Doctorant à Mines Paris – PSL · Centre de Mathématiques Appliquées (CMA), Sophia AntipolisPhD candidate at Mines Paris – PSL · Centre for Applied Mathematics (CMA), Sophia Antipolis

Aymard Plakoo

Je travaille à intégrer l’apprentissage profond aux modèles énergétiques de long terme, pour les pays africains où les données manquent.I work on bringing deep learning into long-term energy models for African countries where data are scarce.

Avant la thèse, j’ai mené pour AISESA (African Institute for Sustainable Energy and Systems Analysis) une revue systématique de 1 053 études de modélisation énergétique sur l’Afrique, co-développé avec d’autres un simulateur du futur marché de l’électricité ouest-africain et développé une approche hybride physique–IA lors d’un stage chez Safran Composites.Before the PhD, I ran a systematic review of 1,053 energy modelling studies on Africa for AISESA (African Institute for Sustainable Energy and Systems Analysis), co-built with others a simulator of West Africa’s upcoming electricity market and developed a hybrid physics–AI approach during an internship at Safran Composites.

Aymard Plakoo présente la revue systématique EnerMod au 3e congrès AISESA, à Kampala, devant la bannière du congrès.
3e congrès AISESA, Kampala, septembre 2026. Photo © AISESA.3rd AISESA Congress, Kampala, September 2026. Photo © AISESA.

Thèse de doctoratDoctoral thesis

2026–2029 · Mines Paris – PSL · École doctorale STIC2026–2029 · Mines Paris – PSL · STIC doctoral school

Améliorer les modèles énergétiques de long terme par l’apprentissage profond : une approche pour les contextes africains à données rares

Enhancing Long-Term Energy Models with Deep Learning: An Approach for Data-Scarce African Contexts

Les modèles de long terme orientent les choix d’investissement des États, mais ils supposent des données d’entrée fiables et reposent sur une optimisation coûteuse appliquée à quelques scénarios construits à la main. En Afrique subsaharienne, les données sont souvent lacunaires, et l’économie informelle, la biomasse traditionnelle et les coupures restent largement absentes des représentations.

Long-term models guide national investment choices, but they assume reliable input data and rely on expensive optimisation applied to a few hand-built scenarios. In sub-Saharan Africa data are often patchy, and the informal economy, traditional biomass and power cuts remain largely absent from the representations.

La thèse vise à construire un cadre méthodologique qui tienne compte de ces spécificités, compose avec la rareté des données et produise vite des scénarios plausibles. Le travail partira d’un cas d’étude réunissant un pays d’Afrique subsaharienne et un modèle de prospective énergétique.

The thesis aims at a methodological framework that accounts for these specificities, copes with data scarcity and produces plausible scenarios quickly. It will start from a case study pairing one sub-Saharan African country with one long-term energy model.

Pistes envisagéesDirections under consideration

  • Imagerie satelliteSatellite imageryReconstituer les entrées manquantes des modèles.Reconstruct the inputs the models are missing.
  • Réseaux de neurones informés par l’optimisationOptimisation-informed neural networksÉmuler rapidement un modèle d’optimisation.Emulate an optimisation model quickly.
  • Modèles de diffusion contraintsConstrained diffusion modelsGénérer des scénarios physiquement admissibles.Generate physically admissible scenarios.

En brefAt a glance

Direction de thèseSupervision
Nadia Maïzi (directrice), Jesús Angulo (codirecteur)Nadia Maïzi (supervisor), Jesús Angulo (co-supervisor)
Unité et équipeUnit and team
Unité Mathématiques et Systèmes · équipe CMA (Centre de Mathématiques Appliquées), Mines Paris – PSL, Sophia AntipolisMathematics and Systems unit · CMA team (Centre for Applied Mathematics), Mines Paris – PSL, Sophia Antipolis
École doctoraleDoctoral school
STIC (ED 84), Université PSLSTIC (ED 84), PSL University
SpécialitéField
Contrôle, optimisation, prospectiveControl, optimisation, foresight
PériodePeriod
Octobre 2026 – septembre 2029, contrat doctoral Mines Paris – PSLOctober 2026 – September 2029, Mines Paris – PSL doctoral contract

En 2022, Ember ne trouvait aucune donnée publique sur la production d’électricité de 23 des 54 pays africains (score 0 sur 5)In 2022, Ember found no public electricity generation data for 23 of 54 African countries (score 0 out of 5)

Ces données nationales de production d’électricité sont des entrées des modèles de long terme. Quand elles manquent, il faut les reconstituer : c’est le point de départ de la thèse.These national generation data are inputs to long-term models. Where they are missing, they have to be reconstructed: this is the starting point of the thesis.

  • Bonne (score 3 à 5) : 6 paysGood (score 3 to 5): 6 countries
  • Limitée (score 1 à 2) : 25 paysLimited (score 1 to 2): 25 countries
  • Aucune donnée publique (score 0) : 23 paysNo public data (score 0): 23 countries
Survolez ou touchez un pays pour voir son score ; le tableau ci-dessous donne tous les pays. Source : Ember, African Electricity Data Transparency (janvier 2022), reprise dans EnerMod Africa. La situation a pu évoluer depuis. Je compte 23 pays à 0/5 d’après les fiches pays du rapport ; son résumé en cite 21. Cap-Vert, Comores, Maurice, Sao Tomé-et-Principe et Seychelles sont comptés mais trop petits pour être dessinés. Hover or tap a country to see its score; the table below lists every country. Source: Ember, African Electricity Data Transparency (January 2022), reused in EnerMod Africa. The situation may have changed since. I count 23 countries at 0/5 from the report’s country profiles; its summary text says 21. Cape Verde, Comoros, Mauritius, São Tomé and Príncipe and Seychelles are counted but too small to draw.
Voir les données (54 pays)Show the data (54 countries)
Transparence des données électriques par pays (Ember, 2022)Electricity data transparency by country (Ember, 2022)
PaysCountry Score EmberEmber score ClasseClass Études EnerModEnerMod studies
Afrique du Sud4BonneGood97
Burundi3BonneGood34
Ghana3BonneGood97
Kenya3BonneGood91
Namibie3BonneGood36
Ouganda3BonneGood47
Burkina Faso2LimitéeLimited49
Guinée2LimitéeLimited37
Madagascar2LimitéeLimited20
Maroc2LimitéeLimited71
Maurice *2LimitéeLimited21
Mozambique2LimitéeLimited43
Niger2LimitéeLimited46
Rwanda2LimitéeLimited53
Seychelles *2LimitéeLimited12
Tunisie2LimitéeLimited43
Zimbabwe2LimitéeLimited40
Algérie1LimitéeLimited91
Botswana1LimitéeLimited39
Congo1LimitéeLimited29
Gabon1LimitéeLimited28
Guinée équatoriale1LimitéeLimited27
Lesotho1LimitéeLimited34
Malawi1LimitéeLimited42
Mauritanie1LimitéeLimited30
Nigeria1LimitéeLimited256
RD Congo1LimitéeLimited42
Sénégal1LimitéeLimited46
Tanzanie1LimitéeLimited64
Togo1LimitéeLimited43
Égypte1LimitéeLimited101
Angola0Aucune donnée publiqueNo public data33
Bénin0Aucune donnée publiqueNo public data43
Cameroun0Aucune donnée publiqueNo public data64
Cap-Vert *0Aucune donnée publiqueNo public data18
Comores *0Aucune donnée publiqueNo public data13
Côte d’Ivoire0Aucune donnée publiqueNo public data43
Djibouti0Aucune donnée publiqueNo public data30
Eswatini0Aucune donnée publiqueNo public data25
Gambie0Aucune donnée publiqueNo public data40
Guinée-Bissau0Aucune donnée publiqueNo public data37
Liberia0Aucune donnée publiqueNo public data36
Libye0Aucune donnée publiqueNo public data41
Mali0Aucune donnée publiqueNo public data42
République centrafricaine0Aucune donnée publiqueNo public data29
Sao Tomé-et-Principe *0Aucune donnée publiqueNo public data10
Sierra Leone0Aucune donnée publiqueNo public data43
Somalie0Aucune donnée publiqueNo public data35
Soudan0Aucune donnée publiqueNo public data46
Soudan du Sud0Aucune donnée publiqueNo public data27
Tchad0Aucune donnée publiqueNo public data37
Zambie0Aucune donnée publiqueNo public data47
Érythrée0Aucune donnée publiqueNo public data27
Éthiopie0Aucune donnée publiqueNo public data120

* non dessiné sur la carte. Études EnerMod : nombre d’études de modélisation qui couvrent le pays (une étude peut en couvrir plusieurs).* not drawn on the map. EnerMod studies: number of modelling studies covering the country (a study can cover several).

Calendrier prévisionnelPlanned timeline

  1. 2026–2027État de l’art ; choix du pays et du modèle de référence ; collecte des données ; premiers modèles de comparaison (baselines).Literature review; choice of the country and reference model; data collection; first baseline models.
  2. 2027–2028Développement et validation des méthodes sur l’étude de cas ; première publication.Development and validation of the methods on the case study; first publication.
  3. 2028–2029Généralisation en un cadre transposable à d’autres pays et modèles ; publications et manuscrit.Generalisation into a framework that transfers to other countries and models; publications and dissertation.
Lire le résumé completRead the full abstract

Les modèles énergétiques de long terme sont au cœur des exercices de planification qui orientent les choix d’investissement des États. Ils reposent sur une optimisation déterministe coûteuse en temps de calcul, appliquée à un petit nombre de scénarios construits à la main, et supposent des données d’entrée fiables. En Afrique subsaharienne, ces données sont souvent lacunaires, tandis que l’économie informelle, la biomasse traditionnelle et les coupures récurrentes d’approvisionnement restent largement absentes des représentations.

L’apprentissage profond apporte des réponses possibles à ces limites, qu’il s’agisse de reconstruire des données manquantes, d’émuler rapidement un modèle ou de générer des scénarios cohérents, mais il n’a été mobilisé jusqu’ici que pour accélérer des outils existants et presque jamais sur des cas africains. Cette thèse cherche à déterminer comment intégrer l’apprentissage profond dans la planification énergétique de long terme en Afrique. Elle vise à construire un cadre méthodologique qui prenne en compte les spécificités africaines, compose avec la rareté des données et permette de générer rapidement des scénarios plausibles.

Le travail s’appuiera sur un cas d’étude réunissant un pays d’Afrique subsaharienne et un modèle de prospective énergétique, à partir duquel les contributions seront précisées au fil de la thèse. Plusieurs pistes sont envisagées, comme l’exploitation d’imagerie satellite pour reconstituer les entrées manquantes, les réseaux de neurones informés par l’optimisation pour émuler le modèle et les modèles de diffusion contraints pour produire des scénarios physiquement admissibles.

Long-term energy system models lie at the heart of the planning exercises that guide national investment choices. They rely on computationally expensive deterministic optimization, applied to a small number of hand-built scenarios, and presuppose reliable input data. In sub-Saharan Africa such data are often patchy, while the informal economy, traditional biomass and recurrent supply outages remain largely absent from the representations.

Deep learning offers possible answers to these limitations, whether by reconstructing missing data, by emulating a model quickly or by generating coherent scenarios, but it has so far been used only to accelerate existing tools and almost never on African cases. This thesis seeks to determine how deep learning can be integrated into long-term energy planning in Africa. It aims to build a methodological framework that accounts for African specificities, copes with data scarcity and makes it possible to generate plausible scenarios quickly.

The work will rest on a case study combining one sub-Saharan African country and one long-term energy model, from which the contributions will be refined as the thesis progresses. Several directions are being considered, such as satellite imagery to reconstruct missing inputs, optimization-informed neural networks to emulate the model and constrained diffusion models to produce physically admissible scenarios.

Mots-clés : planification énergétique de long terme, apprentissage profond, rareté des données, Afrique subsaharienne, génération de scénarios, modèles de substitution.Keywords: long-term energy planning, deep learning, data scarcity, sub-Saharan Africa, scenario generation, surrogate models.

ProjetsProjects

Trois projets en ligne : une mission pour AISESA, un projet de groupe du Mastère OSE (Mastère Spécialisé® Optimisation des Systèmes Énergétiques) et un projet indépendant. Suivent deux projets académiques.Three projects online: a mission for AISESA, a group project of the OSE Master (Advanced Master in Energy Systems Optimisation) and an independent project. Two academic projects follow.

Page d’accueil d’EnerMod Africa : « Qui modélise l’avenir énergétique de l’Afrique ? » EnerMod Africa home page: “Who models Africa’s energy future?”

En ligne (bêta)Online (beta)2025–2026

Mission AISESAAISESA missionMastère OSEOSE Master

EnerMod Africa

Un observatoire ouvert des études de modélisation énergétique sur les pays africains, des outils qu’elles utilisent et des institutions qui les mènent.An open observatory of energy modelling studies on African countries, the tools they use and the institutions that lead them.

  • Revue systématique PRISMA menée au CMA sous l’encadrement de Nadia Maïzi : 9 582 références, 1 053 études incluses (publiées de 2001 à 2026).PRISMA systematic review carried out at the CMA under the supervision of Nadia Maïzi: 9,582 records, 1,053 studies included (published 2001–2026).
  • 101 outils de modélisation, 54 pays, cartes et analyse des lacunes, indice de préparation par pays.101 modelling tools, 54 countries, maps and gap analysis, country readiness index.
  • Outil de recommandation de modèle, exports ouverts, assistant qui cite ses sources.Model recommendation tool, open exports, assistant that cites its sources.
  • Activité d’AISESA (Cluster 1), conçue pour être transmise à la communauté d’AISESA.An AISESA Cluster 1 activity, designed for handover to the AISESA community.

Next.js · FastAPI · PostgreSQL · GPL-3.0 (code), CC BY 4.0 (données)GPL-3.0 (code), CC BY 4.0 (data)

Page d’accueil du simulateur WAPP DAM : « Comment quatorze pays fixeront, chaque jour, le prix de leur électricité » WAPP DAM Simulator home page: “How fourteen countries will set, every day, the price of their electricity”

En ligneOnline2025–2026

Projet de groupeGroup projectMastère OSEOSE Master

WAPP DAM Simulator

Un simulateur pédagogique open source du futur marché day-ahead de l’électricité d’Afrique de l’Ouest, pour les 14 pays du WAPP (West African Power Pool). Projet indépendant, non affilié au WAPP.An open-source educational simulator of West Africa’s upcoming day-ahead electricity market, covering the 14 countries of the WAPP (West African Power Pool). Independent project, not affiliated with the WAPP.

  • Couplage zonal avec ordres simples, blocs, blocs liés et exclusifs, conditions de revenu minimum. Le clearing se résout en trois étapes : maximisation du surplus, puis du volume échangé, puis calcul des prix admissibles.Zonal coupling with simple orders, blocks, linked and exclusive blocks and minimum income conditions. Clearing is solved in three steps: welfare maximisation, then traded volume, then admissible prices.
  • 14 zones, 15 interconnexions ; une journée de référence (24 h, près de 3 000 variables) résolue en moins d’une seconde (quelques secondes à une vingtaine avec 150 ordres par blocs) ; 68 tests.14 zones, 15 interconnectors; a reference day (24 h, nearly 3,000 variables) solved in under a second (a few seconds to about twenty with 150 block orders); 68 tests.
  • Salle de formation à plusieurs participants pour tester des stratégies d’offre. Les prix sont simulés, sur des capacités et des profils estimés : le marché n’a pas encore ouvert.Training room for several participants to test bidding strategies. Prices are simulated, on estimated capacities and profiles: the market has not opened yet.

Développé avec Enrico Patanè, à partir d’un projet de groupe auquel ont aussi participé Lucien Kouakou, Mouhamadou Sow et Wissem Hmila. Encadrement : El Hadji Tamsir Diop (SENELEC, société nationale d’électricité du Sénégal) et Adrien Atayi (EPEX SPOT, bourse de l’électricité).Developed with Enrico Patanè, building on a group project that also involved Lucien Kouakou, Mouhamadou Sow and Wissem Hmila. Supervised by El Hadji Tamsir Diop (SENELEC, Senegal’s national electricity company) and Adrien Atayi (EPEX SPOT, power exchange).

Python · Pyomo · HiGHS · FastAPI · React · Apache 2.0

Page d’accueil de Krinea : « L’atelier de revue systématique qui vous laisse aux commandes » Krinea home page: “The systematic review workbench that keeps you in control”

En ligne (bêta)Online (beta)2026

Projet indépendantIndependent project

Krinea

Un atelier open source de revue systématique, de l’export de recherche jusqu’au diagramme PRISMA 2020. Il est né de l’outil d’extraction construit pour la revue systématique EnerMod.An open-source workbench for systematic reviews, from search export to the PRISMA 2020 diagram. It grew out of the extraction tool built for the EnerMod systematic review.

  • Import RIS, BibTeX, PubMed, Web of Science, CSV et Excel ; dédoublonnage ; double lecture en aveugle avec résolution des conflits.Import from RIS, BibTeX, PubMed, Web of Science, CSV and Excel; deduplication; blind double screening with conflict resolution.
  • Extraction par IA dans un formulaire défini par l’équipe : l’IA propose une citation verbatim pour chaque champ, à vérifier à côté du PDF.AI extraction into a team-defined form: the AI proposes a verbatim quote for each field, to be checked beside the PDF.
  • Lors de la revue EnerMod, le prototype a servi à vérifier 435 études ; temps de vérification humaine médian : 1,2 minute par étude.During the EnerMod review, the prototype was used to verify 435 studies; median human verification time: 1.2 minutes per study.

Next.js · FastAPI · PostgreSQL · PyMuPDF · AGPL-3.0 & MIT

2025–2026

Finance durable, EDHEC Business School · Mastère OSESustainable finance, EDHEC Business School · OSE Master

Portefeuille bas carbone S&P 500Low-carbon S&P 500 portfolio

Conception d’un portefeuille actions bas carbone pour un fonds de pension (cas d’étude) : sélection de 50 titres, optimisation sous contraintes de carbone, de risque et de tracking error, comparaison de six stratégies. Backtest hors échantillon avec rééquilibrage trimestriel. Objectif : réduire de 50 % l’intensité carbone par rapport à l’indice.Design of a low-carbon equity portfolio for a pension fund (case study): selection of 50 stocks, optimisation under carbon, risk and tracking-error constraints, comparison of six strategies. Out-of-sample backtest with quarterly rebalancing. Goal: cut carbon intensity by 50% against the index.

Python · pandas · SciPy

2025–2026

Projet de promotion, Mastère OSECohort project, OSE Master

Optimisation énergétique des systèmes de santéEnergy optimisation of healthcare systems

Synthèse prospective sur la décarbonation du secteur hospitalier : efficacité énergétique, mobilité, téléconsultation, gestion des déchets médicaux. Analyse de la flexibilité des consommations hospitalières : potentiel d’effacement, valorisation sur les marchés, optimisation des coûts énergétiques.Foresight synthesis on decarbonising the hospital sector: energy efficiency, mobility, teleconsultation, medical waste management. Analysis of hospital demand flexibility: demand-response potential, monetisation on the markets, energy cost optimisation.

Écrits et communicationsWriting and talks

2026

CommunicationTalk

Mapping energy modelling tools and analytical capacities across African countries. 3e congrès AISESA, Kampala (Ouganda), 14–16 septembre 2026. Présentation de la revue systématique et de l’observatoire EnerMod Africa.3rd AISESA Congress, Kampala (Uganda), 14–16 September 2026. Presentation of the systematic review and of the EnerMod Africa observatory.

2026

Mémoire de mastèreMaster’s thesis

Plakoo, K. A. Who models Africa’s energy future? A systematic review of energy modelling studies and tools applied to African countries, and the EnerMod Africa Observatory. Mastère Spécialisé® OSE, Mines Paris – PSL, pour AISESA Cluster 1.OSE Master, Mines Paris – PSL, for AISESA Cluster 1.

En préparationIn preparation

Article de perspectivePerspective paper

Plakoo et al. Article de perspective sur les approches de modélisation énergétique pour les contextes africains, co-écrit au sein de la communauté AISESA Cluster 1.Plakoo et al. Perspective paper on energy modelling approaches for African contexts, co-written within the AISESA Cluster 1 community.

En préparationIn preparation

Note techniqueTechnical note

Note technique du WAPP DAM Simulator : règles de clearing et cas-tests publics.WAPP DAM Simulator technical note: clearing rules and public test cases.

ParcoursBackground

ExpérienceExperience

  1. Depuis octobre 2026Since October 2026

    DoctorantPhD candidate

    CMA, Mines Paris – PSL, Sophia Antipolis

  2. Octobre 2025 – septembre 2026October 2025 – September 2026

    Ingénieur modélisation, systèmes énergétiques africainsModelling engineer, African energy systems

    TTI.5 (The Transition Institute 1.5, Mines Paris – PSL) / AISESA · alternance du Mastère OSEOSE Master work-study

    Revue systématique PRISMA et observatoire EnerMod Africa (voir Projets) ; cartographie et analyse critique des outils de modélisation (TIMES, LEAP, OSeMOSYS…), études de cas sur les trajectoires énergétiques africaines.PRISMA systematic review and the EnerMod Africa observatory (see Projects); mapping and critical analysis of modelling tools (TIMES, LEAP, OSeMOSYS…), case studies of African energy pathways.

  3. Mars – août 2025March – August 2025

    Stage ingénieur R&D, modélisation hybride IA–physiqueR&D engineering intern, hybrid AI–physics modelling

    Safran Composites, Itteville

    Architecture hybride couplant réseaux de neurones informés par la physique (PINN) et réseaux récurrents LSTM (Long Short-Term Memory), comparée à des modèles purement fondés sur les données ; validation sur données expérimentales, généralisation hors du domaine d’entraînement, revue bibliographique de plus de 50 articles.Hybrid architecture coupling physics-informed neural networks (PINN) with LSTM (Long Short-Term Memory) networks, compared against purely data-driven models; validation on experimental data, generalisation outside the training domain, literature review of more than 50 papers.

  4. Juin – septembre 2024June – September 2024

    Stage ingénieur d’études, efficacité énergétiqueEngineering intern, energy efficiency

    Coriolis Composites, Quéven

    Audit énergétique d’équipements industriels, diagnostic prédictif par apprentissage automatique (Random Forest, XGBoost), recommandations d’amélioration.Energy audit of industrial equipment, predictive diagnostics with machine learning (Random Forest, XGBoost), improvement recommendations.

FormationEducation

  1. Mastère Spécialisé® OSE (Optimisation des Systèmes Énergétiques)OSE Master (Advanced Master, MS®, in Energy Systems Optimisation)

    Mines Paris – PSL · 2025–2026

    Marchés de l’énergie, optimisation (PL, PLNE, programmation dynamique), modélisation prospective, théorie des jeux, aide à la décision.Energy markets, optimisation (LP, MILP, dynamic programming), long-term modelling, game theory, decision support.

  2. Diplôme d’ingénieur (thermique, énergétique, mécanique)Engineering degree (thermal science, energy, mechanics)

    Polytech Nantes · 2022–2025

CompétencesSkills

Modèles énergétiquesEnergy models
TIMESLEAPOSeMOSYSPyPSAAntares
Optimisation
PyomoGurobiHiGHSPL / PLNELP / MILPStochastiqueStochastic
Apprentissage automatiqueMachine learning
PyTorchscikit-learnPINNLSTMXGBoost
LogicielSoftware
PythonFastAPINext.jsPostgreSQLDocker
LanguesLanguages
Français (natif)French (native)Anglais (TOEIC 905)English (TOEIC 905)

Contact

Une question sur la thèse, l’un des projets ou une collaboration ? Écrivez-moi.A question about the thesis, one of the projects or a collaboration? Write to me.