Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

Le réseau électrique moderne n'est plus seulement une rue à sens unique où l'énergie coule d'une centrale géante vers une maison passive. Il est devenu un système dynamique à double sens où les panneaux solaires sur les toits, les véhicules électriques et les appareils intelligents interagissent constamment avec le marché. Dans cet environnement complexe, deux chiffres comptent plus que presque tous les autres : la quantité d'électricité dont les gens auront besoin demain, et ce que cette électricité coûtera. Ces deux chiffres sont étroitement liés ; quand la demande grimpe ou que le vent cesse de souffler, les prix peuvent monter en flèche, et quand les prix augmentent, les gens changent souvent leur façon d'utiliser l'énergie. Réussir ces prévisions est vital. Si une entreprise de services publics se trompe, elle pourrait gaspiller de l'argent en achetant de l'énergie coûteuse ou laisser les lumières vaciller. Si une centrale électrique se trompe, elle pourrait manquer une occasion de vendre de l'énergie ou se retrouver avec une facture qu'elle ne peut pas payer. Pendant des décennies, des experts ont tenté de prévoir ces chiffres à l'aide d'outils statistiques, mais l'imprévisibilité totale de la météo et du comportement humain a rendu la tâche incroyablement difficile.

Une équipe de chercheurs a maintenant proposé une nouvelle façon de s'attaquer à ce problème, en se concentrant sur un type spécifique de programme informatique conçu pour apprendre des modèles passés. Au lieu d'essayer de prédire la charge et le prix séparément, ils ont construit un système unique qui devine les deux en même temps. Imaginez ce système comme un étudiant qui étudie un livre d'histoire pour comprendre comment deux événements liés, comme la météo et la taille de la foule dans un parc, s'influencent mutuellement, plutôt que d'essayer d'apprendre la météo et la foule dans deux cours différents. Les chercheurs ont utilisé une méthode appelée algorithme de Levenberg-Marquardt pour entraîner ce système. En termes simples, il s'agit d'une technique mathématique sophistiquée qui aide l'ordinateur à apprendre beaucoup plus rapidement et plus de manière plus fiable que les anciennes méthodes, en ajustant ses paramètres internes pour trouver la meilleure adéquation avec les données sans rester bloqué dans des impasses.

L'équipe a testé son approche en utilisant des données réelles de l'interconnexion PJM, un marché de l'électricité massif qui couvre des parties de l'est des États-Unis. Ils ont nourri l'ordinateur avec des heures d'informations historiques, incluant l'utilisation passée de l'électricité, les prix passés, les prévisions de température et même les prédictions de la quantité d'énergie renouvelable disponible. L'ordinateur a dû examiner toutes ces informations pour prédire les vingt-quatre prochaines heures de charge et de prix simultanément. Les résultats ont été impressionnants. Comparé à d'autres outils de prévision populaires, y compris les réseaux de neurones standards et les modèles statistiques traditionnels, ce nouveau système a systématiquement commis moins d'erreurs tant pour la charge électrique que pour les prix du marché. Il a obtenu les indices d'erreur les plus bas dans tous les domaines, surpassant les méthodes de base comme la persistance et l'ARIMA, et démontrant que l'approche de modélisation conjointe a réussi à capturer la dynamique complexe du marché.

Ce qui rend cette découverte particulièrement utile, ce n'est pas seulement la précision, mais aussi la vitesse et la simplicité de la solution pour la prévision de la charge. De nombreux modèles d'intelligence artificielle modernes nécessitent une puissance de calcul massive et prennent beaucoup de temps pour l'entraînement, ce qui les rend difficiles à utiliser dans des situations en temps réel où les décisions doivent être prises rapidement. Ce nouveau modèle, cependant, est relativement compact et s'entraîne très rapidement. Il parvient à capturer les relations complexes et cachées entre la quantité d'énergie que les gens utilisent et ce que cette énergie coûte, sans avoir besoin de la machinerie lourde de systèmes de deep learning plus compliqués. Les chercheurs ont découvert qu'en partageant la partie « réflexion » du réseau entre les deux prédictions, le système a appris qu'une demande élevée entraîne souvent des prix élevés, et que ces modèles se répètent de manière prévisible en fonction de l'heure de la journée et du jour de la semaine.

L'étude a également examiné de près la façon dont le modèle se comporte au fil du temps, vérifiant s'il pouvait gérer différentes saisons et des conditions de marché inhabituelles. L'analyse a montré que les erreurs pour la charge étaient réparties uniformément, ce qui signifie que le système ne surestimait ni ne sous-estimait systématiquement les chiffres. Il a bien géré les cycles quotidiens, prédisant les pics de consommation du matin et du soir avec une grande fidélité. Bien que les chercheurs aient noté que la précision de la prédiction des prix dépend encore fortement de la qualité des prévisions météorologiques et des énergies renouvelables fournies au système, la méthode de base s'est avérée robuste pour les deux variables. Ils ont également souligné que cette approche se concentre sur le fait de donner une seule meilleure estimation pour le futur, plutôt qu'une gamme de possibilités, ce qui est une limite pour certaines tâches de gestion des risques mais idéal pour la planification opérationnelle immédiate.

En fin de compte, ce travail démontre que parfois, la solution la plus efficace n'est pas la plus complexe. En affinant un type de programme informatique plus ancien et bien compris avec une méthode d'entraînement puissante, l'équipe a créé un outil qui est à la fois rapide et assez précis pour aider à gérer l'équilibre délicat d'un réseau intelligent moderne concernant la demande d'électricité et les prix du marché. La capacité de prédire à la fois la demande d'électricité et son coût en un seul calcul rapide offre un avantage pratique pour les personnes qui maintiennent les lumières allumées et les marchés en marche. Alors que le réseau continue d'évoluer avec davantage d'énergies renouvelables et de véhicules électriques, avoir un moyen fiable et efficace d'anticiper ces deux défis devient de plus en plus essentiel. Cette étude suggère qu'avec les bons outils mathématiques, nous pouvons naviguer l'incertitude du futur réseau avec une vision plus claire que jamais.