Antares est un outil de simulation open source développé par le Réseau de Transport de l’Électricité (RTE) qui permet de modéliser le système électrique européen, en intégrant les incertitudes liées à la météo, à la consommation, et à la production renouvelable. Fondamentalement, Antares dispose de moyens de production d'électricité et minimise la fonction de coût associée pour répondre à une demande. Cet outil est essentiel à la réalisation de nombreuses études prospectives menées par RTE dans le but d'éclairer le débat public autour du marché de l'électricité, comme le Bilan Prévisionnel 2023-2025 et Futurs Énergétiques 2050. Afin de vérifier la cohérence d'Antares et de mener des analyses de sensibilité, RTE réalise des "rejeux" des années écoulées. C'est dans le cadre du projet “rejeu 2024”, couvrant la période de juillet 2023 à juin 2024 que s'est réalisée cette alternance. L’objectif de ce rejeu est de produire une chronique de prix aussi fidèle que possible, tout en garantissant la cohérence énergétique et la robustesse du modèle. Le simulateur reste cependant imparfait, car il repose sur des hypothèses idéalisées du comportement des acteurs du marché, ce qui engendre des écarts avec les prix réels. Pour comprendre plus finement l'origine de ces écarts, l'objectif était de faire la sélection de différentes variables explicatives, puis de développer des modèles statistiques, avec une approche centrée sur l’explication des écarts par des modèles de régression linéaire, plutôt que sur la prédiction pure. Les étapes clés ont inclus la récupération et le traitement automatisé des données, le test de significativité des variables explicatives, et la mise en œuvre de différentes méthodes de sélection : greffage (forward), prunage (backward) et régression pas à pas (stepwise), avec des variantes saisonnières et cycliques. Les variables testées ont été classées en trois catégories : marché, écart de production, et variables fictives (ex. : cycles). Afin d'adapter l’étude à l'analyse de séries temporelles. Des aspects statistiques avancés, tels que l’autocorrélation et l’hétéroscédasticité des résidus, nécessitant le recours aux moindres carrés généralisés (MCG) pour améliorer la fiabilité des estimations. Les modèles développés ont été évalués selon des critères statistiques comme la log-vraisemblance, l’AIC, le BIC et l’erreur standard des résidus (RSE). Les résultats ont montré que les variables de type écart de production entre Antares et la réalité étaient les plus grandes causes des écarts finaux de prix. Cette méthode statistique permet d’identifier les variables les plus influentes et peut être utilisée de deux manières : faire le diagnostic d'un rejeu afin de déterminer des axes de travail prioritaire, et faire un post-traitement des prix afin de mener des analyses plus fines, en particulier sur des études prospectives.