Le stockage de grande taille : entre stabilité du réseau et profits
Comment valoriser au mieux l’énergie stockée sur les marchés de l’électricité ?
Dans la nuit du 28 septembre 2003, à 3h01 du matin, une ligne à 400 kV traversant le col du Lukmanier, l’un des principaux corridors de transit de l’hydroélectricité suisse vers l’Italie, disjoncte après une décharge électrique vers un arbre. À 3h25, une deuxième ligne tombe sur le col du San Bernardino. Deux minutes et demie plus tard, les écarts de fréquence sont trop importants pour le réseau italien, qui s’effondre alors en cascade. Cet événement illustre un besoin fondamental des systèmes électriques : le maintien permanent de l’équilibre entre la production et la consommation d’électricité, une condition indispensable pour assurer la stabilité de la fréquence du réseau.
Quelques années plus tard, en 2017, en Australie, la Hornsdale Power Reserve démontre pour la première fois qu’une batterie lithium-ion de grande capacité peut contribuer à cette régulation à l’échelle d’un réseau national. Depuis, la chute du coût des batteries – en dessous de 100 $/kWh en 2024 – a rendu de tels projets économiquement viables à grande échelle. En Suisse aussi, les grands systèmes de stockage par batteries suscitent désormais de plus en plus d’intérêt, que ce soit pour faciliter l’intégration de la production photovoltaïque croissante au réseau électrique ou fournir de la flexibilité sur les marchés de l’électricité.
Cet article a pour objectif d’expliquer comment l’énergie stockée dans les batteries de grande capacité peut être valorisée sur les marchés de l’électricité, les stratégies qui peuvent être suivies, ainsi que les moyens qui peuvent être utilisés pour piloter et combiner ces diverses stratégies.
Les sources de revenus du stockage
Comment, en pratique, un opérateur gagne-t-il de l’argent en installant un système de stockage d’énergie ? Pendant longtemps, la question ne s’est pas vraiment posée : les systèmes de stockage appartenaient aux entreprises électriques ou aux gestionnaires de réseau, qui les utilisaient pour éviter des incidents coûteux. Depuis les années 1990, l’Europe et les États-Unis font toutefois face à la libéralisation des marchés de l’électricité. Les activités de réseau ont été séparées de celles de la production, et des marchés spécifiques ont été créés pour rémunérer les services de régulation.
Les marchés de l’électricité se répartissent en gros en deux catégories, qui dépendent du temps avant la livraison de l’énergie et de la manière dont la flexibilité est rémunérée. Le FCR (Frequency Containment Reserve) et l’aFRR (automatic Frequency Restoration Reserve) rémunèrent une capacité tenue en réserve, en CHF/MW, que la réserve soit activée ou non. En Suisse, le FCR se négocie chaque jour auprès de Swissgrid par blocs de 4 h avec une offre minimale de ±1 MW, et l’aFRR chaque semaine par blocs de 24 h avec une offre minimale de ±5 MW.
Les marchés spot reposent sur une logique différente : ils rémunèrent une énergie effectivement livrée, en CHF/MWh. Le day-ahead est une enchère quotidienne qui fixe, à 11 h, un prix de référence pour chaque heure du lendemain. L’intraday reste quant à lui ouvert en continu jusqu’à quelques minutes avant la livraison.
Les diverses stratégies de valorisation de l’énergie stockée
Un opérateur avisé ne choisit toutefois pas entre régulation de fréquence et marché spot : il combine les deux, une pratique appelée empilement (stacking) de revenus (figure 1). Pour mieux comprendre les différentes possibilités en termes d’empilements, prenons comme exemple une batterie virtuelle de 20 MW/40 MWh exploitée sur des périodes d’une heure.
Dans le cas de l’empilement parallèle (figure 1a), une approche prudente consiste à engager 10 MW sur le FCR et 10 MWh sur le spot : même si Swissgrid appelle la totalité de la puissance FCR promise pendant toute l’heure, il reste toujours 10 MW de puissance disponibles pour honorer la vente sur le spot.
Une approche plus agressive, l’empilement superposé (figure 1b), engage 20 MW sur le FCR, la pleine puissance de la batterie, et 15 MWh sur le spot, en pariant que Swissgrid n’appellera jamais plus de 5 MWh au total sur l’heure : un pari raisonnable puisque le FCR est rarement sollicité à pleine puissance en continu, mais qui expose à un risque de non-livraison si l’appel dépasse cette estimation.
L’empilement séquentiel (figure 1c) évite ce risque en séparant les engagements dans le temps plutôt qu’en puissance : les 20 MW sont engagés sur le FCR pendant une heure, puis intégralement basculés vers le spot l’heure suivante, une fois l’état de charge reconstitué.
Enfin, l’empilement séquentiel en directions opposées (figure 1d) constitue le Graal de l’optimisation en termes de profits. Le but est d’alterner des créneaux au cours desquels la batterie fournit de la puissance positive sur un marché (décharge) puis négative sur un autre (charge). La batterie est dans ce cas rémunérée à la fois pour se charger et se décharger, maximisant les profits sur la journée.
Un exemple concret de ce dernier type de stratégie est illustré dans la figure 2. La batterie virtuelle de 20 MW/40 MWh garde l’essentiel de sa puissance engagée sur le FCR (réponse en fréquence) tout au long de la journée, avec un profil de charge et de décharge relativement stable. Le day-ahead n’intervient que ponctuellement, en général pour recharger la batterie à moindre coût : un épisode de prix négatifs en début d’après-midi génère à lui seul l’essentiel du revenu day-ahead de la journée. L’optimiseur a ainsi réussi à recharger sa batterie de 25 % à 75 % en se faisant rémunérer, puis à revendre l’énergie acquise sous forme de réponse en fréquence le soir.
Deux approches pour le dispatch multimarchés
Piloter ce genre de stratégies peut se faire à la main, mais il s’agit d’une tâche complexe qui demande souvent des algorithmes de dispatch capables de décider, à chaque instant, sur quel marché engager la puissance disponible. Dans ce contexte, deux approches peuvent être suivies.
La première associe prévision et optimisation : un modèle de prévision, souvent fondé sur un réseau de neurones, apprend à anticiper les prix futurs (spot, FCR, aFRR) en minimisant l’écart entre ses prédictions et les prix réellement observés. Au début de l’entraînement, les prévisions sont quasi aléatoires et ne suivent pas la dynamique des prix ; à mesure que l’entraînement progresse, elle se rapproche de la courbe réelle, comme illustré dans la figure 3. Une fois l’algorithme entraîné, il reste généralement fiable dans le temps, mais peut parfois être réentraîné périodiquement afin de tenir compte des changements survenus sur les marchés de l’électricité.
Une fois les prévisions obtenues, un solveur d’optimisation détermine la trajectoire de charge et de décharge qui maximise le revenu, tout en considérant les contraintes physiques de la batterie. L’approche est transparente : les contraintes sont respectées par construction (elles sont intégrées directement au problème d’optimisation), et chaque décision s’explique. Une première limite de cette approche réside dans la qualité des prévisions en amont : un prix mal anticipé peut fausser toute la trajectoire optimisée, même si le solveur est parfaitement rigoureux. Une seconde limite est liée à la valorisation multimarchés : le calcul de la trajectoire optimale peut se complexifier lorsque l’optimisation se fait sur plusieurs vecteurs de prix en même temps.
La seconde approche, l’apprentissage par renforcement, suit une logique différente : un agent apprend directement une politique de décision par essai-erreur, en interagissant avec un environnement simulé qui reproduit le comportement de la batterie et du marché, sans jamais construire de modèle explicite de prévision des prix. Sa récompense est le profit généré, et non la précision d’une prédiction. Au début de l’entraînement, ses décisions sont quasi aléatoires et peuvent même conduire à des pertes nettes ; à mesure que l’entraînement progresse, son profit cumulé se rapproche du maximum théorique atteignable, comme illustré dans la figure 4.
L’avantage de cette approche réside dans sa capacité à s’adapter à des dynamiques de marché que la prévision peut peiner à capturer. Par exemple, augmenter le nombre de marchés sur lesquels l’agent opère n’implique pas un calcul d’optimisation plus complexe : la récompense reste la même, le profit à la fin de la journée. En contrepartie, l’entraînement est gourmand en données, le comportement de l’agent demeure peu interprétable, et rien ne garantit, par défaut, que les contraintes physiques de la batterie soient toujours respectées à la lettre.
Les deux approches ne s’excluent pas nécessairement. Il est possible d’entraîner un agent par renforcement pour gérer l’incertitude et la complexité multimarchés, tout en conservant une couche d’optimisation classique en garde-fou afin de vérifier que les décisions proposées restent physiquement réalisables.
Perspectives
Le CSEM explore actuellement, en collaboration avec Viteos – le fournisseur d’électricité neuchâtelois – différentes approches d’optimisation des usages du stockage par batterie. Cette collaboration bénéficiera prochainement d’un terrain d’expérimentation grandeur nature à Neuchâtel : une batterie de grande capacité, dont une partie sera dédiée à des travaux de recherche sur le développement et la validation d’algorithmes avancés de pilotage.
Au-delà du choix entre prévision-optimisation et apprentissage par renforcement, ces travaux s’intéresseront aussi à la dégradation de la batterie : un cycle de charge-décharge complet ne constitue pas toujours la solution la plus rentable, et des cycles plus superficiels peuvent limiter l’usure de la batterie sans réduire significativement le profit : un compromis que la trajectoire de trading devra intégrer plutôt que subir. Se pose également la question de la maintenance : idéalement, les opérations de maintenance ne devraient pas être décidées indépendamment de la stratégie de trading, mais planifiées au sein même de la trajectoire optimisée, de préférence pendant les périodes de plus faible profit potentiel.
Ce champ d’application intéresse d’ailleurs déjà certains acteurs majeurs du marché suisse : Alpiq et BKW explorent activement le trading par batteries, tandis que Swissgrid s’y intéresse davantage sous l’angle de la régulation et de la stabilité du réseau. Un signe fort que ces approches dépassent le cadre de la recherche pour s’ancrer dans les enjeux opérationnels du secteur électrique suisse.
Le stockage de grande taille : entre stabilité du réseau et profits
Comment valoriser au mieux l’énergie stockée sur les marchés de l’électricité ?
En 2017, en Australie, la Hornsdale Power Reserve a démontré pour la première fois qu’une batterie lithium-ion de grande capacité pouvait contribuer au maintien de l’équilibre entre la production et la consommation d’électricité à l’échelle d’un réseau national. Depuis, la chute du coût des batteries a rendu de tels projets économiquement viables à grande échelle. En Suisse aussi, les grands systèmes de stockage par batteries suscitent désormais de plus en plus d’intérêt. Mais, comment, en pratique, un opérateur gagne-t-il de l’argent en installant un système de stockage d’énergie ?
Les marchés de l’électricité se répartissent en gros en deux catégories : les marchés de réserve (ou marchés de services système) et les marchés de l’énergie (ou marchés spot). Le FCR (Frequency Containment Reserve) et l’aFRR (automatic Frequency Restoration Reserve) rémunèrent une capacité tenue en réserve à différents horizons temporels, en CHF/MW, que la réserve soit activée ou non. Les marchés spot (day ahead et intraday) rémunèrent quant à eux une énergie effectivement livrée, en CHF/MWh.
Un opérateur avisé ne choisit toutefois pas entre régulation de fréquence et marché spot : il combine les deux, une pratique appelée empilement (stacking) de revenus. Là aussi, il existe différentes stratégies présentant des profils variés en matière de risques et de rendements : parmi celles-ci, l’empilement séquentiel en directions opposées constitue le Graal de l’optimisation en termes de profits. L’objectif consiste à alterner des créneaux au cours desquels la batterie fournit de la puissance positive sur un marché puis négative sur un autre, lui permettant d’être rémunérée à la fois pour se charger et se décharger.
Piloter ce genre de stratégies représente cependant une tâche complexe qui nécessite souvent des algorithmes de dispatch capables de décider, à chaque instant, sur quel marché engager la puissance disponible. Dans ce contexte, deux approches peuvent être suivies. La première associe un modèle de prévision des prix, souvent fondé sur un réseau de neurones, à un solveur d’optimisation qui détermine la trajectoire de charge et de décharge qui maximise le revenu, tout en considérant les contraintes physiques de la batterie. La seconde approche, l’apprentissage par renforcement, repose sur un agent qui apprend une politique de décision par essai-erreur en interagissant avec un environnement simulé qui reproduit le comportement de la batterie et du marché. L’avantage de cette approche réside dans sa capacité à s’adapter à des dynamiques de marché que la prévision peut peiner à capturer. En contrepartie, rien ne garantit que les contraintes physiques de la batterie soient toujours respectées à la lettre.
Le CSEM explore actuellement en collaboration avec Viteos, le fournisseur d’électricité neuchâtelois, différentes approches d’optimisation des usages du stockage par batterie. Cette collaboration bénéficiera prochainement d’une batterie de grande capacité, dont une partie sera dédiée à des travaux de recherche sur le développement et la validation d’algorithmes avancés de pilotage. Ces travaux s’intéresseront en outre à la dégradation de la batterie ainsi qu’à la planification optimale des opérations de maintenance.
Grossspeicher: Zwischen Netzstabilität und Gewinn
Wie lässt sich die gespeicherte Energie auf den Strommärkten am besten verwerten?
Im Jahr 2017 hat die Hornsdale Power Reserve in Australien erstmals gezeigt, dass eine Lithium-Ionen-Grossbatterie dazu beitragen kann, das Gleichgewicht zwischen Erzeugung und Verbrauch auf der Ebene eines nationalen Netzes aufrechtzuerhalten. Seitdem haben sinkende Batteriekosten solche Projekte in grossem Massstab wirtschaftlich gemacht. Auch in der Schweiz stossen grosse Batteriespeichersysteme nun auf immer grösseres Interesse. Doch wie lässt sich in der Praxis mit der Installation eines Energiespeichersystems Geld verdienen?
Die Strommärkte lassen sich grob in zwei Kategorien unterteilen: die Reservemärkte (Systemdienstleistungsmärkte) und die Energiemärkte (Spotmärkte). Die FCR (Frequency Containment Reserve) und die aFRR (automatic Frequency Restoration Reserve) vergüten eine in Reserve gehaltene Kapazität über verschiedene Zeithorizonte hinweg in CHF/MW, unabhängig davon, ob die Reserve aktiviert wird oder nicht. Die Spotmärkte (Day-Ahead und Intraday) vergüten hingegen tatsächlich gelieferte Energie in CHF/MWh.
Ein versierter Betreiber entscheidet sich jedoch nicht zwischen Frequenzregelung und Spotmarkt, sondern kombiniert beides: Eine Praxis, die als «Stacking» (Einkommensstapelung) bezeichnet wird. Auch hier gibt es verschiedene Strategien mit unterschiedlichen Risiko- und Renditeprofilen: Unter diesen stellt das sequenzielle Stacking in entgegengesetzte Richtungen den «Heiligen Gral» der Gewinnoptimierung dar. Das Ziel besteht darin, Zeitfenster abzuwechseln, in denen die Batterie auf einem Markt positive Leistung liefert und auf einem anderen negative, sodass sie sowohl für das Laden als auch für das Entladen vergütet wird.
Die Steuerung solcher Strategien ist jedoch komplex, da sie oft Dispatch-Algorithmen erfordert, die in jedem Moment entscheiden können, auf welchem Markt die verfügbare Leistung eingesetzt werden soll. Dabei können zwei Ansätze verfolgt werden. Der erste Ansatz kombiniert ein Preisprognosemodell – oft auf der Grundlage eines neuronalen Netzes – mit einem Optimierungstool, das den Lade- und Entladungsverlauf ermittelt, der den Ertrag maximiert, unter Berücksichtigung der physikalischen Einschränkungen der Batterie. Der zweite Ansatz, das verstärkende Lernen, stützt sich auf einen Agenten, der durch Versuch und Irrtum eine Entscheidungspolitik erlernt, indem er mit einer simulierten Umgebung interagiert, die das Verhalten der Batterie und des Marktes nachbildet. Der Vorteil dieses Ansatzes liegt in seiner Fähigkeit, sich an Marktdynamiken anzupassen, die sich durch Prognosen nur schwer erfassen lassen. Aber es gibt keine Garantie dafür, dass die physikalischen Einschränkungen der Batterie stets eingehalten werden.
Das CSEM untersucht derzeit zusammen mit Viteos, dem Neuenburger Stromversorger, verschiedene Ansätze zur Optimierung der Nutzung von Batteriespeichern. Diese Zusammenarbeit wird in Kürze von einer Grossbatterie profitieren, von der ein Teil für Forschungsarbeiten zur Entwicklung und Validierung fortschrittlicher Steuerungsalgorithmen vorgesehen ist. Diese Arbeiten werden sich zudem mit der Alterung der Batterie sowie mit der optimalen Planung von Wartungsmassnahmen befassen.
Ceci pourrait également vous intéresser
