Les gestionnaires de réseaux de distribution (GRD) d’électricité ont connu ces dernières années une intégration importante des moyens de production d’énergie renouvelable (EnR). De plus, avec l’apparition de nouveaux usages de l’énergie, notamment la mobilité électrique, les microgrids et les technologies de stockage, la gestion du réseau est devenue de plus en plus complexe, complexité qui ira croissante dans les années à venir. Dans ce contexte, SRD, GRD dans le département de la Vienne, a financé des travaux de recherche dans le domaine des smartgrids, notamment sur l’optimisation dynamique du schéma d’exploitation de son réseau de distribution d’électricité haute et moyenne tension, et cette thèse sur la prévision, la prédiction et l’estimation des valeurs des flux énergétiques circulant sur ce réseau. Dans une première phase, la thèse propose une approche de sélection des données de la consommation d’énergie les plus pertinentes et étudie leur influence sur l’efficacité de l’optimisation. Pour cela une méthodologie de réduction de dimensionnalité de données est proposée. Elle utilise des techniques issues du domaine de l’apprentissage automatique non supervisé et d’analyse de données temporelles. Cette méthodologie permet de détecter des similitudes dans les données afin de les regrouper dans des groupes homogènes. La seconde phase élabore une méthodologie d’estimation de la production d’énergie des installations photovoltaïques (PV) distribuées dans le réseau de distribution de SRD en utilisant les méthodes d’interpolation spatiale. En effet, la plupart des producteurs avec des capacités de production basse tension ne sont pas instrumentés pour une mesure en temps réel. Au contraire, les producteurs moyenne et haute tension sont instrumentés et permettent des mesures à grain fin sous forme de séries temporelles. Le but de cette étude est d’estimer les productions de milliers de petits producteurs en exploitant les données des moyens et gros producteurs de référence équipés de compteurs communicants. Finalement, le problème de la prévision de la production photovoltaïque est abordé. Le but de cette étude est d’élaborer une prévision ponctuelle court terme d’un horizon d’une heure pour gérer l’intermittence de la production solaire et une prévision probabiliste long terme pour planifier et optimiser le réseau sur un horizon d’un à trois mois. Nous montrons que les algorithmes d’apprentissage automatique avec une approche globale améliorent les prévisions fournies par des méthodes naïves. La pertinence des prévisions obtenues par rapport au cadre applicatif a été validée à l’aide d’un estimateur d’état du réseau pour quantifier les différences de pertes, de chutes de tension et d’élévation de tension entre un état prévu et un état réel.