When and How Should a Power Trader Engage in Arbitrage? Predict, then Contextually Optimize

Résumé Technique : Prédiction puis Optimisation Contextuelle pour l'Arbitrage des Traders d'Énergie

Énoncé du Problème
Les générateurs d'énergie stochastiques, tels que les parcs éoliens, font face à des opportunités et des risques croissants sur les marchés de l'électricité en raison de l'élargissement des écarts de prix entre les marchés du jour au lendemain (day-ahead) et de l'équilibrage. Sous les schémas de prix unique pour l'équilibrage (communs en Europe), les traders sont exposés au risque de prix quel que soit le sens de leur déséquilibre, ce qui crée un potentiel d'arbitrage opportuniste. Cependant, les stratégies d'enchères existantes manquent souvent d'explicabilité et de gestion des risques explicite. Les traders doivent décider non seulement si ils doivent s'écarter de leur prévision de production pour exploiter l'écart de prix prédit ($\Delta\lambda_t = \lambda^{DA}_t - \lambda^B_t$), mais aussi dans quel sens (long ou court) et à quelle intensité. Les cadres actuels occultent fréquemment la logique économique de ces décisions ou ne fournissent pas de mécanisme pragmatique et sensible au risque pour ajuster l'arbitrage entre le profit et le risque de queue (par exemple, la CVaR - Valeur à Risque Conditionnelle). De plus, le problème est accentué pour les centrales hybrides (HPP) combinant des énergies renouvelables avec des actifs tels que des électrolyseurs, qui introduisent des contraintes temporelles et une flexibilité opérationnelle supplémentaire.

Méthodologie : Un Cadre de Prédiction puis d'Optimisation Contextuelle
Les auteurs proposent un cadre en trois étapes qui décompose la décision d'enchère du jour au lendemain en étapes explicites et explicables :

1. Étape 1 : Quand s'engager (Classification Probabiliste)
   Un classificateur binaire probabiliste prédit le signe de l'écart de prix ($\Delta\lambda_t > 0$ ou $< 0$) basé sur des caractéristiques contextuelles (ex: météo, prix du marché, prévisions de la demande). Pour gérer le risque, le cadre utilise deux seuils de confiance ajustables ($\alpha$ et $\bar{\alpha}$) sur la probabilité prédite.

   • Si la confiance de la prédiction est élevée (probabilité $\ge \bar{\alpha}$), le trader s'engage dans une enchère longue opportuniste.
   • Si la confiance de la prédiction est faible (probabilité $\le \alpha$), le trader s'engage dans une enchère courte opportuniste.
   • Si la prédiction tombe dans une « zone morte » ($\alpha < \text{prob} < \bar{\alpha}$), le trader revient par défaut à une enchère sans arbitrage (égale à la prévision de production).
   • Détail d'entraînement : Le classificateur est entraîné avec LightGBM. Un « quantile de zone morte » ($\delta$) est introduit pour exclure les échantillons d'entraînement présentant des écarts de prix proches de zéro, qui sont bruyants et de faible valeur. Les seuils $\alpha$ et $\bar{\alpha}$ sont ajustés sur un ensemble de validation pour maximiser une métrique orientée vers la valeur (profit attendu ou CVaR), plutôt que de minimiser la perte de classification.

2. Étape 2 : Quelle Intensité (Optimisation Contextuelle)
   Sous réserve de la décision de s'engager dans l'arbitrage (long ou court), une politique de décision linéaire détermine l'ampleur de l'écart de l'enchère par rapport à la prévision. Deux politiques distinctes sont apprises via l'optimisation contextuelle : une pour la classe « long » et une pour la classe « court ».

   • La politique associe les caractéristiques contextuelles directement à un écart signé $z_t$, de telle sorte que l'enchère est $p^{DA}_t = \hat{P}^W_t + z_t$.
   • L'objectif d'optimisation maximise une combinaison pondérée du profit moyen et de la CVaR du profit, sous réserve de contraintes physiques (équilibre de puissance, limites opérationnelles de l'électrolyseur, objectifs de production d'hydrogène).
   • Pour les HPP, le modèle intègre les contraintes de l'électrolyseur, lui permettant d'absorber les déséquilibres ou de procurer de la puissance au réseau, augmentant ainsi la flexibilité.

3. Étape 3 : Calcul du Profit Ex-Post
   Lors de la phase de test, l'enchère du jour au lendemain engagée est réglée par rapport aux prix réalisés. Pour les HPP, une optimisation déterministe secondaire est effectuée pour distribuer l'électrolyseur en fonction de la prévision du prix d'équilibrage, maximisant ainsi le revenu résiduel.

Principales Contributions

• Décomposition Explicable : Contraendo aux modèles d'optimisation intégrés qui produisent une quantité d'enchère unique, ce cadre sépare explicitement la décision en « quand », « direction » et « intensité », rendant la logique économique transparente pour les traders.
• Réglage Sensible au Risque : Le cadre introduit deux mécanismes distincts pour le contrôle du risque : (1) les seuils de confiance dans l'étape de classification contrôlent la fréquence des enchères opportunistes, et (2) le poids de la CVaR ($\beta$) dans l'étape d'optimisation contrôle l'ampleur de l'écart de l'enchère.
• Intégration d'Actifs Hybrides : La méthodologie est applicable tant aux générateurs renouvelables autonomes qu'aux centrales hybrides, démontrant comment les actifs co-localisés (comme les électrolyseurs) peuvent améliorer la valeur de l'arbitrage en fournissant une flexibilité opérationnelle pour gérer les déséquilibres.
• Optimisation Contextuelle : L'approche tire parti de l'optimisation contextuelle pour apprendre des politiques linéaires qui s'adaptent aux conditions du marché sans nécessiter de solveurs non convexes complexes lors de l'inférence.

Résultats
Le cadre a été évalué à l'aide d'une procédure de fenêtre glissante sur des données réelles des zones d'enchères européennes DK1 (Danemark) et DE/LU (Allemagne/Luxembourg) pour un parc éolien de 7,2 MW, avec et sans un électrolyseur de 3,6 MW.

• Amélioration du Profit : Le modèle proposé « Classification + Politiques » a augmenté le profit moyen d'environ 7 % par rapport à un benchmark standard sans arbitrage (enchérir la prévision) pour la centrale hybride dans DK1.
• Valeur de la Flexibilité : La centrale hybride (HPP) a systématiquement surpassé le parc éolien autonome, atteignant des améliorations de profit allant jusqu'à 75 % dans DK1 et plus de 100 % dans DE/LU, grâce à la capacité de l'électrolyseur à absorber les déséquilibres.
• Arbitrage Risque-Rendement : Le modèle a obtenu un profit moyen plus élevé que le benchmark « Politique Unique » tout en réduisant considérablement la CVaR (risque de queue). Comparé à une stratégie « Tout ou Rien », le modèle proposé a maintenu des profits moyens comparables tout en réduisant drastiquement la sévérité des pertes extrêmes.
• Dérive de la Distribution : La performance était très sensible à la dérive de distribution entre les fenêtres d'entraînement et de test. Les améliorations de profit étaient les plus élevées lorsque la dérive était faible et s'effondraient (ou devenaient négatives) en cas de dérive sévère, soulignant les limites des modèles statiques dans des marchés non stationnaires.

Signification et Revendications
L'article affirme que sa principale importance réside dans la fourniture d'un outil d'aide à la décision pragmatique, explicable et sensible au risque pour les traders d'énergie. En découplant la prédiction des opportunités de marché de l'optimisation des quantités d'enchères, le cadre permet aux traders de régler explicitement leur exposition au risque via des paramètres interprétables (seuils de confiance et poids de risque). Les auteurs notent que bien que le cadre améliore les profits individuels des traders, il n'analyse pas les impacts au niveau du système (ex: bien-être du marché ou liquidité), ce qu'ils identifient comme une direction pour les travaux futurs. L'étude reconnaît également que la non-stationnarité reste un défi, suggérant que les itérations futures pourraient incorporer l'apprentissage en ligne pour s'adapter aux changements de la dynamique du marché.