Stage Fiabilité en Asset Management - Risques & Valeur

RTE; Paris; On-site; EUR 12,000 - 18,000; Full time

Benefits offered by this job

35h hebdomadaires

Congés rémunérés

Indemnités repas

Aide au logement

Aide au transport

Matériel fourni

Job summary

RTE recherche un stagiaire ingénieur en fiabilité et gestion des actifs pour six mois à Paris La Défense. Vous travaillerez sur l’alignement des objectifs de performance avec les critères décisionnels et sur l’évaluation quantitative des risques, en utilisant des notebooks Python et des jeux de données synthétiques fournis par l’équipe.

Encadré par le département Gestion des Actifs, vous développerez des démonstrations pédagogiques, contribuerez à des supports de formation et participerez à des

Qualifications

• Étudiant en dernière année d’école d’ingénieur ou en M2.
• Solides bases en Python et analyse de données.
• Intérêt pour fiabilité, statistiques et prise de décision sous incertitude.
• Capacité à produire des supports pédagogiques.

Responsibilities

• Aligner objectifs et critères décisionnels dans des cas d’école.
• Illustrer l’écart entre optimum et contraintes et leurs valeurs implicites.
• Démontrer la valeur de l’information et l’amélioration de connaissance.
• Constituer des notebooks et supports pédagogiques réutilisables.

Skills

Python

Analyse de données

Rigueur

Statistiques

Modélisation

Education

Dernière année d’école ingénieur / M2

Tools

Python (Jupyter)

Job description

Stage Fiabilité en Gestion des Actifs - F/H

• Entité Libellé de niveau 3: DPT GA GESTION DES ACTIFS
• Entité Libellé de niveau 2: DIRECTION DE LA R&D
• Type de contrat: Stage
• Entité Libellé de niveau 1: PÔLE CLIENTS SYSTÈMES INNOVATION
• Département: Hauts-de-Seine (92)
• Collège: Non concerné
• Région: Île-de-France
• Type de publication: Offre externe

RTE construit, transforme, exploite et maintient le réseau public de transport d’électricité français. Sur le plus grand réseau d’Europe, nous équilibrons la production et la consommation, acheminons l’électricité indispensable au quotidien de chacun et à l’activité des industries, et garantissons la solidarité électrique entre les territoires, 24h/24, à chaque seconde.

Acteur central de la transition énergétique, nous développons le potentiel des énergies renouvelables en transformant en profondeur RTE et le réseau, en accompagnant la décarbonation des industries, en éclairant les pouvoirs publics sur les questions énergétiques par des études qui font référence.

Stage 6 mois (Ingénieur dernière année / M2) - Alignement en asset management et valeur de la connaissance : des objectifs de performance à l’évaluation quantitative des risques

Contexte :
Les décisions de maintenance et de renouvellement dans les infrastructures critiques reposent sur plusieurs logiques qui coexistent en pratique : une approche “optimale” quand les modèles et les données sont suffisamment robustes, une approche de prudence lorsque la connaissance est insuffisante, et une priorisation sous contraintes (budget, ressources, consignabilité, capacités industrielles, chaîne d’approvisionnement).


Ces mécanismes peuvent générer des désalignements : par exemple, des objectifs de disponibilité décidés a priori peuvent être incohérents avec les critères décisionnels (taux d’actualisation, valeur donnée à l’énergie non distribuée en cas de pannes (en k€/MWh perdu), valorisation des impacts environnementaux …), ou une stratégie optimale peut être fortement “rabotée” par les contraintes de mise en oeuvre et induire des critères implicites non visibles.


En parallèle, l’amélioration de la connaissance sur les modèles de durée de vie (qualité des données, biais d’observation, choix de modèles) peut produire des gains significatifs et éviter des décisions coûteuses.


Le stage vise à construire des démonstrations calculées, pédagogiques et réutilisables pour illustrer ces enjeux d’alignement et la valeur de la connaissance, en allant d’approches simples (matrice de risques) vers une évaluation quantitative des risques (QRA).


Objectifs du stage :


1.Produire des cas d’école calculés montrant comment relier objectifs de performance, critères décisionnels et stratégies de maintenance/renouvellement, et comment détecter des désalignements.


2. Illustrer l’écart entre une stratégie optimale de référence et une stratégie réalisable sous contraintes (budget, ressources, consignabilité, supply chain), et expliquer comment cet écart se traduit en valeurs implicites des critères décisionnels.


3.Démontrer, par des exemples, la valeur de l’amélioration de la connaissance : coût de se tromper (mauvais modèle, données biaisées, quantification fragile) et gain attendu lors du passage de décisions basées sur une matrice de risques vers une QRA robuste.


4.Construire un support pédagogique réutilisable (notebooks, note, slides) pour diffusion interne (formation, ateliers, comités).


Travaux envisagés (missions) :
Le stage s’organise autour de cas progressifs, reproductibles, et documentés sous forme de notebooks Python.


A. Alignement “objectifs en résultat” vs “critères décisionnels”
• Construire un cas illustrant une cible de disponibilité / END fixée a priori, puis montrer ce qu’elle implique en termes de critères décisionnels (ou de compromis) et en quoi elle peut être non alignée.
• Construire le cas inverse : partir d’un référentiel de critères (coûts, END/ENE, environnement, actualisation) et dériver le niveau de performance cohérent.


B. Optimum de référence vs optimum sous contraintes
• Calculer une stratégie optimale de référence, puis introduire une ou plusieurs contraintes réalistes (plafond budgétaire, capacité de réalisation, fenêtres de consignation, disponibilité de matériels critiques).
• Quantifier l’écart (coût, END/risque résiduel, reports) et produire des indicateurs pédagogiques (écart à l’optimum, dette de risque, valeurs implicites).


C. Sécurité des travailleurs / tiers : événements rares, conséquences graves
• Construire un cas illustrant des actions de prévention sur des événements à probabilité faible mais conséquences très graves (ex. décès).
• Montrer comment structurer la décision lorsque l’optimisation en espérance est insuffisante : démonstration de maîtrise, barrières, trajectoire d’exposition, priorisation.


D. Valeur de la connaissance : de la matrice de risques à la QRA
• Démarrer par une représentation simple PoF/CoF en classes (1–4) et une matrice de risques ; identifier ce qu’elle permet (prioriser grossièrement) et ce qu’elle ne permet pas (comparaison fine d’options, robustesse).
• Construire plusieurs niveaux de connaissance (faible → moyen → fort) et montrer l’impact sur les décisions et budgets.
• Illustrer le coût de se tromper : biais de données (censure/troncature, mauvais événements), mauvais modèle de durée de vie, hypothèses fragiles ; chiffrer les écarts induits.
• Mettre en place une mesure simple de valeur de l’information (gain attendu vs effort de connaissance).


Outils et environnement technique :
• Python (Jupyter), bibliothèques de data science usuelles (pandas/numpy/matplotlib).
•ReLife (évaluation quantitative des risques, analyse de survie, comparaison de politiques, projections).
• Données synthétiques inspirées de cas RTE (réalistes mais non sensibles) générées par RTE avec le simulateur Cosmo Tech Asset.


Livrables attendus :
• Notebooks Python documentés (cas calculés, graphiques, interprétation, messages clés).
• Une note pédagogique : “Alignement en asset management par l’exemple : optimum, prudence, contraintes, valeur de la connaissance”.
• Une présentation prête pour comité (messages clés + figures).
• Option : mini “boîte à outils” (fonctions réutilisables) pour rejouer les scénarios et standardiser les indicateurs.


Encadrement et collectif de travail :
•Encadrement principal : expert asset management / fiabilité / simulation / données (Département Gestion des Actifs – R&D).
•Appui ponctuel : mathématiciens et statisticiens (modélisation, survie/fiabilité, robustesse des hypothèses).
•Interactions possibles avec des interlocuteurs exploitation / maintenance pour valider la pédagogie des cas.

Compétences recherchées :
• Étudiant(e) en dernière année d’école d’ingénieur / M2 (data, modélisation, systèmes industriels).
• Solides bases en Python et analyse de données ; goût pour le raisonnement quantitatif.
• Intérêt pour fiabilité, statistiques, évaluation économique, prise de décision sous incertitude.
• Rigueur (traçabilité des hypothèses, reproductibilité), et capacité à produire des supports pédagogiques (expliquer clairement des résultats calculés).

Lieu de travail: Paris - La Défense

Stage de 6 mois - Début 2027

En vous formant en stage à nos côtés, vous bénéficiez de plusieurs avantages :

• Accompagnement par un tuteur formé à cette mission
• 35h hebdomadaires
• Jours de congés rémunérés selon la durée du stage
• Indemnités repas, aide au logement et au transport (sous conditions)
• Miseà disposition de tout le matériel nécessaire pour remplir vos missions (équipement de protection de qualité, matériel informatique, équipement bureautique)

La Politique diversité de RTE a pour ambition d’ouvrir l’entreprise à toutes les compétences et de garantir l’équité, en termes d’égalité des chances, d’inclusion et de lutte contre toutes formes de discrimination. Selon ces principes, nous conduisons une politique active en faveur de l’inclusion des personnes en situation de handicap permettant à tous d’avoir un parcours professionnel équitable. Si vous êtes dans cette situation, faites-nous part de vos éventuels besoins spécifiques afin que nous puissions y apporter une réponse adaptée.

Dans le cadre des activités relatives à l’emploi proposé, vous pouvez être amené(e) à accéder à un (ou des) site(s) relevant de la responsabilité de RTE. A cette fin et dans le respect des articles R1332-22-1 et suivants du Code de la Défense, nous vous informons qu’une enquête administrative est susceptible d’être réalisée à notre demande par l’autorité administrative, afin de vérifier qu’aucun fait vous concernant n’est incompatible avec l’accès envisagé.

En cliquant sur le lien ci-dessus ou sur tout autre lien externe figurant dans cette publication, vous quittez ce site et accédez à un site web tiers dont les conditions d'utilisation et la politique de confidentialité s'appliquent.

Lieu du poste