Smart Grid et Gestion de l’Énergie

Le cours SGE1202 — Smart Grid et Gestion de l’Énergie (3 crédits ; CM 18 h, TD 6 h, TP 6 h, TPE 30 h ; charge totale 60 h) prolonge les enseignements de Licence sur les réseaux intelligents et l’IoT. Il forme l’ingénieur GEEL à concevoir la « couche numérique » d’un réseau électrique : comptage évolué, supervision de la distribution, gestion des ressources distribuées, et surtout systèmes de gestion de l’énergie (EMS) capables d’optimiser en temps réel un mini-réseau PV + stockage + groupe diesel, cas typique de l’électrification rurale au Niger. Les méthodes d’optimisation (MILP, commande prédictive, apprentissage par renforcement) sont mises en œuvre en Python sur des données sahéliennes, et le cours se termine par une analyse critique de la situation en Afrique de l’Ouest (WAPP, comptage NIGELEC, mini-réseaux).

Objectifs d’apprentissage

• Concevoir l’architecture d’un système de gestion de l’énergie (EMS) pour micro-réseau intelligent.
• Implémenter des algorithmes d’optimisation en temps réel pour l’équilibrage offre-demande.
• Maîtriser les technologies de communication AMI et les protocoles standards des smart grids.
• Analyser les modèles de marché de l’énergie et les mécanismes d’agrégation de flexibilité.

Prérequis

Réseaux Intelligents — Licence S5 (SGR5302) ; IoT et Réseaux de Capteurs (IOT5202). Des bases de Python (listes, boucles, fonctions) et de programmation linéaire sont recommandées.

Plan du cours

1. Leçon 1 — Architecture Smart Grid
2. Leçon 2 — Systèmes de Gestion de l’Énergie (EMS/BEMS)
3. Leçon 3 — Optimisation de la Gestion d’Énergie
4. Leçon 4 — Smart Grid en Afrique de l’Ouest

Travaux pratiques

• TP guidé (leçon 2) : stratégie de peak shaving et d’arbitrage tarifaire pour un atelier PV + BESS, simulation horaire sous Python/tableur.
• TP guidé (leçon 3) : optimisation MILP de l’EMS d’un mini-réseau 500 kWc PV + 1 MWh BESS + groupe diesel (PuLP/CBC), puis variante par Q-learning.

Modalités d’évaluation

Contrôle continu + examen terminal : CC 40 % (comptes rendus de TP, TD notés, quiz en ligne), ET 60 % (épreuve écrite de synthèse). Nature : mixte (M).

Bibliographie

• Farhangi, H. (dir.), The Path of the Smart Grid, IEEE Press.
• Kassakian, J. G. & Schmalensee, R. (dir.), The Future of the Electric Grid, MIT Press.
• Momoh, J., Smart Grid: Fundamentals of Design and Analysis, Wiley-IEEE Press (complément).
• Sutton, R. S. & Barto, A. G., Reinforcement Learning: An Introduction, MIT Press (complément, chapitre Q-learning).