Introduction aux systèmes électriques
• Caractéristiques générales des réseaux électriques.
• Principaux composants des réseaux électriques.
• Structure des réseaux électriques.

Analyse du Power Flow
• Principes de base d’analyse des circuits.
• Calcul des flux de puissance.
• Méthode de Newton-Raphson.

Analyse régionale de sécurité
• Sécurité du système électrique .
• Analyse coordonnée de sécurité.
• Surcharges des lignes.
• Effet de cascade.
• Effondrement de tension.
• Actions préventives/curatives.

Sûreté du système
• Grands incidents en France et dans le monde, typologie des écroulements de réseaux.
• Protection des réseaux : N-k, actions préventives et curatives, plan de défense.

Structure d’un réseau de production-transport-consommation d’électricité
• La production, principe du merit order.
• Utilisation de l’énergie électrique, caractérisation de la consommation.
• Equilibre entre production et consommation, notion de parc optimal adapté.
• Nécessité d’un réseau électrique et structuration.

Interaction avec les marchés
• Modèle de marché Energy Only et algorithmes de clearing.
• Structure des marchés d’électricité.
• Marchés de réserve, interactions avec le réglage.
• Couplage de marchés et coordination opérationnelle régionale de sécurité.

Contrôle du système énergétique
• Les bases du contrôle système.
• Puissance active et contrôle de la fréquence : réglage primaire, secondaire et tertiaire.
• Réglage de la tension et puissance réactive : régulateur de tension automatique, régleur en charge, injection de puissance réactive.
• Transits de puissance.

TP : Power Flow et analyse de sécurité en Python avec PowSyBl / dimensionnement de la capacité France-Espagne avec Artelys Crystal Super Grid.

Objectifs de la formation

Cette formation vous fournira une introduction aux enjeux et principales options de la décarbonisation du systèmes électrique et des systèmes liés, ainsi qu’une description de la structure des marchés européens et de leurs potentiels impacts opérationnels et stratégiques. A l’issue de cette formation vous maîtriserez des fondamentaux de l’analyse technico-économique de ces enjeux.

Pour qui ?

Cette formation s’adresse aux étudiants, consultants et analystes en énergie désirant acquérir une vue d’ensemble des enjeux cités.

Les systèmes électriques (état, tendances, besoins de flexibilité)
• Présentation de quelques concepts utiles sur les systèmes électriques.
• Situation des systèmes électriques européens.
• Tendances, objectifs énergétiques et climatiques de l’UE sur la production, la consommation et les émissions de GES.
• Défis d’un point de vue systèmique.

Présentation des concepts économiques clés
• Des investissements aux opérations – une série de décisions.
• Présentation des coûts de l’électricité.
• Présentations des revenus du marché.
• Rôle des marchés.
• Méthodologie d’analyse coût-bénéfice, mesure des impacts d’un projet d’investissement et établissement/analyse d’une trajectoire de transition, des synergies et interdépendances entre options technologiques.

Les marchés de l’électricité
• Les bases du contrôle système.
• Puissance active et contrôle de la fréquence : réglage primaire, secondaire et tertiaire.
• Réglage de la tension et puissance réactive : régulateur de tension automatique, régleur en charge, injection de puissance réactive.
• Transits de puissance.

Interaction avec les marchés
• Rôle des marchés de l’électricité.
• Séquence des marchés de l’électricité.

Défis, hydrogène et synthèse
• Défis pour le futur système électrique.
• Interactions entre les systèmes hydrogène et électrique.
• Synthèse.

Objectifs de la formation

Appréhender le caractère discret d’un problème de décision à l’aide de la Programmation Linéaire en Nombres Entiers (PLNE).

Pour qui ?

Ingénieurs, scientifiques et développeurs intéressés par la modélisation de problèmes de décision et la mise en œuvre d’algorithmes d’optimisation.

Programmation linéaire en nombres entiers (PLNE)
• Rappels de programmation linéaire.
• Formulations : Qu’est-ce qu’un programme en nombres entiers ? Formulation d’un programme en nombres entiers. L’explosion combinatoire. Formulations PLNE. Formulations alternatives.
• Optimalité, relaxations et bornes : optimalité et relaxation, relaxations linéaires, relaxations combinatoires, relaxation lagrangienne, dualité, bornes primales.
• Techniques de modélisation et illustrations.
• Résolution de programmes linéaires en nombres entiers par Branch-and-Bound.
• Principes des méthodes de coupes et de Branch-and-Cut. Traitement d’exemples numériques.

Mise en œuvre
• Présentation, modélisation et résolution d’un problème de voyageur de commerce avec le solveur FICO® Xpress.
• Présentation, modélisation et résolution d’un problème industriel avec FICO® Xpress.
• Confrontation d’une formulation naïve du problème et d’une formulation intégrant des coupes.

Introduction aux méthodes de décomposition
• Introduction aux méthodes de décomposition : illustration de l’intérêt de la génération de colonnes.
• Principes et intérêt pratique des techniques de génération de colonnes.
• Présentation d’une application industrielle.

Objectifs de la formation

Être en mesure de modéliser un problème de décision à l’aide de la programmation linéaire et d’en interpréter les résultats.

Pour qui ?

Ingénieurs, économistes, scientifiques et développeurs intéressés par la modélisation de problèmes de décision et la mise en œuvre d’algorithmes d’optimisation.

Introduction à la programmation linéaire
• Introduction : historique, mise en place.
• Terminologie de la programmation linéaire : définitions, formulation d’un programme linéaire et illustrations graphiques, reformulations classiques.
• Notion de convexité.

Algorithme du simplexe
• Méthode du simplexe : principe, forme dictionnaire, forme tableau, non dégénérescence et cyclage, base initiale. Mise en œuvre sur des exemples simples.
• Traitement de problèmes de planification par programmation linéaire. Illustration de l’impact de la modélisation sur les résultats du solveur.

Dualité
• Dualité : construction du programme dual, résultats fondamentaux (contraintes d’égalité et multiplicateurs de Lagrange, contraintes d’inégalité et lemme de Farkas, conditions de KKT, dualité faible).
• Interprétation économique des variables duales. Utilisation des variables duales dans le traitement de problèmes de transport et de gestion de stocks.
• Post-optimalité et analyse de sensibilité.
• Variantes du simplexe : forme révisée, simplexe dual.

Méthodes de points intérieurs
• Méthodes de points intérieurs : qualités des approches non linéaires, algorithme de Karmarkar, algorithme primal-dual intérieur, algorithme affine, complexité et convergence polynomiale.

Utilisation d’un solveur
• Bien utiliser son solveur de programmation linéaire : astuces et bonnes pratiques (illustration avec FICO® Xpress).

Objectifs de la formation

• Présenter les principes fondamentaux et les bonnes pratiques du calcul HPC sur architectures distribuées.
• Comprendre les nouveaux enjeux du HPC dans le cloud.
• Mettre en pratique sur des exemples bien connus du monde scientifique et industriel.

Pour qui ?

Cette formation s’adresse aux ingénieurs et chercheurs susceptibles de recourir au HPC et désirant acquérir une première expérience ou aux utilisateurs de clusters cherchant à se tenir à jour des dernières technologies.

Présentation du Calcul Haute Performance
• Principaux enjeux et nécessité de la parallélisation.
• Exemples d’application.
• Les composants matériels et logiciels du calcul haute performance (processeurs, mémoire, applicatifs permettant la mise en œuvre de la parallélisation sur le matériel).
• Mesure de performance des calculs et techniques d’amélioration.
• Introduction aux indicateurs de performance du parallélisme.

Architecture des systèmes HPC
• Architecture à mémoire partagée.
• Architecture à mémoire distribuée.
• Architectures hybrides.

Système de gestion d’architecture de haute performance : Scheduling and Load-balancing avec un système de gestion d’infrastructure de haute performance
• Métriques de performance et monitoring. 
• Présentation des principaux systèmes : SGE, SLURM, OpenPBS, Torque et Celery
• Technologies scalables cloud : Container as a service, K8S, et Knative, Azure et AWS Batch, Parallel Cluster – GCP Cloud HPC Toulkit – Azure CycleCloud.

Mise en œuvre d’un cluster HPC
• Mise en place d’un cluster local avec Docker.
• Lancement de premiers jobs 
• Installation d’apptainer 
• Construction d’images apptainer
• Lancement de jobs conteneurisés

• Facteurs de qualité logicielle.
• Maintenance et maintenabilité du code.
• Tests unitaires et méthode Test Driven Development.

Les Design Patterns

• Présentation générale.
• Etude détaillée de patterns du Gang of Four.
• Les anti-patterns.

Choix des structures de données

• Introduction à la complexité.
• Structures de collections et d’associations de données.

Introduction aux outils de développement

• Gestionnaire de version, de revue de code, de qualité par l’exemple (Git, Gerrit, Sonar).
• Plateforme d’intégration continue (Jenkins).
• Intégrateur logiciel (Maven).
• Gestionnaire de projets (Redmine).
• Savoir utiliser son IDE.
• Outils annexes (Meld, unix/grep/, etc.).

Concevoir une solution intégrée d’aide à la décision

• Fondamentaux et enjeux.
• Choix technologiques.
• Notion de couplage faible et cohésion forte.

Bases et technologies de l’architecture logicielle

• Architecture (client-serveur, SOA, …), solutions SaaS, déport de calculs.
• Modalités d’échange de données et outils dédiés.
• Socle technique des solutions, conteneurs d’applications, hébergements.
• Interfacer un moteur de calcul en mode synchrone, asynchrone ou hybride.
• Réaliser un mode dégradé.

Démarche pour mener de tels projets

• Cycles en V, agilité, marche en spirale ou développement itératif.
• Solutions standards, exemples d’architectures et analyses critiques.

Les bases de la programmation avec Python
• Les structures de données de Python (listes, tuples, dictionnaires).
• Parcours et génération de listes (itertools, itérateurs, générateurs et les comprehension lists).
• Les bonnes pratiques (utilisation des exceptions, vérification du typage, etc.).

Organisation et amélioration du code
• Commentaires et propreté (docstring, linters, pep8…).
• Modularité et réutilisabilité du code (import de fichiers, POO et polymorphisme).
• Algorithmes et complexité.

Distribution, isolation et gestion de paquets

Introduction à la programmation scientifique
• Vocabulaire de la programmation scientifique et analyse statistique.
• Principaux algorithmes de machine learning (analyse supervisée, analyse non supervisée, classification et régression).
• La stack scientifique : Numpy, Scipy, Scikit-learn, pandas, Sympy, matplotlib.

Statistiques descriptives et structures de données
• Gestion de données avec pandas : import, dataframes, slicing, mapping (lecture, formats, gestion de dates).
• Visualisation avec matplotlib.

Modélisation statistique avec Scikit-learn
• Présentation, modélisation linéaire et prévision, classification avec Scikit-learn.

Calcul scientifique avec Numpy
• Présentation, structure de données, indexing, slicing, iterating.

Calcul scientifique avec Scipy
• Présentation, algèbre linéaire, application.

Eclairer les données et la problématique
• Prise en main des données en visualisant les chroniques.
• De la donnée brute à la donnée exploitable (méthodes de prétraitement des données).
• Identification des caractéristiques structurantes des données (indicateurs numériques et graphiques, saisonnalités, facteurs explicatifs).
• Définition de la problématique, des enjeux et des critères de qualité des prévisions.

Construire une modélisation pertinente de la demande
• Quels modèles envisager au vu des caractéristiques des données ? Présentation de plusieurs modèles classiques : modèles autorégressifs (S)AR(I)MA(X), modèles linéaires.
• Mise en œuvre des différents modèles avec le logiciel R.
• Comment choisir un bon modèle : analyse de la qualité des résultats de prévision (performance d’ajustement, généralisation).

Pour aller plus loin
• D’autres types de modèles envisageables (modèles fréquentiels).
• Comment réaliser des graphiques pertinents (package ggplot).
• Pérenniser son travail sous R.

Objectifs de la formation

Pour qui ?

Ceux qui souhaitent se familiariser avec l’optimisation stochastique à travers la programmation dynamique.

La programmation dynamique déterministe
• Introduction, présentation du cours.
• Programmation dynamique déterministe : principes. Equation de transition, état, valeurs de Bellman. Problèmes de plus court chemin. Traitement d’un exemple de gestion de démarrages d’unités de production. Problèmes de gestion de stocks.
• Valeurs de Bellman et variables duales. Interprétation économique des valeurs de Bellman. Application au cas de la gestion de stocks. Lien avec les variables duales.

La programmation dynamique stochastique
• Du déterministe au stochastique. Modélisation d’un problème d’optimisation stochastique dynamique. Contraintes de non-anticipativité. Programmation dynamique sur chroniques arborescentes. Application à la valorisation d’options.
• Programmation dynamique stochastique. Définition de l’état et structure des aléas. Exemples de modélisation. Interprétation économique des valeurs de Bellman. Valorisation de contrats à terme.

La programmation dynamique stochastique (suite)
• Gestion de stocks et programmation dynamique : quelques exemples. Modélisations et effets sur les fonctions de Bellman.
• Grands problèmes dynamiques. Limites de la programmation dynamique pour le traitement de problèmes de grande taille.
• Méthodes de décomposition : programmation dynamique duale, décomposition par scénarios, méthode des chroniques arborescentes.
• Traitements de grands problèmes dynamiques : application à la gestion annuelle de la production d’électricité. Modélisation de gestion dynamique de systèmes interconnectés dans le domaine de l’énergie. Résolution par décomposition. Résolution par programmation dynamique duale.
• Apprentissage par renforcement.
• Techniques d’échantillonnage et de généralisation.
• Schémas d’apprentissage et d’optimisation dynamique.

Synthèse de la formation