Inf'OSE Décembre 2018

Mensuel sur l’énergie et l’environnement
N° 138Décembre 2018
LE STOCKAGE D’ÉNERGIE DANS LE FERROVIAIRE
MAIS POUR QUOI FAIRE ?
>>> PAGE 15
DOSSIER : INTELLIGENCE
ARTIFICIELLE & ENERGIE
>>> PAGE 24
AUTOCONSOMMATION COLLECTIVE ET BLOCKCHAIN
UNE SOLUTION POUR LE FUTUR
>>> PAGE 12
© Pixabay
LOI D’ORIENTATION DES MOBILITÉS
QUELQUES CHIFFRES CLEFS
>>> PAGE 08

ADRESSE E-MAIL
infose@mastere-ose.fr
TELEPHONE
04 97 15 70 73
ADRESSE
Centre de
Mathématiques
Appliquées
Mines Paristech
Rue Claude Daunesse
CS 10 207
06904 Sophia Antipolis
Toute reproduction, représentation, traduc-
tionouadaptation,qu’ellesoitintégraleoupar-
tielle, quel qu’en soit le procèdé, le support ou
le média, est strictement interdite sans l’auto-
risation des auteurs sauf cas prévus par l’article
L. 122-5 du code de la propriété intellectuelle.
L’actualité en France ces dernières
semaines a bien sûr été marquée par
le mouvement de contestation des gilets
jaunes. Bien que ce soulèvement soit le
fruit d’un ras-le-bol fiscal général, c’est
bien la hausse des taxes sur le carbu-
rant qui en a été l’élément déclencheur.
Le récent rapport du GIEC l’a pourtant
rappelé ; sans une réduction conséquente des émissions de
CO2
, le seuil des 1,5°C de hausse des températures sera cer-
tainement dépassé d’ici la fin du siècle. Les conséquences du
dérèglement climatique et de la pollution de l’air, notamment
en ville, sont déjà bien visibles. Pourtant, l’institut de sondage
Ifop a estimé en novembre que 62% des Français jugent que
le pouvoir d’achat est prioritaire devant la transition énergé-
tique. La transition écologique ne pourra donc se faire sans un
accompagnement réel des citoyens. L’acceptabilité de la fis-
calité environnementale ne peut évoluer qu’avec l’éducation
et la sensibilisation précoce de la population, et une juste
utilisation des recettes fiscales.
En réponse au mouvement, le Président Emmanuel Macron a
annoncé le gel des taxes. L’urgence climatique, elle, n’attend
pas. Il est temps de prendre les mesures nécessaires pour
réduire les émissions de gaz à effet de serre, et ce à plus grande
échelle que celle du citoyen. Espérons que l’application du
plan mobilité, présenté au sein de ce numéro, apportera des
réponses intéressantes.
Notons également que les acteurs du monde de l’énergie et
de la mobilité proposent toujours plus de solutions tech-
nologiques allant dans le sens de la transition écologique.
Le train hydrogène, un parc éolien flottant avec solution de
stockage, ou encore la blockchain pour l’autoconsommation
d’électricité solaire, en sont des exemples qui vous seront
présentés au fil de votre lecture de ce nouveau numéro de
l’Inf ’OSE. Nous verrons également comment l’intelligence arti-
ficielle s’est imposée dans le domaine de l’énergie. C’est sur
cette note plus optimiste que nous vous souhaitons une bonne
lecture et surtout, de très belles fêtes de fin d’année.
Dorine JUBERTIE
I N F ’ O S E | D é c e m b r e 2 0 1 8
2
Coordinatrice - Catherine Auguet-Chadaj
Maquettiste - Antoine Jourdain de Muizon
EDITOCONTACTS

04 - Accord de l’OPEP+
04 - Émissions mondiales records en
2018
05 - Gilets Jaunes : gel des tarifs régle-
mentés et de la fiscalité sur les
carburants
06 - Annonce de 200 Mds de finance-
ments par la Banque Mondiale
07 - ARENH
08 - Comprendre la Loi d’orientation des
mobilités en quelques mesures clés.
12 - Autoconsommation collective et
blockchain : une solution pour le
futur
15 - Le stockage d’énergie dans le ferro-
viaire : mais pour quoi faire ?
21 - Stockage durable d’électricité
éolienne
24 - L’intelligence artificielle et l’énergie
ARTICLES
ACTUALITÉS
Devenez partenaire de l’événement OSE 2019
Quels choix énergétiques pour une mobilité durable ?
Jeudi 26 Septembre 2019 à Sophia Antipolis (06)
Au programme de ce colloque, tables rondes, présentations et débats autour des vecteurs
énergétiques pour la mobilité du futur.
Si vous êtes intéressés par cette thématique et que vous voulez nous soutenir financièrement
ou participer à l’évènement en tant qu’intervenant, vous pouvez nous contacter à l’adresse
mail suivante : evenement@mastere-ose.fr.
I N F ’ O S E | D é c e m b r e 2 0 1 8
3SOMMAIRE

Le 7 décembre dernier, s’est
conclu à Vienne, le dernier
congrès des pays de l’OPEP+.
L’OPEP+ regroupe les 15 pays
de l’OPEP (Organisation des
Pays Exportateurs de Pétrole)
ainsi que 10 autres pays pro-
ducteurs de pétrole. A la suite
de la chute du prix du baril
au mois de novembre (-20%
e n m oye n n e ) , n o t a m m e nt
liée aux assouplissements
des sanctions contre l’Iran,
l’objectif de cette réunion
était de faire remonter ce
prix en rétablissant l’équilibre
entre l’offre et la demande.
Cet accord a donc débou-
ché sur une diminution de
la production de 1,2 million
de barils par jour à partir de
janvier 2019. La baisse de
production sera suppor tée
à hauteur de 0,8 million de
barils par les pays de OPEP
(à 80% par l’Arabie Saoudite,
l’Irak, le Koweit et les EAU) et
à 0,4 million de barils par les
autres pays présents à Vienne.
L’effet de cet accord s’est
immédiatement fait ressentir
sur le marché avec une hausse
de 5% du prix du baril dans
les heures suivant l’annonce.
Il est à noter que ces mêmes
pays se retrouveront à Vienne
en avril 2019.
I N F ’ O S E | D é c e m b r e 2 0 1 8
4 NEWS
ACTUALITÉS DÉCEMBRE 2018
cccccccccccccccccccccccccccccccccccccccccccccccccc ValentinMATHIEU cccccccccccccccccccccccccccccccccccccckc
ACCORD DE L’OPEP+
ÉMISSIONS MONDIALES RECORDS EN 2018
Sources:
• https://www.lemonde.fr/economie/article/2018/12/07/petrole-l-opep-parvient-a-un-accord-dans-la-douleur-les-cours-
remontent_5394269_3234.html
• https://www.opec.org/opec_web/en/press_room/5279.htm
Le Global Carbon Project,
u n g r o u p e m e n t d ’ u n e
cinquantaine d’organisations
scientifiques, a publié le 5
décembre son rapport annuel
sur les émissions de CO2
à
l’échelle mondiale. Le GCP
annonce un record des émis-
sions de CO2
liées à la con-
sommation d’énergies fossiles
et à l’industrie. Ces conclu-
sions sont plutôt alarmantes
au regard des dernières pub-
lications invitant à réduire
drastiquement les émissions
de GES (GIEC, ONU, AIE). Les
experts du GCP ont quantifié
leur hausse à 2,7% avec une
incertitude autour de 1%. Par
ailleurs, leur rapport annonce
que le pic de ces émissions
n’est pas encore en vue alors
que la hausse semblait avoir
ralenti entre 2014 et 2016.
L’augmentation des émissions
en 2018 est principalement
imputée à la Chine (+ 0,46 Gt
CO2
, soit + 4,7% par rapport
à 2017), l’Inde (+ 0,16 Gt CO2
,
soit + 6,3%), et aux États-Unis

À un autre moment, il faudra que les
comptes soient faits et que le coût de
l’électricité soit traduit dans les factures.
Jean-Bernard LEVY
I N F ’ O S E | D é c e m b r e 2 0 1 8
5NEWS
(+ 0,13 Gt CO2
, soit + 2,5%). A l’inverse les émissions de l’UE baissent de 0,7%.
L’impact de cette annonce est d’autant plus marquant qu’elle a été publiée en pleine COP24
en Pologne (2 - 14 décembre).
Sources :
• http://www.globalcarbonproject.org/carbonbudget/
• https://www.lemonde.fr/climat/article/2018/12/05/forte-hausse-des-emissions-mondiales-de-co2_5393211_1652612.
html
© connaissancedesenergies.org
GILETS JAUNES : GEL DES TARIFS RÉGLEMENTÉS ET DE LA FISCALITÉ SUR
LES CARBURANTS
Le mouvement des « Gilets
J a u n e s » , a p p a r u e n
octobre, a obtenu ce 4 décem-
bre plusieurs mesures de la
part du gouvernement fran-
çais. D’une part, l’évolution de
la fiscalité de la taxe carbone
s u r l a co nve rg e n ce e n t re
diesel et essence et sur les
entrepreneurs non routiers,
prévue au 1er janvier 2019, a
été suspendue 6 mois. D’autre
part, les tarifs réglementés de
l’électricité et du gaz ont été
gelés pour cet hiver.
Cette deu xièm e m esure a
suscité de nombreuses réac-
tions des acteurs du marché de
l’électricité français. L’Anode,
a s s o c i a t i o n q u i r e g r o u p e

I N F ’ O S E | D é c e m b r e 2 0 1 8
6 NEWS
ANNONCE DE 200 MDS DE FINANCEMENTS PAR LA BANQUE MONDIALE
l e s f o u r n i s s e u r s a l t e r n a -
tifs d’électricité, a réagi par
l’intermédiaire de son prési-
dent : « Cette annonce nous
préoccupe beaucoup, d’autant
qu’elle s’est faite sans con-
certation avec les opérateurs
alternatifs ». Ils s’inquiètent
de la hausse récente des coûts
de production et espèrent que
ce gel de tarif se traduira par
une diminution de la fiscalité
plutôt que par une baisse
de l’augmentation des tarifs
réglementés prévue par la CRE
en février prochain.
EDF a également commenté
cette annonce : « À un autre
moment, il faudra que les
comptes soient faits et que
le coût de l’électricité soit
traduit dans les factures » a
déclaré Jean-Bernard Lévy,
son PDG.
Sources :
• https://www.capital.fr/entreprises-marches/gel-du-tarif-de-l-electricite-il-faudra-compenser-annonce-edf-1318729
• https://www.connaissancedesenergies.org/afp/gilets-jaunes-le-gouvernement-suspend-la-hausse-de-la-fiscalite-sur-
le-carburant-pour-six-mois-philippe-181204
• https://www.lesechos.fr/industrie-services/energie-environnement/0600291444981-electricite-le-casse-
tete-du-gel-du-tarif-2227920.php
La B a n q u e M o n d i a l e a
a n n o n cé d é b u t d é ce m-
bre, ses plans de finance -
ment pour la période 2021-
2025. L’institution a décidé
de doubler le montant de ses
financements par rapport à la
période précédente, qui datait
du lendemain de la COP21 à
Paris, en passant à 200 Mds de
dollars.
Le responsable du dossier,
John Roome a déclaré : « cela
fait environ 40 milliards par
an, dont 27 milliards de fonds
directs ». A titre de comparai-
son, en 2018, les financements
ont été de 20,5 milliards de
dollars.
L’autre nouveauté de cette
annonce est que ces finance-
ments ne se concentreront
p l u s u n i q u e m e n t s u r l e s
moyens permettant de contrer
les émissions de GES avec
notamment le développement
des EnR. En effet, la moitié de
ces financements sera alloué
à des projets d’adaptation
aux aléas climatiques comme
des systèmes d’alerte météo,
digues, etc. pour lutter contre
des phénomènes comme les
sécheresses, inondations, etc.
Sources :
• https://www.lesechos.fr/monde/enjeux-internationaux/0600262733148-climat-la-banque-mondiale-promet-200-milliards-
aux-pays-en-developpement-2226636.php
• https://www.techniques-ingenieur.fr/actualite/articles/climat-la-banque-mondiale-promet-200-milliards-de-dollars-
pour-2021-2025-61272/

I N F ’ O S E | D é c e m b r e 2 0 1 8
7NEWSS
ARENH
Fin novembre la CRE a publié
le résultat des demandes
d’ARENH pour l’année 2019.
Pour la première fois depuis
la mise en place de ce disposi-
tif en France, le plafond des
demandes, fixé à 100 TWh, a
été atteint et même dépassé
: 69 fournisseurs alternatifs
ont demandé 133 TWh. Cette
demande contraste fortement
avec les volumes très faibles
voire nuls demandés lors des
années 2015 et 2016 dus à
la chute du prix de gros de
l’électricité mais confirme la
reprise entamée en 2017.
Pour l’année 2019, les 100 TWh
d’électricité mis à disposition
par EDF ont été répartis par la
CRE au prorata des demandes
de chaque fournisseur alterna-
tif. L’évolution du mécanisme
au fil des ans conduit la CRE
et l’état à se poser des ques-
tions sur son fonctionnement.
Ainsi, le gouvernement par
l’intermédiaire du ministre en
charge de l’énergie, François
de Rugy, a confirmé que la
révision de l’ARENH, dont la
fin est prévue en 2025, était
envisagée.
Évolution des volumes d’ARENH en TWh livrés par EDF par semestre – © CRE
Sources :
• http://www.lefigaro.fr/societes/2018/12/07/20005-20181207ARTFIG00105-edf-affronte-plus-de-70-concurrents-en-france.
php
• https://www.cre.fr/Documents/Publications/Rapports-thematiques/Rapport-ARENH

I N F ’ O S E | D é c e m b r e 2 0 1 8
8 LOI D’ORIENTATION DES MOBILITÉS
Ce t te s a i s o n l a m o b i l-
ité est au premier plan.
Les manifestations provo -
q u é e s p a r l a h a u s s e d e s
taxes sur les carburants ont
fait surgir d’autres problé-
matiques, dont celle de la
frac ture territoriale. Dans
ce contexte, le projet de loi
d’orientation des mobilités,
présenté en Conseil des min-
istres le 26 novembre, vise
à l’encadrement des muta-
tions que subit le secteur
du transport au regard des
contraintes environnemen-
tales, des évolutions tech-
nologiques et des besoins
sociaux.
La nouvelle politique du
transpor t veut répondre à
trois grands défis. Le premier
est le désenclavement de cer-
tains territoires qui ne dis-
posent pas de solutions de
mobilité et où les habitants
sont captifs de la voiture.
Ainsi, le texte de loi propose
tout d’abord des alternatives
à l’usage de la voiture indi-
viduelle. Un deuxième défi
à soulever est l’adaptation
de la mobilité aux objectifs
environnementaux. En effet,
le transpor t est le princi-
pal responsable des émis-
sions de CO2
, pesant pour
34% des émissions totales
avec plus de 70% de ces
émissions dues aux trans-
ports routier [1]. On rappelle
que les objectifs européens
visent à une réduction de
60% des émissions d’ici 2050
par rapport à l’année 1990
[2]. Le troisième défi est celui
de la réorientation de la poli-
tique d’infrastructures, axée
auparavant sur les grandes
lignes, vers une rénovation
des réseaux et un désen-
gorgement des métropoles.
Ces défis ont structuré le
projet de loi qui, dans sa
version finale, comprend cinq
titres consacrés respective-
ment aux autorités organisa-
trices de la mobilité, au cou-
plage du numérique et du
transport, au développement
des alternatives à la voiture
individuelle, aux investisse-
ments programmés et enfin à
des mesures diverses censées
re n fo rce r l a s é c u r i té d e s
transports.
Gouvernance en matière de
mobilité
Le projet de loi propose un
mécanisme de transfert de
compétence en matière de
mobilité des communes aux
communautés de communes
ou aux régions. L’objectif de
ce transfert est d’encourager
une organisation efficace des
ser vices de mobilité à des
échelles plus importantes que
celles des communes dans les
zones démographiquement
peu denses.
D’autres dispositions sont
relatives à la coopération des
autorités organisatrices de la
mobilité en vue d’améliorer
l’inter-modalité.
Ré volution numérique dans
la mobilité
Afin de préparer la mobilité
de demain, la Commission
Eu ro péenne a do nné d es
directives par rapport à la
mise à disposition de services
COMPRENDRE LA LOI
D’ORIENTATION DES MOBILITÉS
EN QUELQUES MESURES CLÉS.

I N F ’ O S E | D é c e m b r e 2 0 1 8
9LOI D’ORIENTATION DES MOBILITÉSA
d’information sur les déplace-
ments multimodaux. Ainsi, le
projet de loi précise les condi-
tions d’application du règle-
ment et prévoit l’ouverture
des données de l’ensemble du
réseau national au plus tard
le 21 décembre 2021.
Le projet de loi prévoit égale-
ment des dispositions per-
mettant l’inter vention des
autorités organisatrices de
l a m o b i l i té e n f ave u r d u
covoiturage, en établissant
par exemple des schémas de
développement des aires de
covoiturage.
Mobilités propres e t
ac tives
Une mesure en faveur de la
mobilité non-polluante vise
l’insertion, dans le code des
transports, d’un titre relatif à
la mobilité active et à l’inter-
mobilité. Même si le contenu
d e ce t i t re e s t i n ce r t a i n
pour l’instant, deux disposi-
tions ressortent : l’obligation
d ’identification des vélos
vendus par les professionnels
à compter de 2020, dans le but
de prévenir les vols, ainsi que
la création d’espaces sécuri-
sés pour le stationnement
des vélos dans les gares et
les pôles d’échanges multi-
modaux à l’horizon 2024.
Pour encourager le dével-
o p p e m e nt d e l a m o b i l i té
électrique, le projet prévoit
l’obligation de déploiement
d’une part minimale de véhi-
cules à faibles émissions pour
l e s e n t re p r i s e s d i s p o s a nt
d’une flotte de plus de 100
véhicules, lorsqu’elles com-
plètent ou renouvellent leur
flotte. Cette mesure était
restreinte auparavant aux
s e u l s vé h i c u l e s d e l ’ É t a t
e t d e s e s é t a b l i s s e m e nt s
publics. Dans les immeu-
bles neufs ou en rénovation,
la totalité des places de sta-
t i o n n e m e n t d e v r o n t ê t r e
équipées d’infrastruc tures
de recharge. Cette dispo -
sition ne s’applique toute -
fois pas dans cer tains cas,
notamment lorsque le coût
d’investissement de telles
installations dépasse 7% du
coût de la rénovation, ou
encore lorsqu’on se réfère aux
parcs de stationnement de
petites ou moyennes entre -
prises. Le projet de loi prévoit
également la prise en charge
du raccordement au réseau
d’électricité des infrastruc-
tures de recharge ouvertes au
public à hauteur de 75%, pour
une période allant jusqu’à fin
2021.
C ô t é m o b i l i t é G N V ( G a z
N a t u r e l p o u r Vé h i c u l e s ) ,
le raccordement au réseau
de gaz n’est autorisé que si
les volumes l’imposent. Le
projet de loi propose donc de
déroger à cette règle afin de
soutenir l’essor des véhicules
fonctionnant au gaz naturel
et au biogaz, et de permettre
de raccorder au réseau une
station de ravitaillement en
gaz naturel comprimé même
pour de faibles volumes.
Afin de promouvoir les bons
usages et de pallier les émis-
sions de gaz à effet de serre,
plusieurs mesures sont propo-
sées. Tout d’abord il est prévu
d’étendre au co-voiturage le
forfait « Mobilité durable »,
qui permet aujourd’hui le
remboursement des frais liés
aux déplacements à vélo des
salariés. Les « zones à circula-
tion restreinte » deviendront
des « zones à faibles émis-
sions », dont la mise en place
sera obligatoire pour les col-
lectivités si les niveaux de
pollution sont dépassés sys-
tématiquement. Pour limiter
le trafic dans certaines zones,
le projet propose, pour les
c o l l e c t i v i t é s d e p l u s d e
100 000 habitants, la possi-
bilité d’instaurer un « tarif
congestion », substitut du «
péage urbain » prévu par la
loi Grenelle 2.

I N F ’ O S E | D é c e m b r e 2 0 1 8
10 LOI D’ORIENTATION DES MOBILITÉS
Enfin, cette proposition de loi
a été complétée par un titre
relatif aux investissements
dans le secteur du transport
pour la période 2022-2027,
qui reprend les chiffres annon-
cés par la ministre en charge
des transports dans le cadre
d e l a p ro gra m m at i o n d e s
investissements. Ainsi l’état
annonce un investissement de
13,4 milliards d’euros pour la
période 2018-2022, soit une
hausse de 40% par rapport à
la période 2013-2017 [3]. Les
programmes prioritaires sont
l’entretien et la modernisa-
tion du réseau de transport,
avec une priorité accordée au
transport du quotidien, la dés-
aturation des grands nœuds
ferroviaires, le désenclave -
ment des villes moyennes et
des villages, ainsi que le dével-
oppement des usages alterna-
tifs à la voiture individuelle
en soutenant, par exemple,
le développement des ser-
vices multimodaux et de la
mobilité active. Ces finance-
ments ne seront cependant
pas à la hauteur des projets
envisagés [4] et on note ici
un retrait de l’Etat vis-à-vis
de la niche fiscale accordée
aux poids lourds. En effet, le
transpor t de marchandises
est exonéré de la hausse de
la taxe carbone depuis 2015.
I l était prévu initialement
soit la mise en place d’une
vignette soit une réduction
des remboursements de la
TICPE (Taxe intérieure de con-
sommation sur les produits
énergétiques) gazole pour les
poids lourds, or, aucune de
ces mesures ne figure dans le
texte de loi.
Avec ses 50 articles le projet
propose des mesures surtout
normatives, et se veut, selon
la ministre des transpor ts
Elisabeth Borne, une « boîte
à outils » dans laquelle les
opérateurs de transport et les
collectivités pourront piocher
des solutions.
Ana DAVID
Sources :
[1] « Les émissions de gaz à effet de serre des transports [L’essentiel sur…, Environnement, Transports et environnement] :
Observation et statistiques ». [En ligne]. Disponible sur: http://www.statistiques.developpement-durable.gouv.fr/lessen-
tiel/ar/361/1228/emissions-gaz-effet-serre-transports.html. [Consulté le: 09-déc-2018].
[2] « Transport emissions », Action pour le climat - European Commission, 23-nov-2016. [En ligne]. Disponible sur: https://
ec.europa.eu/clima/policies/transport_en. [Consulté le: 09-déc-2018].
[3] « Loi Mobilités - Tout comprendre en 15 mesures clés ». [En ligne]. Disponible sur: https://www.ecologique-solidaire.gouv.
fr/sites/default/files/18191_LOM_15_mesures_12P_Pour%20BAT.pdf. [Consulté le: 09-déc-2018].
[4] A. KERRIOU, « Infrastructures : un scénario médian à 60 Md€ et un recours accru au pollueur-payeur - Actu-Transport-
Logistique.fr ». [En ligne]. Disponible sur: https://www.actu-transport-logistique.fr/routier/infrastructures-un-scenario-
median-a-60-md-et-un-recours-accru-au-pollueur-payeur-455112.php. [Consulté le: 11-déc-2018].
[5] « Projet de loi d’orientation des mobilités ». [En ligne]. Disponible sur: http://www.senat.fr/leg/pjl18-157.html. [Consulté
le: 09-déc-2018].
[6] « Avis sur un projet de loi d’orientation des mobilités ». [En ligne]. Disponible sur: http://www.conseil-etat.fr/Decisions-
Avis-Publications/Avis/Selection-des-avis-faisant-l-objet-d-une-communication-particuliere/Avis-sur-un-projet-de-loi-d-
orientation-des-mobilites. [Consulté le: 09-déc-2018].

I N F ’ O S E | D é c e m b r e 2 0 1 8
11LOI D’ORIENTATION DES MOBILITÉSA
© Patrick Janicek - https://www.flickr.com/photos/
marsupilami92/8036293803

I N F ’ O S E | D é c e m b r e 2 0 1 8
12 AUTOCONSOMMATION COLLECTIVE ET BLOCKCHAIN
Autoconsommation collective et
blockchain : une solution pour le
futur
Depuis l’ordonnance de
juillet 2016, la produc-
tion de l’électricité a évolué.
L’ordonnance a offer t une
base législative pour faciliter
le développement des instal-
lations en autoconsommation.
L’autoconsommation, comme
son nom l’indique, permet
de consommer directement
l’électricité produite par son
installation. Elle permet ainsi
au « consom’acteurs » d’être
moins dépendant du réseau
et de réaliser des économies
sur la facture d’électricité.
D’après Enedis, les installa-
tions en autoconsommation
sont passées de 54,51 MW soit
8 586 installations fin 2016, à
145,97 MW soit 33 618 instal-
lations, dont 83% de solaire
photovoltaïque, fin 2018 [1].
Qu’est-ce que
l’autoconsommation col-
lec tive ?
Jusqu’à présent, la plupart
des installations en auto -
consommation sont indivi-
duelles. Aujourd’hui, il est
possible d’autoconsommer
la production d’électricité à
plusieurs. L’ar ticle L.315-2
d u C o d e d e l ’é n e r g i e
indique «qu’une opération
d ’ a u t o c o n s o m m a t i o n e s t
collective lorsque la fourni-
ture d’électricité est effec-
tuée entre un ou plusieurs
producteurs et un ou plus-
ieurs consommateurs finals
liés entre eux au sein d’une
p e r s o n n e m o ra l e e t d o nt
les points de soutirage et
d’injection sont situés en aval
d’un même poste public de
transformation d’électricité
d e m o y e n n e e n b a s s e
tension».
La personne morale organ-
isatrice définit des coeffi-
cients de répar tition de la
production autoconsommée
entre chaque autoconsomma-
teur. Ces coefficients peuvent
être dynamiques, c’est-à-dire
qu’ils peuvent varier pour
chaque pas de la courbe de
mesure de la consommation,
ou bien statiques. Le gestion-
naire du réseau de distribu-
tion applique la clé de répar-
tition sur un pas de temps de
30 minutes pour un compteur
Linky et affecte la part de la
production à chaque auto-
consommateur [2].
L’autoconsommation collec-
tive présente plusieurs avan-
tages. Elle permet de con-
sommer localement la pro-
duction électrique et donc de
limiter les pertes en lignes sur
le réseau. Si la production et
la consommation sont bien
synchronisées, le recours aux
centrales de pointe est limité.
L’autoconsommation collec-
tive permet de prétendre à
des installations de taille plus
importante et d’atténuer les
pointes d’injection dans le
réseau grâce à la complémen-
tarité des différents profils de
consommation ; c’est l’effet de
foisonnement. Elle contribue
également à mutualiser le
financement de l’installation.
Cependant, le développement
massif de l’autoconsommation
collective peut poser certains
problèmes.
L e p r o b l è m e m a j e u r e s t

I N F ’ O S E | D é c e m b r e 2 0 1 8
13AUTOCONSOMMATION COLLECTIVE ET BLOCKCHAIN
l a g e s t i o n d e s s y s t è m e s
d’information du gestionnaire
de réseau de distribution.
Ces systèmes doivent être
très per formants pour per-
mettre un traitement rapide
des données de comptage et
de transaction.
Qu’est-ce que la
blockchain ?
Une blockchain est un regis-
tre qui recense tout type de
transactions et dont la base
de données est décentralisée
et disponible pour tous les
membres du système. Cette
technologie est adaptée aux
transactions pair à pair, ou
peer to peer, qui n’ont pas
besoin d’intermédiaires. Cette
désintermédiation peut per-
mettre la réduction des coûts
(liés à l’existence d’un inter-
m é d i a i r e ) p a s f o r c é m e n t
nécessaires [3].
Le registre permet une tra-
çabilité et un consensus dis-
tribué, c’est-à-dire que chaque
acteur autorisé de la chaine a
le droit de consulter le regis-
tre et peut vérifier la validité
des transactions, ce qui rend
le processus infalsifiable.
Les utilisateurs doivent faire
confiance aux technologies
et au réseau et non plus à
l’intermédiaire physique ou
moral.
Cependant, de nos jours, le
cadre juridique de la block-
chain n’est pas bien défini.
Sans cet intermédiaire, qui
endosse la responsabilité en
cas de litige ?
Quel lien entre autocon-
sommation collec tive e t
blockchain ?
Le développement de projet
d ’ a u t o c o n s o m m a t i o n c o l -
lective peut être boosté par
l’intégration de la blockchain.
G r â c e à l a b l o c k c h a i n ,
un réseau vir tuel va être
Figure 1 : Schéma d’autoconsommation collective avec compteurs virtuels - © R. BEN
MOKHTAR

I N F ’ O S E | D é c e m b r e 2 0 1 8
14 AUTOCONSOMMATION COLLECTIVE ET BLOCKCHAIN
transposé sur le réseau phy-
sique et va permettre de
régler les échanges d’énergie
entre les consommateurs en
fonction de leurs besoins.
La blockchain va permettre
de certifier les données de
consommation et de pro -
duction sans avoir besoin de
l’intervention du gestionnaire
de réseau de distribution.
Pour ce faire, chaque compt-
eur électrique est considéré
comme un nœud de la chaine
qui contient le registre des
informations liées à la con-
sommation totale, soit la part
de l’énergie autoconsommée
et celle soutirée au réseau.
Ces données sont horodatées.
Ces valeurs de la blockchain
sont ensuite transmises au
gestionnaire du réseau de
distribution, en l’occurrence
Enedis, qui va les transmettre
a u fo u r n i s s e u r p o u r q u’i l
puisse facturer l’électricité
soutirée du réseau.
Ce système peut être dével-
o p p é a u s e i n d ’ u n b â t i -
ment avec différents con-
sommateurs ou bien dans
un éco- quar tier en faisant
circuler l’énergie produite
d a n s l e r é s e a u p u b l i c ,
l ’autoconsommation étant
m u t u a l i s é e , e t c e , p e u
importe où sont implantés
les panneaux.
L’ a u t o c o n s o m m a t i o n c o l -
lective associée à la block-
chain est encore au stade
d’expérimentation [4].
Pour aller plus loin, il serait
p o s s i b l e d a n s l e f u t u r
d’utiliser sa propre énergie en
itinérance. En effet, il serait
possible d’alimenter son véhi-
cule électrique à par tir de
bornes qui sont inscrites dans
la même blockchain. Il serait
donc possible de recharger sa
voiture à partir de l’électricité
produite par ses propres pan-
neaux solaires. A l’heure actu-
elle, la réglementation de
l’autoconsommation collec-
tive ne le permet pas puisqu’il
faut être situé en aval d’un
même transformateur.
Ce p e n d a n t , c e l a p o u r r a i t
changer avec l’amendement
d u p r o j e t d e l o i s u r
l ’ Evo l u t i o n d u Lo g e m e n t ,
d e l ’A m é n a g e m e n t e t d u
Numérique (ELAN). Cet amen-
dement a pour but d’élargir
la zone géographique des
opérations en autoconsom-
mation collective. Les points
d’injection et de soutirage
peuvent être situés dans un
périmètre fixé par arrêté.
Rihab BEN MOKHTAR
Sources :
[1] « Le Mix par Enedis », enedis.fr, 2018. [En ligne]. Disponible sur: https://www.enedis.fr/open-data-le-mix-par-enedis.
[2] « L’autoconsommation collective », photovoltaique.info/, 03-déc-2018. [En ligne]. Disponible sur: http://www.photovoltai-
que.info/L-autoconsommation-collective.html.
[3] E-CUBE Strategy consultants, « Autoconsommation collective et blockchain — Perspectives sur deux phénomènes émer-
gents et liés ». nov-2017.
[4] Enedis, « L’autoconsommation collective et la blockchain : le projet DIGISOL », www.smartgrids-cre.fr. [En ligne]. Disponible
sur: http://www.smartgrids-cre.fr/index.php?p=blockchain-autoconsommation.

I N F ’ O S E | D é c e m b r e 2 0 1 8
15STOCKAGE D’ÉNERGIE DANS LE FERROVIAIRE
Le stockage d’énergie dans le
ferroviaire : mais pour quoi
faire ?
Si dans nos imaginaires col-
lectifs le train a d’abord
été une formidable machine
de locomotion à vapeur, une
majorité de personnes le con-
çoivent aujourd’hui comme
une machine électrique ali-
mentée via une caténaire
(ligne électrique aérienne par-
allèle aux rails et en contact
avec les trains).
La réalité est pourtant plus
contrastée. En France en 2015,
seul 55,5% du réseau ferro-
viaire était électrifié. C’est
dans la moyenne européenne,
bien mieux que le Danemark
(24,3%) mais moins bien que
la Belgique (85,6%). [1]
Par conséquent, le parc fer-
roviaire français se compose
de rames automotrices élec-
triques, de rames automo -
trices roulant au diesel ainsi
que de rames hybrides dites «
bimodes », capables de circu-
ler soit en traction électrique
via une caténaire, soit en
motorisation diesel seule. [2]
Grâce aux recherches actu-
ellement menées au sein de
la SNCF, par les principaux
constructeurs de trains et les
récents travaux parlemen-
taires, nous constatons que le
stockage d’énergie électrique
représente un enjeu majeur
pour le secteur du transport
ferroviaire. Nous expliquerons
dans une première partie en
quoi l ’usage de stockeurs
d’énergie est intéressant pour
des lignes déjà équipées d’un
réseau d’alimentation élec-
trique aérien ; puis dans une
deuxième partie comment le
train à hydrogène appor te
une réponse concrète aux
problématiques de mobilité
durable pour les lignes non
électrifiées.
P a r t i e 1 : L e s t o c k a g e
d ’é n e r g i e é l e c t r i q u e co m m e
support au réseau élec trique
ferroviaire
En termes de trafic, les lignes
ferroviaires électrifiées per-
m e t t e n t a u j o u r d ’ h u i d e
transpor ter 90% des voya-
geurs. En particulier, la SNCF
prévoit un quadruplement de
l’utilisation des lignes régio-
nales TER entre 2008 et 2030.
Pour répondre à la demande,
il sera nécessaire de faire cir-
culer davantage de trains sur
des lignes conçues et dimensi-
onnées il y a plusieurs décen-
nies pour la plupart. [3]
Pour comprendre l ’impac t
d’une forte augmentation du
trafic ferroviaire, il est néces-
saire de comprendre la struc-
ture du réseau ferroviaire,
illustrée sur la figure ci-après.
L’électricité est produite et
acheminée à haute tension
(en bleu foncé) jusqu’à des

I N F ’ O S E | D é c e m b r e 2 0 1 8
16 STOCKAGE D’ÉNERGIE DANS LE FERROVIAIRE
Figure 1 : Réseau électrique ferroviaire - © E. RAKOTOMISA
sous-stations (en rouge),
réparties à intervalles régu-
liers (tous les 10 à 15 km
environ) le long des rails.
Ces sous-stations compo-
sées de transformateurs et
de convertisseurs transfor-
ment l’énergie électrique
pour qu’elle puisse ensuite
être injectée au niveau de
la caténaire (en bleu clair).
Les trains s’alimentent alors
en captant l’électricité dis-
ponible tout le long de la
caténaire.
A chaque nœud de con-
sommation, c’est-à-dire à
chaque point mobile de
contact entre un train et
u n e c a té n a i re ( n o m m é s
Vcat(i) sur la figure ci-des-
sus), des chutes de tension
ont lieu au niveau de la caté-
naire. Ainsi, les données de
l’ensemble des nœuds de
tension d’une ligne forment
ce que l’on appelle un plan
de tension. Dans un con-
texte où les chutes de ten-
sions sont physiquement
inévitables au passage d’un
train, l’enjeu pour les ingé-
nieurs de SNCF Réseau est
donc de s’assurer que le
plan de tension soit à tout
instant au-dessus d’un seuil
minimal de tension. [3]
Or, les chutes de tension
sont proportionnelles aux
puissances soutirées à la
caténaire et d’autant plus
importantes que les sous-
s t a t i o n s s o n t e s p a c é e s.
Dans l’optique d’une aug-
mentation du trafic des
TER, et en l’absence de ren-
forcement du réseau élec-
trique existant, des simula-
tions numériques montrent
que le réseau « tomberait ».
Cela provoquerait alors la
mise hors tension de plu-
sieurs sections de lignes,
et par conséquent l’arrêt
immédiat de tous les trains
e n c i r c u l a t i o n j u s q u’a u
rétablissement du réseau.
Pour éviter ces désagré -
m e n t s , p l u s i e u r s s o l u -
tions de renforcement du
r é s e a u é l e c t r i q u e s o n t
e n v i s a g e a b l e s . P u i s q u e
l’ajout d’une sous-station
coûte très cher (environ

I N F ’ O S E | D é c e m b r e 2 0 1 8
15 millions d’euros) et que le
renforcement du réseau élec-
trique aérien (comme l’ajout
d’une caténaire supplémen-
taire) coûte approximative -
ment 1 million d’euro par km,
les ingénieurs de la SNCF ont
imaginé des solutions fondées
sur l’utilisation de stockeurs
d’énergie, facilement déploy-
abl es et économiquement
intéressantes.
Comme le montre la figure
ci- dessous, deux solutions
de renforcement du réseau
grâce à l’usage de stockeurs
peuvent être envisagées : [4]
• Solution A : Embarquer à
bord des trains un système
de stockage d’électricité.
Lorsque la tension élec-
trique au niveau de la
c a t é n a i r e s ’ a p p r o c h e
du seuil limite, le train
déporte une partie de sa
demande d’énergie vers
ses stockeurs embarqués.
La part d’énergie captée
sur le réseau électrique
aérien est suffisamment
réduite pour maintenir un
plan de tension acceptable.
Les stockeurs embarqués
se rechargent à partir du
réseau lorsque le plan de
tension le permet.
• S o l u t i o n B : Pl a ce r e n
b o r d u r e d e v o i e u n
système de stockage fixe,
rattaché à une caténaire.
L e s y s t è m e d e s t o c k -
age sur veille le plan de
tension et anticipe les
besoins des trains à prox-
imité. S’il prévoit qu’un
train, de par sa demande
en énergie, va entraîner
une chute de tension trop
impor tante, le stock age
fixe injecte une puissance
électrique supplémentaire
au niveau de la caténaire
pour relever la tension.
Figure 2 : Correction du plan de tension de la caténaire avec l’utilisation de solutions
de stockage – © E. RAKOTOMISA

Le schéma du haut présente
les chutes de tension provo-
quées par plusieurs trains en
circulation entre deux sous-
stations (notées SST sur la
figure). Ce schéma illustre
donc le problème que nous
venons d’identifier.
En bas à gauche, la résolu-
tion du problème avec la solu-
tion A (stockage embarqué),
et à droite avec la solution B
(stockage stationnaire noté
STA sur la figure).
E n v i s a g e r l ’ u t i l i s a t i o n
d’un système de stock age
d’électricité, quel qu’il soit,
implique de faire un choix
entre différentes technologies
de stockage : accumulateurs
é l e c t ro c h i m i q u e s, vo l a n t s
d’iner tie, piles à combusti-
b l e, s u p e r - c o n d e n s a t e u r s,
etc.). Une liste des principaux
critères à prendre en compte
est proposée dans le tableau
ci-dessous.
Figure 3 : Critères de comparaison
des technologies de stockage - © E.
RAKOTOMISA
Pa r t ic uliè reme nt adap tées
à une utilisation ferroviaire,
deux solutions émergent :
- l ’ u t i l i s a t i o n c o m -
b i n é e d ’ a c c u m u l a t e u r s
é l e c t r o c h i m i q u e s e t d e
super-condensateurs
- l’utilisation de piles à
combustible (H2
)
Les accumulateurs électro -
chimiques et super-conden-
sateurs sont des technolo -
gies éprouvées et industriel-
lement maîtrisées tandis que
les piles à combustible appor-
tent à l’heure actuelle autant
de questions que de solutions.
[4]
Le f a i t e s t q u e s i p a r m i
l’ensemble des solutions de
renforcement du réseau élec-
trique, la SNCF porte son choix
sur le stockage embarqué, il
ne serait pas possible de mod-
ifier l’architecture des rames
existantes pour y ajouter du
stockage. La SNCF serait dans
l’obligation d’acquérir des
trains hybrides « électrique +
stockeurs d’électricité ».
Fort heureusement, en plus
de résoudre le problème de
la chute de tension que nous
venons d’identifier, l’achat
d e c e s n o u v e l l e s r a m e s
« hybrides » offrirait aussi des
solutions au transport ferrovi-
aire sur des lignes non élec-
trifiées. C’est cet aspect que
nous développons dans la
partie suivante.
Par tie 2 : Le train à
hydrogène pour les lignes
non élec trifiées
C ’est une première mondi-
ale. Il s’appelle Coradia iLint
et il possède une autono -
mie de 1000 km ! Le premier
train à hydrogène au monde,
en exploitation commerciale
depuis le 17 septembre 2018
est franco-allemand. Français
car conçu à Tarbes (M idi-
Pyrénées) par Alstom et alle-
mand car exploité par la région
de la Basse-Saxe. Il fait circu-
ler beaucoup de promesses
et de fantasmes. En France,
d’après Guillaume Pépy (PDG
de la SNCF), la part du ferrovi-
aire non électrique représente
3500 trains journaliers. C’est
Figure 4: Deux technologies adaptées aux problématiques du ferroviaire -
© E. RAKOTOMISA
I N F ’ O S E | D é c e m b r e 2 0 1 8

20% des trains en circula-
tion, tous propulsés grâce au
diesel, fortement émetteurs
de CO2
et de polluants locaux.
[5] [6]
E n c o n fé re n c e d e p re s s e
l e s a m e d i 1 6 n o v e m b r e
2018, G. Pépy revient sur le
calendrier de la transition
écologique du fer roviaire
et annonce la fin des trains
diesels en 2035 au lieu de
2040 comme prévu initiale-
ment. Et pour lui, qui exclut
d’électrifier toutes les lignes
trop coûteuses alors même
que les finances publiques
sont dans le rouge, c’est bien
le train à hydrogène qui sera le
chef de file pour mener à bien
cette transition qui engager
la SNCF dans l’objectif de
neutralité carbone en 2050.
« On va passer commande à
l’été (2019) de prototypes, ce
sera probablement des pro-
totypes Alstom, et on aura
ces prototypes début 2022
en France », a-t-il déclaré.
Alstom a, en effet, proposé
a u x r é g i o n s u n e v e r s i o n
hybride électrique « caté -
naire + pile à combustible »,
adaptation du Coradia iLint
au matériel et aux besoins
français. L’objectif pour le
constructeur est de proposer
un prototype homologué par
l’Etat français pour 2022,
puis de livrer une trentaine
de trains aux régions entre
2024 et 2028 pour une phase
de test avant de monter en
puissance. [5] [7]
Les récentes déclaratio ns
d e G . Pe py fo nt d i re c te -
ment suite au rapport par-
lementaire confié au député
LREM Benoît Simian sur « le
verdissement des matériels
roulants du transpor t fer-
roviaire en France ». Pour
le député, il est urgent de
préparer le terreau pour le
développement d’une filière
d’excellence française autour
du train à hydrogène et plus
généralement de l’hydrogène.
D’une par t, parce qu’il est
moins coûteux de dévelop-
per des solutions de stock-
age embarquées à bord du
matériel roulant plutôt que
d’électrifier la majorité des
lignes régionales existan-
tes. D’autre part, parce que
le parc des 450 rames diesels
qui datent des années 1990
et 2000 va devoir être renou-
velé à partir de 2030 pour un
nouveau cycle d’exploitation
de 30 ans. Passer à nouveau
commande de rames diesels
reviendrait à garder le ferrovi-
aire captif du diesel jusqu’en
2 0 6 0 a u m i n i m u m , a l o r s
même que nous cherchons à
réduire drastiquement la part
des énergies fossiles dans le
mix énergétique français. [8]
A l’heure actuelle, la quasi-
t o t a l i t é d e s t r a v a u x d e
recherches sur les « trains
ver ts » se cristallisent sur
l’usage de batteries élec-
t ro c h i m i q u e s ( p o r t é s p a r
l e c o n s t r u c t e u r c a n a d i e n
Bombardier), ou sur la pile à
combustible pour Alstom. La
principale critique adressée
au train à hydrogène, c’est
d’être à l’usage 3 fois plus
consommateur d’électricité
qu’un train à batterie élec-
trochimique. Seulement, le
train de Bombardier ne peut
aujourd’hui réaliser un trajet
de plus de 40 km. [9]
L’hydrogène n’existant pas
à l’état naturel, il doit être
obtenu par électrolyse puis
s t o c k é à h a u t e p r e s s i o n
(700 bars) et il coûte cher.
En supposant l’utilisation de
grosses infrastructures fonc-
tionnant plus de 7000 heures
par an, le coût de produc-
tion de l’hydrogène oscille
entre 100 et 200€ le MWh. Le
coût du stockage est lui aussi
dans ce même ordre de gran-
deur de prix. Pour autant, le
CEA estime qu’il sera possi-
ble de faire baisser le coût
I N F ’ O S E | D é c e m b r e 2 0 1 8

de l’hydrogène à 50€ le MWh
d’ici 2030 grâce au dével-
oppement de nouvelles tech-
nologies. [8]
Alors, la décision de l’Etat
d ’i nv e s t i r d a n s l a f i l i è r e
hydrogène ne serait-elle pas
plutôt un choix politique et
stratégique qu’un choix tech-
nologique ? La concurrence
autour de la conception et
de la production des bat-
teries électrochimiques est
déjà très rude alors qu’elle
n’existe que très peu sur la
pile à combustible. Investir
dans le train à hydrogène,
c’est permettre à la filière
française de se renforcer et se
structurer, en lui garantissant
des débouchés économiques
conséquents. Par la suite,
tout le savoir-faire acquis
grâce au train à hydrogène
pourra être transposable à
d’autres moyens de transport
à hydrogène. [8]
En conclusion, il apparaît plus
que crucial que l’Etat pose
un cadre législatif et norma-
tif quant à la mise en circu-
lation de trains hydrogènes
sur le territoire français et
q u a n t a u d é ve l o p p e m e n t
d u v e c t e u r é n e r g é t i q u e
hydrogène. A la clé, permettre
à terme la mutualisation de
l’approvisionnement et la dis-
tribution de l’hydrogène entre
plusieurs modes de trans-
port (bus, voiture, etc.). C’est
un enjeu écologique majeur
qui permettrait à minima à
ces modes de transport de
n’émettre aucune pollution
locale, voire d’être totalement
écologique si l’hydrogène
peut être obtenu à par tir
d’électricité décarbonée.
Eli RAKOTOMISA
Sources :
[1] Comission europeenne - Division Mobilité Transport, 2018. [En ligne]. Available: https://ec.europa.eu/transport/facts-fundings/
scoreboard/compare/energy-union-innovation/share-electrified-railway_en.
[2] SNCF, «Le guide de la production ferroviaire,» 2018.
[3] O. BOSSI, Contribution au dimensionnement et la gestion par optimisation de systèmes de stockage d’énergie pour les
réseaux électriques ferroviaires, Grenoble, 2016.
[4] AFP, «SNCF: Pepy avance la date de fin des trains diesels à 2035,» 2018.
[5] B. Simian, «Le verdissement des matériels roulants du transport ferroviaire en France,» Rapport parlementaire pour l’Assemblée
Nationale, Novembre 2018.
[6] La Tribune, «SNCF : Pépy envisage la fin des trains diesel et l’arrivée de l’hydrogène en 2030,» La Tribune, n° %16569, 17
novembre 2018.
[7] AFP, «Alstom propose un train à hydrogène aux régions françaises,» 21 novembre 2018.
[8] Techniques de l’Ingénieur - Innovations sectorielles, «Le train à batterie de Bombardier, un hydrogène-killer ?,» 4 décem-
bre 2018.
[9] E. Rakotomisa, «Gestion énergétique multi-source pour la traction électrique ferroviaire» , Septembre 2018.
I N F ’ O S E | D é c e m b r e 2 0 1 8

Stockage durable d’électricité
éolienne
L’un des grands enjeux
actuels de l’énergie élec-
tr ique réside dans notre
capacité à la stocker. En effet,
l’énergie électrique produite
par n’importe quel système
énergétique doit être injec-
tée directement sur le réseau
et se consomme « instantané-
ment ». A l’inverse du gaz ou
du pétrole, elle est difficile-
ment stockable en quantité
et sur le long terme, ce qui
rend sa consommation plus
compliquée. Il existe pour-
tant différentes techniques
qui se développent pour
stocker cette énergie.
S’i n q u i é t a n t d u d é s i n té -
rêt croissant pour les éner-
gies fossiles et de l’essor des
énergies renouvelables (EnR)
[1], la société norvégienne
Statoil productrice et expor-
tatrice de pétrole (récem-
ment renommée Equinor)
investira 200 millions de
dollars d’ici 2022 pour le
développement des EnR. Un
des principaux projets qu’elle
porte se situe en Ecosse au
large de Peterhead, sur le
parc éolien flottant Hywind.
D’une puissance installée
de 30 MW, ce parc éolien a
accueilli en 2017 cinq éoli-
ennes de 6 MW à 25 km des
côtes, capables de fournir en
électricité 20 000 foyers [2].
Situées en pleine mer, elles
résolvent les problèmes de
nuisances visuelles et sont
soumises à des vents plus
forts ce qui permet de max-
imiser la produc tion par
rapport à des éoliennes ter-
restres ou même en bordure
de côte.
N é a n m o i n s, l e p ro b l è m e
du stock age de l’énergie
produite n’est pas résolu.
L’é n e r g i e é l e c t r i q u e e s t
é v i d e m m e n t s t o c k a b l e
dans des batteries grâce à
des réac tions élec trochi-
miques, dont les technolo-
gies fonctionnent avec des
couples élec trochimiques
ou d’oxydo-réduction nom-
breux et variés. Parmi elles,
la batterie Li-Ion s’est large-
ment imposée dans notre
quotidien avec des appli-
c a t i o n s n o t a m m e n t s u r
n o s a p p a r e i l s é l e c t r o n -
iques et dans l’automobile.
Elle repose sur la révers-
ibilité de l’échange de l’ion
Lithium entre l’anode et la
cathode de l’accumulateur.
L’intérêt de ces batteries est
qu’elles possèdent une haute
densité d’énergie allant de
300 à 1500 Wg/kg [3], mais
p o u r u n e a u t o n o m i e d e
quelques heures. C’est pour-
quoi cette technologie est
l’une des plus matures et est
bien adaptée pour le stock-
a g e d ’é n e rgi e é l e c t r i q u e
produite à partir d’énergie
renouvelable. En effet, les
énergies éolienne ou pho-
tovoltaïque ont des facteurs
de charge relativement bas
comparés à d’autres moyens
de production, mais surtout
avec une grande variabilité
horaire de production.
C’est dans cette technologie
que les compagnies Equinor
et Masdar ont récemment
investi (respec tivement à
hauteur de 75% et 25%)
pour le développement et
l’installation des batteries
I N F ’ O S E | D é c e m b r e 2 0 1 8
21STOCKAGE ÉOLIEN

Batwind. D’une capacité de
1,3 MWh, la batterie Li-Ion
d ’ u n e t rè s h a u t e p e r fo r -
mance utilise un algorithme
d’optimisation basé sur des
données intégrant les prix
du marché, les plannings de
maintenance, la demande de
consommation et le réseau
électrique [4]. Elle est ainsi
capable d’optimiser le stock-
age pour savoir quand garder
en réserve et quand restituer
l’énergie électrique automa-
tiquement sur le réseau. Le
problème du stockage lié à la
variabilité du vent est ainsi
contourné.
Figure 1 : Principe de fonctionnement des technologies Hywind et Batwind -article du
28/06/2018 Portail energiesdelamer.eu - Equinor installe la batterie Batwind et la couple à
l’éolien offshore. Source : [6]
Mais il existe d’autres sys-
t è m e s d e s t o c k a g e d e
l’énergie plus durables (le
lithium étant une ressource
limitée, chère et rare). En
pompant des volumes hydrau-
liques, l’énergie électrique
peut être stockée sous forme
d’énergie mécanique poten-
tielle, puis libérée en action-
nant des turbines. Cette tech-
nique de pompage-turbinage
s’applique dans des Stations
de Transfer t d’Energie par
pompage (STEP) et nécessite
donc une topographie du ter-
ritoire propice à la rétention
d’eau, ce qui n’est pas forcé-
ment le cas de l’Ecosse.
En revanche, une technologie
innovante française dévelop-
pée par la société MGH Energy
pourrait se prêter davantage
aux spécificités du territoire
écossais qui repose égale -
ment sur l’énergie potenti-
elle. La technologie consiste
à utiliser l’énergie électrique
produite pour soulever des
poids du plancher marin à
la surface de la mer. Ainsi,
quand l’énergie électrique
est produite en surplus, elle
est u tilisée po u r ac t i on -
ner des poulies permettant
d’élever ces poids jusqu’à la
surface. Arrivés à la surface,
ils sont stockés sur une plate-
forme. Lorsque le réseau
demande à être alimenté,
les poids sont relâchés et
se laissent choir jusqu’à une
profondeur pouvant attein-
dre 1 km. Dans leur chute,
ils activent des générateurs
situés à la surface et restitu-
ent ainsi l’énergie potentielle
accumulée en énergie élec-
trique.[5]
I N F ’ O S E | D é c e m b r e 2 0 1 8
22 STOCKAGE ÉOLIEN

Figure 2 : Principe de fonctionnement de la technologie MGH
[Source : http://www.mgh-energy.com]
La technologie proposée par MGH pourrait donc bien s’adapter au problème de stockage de
l’électricité produite par des éoliennes flottantes, étant donnée leur localisation géographique.
Néanmoins, les capacités de stockage de cette technologie sont bien moindres que celles
des batteries Li-Ion.
Lucas DESPORT
Sources :
[1] J. Crépu, « Coup de poker sur le pétrole », 2018.
[2] B. Bornemann, « Equinor installe la batterie Batwind et la couple à l’éolien », Energies de la mer. .
[3] F. Le Jeune, « Stockage de l’électricité par batterie : les différentes technologies », Les Smart Grids. .
[4] K. Storme, « Hywind, le premier parc éolien flottant inauguré en Écosse », Le marin. .
[5] MGH, « A New Technology for Grid-Scale Electricity Storage », DEEP SEE ENERGY STORAGE ..
[6] https://www.energiesdelamer.eu/publications/111-stockage-batterie-step/4172-equinor-installe-la-batterie-batwind-et-
la-couple-a-l-eolien-offshore
I N F ’ O S E | D é c e m b r e 2 0 1 8
23STOCKAGE ÉOLIEN

L’intelligence artificielle et
l’énergie
Intelligence artificielle © Pixabay
In t e l l i g e n c e a r t i f i c i e l l e ,
a p p r e n t i s s a g e a u t o m a -
tique, données, capacité de
calculs, ser veurs, robotisa-
tion, internet of things (IoT )
etc. Ces mots font désor-
mais partie de notre quoti-
dien. Toutes les nouvelles
marques se sont focalisées
sur ces nouvelles tendances
pour gagner de nouvelles
parts de marché. On peut citer
comme exemple l’entreprise
« Uber » : cette entreprise a
gagné d’importantes parts de
marché dans le transport de
personne. Les chauffeurs de
taxis sont menacés de perdre
leur emploi parce que les gens
préfèrent utiliser une simple
a p p l i c a t i o n m o b i l e p o u r
réserver une voiture plutôt
que d’appeler une agence
pour réser ver un taxi. De
même pour les commerçants
traditionnels, le e-commerce a
évolué de façon conséquente
et a gagné d’importantes parts
de marché. L’exemple le plus
connu de ces entreprises de
e-commerce est « Amazon ».
Cette tendance effacera-t-
elle un jour les produits et les
services historiques ?
Ces nouvelles technologies
ont envahi presque tous les
domaines et on les retrouve
évidemment dans le secteur
de l’énergie. On peut citer
l’exemple des réseaux intelli-
gents (smart grids), qui sont
des réseaux électriques con-
nec tés qui permettent de
limiter au maximum les inter-
ventions grâce à la mainte -
nance prédictive, de surveiller
et d’agir sur les réseaux de
façon coordonnée et ciblée.
I N F ’ O S E | D é c e m b r e 2 0 1 8
24 IA & ÉNERGIE

N o u s t r o u v o n s a i n s i
l e s c o m p t e u r s « L i n k y »
déployés par ENEDIS comme
exemple de l’utilisation de
l’intelligence artificielle dans
le secteur énergétique. Ces
compteurs intelligents per-
mettent de simplifier cer-
taines opérations comme le
relevé de la consommation,
les changements de puis-
sance ou de fournisseur ou
encore d’améliorer les diag-
nostics en cas de dysfonc-
tionnement. Ces compteurs
apportent des améliorations
dans l’optimisation de la
gestion, de l’entretien et du
développement des réseaux
électriques. Les compteurs «
Linky » assurent l’intelligence
du réseau.
Plusieurs questions peuvent
se poser :
Quelle est la définition de
l’IA et du machine learning ?
Quels sont les algorithmes les
plus utilisés ? Pour quelles
applications ces technol-
o gi e s s o nt- e l l e s u t i l i s é e s
dans le secteur de l’énergie ?
Q u e l l e s o p p o r t u n i té s ce s
nouvelles technologies font-
elles naître ?
Intelligence ar tificielle
(IA) e t Machine learning
(ML)
L’IA est apparue avec les
réflexions de Turing en 1950
sur « les machines peuvent-
elles penser ? ». L’IA a connu
d e p u i s d e s p é r i o d e s d e
grande attractivité comme
des périodes de désuétude.
L’é vo l u t i o n e x p o n e n t i e l l e
des puissances de calcul et
des capacités de stockage
des ordinateurs a cepen -
dant permis de faire renaître
l’intelligence artificielle avec
de nouveaux challenges.
L e f o n c t i o n n e m e n t d e
l ’i n t e l l i g e n c e a r t i f i c i e l l e
se base sur deux grandes
notions : l’utilisation des
données, collectées depuis
des années et l’auto appren-
t i s s a g e d e s a l g o r i t h m e s .
Selon Yann Le Cun, chercheur
en Intelligence Artificielle,
il s’agit d’un « ensemble de
techniques per mettant à
des machines d’accomplir
des tâches et de résoudre
d e s p ro b l è m e s n o r m a l e -
ment réservés aux humains
et à cer tains animaux. »
Cette nouvelle technologie
permet donc aux machines
de prendre des décisions
en utilisant la prévision ou
l’optimisation. [1]
Mais avant tout, nous devons
connaître la différence entre
les algorithmes ‘classiques’
(les algorithmes rigides) et
les algorithmes d’intelligence
artificielle.
Lorsqu’un algorithme clas-
s i q u e e s t d é v e l o p p é , i l
prend en considération tous
les scénarios que le dével-
oppeur a introduit, comme
par exemple les instructions
conditionnelles « si ». Ce type
d’algorithme prend unique-
ment des données d’entrée
qu’il compare avec des con-
ditions puis qu’il traite en
utilisant une logique bien
définie. Alors qu’un algo-
r i t h m e d ’ I A , p r e n d l e s
données d’entrée (input) et
les données de sortie (output)
et il essaye de trouver des
liens (patterns) entre ces
données. Comme avec les
ré s e a u x d e n e u ro n e s, c e
sont des boîtes noires (black
box algorithms) qui définis-
sent les relations entre les
données sans l’intervention
du développeur.
Pour bien comprendre cette
différence, nous allons com-
parer deux différents types de
développement d’un chat bot
pour une messagerie électro-
nique. En utilisant des algo-
rithmes rigides, nous allons
définir toutes les possibilités
de mails et toutes les possibil-
ités de réponses. Par exemple,
nous pouvons définir que
si on reçoit ‘Bonjour’, il faut
qu’on réponde ‘Bonjour’ et si
on reçoit ‘Hello’, la réponse
I N F ’ O S E | D é c e m b r e 2 0 1 8
25IA & ÉNERGIE

est ‘Hello’ ou ‘Hi’. Et si un
mot ou une phrase n’est pas
défini, l’algorithme affiche
‘ Je suis désolé, je n’ai pas
compris ’.
Au contraire les algorithmes
d ’ I A p e u ve n t p re n d re e n
compte l’historique des mails
et trouver des relations entre
chaque mail sans les condi-
tions ‘si’.
Comme indiqué ci- dessus,
l’IA permet de rendre les
machines capables de simuler
« l’intelligence humaine », en
mimant des comportements
tels que le raisonnement ou
l’apprentissage.
L’un des principaux champs
d ’é t u d e d ’ I n t e l l i g e n c e
Ar tificielle est le Machine
L e a r n i n g ( M L ) . C e t t e
approche consiste à « appren-
d r e » a u x o r d i n a t e u r s à
exécuter trois grands types
d’actions : prédire, classifier
et regrouper.
• Les algorithmes de pré -
dic tion s’appellent les
modèles de régression : la
régression linéaire, Ridge,
les arbres de décision, les
réseaux de neurones, etc.
• Les algorithmes de clas-
sification : les machines
à vec teurs de suppor t
(Support Vector Machine),
les arbres de décision, les
réseaux de neurones, etc.
• Les algorithmes de parti-
tionnement de données
ou clustering : K-means,
DBScan etc.
Nous pouvons utiliser l’un de
ces trois modèles seulement,
ou les combiner. Cette tech-
nique s’appelle l’ensemble
learning.
La per formance des algo -
rithmes de machine learning
et la précision de leurs prévi-
sions sont liées à la qualité
et la quantité des données
d’entrée. En effet, ces algo-
rithmes acceptent plusieurs
types de données par exemple
des nombres, des variables
catégorielles (0 ou 1, oui ou
non), des chaînes de carac-
tère (texte), des images, des
sons et des vidéos. Toutefois,
c o m m e p o u r l e s ê t r e s
humains, vous ne pouvez pas
demander à un enfant ou à
une personne qui manque
d’expérience de prendre des
décisions. Par conséquent, ce
sont la quantité et la qualité
des données qui garantissent
la performance des modèles
de machine learning. [2]
Les algorithmes de machine
learning sont regroupés dans
deux grands groupes :
• L e s a l g o r i t h m e s
d’apprentissage supervisé
• L e s a l g o r i t h m e s
d ’ a p p r e n t i s s a g e n o n
supervisé
Les algorithmes de machine
learning
L e p r e m i e r g r o u p e
d’algorithmes regroupe les
algorithmes de régression et
les algorithmes de classifica-
tion qui utilisent des données
labélisées pour entraîner le
modèle, ces labels étant les
variables à prédire. Les algo-
rithmes de régression sont
utilisés dans la prédiction de
valeurs continues comme par
exemple le prix des maisons,
la demande d’électricité ou
encore le prix du pétrole,
alors que les algorithmes
de classification sont utili-
sés pour prédire des vari-
ables catégorielles comme
par exemple la classification
des types des fleurs, etc.
L e d e u x i è m e g r o u p e
d ’ a l g o r i t h m e s ( l e s a l g o -
rithmes d’apprentissage non
super visé) contient princi-
palement des algorithmes de
partitionnement de données
ou clustering. Ils prennent en
entrée des données non labé-
lisées, comme les courbes de
charge de toute une année,
et ils essayent de trouver
I N F ’ O S E | D é c e m b r e 2 0 1 8
26 IA & ÉNERGIE

© H. MRAIHI
des liens entre ces courbes
pour les regrouper dans dif-
férents ensembles (clusters).
On pourra regrouper d’un côté
des courbes de charge carac-
térisant la demande pendant
des jours de semaine et de
l’autre des courbes de charge
caractérisant la demande des
weekends. [3]
L’IA dans le sec teur de
l’énergie
Prévision de la demande et de la
produc tion
Au cours des dix dernières
a n n é e s , p l u s i e u r s a p p l i -
cations de l’IA dédiées au
secteur énergétique ont été
e x p é r i m e n t é e s . D a n s c e t
ar ticle, nous citerons des
exemples de ces nouvelles
approches.
En France, RTE (Réseau de
Transpor t de l’Élec tricité),
qui assure le transpor t de
l’électricité sur le territoire,
possède le plus grand réseau
d e t r a n s p o r t d ’é l e c t r i c i t é
d ’ E u ro p e : 1 0 5 9 6 1 k i l o -
mètres de lignes électriques,
2 7 4 4 p o s te s é l e c t r i q u e s,
1 2 4 1 t r a n s fo r m a t e u r s e t
3 515 points de livraison. [4]
Cette entreprise, qui est une
filiale d’EDF, offre ses services
de transmission d’électricité
à cinq types de clients dif-
fé re n t s : l e s p ro d u c t e u r s
d’électricité, les entreprises
ferroviaires, les distributeurs
d’électricité qui eux-mêmes
fournissent l’électricité aux
clients finaux que sont les
particuliers et les PME-PMI du
secteur tertiaire, les industri-
els et les acteurs de marché.
Elle est également engagée
dans des échanges contrac-
tuels transfrontaliers avec la
Grande Bretagne, la Belgique,
l’Allemagne, la Suisse, l’Italie
et l’Espagne.
Pour assurer la bonne gestion
de cet énorme réseau élec-
t r i q u e, R T E d o i t i n t é g re r
des nouvelles technologies.
En effet, l ’entrepr ise doit
s’assurer en permanence que
la capacité du réseau est
I N F ’ O S E | D é c e m b r e 2 0 1 8
27IA & ÉNERGIE

suffisante pour transpor ter
l’électricité et que toutes les
composantes du réseau sont
en état de fonctionnement.
Pour ces raisons, les réseaux
de transport de l’électricité
dans le monde entier, se sont
d i r i g é s v e r s l ’i n t é g r a t i o n
de technologies d’IA et de
m a c h i n e l e a r n i n g. A t i t re
d ’e xe m p l e, n o u s p o u vo n s
citer les modèles de prévi-
sion de la demande en élec-
tricité. En effet, ces modèles
utilisent l’historique de la
demande électrique, la tem-
pérature, la pluviométrie, le
type du jour ( jour de semaine
ou weekend), l’heure, etc.
pour prévoir la demande en
électricité un jour avant. Pour
faire cela, on peut utiliser les
techniques de prévision tradi-
tionnelles comme les modèles
statistiques ARMA ou ARIMA
ou encore la régression liné-
aire. Une autre possibilité
est d’utiliser les modèles de
prévision de machine learning
comme les arbres de décision,
les réseaux de neurones arti-
ficiels, etc.
La performance et la précision
Nouveaux moyens de production - © Pixabay
de ces nouveaux modèles qui
utilisent les algorithmes de
machine learning sont meil-
leures que celles des anciens
modèles. En effet, l’erreur
de prévision de ces derniers
modèles est inférieure à 10%.
Ce niveau de précision permet
aux gestionnaires de réseaux
électriques et aux fournisseurs
d’électricité comme EDF de
connaître à l’avance la quan-
tité d’électricité qu’ils doivent
fournir aux consommateurs,
ce qui leur permet de se pré-
parer et d’éviter par la suite
des problèmes de pénurie ou
de blackout.
La maintenance prédic tive
P o u r v e i l l e r à r e s p e c t e r
l’équilibre entre l’offre et la
demande, les gestionnaires
des réseaux élec triques et
les producteurs d’électricité
doivent également s’assurer
du bon fonctionnement de
toutes les composantes du
réseau.
Pour cela, les gestionnaires
des réseaux électriques uti-
lisent les technologies de l’IA
I N F ’ O S E | D é c e m b r e 2 0 1 8
28 IA & ÉNERGIE

et du machine learning dans
le cadre de la maintenance
prédictive.
De nombreuses méthodes de
Machine Learning peuvent
être employées pour effectuer
de la maintenance prédictive
sur les moyens de production
d’énergie.
Ces modèles permettent de
prévoir le moment et le type
de la panne des composants
du système.
Le p r i n c i p a l av a n t a g e d e
c e t t e n o u v e l l e f o r m e d e
maintenance est la réduction
du temps d’arrêt des cen-
trales de production, d’où
l’augmentation de la quantité
d’énergie produite et la dim-
inution des coûts de produc-
tion associés. Il est ainsi pos-
sible de savoir quand changer
un composant du réseau sans
avoir à attendre l’occurrence
de la panne.
D a n s c e c a d r e , n o u s
pouvons utiliser deux types
d ’algorithmes de machine
learning :
• Les algorithmes de clas-
s i f i c a t i o n q u i p e u v e n t
prédire la nécessité d’une
o p é r a t i o n d e m a i n t e -
nance ou non (oui ou non)
• Les algorithmes de prévi-
s i o n ( r é g r e s s i o n ) q u i
peuvent prédire à quel
moment la défaillance va
se produire.
Les données utilisées pour
l ’ a p p r e n t i s s a g e d e c e s
modèles sont collec tées à
l’aide de capteurs installés
dans le réseau de produc-
tion ou de distribution. Ces
données sont sous la forme
d’une série temporelle comme
par exemple l’historique des
types de défaillance, la date
des défaillances, etc.
Cette application a été dével-
oppée et testée depuis 2017
par une filiale de distribu-
tion d’élec tricité de E.ON.
L’utilisation des modèles de
Machine Learning a permis
de réduire l’occurrence des
coupures, d’où la réduction
des coûts liés à la mainte -
nance corrective et du coût
économique associé aux cou-
pures pour les consomma-
teurs finaux.
N o u s p o u vo n s é g a l e m e n t
utiliser les techniques d’IA
dans les centrales solaires.
En effet, des logiciels per-
mettent de traiter les images
en temps réel et de détecter
la position du soleil ce qui
permet d’identifier les meil-
leures positions pour fixer les
panneaux photovoltaïques
dans l’objectif d’augmenter
la production de l’électricité
et de réduire les coûts de
production.
Trading
L’intelligence ar tificielle et
les algorithmes de Machine
Learning ont également été
utilisés sur les marchés de
l’électricité. En effet, plusieurs
star tups et PME ont choisi
d’investir dans la bourse de
l’électricité (EPEX SPOT ) en
utilisant l’IA. Ils ont dével-
oppé des modèles de prévi-
sion des prix de l’électricité
en intégrant des algorithmes
d e ré gre s s i o n co m m e l e s
arbres de décision ou les
réseaux de neurones ar ti-
f i c i e l s. Ce s m o d è l e s p e r -
mettent de prévoir le prix de
l’électricité un jour avant et
on trouve même des modèles
qui prévoient le prix une
heure avant. Les algorithmes
de prévision prennent comme
données d’apprentissage :
l’historique des prix, la tem-
pérature, les prévisions de la
demande, l’heure, etc. [5]
L e t a u x d ’e r r e u r d e c e s
modèles est inférieur à 20% ce
qui représente un faible taux
par rapport aux autres types
de modèle utilisés dans les
bourses financières.
I N F ’ O S E | D é c e m b r e 2 0 1 8
29IA & ÉNERGIE

© Pixabay
Maison connec tée
Avec le développement des
objets connectés (Internet
of Things), nous obser vons
également l’intégration de
l’IA et du machine learning
dans les maisons. En effet,
les maisons connectées per-
mettent d’optimiser la con-
sommation de l’énergie et
d’augmenter le confort des
habitants.
Cette intégration de l’IA peut
se manifester dans deux sys-
tèmes importants :
• Des systèmes de prévision
et de gestion de la con-
sommation en temps réel.
• Des systèmes d’efficacité
é n e r g é t i q u e d a n s
l’industrie.
Ces systèmes servent à mieux
gérer son domicile et à opti-
miser sa consommation. Dans
un premier temps l’utilisateur
va utiliser son smartphone ou
son PC portable pour allumer
les lumières et le chauffage.
Puis ces modèles vont appren-
dre le mode de vie du domi-
cile et commencer à gérer
les différents appareils de
la maison. Par exemple, les
modèles utilisent la tempéra-
ture pour prendre la décision
d’allumer le chauffage ou non.
Dans ce cas, des algorithmes
de classification sont utilisés.
Les données d’apprentissage
de ces algorithmes sont des
données qui définissent le
mode de vie du propriétaire
comme l’heure de rentrée au
domicile, etc.
Pour développer ces technol-
ogies, plusieurs entreprises
ont investi dans la recherche
afin d’optimiser la consomma-
tion d’électricité et de fournir
le plus de confort possible
aux utilisateurs. [6]
Pour conclure, cet ar ticle
a eu pour but de définir
l’intelligence ar tificielle et
le machine learning : deux
termes omniprésents dans
notre quotidien.
I l i n tè gre a u s s i q u e l q u e s
exemples d’utilisation de ces
I N F ’ O S E | D é c e m b r e 2 0 1 8
30 IA & ÉNERGIE

nouvelles technologies dans
le domaine de l’énergie et plus
précisément dans le secteur
de l’électricité. Nous avons pu
observer que ces techniques
sont utilisées sur l’ensemble
de la chaîne de gestion de
l’électricité : la production,
la distribution, les services
après-vente, le marketing etc.
Mais l’intervention des êtres
humains demeure toujours
nécessaire.
On se demande ainsi si le
jour où les machines intelli-
gentes remplaceront les êtres
humains viendra...
Hamza MRAIHI
Sources :
[1] « Les Enjeux de la Recherche en Intelligence Artificielle », Yann LeCun, 2016
[2] « Schneider Electric et Microsoft France lancent un incubateur commun pour accélérer la transition énergétique grâce à
l’Intelligence artificielle ». [En ligne]. Disponible sur: https://www.schneider-electric.fr/fr/about-us/newsroom/actualites/
schneider-electric-et-microsoft-france-lancent-un-incubateur-commun-pour-accelerer-la-transition-energetique-grace-a-
l-intelligence-artificielle-e8d4-636ff.html.
[3] « Application de l’Intelligence Artificielle dans l’énergie », E-CUBE strategy consultants, Septembre 2018 .
[4] « 1er réseau de transport d’électricité d’Europe », RTE France, 20-oct-2014. [En ligne]. Disponible sur: https://www.rte-
france.com/fr/ecran/1er-reseau-de-transport-d-electricite-d-europe.
[5] G. D. Pierrefeu, « POURQUOI ET COMMENT LES ACTEURS DE L’ÉNERGIE DOIVENT-ILS - URGEMMENT - S’APPROPRIER LEUR
INTELLIGENCE ARTIFICIELLE ? », p. 8.
[6] « 2018 : les tendances qui vont bouleverser les secteurs de l’énergie (smart home...) », Le Monde de l’Energie, 07-févr-2018. .
I N F ’ O S E | D é c e m b r e 2 0 1 8
31IA & ÉNERGIE

Séminaire « Stratégies MARKAL
TIMES » - Mines Nancy
Le CMA a accueilli entre le 20 et le 23 novembre 2018, 10 élèves de troisième année de
l’école des Mines de Nancy, option « Énergie et Fluides », à l’occasion d’un séminaire sur
les études prospectives.
Il était animé par Edi ASSOUMOU et Sandrine SELOSSE, ainsi que certains doctorants du
centre de recherche.
La découverte de l’outil d’analyse prospective Markal-Times était au cœur de cette semaine,
avec une étude de cas portant sur le réseau d’électricité de la région PACA.
Les étudiants de Mines Nancy à Antibes
Les Mineurs au CMA
I N F ’ O S E | D é c e m b r e 2 0 1 8
32 SÉMINAIRE MINES NANCY

Inf'OSE Décembre 2018

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Inf'OSE Décembre 2018

Similaire à Inf'OSE Décembre 2018 (20)

Dernier

Dernier (7)

Inf'OSE Décembre 2018