Data Science & IA Appliquée à l’Énergie

Data Science & IA Appliquée à l’Énergie (DSA2102, semestre 2, 4 crédits) forme l’ingénieur GEEL à exploiter les données massives produites par les centrales solaires, les mini-réseaux et les compteurs intelligents : prévoir la production PV et la charge, détecter automatiquement les défauts de strings, estimer la durée de vie restante des batteries, puis mettre ces modèles en production. Le cours est résolument pratique (16 h de TP, évaluation 100 % contrôle continu) : chaque notion est illustrée par un code Python exécuté (scikit-learn, Keras, MLflow, FastAPI, Streamlit) sur des données représentatives du Niger (fort ensoleillement, températures de 40–45 °C, épisodes d’harmattan qui réduisent l’irradiance et encrassent les modules).

Objectifs d’apprentissage

• Maîtriser les algorithmes d’apprentissage automatique pour la prévision de production et de consommation.
• Développer des modèles de deep learning (LSTM, CNN) pour l’analyse de séries temporelles énergétiques.
• Appliquer les techniques de détection d’anomalies et de maintenance prédictive sur des données réelles.
• Déployer un pipeline complet de Data Science (collecte → prétraitement → modélisation → déploiement).

Prérequis

Informatique Appliquée Python (INF1303) ; Probabilités & Statistiques 2 (PST2102) ; Simulation & Modélisation MATLAB. Environnement conseillé : Python 3.10+, Jupyter, scikit-learn, pandas, Keras 3 (backend TensorFlow ou PyTorch), MLflow, FastAPI, Streamlit, Docker.

Plan du cours

1. Leçon 1 — Fondements du Machine Learning pour l’Énergie
2. Leçon 2 — Deep Learning pour Séries Temporelles
3. Leçon 3 — Maintenance Prédictive et Détection d’Anomalies
4. Leçon 4 — MLOps et Déploiement

Travaux pratiques

• TP 1 : prévision de puissance PV par régression (OLS, Ridge, Lasso) avec validation croisée temporelle.
• TP 2 : prévision de production PV 24 h par LSTM sur données PVGIS Niger.
• TP 3 : système de monitoring prédictif d’un parc solaire 1 MWc (autoencoder, Isolation Forest).
• TP 4 / projet intégré : pipeline complet MLflow → FastAPI → Docker → Streamlit.

Modalités d’évaluation

Volume horaire : CM 18 h, TD 6 h, TP 16 h, TPE 40 h (CTT 80 h, 4 crédits). Évaluation : contrôle continu 100 % — nature TP (pratique) : comptes rendus de TP, notebooks rendus, projet intégré avec démonstration.

Bibliographie

• Géron A., Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, O’Reilly.
• Chollet F., Deep Learning with Python, Manning.
• Hyndman R. J. & Athanasopoulos G., Forecasting: Principles and Practice, OTexts (accès libre).
• Kleppmann M., Designing Data-Intensive Applications, O’Reilly (pour l’architecture des pipelines).