Prévoir la demande d’électricité : méthodes et précision
- L'horizon de prévision (heure, jour, année) change complètement les méthodes et la précision atteignable
- La température reste la variable explicative dominante ; une prévision météo médiocre ruine un bon modèle
- Les compétitions publiques montrent la force des combinaisons de modèles et des prévisions probabilistes
- Le photovoltaïque diffus et l'électrification des usages rendent la consommation plus difficile à prévoir
Un gestionnaire de réseau électrique doit, à chaque instant, équilibrer production et consommation. Pour s’y préparer, il prévoit la consommation de l’heure suivante, du lendemain, de l’hiver prochain et des quinze prochaines années. La prévision de la demande électrique est ainsi l’un des domaines les plus anciens et les mieux documentés de la prévision. Elle offre un terrain rare pour juger les méthodes : des données abondantes, une vérité mesurée chaque jour, et des compétitions publiques. Que montrent ces travaux ?
Quatre horizons, quatre problèmes
On ne prévoit pas de la même façon la consommation dans une heure et dans dix ans. La littérature distingue habituellement quatre horizons, avec des usages et des méthodes différents.
À très court terme, la consommation des dernières minutes est le meilleur prédicteur de la suivante : l’inertie domine. À court terme, jusqu’à une semaine, la météo et le calendrier expliquent l’essentiel des variations. Au-delà, la prévision devient une affaire de scénarios : croissance économique, efficacité énergétique, électrification du chauffage et des véhicules. Les méthodes de court terme ne s’appliquent plus.
La suite de cette synthèse porte surtout sur le court terme, de quelques heures à quelques jours, qui concentre les travaux publiés et les enjeux opérationnels quotidiens.
Ce qui explique la consommation
Les variables explicatives sont connues depuis longtemps et varient peu d’un pays à l’autre.
La température domine dans les pays où le chauffage ou la climatisation sont électriques. En France, où le chauffage électrique est répandu, RTE indique un ordre de grandeur d’environ 2 400 mégawatts de consommation supplémentaire par degré de baisse de la température en hiver. La relation n’est pas linéaire : elle s’aplatit aux températures douces et s’inverse quand la climatisation prend le relais. Les bâtiments réagissent aussi avec retard, ce qui oblige à utiliser des températures lissées sur plusieurs heures ou jours.
Le calendrier vient ensuite : heure de la journée, jour de la semaine, jours fériés, ponts, vacances scolaires, changement d’heure. Les jours fériés sont notoirement difficiles, parce qu’ils sont rares dans l’historique et que chacun a son propre profil.
La luminosité et la nébulosité pèsent sur l’éclairage et, de plus en plus, sur la production photovoltaïque installée chez les consommateurs. Cette production n’est pas toujours mesurée par le gestionnaire du réseau : elle apparaît comme une baisse de consommation, qui dépend de l’ensoleillement. C’est l’un des facteurs qui compliquent la prévision depuis une dizaine d’années.
Les familles de méthodes
| Famille | Principe | Forces | Limites |
|---|---|---|---|
| Régression multiple | Relier la consommation à la température, au calendrier et à leurs interactions | Interprétable, robuste, référence historique des gestionnaires de réseau | Demande un travail d’expert sur les variables et les non-linéarités |
| Séries temporelles (ARIMA, lissage exponentiel) | Prolonger les régularités de la série elle-même | Efficaces à très court terme | Intègrent mal la météo et les jours atypiques |
| Modèles additifs généralisés | Régression avec des effets non linéaires appris sur les données | Bon compromis entre précision et lisibilité | Paramétrage délicat |
| Arbres de décision boostés | Combiner des centaines d’arbres sur de nombreuses variables | Précis, capturent les interactions sans les spécifier | Moins lisibles, extrapolent mal hors des conditions connues |
| Réseaux de neurones | Apprendre la relation à partir de longues séries | Utiles avec beaucoup de séries (milliers de compteurs ou de postes) | Gourmands en données, difficiles à expliquer à un exploitant |
Ce que disent les compétitions
Les compétitions publiques sont la meilleure source pour comparer les méthodes, parce que tous les participants travaillent sur les mêmes données et sont jugés sur la même période. Les Global Energy Forecasting Competitions, organisées en 2012, 2014 et 2017 sous l’impulsion du chercheur Tao Hong et publiées dans l’International Journal of Forecasting, en sont la référence dans le domaine de l’énergie.
Trois enseignements reviennent. D’abord, le soin apporté aux données (choix des stations météo, traitement des jours fériés, nettoyage des anomalies) compte souvent plus que le choix de l’algorithme. Ensuite, les combinaisons de plusieurs modèles battent régulièrement le meilleur modèle isolé. Enfin, l’édition 2014 a déplacé le débat vers la prévision probabiliste : plutôt qu’un chiffre, fournir une distribution, par exemple les quantiles de 1 à 99 %, qui dit au gestionnaire quelle marge de sécurité prévoir.
Les compétitions généralistes de prévision, comme la série M organisée par Spyros Makridakis, aboutissent à des conclusions voisines : les méthodes combinées et hybrides dominent, et les méthodes d’apprentissage automatique appliquées sans travail sur les données ne garantissent pas un gain.
À l’échelle d’un pays, l’erreur de la prévision de consommation dépend souvent davantage de l’erreur de la prévision météo que du modèle de consommation lui-même. Améliorer l’entrée vaut parfois mieux que changer d’algorithme.
Mesurer la précision sans se tromper
La mesure la plus répandue est l’erreur absolue moyenne en pourcentage, ou MAPE. Elle est simple et parlante, mais elle a des défauts connus : elle pénalise différemment les surestimations et les sous-estimations, et elle devient instable quand la consommation est faible, ce qui arrive à l’échelle d’un poste ou d’un quartier.
Trois précautions rendent les comparaisons honnêtes. Toujours comparer à une prévision de référence simple, par exemple la consommation du même jour de la semaine précédente : un modèle qui ne la bat pas nettement n’apporte rien. Mesurer l’erreur sur une période non utilisée pour construire le modèle, et suffisamment longue pour inclure un hiver et un été. Enfin, distinguer l’erreur du modèle, calculée avec la météo observée, de l’erreur opérationnelle, calculée avec la météo prévue : seule la seconde correspond à ce que vivra l’exploitant.
Les ordres de grandeur publiés varient fortement selon l’échelle. Une consommation nationale, qui agrège des millions d’usagers, se prévoit à la veille avec une erreur de quelques pour cent. La consommation d’un poste de distribution ou d’un site isolé, beaucoup plus volatile, se prévoit bien moins précisément. Comparer des chiffres de précision sans préciser l’échelle et l’horizon n’a pas de sens.
Passer d’un chiffre à une distribution
La prévision probabiliste, mise en avant par les compétitions récentes, change la façon dont l’exploitant utilise la prévision. Une prévision ponctuelle annonce, par exemple, une pointe de consommation à une certaine valeur. Une prévision probabiliste dit en plus qu’il y a une chance sur dix de dépasser une valeur nettement plus haute, si la vague de froid se confirme. C’est cette seconde information qui permet de dimensionner les réserves, de décider d’un recours à l’effacement de consommation ou de reporter une opération de maintenance.
Produire une telle prévision suppose de propager les incertitudes : celle du modèle, mais surtout celle de la météo. Les services météorologiques fournissent des prévisions d’ensemble, qui simulent plusieurs dizaines d’évolutions possibles de l’atmosphère ; en les faisant passer par le modèle de consommation, on obtient une distribution de consommations possibles. La qualité d’une telle prévision se juge alors sur deux propriétés : la fiabilité (une valeur annoncée comme dépassée une fois sur dix doit l’être environ une fois sur dix) et la finesse (une distribution étroite vaut mieux qu’une distribution large, à fiabilité égale).
Pour l’exploitant, le passage au probabiliste est aussi un changement de culture : il faut décider à l’avance quel niveau de risque on accepte, et l’écrire dans les procédures. La technique ne tranche pas cette question à sa place.
Ce qui rend la prévision plus difficile
Plusieurs évolutions compliquent l’exercice. Le photovoltaïque diffus, on l’a vu, introduit une composante météo nouvelle. L’électrification des usages (pompes à chaleur, véhicules électriques) modifie les profils de consommation plus vite que les historiques ne s’accumulent. Les tarifs dynamiques et les dispositifs de pilotage des usages rendent la consommation sensible aux prix. Enfin, des chocs comme la crise sanitaire de 2020 ou la hausse des prix de l’énergie de 2022 ont rompu les régularités sur lesquelles reposaient les modèles, qui ont dû être corrigés.
Pour les distributeurs, la généralisation des compteurs communicants ouvre en revanche des possibilités : prévoir à l’échelle du poste ou du quartier, mieux anticiper les contraintes locales. C’est là que la prévision rejoint le jumeau numérique du réseau électrique, qui simule l’effet d’une charge prévue sur les lignes et les transformateurs.
Pour un exploitant : par où commencer
Un distributeur, une régie ou un grand site industriel qui veut améliorer sa prévision n’a pas besoin de commencer par le modèle le plus sophistiqué. La démarche la plus sûre consiste à établir une prévision de référence simple, à mesurer honnêtement son erreur, puis à ajouter progressivement des variables et des modèles en vérifiant à chaque étape le gain obtenu. Les données publiques des gestionnaires de réseau, comme celles de RTE sur éCO2mix ou la plateforme de transparence d’ENTSO-E, permettent de se comparer aux prévisions officielles.
C’est le type de démarche, outillée et vérifiable, que propose notre solution IA d’entreprise : des modèles construits sur vos données, évalués contre une référence, et dont l’exploitant comprend les ressorts.
- Hong, T. et al., Global Energy Forecasting Competition 2012, 2014 et 2017, International Journal of Forecasting.
- Makridakis, S. et al., compétitions de prévision M4 et M5, International Journal of Forecasting.
- RTE, éCO2mix : consommation, prévisions et données de sensibilité à la température.
- ENTSO-E, Transparency Platform : prévisions de charge publiées en application du règlement (UE) n° 543/2013.
Pour approfondir : IA d’entreprise · Jumeaux numériques
Questions fréquentes
Quelle est la variable la plus importante pour prévoir la consommation ?
La température, surtout dans les pays où le chauffage ou la climatisation sont électriques. Viennent ensuite le calendrier (jour de la semaine, jours fériés, vacances), l'heure, la luminosité et, de plus en plus, la production solaire derrière les compteurs.
L'apprentissage automatique est-il meilleur que les méthodes statistiques ?
Pas systématiquement. Dans les compétitions publiques, les meilleurs résultats viennent souvent de combinaisons ou de modèles hybrides, et d'un travail soigné sur les données. Un modèle de régression bien construit reste une référence difficile à battre à l'échelle d'un pays.
Comment mesurer la précision d'une prévision ?
L'erreur absolue moyenne en pourcentage (MAPE) est la plus courante pour une prévision ponctuelle. Pour une prévision probabilistique, on utilise des scores adaptés aux quantiles, comme la perte dite pinball. Il faut toujours comparer à une prévision de référence simple.