Faire face à la foudre et aux incertitudes du marché dans l’auto-programmation : une approche floue-Markov pour les réseaux intelligents

Pourquoi il devient plus difficile de garder les lumières allumées

L’électricité ne circule plus dans un seul sens, des grandes centrales vers les foyers. Les « réseaux intelligents » modernes gèrent simultanément des panneaux solaires résidentiels, des parcs éoliens, des batteries et des besoins clients variables, tandis que les marchés et la météo évoluent d’heure en heure. Cet article explore une nouvelle façon d’aider les gestionnaires de réseau à planifier l’avenir quand à la fois les prix de l’énergie et les tempêtes violentes — en particulier la foudre — obscurcissent les perspectives, en utilisant une vision combinée floue et probabiliste de ce qui pourrait se produire ensuite.

Des réseaux électriques dans un monde d’orages et de prix instables

Les réseaux intelligents promettent une électricité plus propre et une meilleure efficacité, mais ils doivent sans cesse décider quand acheter, vendre ou produire de l’électricité. Les conditions de marché — comme les prix, la demande et les recettes — peuvent basculer rapidement sous l’effet des nouvelles économiques, des régulations ou du comportement des consommateurs. En parallèle, les coups de foudre et les intempéries peuvent endommager des lignes, provoquer des arrêts ou contraindre les consommateurs à réduire leur consommation. Les outils de planification traditionnels traitent généralement soit le volet numérique (par exemple les prix), soit le volet événementiel et vague (par exemple le risque de foudre), mais rarement les deux simultanément. Les auteurs soutiennent que cette vision éclatée expose les opérateurs lorsque chocs physiques et variations financières se conjuguent.

Mélanger le jugement humain et les mathématiques

Pour combler cette lacune, l’étude introduit un cadre hybride qui combine la logique floue et les chaînes de Markov. La logique floue imite la façon dont les humains parlent de quantités incertaines — en utilisant des termes comme « prix bas », « ventes moyennes » ou « recettes élevées » au lieu de seuils précis. La méthode prend trois grandeurs financières clés — le prix, la recette et les ventes — et convertit chaque valeur horaire en ces catégories qualitatives. Un instant donné est alors décrit par un simple triplet comme (prix élevé, recette faible, ventes faibles), capturant l’humeur générale du marché avec des étiquettes en langage courant que les ordinateurs peuvent néanmoins traiter.

Suivre les variations d’humeur du réseau au fil du temps

Une fois chaque heure étiquetée de cette manière, l’approche considère le réseau intelligent comme se déplaçant à travers un ensemble fini d’« états » flous. C’est là que les chaînes de Markov interviennent : elles estiment la probabilité que le système passe d’un état à un autre à l’heure suivante. En comptant combien de fois, par exemple, un état calme se transforme en un état stressé à prix élevé et ventes faibles — notamment les jours avec foudre simulée — le modèle construit une matrice de transition, une sorte de carte des trajectoires typiques du marché. Les chercheurs calculent aussi des statistiques glissantes, comme des moyennes mobiles et la volatilité des prix et des recettes, pour mettre en évidence les périodes exceptionnellement calmes ou particulièrement turbulentes.

Tester l’idée dans un environnement sécurisé

Étant donné que les jeux de données réels combinant historiques de marché et impacts de la foudre sont difficiles à obtenir, les auteurs créent un jeu de données synthétique couvrant une année. Ils simulent des prix horaires, des recettes et des ventes avec des tendances et du bruit réalistes, puis introduisent des événements de foudre artificiels qui provoquent des pics de prix et une baisse des ventes pour imiter les dommages liés aux tempêtes et les arrêts préventifs. Les neuf premiers mois servent à entraîner les catégories floues et les probabilités de transition ; les trois derniers mois testent la capacité du modèle à prédire l’état flou suivant à partir de l’état courant. Le cadre prédit correctement l’état suivant dans environ 56 % des cas — bien au‑dessus de l’aléatoire pour six états possibles — tout en révélant quels schémas tendent à perdurer et lesquels changent rapidement.

Des prévisions aux actions concrètes

Les auteurs montrent comment cet outil de prévision peut guider des décisions concrètes pour un micro‑réseau urbain hypothétique de 100 MW. Si le modèle suggère qu’un état normal est susceptible de basculer vers une situation à prix élevé et ventes faibles lors d’un après‑midi orageux, les opérateurs peuvent acheter de l’énergie de réserve à l’avance, basculer préventivement des charges sensibles vers des sources de secours, ou ajuster leurs stratégies d’enchères sur le marché de l’électricité. Des indicateurs de risque glissants les aident à jauger la confiance à accorder à une prédiction et l’agressivité de la réponse, transformant des probabilités abstraites en actions financières et techniques ciblées.

Ce que cela signifie pour les systèmes électriques à venir

En termes simples, le message de l’article est que considérer l’avenir du réseau comme en partie flou et en partie régi par des règles produit des indications plus utiles que de s’appuyer sur l’une ou l’autre approche seule. En combinant des catégories proches du raisonnement humain avec des mathématiques qui suivent l’évolution des états, le cadre flou‑Markov donne aux opérateurs de réseau une image plus claire, quoique imparfaite, de ce que pourrait être demain le mélange de prix, demande et impacts des tempêtes. Même avec une précision modérée, cette vision les aide à se préparer à de mauvaises combinaisons — comme prix élevés et ventes faibles — avant qu’elles ne surviennent. À mesure que les réseaux intelligents deviennent plus complexes et que les extrêmes climatiques s’accentuent, de tels outils hybrides pourraient devenir essentiels pour maintenir une électricité fiable, abordable et résiliente.

Citation: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Mots-clés: réseaux intelligents, marchés de l’énergie, gestion des risques, énergies renouvelables, fiabilité des systèmes électriques