Les marchés de l’électricité sont aujourd’hui en forte transformation, notamment du fait des efforts de libéralisation pour étendre la compétence de gestion du système électrique par le marché. C’est par exemple le cas avec la mise en place de prix nodaux pour gérer les congestions sur le réseau. Par ailleurs, le développement des moyens de production d’électricité d’origine renouvelable met en cause le fonctionnement du système électrique. Dans ce cadre, la question d’investissement pour un producteur éolien se complexifie. Sa rémunération est susceptible à court terme de passer d’un système de subvention, à une rémunération basée sur le produit des ventes sur le marché, fluctuante dans le temps et l’espace (dans le cadre de marchés à prix nodal). Dans ce contexte, ce travail de thèse propose une analyse de l’impact des caractéristiques éoliennes de sites potentiels d’installation, le facteur de charge et la prédictibilité (capacité d’un site à fournir de bonnes prévisions), sur la décision d’investissement. Nous commençons par une analyse statistique pour plusieurs marchés, puis proposons un estimateur du revenu des producteurs éoliens, afin de réaliser le même travail d’une manière moins coûteuse qu’avec un calcul exhaustif. Ensuite, afin de mener ce type d’analyse avec un mix énergétique paramétrable, nous développons un outil de résolution du problème d’optimisation de l’implantation de centrales éoliennes dans un cadre de marché à prix nodal. Il prend en compte une participation au marché de l’électricité la veille pour le lendemain, ainsi que les pénalités versées pour les déviations introduites entre les productions prévues et injectées en temps réel (dues aux erreurs de prévision). Nous faisons l’hypothèse que les productions renouvelables sont suffisamment importantes pour impacter les prix de marché (qui sont également générés avec l’outil), et nous prenons en compte des scénarios pour les productions éoliennes et la demande. Il s’agit donc d’un problème d’optimisation stochastique résolu à l’aide d’une décomposition de Benders. Enfin, nous analysons l’impact du facteur de charge et de la prédictibilité sur l’investissement optimal, selon la configuration pour le coût de la régulation, la capacité des lignes et la corrélation des données éoliennes. / Electricity markets are in a period of intense change. This is notably due to liberalization efforts to increase the extent of electricity system’s management carried out through market operations. One such example is the implementation of nodal prices for network constraints. Moreover, the surge for electricity from renewable sources questions the operation of the electricity system. In this framework, the investment issue for wind producers is becoming more complex. Its income may go from a subsidy-based scheme to a full market participation in the short term, and more volatile according to time and location (in a nodal-pricing scheme). Bearing all this in mind, this PhD work first analyzes the impact of potential installation sites’ characteristics: load factor, and predictability (a site’s ability to enable reliable predictions), on investment. To this end, we carry out a statistical analysis on historical data from several markets, then we suggest an estimator of wind producers revenue, to carry out the same work with a less costly approach than exhaustive calculation. Then, in order to carry out the same kind of analysis, this time in a customizable framework, we build an algorithm to solve the problem of Optimal investment planning of wind turbines within a nodal price market environment. It takes into account the participation in the Day-ahead market as well as penalties paid for imbalances between the energy contracted and injected in real-time (due to forecasting errors). We assume renewable production is important enough to influence market prices which are also generated with our model, and we integrate scenarios for wind production and demand. Therefore we have a stochastic problem which we solve using Benders decomposition. Ultimately we analyze the impact of load factor and predictability on optimal investment according to the chosen setting for regulation cost, line capacities and wind data correlation.