Cristian H. AGUAYO QUINTANA - Faculté des Sciences

La crise énergétique actuelle, alimentée par le changement climatique, le réchauffement global et l'épuisement des ressources naturelles, a rendu la transition vers des systèmes énergétiques plus propres et durables impérative à l'échelle mondiale. Au cœur de ce défi se trouve le secteur de la production d'énergie, où la dépendance traditionnelle aux combustibles fossiles a engendré un cercle vicieux de dégradation environnementale et de rareté des ressources. En réponse, les sources d'énergie renouvelable se présentent comme une alternative prometteuse, offrant la possibilité de répondre à la demande croissante en énergie tout en réduisant les émissions de gaz à effet de serre. Cependant, l'intégration des énergies renouvelables dans les systèmes électriques existants introduit de nouveaux niveaux de complexité et d'incertitude, en particulier pour les Opérateurs de Systèmes de Transmission, qui doivent adapter leurs processus de décision afin d'intégrer correctement la production issue des sources vertes.

Dans cette thèse, nous abordons le défi de l'intégration de l'incertitude provenant des sources d'énergie renouvelable et de la charge électrique dans la prise de décision opérationnelle des systèmes électriques, en nous concentrant sur le problème d'Engagement d'Unités (Unit Commitment). Nous commençons par collecter et analyser un ensemble de données détaillées sur la demande et les profils de production renouvelable dans différents pays européens, en tenant compte des variations saisonnières et géographiques. À partir de ces données, nous créons un ensemble d'instances déterministes du problème d'Engagement d'Unités, différenciées selon le pays et la saison. Nous construisons progressivement des modèles déterministes et évaluons comment l'augmentation de la complexité des modèles ainsi que les différences dans les caractéristiques des données d'entrée influencent à la fois la qualité des solutions et les performances de calcul.

Pour prendre en compte l'incertitude, nous comparons les approches classiques basées sur des scénarios échantillonnés et celles basées sur des ensembles d'incertitude, en mettant en évidence leurs forces et leurs limites respectives. Face aux limites des ensembles d'incertitude budgétées, nous développons de nouveaux ensembles d'incertitude. Ces ensembles intègrent les corrélations observées entre et au sein des paramètres, ce qui permet de réduire le conservatisme tout en maintenant la solvabilité des modèles d'optimisation robuste. Le cadre proposé contribue à l'élaboration de stratégies plus réalistes et plus efficaces pour la planification des systèmes électriques dans un contexte de variabilité et d'incertitude croissantes.