Optimisation pour la transition énergétique

Construction d'un générateur stochastique de facteurs de charge solaires horaires pour les 13 régions métropolitaines (données Renewables.ninja, 2004–2023), destiné à enrichir le jeu Climix. Après une analyse exploratoire (double saisonnalité journalière et annuelle, regroupement des régions en quatre classes), deux modèles sont comparés : une décomposition multi-saisonnière (STL, lissage LOESS) complétée d'une composante ARMA, et une régression Beta sur harmoniques complétée d'un bruit autorégressif. Le premier reproduit mieux les comportements régionaux, le second est plus compact et plus facilement généralisable ; tous deux génèrent des trajectoires cohérentes avec les données observées.

Analyse des séries temporelles de facteurs de charge éolien et solaire (Toulouse et villes voisines, plus de quarante ans de données) et prévision par modèles ARMA puis ARIMAX ; l'ajout de variables météorologiques améliore nettement la prévision. Ces modèles servent à générer des facteurs de charge synthétiques et à construire des stratégies de pilotage du stockage sans connaissance parfaite de la production, testées sur plusieurs scénarios RTE 2050.

Simulation de nouvelles années de production éolienne (terrestre et en mer) et solaire, afin de tester la robustesse du mix optimal 2050 du modèle EOLES face à la variabilité météorologique. Trois approches sont explorées : transformée de Fourier, chaînes de Markov et sélection de journées types par classification k-médoïdes. Pour un parc installé fixé, remplacer une année observée par douze journées types ne modifie pas le coût du mix.

Réimplémentation en Python (Pyomo) du modèle EOLES, qui minimise le coût d'un mix électrique 100 % renouvelable satisfaisant la demande heure par heure en 2050. Étude de la sensibilité des résultats au retrait de technologies, à des épisodes météorologiques défavorables et à différents scénarios de demande (ADEME, négaWatt, RTE). La méthanation apparaît indispensable au stockage, et le coût augmente quand la météo se dégrade.

Adaptation en Python du modèle EOLES_elecRES (initialement écrit en GAMS), avec un outil de visualisation de la production et du stockage heure par heure. Étude de l'effet de semaines peu ensoleillées et peu ventées sur le coût et le stockage, puis estimation des besoins matériels du mix : nombre d'éoliennes, terres rares, surface de centrales solaires, volume de stockage équivalent en STEP.

Formulation de la gestion de deux stockages (STEP et Power-to-Gas) comme un problème d'apprentissage par renforcement : un agent entraîné avec l'algorithme Soft Actor-Critic décide heure par heure, sans connaître la production future, de charger ou décharger les réserves. Sur un modèle simplifié (solaire et éolien seuls), l'agent « guidé » réduit la demande non servie par rapport à une heuristique de référence, sans parvenir à un cycle durable du stock de gaz.

Reformulation du problème de stockage du modèle EOLES (STEP et Power-to-Gas, horizon d'un an) par programmation dynamique duale déterministe, le problème annuel étant décomposé en étapes successives. Comparée à une résolution globale par programmation linéaire, la méthode atteint la même valeur de la fonction coût et le même profil de déficit, avec un usage plus lissé des STEP.

Apprentissage d'une stratégie de stockage journalière (STEP, batteries, méthanation) par réseaux de neurones, à partir des solutions optimales du modèle EOLES calculées pour 17 années météorologiques, en n'utilisant que le jour, les niveaux de stock et la production résiduelle. Les prédictions sont projetées sur les contraintes physiques ; la meilleure stratégie satisfait la demande environ 300 jours par an, les manques se concentrant en hiver.

Modélisation de l'usage de trois technologies de stockage (STEP, méthanation, batteries) en France en 2050 comme un problème d'optimisation linéaire de coût sous contrainte de satisfaction horaire de la demande. Les résultats montrent un rôle saisonnier des technologies, la méthanation servant d'appoint en hiver, et sont comparés pour les scénarios négaWatt et ADEME.

Modèle d'optimisation linéaire du dispatch électrique inspiré d'EOLES, pour étudier comment les STEP et le Power-to-Gas compensent l'intermittence de l'éolien et du solaire en France. Le modèle est ensuite étendu à trois pays interconnectés (France, Allemagne, Belgique), avec des capacités d'échange limitées et une pénalité sur les échanges dont le calibrage est étudié.

Optimisation heure par heure du stockage et du déstockage (STEP et Power-to-Gas) dans un mix électrique français 100 % renouvelable à l'horizon 2050, à l'aide d'un modèle linéaire simplifié inspiré d'EOLES. Le modèle est ensuite étendu à quatre pays (France, Allemagne, Suisse, Espagne) dont les échanges sont aussi optimisés, ce qui fait apparaître des stratégies comme importer pour réexporter.

Comparaison, avec un modèle linéaire simplifié inspiré d'EOLES (éolien, solaire, nucléaire ; stockage par lacs, STEP et Power-to-Gas), de deux scénarios pour la France en 2050 : un mix 100 % renouvelable et un mix intégrant le parc nucléaire actuel, soumis à une contrainte de rampe. Des tests de sensibilité (météo défavorable, demande accrue) montrent que l'ajout d'une production pilotable renforce nettement la robustesse du système.