Modèle de prédiction du prix de négociation des éléments de données électriques basé sur l’algorithme amélioré Grid VMD Resnet-BiLSTM

Pourquoi le prix de l’électricité de demain vous concerne

Que vous dirigiez une usine, gériez un parc éolien ou payiez simplement une facture domestique, le prix de l’électricité influence la vie quotidienne et la planification à long terme. À mesure que davantage d’énergie éolienne et solaire alimente les réseaux modernes, les prix oscillent de façon plus marquée et moins prévisible qu’auparavant. Cette étude présente une nouvelle méthode pour prévoir les prix journaliers de l’électricité avec plus de précision et de fiabilité, aidant les opérateurs de marché, les producteurs et les consommateurs à prendre des décisions plus intelligentes dans un système énergétique plus propre mais plus volatil.

Énergie solaire et éolienne, et les nouvelles montagnes russes des prix

Les auteurs se concentrent sur un système électrique réel en Nouvelle-Galles du Sud, en Australie, où le solaire et l’éolien fournissent une grande part de l’électricité et où deux lignes de transmission haute capacité contribuent à lisser les déséquilibres. Parce que l’électricité doit être produite au moment même où elle est consommée, des nuages soudains, des vents faibles ou des pics de demande peuvent faire monter ou chuter les prix en quelques minutes. Les outils statistiques traditionnels et les modèles d’apprentissage automatique élémentaires peinent à gérer ce type de comportement bruyant et fortement non linéaire. Ils passent soit à côté des motifs à long terme, comme les cycles journaliers et saisonniers, soit ne suivent pas les sauts rapides à court terme. L’article examine comment concevoir un système de prévision capable de saisir à la fois les grandes tendances et les secousses fines dans les données de prix.

Scinder un signal chaotique en éléments plus clairs

La première étape de la méthode proposée consiste à séparer clairement les mouvements emmêlés du signal de prix. Les chercheurs utilisent une technique appelée décomposition variationnelle en modes (variational mode decomposition) pour découper la série de prix d’origine en quelques composantes plus simples, chacune représentant un rythme de variation différent — des oscillations lentes sur les saisons aux pics rapides provoqués par des événements soudains. Ils affinent ensuite cette décomposition à l’aide d’une statistique qui mesure à quel point chaque composante est reliée aux facteurs moteurs connus, tels que la demande et la météo. En recherchant les paramètres possibles et en choisissant ceux qui maximisent cette mesure de dépendance mutuelle, ils s’assurent que chaque composante extraite porte une information réelle sur les causes des variations de prix, plutôt que du bruit aléatoire.

Apprendre à un réseau profond à se concentrer sur l’essentiel

Une fois la série de prix décomposée en plusieurs couches plus nettes, les auteurs injectent ces couches dans une architecture d’apprentissage profond qui combine deux idées puissantes. Un réseau à rétrécissement résiduel (residual shrinkage network) utilise une série de petits filtres convolutionnels et des seuils ajustables pour mettre en évidence les motifs informatifs et pousser vers zéro les fluctuations inutiles. Cela produit une « carte de caractéristiques » compacte qui conserve les signaux clés tout en éliminant une grande partie du désordre, ce qui améliore l’apprentissage et réduit la charge de calcul. Ces caractéristiques affinées sont ensuite transmises à un réseau récurrent bidirectionnel qui lit la série temporelle dans les sens avant et arrière. En regardant à la fois le contexte passé et futur au sein des données d’entraînement, ce réseau capture mieux la façon dont les variations de prix se construisent et se dénouent dans le temps.

Tester le modèle en conditions réelles

L’équipe entraîne et valide son modèle sur cinq ans de données australiennes à pas de demi‑heure, en utilisant 2020–2022 pour l’apprentissage, 2023 pour l’ajustement et 2024 pour les tests. Ils traitent soigneusement les valeurs manquantes et les valeurs aberrantes et comparent leur approche à plusieurs concurrents avancés, y compris d’autres hybrides décomposition-plus‑apprentissage profond et un modèle basé sur des techniques génératives. Sur des mesures d’erreur standard, le nouveau modèle réduit les erreurs de prévision à une fraction de celles des méthodes rivales ; par exemple, son erreur moyenne en pourcentage sur l’année est bien inférieure à 1 %, tandis que d’autres sont plusieurs fois plus élevées. Il conserve cet avantage sur les quatre saisons, durant les jours les plus turbulents « pires cas », sous bruit artificiel ajouté, et même lorsqu’il est appliqué à une autre région australienne sans réentraînement, ce qui indique une forte robustesse et capacité de généralisation.

De meilleures prévisions à des marchés plus stables

Pour les non‑spécialistes, le message principal est que des mathématiques et un apprentissage automatique plus avisés peuvent transformer des données de prix chaotiques en un tableau plus clair et plus prévisible. En séparant d’abord les tendances à long terme des secousses à court terme puis en utilisant une architecture d’apprentissage profond adaptée pour se concentrer sur les motifs les plus informatifs, le modèle fournit des prévisions journalières de prix de l’électricité très précises et stables. Ce niveau de précision peut soutenir des enchères plus équitables, des investissements plus confiants dans les renouvelables et une meilleure gestion des risques tant pour les grands acteurs que pour les consommateurs quotidiens. À mesure que les réseaux du monde entier absorbent davantage d’énergie éolienne et solaire variable, des approches comme celle‑ci pourraient devenir des outils essentiels pour maintenir l’efficacité et la fiabilité des marchés électriques.

Citation: Zheng, Y., Huang, K.Q., Liu, J. et al. Electric power data element trading price prediction model based on improved grid VMD Resnet-BiLSTM algorithm. Sci Rep 16, 13720 (2026). https://doi.org/10.1038/s41598-026-40245-8

Mots-clés: prévision des prix de l’électricité, intégration des énergies renouvelables, apprentissage profond, décomposition de séries temporelles, stabilité du marché de l’énergie