Vers le paradigme de l'analyse prescriptive pour la prévision énergétique et l'optimisation des systèmes électriques

Pour atténuer les effets néfastes du changement climatique, le secteur de l’électricité passe rapidement à la décarbonation grâce à l’intégration de sources d’énergie renouvelables, telles que l’éolien et le solaire. Dans ce contexte, les méthodes avancées basées sur les données, tirant parti des outils de l’apprentissage automatique et de la recherche opérationnelle, sont très prometteuses en tant que catalyseurs clés pour faire face à l’incertitude et à la variabilité des sources d’énergie renouvelables dépendantes des conditions météorologiques. Dans cette thèse, nous adoptons une approche holistique en examinant la chaîne de modèles qui va des données à la modélisation de l’incertitude, puis aux décisions et développons des méthodes basées sur les données qui permettent une prise de décision améliorée et résiliente dans les systèmes électriques modernes. Pour maximiser la valeur des prévisions, nous développons une méthode qui intègre la prévision et l’optimisation et proposons un cadre pour évaluer l’impact des données sur les décisions. Pour favoriser l’adoption de méthodes avancées basées sur les données et accélérer les flux de travail traditionnels, nous développons une méthode interprétable pour prévoir les solutions aux problèmes d’optimisation sous contraintes. Pour renforcer la résilience des modèles face aux données problématiques nous proposons une approche qui permet de gérer les données manquantes dans un cadre opérationnel. Nous proposons également une méthode basée sur l’optimisation pour regrouper les données sur un certain nombre de problèmes indépendants, améliorant ainsi les performances globales et la robustesse des décisions. Les méthodes proposées sont validées dans diverses expériences liées à l’exploitation du système électrique et à la participation aux marchés de l’électricité.To mitigate the adverse effects of climate change, the power sector is rapidly transitioning towards decarbonization through the integration of renewable energy sources, such as wind and solar. In this context, advanced data-driven methods, leveraging tools from machine learning and operations research, hold significant promise as key enablers to deal with the uncertainty and variability of weather-dependent renewable energy sources.In this thesis, we take a holistic approach by examining the model chain that goes from data to uncertainty modeling and then to decisions and develop data-driven methods that enable improved and resilient decision-making in modern power systems. To maximize forecast value, we develop a method that integrates forecasting and optimization and propose a framework to evaluate the impact of data on decisions. To foster the adoption of advanced data-driven methods and speed up traditional workflows, we develop an interpretable method to forecast the solutions to constrained optimization problems. To enhance resilience against data-related challenges, we propose a principled approach to handle missing data in an operational setting and develop an optimization-based method to pool data across a number of independent problems, thereby improving the overall performance and robustness of decisions. The proposed methods are validated in various experiments related to power system operations and participation in electricity markets. Overall, the methods and tools developed in this thesis contribute to the transition towards a decarbonized and sustainable electricity grid