Recherche Opérationnelle Appliquée EnR

La Recherche Opérationnelle Appliquée aux Énergies Renouvelables (ROP2101, semestre 2, 3 crédits) donne à l’ingénieur GEEL les outils mathématiques et logiciels pour décider au mieux : quels groupes électrogènes démarrer demain matin dans un mini-réseau, quelle taille de champ PV et de batterie retenir pour un village du Tillabéri, comment se couvrir contre l’incertitude solaire en saison d’harmattan. Le cours part des rappels de programmation mathématique (linéaire, non linéaire, en nombres entiers), les applique au problème central de l’exploitation des systèmes électriques — le Unit Commitment et le dispatching économique —, introduit l’optimisation sous incertitude (stochastique à deux étapes, optimisation robuste), puis les métaheuristiques (AG, PSO, DE, NSGA-II) utilisées pour le dimensionnement multi-objectif des systèmes hybrides. Chaque leçon s’appuie sur des modèles exécutables en Python (PuLP/CBC, SciPy, scikit-learn) et sur des cas nigériens (mini-réseaux ANPER, centrales hybrides PV–diesel–batterie).

Objectifs d’apprentissage

• Formuler et résoudre des problèmes d’optimisation complexes dans les systèmes énergétiques.
• Maîtriser la programmation linéaire en nombres entiers mixtes (MILP) pour le planning énergétique.
• Appliquer les méthodes de décomposition (Benders, Lagrangien) aux grands systèmes de puissance.
• Utiliser les algorithmes évolutionnistes (AG, PSO, DE) pour l’optimisation des EnR.

Prérequis

Mathématiques de l’Ingénieur 2 (MGE2101) : algèbre linéaire, calcul différentiel, optimisation élémentaire ; Probabilités & Statistiques 2 (PST2102) : variables aléatoires, espérance, quantiles. Une pratique de base de Python (NumPy) est recommandée.

Plan du cours

1. Leçon 1 — Rappels et Extensions de la Programmation Mathématique
2. Leçon 2 — Optimisation du Unit Commitment et Economic Dispatch
3. Leçon 3 — Optimisation Stochastique
4. Leçon 4 — Métaheuristiques pour l’Énergie

Travaux pratiques

• Le syllabus ne prévoit pas de TP en salle (0 h) : les applications de chaque chapitre (scheduling PV+Diesel+BESS, planification robuste d’un micro-réseau, NSGA-II sur un parc hybride) sont traitées en TD (8 h) et en travail personnel (34 h) sous forme d’études de cas guidées avec code Python fourni.

Modalités d’évaluation

Volume horaire : CM 18 h, TD 8 h, TP 0 h, TPE 34 h (CTT 60 h, 3 crédits). Évaluation : examen terminal (ET) 100 % — nature mixte (questions de cours, formulation de modèles, calculs d’optimisation, interprétation de résultats de solveur).

Bibliographie

• Hillier F. S. & Lieberman G. J., Introduction to Operations Research, McGraw-Hill.
• Birge J. R. & Louveaux F., Introduction to Stochastic Programming, Springer.
• Wood A. J., Wollenberg B. F. & Sheblé G. B., Power Generation, Operation and Control, Wiley.
• Deb K., Multi-Objective Optimization using Evolutionary Algorithms, Wiley.