prêt à prendre un petit risque (disons 10 % de chances) d'être pris dans une tempête, mais je m'assurerai d'être en sécurité 90 % du temps. » Ils équilibrent le désir de profit avec un petit risque acceptable d'échec.
- L'affirmation du document : Cette méthode tente d'obtenir le meilleur profit tout en permettant une infime chance contrôlée de ne pas respecter les règles (recevoir une amende). Elle se situe entre les deux autres stratégies.

2. Le grand défi : Le « Casse-tête de la batterie »

Le document met en évidence un casse-tête spécifique : les batteries.

Le problème : Une batterie peut soit se charger (se brancher), soit se décharger (vendre de l'énergie), mais elle ne peut pas faire les deux exactement en même temps. En mathématiques, c'est une règle « soit l'un, soit l'autre » très complexe qui rend les calculs très lents et compliqués, surtout quand vous avez des milliers de scénarios météorologiques possibles à vérifier.
La solution : Les auteurs ont trouvé un raccourci ingénieux. Au lieu de résoudre parfaitement chaque casse-tête « soit l'un, soit l'autre » à chaque fois, ils ont utilisé un système de « pénalité ». Ils ont dit à l'ordinateur : « Si tu essaies de charger et de décharger en mêmeer temps, je te facturerai une petite taxe. » Cet astuce rend les mathématiques beaucoup plus rapides sans perdre beaucoup de précision, permettant au système de gérer de grandes quantités de données.

3. Les résultats : Quelle stratégie gagne ?

Les auteurs ont testé ces stratégies en utilisant des données réelles provenant de foyers australiens et du marché de l'électricité. Voici ce qu'ils ont trouvé :

Quand les prévisions météo sont bonnes : La stratégie de l'« Homme Moyen » (Neutre au risque) est la gagnante. Elle génère systématiquement le plus d'argent car elle ne perd pas de temps à s'inquiéter de catastrophes improbables.
Quand la batterie est petite : Si vous n'avez pas assez de stockage de batterie pour gérer les grosses surprises, les stratégies du « Préparateur Paranoïaque » (Robuste) et du « Joueur » (Contrainte de probabilité) commencent à perdre de l'argent. Elles deviennent trop prudentes pour vendre de l'énergie et finissent par devoir acheter de l'énergie coûteuse pour couvrir leurs promesses.
Quand la prévision est fausse : Si la météo réelle est bien pire que prévu (par exemple, beaucoup plus nuageux que prévu), l'« Homme Moyen » est durement frappé par les amendes. Dans ce cas, le « Préparateur Paranoïaque » gagne car il était préparé au pire.
Vitesse vs Précision : Les auteurs ont également découvert que l'utilisation d'une méthode de « raccourci » simplifiée (appelée recours affine) pour effectuer des ajustements en temps réel est comme utiliser un GPS qui met à jour votre itinier instantanément. Cela permet à l'ordinateur de résoudre le problème beaucoup plus rapidement avec presque aucune perte de profit.

L'essentiel

Le document conclut qu'il n'y a pas de stratégie unique qui soit la « meilleure ». Cela dépend de votre contexte :

Si vous faites confiance à vos prévisions météo et que vous avez de grosses batteries, optez pour l'« Homme Moyen » (Neutre au risque) pour maximiser le profit.
Si vous craignez des erreurs de prévision massives et imprévisibles ou si vous avez de petites batteries, le « Préparateur Paranoïaque » (Robuste) est plus sûr, bien qu'il puisse rapporter moins.
Si vous voulez un équilibre entre gagner de l'argent et prendre un petit risque, le « Joueur » (Contrainte de probabilité) est votre point idéal.

Le point principal est que les agrégateurs (les personnes qui gèrent ces flottes de panneaux solaires et de batteries) doivent choisir leur stratégie en fonction de leur situation spécifique, plutôt que de simplement choisir une méthode et de s'y tenir aveuglément.

Résumé technique : Modélisation stochastique sensible au contexte des agrégateurs de ressources énergétiques de consommation dans les marchés de l'électricité

1. Énoncé du problème

Les agrégateurs gérant les ressources énergétiques de consommation (REC), telles que le photovoltaïque (PV) résidentiel et les systèmes de stockage d'énergie par batterie (BES), sont confrontés à des défis importants dus aux incertitudes inhérentes aux prévisions de production et de charge. Lors de la participation aux marchés de l'électricité (plus précisément au Marché National de l'Électricité australien, NEM), ces incertitudes peuvent entraîner des décisions de répartition irréalisables ou des pertes de revenus substantielles si elles ne sont pas gérées correctement.

Le problème central concerne l'optimisation des stratégies d'enchères pour l'énergie et les services de contrôle de fréquence auxiliaires (FCAS) de régulation pour un agrégateur. L'agrégateur doit s'engager sur des offres dans une étape « ici et maintenant » (jour-à-j+1) avant que l'incertitude ne soit réalisée, tout en garantissant que les ajustements en temps réel (« attendre et voir ») puissent compenser les erreurs de prévision sans violer les engagements de marché. Les principaux défis incluent :

Évolutivité : La résolution de problèmes d'optimisation stochastique avec des BES est numériquement difficile en raison des contraintes couplées dans le temps, des contraintes de complémentarité (exclusivité mutuelle de la charge et de la décharge) et de la nécessité de co-optimiser plusieurs services.
Sensibilité au contexte : La littérature existante applique souvent des méthodes stochastiques (neutres au risque, robustes ou à contraintes de chance) sans justifier le choix en fonction des paramètres opérationnels spécifiques, des caractéristiques d'incertitude ou des préférences de prise de décision, ce qui peut conduire à des résultats sous-optimaux.
Respect de la répartition : L'agrégateur doit maintenir une conformité de répartition agrégée (ADC) pour éviter les pénalités financières et la résiliation potentielle des contrats, particulièrement pour les engagements FCAS.

2. Méthodologie

L'article propose un cadre d'optimisation stochastique à deux étapes pour répondre à ces défis. L'agrégateur agit à la fois comme détaillant et fournisseur, contrôlant des actifs flexibles (PV, BES et charges) pour participer aux marchés de l'énergie et des FCAS de régulation (hausse/baisse).

A. Formulations d'optimisation

Trois approches stochastiques distinctes à deux étapes sont modélisées sous forme de programmes linéaires en nombres entiers mixtes (MILP) ou de programmes linéaires (LP) :

Optimisation stochastique neutre au risque : Maximise le profit attendu sur une distribution de probabilité des paramètres incertains (erreurs de prévision PV et de charge). Elle inclut un terme de pénalité pour les violations de l'ADC en temps réel.
Optimisation robuste : Maximise le profit dans le pire des cas au sein d'un ensemble d'incertitude prédéfini (incertitude de type boîte), sans nécessiter de distributions de probabilité. Elle garantit la faisabilité pour tous les scénarios au sein de l'ensemble.
Optimisation stochastique à contraintes de chance : Optimise le profit sur un ensemble d'incertitude réduit, permettant une faible probabilité prédéfinie ( $\epsilon$ ) de violation de contrainte. Cela équilibre la rentabilité et le risque.

B. Approches de résolution et évolutivité

Pour gérer la nature infiniment dimensionnelle de l'incertitude continue et des ensembles de scénarios volumineux, les auteurs utilisent :

Génération de scénarios : Les erreurs de prévision sont modélisées par auto-régression (AR) et générées via des méthodes de Monte Carlo par chaînes de Markov (MCMC) pour capturer les corrélations temporelles.
Politiques de recours affine : Pour réduire la complexité computationnelle, les décisions de second stade sont approximées par des fonctions linéaires des décisions de premier stade et des paramètres incertains ( $y_\xi = y + d^\top \xi$ ).
Gestion des contraintes de complémentarité : La condition non linéaire $P_{c} \cdot P_{d} = 0$ $P_{c} \cdot P_{d} = 0$ (la charge et la décharge ne peuvent pas se produire simultanément) est traitée via :
- Transformation de Fortuny-Amat : Reformulée en MILP utilisant des variables binaires (exacte mais très lourde pour de grands ensembles de scénarios).
- Relaxation LP : Les variables binaires sont supprimées et un terme de pénalité est ajouté à la fonction objectif pour décourager la charge et la décharge simultanées.
- Enveloppes de McCormick : Une approche de relaxation convexe utilisant des variables auxiliaires.
Gestion des contraintes de chance : L'approche « probabilistiquement robuste » est utilisée pour reformuler les contraintes de chance en contraintes robustes sur un ensemble d'incertitude de volume minimal dérivé d'un nombre réduit de scénarios échantillonnés.

3. Principales contributions

L'article apporte deux contributions majeures :

Sélection de méthode sensible au contexte : Il fournit une comparaison exhaustive des méthodes neutres au risque, robustes et à contraintes de chance pour les agrégateurs de REC dans le NEM. Il lie la sélection de la méthode optimale à des contextes spécifiques, incluant les réglages opérationnels (capacité de BES, prix du marché), les caractéristiques d'incertitude (niveaux d'erreur de prévision) et les préférences de prise de décision (tolérance au risque).
Stratégies de modélisation évolutives : Il améliore l'évolutivité des formulations stochastiques en :
- Capturant la flexibilité des BES par des dynamiques précises de l'état de charge (SoC) et des contraintes de complémentarité.
- Réduisant la dimensionnalité des problèmes pour de grandes agrégations de REC.
- Démontrant que les relaxations LP et les politiques de recours affine offrent des compromis pratiques entre précision et temps de calcul.

4. Résultats expérimentaux et validation

Les méthodes ont été validées à l'aide de données réelles du réseau Ausgrid (300 maisons avec PV, charge et BES) et de données de marché du NEM du 1er juillet 2012. Les expériences ont été menées selon trois contextes :

Réglages opérationnels et de marché :
- Lorsque l'incertitude est correctement capturée et que la capacité de BES est suffisante, la méthode neutre au risque surpasse systématiquement les autres en optimisant les réalisations attendues.
- Sous une capacité de BES limitée, les méthodes conservatrices (robustes et à contraintes de chance) souffrent de profits réduits (parfois négatifs) car elles retiennent la flexibilité pour les scénarios extrêmes. La méthode neutre au risque reste plus rentable dans ces scénarios.
- La participation conjointe aux marchés de l'énergie et des FCAS augmente considérablement les revenus pour toutes les méthodes.
Caractéristiques de l'incertitude :
- Lorsque les écarts de puissance réels sont faibles (incertitude capturée avec précision), la méthode neutre au risque est la plus performante.
- Lorsque l'incertitude est mal capturée ou que les écarts sont importants (ex: la charge réelle est nettement supérieure à la prévision), les méthodes robustes et à contraintes de chance surpassent l'approche neutre au risque grâce à leur capacité à gérer les déviations extrêmes et à éviter les pénalités sévères.
- La méthode robuste offre la protection la plus forte contre les violations élevées, tandis que la méthode à contraintes de chance offre un équilibre, dépassant souvent les méthodes robustes lorsque les coûts de pénalité sont plus faibles.
Préférences de prise de décision :
- L'utilisation de politiques de recours affine réduit considérablement le temps de calcul tant dans la phase d'entraînement que de test, avec un impact marginal sur le profit, ce qui les rend adaptées aux scénarios nécessitant des temps de résolution rapides.
Résultats sur l'évolutivité :
- La relaxation LP basée sur les pénalités pour les contraintes de complémentarité des BES offre le compromis le plus pratique, atteignant des profits presque identiques à la formulation exacte MILP, mais avec un temps de calcul nettement inférieur et des violations négligeables de l'exclusivité mutuelle.

5. Signification et affirmations

L'article affirme que la sélection d'une méthode d'optimisation stochastique pour les agrégateurs de REC doit être sensible au contexte. Il n'existe pas de méthode unique « meilleure » ; le choix optimal dépend de l'environnement opérationnel spécifique et du profil de risque :

Les méthodes neutres au risque sont recommandées lorsque l'incertitude est modélisée avec précision dans des conditions de marché typiques, car elles maximisent le profit attendu.
Les méthodes robustes sont plus adaptées lorsque l'incertitude est élevée ou mal modélisée, particulièrement lorsque des écarts de puissance importants sont probables, offrant une protection forte contre les pénalités.
Les méthodes à contraintes de chance sont préférables lorsqu'un équilibre est souhaité entre la rentabilité et un risque contrôlé de violation de contrainte.

L'étude souligne que ignorer le contexte de l'utilisation peut conduire à des problèmes infaisables ou à des pertes de revenus. De plus, les stratégies de modélisation évolutives proposées (relaxation LP et recours affine) permettent l'application pratique de ces modèles stochastiques complexes à de grandes agrégations dans les marchés en temps réel.