Prévision rétrospective utilisant des données de grille provinciales et un modèle hybride Physique-IA basé sur des quotas

Résumé

Cette étude propose un modèle hybride de prévision des coûts pour les réseaux électriques qui combine des quotas de coûts physiques avec des ajustements dynamiques macroéconomiques et technologiques, ainsi qu'une compensation des résidus basée sur XGBoost. Atteignant une MAPE de 2,34 %, il équilibre précision et interprétabilité, répondant ainsi aux besoins de transparence réglementaire dans l'établissement des tarifs.

Résumé

La transition énergétique mondiale et les réformes en cours sur les marchés de l'électricité obligent les entreprises de réseau électrique à concilier une fourniture d'énergie fiable avec des réglementations tarifaires de transport et de distribution de plus en plus strictes. Les méthodes traditionnelles de budgétisation fondées sur l'extrapolation historique reflètent souvent mal la base physique du fonctionnement des actifs, tandis que les modèles d'apprentissage automatique pilotés par les données atteignent une grande précision prédictive mais manquent de transparence nécessaire à la vérification réglementaire des coûts. Pour surmonter ce compromis entre précision prévisionnelle et interprétabilité, cette étude propose un modèle hybride de prévision des coûts basé sur des quotas de coût. Le cadre utilise des quotas opérationnels normalisés comme référence physique pour la budgétisation et intègre un mécanisme dynamique d'évolution des quotas piloté par les conditions macroéconomiques et les progrès technologiques. Le modèle Extreme Gradient Boosting (XGBoost) est utilisé pour capturer les résidus non linéaires échappant aux estimations fondées sur les quotas, tandis que la méthode SHAP (Shapley Additive exPlanations) permet d'interpréter la contribution des principaux facteurs de coût. Le modèle a été évalué à l'aide de 16 ans de données opérationnelles anonymisées provenant d'un réseau électrique provincial en Chine. Il a atteint une erreur moyenne absolue en pourcentage (MAPE) de 2,34 %, réduisant les erreurs de prévision de 61,8 %, 46,6 % et 34,1 % par rapport aux modèles SARIMAX, XGBoost seul et Attention-LSTM, respectivement. Le cadre proposé intègre les principes d'ingénierie des quotas de coût avec une intelligence artificielle explicative, offrant à la fois des prévisions précises des coûts à long terme et un outil de décision transparent pour la vérification réglementaire des coûts autorisés.

Introduction

La transition énergétique mondiale redéfinit la gestion des actifs du réseau électrique et les pratiques opérationnelles par l'intégration de la production décentralisée d'énergie renouvelable, l'augmentation des événements météorologiques extrêmes et le déploiement généralisé des technologies de l'Internet des objets, éléments qui exigent tous une plus grande flexibilité opérationnelle et davantage de ressources de maintenance afin d'assurer la fiabilité du système^1,2. Parallèlement, les organismes de régulation de l'électricité ont renforcé la surveillance des tarifs de transport et de distribution à travers....

Protocole

Cette étude a utilisé des données opérationnelles et financières anonymisées, collectées auprès d'un réseau électrique provincial dans l'est de la Chine. Toutes les données ont été regroupées et désidentifiées avant l'analyse, et aucune information personnelle identifiable ou sensible au niveau individuel n'a été incluse. Par conséquent, une approbation éthique n'était pas requise. L'accès aux données et leur analyse se sont conformés aux réglementations applicables en matière de protection des données ainsi qu'aux accords institutionnels régissant les informations du secteur électrique.

Aperçu du cadre de prévision

Résultats

Comparaison panoramique à dimensions réduites de la précision des prévisions

Lorsque tous les modèles optimisés par l'estimateur par zones parétiques (Tree-structured Parzen Estimator, TPE) ont été évalués sur le jeu de test hors échantillon 2023–2025, incluant les fluctuations liées à la reprise post-pandémique et les événements extrêmes de fortes températures, il a été possible de comparer objectivement la performance d'algorithmes courants de prévision. Afin d'effectuer une.......

Discussion

Cette étude démontre que l'intégration des quotas de coûts industriels avec l'apprentissage automatique fournit un cadre interprétable et précis pour la prévision à long terme des coûts du réseau électrique. Les résultats montrent que les variables liées au climat, en particulier les jours de températures extrêmement élevées et les indices d'impact des déclenchements de ligne, sont les facteurs prédominants des résidus de coût, soulignant l'influence croissante des perturbations externes sur les dépenses des services pub.......

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Jeu de données comptables mensuelles anonymisées E-Grid	Réseau électrique provincial de Chine orientale	N/A	Jeu de données anonymisées sur les coûts mensuels de production et d'exploitation (2010–2025) comprenant 192 observations, incluant des données sur les actifs physiques, la maintenance, les données macroéconomiques et environnementales. Utilisé pour le développement du modèle (156 observations) et les tests hors échantillon (36 observations).
Bibliothèque de tracé Matplotlib	Équipe de développement de Matplotlib	3.5.2	Utilisée pour générer les figures du manuscrit et les sorties graphiques, notamment les graphiques de performance du modèle, les visualisations de topologie, les diagnostics des résidus, les graphiques radars et les résumés visuels liés à SHAP.
Bibliothèque de calcul numérique NumPy	Développeurs de NumPy	1.22.3	Utilisée pour les opérations sur tableaux numériques, les calculs matriciels et le contrôle de la reproductibilité. Une graine aléatoire fixe de 42 a été appliquée lorsque pertinent.
Bibliothèque de manipulation de données Pandas	Équipe de développement de pandas	1.4.2	Utilisée pour l'importation, l'intégration, la restructuration, le filtrage et le prétraitement des données, notamment l'imputation des valeurs manquantes, l'alignement des séries temporelles et la préparation des variables d'entrée du modèle.
Environnement de programmation Python	Fondation Python Software Foundation	3.9.13	Environnement de programmation utilisé pour implémenter l'ensemble du flux de travail de prévision, incluant le prétraitement des données, l'ingénierie des caractéristiques, l'entraînement du modèle, l'optimisation des hyperparamètres, la prédiction, les tests statistiques et l'évaluation des performances.
Bibliothèque d'apprentissage automatique Scikit-learn	Contributeurs de scikit-learn	1.0.2	Utilisée pour le prétraitement des données, la séparation entraînement-validation, l'évaluation de modèles auxiliaires et les procédures statistiques, notamment l'analyse de corrélation de Pearson et le calcul de métriques de performance sélectionnées.
Bibliothèque de calcul scientifique SciPy	Contributeurs de SciPy	1.9.0	Utilisée pour les calculs statistiques, notamment l'analyse de corrélation de Pearson et les procédures d'appui pour le traitement des valeurs aberrantes et la winsorisation.
Implémentation de l'estimateur par noyaux de Parzen structuré en arbre	Contributeurs d'Optuna	3.1.0	Implémentation d'optimisation bayésienne utilisée pour ajuster les hyperparamètres de XGBoost, notamment la profondeur maximale des arbres, le taux d'apprentissage et les paramètres de régularisation. L'estimateur par noyaux de Parzen structuré en arbre a été implémenté via le package open source Optuna.
Bibliothèque logicielle XGBoost	DMLC / Contributeurs de XGBoost	1.7.1	Bibliothèque d'apprentissage ensembliste basée sur les arbres de décision utilisée pour la compensation non linéaire des résidus. Le modèle implémente une fonction objective régularisée avec une perte de Huber et des pénalités de complexité des arbres, comme décrit dans les équations 7–9.