Relever les défis de la neutralité carbone et développement durable exige, de la part des décideurs publics et des entreprises, des capacités d’anticipations cohérentes sur le long terme et la prise en compte de la complexité et des interdépendances entre innovations technologiques, impacts économiques, modes de vie et objectifs environnementaux. La proposition centrale de l’axe de recherche en modélisation prospective du CMA consiste alors à développer des modèles d’optimisation permettant de formaliser et d’étudier les choix énergétiques dans leur dimension systémique et intertemporelle. Cette activité de recherche se déploie à travers la modélisation de systèmes énergétiques aux échelles régionales, nationales, continentales ou mondiales, ainsi que par la création et l’animation de la Chaire Modélisation prospective au service du développement durable.

La conception et l’opération des systèmes complexes en vue de leur décarbonation soulèvent de nouvelles questions théoriques et pratiques en optimisation mathématique : comment traiter les dynamiques non-convexes, non-différentiables de ces systèmes physiques, conjointement avec des incertitudes sur les données prévisionnelles ou des décisions discrètes et des conditions logiques de fonctionnement, et ce, sur des échelles temporelles et spatiales multiples et larges ?

Là où des problèmes d’ingénierie de forte complexité et de grandes dimensions sont traités historiquement avec des modèles d’optimisation simplifiés et des algorithmes heuristiques dédiés, le CMA emploie une approche méthodologique, en étudiant des classes générales de programmes mathématiques, en concevant des algorithmes polyvalents avec garantie de convergence, en les appliquant à des modèles détaillés, notamment sur les problèmes décisionnels relatifs à la production et à la consommation d’énergie.

Du fait de la transition numérique qu’a connue le secteur de l’énergie au cours des dernières décennies, les modèles basés sur les données complètent avantageusement les approches classiques basées sur la physique. En effet, ces dernières requièrent un niveau élevé de détails qui peut entraîner une charge de calcul trop importante pour certaines analyses telles que les prévisions opérationnelles nécessitant la génération d’ensembles de prévisions via des simulations multiples. Par conséquent, des techniques moins coûteuses en calcul, comme la modélisation basée sur les données, doivent être envisagées. Les systèmes bas carbone étudiés au CMA sont nombreux et variés.