🔢 mathematics

Trading in residential energy systems with storage: a kinetic mean-field approach

Cet article propose une approche de contrôle stochastique optimal basée sur la théorie des champs moyens cinétiques pour coordonner un grand ensemble de systèmes de stockage résidentiels, en modélisant l'état de charge comme une position et la puissance comme une vitesse afin de réduire les déséquilibres d'offre et de demande tout en exploitant les fluctuations de prix, avec validation numérique via des solveurs d'apprentissage profond.

Auteurs originaux : Margherita Fabini, Andrea Pascucci, Alessio Rondelli

Publié 2026-03-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Margherita Fabini, Andrea Pascucci, Alessio Rondelli

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 chef d'orchestre d'un immense concert où chaque musicien est une maison équipée de panneaux solaires et d'une batterie. Votre but ? Faire en sorte que l'orchestre joue parfaitement, sans faux notes (déséquilibres entre production et consommation), tout en gagnant de l'argent en achetant des instruments au bon moment et en les revendant quand ils sont chers.

C'est exactement ce que propose l'article de recherche de Margherita Fabini, Andrea Pascucci et Alessio Rondelli. Ils ont créé un modèle mathématique pour aider un "agrégateur" (ce chef d'orchestre) à gérer des milliers de batteries domestiques de manière intelligente.

Voici l'explication de leur travail, traduite en langage simple avec des images pour mieux comprendre.

1. Le Problème : Trop de bruit, pas assez de rythme

Dans le monde réel, chaque maison consomme de l'électricité à sa façon et produit du soleil de manière imprévisible. Si on laisse chaque maison gérer sa batterie seule, c'est le chaos : tout le monde charge en même temps quand le soleil brille, puis tout le monde décharge en même temps le soir. Cela crée des pics dangereux pour le réseau électrique.

De plus, les prix de l'électricité changent tout le temps (comme les actions en bourse). L'idée est d'utiliser ces batteries pour acheter de l'électricité quand elle est bon marché (la nuit ou quand il y a beaucoup de vent) et la revendre quand elle est chère (aux heures de pointe).

2. La Solution Magique : La "Physique du Mouvement" (Approche Cinétique)

C'est ici que l'article devient vraiment ingénieux. Habituellement, les modèles mathématiques traitent la batterie comme un robinet : on l'ouvre ou on la ferme instantanément. Mais dans la vraie vie, une batterie ne peut pas changer de charge instantanément. Elle a une inertie, comme une voiture lourde.

Les auteurs utilisent une analogie physique brillante :

La position de la voiture = Le niveau de charge de la batterie (combien il reste d'énergie).
La vitesse de la voiture = La puissance (l'intensité du courant qui entre ou sort).
L'accélération (ce que vous faites avec votre pied sur la pédale) = Le contrôle que l'agrégateur donne.

Au lieu de dire "Chargez à fond !", l'agrégateur dit "Accélérez doucement". Cela permet d'éviter les à-coups brutaux qui abîment les batteries (comme freiner brusquement abîme les freins d'une voiture). C'est ce qu'ils appellent une approche "cinétique".

3. Le Chef d'Orchestre et la Foule (Théorie des Champs Moyens)

Gérer 10 000 batteries individuellement est impossible mathématiquement. C'est comme essayer de parler à chaque personne dans un stade de 80 000 spectateurs.

Les auteurs utilisent une méthode appelée "Théorie des Champs Moyens".
Imaginez que l'agrégateur ne regarde pas chaque maison individuellement, mais observe la moyenne du comportement de la foule.

Si la foule commence à charger trop vite, le chef d'orchestre donne un signal pour ralentir tout le monde.
Si la foule est trop lente, il donne un signal pour accélérer.

C'est une danse collective où chaque maison réagit à la tendance générale, ce qui stabilise tout le système automatiquement.

4. Le Défi Mathématique : Une Équation de 5 Dimensions

Pour trouver la meilleure stratégie, les chercheurs doivent résoudre une équation très complexe (une équation de Hamilton-Jacobi-Bellman).

Imaginez que vous devez naviguer dans un labyrinthe à 5 dimensions (le temps, le prix de l'électricité, la consommation de la maison, la vitesse de charge, et le niveau de batterie).
De plus, ce labyrinthe change de forme en fonction de ce que font les autres maisons (l'effet de foule).

Résoudre cela à la main est impossible. C'est comme essayer de prédire la météo en tenant compte de chaque goutte de pluie individuellement.

5. La Révolution : L'Intelligence Artificielle (Deep Learning)

Puisque les mathématiques pures sont trop lourdes pour un ordinateur classique, les auteurs ont utilisé l'Intelligence Artificielle (des réseaux de neurones).

Ils ont entraîné une "IA" pour apprendre à naviguer dans ce labyrinthe à 5 dimensions.
L'IA a appris à deviner la meilleure stratégie pour chaque situation, en tenant compte des prix, de la consommation et de l'état des autres batteries.

6. Les Résultats : Moins de coûts, plus de stabilité

Lorsqu'ils ont testé leur modèle avec de vraies données (prix de l'électricité en Italie, consommation de maisons réelles), les résultats ont été excellents :

Économie d'argent : La stratégie intelligente a réduit les coûts par rapport à une batterie laissée en mode "automatique" simple.
Moins d'usure : En évitant les changements brusques de puissance (grâce à l'analogie de l'accélération), les batteries s'usent moins vite.
Stabilité du réseau : La foule des batteries agit comme un tampon, lissant les pics de consommation et protégeant le réseau électrique.

En résumé

Cet article montre comment transformer des milliers de petites batteries domestiques en un géant intelligent et coordonné. En utilisant des concepts de physique (vitesse, accélération) et en laissant l'IA résoudre les équations complexes, ils proposent une façon de gérer l'énergie qui est à la fois plus économique pour les consommateurs et plus sûre pour le réseau électrique. C'est une étape cruciale vers un futur où nos maisons participent activement à l'équilibre énergétique de notre planète.

1. Problématique et Contexte

L'article aborde le problème de contrôle stochastique optimal lié à la gestion d'un grand ensemble de dispositifs de stockage d'énergie résidentiels (batteries couplées à des panneaux photovoltaïques) coordonnés par un agrégateur d'énergie.

Le cadre opérationnel repose sur un contrat où l'agrégateur prend le contrôle direct des batteries en échange d'une rémunération des producteurs-consommateurs (prosommateurs). L'objectif est double :

Réduire les déséquilibres locaux entre l'offre et la demande pour améliorer la fiabilité du réseau.
Exploiter l'arbitrage de prix intra-journalier en achetant de l'électricité lorsque les prix sont bas et en la revendant (ou en l'utilisant) lorsque les prix sont élevés.

Le défi majeur réside dans la modélisation physique réaliste des batteries : contrairement aux modèles standards où la puissance peut être ajustée instantanément, les batteries réelles sont soumises à des contraintes de vitesse de montée (ramp-rate). De plus, la gestion d'une grande population hétérogène nécessite de prendre en compte les interactions collectives et les effets de stabilisation à l'échelle de la population.

2. Méthodologie : Une Approche Cinétique à Champ Moyen

L'innovation centrale de l'article est l'adoption d'une formulation cinétique à champ moyen (kinetic mean-field). Cette approche établit une analogie avec la physique des gaz et la théorie cinétique :

État du système :
- Le niveau de charge (SOC) $X_t$ est traité comme une position.
- La puissance de charge/décharge $V_t$ est traitée comme une vitesse.
- Le contrôle $a_t$ (taux de variation de la puissance) est traité comme une accélération (ou force).
Dynamique :
Le système est gouverné par une équation de Langevin contrôlée de type McKean-Vlasov :
$\begin{cases} dV_t = b(t, Z_t, [Z_t], a_t)dt + \sigma(t, Z_t, [Z_t])dW_t \\ dX_t = V_t dt \end{cases}$
où $Z_t = (V_t, X_t)$ et $[Z_t]$ désigne la loi marginale du temps de l'état.
Spécificités :
- Le contrôle agit sur l'accélération, garantissant des trajectoires de puissance lisses et respectant les contraintes physiques de rampe.
- La dynamique et la fonction coût dépendent de la loi marginale du système, capturant ainsi les effets d'interaction endogènes et les incitations à la stabilisation collective.
- Le problème est Markovien mais fait intervenir des opérateurs hypoeilliptiques (de type ultraparabolique), car le bruit ne s'applique directement qu'à la vitesse ( $V$ ) et non à la position ( $X$ ).

3. Contributions Clés et Résultats Théoriques

Les auteurs établissent des résultats mathématiques rigoureux pour ce problème de contrôle :

Bien-posé du problème de contrôle :
Sous des hypothèses de régularité et de non-dégénérescence (Assumptions 2.1 et 2.7), le problème de contrôle optimal McKean-Vlasov est bien posé. Il existe une unique solution forte.
Caractérisation par FBSDE couplées :
La solution optimale est caractérisée par un système complet d'Équations Différentielles Stochastiques Avancées-Rétrogrades (FBSDE) couplées, où la composante rétrograde dépend de la loi de la composante avancée.
Équation de Hamilton-Jacobi-Bellman (HJB) :
Le problème est relié à une équation HJB de dimension 5 (incluant les variables d'état et la loi) pilotée par un opérateur cinétique hypoeilliptique. Les auteurs prouvent l'existence d'une solution classique $u$ dans des espaces de Hölder anisotropes et intrinsèques ( $C^{2+\alpha}_{L,t}$ ).
- Cette régularité est cruciale car elle permet d'appliquer la formule d'Itô, nécessaire pour la preuve de l'optimalité.
- L'approche utilise des estimées de Schauder optimales pour les opérateurs cinétiques.
Argument de point fixe :
La preuve de l'existence repose sur un argument de point fixe sur le flot des lois marginales. Les auteurs montrent que l'application définie par le flot des lois est une contraction dans un espace adapté (utilisant la distance de Wasserstein $W_1$ ), permettant de garantir l'unicité de la solution.

4. Aspects Numériques et Validation

Le problème étant computationnellement très difficile (système FBSDE couplé, dimension élevée, croissance quadratique), les auteurs utilisent des solveurs basés sur l'apprentissage profond (Deep Learning).

Méthode : Ils adaptent l'approche de [25] et [45] en approximent la composante rétrograde $Y_t$ par un réseau de neurones $u_\theta(t, Z_t)$ .
Innovation technique : Le terme de martingale $\zeta_t$ (lié à la dérivée spatiale) n'est pas paramétré par un réseau séparé mais récupéré par différentiation automatique ( $\zeta_t = \nabla u_\theta \cdot \sigma$ ). Cela assure la cohérence structurelle et améliore la stabilité numérique.
Traitement du champ moyen : La dépendance à la loi est gérée par une approximation particulaire (simulation de $N_{sim}$ trajectoires et estimation de la moyenne empirique).
Données : Le modèle est calibré sur des données réelles italiennes (prix PUN, production photovoltaïque et charge résidentielle de Bologne).

Résultats des simulations :

Comparé à une stratégie de référence passive (qui ne fait que compenser la charge nette), la stratégie optimale apprise réduit significativement le coût cumulé moyen.
La stratégie optimisée génère des trajectoires plus stables (dispersion réduite).
Elle parvient à minimiser l'usure de la batterie (en réduisant l'utilisation inutile) tout en exploitant les pics de prix pour l'arbitrage.
Les pénalités de champ moyen améliorent la stabilisation du réseau en réduisant l'amplitude des fluctuations agrégées.

5. Signification et Impact

Cet article apporte une contribution majeure à la fois théorique et pratique :

Théorique : Il établit un pont cohérent entre le contrôle stochastique optimal, la théorie des jeux à champ moyen et les opérateurs cinétiques hypoeilliptiques. Il résout des problèmes de bien-posé pour des systèmes FBSDE couplés avec des opérateurs dégénérés, une classe de problèmes rarement traitée avec cette rigueur.
Pratique : Il propose un cadre réaliste pour la gestion de la flexibilité résidentielle à grande échelle. En intégrant les contraintes physiques de rampe et les interactions de marché, le modèle offre une base solide pour le développement d'algorithmes de contrôle réels dans les réseaux électriques intelligents (Smart Grids), en particulier dans le contexte de la réglementation croissante (comme l'ordre FERC 841 aux États-Unis) favorisant l'intégration du stockage.

En résumé, l'article démontre qu'une approche cinétique à champ moyen, résolue via des méthodes numériques avancées, permet de transformer des capacités de stockage résidentielles sous-utilisées en actifs rentables tout en assurant la stabilité du réseau électrique.