Contexte

La transition énergétique s’accompagne de mutations profondes pour le réseau électrique. Conçu pour acheminer une production centralisée, en amont (issue de centrales de grandes puissances, peu nombreuses) vers des consommateurs, en aval , l’essor des EnR change ce paradigme . D’une puissance moindre, elles se raccordent majoritairement au niveau du réseau de distribution, plus proche des consommateurs ; les flux d’énergie deviennent alors bidirectionnels, ce qui nécessite de re dimensionner les ouvrages du réseau. Parallèlement, l’émergence de nouveaux usages (pompes à chaleur, mobilité électrique…) modifie la courbe de charge des consommateurs et constitue un 2ème facteur à prendre en compte.
Modéliser l’ampleur de ces phénomènes pour anticiper les investissements est primordial. SRD a donc commencé à développer un outil de planification et d’aide à la décision à partir de données statistiques. Le principe est de construire des scénarios probables (à 10 ou 20 ans) et de prédire la quantité et la localisation de ces nouvelles sources de production et de consommation pour en estimer l’impact et aider à la planification des investissements.
Les 1ers résultats confirment l’intérêt de cette approche et la 1ère maquette de l’outil Python développé en 2023 doit être industrialisée en 2025.

Missions

- Travailler sur les analyses de courbe de consommation en développant des algorithmes dédiés. L’objectif est de pouvoir décomposer une courbe de charge en usages (chauffage, chauffe-eau, recharge de véhicule électrique, autres…). Ce module permettra, moyennant des hypothèses de taux de pénétration liés aux nouveaux usages de consommation (PAC, climatisation, mobilité électrique…) de modifier les données de consommation existantes pour les projeter à horizon 10 - 20 ans,
- Travailler sur les taux de pénétration du photovoltaïque diffus (raccordé en basse tension) dans le département de la Vienne. Deux approches ont déjà été explorées ; après une période de prise en main, tu les confronteras pour développer un module robuste et paramétrable.

D’autres études pourront également être envisagées :
- Création de catégories de profils de grands consommateurs,
- Analyse de la localisation des bornes de recharge pour véhicule électrique et projection à horizon 10- 20 ans

Étudiant(e) en dernière année d’école d’ingénieur généraliste ou à spécialité génie électrique/modélisation/réseaux ou master équivalent

Compétences attendues
- Python (bibliothèques pandas et geopandas notamment)
- Appétence pour la modélisation et les réseaux électriques
- Connaissance des algorithmes de machine learning serait un plus