conférence technoark 2016 - 06 alpiq

Modèles et algorithmes pour l’optimisation énergétique au Trading

Andreas Poncet

Optimisation énergétique / A. Poncet 2

Contenu

• Contexte: les marchés de l’électricité au quotidien

Focus: Valoriser la flexibilité énergétique grâce au stockage

Illustré ici par des ouvrages hydro-électriques

[ALPIQ hydro: env. 2’500 MW, 5’000 GWh/an]

• Challenge 1: Comment anticiper la valeur «instantanée»(horaire) des besoins énergétiques?

• Challenge 2: Comment gérer l'allocation horaire des ressources de production?

• Challenge 3: Comment atténuer l’impact de l'incertitudeliée aux intermittences?

• Conclusions


Blenio, TI

– Contexte –


Les fondamentaux de l'électricité en CH

En partie prévisibles – mais seuls certains sont influençables

Démographie MacroéconomiePolitique Marchés énergieFluctuations

météo

Disponibilité des interconnections

Volume et Prix d’électricité(adéquation offre/demande)

Consommation Production(mix)

Impact écologique et économique

Equilibrage continuel


influences macros

Contexte:Les marchés de l’électricité au quotidien

L’équilibre exact en temps réel nécessite une longue préparation:

forwards: marché à terme via contrats, brokers et bourses (EEX)

day-ahead: marché en J-1 via bourses (EPEX)

intraday: marché jusqu’à H-1 via bourses et en bilatéral

SDL: ajustement d’écarts via gestionnaire réseau

Rôle du Trading (négoce): Valoriser la flexibilité énergétique

[Larousse]: action de donner plus de valeur (par opposition à gaspiller)

Ici: illustré dans le cas des ouvrages de stockage hydro-électriques

t-3 ans … -1 mois -1 semaine J-1 H-1 0

prévisions météo météo locale


– Challenge 1: Anticiper la valeur horaire des besoins énergétiques –

Zervreila, GR


Comment anticiper la valeur horaire des besoins énergétiques?Modélisation des attentes par le marché

Tout d’abord: Pour suivre continuellement le besoin/l’insuffisance,

quelle «mesure globale» est disponible?

Prix = signal horaire de carence… MAIS: disponible qu’en J-1!

⇒ Approche: Construction de courbe de prix horaires (ou ¼-h)

basée sur les forwards = consensus de différents acteurs(≠ prognostic individuel)

• Forwards disponibles aujourd’hui = mesures partielles du marché

horizon, granularité et profil sont limités

• Développement de propres algorithmes pour estimer le reste de l’«état» du marché

saisonnalités, jours fériés, météo, disponibilité du parc, etc.


Construction de courbes de prix horaireDécomposer, filtrer, recomposer

Nécessite: traitement de grandes quantités de données, fonctions mathématiques complexes comme traitement du signal, opérations sur des matrices de millions d’éléments(utilisation de MATLAB)

Composante résiduelleComposantes de saisonnalité

Spikes

Fériés /Surabon-dance

annuel

hebdomadairequotidien

Pri

x (

norm

alisé)


Construction de courbes de prix horaireExemple: anticipation marché de mi-déc 2014 sur l’année 2015

Jan 2015 Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec0

20

40

60

80

0

20

40

60

80

Tic

k F

orw

ard

Price

[EU

R/M

Wh]

Jan 2015 Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec0

20

40

60

80

0

20

40

60

80Forw

ard

Price

[EU

R/M

Wh]De…

à… 8’760 valeurs horaires(ici: 24 courbes = heures 1 à 24)

Prix forwards de 16 produits base et peak (ce jour-là)

2*2 semaines

2*2 mois3*2 trimestres 1*2 années


– Challenge 2: Gérer l'allocation des ressources de production –

Hongrin, VD


Comment gérer l'allocation horaire des ressources de production?

Eléments - continuellement remis à jour - pour la modélisation:

- prix horaires (attendus / expected values)

- niveaux de stockage actuels, apports attendus (expected inflows)

- contraintes opérationnelles (unités de production, réservoirs)

- révisions planifiées

⇒ Approche: Gestion d’un ouvrage via des optimisations mathématiques (optimal control problem)

Modélisation de la physique des ouvrages et de leurs contraintes opérationnelles

Horizon d’optimisation > 2 ans:

« course contre la montre » (serveur de p.ex. 64 processeurs)


Gestion d’un ouvrage via des optimisations: Modélisation de contraintes physiques: exemples

Eau c

onsom

mée

[m3/M

Wh]

Pro

duction [

MW

]

Temps [h]

Tmin production

Tmin repos

Production min

Rampe max

0

Limites à la «flexibilité»: contraintes opérationnelles

⇒ nécessite un modèle mixte (variables continues et variables entières)

Combien d’eau est «consommée» pour produire1 MWh?

⇒ dépendence non-linéairep.r. à la puissance de production et au contenu du réservoir

Optimisation énergétique / A. Poncet 13Q1 2015 Q2 Q3 Q4

0

2

4

x 107

0

2

4

x 107

Reserv

oir

Gestion d’un ouvrage via des optimisationsExemple déterministe à titre d’illustration

-200

-100

0

30.03. 06.04. 13.04. 20.04. 27.04. 04.05.2015

-200

-100

0

Pom

page

0

100

200

30.03. 06.04. 13.04. 20.04. 27.04. 04.05.20150

100

200

Pro

duction

Cycle annuel(apports naturels)

Cyclehebdomadaire

Contraintes max de production

Contraintes min de pompage

Contraintes min/max du réservoir


– Challenge 3: Atténuer l’impact de l’incertitude liée à l’intermittence –

Maggia, TI (Lago del Naret)


Comment atténuer l’impact de l'incertitudeliée à l’intermittence de la demande résiduelle?

Demande résiduelle = Consommation – (production intermittente)

c’est-à-dire le déséquilibre qui doit être compensé par la flexibilité

1) Gestion continue = séquence de décisions

• dépendantes

• soumises à l’incertitude (demande résiduelle, météo,apports d’eau, prix futurs, …)

⇒ Approche: Utilisation d’algorithmes probabilistes(p.ex. stochastic dynamic programming, scénarios)

2) Représentation de la flexibilité d’un parc d’ouvrages par des options (extension d’un concept des mathématiques financières)

Option = opportunité de prendre sa décision «au dernier moment»

⇒ Approche: Gestion du parc de stockage en tant que portefeuille d’options


Gestion du parc de production en tant que portefeuille: Alternatives

• Position gardée ouverte face à l’incertitude (‘‘wait-and-see’’)⇒ spéculation, exposition totale au risque

• Elimination (statique) de l’incertitude:fermeture des positions par couverture fixe à terme (hedging)⇒ sécurisation, mais perte de valeur de la flexibilité

• Mieux: Neutralisation (dynamique) de l’incertitude:ré-équilibrage des positions (delta hedging)⇒ préservation de la valeur de la flexibilitéMais: Effets d’échelle/de foisonnement seulement à partir d’une grande taille de portefeuille!

Premium d’option (volatilité) = signal mesurant l’incertitude

Echanger (acheter/vendre) de l’incertitude: p.ex. via

• option swing de production (capacité flexible)• options sur la température, la force du vent, etc.


Vue d’ensemble: Flux d’information

Modèles

Constructionscénarios horaires

Prix marchés

Données météo

Mesuresconsom, etc.

Mesures Contraintes

Modèles

Optimisation production

Modèles

Optimisation risque

(portefeuille)

Positions de production

Positions de couverture

Fonda-mentaux

Ouvrages production


Conclusions

• Défi: gérer la production flexible du parc d’ouvragesen tant que ressources limitées (optimisation)capables de compenser au mieux l’intermittence (portefeuille d’options)

• Concepts de base fournis par les théories mathématiques: pour une valorisation rigoureusement optimale de ces ressources

• En réalité et en tenant compte des contraintes pratiques: développer les modèles/algorithmes est un aspect métier clé

• L’évolution des outils logiciels pour implémenter ces algorithmes et traiter ainsi le flux croissant de donnéesnous permet d’aller toujours plus loin…(exemple: mesures météo par drones)

Andreas Poncet

[email protected]

Merci de votre intérêt

conférence technoark 2016 - 06 alpiq

Technology