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

• Auteur / Autrice : Kodjovi Aymard Plakoo
• Direction : Nadia Maïzi, Jesus Angulo
• Type : Projet de thèse
• Discipline(s) : Contrôle, optimisation, prospective
• Date : Inscription en doctorat le 01/10/2026
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CMA - Centre de Mathématiques Appliquées
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Planification énergétique de long terme

Apprentissage profond

Rareté des données

Afrique subsaharienne

Génération de scénarios

Modèles de substitution

Long-term energy planning

Deep learning

Data scarcity

Sub-Saharan Africa

Scenario generation

Surrogate models

Résumé

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.