Gestions des prévisions durant le Covid-19

·

Introduction

Les prévisions des consommations et des prix font partie intégrante des processus de décision pour les fournisseurs d’énergie. Les coûts liés à la sur ou à la sous-consommation, puis au trading sur les marché de gros sont généralement très élevés.

Afin de rester compétitifs, les fournisseurs d’énergie utilisent pour la plupart des modèles de Machine Learning pour faire des prévisions plus précises et minimiser leurs coûts d’équilibrage. En période de forte transformation, ces modèles construits à partir de données historiques sont remis en question par les changements structurels. Comment le secteur de l’énergie peut-il utiliser le Machine Learning pour rester compétitif en période de changement structurel causé par la COVID-19 ?

L’un de nos partenaires pour les prévisions, Tangent Works, nous en dit plus sur la manière dont son outil TIM (Tangent Information Modeler) relève ce défi.

Prévisions dans le monde de l’énergie

Il existe plusieurs types de prévisions utilisées par les fournisseurs d’énergie pour maintenir leur activité et améliorer leurs résultats. Le marché de l’énergie est très concurrentiel pour les fournisseurs. Pour garder une longueur d’avance, ils doivent prévoir avec précision les prix de l’énergie et estimer la consommation future de leur portefeuille de clients.

L’une des prévisions principales, ou prévision des prix, est nécessaire pour optimiser le trading  sur les différents marchés de l’énergie. Ces marchés se caractérisent par des fluctuations de prix très importantes. En anticipant correctement ces fluctuations, un fournisseur d’énergie peut améliorer directement ses marges sur les contrats de ses clients.

Deuxièmement, un fournisseur d’énergie est tenu de maintenir un équilibre sur le réseau pour son portefeuille de clients. Une sur- ou sous-estimation de la demande entraînera la facturation de coûts de déséquilibres au fournisseur par le gestionnaire de réseau. Pour acheter la bonne quantité d’énergie et minimiser ses coûts de déséquilibres, le fournisseur s’appuie sur des modèles de prévision qui prennent en compte les historiques de consommation des clients pour estimer la demande future.

Machine Learning & changements structurels

Les données de consommation et les prix de l’énergie sont de bons exemples de données présentant des saisonnalités récurrentes et des patterns visibles. Les modèles habituels de Machine Learning sont excellents pour identifier ces tendances et fournir des prévisions précises. Les fournisseurs d’énergie s’appuient de plus en plus sur ces modèles pour améliorer leurs prévisions, mais ils présentent néanmoins certains inconvénients.

Dans le secteur de l’énergie, il n’est pas rare que des changements structurels aient lieu. Les nouvelles capacités de production d’énergie ou des changements inattendus de la demande créent souvent des patterns différents dans les données. Dans ces situations, la performance des modèles de Machine Learning est remise en question car ils fonctionnent avec des valeurs historiques.

Afin de continuer à faire des prévisions de bonne qualité et d’atténuer les risques liés aux changements structurels, les fournisseurs d’énergie devront continuellement adapter leurs modèles. Mais dans la pratique, il est impossible de toujours raffiner les modèles en continu. Une autre solution est nécessaire pour garantir des prévisions précises.

Les entreprises qui s’appuient sur des modèles de prévision “manuels” sur Excel ou d’autres solutions sont encore plus mal loties que celles qui s’appuient sur des modèles de Machine Learning. Les différences entre les différentes approches de modélisation sont examinées en détail dans notre précédent blog:

La prévision adaptative pour répondre au COVID-19

Le moteur de construction de modèles de Tangent Works, TIM (Tangent Information Modeler), prétend générer et appliquer des modèles de prévision adaptative de haute qualité pour des time series en quelques secondes seulement, ce qui signifie que TIM surmonte les défis posés par les changements structurels (Tangent Works, 2018). Comment TIM y arrive-t-il?

De multiples aspects innovants se conjuguent pour parvenir à la solution. Tout d’abord, contrairement aux techniques de modélisation artisanales et à l’AutoML, TIM automatise le feature engineering. TIM va même plus loin, en unifiant feature engineering, la création et le déploiement du modèle (c’est-à-dire l’application du modèle en production) en une seule étape.

La technologie qui permet d’atteindre cet objectif est appelée RTInstantML (real-time instant Machine Learning). Cette automatisation poussée permet aux utilisateurs d’entrainer un nouveau modèle pour chaque prévision souhaitée, élimine le besoin de concevoir et de construire des modèles au préalable tout en garantissant l’utilisation de modèles optimisés pendant les périodes de disponibilité de caractéristiques variables. Le RTInstantML aide ainsi à surmonter les difficultés liées aux changements structurels dans les prévisions, grâce à l’ingénierie de caractéristiques ad hoc et à la construction de modèles à la demande.

Un exemple récent : Sur la figure 1, nous voyons l’impact des mesures COVID-19 (telles que les confinements) sur la charge du réseau. Avec des modèles de prévision adaptatifs tels que la solution RTInstantML de TIM, les fournisseurs d’énergie peuvent éviter de surestimer la demande énergétique de leur portefeuille de clients et réduire ainsi leurs coûts de déséquilibres.

Figure 1.  Charge du réseau d’Elia sur la période janvier – avril – L’impact du changement structurel de la demande
Ligne bleue = moyenne sur 5 ans
Ligne verte = valeurs 2020 avant les mesures COVID-19
Ligne rouge = valeurs 2020 après les mesures COVID-19

Sur la figure 2, on peut voir l’évolution des prix sur la bourse Belpex avant (en noir) et après (en rouge) la mise en œuvre des mesures COVID-19 en Belgique. Nous voyons clairement apparaître un nouveau pattern, où de fortes baisses de prix sont plus probables. Cette volatilité augmente la pression sur les fournisseurs d’énergie qui tentent de maintenir leurs marges. Grâce à la prévision adaptative, ces nouvelles informations seront rapidement envoyées au modèle et pourront être utilisées pour anticiper ces fluctuations de prix.

Figure 2. L’évolution des prix électricité spot sur la bourse Belpex (Jan. 2020-Apr.2020)

Dans les périodes où il y a une différence significative entre les valeurs nouvelles et les valeurs historiques, les modèles habituels de Machine Learning deviennent inutiles. RTInstantML permet aux fournisseurs d’énergie de prendre en compte instantanément les nouvelles conditions du marché et d’éviter des coûts importants de déséquilibre et des fluctuations de prix inattendues. Les capacités de prévision adaptative fournies par TIM peuvent aider les fournisseurs d’énergie à rester compétitifs en période de perturbation.

Comme nous l’avons mentionné dans notre précédent blog sur les prévisions, nous avons intégré cette solution dans notre propre plateforme SaaS pour la gestion des opérations gaz et électricité. Nous serons heureux de discuter des avantages de cette solution si vous êtes intéressés !