Notre doctorant Akylas Stratigakos remporte le 1er prix de thèse Think SmartGrids 2023

Le Prix masculin a été remis à Akylas Stratigakos pour sa thèse intitulée « Vers le Paradigme de l’Analyse Prescriptive pour la Prévision Énergétique et l’Optimisation des Systèmes Électriques ».

Akylas a soutenu sa thèse en juillet 2023 sous la direction de Georges Kariniotakis, Head of Renewable Energies & Smartgrids Group et d’Andrea Michiorri, Associate Professor au Centre PERSEE de Mines Paris – PSL. La remise des prix s’est déroulée à Paris lors de la cérémonie des Vœux 2024 de l’Association.

À travers cette récompense, Think SmartGrids souligne l’importance de la digitalisation des réseaux et distingue les travaux du groupe ERSEI dans le domaine. Les recherches menées dans ce cadre ont pour objectif de faciliter l’intégration croissante des énergies renouvelables dans le mix électrique et simplifier la conduite des réseaux via des arbitrages optimisés et sur la base d’outils de machine learning et de recherche opérationnelle.

Félicitations à Akylas Stratigakos pour son travail !

Résumé de la thèse

Pour atténuer les effets néfastes du changement climatique, le secteur de l’électricité passe rapidement à la décarbonation grâce à l’intégration de sources d’énergie renouvelables, telles que l’éolien et le solaire. Dans ce contexte, les méthodes avancées basées sur les données, tirant parti des outils de l’apprentissage automatique et de la recherche opérationnelle, sont très prometteuses en tant que catalyseurs clés pour faire face à l’incertitude et à la variabilité des sources d’énergie renouvelables 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 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 sous contraintes. Pour renforcer la résilience des modèles face aux données problématiques nous proposons une approche qui permet de gérer les données manquantes dans un cadre opérationnel. Nous proposons également une méthode basée sur l’optimisation pour regrouper les données sur un certain nombre de problèmes indépendants, améliorant ainsi les performances globales et la robustesse des décisions. Les méthodes proposées sont validées dans diverses expériences liées à l’exploitation du système électrique et à la participation aux marchés de l’électricité.

Manuscrit de la thèse

Articles issus de la thèse :

• Akylas Stratigakos, Simon Camal, Andrea Michiorri, Georges Kariniotakis. Prescriptive Trees for Integrated Forecasting and Optimization Applied in Trading of Renewable Energy. IEEE Transactions on Power Systems, 2022, ⟨1109/TPWRS.2022.3152667⟩. https://hal.science/hal-03330017
• Akylas Stratigakos, Panagiotis Andrianesis, Andrea Michiorri, Georges Kariniotakis. Towards Resilient Energy Forecasting: A Robust Optimization Approach. IEEE Transactions on Smart Grid, 2023, pp.1-1. ⟨1109/TSG.2023.3272379⟩. https://hal.science/hal-03792191
• Akylas Stratigakos, Salvador Pineda, Juan Miguel Morales, Georges Kariniotakis. Interpretable Machine Learning for DC Optimal Power Flow with Feasibility Guarantees. IEEE Transactions on Power Systems, 2023, pp.1-12. ⟨1109/TPWRS.2023.3333165⟩. https://hal.science/hal-04038380
• Decision-Focused Data Pooling for Contextual Stochastic Optimization, European Journal of Operational Research https://hal.science/hal-04268454 , (under review)