⚡ electrical engineering

Power Reserve Procurement Considering Dependent Random Variables with PCE

Cet article propose une méthode de modélisation des variables aléatoires dépendantes via le chaos polynomial généralisé et les copules gaussiennes pour résoudre des problèmes d'optimisation probabiliste, appliquée ici à l'approvisionnement de réserves de puissance avec une démonstration de son efficacité supérieure par rapport aux hypothèses d'indépendance.

Auteurs originaux : Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

Publié 2026-02-17

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Nicola Ramseyer, Matthieu Jacobs, Mario Paolone

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

🌩️ Le Défi : Prévoir la météo de l'électricité

Imaginez que vous êtes le chef d'orchestre d'un grand concert (le réseau électrique). Votre job est de vous assurer qu'il y a toujours assez de musiciens (électricité) pour jouer la partition, même si certains instruments se mettent à jouer faux ou s'arrêtent soudainement.

Aujourd'hui, de nouveaux musiciens arrivent : les voitures électriques, les pompes à chaleur et les panneaux solaires. Le problème ? Leur performance dépend de la météo et de l'humour de leurs propriétaires.

S'il fait beau, les panneaux solaires produisent beaucoup.
S'il pleut, ils produisent peu.
Si tout le monde a une voiture électrique et qu'il pleut en même temps, tout le monde va brancher sa voiture en même temps !

Le gros problème : Les méthodes actuelles traitent chaque source d'énergie comme si elle était seule dans son coin, ignorant qu'elles sont souvent liées (si le soleil brille pour un panneau, il brille pour les autres aussi). C'est comme si le chef d'orchestre pensait que si un violoniste se trompe, les autres continueront parfaitement, alors qu'en réalité, une tempête peut faire rater tout l'orchestre en même temps.

🛠️ La Solution : Une "Boussole" pour les liens invisibles

Les auteurs de ce papier (Nicola, Matthieu et Mario de l'EPFL) ont développé une nouvelle méthode pour gérer ces liens invisibles entre les sources d'énergie. Ils utilisent deux outils magiques :

1. Les "Copules" : Le cordon ombilical des données

Imaginez que vous avez plusieurs ballons de baudruche. Chacun a sa propre forme (sa propre loi de probabilité). Mais parfois, quand on tire sur l'un, l'autre bouge aussi.

L'ancienne méthode : On regardait chaque ballon séparément.
La nouvelle méthode (Copule) : On utilise un "cordon ombilical" mathématique (la Copule) qui relie tous les ballons. Cela permet de dire : "Si le ballon A gonfle de 10%, le ballon B gonflera probablement de 5% aussi, car ils sont liés."
Dans ce papier, ils utilisent une "Copule Gaussienne", qui est comme un cordon très flexible capable de modéliser des liens complexes entre des sources d'énergie très différentes.

2. Le "Chaos Polynomiale" : Le traducteur de l'inconnu

Une fois qu'on a compris comment les ballons sont liés, il faut prédire ce qui va se passer. C'est là qu'intervient le Chaos Polynomiale Généralisé (gPC).

Imaginez que vous essayez de dessiner la forme d'un nuage très bizarre. Au lieu de le dessiner trait par trait (ce qui prendrait des heures), vous utilisez une boîte de formes géométriques de base (des cubes, des sphères, des pyramides).
Le gPC dit : "Je peux représenter n'importe quelle forme de nuage (n'importe quelle incertitude) en empilant intelligemment quelques formes de base."
Cela permet de transformer un problème de "devinette" en un problème de "calcul précis" que les ordinateurs peuvent résoudre rapidement.

🚀 L'Application : Acheter de l'électricité en toute sécurité

Pour tester leur méthode, les auteurs l'ont appliquée à un problème réel : l'achat de réserves d'électricité entre la Suisse, l'Autriche, l'Allemagne et la République Tchèque.

Le scénario :
Imaginez que vous devez acheter des "couvertures de sécurité" (des réserves) pour garantir que le réseau ne s'effondre pas.

Sans la nouvelle méthode : Vous achetez trop de couvertures par peur, car vous pensez que chaque source d'énergie peut tomber en panne indépendamment. C'est cher et inefficace.
Avec la nouvelle méthode : Vous comprenez que si le vent tombe en Allemagne, il tombe aussi en Suisse. Vous pouvez donc acheter la juste quantité de couvertures, ni trop, ni trop peu, tout en garantissant que le risque d'effondrement reste infime (moins de 1 %).

💡 Pourquoi c'est génial ?

Précision : Ils ne se trompent plus sur les liens entre les sources. Ils savent exactement comment une tempête affectera tout le réseau en même temps.
Vitesse : Grâce à des astuces mathématiques (comme transformer le problème dans un espace plus simple), ils peuvent faire ces calculs complexes en quelques minutes, alors que d'autres méthodes mettraient des heures ou donneraient des résultats faux.
Économie : En évitant de sur-estimer les risques, on économise de l'argent pour les consommateurs tout en restant ultra-sûrs.

🏁 En résumé

Ce papier est comme un nouveau GPS pour les gestionnaires de réseau électrique. Au lieu de conduire en regardant seulement devant eux (en ignorant le trafic sur les autres routes), ils ont maintenant une carte qui montre comment le trafic de toutes les routes est lié. Cela leur permet de choisir le meilleur itinéraire (l'achat optimal d'électricité) pour arriver à destination sans accident, même si la météo change.

C'est une avancée majeure pour intégrer plus d'énergies renouvelables (solaire, éolien) dans notre quotidien, tout en gardant les lumières allumées.

1. Problématique et Contexte

L'augmentation de la participation des ressources énergétiques distribuées (RED) telles que les pompes à chaleur, les véhicules électriques et les installations photovoltaïques sur les marchés des services système (ancillary services) pose un défi majeur : l'incertitude de leurs capacités de production ou de consommation.

Les opérateurs de réseau de transport (ORT) autorisent désormais des offres basées sur une disponibilité probabiliste plutôt que certaine. Cependant, les méthodes existantes de procurement probabiliste de réserves souffrent de deux limitations principales :

Elles traitent souvent les variables aléatoires (les offres) comme indépendantes, ce qui conduit à sous-estimer la probabilité de violation des seuils critiques lorsque des dépendances existent (ex: conditions météorologiques corrélées affectant plusieurs sites PV).
Les approches utilisant le chaos polynomial généralisé (gPC) pour modéliser l'incertitude peinent à gérer les dépendances complexes sans problèmes numériques (mauvais conditionnement) ou temps de calcul prohibitifs.

L'objectif de cet article est de développer une méthode de modélisation des variables aléatoires dépendantes via le gPC, afin de formuler et résoudre des problèmes d'optimisation sous contraintes stochastiques (chance-constrained) pour l'achat de réserves de puissance.

2. Méthodologie

L'approche proposée combine le chaos polynomial généralisé (gPC), les Copules de Gauss et des techniques d'intégration numérique avancées.

A. Modélisation des Dépendances par Copules

Pour gérer les dépendances arbitraires entre les variables aléatoires $\xi$ , les auteurs utilisent le théorème de Sklar et les Copules de Gauss.

La distribution conjointe $F(\xi)$ est décomposée en distributions marginales $F_i(\xi_i)$ et une structure de dépendance capturée par la Copule $C$ .
La Copule de Gauss est choisie pour sa flexibilité et sa capacité à être paramétrée par une matrice de corrélation $\Sigma$ , permettant une mise à l'échelle efficace en haute dimension.
La densité de probabilité conjointe est exprimée comme le produit de la densité de la Copule et des densités marginales.

B. Construction de la Base Polynomiale et Intégration

Le défi principal réside dans le calcul des coefficients du développement gPC, qui nécessite l'évaluation d'intégrales multidimensionnelles sur la densité conjointe.

Transformation de l'espace : Pour rendre l'intégration tractable, les auteurs transforment l'espace des variables aléatoires en un espace de variables indépendantes uniformes (via les CDF marginales), puis en un espace latent gaussien (via la transformation inverse de la fonction de répartition normale).
Intégration par Quadrature : Au lieu d'utiliser un échantillonnage de Monte Carlo (coûteux et imprécis), ils utilisent des règles de quadrature (Gauss-Legendre puis Gauss-Hermite).
Réduction de Dimensionnalité : Pour éviter l'explosion combinatoire du nombre de points de quadrature ( $N = k^d$ $N = k^{d}$ ), une stratégie de réduction de dimension est appliquée. Elle repose sur l'observation que les produits scalaires de polynômes peuvent être développés en sommes d'espérances de monômes. Ces espérances ne dépendent que des dimensions impliquées dans le monôme spécifique.
- Cela permet de précalculer les espérances de manière parallèle.
- La dimension effective de l'intégration est limitée à $2\nu$ (où $\nu$ est le degré du polynôme), indépendamment de la dimension totale du vecteur aléatoire.

C. Reformulation Convexe des Contraintes

Le problème d'optimisation vise à minimiser le coût d'achat de réserves tout en respectant des contraintes de probabilité (ex: probabilité de 99% que la puissance fournie dépasse une demande donnée).

En utilisant les propriétés du gPC, la somme pondérée des fonctions aléatoires est elle-même représentée par un développement gPC.
La moyenne et la variance de cette somme sont exprimées analytiquement à partir des coefficients du gPC.
Les contraintes stochastiques sont reformulées en contraintes déterministes convexes en utilisant une approximation par quantile (basée sur la moyenne et l'écart-type), rendant le problème résoluble par des solveurs d'optimisation convexe standards.

3. Contributions Clés

Modélisation par Copules : Une approche pour intégrer des dépendances arbitraires (via des Copules de Gauss) dans le cadre du gPC pour les problèmes d'optimisation énergétique.
Schéma de Calcul Tractable : Un algorithme d'intégration numérique efficace combinant la transformation de variables, la quadrature de Gauss-Hermite et une stratégie de réduction de dimensionnalité pour éviter le « fléau de la dimension ».
Reformulation Convexe : Une méthode pour transformer des contraintes stochastiques complexes sur des sommes de variables dépendantes en contraintes convexes déterministes, permettant une résolution rapide.

4. Résultats et Validation

Les auteurs valident leur méthode sur un cas d'étude d'achat conjoint de réserves de puissance entre deux zones (X et Y) avec des offres incertaines.

Cas 1 : Marginales Normales et Fonctions Linéaires
- La méthode est testée avec des distributions normales et des fonctions d'offre linéaires.
- L'erreur maximale du développement gPC est de l'ordre de $10^{-7}\%$ , rendant les distributions indistinguables de la réalité.
- Les contraintes stochastiques sont respectées de manière stricte (tight) uniquement lorsque les dépendances sont prises en compte, contrairement à l'hypothèse d'indépendance qui sous-estimerait les risques.
Cas 2 : Marginales Arbitraires (Beta) et Fonctions Non-Linéaires
- Pour simuler un scénario plus réaliste (ex: irradiation solaire modélisée par une loi Beta), les fonctions d'offre sont remplacées par des polynômes et les marginales par des lois Beta.
- Une base polynomiale de 21 termes est construite.
- Performance : Le calcul de la base et des coefficients prend environ 2 minutes sur une implémentation non parallélisée.
- L'erreur d'approximation reste très faible ( $10^{-6}\%$ ).
- L'optimisation satisfait les contraintes de chance (99%) avec une précision acceptable, bien que la non-linéarité et l'asymétrie des distributions rendent l'utilisation de facteurs de quantile gaussiens ( $\lambda$ ) légèrement moins précise que dans le cas linéaire/normale.

5. Signification et Conclusion

Cet article propose un cadre méthodologique robuste pour l'optimisation stochastique dans les systèmes électriques modernes, où les corrélations entre les ressources distribuées sont critiques.

Impact Opérationnel : Les opérateurs de réseau (ORT et ORD) peuvent désormais intégrer des dépendances complexes (météo, comportement des utilisateurs) dans leurs modèles d'achat de réserves, améliorant la sécurité du système sans surcoût excessif lié à la modélisation de l'incertitude.
Limites : La méthode dépend de la réduction de dimensionnalité (liée à la complexité des fonctions aléatoires) et nécessite des facteurs de quantile $\lambda$ qui ne sont pas connus exactement pour toutes les distributions (bien que des bornes conservatrices existent).
Perspectives : Les travaux futurs visent à étendre ce cadre aux problèmes couplés dans le temps (corrélations temporelles) et à la formulation de contraintes de chance conjointes.

En résumé, cette recherche comble un vide important entre la théorie du chaos polynomial et les applications pratiques de gestion des services système, en rendant la modélisation des dépendances stochastiques à la fois précise et computationnellement viable.