FacebookTwitterLinkedInImprimer

 

Arash Farnoosh
            Arash Farnoosh

Analyse Économique des Systèmes Énergétiques : 

une approche régionale à grande échelle
(HDR 2021)


Comme l'indique son titre, mon travail de recherche se concentre sur l'analyse économique des systèmes à grande échelle, c’est-à-dire à des cibles telles que les systèmes énergétiques des régions, des pays, des territoires et des grandes agglomérations ou des vastes zones métropolitaines. Quant à l'analyse économique, elle ne se limite pas aux aspects économiques, purs et autonomes. Elle inclut aussi des problématiques liées aux aspects géopolitiques, techniques et environnementaux ainsi bien sûr qu’aux politiques énergétiques. Le processus de modélisation mathématique et d'analyse économique déployé tout au long de mon parcours de recherche intègre donc l’ensemble de ces considérations.

Ainsi, en fonction de la nature des incertitudes existantes dans les systèmes étudiés, des méthodes de programmation linéaire [1] et de programmation dynamique et d’optimisation [2] ont été sélectionnées. Cependant, au fur et à mesure de l’avancée de ces recherches vers des systèmes plus compétitifs et plus écologiques (en raison de la part plus importante des énergies renouvelables) mais aussi plus imprévisibles, les méthodes ont dû prendre en compte de plus en plus d'incertitudes. C'est la raison principale pour laquelle ces méthodes ont été combinées avec des approches plus innovantes telles que l'optimisation distributionnelle robuste1 et l'apprentissage statistique (i.e. les réseaux neuronaux). Cette approche a débouché sur de nouveaux modèles (Figure 1) qui ont été déployés pour l'analyse des systèmes énergétiques des économies en développement rapide telles que l’Inde et la Chine [3].

Figure 1– Structure du modèle d’analyse technico-économique des systèmes énergétiques

 

La planification à long terme et l’expansion durable des systèmes énergétiques à grande échelle dans des contextes très incertains présentent des défis importants en raison de la présence de divers types d’aléas. L'application de ces modèles va permettre d'améliorer la robustesse de notre analyse pour y faire face.  

1 L'optimisation distributionnelle robuste (DRO en Anglais) suppose que la distribution de probabilité régissant les paramètres incertains est inconnue mais appartient à un ensemble ambigu de distributions de probabilité.


Références :

  1. Farnoosh A., Percebois J. and Lantz F., 2014, Electricity generation analyzes in an oil-exporting country: Transition to non-fossil fuel-based power units in Saudi Arabia, ENERGY, Elsevier, 69, pp. 299–308. 
    >> https://doi.org/10.1016/j.energy.2014.03.017
       
  2. Farnoosh A., Yue Zhang et al., 2018, GIS-Based Multi-Objective Particle Swarm Optimization of Charging Station for Electric Vehicles – Taking a District in Beijing as an Example, ENERGY, Elsevier, 169, pp. 844–853. 
    >> https://doi.org/10.1016/j.energy.2018.12.062
          
  3. Farnoosh A. and Y. Zhang, 2019, Analyzing the Dynamic Impact of Electricity Futures on Revenue and Risk of Renewable Energy in China, Energy Policy, Elsevier, 132, pp. 678–690.
    >> https://doi.org/10.1016/j.enpol.2019.06.011
        
       

Pour en savoir plus : Arash Farnoosh

>> NUMÉRO 57 DE SCIENCE@IFPEN