Close

‹ Retour à l’annuaire

Simon Camal

Simon Camal

Chargé de recherche

Centre · PERSEE

Discipline(s)
Énergie, thermique, Génie électrique, électronique, électromagnétique, photonique et systèmes, Informatique, Mathématiques appliquées, Signal, image, automatique, robotique et génie industriel
Thème(s)
Hydrogène, Renouvelable, Réseau, Scénario-Modélisation

Mots-clés

Prix & distinctions

  • 2022 Visiting Grant pour un séjour invité au National Center for Atmospheric Research (NCAR, Boulder, Colorado, USA)
  • 2022 1er prix de thèse international "EDP Labelec Merit Award"
  • 2020 1er prix de thèse 2020 de l’Association Think SmartGrids (TSG),

Équipe

ERSEI - Energies Renouvelables et Systèmes Energétiques Intelligents

Biographie

Simon Camal est un chercheur spécialisé dans le développement de méthodes de predictive analytics (prévision, optimisation) pour la gestion opérationnelle de systèmes énergétiques intelligents et bas carbone. Ses travaux se concentrent sur l’optimisation des décisions en contexte d’incertitude, en particulier via l’intelligence artificielle axée sur les décisions opérationnelles (*decision-focused learning*) et les méthodes stochastiques appliquées aux marchés de l’électricité. Son expertise couvre la modélisation des interactions entre production renouvelable, stockage et flexibilité des réseaux, ainsi que l’analyse des impacts socio-économiques sur la demande énergétique. Il a contribué à des avancées méthodologiques, notamment en matière de prévision probabiliste, de gestion distribuée des ressources énergétiques et de préservation de la confidentialité des données dans les systèmes collaboratifs.

Publication(s)

Projets

  • 2019-2023 Smart4RES - Science des données pour la prévision de la production d'énergie renouvelable Co-porteur La digitalisation du secteur énergétique a engendré un nouveau paysage marqué par l’émergence d’une abondance de données auparavant inaccessibles. L’exploitation de ces données (combinée aux capacités actuelles de calcul et de stockage), grâce à de nouveaux outils de modélisation adaptés, est la clé pour révolutionner la prévision des énergies renouvelables (ENR), mais aussi pour les outils d’aide à la décision qui utilisent ces prévisions dans des applications finales. Les informations générées constituent la base de la prochaine génération d’outils de modélisation et de prévision à court terme de la production d’électricité à partir d’ENR dépendantes de la météo, ainsi que pour la prise de décision associée. Objectifs du projet : • Améliorer d’au moins 15 % les performances de prévision des ENR, • Exploiter la valeur économique de la prévision des ENR en considérant l’intégralité de la chaîne de valeur, de la prévision météorologique aux applications finales. Pour concrétiser cette vision, Smart4RES propose des idées de recherche disruptives, avec pour objectif d’atteindre des avancées majeures plutôt que des améliorations incrémentales. doi : https://doi.org/10.3030/864337 site web : https://www.smart4res.eu/
  • 2023 - 2028 AI-NRGY (PEPR TASE) - Architecture d’IA distribuée pour les systèmes énergétiques du futur intégrant un grand nombre de sources distribuées Partenaire L’objectif d’AI-NRGY est de répondre aux contraintes majeures des réseaux énergétiques de demain (fortement distribués, dynamiques, hétérogènes, critiques et parfois volatiles) en contribuant à la mise en place de solutions d’intelligence distribuée tirant parti de différentes méthodes de calcul (edge, fog et cloud computing), et en proposant une architecture logicielle ainsi que les méthodes, modèles et algorithmes nécessaires à la mise en œuvre de solutions d’intelligence distribuée susceptibles d’accélérer la digitalisation des réseaux d’énergie. Référence ANR : 22-PETA-0004 https://www.pepr-tase.fr/projet/ai-nrgy/
  • 2023 - 2027 FINE4CAST (PEPR TASE) - Nouvelle génération d’outils de prévision de demande d’énergie et de production d’énergie renouvelable à fine échelle spatiale et temporelle Co-porteur L’objectif principal du projet Fine4Cast est d’améliorer la prévision à court terme (quelques minutes à quelques jours) de la production d’énergies renouvelables (EnR) et de la consommation à une échelle géographique fine (centrales de production, consommacteurs, territoires). L’amélioration des prévisions reste primordiale pour que plus d’EnR puissent être intégrées dans les systèmes électriques. L’émergence de nouveaux acteurs et cas d’usage se traduit par un besoin de nouveaux produits. Les prévisionnistes sont confrontés à de nouveaux défis en raison de la prolifération des sources de données, et des menaces et contraintes de confidentialité qui y sont liées. Fine4Cast propose une approche holistique qui couvre toute la chaîne de valeur et de modélisation de la prévision énergétique, allant des données aux prévisions météorologiques et énergétiques, et incluant l’utilisation optimale des prévisions pour la prise de décision dans les systèmes électriques et le marché de l’énergie. Référence ANR : 22-PETA-0008 https://www.pepr-tase.fr/projet/fine4cast/
  • 2023 - 2028 FlexTASE - Flexibilité pour les Technologies Avancées des Systèmes Energétiques Partenaire Face à l’intermittence des énergies renouvelables (soleil, vent …) ainsi qu’au risque de congestion ou d’insuffisance des moyens de production disponibles, la flexibilité – qui permet d’orchestrer un équilibre entre production et consommation – est un enjeu qui appelle des innovations techniques mais aussi sociales pour aller vers une implication/appropriation de tous les acteurs de la chaîne énergétique, des gestionnaires jusqu’aux consommateurs. Le projet FLEXTASE a ainsi pour objectif de développer une nouvelle approche paradigmatique d’ordre technique et sociale pour adresser deux types de flexibilité : - La flexibilité indirecte (ou implicite) mobilisant les acteurs sur des solutions techniques et organisationnelles par le biais de l’envoi de signaux (tarifaires ou non), - La flexibilité directe (ou explicite) passant par le pilotage de systèmes de production, de consommation, ou de stockage, dont la gestion est assurée directement par des algorithmes, des systèmes, et des acteurs (du type agrégateurs). Référence ANR : 22-PETA-0009 https://www.pepr-tase.fr/projet/flextase/

Direction(s) de thèse(s)

  • 2025 Méthodes d’apprentissage automatique exploitant les données massives pour la prévision très court-terme en conditions réelles de la production renouvelable LIGNEREUX Valentin
  • 2025 Développement de méthodes d’analyse prescriptive basées sur l’IA pour l’optimisation des systèmes énergétiques LE STANC Stevan
  • 2025 Apprentissage automatique quantique et algorithmes de calcul pour l’optimisation des systèmes énergétiques bas carbone GIANCOLI Corrado
  • 2024 Vers une approche générique sans couture de prévision à l'échelle locale de la production renouvelable utilisant des sources de données multiples MÁRQUEZ ALVAREZ Victor Manuel
  • 2024 Vers une approche générique basée sur l'IA pour la prévision de consommation d'énergie à l'échelle locale dans le contexte des smartgrids CHIBOUT Erwan
  • 2022 Données textuelles pour la modélisation avancée des dynamiques de la demande et des prix d'électricité BAI Yun
  • 2022 Méthode d’aide à la décision pour le développement et la contractualisation de systèmes de production d'hydrogène vert. PALMER Owen
  • 2022 Méthodes de partage de données en respectant les contraintes de confidentialité et de vie privé pour l'optimisation des systèmes énergétiques multi-acteurs STIPPEL Lukas
  • 2021 Optimisation du potentiel de flexibilité de demande énergétique dans le secteur industriel LEDUR Sylvain
  • 2021 Méthodes avancées pour améliorer l'interprétabilitédes outils d'IA avec application au secteur de l'énergie PARGINOS Konstantinos
  • 2021 Optimisation Stochastique Distribuée pour la Gestion de Centrales Virtuelles Complexes : Valorisation de la Flexibilité d'une Chaîne de Centrales Hydrauliques au Fil de l'Eau pour l'Intégration des Énergies Renouvelables SANTOSUOSSO Luca