L'industrie suisse de l'électricité entre dans une nouvelle réalité. Avec le développement massif du photovoltaïque, la volatilité intraday croissante et le mécanisme de prix unique de Swissgrid en vigueur depuis le 1er janvier 2026, la qualité des prévisions devient un facteur économique direct. Ce qui était autrefois un processus technique secondaire devient de plus en plus un levier pour les marges de négoce, les coûts d'énergie d'ajustement et la stabilité opérationnelle.
Le Royaume-Uni a déjà anticipé cette évolution. La réforme « Market-wide Half-Hourly Settlement » (MHHS) y oblige les fournisseurs à prédire avec précision, pour chaque demi-heure, la consommation réelle de leurs clients. Le même principe s'applique en Suisse, ici sur le pas plus fin du quart d'heure. Les erreurs deviennent immédiatement visibles financièrement.
Au cours des dix-huit derniers mois, la société britannique CentraLogic, avec laquelle NDG a évalué conjointement la transposition au marché suisse, a bâti une infrastructure de prévision pilotée par l'IA : en production, pertinente sur le plan réglementaire et testée en conditions réelles de marché.
La question centrale n'est donc plus de savoir si les modèles de prévision basés sur l'IA deviendront pertinents dans l'industrie de l'électricité. Mais à quelle vitesse l'industrie suisse peut bâtir les compétences nécessaires.
Pourquoi la prévision devient un levier de Profti-&-Loss
Quatre évolutions structurelles touchent simultanément l'industrie suisse de l'énergie :
- La solarisation du réseau modifie les profils de charge et augmente la volatilité de la charge résiduelle.
- L'hydroélectricité devient une réserve de flexibilité stratégique sur le marché européen.
- Le couplage avec EPEX et les pays voisins accroît la dynamique intraday.
- Depuis 2026, Swissgrid facture les écarts de bilan directement aux groupes-bilan via un mécanisme de prix unique.
La précision des prévisions devient ainsi mesurable comptablement.
Le défi ne concerne pas uniquement les grands groupes. Environ 600 gestionnaires de réseau de distribution en Suisse (majoritairement des services industriels communaux intégrés qui fournissent également de l'énergie) sont confrontés à des problèmes similaires, souvent avec des ressources humaines limitées et des paysages de données hétérogènes. L'étude Digital@EVU 2026 de Kearney et al. montre qu'environ 70 pour cent des initiatives IA dans l'industrie énergétique restent au stade pilote et passent rarement en exploitation productive. De nombreuses entreprises ont certes formulé des stratégies IA, mais les systèmes d'apprentissage automatique en production avec des KPI clairs restent l'exception. Les principaux obstacles ne sont pas le manque d'idées, mais le manque d'infrastructure de données, de compétences et de capacité opérationnelle.
Ce qui a réellement été construit au Royaume-Uni
La plateforme britannique ne repose pas sur un unique « super-modèle », mais sur plusieurs composants spécialisés.
La prévision de charge utilise des modèles distincts par segment de clientèle : ménages, PME, pompes à chaleur, électromobilité ou consommateurs industriels. La raison est pragmatique : un modèle national unique semblait performant en moyenne, mais se trompait systématiquement sur les segments les plus critiques.
La prévision des prix sépare quant à elle délibérément les modèles day-ahead, intraday et énergie d'ajustement. Les tentatives avec des réseaux neuronaux partagés paraissaient plus efficaces, mais détérioraient les prévisions précisément là où les erreurs de prix coûtaient le plus cher.
La prévision des prix fonctionne aujourd'hui comme un modèle hybride : environ 70 pour cent d'apprentissage automatique (ML) et 30 pour cent de modèles de sensibilité fondés sur les fondamentaux pour le gaz, le CO₂, le mix de production et les flux transfrontaliers. La combinaison des deux approches est en permanence corrigée des biais systématiques. L'arrière-plan est d'une simplicité décevante : les modèles ML purs gagnent la semaine moyenne, mais perdent souvent durant les phases de marché avec rupture structurelle. Or ce sont précisément ces phases qui coûtent le plus cher.
Des régressions quantiles ont en outre été introduites afin de produire non seulement des prévisions ponctuelles mais aussi des bandes de confiance robustes. C'est notamment durant les vagues de froid ou les épisodes météorologiques extrêmes que les hypothèses classiques se sont révélées trop optimistes.
Autre enseignement central : chaque prévision doit être conservée durablement. Seul l'archivage systématique des valeurs prévues et des valeurs réellement observées permet la traçabilité réglementaire, une véritable validation rétrospective et une amélioration opérationnelle.
L'ordre de grandeur économique de la réforme est considérable. Une analyse coûts-bénéfices d'Ofgem, le régulateur britannique des marchés du gaz et de l'électricité, chiffre les gains d'efficacité cumulés de la mise en œuvre du MHHS pour le marché britannique de l'électricité entre 1,6 et 4,5 milliards de livres sterling sur la période 2021 à 2045. Au niveau des fournisseurs, les estimations sectorielles indiquent qu'une prévision de charge sensiblement améliorée peut réduire les coûts d'énergie d'ajustement de 8 à 15 pour cent. Pour un fournisseur britannique de taille moyenne avec un volume annuel d'environ 3 TWh, cela correspond à des économies annuelles dans la fourchette du million de livres à un chiffre.
« Le véritable défi n'est pas le modèle lui-même, mais la discipline de l'exploiter chaque nuit en production, de manière auditable et en conformité réglementaire. »
Les trois principaux enseignements
- La précision moyenne peut être dangereusement trompeuse.
Les premiers tableaux de bord paraissaient excellents — jusqu'à ce que les modèles soient décomposés par heure de la journée et segment de clientèle. C'est précisément aux heures les plus coûteuses que les prévisions étaient systématiquement à côté. Les systèmes de prévision modernes doivent donc être évalués de manière granulaire : par intervalle de règlement, conditions météorologiques, saison et type de client. - Les backtests doivent simuler de réelles conditions de production.
Un backtest statique ignore la dérive, les changements de comportement et les changements de régime. C'est pourquoi les modèles sont aujourd'hui ré-entraînés quotidiennement et validés par la méthode dite walk-forward. - Les pipelines de données sont aussi critiques que les modèles eux-mêmes.
Un flux météo défectueux ou un problème de compteur intelligent un jour de changement d'heure suffit à produire des prévisions plausibles mais erronées. Les systèmes modernes sont donc surveillés en continu : ils détectent automatiquement le début d'une dégradation de la qualité des prévisions et journalisent chaque prévision de manière complète et traçable.
Ce qui peut être transposé à la Suisse — et ce qui ne le peut pas
La Suisse n'est pas une copie du marché britannique de l'électricité. La structure du marché est différente, la logique des groupes-bilan diffère et le règlement au quart d'heure y est établi depuis plus longtemps.
Pourtant, des modules essentiels peuvent être transposés directement :
- la séparation des prévisions de charge, de prix et d'injection,
- les walk-forward backtests,
- les bases de données de prévisions persistées comparées au réalisé,
- les agents IA pour l'évaluation des avis REMIT et des événements météorologiques,
- ainsi que les modèles hybrides ML/fondamentaux.
D'autres composants en revanche nécessitent un nouveau développement en Suisse. Particulièrement exigeants sont :
- les prévisions PV alpines avec microclimats,
- les modèles d'hydrologie et d'apports aux retenues,
- l'optimisation du pompage-turbinage,
- ainsi que les wrappers de groupes-bilan pour Swissgrid et le Target Model européen.
C'est précisément l'hydroélectricité qui rend la Suisse unique. Alors que le Royaume-Uni ne dispose pratiquement pas d'hydrologie de stockage significative, l'hydraulique suisse fonctionne de plus en plus comme la « batterie nationale » de l'Europe.
Conclusion
La Suisse ne doit pas partir de zéro sur le sujet de l'IA dans l'industrie énergétique. Beaucoup a déjà été développé, testé et exploité en production à l'international. L'opportunité réelle consiste désormais à adapter ces expériences intelligemment et à en faire une solution suisse : pragmatique, réglementairement propre et en collaboration avec les entreprises d'approvisionnement en électricité.
Car la qualité des prévisions ne sera pas seulement, dans les années à venir, une capacité opérationnelle. Elle deviendra un facteur de compétitivité stratégique pour l'ensemble de l'industrie de l'électricité.
Nicolas Noth est CEO de NDG noth.digital et travaille sur des modèles d'affaires pilotés par l'IA, des stratégies de données et la transformation dans les industries réglementées.
CentraLogic est une société spécialisée basée à Londres et Pune dans les infrastructures de prévision et de négoce pilotées par l'IA pour l'industrie de l'électricité, actuellement focalisée sur le marché britannique du MHHS.
