Un monde à la croisée des chemins

1. La météo

Comment déterminer à l’avance le prix en bourse d’un produit financier ? Si la réponse reste une martingale dans la plupart des cas, le marché électrique semble se distinguer. Bien que ce dernier ne déroge pas à la règle de l’équilibre offre-demande, sa spécificité réside dans l’inélasticité de la demande au prix de marché : vous et moi ne consommons pas en fonction de ce prix. Cette spécificité neutralise ainsi une partie de l’aléa psychologique des acteurs et rend possible la modélisation du prix. Pour autant, il existe bel et bien une part de variabilité importante qui réside à la croisée des chemins du secteur énergétique et météorologique. En terme de consommation électrique, l’Hexagone fait figure de référence pour illustrer le concept de la thermo-sensibilité : 1°C de moins en hiver entraîne une augmentation de la consommation de 2 300 MW (soit l’équivalent de deux réacteurs nucléaires) en France contre 5 000 MW sur toute l’Europe. Concernant l’offre et dans un contexte de transition énergétique, l’anticipation de la production issue des énergies renouvelables reste en grande partie dépendante des conditions météorologiques. L’électricité n’étant pas stockable – du moins pas en quantité suffisante à un prix réaliste – et la demande devant être satisfaite « à tout prix », l’intermittence de ces modes de production dicte le cours du marché. On comprend alors que la qualité de la prévision du prix passera d’abord par une prévision aussi bonne que possible de ses composantes météo-sensibles.

2. Le(s) métier(s)

S’il semble alors possible de prévoir le prix de l’électron grâce, notamment, aux prévisions météorologiques, les solutions apportées sont conditionnées par l’identification des besoins des différents protagonistes du marché. Traditionnellement, trois types d’acteurs sont actifs sur le marché : (i) les producteurs qui négocient et vendent la production de leurs centrales électriques, (ii) les négociants/traders qui souhaitent profiter des variations pour maximiser leurs gains en ligne avec leurs paramètres de risque et (iii) les fournisseurs qui doivent anticiper la consommation future de leurs clients et sécuriser, sur la durée des contrats, un approvisionnement à un coût en cohérence avec leurs objectifs de marge. Par ailleurs, de nouveaux acteurs émergent parmi lesquels nous pouvons citer les réseaux de recharge de véhicules électriques, les opérateurs d’effacement – valorisant la flexibilité de consommation – ou encore les opérateurs de micro-grids agrégeant des utilisateurs finaux. Tous les jours, ces acteurs, industriels comme financiers, doivent donc se positionner par rapport à leurs anticipations d’évolution de prix de l’électricité à court et moyen terme et arbitrer achats et ventes.

3. La data

Eu égard à la grande quantité de données employées, les techniques de Machine Learning sont au coeur des outils d’aide à la décision implémentés pour répondre au mieux à ces besoins.
Chacun de ces acteurs peut avoir des objectifs différents : recherche d’une erreur absolue minimum, comparaison par rapport au marché de gré à gré, recherche de modèles spécialisés dans des situations très particulières. Aussi la première mission qui consiste à traduire ce besoin – souvent très concret – en un problème mathématique est certainement l’une des plus importantes. D’où la nécessité de comprendre les enjeux de ce marché singulier. Viennent ensuite les étapes classiques au coeur du métier du data scientist parmi lesquelles la récupération et le nettoyage des données pertinentes (sans pour autant se laisser trop influencer par ses a priori pour éviter tout biais humain), la sélection d’une partie du spectre offert par l’intelligence artificielle (régression, classification, clusterisation), l’optimisation des modèles mathématiques, les simulations historiques, l’évaluation de la performance validant ou non sa mise en production. Maintenance, suivi de la qualité et amélioration du produit viennent boucler la boucle.

Après avoir réuni ce trio d’experts mais aussi après leur avoir consenti un certain temps – voire un temps certain – de réflexion, d’émulation, d’échec et de réussite, l’expérience montre qu’il est possible d’aboutir au tant espéré modèle d’intelligence artificielle. L’enjeu est alors de le rendre opérationnel en temps réel pour fournir ce qui a certainement le plus de valeur : des prévisions performantes et délivrées rapidement. Charge à vous de définir le « performant » et le « rapide ». Toujours est-il qu’il y a de fortes probabilités pour que votre trio ait sélectionné des données d’entrée pour votre modèle aussi diverses tant par leur format que leur provenance. Plus que d’espérer de la constance dans cette hétérogénéité pour ne pas chambouler vos processus, la condition nécessaire (mais pas suffisante) pour éviter les mauvaises surprises passe par la vérification systématique de l’intégrité de ces données d’entrée. Enfin, malgré tous les efforts et car il y a toujours des situations exceptionnelles, il subsistera toujours des erreurs. Le tout est de savoir les analyser et de s’adapter en conséquence. Savoir reconnaître quand on se trompe est louable mais n’oublions pas toutefois de profiter (humblement) des moments où le travail démontre qu’il porte ses fruits.

Thomas Gossot
Data Scientist

COR-e Logo

1 rue Hoche

83000 Toulon, France

client@cor-e.fr