La crise énergétique de 2022, amplifiée par les tensions géopolitiques et les restrictions sur les ressources fossiles, a mis en lumière les défis croissants liés à l'intégration des énergies renouvelables dans le mix énergétique. L'augmentation de l'intermittence liée à ces sources a souligné la nécessité d'optimiser la gestion des fluctuations pour maximiser la rentabilité des actifs énergétiques. En ce sens, plusieurs modèles de deep learning ont été développés pour minimiser la quantité d'électricité vendue aux écarts, en optimisant les prévisions de production pour les cogénérations, les UVE, et le solaire, tout en anticipant les prix des écarts positifs et négatifs pour identifier des opportunités d'arbitrage. Certains modèles ont déjà été mis en production, permettant d’optimiser quotidiennement le coût d’équilibrage. En parallèle, un modèle stochastique a été élaboré pour le pricing d'options à risque neutre sur le marché de l’électricité. Ce modèle permet d'évaluer des options financières offrant une couverture contre la volatilité des prix des différents sous-jacents. Cette approche vise à se protéger contre les risques à moyen et long terme, dans un marché où l'instabilité devient la norme.