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