Les centrales électriques virtuelles renforcent la flexibilité du réseau grâce à des stratégies d’enchères intelligentes
Dans un contexte de transition urgente vers la neutralité carbone, l’intégration des énergies renouvelables et des véhicules électriques (VE) dans les systèmes électriques constitue à la fois une nécessité et un défi de taille. Si les panneaux solaires et les VE promettent une énergie plus propre et décentralisée, leur variabilité intrinsèque présente des risques significatifs pour la stabilité du réseau. C’est ici qu’intervient la centrale électrique virtuelle (CEV) – un agrégateur numérique qui coordonne les ressources énergétiques distribuées pour fonctionner comme une centrale unique et pilotable. Une étude novatrice publiée dans Power System Technology démontre comment l’apprentissage automatique avancé peut considérablement améliorer la précision des enchères et la rentabilité des CEV sur les marchés de l’électricité de jour ahead.
Dirigée par Guoji Zhang et son équipe du Laboratoire clé de contrôle intelligent et propre du charbon et de l’électricité de l’Université de technologie de Taiyuan, cette recherche introduit un cadre novateur combinant la reconstruction de l’espace des phases et la régression par processus gaussiens (GPR) pour prédire « l’espace d’enchères » d’une CEV composée de systèmes photovoltaïques (PV), de flottes de VE et de stockage par batteries. Cette capacité prédictive permet aux opérateurs de CEV de soumettre des offres plus précises et compétitives, réduisant ainsi les écarts coûteux entre les volumes d’énergie programmés et ceux finalement retenus – un point sensible récurrent sur les marchés électriques réels.
Le concept d’« espace d’enchères » est au cœur de l’étude. Contrairement aux centrales électriques traditionnelles aux courbes de production fixes, la flexibilité opérationnelle d’une CEV est dynamique et variable dans le temps. Sa capacité à acheter ou vendre de l’électricité à toute heure donnée dépend de l’état collectif de ses actifs sous-jacents : le nombre de VE branchés, leur état de charge, la production solaire prévue et la capacité disponible des systèmes de stockage. Cette enveloppe multidimensionnelle – englobant les limites de puissance, les contraintes énergétiques et temporelles – définit la plage de fonctionnement réalisable de la CEV, ou « espace d’enchères ». Prévoir avec précision cet espace 24 heures à l’avance est crucial pour formuler une stratégie de marché rentable.
Historiquement, de nombreux modèles ont traité la disponibilité des VE et la production PV comme des variables indépendantes, ignorant leurs interdépendances temporelles complexes. Cette omission conduit souvent à des plans d’enchères trop optimistes, irréalisables physiquement, entraînant des pénalités financières pour déséquilibres. L’équipe de Zhang comble cette lacune en traitant l’ensemble de l’espace d’enchères comme une série temporelle chaotique – un système qui semble aléatoire mais contient des structures déterministes cachées. En appliquant le théorème de plongement de Takens, ils reconstruisent les données historiques unidimensionnelles dans un espace des phases de dimension supérieure, « déployant » efficacement l’attracteur qui régit le comportement du système. Cette technique, empruntée à la dynamique non linéaire, révèle des motifs invisibles dans les données brutes de séries chronologiques.
Une fois l’espace des phases reconstruit, les chercheurs déploient la régression par processus gaussiens – une méthode d’apprentissage automatique probabiliste et non paramétrique, bien adaptée aux petits ensembles de données et à la quantification de l’incertitude. Contrairement aux réseaux de neurones profonds qui nécessitent d’énormes volumes de données d’apprentissage et de longs temps de calcul, la GPR fournit non seulement une prédiction ponctuelle mais aussi un intervalle de confiance, permettant une prise de décision éclairée par le risque. Le modèle est entraîné sur des historiques de temps de branchement/débranchement des VE, de production PV et d’états de stockage, et il apprend à anticiper les limites de puissance et d’énergie réalisables pour chaque intervalle de 15 minutes du jour suivant.
La réelle innovation, cependant, réside dans la manière dont cette prédiction est intégrée au processus d’enchères sur le marché. L’équipe a développé un cadre d’optimisation en deux étapes. Dans la première étape, chaque CEV agit comme un enchérisseur stratégique, visant à minimiser son coût net de l’électricité (ou maximiser son profit) en soumettant des courbes prix-quantité qui reflètent son espace d’enchères prédit. Crucialement, cette étape modélise l’interaction compétitive entre plusieurs CEV comme un problème d’équilibre de Nash – chaque participant suppose que les stratégies des autres sont fixes et optimise en conséquence. Le résultat est un ensemble d’offres à la fois économiquement rationnelles et physiquement réalisables.
Dans la deuxième étape, un opérateur de marché simulé clearing le marché en utilisant un mécanisme de prix marginaux nodaux (LMP), garantissant que la dispatch final respecte les contraintes du réseau et l’équilibre du système. Le modèle pénalise les écarts entre l’offre soumise par la CEV et le programme retenu, imitant les frais de déséquilibre du monde réel. En couplant étroitement les couches de prédiction et d’optimisation, le cadre garantit que les offres de la CEV sont non seulement compétitives mais aussi fiables.
Pour valider leur approche, les chercheurs ont mené des simulations approfondies sur le système de distribution RBTS à 38 nœuds – un banc d’essai standard dans les études de systèmes électriques. Ils ont configuré quatre CEV distinctes à différents endroits du réseau, chacune avec un mix unique de VE, de PV et de stockage. En utilisant plus de 1 000 heures de données réelles de charge de VE et de production solaire, ils ont comparé leur modèle GPR amélioré par l’espace des phases aux réseaux de neurones à rétropropagation (BP) conventionnels et à une GPR de base sans reconstruction de l’espace des phases.
Les résultats sont convaincants. La méthode proposée surpasse systématiquement les deux benchmarks en termes de précision prédictive, en particulier pendant les périodes de transition critiques – comme le lever du soleil ou les pics de charge des VE en soirée – où des changements rapides de charge nette se produisent. Plus important encore, l’amélioration des prévisions s’est directement traduite par des bénéfices économiques. Les CEV utilisant le nouveau modèle ont réduit leurs coûts d’approvisionnement en électricité de jour ahead jusqu’à 7 % par rapport à celles utilisant les réseaux BP. Elles ont également subi significativement moins de réductions (curtailment) de la part de l’opérateur de marché, ce qui signifie que leurs offres étaient plus susceptibles d’être entièrement acceptées.
Une découverte particulièrement frappante a été l’efficacité du modèle même avec des données historiques limitées. Dans des scénarios avec seulement 300 points de données (soit environ 12 jours d’intervalles de 15 minutes), la GPR avec espace des phases a atteint des erreurs de prédiction bien en deçà du seuil de 10 % qui déclenche typiquement des pénalités de déséquilibre sur de nombreux marchés de l’électricité. Cela rend l’approche hautement pratique pour les nouveaux opérateurs de CEV qui manquent d’un historique opérationnel étendu.
Au-delà de l’économie, l’étude souligne la valeur stratégique de la charge bidirectionnelle des VE. Lorsque les VE sont autorisés à injecter de l’énergie vers le réseau (V2G), ils deviennent des actifs de flexibilité puissants. Les simulations ont montré que les CEV avec des flottes compatibles V2G pouvaient arbitrer les différences de prix – en chargeant pendant les heures creuses nocturnes à bas prix et en déchargeant pendant les pics de l’après-midi – réduisant ainsi la dépendance au réseau principal et améliorant l’intégration des renouvelables locales. Cette capacité est particulièrement précieuse dans les régions à forte pénétration solaire, où la production de midi dépasse souvent la demande locale, provoquant un effondrement des prix, tandis que les rampes du soir sollicitent fortement les générateurs conventionnels.
Les implications pour les gestionnaires de réseau sont tout aussi significatives. Alors que de plus en plus de CEV adoptent de telles stratégies d’enchères intelligentes, la prévisibilité globale et la pilotabilité des ressources distribuées s’améliorent. Cela réduit le besoin de réserves tournantes coûteuses et facilite une plus grande pénétration des renouvelables sans compromettre la fiabilité. De plus, en alignant la charge des VE sur les besoins du réseau, cette approche contribue à aplanir la fameuse « courbe de canard », soulageant la pression sur les centrales thermiques lors des montées en puissance rapides du soir.
D’un point de vue politique, la recherche souligne l’importance de règles de marché qui récompensent la précision et la flexibilité. Les marchés de l’électricité actuels pénalisent souvent les déséquilibres mais offrent des incitations limitées pour des prévisions précises. Le succès du modèle de Zhang suggère que les régulateurs pourraient encore améliorer l’efficacité du marché en introduisant des mécanismes qui récompensent les CEV pour la soumission d’offres fiables – peut-être par le biais de frais de déséquilibre réduits ou de droits de dispatch prioritaires.
Pour la suite, l’équipe reconnaît que le déploiement réel nécessitera de prendre en compte des couches supplémentaires d’incertitude – pas seulement dans la disponibilité des ressources mais aussi dans le comportement des participants au marché et les événements météorologiques extrêmes. Leur prochaine étape est de développer un modèle d’enchères robuste qui tienne explicitement compte de la nature stochastique de l’espace d’enchères, en utilisant potentiellement une optimisation robuste distributionnelle ou une programmation stochastique basée sur des scénarios.
Néanmoins, ces travaux représentent un bond en avant majeur dans l’intelligence opérationnelle des centrales électriques virtuelles. En fusionnant des concepts issus de la théorie du chaos, de l’apprentissage automatique et de l’économie de marché, Zhang et ses collègues ont créé un cadre à la fois théoriquement rigoureux et pratiquement viable. Alors que les marchés de l’électricité dans le monde évoluent pour s’adapter à un avenir décentralisé et décarboné, de telles innovations seront indispensables.
Pour les utilities, les agrégateurs et les décideurs politiques, le message est clair : l’avenir de la flexibilité du réseau ne réside pas seulement dans plus de batteries ou des onduleurs plus intelligents, mais dans des algorithmes plus intelligents capables de libérer le plein potentiel des actifs existants. Et avec cette étude, la voie à suivre est devenue nettement plus claire.
Rédigé par Guoji Zhang, Yanbing Jia, Xiaoqing Han et Ze Zhang du Laboratoire clé de contrôle intelligent et propre du charbon et de l’électricité (Université de technologie de Taiyuan), ministère de l’Éducation, Taiyuan 030024, province du Shanxi, Chine. Publié dans Power System Technology, vol. 48, n° 9, septembre 2024. DOI : 10.13335/j.1000-3673.pst.2024.0234.