École Privée d’Ingénierie du Niger — L’école du nouveau monde

✉ elearning@epiniger.edu.ne    🌐 epiniger.edu.ne

EPI e-Learning

L'école du nouveau monde · Plateforme e-Learning

Semestre : Master 1

  • Micro-réseaux et Systèmes Autonomes

    Ce cours de M1 (semestre 2) forme l’ingénieur GEEL à la conception et à la conduite des micro-réseaux, solution centrale de l’électrification rurale au Niger. Il couvre l’architecture et la classification des micro-réseaux (AC, DC, hybrides), leurs composants (PV, éolien, diesel, stockage BESS, charges critiques et délestables), les modes connecté et îloté avec la synchronisation, le cadre normatif (IEEE 2030.7, IEC 62898), puis la hiérarchie de commande : contrôle primaire par statisme (droop), générateur synchrone virtuel (VSG), contrôle secondaire distribué par systèmes multi-agents, contrôle tertiaire économique. Il traite ensuite la stabilité petit-signal, les interactions entre convertisseurs par la méthode de l’impédance, les harmoniques, le déséquilibre et le filtrage actif, avant d’aboutir au dimensionnement d’un mini smart grid pour un village nigérien de 500 foyers (méthode HOMER, communication LoRaWAN + SCADA, modèles économiques PAYGO, retours d’expérience).

    Objectifs d’apprentissage

    • Concevoir l’architecture électrique et de contrôle d’un micro-réseau autonome (islanded microgrid).
    • Implémenter les stratégies de contrôle primaire (droop) et secondaire (restauration) d’un micro-réseau.
    • Analyser la stabilité et la qualité de l’énergie dans un micro-réseau à forte pénétration EnR.
    • Dimensionner et optimiser un mini smart grid rural pour l’électrification au Niger.

    Prérequis

    Systèmes Hybrides EnR (SYH4402) ; Smart Grid et Gestion de l’Énergie (SGE1202). Commande des onduleurs, représentation d’état, notions de puissance réactive et de composantes symétriques.

    Plan du cours

    1. Leçon 1 — Architecture et classification des micro-réseaux
    2. Leçon 2 — Contrôle des micro-réseaux
    3. Leçon 3 — Stabilité et qualité dans les micro-réseaux
    4. Leçon 4 — Micro-réseaux ruraux au Niger

    Travaux pratiques

    • Simulation du partage de charge par droop et de la restauration secondaire entre plusieurs onduleurs (Leçon 2).
    • Étude de stabilité d’un bus DC alimentant des charges à puissance constante (Leçon 3).
    • Dimensionnement HOMER d’un mini smart grid pour un village de 500 foyers (Leçon 4).

    Modalités d’évaluation

    Volume horaire : CM 18 h, TD 6 h, TP 6 h, TPE 30 h (CTT 60 h) — 3 crédits. Évaluation mixte : contrôle continu 40 % (TD, comptes rendus de TP, étude de dimensionnement) et examen terminal 60 %.

    Bibliographie

    • Lasseter R. H., Microgrids and Distributed Generation, IEEE Power & Energy.
    • IRENA, Minigrids for Rural Electrification of Developing Countries (2016).
    • Hatziargyriou N. (dir.), Microgrids: Architectures and Control, Wiley-IEEE Press.
    • ESMAP / Banque mondiale, Mini Grids for Half a Billion People (2019).

  • Véhicules Électriques & Mobilité Durable

    Ce cours de M1 (semestre 2) donne à l’ingénieur GEEL une vision complète du véhicule électrique (VE), de la chaîne de traction au réseau de distribution. Il aborde l’architecture électrique et électronique des VE (BEV, PHEV, HEV, FCEV), le dimensionnement de la chaîne de traction (moteur, onduleur, batterie, chargeur), la gestion de l’énergie embarquée (BMS, estimation SoC/SoH, stratégies EMS, freinage récupératif), l’infrastructure de recharge (modes IEC 61851, charge rapide DC, OCPP, recharge pilotée et V2G) et enfin les enjeux spécifiques de l’Afrique de l’Ouest : essor des deux-roues électriques, bus urbains, impact sur le réseau NIGELEC de Niamey, recharge solaire en zone rurale. Les calculs s’appuient sur des cas réalistes : taxi-moto électrique à Niamey, bus urbain, dépôt de flotte, borne solaire villageoise.

    Objectifs d’apprentissage

    • Comprendre l’architecture électrique et électronique d’un véhicule électrique moderne.
    • Dimensionner la chaîne de traction électrique : moteur, onduleur, batterie, chargeur.
    • Analyser les stratégies de gestion de l’énergie embarquée pour maximiser l’autonomie.
    • Évaluer l’impact des VE sur les réseaux de distribution et les opportunités V2G en Afrique.

    Prérequis

    Électronique de Puissance (ELP2202) ; Stockage de l’Énergie (STK5301). Mécanique du point, machines synchrones, convertisseurs DC-DC et onduleurs, technologies de batteries lithium-ion.

    Plan du cours

    1. Leçon 1 — Architecture des véhicules électriques
    2. Leçon 2 — Stockage et gestion de l’énergie embarquée
    3. Leçon 3 — Infrastructure de recharge
    4. Leçon 4 — VE en Afrique de l’Ouest : enjeux et opportunités

    Travaux pratiques

    • Simulation d’un cycle de conduite et dimensionnement de la chaîne de traction (Leçon 1).
    • Estimation du SoC par comptage coulométrique et recalage OCV sur un pack de moto électrique (Leçon 2).
    • Dimensionnement d’un dépôt de recharge de bus et d’un plan de recharge pilotée (Leçon 3).

    Modalités d’évaluation

    Volume horaire : CM 18 h, TD 6 h, TP 6 h, TPE 30 h (CTT 60 h) — 3 crédits. Évaluation mixte : contrôle continu 40 % (TD, TP, étude de cas) et examen terminal 60 %.

    Bibliographie

    • Chan C. C. et Chau K. T., Modern Electric Vehicle Technology, Oxford University Press.
    • IEA, Global EV Outlook 2024 (gratuit en ligne).
    • Ehsani M. et al., Modern Electric, Hybrid Electric, and Fuel Cell Vehicles, CRC Press.
    • Larminie J. et Lowry J., Electric Vehicle Technology Explained, Wiley.

  • Commande Avancée des Machines Électriques

    Ce cours de M1 (semestre 2) approfondit la commande des entraînements à vitesse variable au niveau exigé par l’industrie et la recherche : commande vectorielle à flux orienté (FOC) implantée sur processeur de signal, commande directe du couple (DTC) et ses variantes modulées et prédictives, commande sans capteur mécanique par observateurs de Luenberger, filtre de Kalman étendu et injection haute fréquence, puis entraînements dédiés aux énergies renouvelables : éolienne à machine asynchrone doublement alimentée (MADA), éolienne à PMSM sans encodeur, pompe solaire à PMSM validée en simulation HIL. Les exemples sont tirés du contexte nigérien : pompage solaire dans les régions de Maradi, Tahoua ou Agadez, ateliers industriels équipés de moteurs asynchrones, projets éoliens à l’étude dans le nord du pays.

    Objectifs d’apprentissage

    • Implémenter la commande vectorielle FOC avancée sur processeur DSP.
    • Maîtriser la commande directe du couple (DTC) et ses variantes pour les machines industrielles.
    • Concevoir des observateurs d’état (Luenberger, Kalman) pour la commande sans capteur (sensorless).
    • Analyser et optimiser les performances dynamiques d’entraînements à vitesse variable pour les EnR.

    Prérequis

    Commande des Machines Électriques (CME4303) ; Machines Électriques 2 (MAE3302). Modèles dynamiques des machines AC, régulation PI, représentation d’état, électronique de puissance (onduleur MLI).

    Plan du cours

    1. Leçon 1 — FOC avancée du moteur asynchrone
    2. Leçon 2 — Commande directe du couple (DTC)
    3. Leçon 3 — Commande sensorless
    4. Leçon 4 — Entraînements avancés pour EnR

    Travaux pratiques

    • Implantation d’une FOC à 10 kHz (simulation puis DSP TMS320F28335) avec régulateurs PI anti-windup (Leçon 1).
    • Simulation comparative DTC classique / DTC-SVM (Leçon 2) et estimation sensorless (Leçon 3).
    • Simulation HIL sur dSPACE d’un entraînement PMSM pour pompe solaire (Leçon 4).

    Modalités d’évaluation

    Volume horaire : CM 22 h, TD 8 h, TP 10 h, TPE 40 h (CTT 80 h) — 4 crédits. Évaluation mixte : contrôle continu 40 % (TD, comptes rendus de TP, mini-projet de simulation) et examen terminal 60 % (épreuve écrite de calcul et d’analyse).

    Bibliographie

    • Bose B. K., Modern Power Electronics and AC Drives, Prentice Hall.
    • Morimoto S. et al., Sensorless Control in Electric Drives, IEEE Press.
    • Vas P., Sensorless Vector and Direct Torque Control, Oxford University Press.
    • Abad G. et al., Doubly Fed Induction Machine: Modeling and Control for Wind Energy Generation, Wiley-IEEE Press.

  • IoT Avancé & Cybersécurité Énergie

    Ce cours de M1 (semestre 2) prolonge les UE IoT et Réseaux de Capteurs et Communication Industrielle. Il forme l’ingénieur GEEL à concevoir, déployer et sécuriser des architectures IoT industrielles dédiées à la supervision de systèmes d’énergie renouvelable distribués : centrales PV, mini-réseaux ruraux, stations de pompage solaire, parcs de groupes électrogènes. Le contexte nigérien (sites isolés, couverture cellulaire inégale, chaleur et poussière, contraintes budgétaires) guide les choix technologiques : LPWAN pour les capteurs off-grid, passerelles durcies, bases de données de séries temporelles, tableaux de bord temps réel. Le volet cybersécurité est traité sous un angle strictement défensif : architecture en zones et conduits, normes IEC 62443 et IEC 62351, PKI, authentification mutuelle, démarrage sécurisé, durcissement et détection.

    Objectifs d’apprentissage

    • Déployer des architectures IoT avancées pour la supervision de systèmes EnR distribués.
    • Maîtriser les protocoles LPWAN (LoRaWAN, NB-IoT, Sigfox) pour les applications off-grid.
    • Concevoir et implémenter des passerelles IoT sécurisées pour environnements industriels.
    • Analyser et durcir la sécurité d’une infrastructure IoT énergétique selon IEC 62443.

    Prérequis

    IoT et Réseaux de Capteurs (IOT5202) ; Communication Industrielle (COI5203). Notions de réseaux IP, de Linux et de programmation Python ou JavaScript.

    Plan du cours

    1. Leçon 1 — Architectures IoT avancées pour l’énergie
    2. Leçon 2 — Protocoles LPWAN et connectivité
    3. Leçon 3 — Sécurité IoT avancée
    4. Leçon 4 — Projet intégré

    Travaux pratiques

    • Base InfluxDB pour données de monitoring PV haute fréquence (Leçon 1).
    • Déploiement d’un réseau LoRaWAN multi-passerelles sur le campus EPI-Niger, intégration ChirpStack → InfluxDB → Grafana (Leçon 4).
    • Rapport d’audit de sécurité défensif de l’architecture déployée selon IEC 62443-3-3 (Leçons 3 et 4).

    Modalités d’évaluation

    Volume horaire : CM 16 h, TD 6 h, TP 10 h, TPE 28 h (CTT 60 h) — 3 crédits. Évaluation : contrôle continu 100 % (pas d’examen terminal), nature pratique : comptes rendus de TP, livrables du projet intégré (réseau LoRaWAN fonctionnel, tableau de bord, rapport de sécurité) et soutenance. Le quiz en ligne sert d’auto-évaluation.

    Bibliographie

    • Hanes D. et al., IoT Fundamentals: Networking Technologies, Protocols, and Use Cases for the Internet of Things, Cisco Press.
    • IEC 62443-3-3 : Security for Industrial Automation and Control Systems — System security requirements and security levels.
    • IEC 62351 (série) : Power systems management and associated information exchange — Data and communications security.
    • LoRa Alliance, LoRaWAN Specification et Regional Parameters (documents en ligne).
    • OWASP, IoT Top 10 et projet IoT Attack Surface Areas (en ligne).

  • Industrie 4.0 et Systèmes Cyber-Physiques

    Industrie 4.0 et Systèmes Cyber-Physiques (I402201, semestre 2, 3 crédits) présente la transformation numérique des infrastructures énergétiques : capteurs connectés, réseaux industriels temps réel, jumeaux numériques, cloud et edge computing, et la cybersécurité indispensable dès que l’on relie un automate ou un SCADA à un réseau. Le point de vue est celui de l’ingénieur GEEL chargé de superviser une centrale PV, un poste HTA/BT ou un parc de mini-réseaux ruraux dispersés sur le territoire nigérien, avec des contraintes fortes : connectivité intermittente (3G/4G, satellite), chaleur et poussière, coupures d’électricité, ressources humaines rares sur site. Chaque chapitre associe fondements, architectures de référence, calculs de dimensionnement (débits, latences, disponibilités) et études de cas.

    Objectifs d’apprentissage

    • Comprendre les piliers de l’Industrie 4.0 et leur application aux infrastructures énergétiques.
    • Concevoir des systèmes cyber-physiques (CPS) pour la supervision et la commande des réseaux EnR.
    • Maîtriser les jumeaux numériques (digital twins) pour la simulation et l’optimisation des actifs.
    • Analyser les enjeux de cybersécurité dans les systèmes industriels connectés (ICS/SCADA).

    Prérequis

    Automatisme 2 / API & SCADA (APG3303) : automates, Modbus, supervision ; Électronique Numérique 2 (ELN4302) : microcontrôleurs, bus de communication. Des bases de réseaux IP (adressage, TCP/UDP) et de Python sont utiles.

    Plan du cours

    1. Leçon 1 — Industrie 4.0 : Fondements et Piliers
    2. Leçon 2 — Digital Twins pour les Systèmes Énergétiques
    3. Leçon 3 — Cloud et Edge Computing pour l’Énergie
    4. Leçon 4 — Cybersécurité des Systèmes Industriels

    Travaux pratiques

    • TP 1 (Leçon 2) : jumeau numérique d’une installation PV 3 kWc — modèle, synchronisation avec les mesures, alerte.
    • TP 2 (Leçon 3) : passerelle edge avec agrégation locale et stockage-retransmission (store-and-forward).
    • TP 3 (Leçon 4) : détection d’intrusion Modbus/TCP avec Snort et Zeek sur une capture de trafic OT.

    Modalités d’évaluation

    Volume horaire : CM 18 h, TD 6 h, TP 6 h, TPE 30 h (CTT 60 h, 3 crédits). Évaluation : contrôle continu 40 % (comptes rendus de TP, étude de cas) + examen terminal 60 % — nature mixte.

    Bibliographie

    • Schwab K., The Fourth Industrial Revolution, World Economic Forum.
    • Lee E. A. & Seshia S. A., Introduction to Embedded Systems — A Cyber-Physical Systems Approach, MIT Press.
    • Knapp E. D. & Langill J. T., Industrial Network Security, Syngress.
    • Série de normes CEI 62443, Sécurité des systèmes d’automatisation et de commande industrielle.

  • 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).

  • 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.

  • Recherche Documentaire & Méthodologie

    Recherche Documentaire & Méthodologie (RDM1402, semestre 1, 3 crédits) prépare l’étudiant du Master GEEL au travail de recherche que représente le mémoire de fin d’études. Au niveau Licence (MRE5402), il s’agissait de trouver et citer correctement des sources ; au niveau Master, il faut maîtriser un champ de littérature : interroger efficacement les grandes bases scientifiques, juger la qualité des sources, conduire une revue systématique reproductible selon PRISMA, cartographier un domaine par la bibliométrie, puis en déduire une problématique originale, faisable avec les moyens disponibles à Niamey, et un protocole de mémoire solide. Les exemples portent sur des sujets typiques du Master : MPPT sous ombrage partiel, dimensionnement de mini-réseaux hybrides, pompage solaire, prévision de production, vieillissement des batteries en climat sahélien.

    Objectifs d’apprentissage

    • Maîtriser les méthodes de recherche documentaire avancée dans les bases de données scientifiques.
    • Formuler une problématique de recherche originale et pertinente en ingénierie électrique ou EnR.
    • Conduire une revue systématique de la littérature (systematic review) sur un sujet de mémoire Master.
    • Élaborer un protocole de recherche complet pour le mémoire de fin d’études Master GEEL.

    Prérequis

    Méthodologie de la Recherche — Licence S5 (MRE5402) : types de documents, normes de citation, structure d’un rapport. Une maîtrise de l’anglais technique en lecture est indispensable (la quasi-totalité de la littérature est en anglais).

    Plan du cours

    1. Leçon 1 — Recherche Documentaire Avancée
    2. Leçon 2 — Revue Systématique de la Littérature
    3. Leçon 3 — Formulation de la Problématique de Recherche
    4. Leçon 4 — Protocole de Mémoire Master

    Travaux pratiques

    • Pas de TP en salle (0 h) : les TD (10 h) et le travail personnel (30 h) sont organisés en ateliers appliqués au sujet de chaque étudiant (requêtes, bibliothèque Zotero partagée, mini-revue PRISMA, carte VOSviewer, fiche PICO, protocole présenté oralement).

    Modalités d’évaluation

    Volume horaire : CM 20 h, TD 10 h, TP 0 h, TPE 30 h (CTT 60 h, 3 crédits). Évaluation : contrôle continu 50 % (livrables des ateliers : requêtes documentées, bibliothèque Zotero, diagramme PRISMA, carte bibliométrique) + examen terminal 50 % (protocole de mémoire écrit et présentation orale) — nature mixte.

    Bibliographie

    • Creswell J. W., Research Design: Qualitative, Quantitative, and Mixed Methods Approaches, Sage.
    • Moher D. et al., « Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement », PLOS Medicine, 2009.
    • Page M. J. et al., « The PRISMA 2020 statement: an updated guideline for reporting systematic reviews », BMJ, 2021.
    • Booth W. C., Colomb G. G. & Williams J. M., The Craft of Research, University of Chicago Press.

  • Anglais Scientifique & Rédaction

    Le cours ASR1401 — Anglais Scientifique & Rédaction (3 crédits ; CM 20 h, TD 10 h, TPE 30 h ; charge totale 60 h) donne aux étudiants du Master GEEL les compétences nécessaires pour publier, lire, présenter et collaborer en anglais dans le domaine du génie électrique et des énergies renouvelables. Il couvre la rédaction d’articles selon les standards IEEE et Elsevier (structure IMRAD, abstract structuré, références IEEE), la lecture critique et l’évaluation par les pairs, la communication orale et par poster en conférence, et l’anglais professionnel avancé (proposal de recherche, emails de collaboration, lecture de normes IEC/IEEE, préparation au TOEFL iBT et à l’IELTS Academic). Chaque module associe des explications en français, des modèles de phrases en anglais, un exemple résolu et des exercices corrigés.

    Objectifs d’apprentissage

    • Rédiger des articles scientifiques en anglais conformes aux standards IEEE et Elsevier.
    • Lire et critiquer des publications de haut niveau (IEEE Transactions on Power Electronics, etc.).
    • Présenter des résultats de recherche en anglais lors de conférences simulées.
    • Maîtriser le vocabulaire spécialisé de l’ingénierie électrique et des EnR au niveau C1.

    Prérequis

    Anglais Technique 3 (ANG5401) — Licence S5 ; niveau B2 visé en entrée.

    Plan du cours

    1. Leçon 1 — Rédaction Scientifique en Anglais
    2. Leçon 2 — Lecture Critique d’Articles Scientifiques
    3. Leçon 3 — Présentation et Communication
    4. Leçon 4 — Anglais Professionnel Avancé

    Travaux pratiques

    • Pas de TP au syllabus (0 h) ; les ateliers de TD sont guidés dans les leçons : résumé de 300 mots (leçon 1), synthèse bibliographique de 5 articles (leçon 2), conférence simulée et poster (leçon 3), proposal et emails (leçon 4).

    Modalités d’évaluation

    Contrôle continu + examen terminal : CC 50 % (abstract, synthèse bibliographique, présentation orale, poster), ET 50 % (épreuve écrite : compréhension d’article, rédaction, vocabulaire). Nature : mixte (M).

    Bibliographie

    • Day, R. A. & Gastel, B., How to Write and Publish a Scientific Paper, Cambridge University Press.
    • IEEE Author Center, Guidelines for IEEE Papers et IEEE Reference Guide (ieee.org/authors).
    • Swales, J. M. & Feak, C. B., Academic Writing for Graduate Students, University of Michigan Press (complément).
    • Glasman-Deal, H., Science Research Writing for Non-Native Speakers of English, Imperial College Press (complément).

  • Énergie Solaire Concentrée (CSP)

    Le cours CSP1302 — Énergie Solaire Concentrée (CSP) (3 crédits ; CM 18 h, TD 6 h, TP 6 h, TPE 30 h ; charge totale 60 h) présente la filière thermodynamique solaire : concentration du rayonnement direct, conversion en chaleur à moyenne ou haute température, stockage thermique et production d’électricité par cycle de Rankine ou de Brayton. Contrairement au photovoltaïque, une centrale CSP associée à un stockage en sels fondus peut produire après le coucher du soleil, au moment de la pointe du soir des réseaux sahéliens. Le cours fournit les outils de dimensionnement (optique, thermodynamique, stockage), l’usage du logiciel SAM du NREL, et une analyse technico-économique critique du CSP face au couple PV + batteries au Niger et en Afrique de l’Ouest.

    Objectifs d’apprentissage

    • Comprendre les principes thermodynamiques et optiques des centrales solaires à concentration.
    • Dimensionner un champ de collecteurs cylindro-paraboliques et un système de stockage thermique.
    • Analyser les cycles thermodynamiques (Rankine, Brayton) utilisés dans les centrales CSP.
    • Évaluer les potentiels CSP en Afrique sahélienne et comparer avec le solaire PV.

    Prérequis

    Thermodynamique des EnR (THE3402) ; Énergie Photovoltaïque (EPV3401). Notions de transferts thermiques (rayonnement, loi de Stefan-Boltzmann) et d’utilisation des tables de vapeur.

    Plan du cours

    1. Leçon 1 — Physique et Optique des Systèmes CSP
    2. Leçon 2 — Cycles Thermodynamiques CSP
    3. Leçon 3 — Centrales CSP Tour et CCP
    4. Leçon 4 — Perspectives CSP en Afrique de l’Ouest

    Travaux pratiques

    • TP1 : Simulation d’une centrale CCP sur SAM — Niger, site de Zinder (DNI = 2 450 kWh/m²/an) (leçon 3).
    • TP2 : Dimensionnement du stockage TES 6 h pour une centrale de 50 MWe (leçon 2).
    • TP3 : Comparaison LCOE CSP + TES vs PV + BESS au Sahel — tableau de bord Excel (leçon 4).

    Modalités d’évaluation

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

    Bibliographie

    • Goswami, D. Y., Principles of Solar Engineering, CRC Press.
    • IRENA, Concentrating Solar Power — Technology Brief (gratuit en ligne).
    • NREL, System Advisor Model (SAM) — Documentation (sam.nrel.gov).
    • Duffie, J. A. & Beckman, W. A., Solar Engineering of Thermal Processes, Wiley (complément).
    • Lovegrove, K. & Stein, W. (dir.), Concentrating Solar Power Technology, Woodhead Publishing (complément).