Publications

• Articles
• Communications
• Ouvrages
• Brevets
• Thèses soutenues
  • Détail des thèses
    • Soutenance de these de Papa GUEYE
    • Soutenance de thèse de Etta GROVER-SILVA
    • Soutenance de thèse de Ghislain AGOUA
    • Soutenance de thèse de Thibaut BARBIER
    • Soutenance de thèse de Fabien LABBE
    • Soutenance de thèse de Lucia IANNICIELLO
    • Soutenance de thèse de Romain DUPIN
    • Soutenance de these de Pedro AFFONSO NOBREGA
    • Soutenance de these de Youssef ABDO
    • Soutenance de thèse de Kévin NOCENTINI
    • Soutenance de thèse de Carlos Adrian CORREA FLOREZ
    • Soutenance de thèse de Alexis GEROSSIER
    • Soutenance de thèse de Sahng Hyuck WOO
    • Soutenance de thèse de Li DI
    • Soutenance de these de Simon CAMAL
    • Soutenance de these de Thomas CARRIERE
    • Soutenance de these de Antoine ROGEAU
    • Soutenance de thèse de Lluis SOLA HERNANDEZ
    • Soutenance de these de Thomas HEGGARTY
    • Soutenance de these de Valentin MAHLER
    • Soutenance de these de Kevin BELLINGUER
    • Soutenance de these Emilie Powaga
    • Soutenance de thèse de Hongxin GE
    • Soutenance de Akylas STRATIGAKOS
    • Soutenance de Biswarup MUKHERJEE
    • Soutenance de Shengfei WANG
    • Soutenance de Fian ASSEMIEN
    • Soutenance de Stefano CASSANO
• HDR

Soutenance de Akylas STRATIGAKOS

Towards the Prescriptive Analytics Paradigm for Energy Forecasting and Power System Optimization

Titre anglais : Towards the Prescriptive Analytics Paradigm for Energy Forecasting and Power System Optimization
Date de soutenance : lundi 10 juillet 2023 à 14h00
Adresse de soutenance : 1 Rue Claude-Daunesse 06904, Sophia Antipolis - Amphithéatre Mozart
Directeur de thèse : Georges KARINIOTAKIS

devant le jury composé de :

Mots clés en français : Systèmes électriques intelligents, Énergies renouvelables, Incertitude, Optimisation, Marchés d’électricité, Prévision
Mots clés en anglais : Energy forecasting, machine learning, optimization, power system, prescriptive analytics, renewable energy sources.

Résumé de la thèse en français
Pour atténuer les effets néfastes du changement climatique, le secteur de l'énergie se dirige rapidement vers la décarbonisation grâce à l'intégration de sources d'énergie renouvelable, telles que l'éolien et le solaire. Dans ce contexte, les méthodes avancées basées sur les données, exploitant des outils d'apprentissage automatique et de recherche opérationnelle, offrent de grandes perspectives en tant que catalyseurs essentiels pour faire face à l'incertitude et à la variabilité des sources d'énergie renouvelable 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 nous 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 contraints. Pour renforcer la résilience face aux défis liés aux données, nous proposons une approche rigoureuse pour gérer les données manquantes dans un environnement opérationnel, et développons une méthode basée sur l'optimisation pour regrouper les données de plusieurs problèmes indépendants, améliorant ainsi les performances globales et la robustesse des décisions. Les méthodes proposées sont validées lors de diverses expérimentations liées aux opérations du système électrique et à la participation aux marchés de l'électricité. Dans l'ensemble, les méthodes et les outils développés dans cette thèse contribuent à la transition vers un réseau électrique décarboné et durable.

 

Résumé de la thèse en anglais
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.