Micro-réseau hybride intelligent pour l’électrification rurale : une approche par réseau neuronal LSTM à Amdjarass, Tchad

👤 Auteurs & affiliation

Souad COUNDI*, Ali NEJMI, Abdelouahed ABOUNADA, Fabrice KWEFEU MBAKOP, Abdouramani DADJE

1 Sultan Moulay Slimane University (USMS), FST Beni Mellal, Maroc · 2 University of Ebolowa, Higher Institute of Agriculture, Forestry, Water and Environment, Dept. Renewable Energy, Cameroun · 3 University of Ngaoundéré, School of Geology and Mining Engineering, Cameroun

✉ coundi.souad@usms.ac.ma

📄 8 pages · 🗓 SITTEC 2026, Ebolowa (3–4 Août 2026) · Réf. SITTEC2026-01

📝 Résumé (Français)

L’électrification des zones rurales isolées d’Afrique subsaharienne exige des solutions combinant production renouvelable, stockage, supervision et décision en temps réel. Cette étude présente une architecture de micro-réseau hybride intelligent conçue pour Amdjarass (Tchad), intégrant un jumeau numérique, des équipements IoT communicants et une prévision de charge par réseau LSTM. Le dispositif associe trente disjoncteurs intelligents sur poteaux, capteurs de classe 0,5S et communication redondante LoRa, GPRS/4G et Wi-Fi point à point. Le modèle (fenêtre de 24 pas horaires, 7 variables électriques, météo et calendaires) produit 24 prévisions horaires directes pour limiter la propagation d’erreurs. Sur six mois de données terrain : MAPE de 7,8 % à J+1, −35 % de coupures non planifiées et +28 % d’efficacité énergétique vs gestion conventionnelle.

📝 Abstract (English)

Reliable electrification of isolated rural communities in Sub-Saharan Africa requires systems jointly addressing renewable generation, storage, communication constraints and real-time decision-making. This paper presents an intelligent hybrid-microgrid architecture for Amdjarass, Chad, combining a digital twin, communicating IoT field devices and LSTM-based load forecasting. The field layer comprises thirty intelligent pole-mounted circuit breakers with Class 0.5S sensors and redundant LoRa, GPRS/4G and point-to-point Wi-Fi. The model uses a 24-step input window and seven electrical, meteorological and calendar variables to directly generate twenty-four hourly predictions. Over six months of field data: 7.8% MAPE day-ahead, 35% reduction in unplanned outages and 28% energy-efficiency improvement vs conventional management.

📖 Lire l'article (lecteur intégré)

Si le PDF ne s'affiche pas, ouvrez-le dans un nouvel onglet.

📌 Référence

@inproceedings{coundi2026microgrid,
  author={Coundi, Souad and Nejmi, Ali and Abounada, Abdelouahed and Kwefeu Mbakop, Fabrice and Dadje, Abdouramani},
  title={Intelligent Hybrid Microgrid for Rural Electrification: An LSTM Neural Network Approach in Amdjarass, Chad},
  booktitle={Proc. SITTEC 2026, Ebolowa, Cameroon},
  year={2026},
  organization={ACRITEE}
}

⬇ Téléchargement

🔗 Partager