Les modèles d'optimisation des systèmes énergétiques (ESOM pour Energy System Optimization Models en anglais) sont des outils puissants pour améliorer la prise de décision dans la transition vers des systèmes énergétiques bas carbone.

Les résultats fournis par les ESOMs sont fortement influencés par les incertitudes sur les données, puisqu'ils sont considérés sur un horizon temporel futur. Par exemple, les évolutions possibles des prix de l'énergie, de la production et de la demande d'énergie ou de l'efficacité des technologies doivent être prise en compte. Bien que de nombreux travaux commencent ces dernières années à étudier l'impact de ces incertitudes sur les résultats, les simplifications de la modélisation peuvent induire des biais significatifs.

Le travail proposé dans ce nouveau sujet de doctorat vise à étudier la réponse d’un ESOM au cours des différentes étapes de conception d’un système énergétique, et à réduire l'impact de ces incertitudes le plus tôt possible dans le processus. On vise en particulier à limiter les biais liés à la simplification des modèles, en propageant systématiquement les informations pertinentes des modèles plus détaillés vers les modèles simplifiés. À cette fin, la voie actuellement envisagée consiste à exploiter des techniques telles que l'apprentissage automatique, et en particulier l'approche de l'apprentissage de contraintes (constraints learning), pour extraire des informations pertinentes de la simulation et les réinjecter dans les modèles d'optimisation simplifiés.

En conséquence, le travail devrait améliorer les méthodes actuellement utilisées pour concevoir et améliorer les systèmes énergétiques au niveau local, afin de favoriser les économies d'énergie et de limiter les émissions de CO2 ainsi que d'autres impacts sur l'environnement.