Énergies renouvelables et déséquilibre du réseau : comment réduire les coûts grâce à la data ?

L’émergence des sources d’énergies alternatives comme les énergies renouvelables est à l’origine de nouveaux défis pour la production d’électricité. Pour faire face au caractère volatile de celles-ci et mieux appréhender les risques qui y sont liés, la data peut se révéler être un outil indispensable aux acteurs du secteur énergétique.

Lors du 8 Mai 2016, le prix de l’électricité sur le marché français est devenu négatif pendant deux heures et a atteint ‑10€/MWh alors que le prix moyen est de 50€/MWh. Ce prix est dû à une très faible demande lors d’un jour férié – aucune activité industrielle – tandis que la production est restée similaire (l’arrêt des centrales d’énergie conventionnelle étant impossible sur une courte période). Cet exemple met en avant un déséquilibre entre l’offre et la demande en électricité, et donc une période de surproduction qui entraîne des coûts pour les acteurs du marché.

Aujourd’hui, l’insertion croissante des énergies renouvelables (EnR) sur les réseaux électriques s’est accompagnée de déséquilibres dus au caractère intermittent de ces dernières. Il y a donc une nécessité pour les acteurs du marché de gros de l’électricité d’améliorer leur stratégie. Chaque jour, ils sont appelés à nominer, c’est-à-dire à annoncer stratégiquement les quantités d’électricité qu’ils souhaitent vendre ou acheter pour le lendemain, ce qu’on appelle le marché Day-ahead.

Ainsi, la nomination se fait sur la base des informations du marché électrique et des conditions météorologiques, à savoir : les données sur le prix Day-ahead, la prévision de génération ou de consommation d’électricité, etc. Cela permet d’estimer la quantité d’électricité à vendre rentablement. Cependant, une production ou une consommation différente de la quantité annoncée entraîne un besoin de vendre ou de racheter de l’électricité sur le marché dit marché Imbalance. Le coût d’Imbalance peut alors être vu comme une sorte de regret par rapport au marché Day-ahead. Pour préciser la démarche, un exemple concret est le cas d’un producteur qui générerait une quantité (disons 2 Mégawatts) supérieure à ses prévisions. La quantité prédite est vendue au prix Day-ahead, et les 2 MW supplémentaires sont vendus sur le marché Imbalance à un prix dit prix d’Imbalance. Ainsi, l’enjeu pour des entreprises qui vendent de l’électricité de source renouvelable est clair : minimiser les coûts, donc réduire les erreurs de prédictions sur le marché Day-ahead. Et quel meilleur moyen de prédire que par la Data ?

Aujourd’hui, de nombreux modèles existent pour prédire les flux d’énergie, et donc les coûts de déséquilibre, mais présentent encore des imprécisions. Ces coûts dépendent fortement de l’erreur de prédiction observée sur la quantité d’énergie produite, ainsi que des différents prix de l’électricité (marché Day-ahead et prix d’Imbalance). Or les écarts de prédiction reposent entre autres sur les données météorologiques de température, pression atmosphérique, et la demande en électricité. Pour réduire les coûts de déséquilibre, le perfectionnement de tous ces modèles de prévision météorologique et de consommation est donc un recours de poids.

L’entreprise finlandaise Föyry a publié une étude montrant l’évolution des prix des écarts entre 2003 et 2013, en moyenne mensuelle, sur des données fournies par RTE. Sur cette période, le prix des ajustements négatifs est sensiblement supérieur au prix des ajustements positifs. Autrement dit, une prédiction inférieure à la valeur réelle (sous-nomination) est plus coûteuse en moyenne qu’une annonce supérieure à la quantité produite (sur-nomination). On pourrait alors penser que cela incite les producteurs à surestimer leur production, mais il s’agit ici d’une moyenne. De manière générale, l’idéal reste une prédiction parfaite sur le marché Day-ahead, afin de ne rien payer ensuite.

Outre l’objectif de réduire les coûts d’Imbalance, un aspect important pour les acteurs du marché électrique est de bien les évaluer pour définir leurs stratégies. Dans une situation d’achat d’énergie par exemple, évaluer ces coûts donne un élément consistant de plus pour étudier la rentabilité des contrats proposés par des vendeurs. En effet, il n’y a à priori pas de définition universelle des coûts d’Imbalance, donc bien estimer ces derniers est une première étape fondamentale. Et pour ce faire, les acteurs concernés ont à leur disposition des données telles que les volumes de génération énergétique, les caractéristiques météorologiques de la zone géographique concernée, ainsi que les prix historiques du marché.

Cette première étape d’évaluation des coûts passe donc par une exploration des prix, or la plupart des statistiques utilisées pour cette analyse sont unitaires (prix moyen de l’électricité annuel, coût moyen ou total d’Imbalance annuel, etc.). Mais il est important d’en avoir une vision plus large, plus étendue temporellement. Cela peut être fait en déterminant par exemple l’incertitude sur ces statistiques, au moyen de méthodes statistiques telles que le Boostrap – qui permet notamment de générer des échantillons de la moyenne annuelle des coûts d’Imbalance et d’en estimer la distribution.

Les données interviennent à plusieurs niveaux dans les solutions proposées face aux risques liés aux énergies renouvelables. Elles permettent d’une part d’estimer les coûts qui y sont liés, et d’améliorer les modèles de prédiction d’autre part. Ces problématiques s’inscrivent dans un contexte où la volonté d’une production énergétique plus respectueuse de la nature est claire. Ce développement croissant des EnR entraîne cependant une baisse du prix de l’électricité, principale rémunération de ces énergies, et constitue un nouveau risque de marché lié à ces dernières. Alors pour favoriser une production croissante de ces énergies, la prise en compte de cet effet dit effet cannibalisation, constitue une nouvelle problématique dans l’évaluation des risques des EnR.

Par Frank Tiokeng, consultant chez Square.