Content area
Abstract
Une étude numérique a été réalisée dans cette thèse sur des systèmes à un et à deux réservoirs pour montrer l'influence de la considération de la hauteur de chute et les aléas des apports naturels sur les politiques optimales de gestion des réservoirs hydroélectriques. Il a été conclu suite à cette étude qu'en plus d'influencer l'allure de la politique optimale, la hauteur de chute et la stochasticité des apports naturels peuvent changer le rôle (régulateur ou centrale au fil) que peut jouer le réservoir dans la cascade. La programmation dynamique (PD) discrète a été employée dans cette dernière étude numérique. Cependant la PD discrète n'est pas appropriée pour résoudre des problèmes complexes.
Une approche basée sur la programmation dynamique neuronale (PDN) a été proposée dans cette thèse pour l'optimisation stochastique des réservoirs hydroélectriques. La PDN est une approche qui combine la PD classique et les réseaux de neurones pour l'approximation des fonctions de valeur complexes. Des politiques très proches des politiques optimales sont déduites avec cette approche. Un premier modèle de gestion d'un réservoir hydroélectrique a été traité dans une première phase pour tester le potentiel de cette approche. Il est supposé, dans ce modèle, que les apports naturels sont reçus en fin de période et qu'ils ne sont utilisés pour la génération d'énergie qu'à la prochaine période. Un réseau de neurones non bouclé utilisant la technique de rétropropagation est employé pour résoudre ce dernier modèle. Ce réseau de neurones est composé seulement de trois neurones et il a permis d'approximer de façon très précise la fonction de valeur et d'obtenir une politique proche de la politique optimale et cela en employant environ 10% des points utilisés en PD discrète.
La modélisation du problème de gestion d'un réservoir hydroélectrique est raffinée dans une seconde étude. Le modèle de cette dernière étude est plus réaliste et plus complexe que le premier. Il est supposé dans ce modèle que les apports naturels sont connus au début de chaque période et qu'ils sont utilisés, de façon continue et à un rythme constant, dans la même période pour la génération de l'énergie. L'optimisation se fait par conséquent en fonction de deux variables: le volume d'eau en stock dans le réservoir et le volume d'apport reçu. La politique optimale dépend aussi de ces deux dernières variables. Un réseau à 3 neurones a aussi été employé pour approximer les fonctions de valeur du programme dynamique de ce modèle. Le modèle à été résolu via la PDN pour différentes fonctions de hauteur de chute.