Design des marchés de l'énergie

Responsable de ces travaux : Hélène LE CADRE

Le travail effectué en 2013 sur le design des marchés de l'énergie peut se décomposer selon trois axes principaux : tout d'abord, donner des incitations (économiques) pour garantir l'expansion optimale des capacités du réseau électrique ; ensuite, modéliser les énergies renouvelables (ENR) et quantifier leur impact sous l'hypothèse d'un marché européen couplé par les prix ; enfin, développer des méthodes de Machine Learning permettant d'ajouter de « l'intelligence » au marché.

Axe 1 : Le marché ne semble pas rémunérer suffisamment les investissements dans les capacités de pointe i.e., la production de pointe et les interruptions volontaires de consommation aussi appelées effacements (le terme couramment utilisé, «Demand Response», correspond à sa traduction en anglais). Le marché ne rémunérant que l'énergie produite, l'investissement dans les capacités de production est insuffisant. Ce qui peut conduire en cas de manque de capacité, à l'effondrement du réseau électrique, intolérable pour les consommateurs et engendrant un coût exorbitant pour les fournisseurs.

Le principe d'un marché de capacité est de fournir l'assurance que le système électrique dispose d'une capacité suffisante pour couvrir les besoins des consommateurs en période de pointe, soit en obligeant les fournisseurs à apporter la preuve qu'ils disposent de suffisamment de capacité, soit en élaborant un mécanisme supplémentaire nécessitant l'intervention du gestionnaire du réseau de façon à garantir l'équilibre entre l'offre et la demande. Une première approche proposant le design d'un mécanisme « efficace » qui pénalise la rétention et les sous-investissements dans les capacités a été proposée et présentée au cours de la conférence EURO-INFORMS 2013.

Axe 2 : En se plaçant sous l'hypothèse que les marchés sont couplés, nous avons étudié analytiquement l'impact de la concentration des fermes éoliennes et de l'incertitude résultant de l'introduction des ENR sur le coût total d'approvisionnement, sur le bien-être du marché et sur leur pénétration par rapport aux énergies conventionnelles. Les marchés ont une information incomplète sur les quantités d'ENR produites par les autres marchés, principalement du fait de la grande variabilité de ces sources de production. Nous prouvons que les distributeurs ont des incitations à acheter de l'information sur la variabilité des productions des autres marchés. En supposant que cette information puisse être certifiée et vendue par un opérateur de certification externe, nous calculons le prix optimal de la certification en fonction du niveau de confiance attendu. Ces travaux ont permis la mise en place d'un stage de recherche pour une étudiante de l'ENSAE ParisTech, en 2013.

La prise en compte, dans le modèle, des capacités d'interconnexion qui limitent les échanges d'énergie entre les zones de la supergrid, sera abordé en 2014 ; de même que le déploiement optimal des fermes éoliennes au niveau de la supergrid.

Axe 3 : Enfin, nous nous sommes intéressés au design de marchés « intelligents » en prenant en compte la capacité qu'ont les agents à apprendre l'information cachée par les autres agents, en observant leurs actions/le comportement global du système énergétique. Ce travail fait appel à des techniques de Machine Learning distribuées, plus précisément les méthodes de regret. Il a été présenté lors du séminaire de la chaire Finance et Marchés (FIME) soutenue par EDF et l'université Paris Dauphine et fait l'objet d'une publication journal.

Centre de Mathématiques Appliqués

Agence Web Spinat