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

Unité d’enseignement : Master GEEL · S2 · UE1 — Optimisation et Décision

  • 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.