Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
Bien que les modèles de fondation comme TabPFN démontrent une précision statistique supérieure dans la prévision des prix de l'électricité sur plusieurs marchés, ils ne remplacent pas universellement les modèles spécifiques au marché car leur valeur économique dans l'arbitrage de batteries dépend fortement de la stratégie de décision spécifique et de la tolérance au risque.
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
L'électricité est le fluide vital invisible de la société moderne, circulant à travers les câbles pour alimenter tout, des lampadaires aux hôpitaux. Mais le prix de cette électricité n'est pas fixe ; il fluctue de manière sauvage, grimpant parfois à des hauteurs vertigineuses et plongeant occasionnellement en territoire négatif. Ces variations de prix sont dictées par un mélange complexe de facteurs : la quantité de soleil et de vent disponible pour générer de l'énergie, le coût des combustibles et la quantité d'énergie consommée par les gens à un instant donné. Parce que ces prix changent de manière si imprévisible, les entreprises qui possèdent des batteries ou gèrent des réseaux électriques doivent deviner le prix futur avec une précision remarquable. S'ils peuvent prédire un pic de prix, ils peuvent acheter de l'électricité bon marché, la stocker dans une batterie et la revendre plus tard pour réaliser un profit. S'ils se trompent, ils perdent de l'argent. Pendant des décennies, des experts ont construit des modèles informatiques spécialisés conçus spécifiquement pour ces marchés, apprenant les rythmes uniques du réseau électrique de chaque pays.
Récemment, un nouveau type d'intelligence artificielle est apparu, promettant de faire le même travail sans avoir besoin d'être enseigné les spécificités de n'importe quel marché. On les appelle des modèles de fondation (foundation models). Imaginez un étudiant qui aurait lu des millions de livres sur tous les sujets possibles ; lorsqu'on lui pose une question sur un sujet spécifique, il peut répondre immédiatement sans avoir besoin d'un nouveau manuel. De la même manière, ces modèles de fondation sont entraînés sur de vastes quantités de données provenant de nombreux domaines différents, dans l'espoir qu'ils puissent appliquer ce qu'ils ont appris aux prix de l'électricité instantanément, sans entraînement supplémentaire. La grande question pour l'industrie de l'énergie est de savoir si ces outils d'IA à usage général sont assez performants pour remplacer les experts spécialisés et adaptés au marché qui sont la norme depuis des années.
Une équipe de chercheurs de Pologne et du Danemark s'est donné pour mission de répondre à cette question en soumettant ces nouveaux modèles d'IA à un test rigoureux. Ils ont rassemblé cinq années de données sur les prix de l'électricité provenant de trois marchés européens très différents : l'Allemagne, la Pologne et l'Espagne. Ces pays ont été choisis car ils possèdent des mélanges de sources d'énergie différents ; l'Allemagne et l'Espagne dépendent fortement de l'éolien et du solaire, tandis que la Pologne utilise encore une quantité significative de charbon. Les chercheurs ont opposé neuf versions de ces nouveaux modèles de fondation à deux des meilleurs modèles spécialisés existants utilisés par les professionnels. Ils ne se sont pas contentés de demander aux modèles de deviner le prix ; ils ont testé la capacité des modèles à prédire toute la plage de prix possibles, y compris les pics et les chutes rares mais dangereux. Enfin, ils ont franchi l'étape la plus importante : ils ont simulé une stratégie de trading réelle. Ils ont utilisé les prédictions de chaque modèle pour gérer un système virtuel de stockage par batterie, achetant et vendant de l'électricité sur cinq ans pour voir quel modèle générait réellement le plus d'argent.
Les résultats ont révélé une division surprenante entre l'exactitude statistique et le profit réel. En termes de compétence de prédiction brute, une famille de modèles de fondation, connue sous le nom de TabPFN, a systématiquement surpassé les experts spécialisés dans les trois pays. Ces modèles ont été capables de prédire le prix avec une plus grande précision que les méthodes traditionnelles, même sans avoir été entraînés sur l'historique spécifique de ces marchés. Cependant, l'histoire a changé lorsque les chercheurs ont examiné le compte bancaire. Bien que les modèles TabPFN soient statistiquement supérieurs, cela ne s'est pas traduit automatiquement par les profits les plus élevés. Le résultat dépendait entièrement du niveau de risque que le trader était prêt à prendre. Lorsque la stratégie de trading était agressive et prête à accepter des risques plus élevés, les modèles TabPFN ont généré le plus d'argent. Mais quand la stratégie était prudente et averse au risque, l'ancien modèle spécialisé appelé DDNN-JSU a réalisé plus de profits, malgré une précision moindre dans ses prédictions brutes.
Cette découverte suggère que les nouveaux modèles de fondation sont des outils puissants, mais qu'ils ne sont pas un remplacement universel pour les modèles spécialisés qui ont été affinés pendant des décennies. Le meilleur choix dépend de l'objectif spécifique. Si l'objectif est d'avoir l'image statistique la plus précise du futur, les nouveaux modèles de fondation sont excellents. Mais si l'objectif est de maximiser le profit dans un environnement de trading prudent, les anciens modèles spécialisés conservent l'avantage. L'étude conclut que, bien que ces nouveaux outils d'IA soient une étape significative et puissent améliorer les prévisions, ils doivent être considérés comme des composants puissants au sein d'un système plus large plutôt que comme une solution miracle qui résout tous les problèmes. L'avenir du trading d'électricité impliquera probablement un mélange de ces nouveaux outils à usage général et de l'expertise spécifique au marché qui s'est construite au fil d'années d'expérience.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.