⚡ electrical engineering

Data-Driven Sequential Market Optimization for Front-of-the-Meter Battery Energy Storage Systems

Cet article introduit un cadre d'optimisation séquentielle fondé sur les données pour les systèmes de stockage d'énergie par batterie en amont du compteur qui modélise de manière réaliste les fermetures de fenêtres de marché et les prévisions glissantes afin de dériver des stratégies d'enchères basées sur le coût d'opportunité, améliorant ainsi la faisabilité opérationnelle et la rentabilité à travers de multiples marchés de l'électricité.

Auteurs originaux : Steffen Kortmann, Hannah Sanders, Andreas Ulbig

Publié 2026-07-28

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Steffen Kortmann, Hannah Sanders, Andreas Ulbig

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 le réseau électrique comme une immense partie de chaises musicales à enjeux élevés, mais au lieu d'humains, ce sont des électrons qui dansent entre les centrales électriques et votre grille-pain. L'objectif est de maintenir la musique parfaitement en rythme ; s'il y a trop d'électrons, la fréquence grimpe en flèche, et s'il y en a trop peu, elle s'effondre. Pour maintenir un rythme régulier, nous avons besoin d'aides « flexibles » capables de saisir instantanément l'énergie excédentaire ou de la relâcher lorsque la musique devient chaotique. Entrez en scène le BESS (Battery Energy Storage System), une batterie numérique massive qui agit comme un super-athlète, prêt à sprinter en avant ou en arrière à la moindre notification. Mais voici la partie délicate : cet athlète ne joue pas qu'à un seul jeu. Il doit jongler avec plusieurs marchés simultanément — vendre de l'énergie quand elle est bon marché, la garder en réserve pour aider à stabiliser le réseau, et la revendre plus tard. Le problème est que les règles de ces marchés changent à différents moments, et les prix sont comme des prévisions météorologiques : ils évoluent à mesure que l'on se rapproche de l'événement. Si vous planifiez toute votre stratégie de la journée à 6h00 du matin en vous basant sur une supposition, vous risquez de manquer une tempête soudaine (ou un pic de prix soudain) qui survient à midi.

Cet article traite du casse-tête de la gestion de ces batteries géantes sans se faire piéger par des suppositions erronées. Les auteurs, Steffen Kortmann, Hannah Sanders et Andreas Ulbig, ont réalisé que la plupart des méthodes existantes sont comme essayer de planifier tout un voyage routier d'un seul coup, en ignorant les mises à jour du trafic toutes les heures. Ils soutiennent que pour gagner de l'argent et maintenir la sécurité du réseau, il faut une approche « séquentielle » — une stratégie étape par étape qui met à jour son plan chaque fois qu'un nouveau marché ferme ses portes. Ils ont construit un cadre intelligent et axé sur les données qui agit comme un entraîneur chevronné, réévaluant constamment les mouvements de la batterie à mesure que les nouvelles prévisions de prix arrivent, garantissant que la batterie ne s'engage pas trop ou ne tombe pas à court de jus au mauvais moment.

Le jeu du « Coût d'Opportunité »

Considérez l'énergie de la batterie comme un sac à dos rempli de pièces d'or. Vous avez un nombre limité de pièces, et vous voulez les dépenser là où elles achètent le plus de bonheur (ou de profit). Mais vous ne pouvez pas dépenser la même pièce deux fois. Si vous utilisez une pièce pour acheter un billet pour un concert (vendre de l'énergie maintenant), vous ne pouvez pas utiliser cette même pièce pour acheter un billet pour une fête VIP plus tard (fournir une puissance d'urgence). Le « Coût d'Opportunité » est la valeur du billet de la fête que vous n'avez pas pu acheter parce que vous avez dépensé la pièce pour le concert.

L'article introduit une façon ingénieuse de calculer ce coût. Au lieu de simplement deviner, le cadre demande : « Si je m'engage sur cette puissance de batterie dans le Marché A dès maintenant, quel profit potentiel suis-je en train de perdre vis-à-vis des Marchés B, C et D qui n'ont pas encore eu lieu ? » Il utilise ensuite ce calcul pour fixer un « prix minimum » pour les offres. Si le marché n'offre pas assez d'argent pour couvrir la perte d'opportunité des autres marchés, la batterie dit simplement : « Non merci », et garde sa puissance pour une meilleure affaire. Cela garantit que la batterie ne conclut jamais un accord qui semble bon isolément, mais qui est en réalité une mauvaise décision pour l'ensemble de la journée.

La stratégie étape par étape

Les auteurs ont conçu un système qui imite la chronologie réelle des marchés de l'électricité en Allemagne. Imaginez une série de portes qui se ferment les unes après les autres :

Réserve de régulation de fréquence (FCR) : La première porte se ferme tôt. Il s'agit d'une aide immédiate pour l'urgence. La batterie verrouille un plan ici.
Réserve de régulation automatique de la fréquence (aFRR) : La porte suivante se ferme. C'est pour un équilibrage du réseau légèrement plus lent, mais toujours urgent.
Marché de l'avant-veille (Day-Ahead Auction - DAA) : La grande porte pour vendre de l'énergie le lendemain.
Marché intraday (Intraday Auction - IDA) : Les dernières portes, s'ouvrant plus près du temps réel pour des ajustements de dernière minute.

La magie de leur cadre est qu'il ne se contente pas de planifier pour la première porte et oublie le reste. Il résout l'énigme pour la porte actuelle, puis résout immédiatement l'énigme pour toutes les portes restantes, en utilisant les dernières prévisions de prix. C'est comme jouer à un jeu vidéo où la carte se met à jour à chaque fois que vous montez de niveau. Si le prix de l'électricité grimpe l'après-midi, le système le remarque, recalcule le « coût d'opportunité » et peut décider de garder une partie de son énergie pour le marché Intraday au lieu de tout vendre sur le marché Day-Ahead.

Ce qu'ils ont trouvé (et ce qu'ils n'ont pas trouvé)

Les chercheurs ont testé leur idée en utilisant une simulation d'une seule journée (1er avril 2024) avec une batterie d'une puissance de 3,65 MW et d'une capacité de 7,3 MWh. Ils n'ont pas seulement fait des suppositions ; ils ont passé les chiffres à travers un modèle mathématique complexe qui respecte les limites physiques de la batterie (elle ne peut pas charger et décharger en même temps, et elle ne peut pas descendre en dessous de 0 % ou dépasser 100 % de charge).

Les résultats ont montré que leur approche étape par étape et axée sur les données fonctionne. Lorsqu'ils ont comparé le plan « Day-Ahead » (établi tôt le matin) avec le plan « Intraday » (établi plus tard avec de meilleures informations), ils ont constaté que le plan ultérieur était beaucoup plus proche de ce qui s'est réellement passé. Le cadre a réussi à s'adapter aux prévisions mises à jour, réduisant l'écart entre ce qui était prévu et ce qui a été réellement fait. Cela signifie que l'opérateur de la batterie peut gagner plus d'argent et éviter le risque de ne pas respecter les règles ou de tomber en panne de courant.

Cependant, il est important de noter qu'il s'agit d'une simulation. L'article prouve que les mathématiques fonctionnent et que la logique tient la route dans des conditions réalistes, mais elle n'a pas encore été testée sur une véritable batterie dans un marché réel et chaotique. Les auteurs suggèrent que leur méthode est une base solide, mais que les travaux futurs devront ajouter encore plus de complexité, comme l'utilisation de l'Intelligence Artificielle pour trader dans le dernier marché « continu » (Intraday Continuous) où les prix changent chaque seconde.

Pourquoi cela importe

Pour quiconque se soucie de l'énergie propre, c'est un événement majeur. À mesure que nous passons à l'énergie éolienne et solaire, le réseau devient plus imprévisible. Nous avons besoin de batteries pour servir d'amortisseurs au système. Mais si les opérateurs de batteries utilisent des outils de planification rigides et obsolètes, ils pourraient manquer des profits ou, pire encore, échouer à aider le réseau lorsqu'ils sont le plus nécessaires. Cet article propose un nouveau mode d'emploi : une façon d'être flexible, intelligent et axé sur les données. Il transforme la batterie d'une unité de stockage statique en un acteur dynamique capable de naviguer dans le paysage complexe et changeant des marchés énergétiques modernes, garantissant que les lumières restent allumées et que le portefeuille reste plein.

Résumé technique : Optimisation séquentielle des marchés pilotée par les données pour les BESS en front de compteur

Énoncé du problème

L'intégration des systèmes de stockage d'énergie par batterie (BESS) dans les marchés de l'électricité a accru la nécessité d'une participation coordonnée aux services d'énergie et de réglage pour maximiser la flexibilité opérationnelle. Cependant, les modèles actuels de cumul de revenus reposent fréquemment sur des hypothèses simplifiées, telles que la soumission simultanée d'offres sur plusieurs marchés et la négligence de l'impact des prévisions glissantes. Ces simplifications conduisent à des programmations irréalistes, des plans opérationnels infaisables et des projections de revenus surestimées. Les opérateurs manquent actuellement de méthodes transparentes pour déterminer les quantités et les prix d'offre réalisables qui s'alignent sur la nature séquentielle des opérations de marché, les temps de clôture des offres (GCT) spécifiques et les révisions des prévisions de prix.

Méthodologie

Le document propose un cadre d'optimisation séquentiel et piloté par les données conçu pour refléter les opérations de marché réelles pour les BESS en front de compteur (FTM). La méthodologie structure le processus de programmation en étapes de marché consécutives, mettant à jour les décisions à chaque temps de clôture des offres (GCT) sur la base des derniers résultats du marché et des révisions de prévisions.

1. Cadre d'optimisation séquentielle

Le cadre modélise la séquence chronologique des marchés : la réserve de régulation de fréquence (FCR), la réserve de régulation de fréquence automatique (aFRR), l'enchère du jour J (DAA) et l'enchère intraday (IDA).

Propagation de l'état : L'état de charge (SoC) résultant d'un marché clôturé devient une condition limite fixe pour l'étape d'optimisation suivante.
Prévisions glissantes : Les prévisions de prix sont mises à jour à chaque étape, intégrant les informations des marchés déjà clôturés pour affiner l'optimisation des marchés restants.
Contraintes : Le modèle impose des contraintes techniques et réglementaires rigoureuses, notamment :
- Physique de la batterie : Équations d'équilibre énergétique, limites de puissance, pertes d'efficacité et exclusivité mutuelle de la charge et de la décharge.
- Règles de marché : Incréments d'offre fixes (ex: 1 MW pour les réserves, 0,1 MW pour l'énergie), cohérence des blocs, et ratios énergie-puissance ( $\gamma$ ) et facteurs de puissance bloquée ( $\phi$ ) spécifiques requis pour les produits de réserve (ex: la FCR nécessite une capacité de puissance de 1,25 MW pour 1 MW de réserve lors des étapes intraday).
- Blocage de capacité : Les contraintes garantissent que la capacité de réserve bloque la portion nécessaire de la capacité de stockage utilisable pour les échanges d'énergie ultérieurs.

2. Stratégie d'offre basée sur le coût d'opportunité

Un composant central de la méthodologie est la dérivation des volumes d'offres et des prix minimaux basés sur le coût d'opportunité (OC).

Optimisation de la capacité résiduelle : Pour une étape de marché spécifique, le cadre résout un problème d'optimisation « résiduel » pour tous les marchés futurs. Cela détermine la quantité d'offre maximale réalisable ( $L_b$ ) et la valeur ( $V_b$ ) des marchés restants si le marché actuel ne fait pas l'objet d'une participation.
Calcul de l'OC : Le coût d'opportunité est calculé comme le profit manqué des marchés futurs causé par la réservation de capacité pour le marché actuel. Cela tient compte de l'effet de « blocage » des engagements de réserve sur les capacités de trading futures.
Formulation du prix d'offre : Le prix d'offre minimum est dérivé en distribuant le coût d'opportunité sur la quantité offerte et la durée temporelle.
- FCR : Utilise un prix unique couvrant l'OC du bloc (pay-as-cleared / paiement au prix du marché).
- aFRR : Emploie une stratégie d'offre en « échelle », divisant la capacité en plusieurs offres avec des prix allant d'un plancher conservateur (ajusté par un facteur de risque $\theta$ ) à des prix agressifs basés sur les prévisions de prix, afin d'équilibrer la probabilité d'acceptation et la marge.
- DAA & IDA : Détermine la direction de l'échange (achat/vente) et fixe les prix en fonction du plancher du coût d'opportunité, ajusté selon la granularité du marché et les règles de règlement (pay-as-bid vs pay-as-cleared).

3. Règlement et compensation des marchés

Le cadre simule le règlement du marché où les offres sont acceptées ou rejetées en fonction du prix de marché (MCP).

Allocation : Les offres acceptées deviennent des paramètres fixes pour les étapes d'optimisation suivantes.
Ré-optimisation : Si les allocations entraînent des positions ouvertes ou des impossibilités (ex: exigences d'énergie de déséquilibre), le modèle ré-optimise avec des variables d'écart pour dériver un calendrier cible réalisable pour l'étape suivante (ex: intraday).

Principales contributions

Le document identifie quatre contributions principales :

Formulation multi-marché séquentielle : Un cadre unifié qui modélise explicitement la séquence chronologique des GCT et des durées de produits pour la FCR, l'aFRR et les marchés d'énergie, dépassant les hypothèses d'optimisation simultanée.
Couplage de marché piloté par les données : L'intégration de prévisions de prix glissantes permet une ré-optimisation adaptative à chaque étape, utilisant les informations en temps réel des marchés clôturés.
Offre basée sur le coût d'opportunité : La dérivation de volumes d'offres réalisables et de prix d'offre minimaux à partir de l'optimisation de la capacité résiduelle, garantissant la cohérence économique et évitant les engagements infaisables.
Validation réaliste : Démonstration de la cohérence et de la faisabilité du cadre via une étude de cas sur une seule journée, confirmant l'alignement entre les plans de la veille et le dispatch réalisé.

Résultats et validation

Le cadre a été validé à l'aide d'une journée de fonctionnement représentative (1er avril 2024) pour un BESS d'une puissance de 3,65 MW et d'une capacité de 7,3 MWh.

Évolution du calendrier : L'étude a montré que les calendriers évoluent de manière significative entre les étapes d'optimisation (ex: 8h00, 9h00, 12h00, 15h00) à mesure que les prévisions sont mises à jour et que les marchés se clôturent.
Faisabilité : Le cadre a généré avec succès des calendriers cohérents et techniquement réalisables. Les trajectoires de l'état de charge (SoC) sont restées dans les limites techniques requises pour la fourniture de la FCR tout au long de la simulation.
Réduction des écarts : Les comparaisons entre le dispatch prévu et le dispatch réalisé ont indiqué que la ré-optimisation intraday réduit considérablement les écarts par rapport aux plans de la veille. Plus le calendrier est proche de l'heure de dispatch réelle, plus il est précis.
Impact de la FCR : Les résultats ont mis en évidence comment l'allocation FCR bloque des plages de SoC spécifiques (empêchant l'opération près de 0% ou 100% de SoC), ce que le modèle a correctement pris en compte dans les offres ultérieures d'aFRR et de marché d'énergie.

Signification

Le document affirme que sa principale importance réside dans le comblement du fossé entre les modèles d'optimisation idéalisés et les réalités pratiques de la participation séquentielle aux marchés. En modélisant explicitement les temps de clôture des offres (GCT), les prévisions glissantes et les coûts d'opportunité, le cadre fournit une méthode permettant aux opérateurs de déterminer des quantités et des prix d'offres réalisables qui sont cohérents avec le calendrier réel du marché.

Les auteurs soutiennent que cette approche améliore la réalité et la rentabilité des opérations de BESS en minimisant les écarts entre le dispatch prévu et réalisé, et en évitant la surestimation des revenus courante dans les modèles à étape unique ou non pilotés par les données. Ce travail établit une base pour une participation coordonnée entre les marchés de réglage et d'énergie sans nécessiter de modèles complexes d'apprentissage profond sensibles aux changements de données, en s'appuyant plutôt sur une optimisation robuste et une tarification par coût d'opportunité.