Cette thèse est consacrée à la supervision des systèmes de production d’énergie électrique hybrides composés de différents types de sources incluant des sources renouvelables ainsi que des éléments de stockage (batterie). Le chapitre I est consacré à l’état de l’art de la supervision de ce type de systèmes hybrides. Au cours de ce chapitre nous avons défini le contexte et le cadre de notre étude et nous avons présenté les avantages et les inconvénients des stratégies actuellement utilisées. Ensuite, nous avons présenté notre vision de la supervision des systèmes multisources intégrant des ressources renouvelables. Au cours du chapitre II nous avons spécifié le système hybride et les modèles de ses composants afin de les intégrer dans une structure de supervision. La chapitre III concerne le développement du superviseur que nous proposons à base de commande prédictive. L’objectif est de déterminer la meilleure répartition, au sens d’un critère que nous avons proposé, des puissances à fournir par les sources pour répondre à une demande de la charge. La fonction définie pour l’optimisation, correspond au coût de production ; elle prend en compte non seulement le suivi des consignes mais aussi des critères technico-économiques (coût de l’énergie, émissions polluantes, cyclage de l’élément de stockage …etc). Ce superviseur s’appuie sur des modèles dynamiques des sources et des éléments de stockage ainsi que sur les prédictions à court terme de la ressource photovoltaïque. Le critère est minimisé pour chaque nouvelle fenêtre de prédiction afin d’envoyer les consignes à chaque composant du système hybride. Les résultats expérimentaux montrent la validité du superviseur proposé et de l’algorithme associé. Le chapitre IV vise à montrer la généricité du superviseur à base de commande prédictive proposé. En effet, une éolienne contrôlée en zone d’optimisation a été ajoutée au système hybride. Ensuite, l’éolienne est contrôlée en mode dégradé dans le but de réduire l’impact des variations de la vitesse du vent sur le suivi de la consigne de puissance. La fonction coût a été modifiée pour répondre à ces nouvelles exigences. Enfin, nous avons explicité les bénéfices potentiels d’un horizon de prédiction variable. La variation de l’horizon de prédiction est effectuée en fonction de la pertinence des prévisions des ressources d’origine renouvelable. Les essais sur une plate-forme expérimentale, combinant des composants réels et des modèles simulés en temps réel (Model-in-the-loop) montrent la validité de tous les concepts développés.