Recherche et données

Méthodologie, fiches de modèles et historique réel

Chaque prévision est figée à son émission et évaluée une fois les prix réels connus. Cette page explique la méthode, montre cet historique réel et donne à chaque modèle une fiche avec ses entrées, son entraînement, son évaluation et ses limites.

Historique réel

Erreur moyenne quotidienne de chaque prévision figée dont les heures sont maintenant connues, toutes zones. Plus c'est bas, mieux c'est.

ProduitZone

Calcul…

Méthodologie d'évaluation

Données

Prix, charge, production, réservoirs, flux et équilibrage proviennent de la plateforme de transparence ENTSO-E, de l'Energi Data Service d'Energinet, du Baltic Transparency Dashboard et, pour la Grande-Bretagne, d'Elexon ; les prévisions météo d'Open-Meteo. Chaque valeur est stockée avec son heure de publication, de sorte qu'un modèle n'est jamais entraîné que sur ce qui était connu à l'époque.

Prévisions figées

Chaque prévision est inscrite dans un registre en ajout seul avec son heure d'émission, avant l'enchère qu'elle prévoit. Rien n'y est modifié ensuite ; les prix réels y sont ajoutés lors de leur publication.

Backtests walk-forward

Les tests historiques réentraînent le modèle sur les données jusqu'à chaque période de test et ne prévoient que la période suivante, comme le modèle aurait été utilisé. Ces résultats sont étiquetés rétrospectifs ; le registre réel en est la preuve prospective.

Indicateurs

Erreur absolue moyenne de la prévision médiane, qualité face à la persistance (demain comme aujourd'hui) ou à la prévision du GRT, et part des valeurs réelles dans l'intervalle à 80 %. La médiane de chaque modèle est ensuite corrigée de la moitié de son écart typique par zone, heure et horizon sur les 60 derniers jours non utilisés à l'entraînement, et les intervalles sont calibrés par régression quantile conformalisée sur ces mêmes jours. Tout est vérifié sur des données que le modèle n'a pas vues.

Limites

Les modèles apprennent du passé ; les changements de régime (nouvelles interconnexions, synchronisation, chocs sur les combustibles) les dégradent jusqu'à ce qu'il y ait assez de données nouvelles. Les erreurs sont publiées pour chaque zone, y compris là où les modèles font moins bien que des références simples.

Fiches de modèles

À quoi sert chaque modèle, ce qu'il utilise, comment il a été entraîné et testé, et où il ne faut pas s'y fier.

Modèle de prix par gradient boosting (gbm)

Objet:: Quantiles horaires des prix day-ahead (10/50/90 %) pour le lendemain, le surlendemain et les jours 3 à 7, par zone.
Entrées:: Prix récents, prévisions de charge et d'éolien/solaire des GRT, prévisions météo, calendrier, niveaux des réservoirs pour les zones hydrauliques et prix d'enchère connus pour le jour 2.
Entraînement:: Modèles quantiles de gradient boosting par histogrammes (scikit-learn) réentraînés sur une fenêtre glissante ; médiane corrigée de la moitié de son écart récent hors échantillon par zone, heure et horizon (dans un test walk-forward 2023-2026, l'erreur a baissé de 1,4 %) ; intervalles calibrés par régression quantile conformalisée.
Évaluation:: Backtest walk-forward depuis 2022 et registre réel figé, face à la persistance.
Limites:: Les pics au-delà de l'historique récent sont sous-estimés ; les changements de régime demandent des semaines de nouvelles données.

Modèle de prix neuronal (qnet)

Objet:: Les mêmes quantiles par un réseau feed-forward, comme second avis indépendant.
Entrées:: Comme gbm.
Entraînement:: Perte quantile (pinball), arrêt précoce sur une période de validation ultérieure ; même correction de la médiane et même calibration que gbm.
Évaluation:: Comme gbm ; affiché à côté sur les pages de précision.
Limites:: Plus sensible aux changements d'échelle des entrées (par exemple si un GRT modifie l'échelle de sa prévision).

Référence de persistance

Objet:: Référence : les heures de demain sont égales à celles d'aujourd'hui.
Entrées:: Derniers prix day-ahead connus.
Entraînement:: Aucun.
Évaluation:: Évaluée dans le même registre.
Limites:: Ignore la météo et le calendrier ; la barre que chaque modèle doit franchir.

Référence hebdomadaire (weekly)

Objet:: Référence : chaque heure égale la même heure une semaine plus tôt.
Entrées:: Prix day-ahead de la semaine précédente.
Entraînement:: Aucun.
Évaluation:: Évaluée dans le même registre.
Limites:: Ne capte que le rythme hebdomadaire ; manque les changements de météo et de combustibles depuis.

Production éolienne et solaire apprise (mlp, tcn, hybrid, *_multi)

Objet:: Production éolienne et solaire de la zone pour le lendemain, à tester face à la prévision du GRT.
Entrées:: Prévisions météo de la veille pour une ville ou plusieurs points par zone (rayonnement, vent à 10/100 m, température, précipitations) ; hybrid ajoute la forme de la prévision du GRT.
Entraînement:: Réseaux quantiles entraînés en walk-forward par trimestre sur des données antérieures uniquement.
Évaluation:: Erreur moyenne en part de la taille du parc, qualité vs GRT, couverture à 80 %, par zone.
Limites:: Toutes zones confondues, ils ne battent pas encore les GRT ; quand le « réalisé » publié est lui-même une estimation, le test est signalé comme non équitable.

Filtre batterie

Objet:: Revenu par MW de l'arbitrage day-ahead et des réserves par zone et par année ; VAN, TRI et temps de retour du projet.
Entrées:: Prix day-ahead, prix de réserve Energinet (FCR-N, FCR-D, aFRR, mFRR), prix de déséquilibre, part captée par la prévision issue du backtest.
Entraînement:: Programmation dynamique quotidienne exacte avec pertes et coût d'usure ; aucun paramètre ajusté.
Évaluation:: Valeur a posteriori pondérée par la part que nos prévisions ont réellement captée.
Limites:: Pas d'infrajournalier, ni tarifs réseau ni taxes ; les prix de réserve baltes sont une hypothèse.

Modèle de capture PPA

Objet:: Taux de capture et exposition aux prix négatifs à mesure que la pénétration éolienne ou solaire augmente.
Entrées:: Prix horaires, production mesurée ou prévue par le GRT et charge par zone et par année depuis 2019.
Entraînement:: Moindres carrés avec constantes par zone et une pente commune par technologie.
Évaluation:: R² sur les zones-années ; projections ancrées sur la dernière année de chaque zone.
Limites:: Linéaire en pénétration ; ignore le stockage et la flexibilité de la demande qui ralentiraient la baisse.

Scénarios de sécurité d'approvisionnement

Objet:: Effet prix d'une année sèche et exposition aux pannes d'interconnexion.
Entrées:: Niveaux des réservoirs, prix hebdomadaires, flux physiques et charge.
Entraînement:: Régression hebdomadaire avec effets mensuels (année sèche) ; statistiques de flux (panne).
Évaluation:: R² indiqué avec chaque résultat.
Limites:: Pas une simulation de marché : pas de redispatching, pas de marges de capacité.

Estimations de filtrage à partir de données de marché publiées, pas un conseil en investissement. L'historique est rétrospectif ; les chiffres prospectifs suivent les hypothèses indiquées.