par Aguayo Quintana, Cristian 
Président du jury Goossens, Joël
Promoteur Fortz, Bernard
Publication Non publié, 2025-09-24
Président du jury Goossens, Joël
Promoteur Fortz, Bernard
Publication Non publié, 2025-09-24
Thèse de doctorat
| Résumé : | The current energy crisis, driven by climate change, global warming, and the depletion of natural resources, has made the transition toward cleaner and more sustainable energy systems a global imperative. At the center of this challenge lies the energy generation sector, where traditional reliance on fossil fuels has created a vicious cycle of environmental degradation and resource scarcity. In response, Renewable Energy Sources have emerged as a promising alternative, offering the potential to meet growing energy demand while reducing greenhouse gas emissions. However, the integration of renewables into existing power systems introduces new layers of complexity and uncertainty, particularly for Transmission System Operators, who must adapt their decision-making processes to properly incorporate generation from green energy sources.In this thesis, we address the challenge of incorporating uncertainty from renewable energy sources and power load into operational decision-making for power systems, focusing on the Unit Commitment problem. We begin by gathering and analyzing a detailed dataset of demand and renewable generation profiles across European countries, accounting for seasonal and geographic variability. Using this dataset, we create a set of deterministic Unit Commitment instances differentiated by country and season. We progressively build deterministic models and evaluate how increasing model complexity and differences in input data characteristics affect both solution quality and computational performance.To capture uncertainty, we compare classical scenario-sampled and set-based uncertainty approaches, highlighting their respective strengths and limitations. Given the shortcomings of standard budgeted uncertainty sets, we develop novel correlation-based uncertainty sets. These new sets incorporate observed inter- and intra-parameter correlations, reducing conservatism while maintaining tractability in robust optimization models. The resulting framework contributes to more realistic and efficient strategies for power system planning in the presence of increasing variability and uncertainty.La crise énergétique actuelle, alimentée par le changement climatique, le réchauffement global et l'épuisement des ressources naturelles, a rendu la transition vers des systèmes énergétiques plus propres et durables impérative à l'échelle mondiale. Au cœur de ce défi se trouve le secteur de la production d'énergie, où la dépendance traditionnelle aux combustibles fossiles a engendré un cercle vicieux de dégradation environnementale et de rareté des ressources. En réponse, les sources d'énergie renouvelable se présentent comme une alternative prometteuse, offrant la possibilité de répondre à la demande croissante en énergie tout en réduisant les émissions de gaz à effet de serre. Cependant, l'intégration des énergies renouvelables dans les systèmes électriques existants introduit de nouveaux niveaux de complexité et d'incertitude, en particulier pour les Opérateurs de Systèmes de Transmission, qui doivent adapter leurs processus de décision afin d'intégrer correctement la production issue des sources vertes.Dans cette thèse, nous abordons le défi de l'intégration de l'incertitude provenant des sources d'énergie renouvelable et de la charge électrique dans la prise de décision opérationnelle des systèmes électriques, en nous concentrant sur le problème d'Engagement d'Unités (Unit Commitment). Nous commençons par collecter et analyser un ensemble de données détaillées sur la demande et les profils de production renouvelable dans différents pays européens, en tenant compte des variations saisonnières et géographiques. À partir de ces données, nous créons un ensemble d'instances déterministes du problème d'Engagement d'Unités, différenciées selon le pays et la saison. Nous construisons progressivement des modèles déterministes et évaluons comment l'augmentation de la complexité des modèles ainsi que les différences dans les caractéristiques des données d'entrée influencent à la fois la qualité des solutions et les performances de calcul.Pour prendre en compte l'incertitude, nous comparons les approches classiques basées sur des scénarios échantillonnés et celles basées sur des ensembles d'incertitude, en mettant en évidence leurs forces et leurs limites respectives. Face aux limites des ensembles d'incertitude budgétées, nous développons de nouveaux ensembles d'incertitude. Ces ensembles intègrent les corrélations observées entre et au sein des paramètres, ce qui permet de réduire le conservatisme tout en maintenant la solvabilité des modèles d'optimisation robuste. Le cadre proposé contribue à l'élaboration de stratégies plus réalistes et plus efficaces pour la planification des systèmes électriques dans un contexte de variabilité et d'incertitude croissantes. |
