A Novel Optimization framework for Reservoir Operation under Inflow Uncertainty: Integrating Ensemble Streamflow Forecasts with Robust Objectives

Résumé Technique : Un nouveau cadre d'optimisation pour l'exploitation des réservoirs sous incertitude de débit

Énoncé du problème
L'exploitation efficace des réservoirs est entravée par l'incertitude inhérente aux processus hydrologiques. Bien que les modèles traditionnels reposent sur des prévisions de débit déterministes, ceux-ci échouent souvent à capturer la variabilité météorologique et hydrologique, menant à des décisions sous-optimales ou risquées. Bien que les prévisions de débit d'ensemble (ESF - Ensemble Streamflow Forecasts) soient apparues comme un outil pour représenter l'incertitude de prévision de manière probabiliste, leur intégration dans l'optimisation opérationnelle reste complexe. Les cadres existants — tels que la programmation stochastique, l'optimisation sous contraintes de chance, l'optimisation basée sur des scénarios et l'optimisation robuste — souffrent de limitations lorsqu'ils sont appliqués aux ESF. Celles-ci incluent la dépendance à des distributions de probabilité paramétriques restrictives, la « malédiction de la dimensionnalité » dans les formulations multi-étapes, la sensibilité à la sélection des scénarios ou un conservatisme excessif qui sacrifie la performance moyenne au profit de la protection contre les cas extrêmes. Il existe un besoin critique pour un cadre qui traite les prévisions d'ensemble comme des entrées directes, équilibre la performance attendue avec la robustesse, et reste calculablement traitable pour les applications en temps réel.

Méthodologie
L'étude propose un nouveau cadre d'optimisation qui intègre les ESF à une optimisation évolutive multi-objectif robuste. La méthodologie se compose de quatre composantes principales :

1. Génération de débits d'ensemble : Le cadre utilise des prévisions de précipitations d'ensemble (par exemple, de l'ECMWF) couplées à un modèle hydrologique (le modèle hydrologique de Liuxihe) pour générer de multiples réalisations plausibles des débits. Ce processus propage l'incertitude de la force atmosphérique vers le débit fluvial.
2. Quantification de l'incertitude via l'expansion KL : Pour représenter de manière compacte les caractéristiques statistiques des ESF, l'expansion de Karhunen–Loève (KL) est employée. Cette technique décompose le processus de débit stochastique en modes spatio-temporels orthogonaux avec des coefficients aléatoires non corrélés. En tronquant l'expansion à quelques modes propres dominants (par exemple, cinq modes capturant la majeure partie de la variance), le cadre préserve la variabilité dominante et la structure de corrélation temporelle de l'ensemble original tout en permettant la génération efficace d'un grand nombre de réalisations de débit représentatives.
3. Formulation multi-objectif robuste : Un modèle d'optimisation multi-objectif est formulé pour :
   • Maximiser la performance opérationnelle moyenne (spécifiquement la production hydroélectrique) à travers tous les membres de l'ensemble.
   • Minimiser la variabilité (écart-type) de la performance opérationnelle à travers l'ensemble.
     Cette approche à double objectif recherche des stratégies qui sont efficaces en moyenne tout en restant résilientes face à l'incertitude des débits.
4. Optimisation évolutive : L'algorithme NSGA-II (Non-dominated Sorting Genetic Algorithm II) est adapté pour résoudre ce problème multi-scénarios. L'algorithme évalue chaque stratégie de lâcher candidate par rapport à tous les scénarios de débit au sein d'une boucle interne. La fitness est agrégée en fonction des violations de contraintes à travers les scénarios et de la moyenne/variabilité de la fonction objectif, faisant évoluer une population de stratégies Pareto-optimales.

Principales contributions

• Intégration directe des ESF : Le cadre traite les prévisions d'ensemble comme des entrées discrètes plutôt que comme des approximations de distributions de probabilités continues, évitant ainsi le besoin d'hypothèses de distribution restrictives (ex. : normales ou log-normales) souvent requises par les méthodes de programmation stochastique ou de contraintes de chance.
• Expansion KL pour l'efficacité : En utilisant l'expansion KL, la méthode quantifie efficacement l'incertitude et génère des scénarios synthétiques qui maintiennent l'intégrité statistique de l'ensemble original, répondant ainsi à la charge de calcul des ensembles de scénarios de haute dimension.
• Compromis transparents : L'approche génère des fronts de Pareto qui illustrent explicitement le compromis entre la maximisation de la production hydroélectrique attendue et la minimisation du risque de performance (variabilité), offrant aux décideurs des alternatives exploitables basées sur leurs préférences en matière de risque.

Résultats
Le cadre a été appliqué au réservoir de Liuxihe dans le sud de la Chine sur un horizon d'exploitation de 15 jours.

• Analyse de sensibilité : Les optimisations déterministes effectuées sur des réalisations de débit individuelles ont révélé une variabilité significative de la production d'énergie optimale, soulignant la sensibilité des opérations à la chronologie et à l'ampleur des débits. Une convergence dans la distribution des résultats a été observée lorsque la taille de l'ensemble dépassait environ 2 000 scénarios.
• Performance de l'optimisation robuste : Lorsqu'elle est appliquée au cadre multi-objectif robuste, les résultats ont montré qu'à mesure que la taille de l'ensemble augmentait (de 50 à 2 000 membres), l'espace des solutions réalisables se contractait. Cela est dû au fait que les stratégies doivent satisfaire aux contraintes à travers une gamme plus large de conditions, y compris les réalisations extrêmes. Par conséquent, la production d'énergie maximale réalisable a diminué, mais la robustesse (faible variabilité) a augmenté.
• Modèles opérationnels : L'optimisation robuste a produit des modèles de lâcher distincts de l'optimisation déterministe. Plus précisément, le cadre robuste a produit des débits cumulés plus faibles durant les premières étapes de l'horizon afin de préserver le stockage contre les scénarios potentiels de faible débit, maintenant ainsi des niveaux d'eau plus élevés et améliorant l'efficacité du volume libéré.

Signification et affirmations
Les auteurs affirment que ce cadre fournit une base flexible et extensible pour une exploitation de réservoir tenant compte des risques. En incorporant directement les prévisions d'ensemble sans hypothèses paramétriques, la méthode offre une solution pratique pour traduire les informations probabilistes en décisions exploitables. L'étude démontre que le cadre identifie avec succès des stratégies Pareto-optimales qui équilibrent les bénéfices attendus avec les risques associés. Les auteurs notent que, bien que l'étude actuelle suppose des prévisions fixes sur l'horizon, le cadre est conçu pour être extensible à des contextes d'horizon glissant et peut accommoder des contraintes probabilistes (ex. : contraintes de chance) pour réduire davantage le conservatisme. Ce travail souligne l'importance de sélectionner soigneusement la taille des ensembles pour capturer l'incertitude sans introduire un conservatisme excessif.