Il existe enfin un choix alternatif pour accéder aux prix futurs de l'électricité. Notre service Power Price Projections est une offre par abonnement fournissant des analyses et des séries temporelles sur l'évolution à long terme des prix de gros de l'électricité pour le marché day-ahead. Ce service s'appuie sur notre modèle énergétique Enerdata basé sur la bibliothèque open-source PyPSA et sur les scénarios énergie-climat de référence d'Enerdata. Il bénéficie de nos vastes bases de données détaillées (demande d'électricité sectorielle et données par centrales électriques) ainsi que de notre expertise des marchés de l'énergie. Power Price Projections est l'outil stratégique ultime pour les investisseurs et les développeurs du secteur de l'énergie cherchant à évaluer leurs retours sur investissement à court, moyen et long terme.
des marchés européens de l'énergie
des prix de gros
projections annuelles
- Contrairement aux modèles d'optimisation traditionnels, bénéficiez d'une vue d'ensemble grâce à la modélisation endogène de la demande d'électricité et de l'évolution de la capacité de production électrique
- Modèle interne mondialement reconnu, couvrant toutes les technologies, y compris les énergies renouvelables, et l'ensemble des systèmes énergétiques
- Expertise énergétique mondialement reconnue
- Modélisation basée sur des données scientifiques
- Trois scénarios de capacité à long terme avec plusieurs scénarios climatiques et de prix pour chaque pays afin d'explorer les trajectoires futures possibles. Des scénarios personnalisés peuvent être utilisés sur demande.
Nos Power Price Projections sont élaborées à partir de deux modèles exclusifs :
- Notre modèle POLES : modèle de projection d'énergie multi-pays robuste utilisé par de nombreuses entreprises du secteur de l’énergie, services publics, investisseurs et développeurs dans le monde entier. Il modélise au niveau national (entre autres indicateurs), les capacités installées annuelles et la demande d'électricité par secteur.
- Notre modèle PyPSA-Enerdata : élaboré à partir de la bibliothèque open-source PyPSA avec les données et les post-traitements d'Enerdata. Ce modèle utilise les données issues de POLES pour modéliser une répartition horaire des prix de l'électricité au niveau de la zone d'appel d'offres et de la centrale électrique.
Quelles différences entre notre approche et les modèles de projection de l’électricité de « pure optimisation » ?
- L'utilisation de l'approche de modélisation POLES pour la capacité et la demande permet d'éviter l'effet "malheur aux vaincus" « tout-au-gagnant » souvent observé dans les modèles d'optimisation pure. Grâce à la prise en compte des mix historiques de capacité et de production, ainsi qu'à l'introduction de paramètres de concurrence non économiques, POLES attribue les technologies de production d'électricité sur la base des LCOE (coût actualisé de l’énergie) et des coûts variables, mais tient compte également de paramètres non économiques (politiques, diversification du mix, etc.).
- Le modèle POLES considère les classes technologiques en fonction de leurs paramètres techniques, économiques et environnementaux, avec une approche récursive année par année, plus adaptée à la représentation des systèmes énergétiques réels avec leurs imperfections et leurs barrières : alors que les modèles d'optimisation utilisent souvent une approche de prévoyance parfaite - permettant aux agents économiques de disposer de toutes les informations sur l'ensemble de la période considérée - POLES met en œuvre un processus itératif, tenant compte des besoins de capacité à long terme et garantissant l’ajout d’une réserve de sécurité définie par l'utilisateur à la demande de pointe.
- Une autre valeur ajoutée majeure de POLES est que la demande énergétique sectorielle est endogène et peut être modélisée/affinée par l'utilisateur, qui trouvera des rétroactions logiques entre l'offre et la demande d'électricité. Les modèles d'optimisation des systèmes énergétiques, quant à eux, utilisent généralement la demande énergétique comme un paramètre d'entrée exogène, reflétant une nouvelle fois soit une hypothèse fixe à long terme, soit une prévision parfaite à long terme pour les agents du système énergétique.
Le modèle PyPSA-ENERDATA présente deux avantages supplémentaires par rapport aux autres modèles :
- La répartition de l'électricité est affinée par centrale électrique sur la base des données recueillies dans notre Power Plant Tracker.
- Le comportement des agents économiques est modélisé pour refléter les stratégies d'offre non rationnelles et tenir compte des contraintes non linéaires (par exemple, le temps d’atteinte des capacités, les charges minimales, les exigences annuelles en matière d'émissions, etc.).
Scénarios EnerFuture
EnerBase
EnerBase décrit un monde dans lequel les politiques mises en place continuent et où les tendances actuelles se poursuivent. Le manque d'efforts pour réduire les émissions de GES affecte durablement l'ensemble des systèmes énergétiques : la demande énergétique est croissante et la diversification des combustibles est limitée. Ce scénario conduit à une augmentation de la température mondiale supérieure à 3°C.
EnerBlue
EnerBlue est basé sur la réalisation des objectifs d'émissions pour 2030 indiqués dans les NDC (Nationally Determined Contributions), ainsi que sur un maintient des efforts après 2030. La forte croissance des pays émergents est un puissant moteur de la demande énergétique mondiale, mais les politiques jouent un rôle clé dans le contrôle de cette croissance. Ce scénario conduit à une augmentation de la température mondiale comprise entre 2°C et 2,5°C.
EnerGreen
EnerGreen explore les imapcts de politiques climatiques plus strictes, avec certains pays remplissant ou dépassant leurs engagements pris dans leurs CDN, et réctifiant alors régulièrement leurs objectifs d'émissions. Ces changements amènent des améliorations significatives de l'efficacité énergétique et un déploiement important des énergies renouvelables. Dans cette trajectoire plus propre, l'augmentation de la température mondiale est limitée à moins de 2 °C.