Les smart grids sont considérés comme un moyen efficace pour accueillir plus largement des énergies renouvelables, de mieux maitriser la demande, d’améliorer les conditions d’exploitation du système électrique, d’augmenter sa performance et de faciliter le développement des nouveaux usages tels que le véhicule électrique. Cependant, ces bénéfices potentiels du smart grid sont également porteurs d’incertitudes pour le système électrique ainsi que pour ses acteurs. Ces incertitudes sont de nature technologique, économique, sociale, politique, entre autres.La thèse s’inscrit dans le cadre du projet GreenLys (un démonstrateur smart grid adressant des innovations allant du producteur d’énergie jusqu’au consommateur en incluant les acteurs du réseau électrique de transport et de distribution). Elle a pour objectif de proposer des paliers techniques et économiques de transition vers le smart grid à l’horizon 2050.Dans la perspective de cette thèse, trois incertitudes qui peuvent influencer considérablement les stratégies des investissements futurs sont traitées dans trois modèles séparés. Les trois modèles sont appliqués aux scénarios de GreenLys (un scénario conservateur ‘Grenelle’ qui respecte les engagements énergétiques européens et un scénario plus ambitieux ‘100% EnR’ qui vise une production électrique totalement renouvelable) pour proposer des paliers d’investissements smart grid et des recommandations. Premièrement, l’incertitude portant sur la régulation du réseau public de distribution est étudiée dans un modèle utilisant une approche d’options réelles combiné avec un algorithme logique floue. Deuxièmement, une approche d’options réelles basée sur un arbre binomial classique est utilisée pour analyser l’incertitude sur l’évolution du gisement de flexibilité. Enfin, l’incertitude portant sur les coûts systèmes d’informations est modélisée dans un algorithme basé sur un processus de Monte-Carlo. / Smart grids are seen as an adequate way to facilitate the penetration of renewable energies, to improve the electrical power system operating conditions, to increase its performance and to promote the development of new uses such as the electric vehicle. However, the potential benefits of smart grids come with uncertainties for the electrical power system itself and for its players as well. These uncertainties are technological, economic, social, political, among others.The thesis is part of GreenLys experimentations. GreenLys is a demonstrator project which tests the operation of a smart grid over the whole electricity supply chain: from the producer to the end consumer, including all those involved in the transportation, distribution and supply of electricity. This thesis aims to provide technical and economic transition towards smart grid by 2050.In the context of this thesis, three uncertainties are considered, each within a separated model. These uncertainties can significantly influence the strategies of future investments of smart grid. The developed models are applied to GreenLys scenarios (a conservative scenario that respects the European energy commitments called 'Grenelle' and an ambitious scenario that considers electricity production is fulfilled from renewables called '100%EnR') in order to propose some investment strategies and recommendations for smart grid.Firstly, the uncertainty about the future regulation of the public distribution network is studied in a model using a real option approach combined with a fuzzy logic algorithm. Secondly, a real option approach based on the classic binomial tree is used to analyze the uncertainty about the evolution of electrical loads flexibility. Finally, the uncertainty about the costs of smart grid information systems (Software) is modeled using a statistical Monte Carlo process.The results of the models developed in this thesis are combined and analyzed within techno-economic framework in order to spot the best smart grids deployment strategy with respect to GreenLys scenarios and experimentation zone. The highlighted strategies optimize the economic value of the investment while minimizing future risks.