⚡ electrical engineering

Bayesian Inference for Estimating Generation Costs in Electricity Markets

Cet article propose une méthode d'inférence bayésienne utilisant l'estimation équilibrée du réseau neuronal a posteriori pour estimer les coûts de production dans les marchés électriques à partir des données de marché, permettant de récupérer avec précision les coûts marginaux tout en quantifiant l'incertitude, bien que les coûts de démarrage restent difficilement identifiables.

Auteurs originaux : Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst

Publié 2026-04-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Matthias Pirlet, Adrien Bolland, Alexandre Huynen, Quentin Louveaux, Gilles Louppe, Damien Ernst

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 Grand Mystère : Qui a cuisiné ce plat ?

Imaginez que vous êtes un détective dans le monde de l'électricité. Vous arrivez dans une cuisine géante (le marché de l'électricité) et vous voyez le résultat final : un immense banquet servi aux clients (le plan de production ou schedule). Vous voyez quelle quantité de nourriture chaque chef a préparée et à quel moment.

Mais il y a un problème : vous ne connaissez pas les recettes secrètes des chefs.

Combien coûte un kilo de farine ? (Le coût marginal : le prix pour produire une unité supplémentaire).
Combien coûte l'effort de se lever le matin pour allumer le four ? (Le coût de démarrage).

L'objectif de ce papier est de répondre à cette question : "Comment retrouver les coûts cachés des producteurs en regardant seulement ce qu'ils ont produit ?"

🍳 Deux Approches pour Deviner la Recette

Les auteurs proposent deux méthodes pour résoudre ce mystère.

1. L'Approche "Devineur Rapide" (Optimisation Inverse)

C'est comme si vous preniez le plat fini et que vous disiez : "Bon, ce plat est parfait. Donc, la recette utilisée doit être la plus simple et la moins chère possible."

Comment ça marche ? On utilise un algorithme mathématique qui cherche la recette unique qui expliquerait parfaitement le plat observé.
Le problème : C'est trop simple. Dans la vraie vie, les chefs ne sont pas des robots parfaits. Parfois, ils ont un peu de stress, le four fait un bruit bizarre, ou ils ont une idée folle. Cette méthode ignore ces petits détails (le "bruit"). Elle vous donne une seule réponse précise, mais elle ne vous dit pas si elle a raison ou non. C'est comme deviner le prix d'un gâteau en supposant que le boulanger n'a jamais fait d'erreur.

2. L'Approche "Détective Probabiliste" (Inférence Bayésienne avec BNPE)

C'est la méthode innovante du papier. Au lieu de chercher une recette, le détective imagine des milliers de scénarios possibles.

L'analogie du nuage de points : Imaginez que vous lancez des milliers de dards sur une cible. Au début, vous ne savez pas où est le centre, donc vous lancez partout (c'est la distribution a priori, votre croyance initiale).
L'apprentissage : Ensuite, vous regardez le plat réel. Vous vous dites : "Tiens, ce plat ressemble plus à une recette avec beaucoup de sucre qu'à une recette sans sucre." Vous ajustez vos dards.
Le résultat (BNPE) : Grâce à une intelligence artificielle (un réseau de neurones très intelligent), le détective apprend à dessiner un nuage de probabilités.
- Pour le coût de la farine, le nuage se resserre énormément autour d'une valeur précise. On sait presque exactement combien ça coûte !
- Pour le coût de démarrage (se lever le matin), le nuage reste très large et diffus. Pourquoi ? Parce que le plat fini ne vous donne pas assez d'indices pour savoir si le chef s'est levé tôt ou tard. Le détective est honnête : il dit "Je ne suis pas sûr, ça pourrait être n'importe quoi dans cette fourchette."

🧪 Le Test de Vérité (La Validation)

Les auteurs ont testé leur méthode sur un système électrique fictif mais réaliste (le système IEEE RTS-96), comme un simulateur de vol pour pilotes.

Ils ont créé un "vrai" chef : Ils ont inventé des coûts secrets (la vérité).
Ils ont fait cuire le plat : Ils ont simulé la production d'électricité avec ces coûts secrets, en ajoutant un peu de "bruit" (aléas, pannes, humeur du chef).
Ils ont demandé au détective de deviner :
- Résultat pour les coûts de production (Farine) : La méthode Bayésienne a trouvé la bonne valeur avec une précision incroyable, et elle a dessiné un petit cercle de confiance autour. C'est comme si le détective avait dit : "C'est 25€, et j'en suis sûr à 95%."
- Résultat pour les coûts de démarrage (Le réveil) : La méthode Bayésienne a dit : "Je ne peux pas être sûr, le nuage est large." C'est la bonne réponse ! Le "Devineur Rapide" (l'autre méthode), lui, a donné une valeur précise mais fausse, car il a essayé de forcer une réponse là où il n'y en avait pas.

💡 Pourquoi c'est important ?

Dans le monde réel, les gestionnaires de réseaux électriques et les investisseurs ont besoin de savoir combien ça coûte pour prévoir les prix de l'électricité.

Si on utilise la méthode "Devineur Rapide", on risque de prendre de mauvaises décisions parce qu'on est trop confiant dans une réponse fausse.
Avec la méthode "Détective Probabiliste" (BNPE), on obtient non seulement une estimation, mais aussi un niveau de confiance. On sait quand on est sûr, et quand on doit être prudent.

🏁 En Résumé

Ce papier nous apprend que pour comprendre les coûts cachés de l'électricité, il ne faut pas chercher une seule réponse magique. Il faut utiliser une intelligence artificielle qui joue aux "millions de scénarios" pour dessiner une carte des possibilités.

Les coûts de production sont faciles à deviner (le nuage se resserre).
Les coûts de démarrage sont difficiles à deviner (le nuage reste large), et c'est normal.
L'astuce : Savoir dire "Je ne sais pas" avec une carte de probabilités est souvent plus utile que de donner une fausse réponse précise.

C'est comme si, au lieu de vous dire "Il fait 20°C", le détective vous disait "Il fait probablement entre 19°C et 21°C, mais il pourrait faire 15°C si le vent tourne". C'est beaucoup plus utile pour décider s'il faut mettre un manteau !

1. Problématique

L'estimation des coûts de production (coûts marginaux et coûts de démarrage) à partir des données observées des marchés de l'électricité est cruciale pour la simulation de marché, les stratégies d'enchères et la planification du système. Cependant, les producteurs soumettent des offres basées sur des informations incomplètes et des stratégies complexes, rendant l'inférence directe difficile.

Les approches traditionnelles, telles que l'optimisation inverse, traitent les paramètres de coût comme inconnus et tentent de les déduire des programmes de production observés. Ces méthodes présentent deux limites majeures :

Elles fournissent généralement des estimations ponctuelles sans quantification de l'incertitude.
Elles supposent souvent un modèle déterministe, ignorant les incertitudes opérationnelles (pannes, variations de la demande) et les stratégies de trading (écarts entre le coût réel et l'offre), ce qui conduit à des erreurs de spécification du modèle.

L'objectif de cet article est de formuler l'estimation des coûts comme un problème d'inférence bayésienne pour quantifier l'incertitude et mieux modéliser la réalité stochastique des marchés.

2. Méthodologie

Les auteurs proposent une approche basée sur un modèle à variables latentes et comparent deux algorithmes d'inférence :

A. Modélisation (Modèle à variables latentes)

Le marché est modélisé comme un processus génératif où les programmes de production observés ( $g$ ) résultent de la résolution d'un problème d'engagement d'unités (Unit Commitment - UC) sous contraintes.

Variables latentes : Coûts marginaux ( $c$ ), coûts de démarrage ( $s$ ), stratégies d'enchères (bruit sur les coûts), disponibilité des générateurs et des lignes, et charge du système.
Processus : Les coûts réels sont perturbés par une stratégie d'enchère (modélisée par une distribution normale) et des aléas opérationnels (pannes, charge) avant d'être injectés dans le solveur UC déterministe pour produire le programme $g$ .
Inférence : Le but est de retrouver la distribution a posteriori $p(\theta | x_{obs})$ des paramètres de coûts $\theta = (c, s)$ étant donné l'observation du marché $x_{obs} = (g, \delta)$ .

B. Algorithmes d'Inférence

Deux méthodes sont comparées :

Estimation Postérieure Neuronale Équilibrée (BNPE - Balanced Neural Posterior Estimation) :
- C'est une méthode d'inférence basée sur la simulation (SBI).
- Un réseau de neurones (un neural spline flow) est entraîné pour approximer la distribution a posteriori $q_\phi(\theta | x)$ .
- L'entraînement consiste à générer des millions de paires (coûts, programmes) via le modèle simulé et à minimiser la divergence KL entre la vraie postérieure et l'approximation neuronale.
- Avantage : Une fois entraîné, il fournit une approximation rapide de la distribution complète (avec intervalles de crédibilité) pour n'importe quelle nouvelle observation.
Optimisation Inverse (Méthode du cône polaire) :
- Une méthode de référence déterministe qui cherche les coûts pour lesquels le programme observé est optimal.
- Elle ignore les aspects stochastiques (bruit d'enchère, pannes).
- Elle fournit une estimation ponctuelle rapide mais sans mesure d'incertitude.

3. Contributions Clés

Formulation Bayésienne : Transformation du problème d'estimation des coûts en un problème d'inférence bayésienne complet, intégrant explicitement les incertitudes de marché (stratégies, pannes, demande).
Application du BNPE : Utilisation réussie de l'estimation postérieure neuronale équilibrée pour des problèmes d'engagement d'unités à grande échelle avec réseau de transport, dépassant les travaux précédents limités à des systèmes simplifiés sans réseau.
Analyse de l'Identifiabilité : Démonstration que les coûts marginaux sont identifiables à partir des programmes, tandis que les coûts de démarrage restent largement non identifiables (la distribution a posteriori reste diffuse), ce qui est une conclusion physique importante souvent masquée par les méthodes ponctuelles.
Validation Rigoureuse : Utilisation de diagnostics avancés (couverture empirique, vérifications prédictives a posteriori) pour valider la qualité de l'approximation neuronale en l'absence de vérité terrain réelle.

4. Résultats Expérimentaux

Les méthodes ont été validées sur le système test IEEE RTS-96 (24 nœuds, 12 générateurs, 38 lignes) sur un horizon de 24 heures.

Précision des Coûts Marginaux :
- Le BNPE récupère les coûts marginaux avec une grande précision. Les distributions a posteriori sont concentrées autour des valeurs nominales avec des intervalles de crédibilité étroits.
- L'optimisation inverse montre des écarts plus importants par rapport aux valeurs réelles car elle interprète le bruit stochastique comme un changement de paramètres.
Identifiabilité des Coûts de Démarrage :
- Les distributions a posteriori pour les coûts de démarrage restent proches de la distribution a priori (uniforme). Cela confirme que les programmes de production seuls ne contiennent pas assez d'information pour identifier ces coûts, car la décision d'engagement est souvent binaire et peu sensible à la valeur exacte du coût de démarrage une fois l'unité engagée.
- Le fait que le BNPE ne "s'effondre" pas vers un point arbitraire mais conserve l'incertitude est un signe de robustesse du modèle.
Calibration et Performance :
- Le BNPE présente une légère surconfiance (les intervalles de crédibilité sont un peu trop étroits), probablement due à la haute dimensionnalité (24 paramètres) et à la complexité du modèle stochastique, mais reste utile pour l'analyse de marché.
- Les vérifications prédictives a posteriori confirment que les paramètres échantillonnés depuis la distribution apprise génèrent des programmes compatibles avec les observations.
Efficacité Computationnelle :
- Bien que l'entraînement du BNPE soit coûteux, l'inférence pour de nouvelles observations est quasi instantanée, contrairement à l'optimisation inverse ou aux méthodes MCMC qui doivent être recalculées à chaque fois.

5. Signification et Conclusion

Cet article démontre que l'inférence bayésienne basée sur la simulation est une approche supérieure pour l'estimation des coûts dans les marchés de l'électricité par rapport aux méthodes d'optimisation inverse classiques.

Prise de décision : La capacité à quantifier l'incertitude permet aux analystes et aux régulateurs de mieux évaluer les risques et de comprendre quelles informations sont réellement disponibles dans les données de marché.
Opérationnel : La méthode BNPE, une fois entraînée, permet une surveillance en temps réel des paramètres de marché avec une quantification de l'incertitude, ce qui est impossible avec les méthodes déterministes actuelles.
Perspectives : Les auteurs suggèrent d'étendre le modèle pour inférer conjointement des paramètres physiques (limites de rampe, capacités) et d'incorporer des données multi-jours pour améliorer l'identifiabilité des coûts de démarrage via les variations des prix des combustibles.

En résumé, cette étude offre une solution pratique combinant efficacité computationnelle et rigueur statistique pour la modélisation inverse des marchés de l'électricité.