Imbalance Price Forecasting in the Italian Energy Market Using Deep Neural Networks and Temporal Fusion Transformers
Cet article propose un cadre de prévision probabiliste utilisant les Temporal Fusion Transformers pour le marché volatil du déséquilibre électrique italien, démontrant que si la précision déterministe est limitée, la valeur principale du modèle réside dans sa capacité à fournir des bandes de risque calibrées et des informations interprétables pour une gestion efficace des risques.
Article original sous licence CC BY 4.0 (https://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 une commodité qui ne peut pas être stockée facilement en de vastes quantités, ce qui signifie que la quantité générée doit correspondre à la quantité consommée à chaque seconde. En Italie, comme dans de nombreuses autres nations, cet équilibre est géré par un système complexe de marchés. Les traders achètent et vendent de l'énergie à l'avance pour le lendemain, mais le véritable test survient lorsque les lumières s'allument et que la demande réelle arrive. Si une centrale électrique produit trop ou trop peu par rapport à ce qui avait été promis, l'opérateur de réseau doit intervenir pour corriger la différence, souvent à un coût élevé. Ces coûts sont connus sous le nom de prix de déséquilibre. Parce que le réseau est un réseau physique de câbles et de transformateurs, des goulots d'étranglement locaux peuvent faire fluctuer ces prix de manière sauvage, provoquant parfois des pics extrêmes en quelques minutes. Prédire ces prix est notoirement difficile, car ils sont pilotés par un mélange chaotique de météo, de production d'énergies renouvelables et des limites physiques des lignes de transmission. Pour quiconque achète ou vend de l'électricité, savoir si ces prix seront élevés ou bas, et s'ils seront positifs ou négatifs, est la différence entre le profit et la perte.
Une équipe de chercheurs de l'Université de Roma Tre et de l'Université de Tabuk s'est donné pour mission de s'attaquer à ce problème en utilisant un type sophistiqué d'intelligence artificielle appelé le « Temporal Fusion Transformer ». Leur objectif n'était pas simplement de deviner un chiffre unique pour le prix, mais de construire un système capable de comprendre l'incertitude inhérente au marché italien de l'énergie. Ils ont alimenté le modèle informatique avec un vaste éventail d'informations, incluant les prix historiques, la quantité d'électricité consommée, la quantité d'énergie solaire et éolienne disponible, ainsi que les prix fixés sur le marché du jour j+1. Le modèle a été conçu pour analyser ces données et prévoir ce qui se passerait au cours des douze prochaines heures, décomposées en intervalles de quinze minutes. Les chercheurs étaient particulièrement intéressés par la question de savoir si cette technologie avancée pouvait enfin percer le code du marché italien, réputé pour sa volatilité extrême et ses pics de prix fréquents et imprévisibles.
Les résultats de leurs travaux ont révélé une dure vérité sur la nature du réseau électrique italien. Bien que le modèle d'intelligence artificielle ait performé exceptionnellement bien pour prédire les prix standards du jour j+1, avec des erreurs dépassant souvent un euro par unité d'énergie, il s'est heurté à un mur lorsqu'il s'agissait de prédire les prix finaux du déséquilibre. Dans ces moments de volatilité, le taux d'erreur du modèle s'est stabilisé autour de soixante-deux euros par unité, un chiffre qui n'était que très légèrement meilleur que des méthodes beaucoup plus simples. Les chercheurs ont constaté que le modèle ne pouvait pas prédire de manière fiable la hauteur exacte des pics de prix ni le moment précis de leur apparition. En fait, lorsque le modèle tentait trop ardemment de poursuivre ces pics extrêmes lors de son entraînement, il devenait en réalité moins précis lors des tests sur de nouvelles données, un phénomène connu sous le nom de surapprentissage (overfitting). Le système a essentiellement appris que le marché est trop chaotique pour être prédit avec un chiffre unique et précis.
Cependant, l'étude ne s'est pas terminée sur un échec ; elle a plutôt conduit à un changement de perspective sur la valeur d'un tel outil. Au lieu d'agir comme une boule de cristal donnant un prix unique et définitif, le modèle a prouvé son utilité en agissant comme un gestionnaire de risques. Il a réussi à prédire la direction générale du marché — si les prix seraient élevés ou bas, ou si le déséquilibre serait positif ou négatif — avec une précision d'environ soixante-deux à soixante-cinq pour cent. Plus important encore, le modèle fournissait une plage de résultats possibles, offrant une bande de confiance qui montrait aux traders l'ampleur du risque qu'ils prenaient. Il pouvait identifier les heures où le marché était stable et sûr pour le trading, par opposition aux heures où l'incertitude était si élevée que le trading devenait dangereux.
Les chercheurs ont également utilisé la mécanique interne du modèle pour comprendre ce qui pilotait le marché. En observant les données auxquelles l'ordinateur prêtait attention, ils ont découvert que le modèle apprenait à ignorer de nombreuses variables complexes pour se concentrer sur quelques moteurs clés, tels que le prix dans la zone nord et la période de l'année. Cette transparence a transformé la « boîte noire » de l'intelligence artificielle en un outil clair d'aide à la décision. Le système a montré que, bien que personne ne puisse prédire parfaitement les pics chaotiques du réseau italien, les traders peuvent néanmoins prendre de meilleures décisions en comprenant la probabilité de différents scénarios. L'étude conclut que la véritable puissance de cette technologie ne réside pas dans le remplacement du jugement humain par une prévision parfaite, mais dans la fourniture d'un cadre robuste et interprétable qui aide les participants du marché à naviguer dans l'incertitude inhérente au système énergétique avec une plus grande confiance.
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.