AleaSoft Energy Forecasting, 6 mars 2026. Sur les marchés de l’électricité, de nombreux modèles fondamentaux échouent non pas à cause de la physique du système, mais parce qu’ils ne reproduisent pas l’équilibre réel qui fixe le prix. Une approche hybride combinant une structure fondamentale avec des modèles statistiques, l’intelligence artificielle et l’apprentissage automatique permet de saisir les dynamiques temporelles, les non-linéarités et les changements de régime, améliorant ainsi le signal de prix et sa distribution pour les décisions d’investissement et de couverture.
Sur les marchés de gros de l’électricité, le principal défi de nombreux modèles fondamentaux ne réside pas dans le calcul d’un « merit order » techniquement correct, mais dans la reproduction de l’équilibre du marché qui finit réellement par fixer les prix à long terme. La clé réside dans le fait que, sur un marché marginaliste, le prix n’est pas synonyme de coût, mais le résultat des courbes agrégées de l’offre et de la demande, de la technologie marginale qui fixe le prix, du degré de pénurie à chaque heure et, surtout, des prix qui, à long terme, rendent rentable l’investissement dans de nouvelles centrales de production et rendent le coût acceptable pour les consommateurs.
Lorsque le modèle se limite à un ordre de mérite horaire, ou toutes les 15 minutes, il a tendance à sous-estimer les épisodes de pénurie, les écarts horaires, les files d’attente de distribution, les changements de régime qui dominent une grande partie du comportement observé et, plus critique encore, à perdre la vision à long terme nécessaire pour prédire les prix qui rendent le marché durable.
Prévisions des prix sur 15 ans réalisées en octobre 2010 pour le marché ibérique de l'électricité.Source : AleaSoft Energy Forecasting.
Les offres d’achat et de vente sur les marchés électriques
Les modèles fondamentaux reproduisent les offres de vente des producteurs et les offres d’achat des consommateurs et des distributeurs. Chaque acteur du marché a sa propre stratégie, influencée par des facteurs tels que la politique du groupe d’entreprises, les couvertures et les objectifs à long terme, qui varient considérablement d’un acteur à l’autre. Tenter de modéliser leur comportement selon des critères communs ne reflète pas correctement la réalité.
L’un des points les plus critiques est le traitement de l’offre hydraulique. Dans la pratique, l’hydraulique, et en partie aussi d’autres technologies à forte composante stratégique, ne sont pas proposées comme un simple coût marginal. Il existe une optimisation à moyen et long terme basée sur la valeur de l’eau stockée, les attentes, les contraintes et les décisions stratégiques. Si le modèle ne représente pas cette « économie de l’eau » et son interaction avec le reste du système, l’équilibre qui en résulte est biaisé et le prix modélisé s’écarte, en particulier dans les situations de tension du système.
À cela s’ajoute une modélisation de la demande et de la flexibilité souvent trop déterministe. La demande nette, c’est-à-dire l’énergie demandée au réseau, dépend du climat et du calendrier, mais aussi de facteurs tels que l’activité économique et la réponse implicite du système, y compris l’autoconsommation, le pompage et les interactions industrielles. Lorsqu’un modèle fondamental est rigide, il a tendance à lisser les pentes, à ne pas bien reproduire les pics et à perdre le signal de pénurie qui finit par faire évoluer le prix aux heures clés.
Les frictions du système complètent le tableau. Une partie importante de la formation des prix réels résulte de congestions internes, de restrictions techniques, d’indisponibilités et de limites d’interconnexion et de leur utilisation effective. Si ces éléments sont introduits sous forme d’approximations simples ou traités de manière trop agrégée, le modèle peut conserver sa cohérence technique, mais s’écarter de l’équilibre observé. Et surtout, le cadre réglementaire et les micro-changements opérationnels agissent comme des déclencheurs de nouveaux régimes : les changements de règles, de péages, de mécanismes, de limites, de taxes ou de critères opérationnels modifient l’équilibre et imposent des recalibrages qui, s’ils ne sont pas effectués rapidement, conduisent le modèle fondamental à « mal expliquer » le nouvel environnement.
Les modèles hybrides
Face à ces limites, AleaSoft Energy Forecasting soutient que l’avantage ne réside pas dans « l’utilisation de l’IA pour l’IA », mais dans la combinaison d’une structure causale et de l’apprentissage du marché à l’aide d’une méthodologie hybride. Dans cette approche, le modèle fondamental sert de base pour saisir les principaux facteurs (pénétration des énergies renouvelables, combustibles et CO₂, interconnexion, hydraulique, indisponibilités) et donner de la cohérence aux scénarios à long terme liés aux plans de transition, aux fermetures et aux nouvelles entrées de capacité, au stockage, demande et électrification.
La composante statistique des modèles hybrides apporte ce que le modèle fondamental ne peut pas saisir : la dynamique temporelle. Les techniques de la famille Box-Jenkins, telles que ARIMA/SARIMA, permettent de modéliser l’autocorrélation, les saisonnalités horaires, hebdomadaires et annuelles, ainsi que la persistance typique des prix et des spreads. De cette manière, les inerties et les schémas récurrents, par exemple les rafales de vent ou les régularités de la demande, qui ne sont pas reproduits par un ordre de mérite essentiellement statique, sont pris en compte.
Sur cette base, l’intelligence artificielle et les algorithmes d’apprentissage automatique sont utilisés pour saisir les non-linéarités, les interactions et les changements de régime difficiles à paramétrer. Les relations entre les variables sur les marchés de l’énergie sont hautement non linéaires, elles dépendent du niveau de production, de l’heure, de la demande, du mix thermique, de l’état hydrologique et de l’interconnexion. De plus, les réseaux neuronaux sont capables d’apprendre des combinaisons critiques, telles que des hausses simultanées du CO₂ et du gaz avec une baisse de la production éolienne et des réservoirs à faible niveau, qui modifient la distribution des prix plus que tout autre facteur isolé. Entraîné avec des fenêtres et des variables appropriées, le modèle s’adapte mieux aux changements structurels sans perdre l’équilibre du marché à long terme.
L’objectif final est de fermer l’« équilibre de facto » du marché : détecter les biais systématiques des modèles fondamentaux et les corriger à l’aide de modèles statistiques et d’apprentissage automatique jusqu’à obtenir un prix qui respecte l’équilibre observé, et pas seulement l’équilibre technique. Pour l’utilisateur final des prévisions, l’impact se traduit par ce qui importe le plus pour la prise de décision : une meilleure représentation de l’incertitude (P10/P90) et de la volatilité horaire, éléments clés pour évaluer les projets de stockage BESS, l’hybridation, le DSCR et les covenants, une meilleure estimation des prix capturés et de la cannibalisation solaire et éolienne, et une plus grande cohérence sur le long terme.
Perspectives des marchés énergétiques en Europe. Printemps 2026
Le 64e webinaire mensuel organisé par AleaSoft Energy Forecasting aura lieu le 12 mars 2026 à 12h00 CET et portera sur l’analyse de l’évolution récente des marchés de l’énergie en Europe, les prévisions pour le printemps et les événements clés qui influenceront le secteur en 2026. La réunion abordera les changements réglementaires les plus significatifs, ainsi que le rôle de plus en plus important du stockage d’énergie et des marchés de capacité dans un système électrique caractérisé par une pénétration croissante des énergies renouvelables et une volatilité des prix accrue.
Dans ce contexte, AleaStorage fournit des solutions avancées pour optimiser, analyser les revenus et structurer des projets de stockage et des systèmes hybrides liés aux énergies renouvelables, dans le but de maximiser la valeur et la rentabilité des actifs.
L’événement comptera une nouvelle fois sur la présence de spécialistes d’EY, qui apporteront leur expertise en matière de réglementation, de financement de projets renouvelables et de stockage, d’accords PPA, d’autoconsommation et d’évaluation d’actifs et de portefeuilles énergétiques.
Source: AleaSoft Energy Forecasting.