Inférence causale par contrôles synthétiques construits par Deep Learning

Causal inFerence using synthetic controls built with neural networks

• Auteur / Autrice : Maha Ouali
• Direction : Badih Ghattas, Emmanuel Flachaire
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 19/02/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille

Mots clés

Mots clés libres

Inférence causale

Controle synthetique

Intelligence artificielle

Causal Inference

Synthetic control

Deep Learning

Résumé

Début de thèse Les récentes crises géopolitiques et des marchés de l'énergie au sein de l'Union européenne, associées aux défis de la maintenance des centrales nucléaires françaises, ont révélé la fragilité des systèmes énergétiques. Le prix de l'électricité, lié au dernier moyen de production pendant les périodes de pointe, est influencé par les prix du gaz. La conjonction de plusieurs facteurs, dont la disponibilité limitée des centrales nucléaires françaises et la guerre en Ukraine, a entraîné une flambée des prix du gaz, impactant les prix de l'électricité. En réponse, les gouvernements de l'UE, y compris la France, ont mis en place des plans d'efficacité énergétique visant une réduction de 10 % de la consommation d'ici 2024. Cela représente à la fois un défi et une opportunité pour la transition écologique et la réduction de la dépendance aux combustibles fossiles. Ces transitions nécessitent une synchronisation avec la production d'énergies renouvelables et incluent des leviers tels que la tarification, les incitations financières, l'information sur la consommation, l'isolation des habitations, le renouvellement des appareils, l'autoconsommation et la gestion de la charge. EDF R&D a renforcé ses capacités d'évaluation des impacts des actions de gestion de la demande en énergie (EDM), transformant ces besoins en un défi crucial. Le projet de recherche vise à évaluer l'impact des leviers et des plans d'efficacité énergétique. Dans le contexte industriel, les expériences contrôlées sont irréalisables, ce qui conduit à une dépendance vis-à-vis des méthodes basées sur les données observables. Cependant, ces méthodes introduisent des défis, tels que le biais de sélection dans les groupes de traitement basés sur le volontariat. Des variables non observables, comme la conscience écologique et la qualité des rénovations, peuvent influencer la consommation d'énergie, biaisant ainsi l'estimation de l'effet du traitement. Par conséquent, le défi réside dans la construction d'un contre-factuel corrigé pour compenser le biais de sélection. L'étude vise à apporter des perspectives sur les stratégies efficaces de gestion de la demande en énergie et à trouver un équilibre entre consommation et production dans le contexte des marchés de l'énergie en évolution et des incertitudes géopolitiques.

/The recent geopolitical and energy market crises within the European Union, coupled with challenges in maintaining the French nuclear power plants, have exposed the fragility of energy systems. The electricity price, linked to the last means of production during peak periods, is affected by gas prices. The confluence of factors, including the limited availability of French nuclear plants and the war in Ukraine, resulted in a gas price surge, impacting electricity prices. In response, EU governments, including France, have implemented energy efficiency plans aiming for a 10% consumption reduction by 2024. This presents a challenge and an opportunity for ecological transition and reduced dependence on fossil fuels. The transitions require synchronization with renewable energy production and include levers such as pricing, financial incentives, consumption information, home insulation, appliance renewal, self-consumption, and load management. EDF R&D has enhanced capabilities to assess impacts of Energy Demand Management (EDM) actions, turning these needs into a crucial challenge. The research project aims to evaluate the impact of levers and energy efficiency plans. In the industrial context, controlled experiments are unfeasible, leading to reliance on observable data methods. However, these methods introduce challenges, such as selection bias in volunteer-based treatment groups. Unobservable variables like ecological awareness and renovation quality can influence energy consumption, biasing treatment effect estimation. Thus, the challenge lies in constructing a corrected counterfactual for selection bias. The study seeks to contribute insights into effective strategies for managing energy demand and achieving a balance between consumption and production in the context of evolving energy markets and geopolitical uncertainties.