Planification dune leçon (court terme)
La planification d'une leçon (court terme) s'inscrit dans le cadre du processus enseignement- apprentissage et découle de la planification à moyen terme.
UNIVERSITÉ DE MONTRÉAL VÉRIFICATION DUN PLAN DE
viennent complexifier la planification à court terme dans les mines souterraines. Le modèle de planification par quarts découpe la planification sur une semaine
Optimisation sous incertitudes par métamodèle pour la planification
18 juin 2022 2.3 Planification à court terme de la production hydroélectrique du Rhône . . . . . . 52. 2.3.1 Programme de production .
Optimisation sous incertitudes par métamodèle pour la planification
28 avr. 2022 pour la planification à court terme de la production conjointe d'une chaîne hydroélectrique et d'actifs de production variable.
La planification de lenseignement et la gestion pédagogique de la
d'aide à la planification de l'enseignement pour une diversité de besoins. À plus court terme s'est profilée la nécessité de choisir l'angle et la
Ingénieur(e)/ technicien(ne) en planification minière court terme
19 août 2022 minière court terme pour aider à garantir l'atteinte des ... Produire une planification court terme annuelle et hebdomadaire du plan minier ...
INGENIEUR EN PLANIFICATION COURT TERME (H/F) – CDI –
INGENIEUR EN PLANIFICATION COURT TERME (H/F). – CDI –. Votre Mission : Sous la responsabilité directe du Chef de département Études minières l'Ingénieur de
Planification dune leçon (court terme) 3.1 Principales composantes
La planification d'une leçon (court terme) s'inscrit dans le cadre du processus enseignement- apprentissage. Elle est relative aux activités pédagogiques
1 TERMES DE REFERENCE Mission à court terme : Conduite dune
25 avr. 2018 Le Réseau mondial de PNA a été créé en 2014 pour soutenir les processus de planification de l'adaptation climatique dans les pays en ...
FP2020
investissement de la planification familiale afin de passer à l'action et développement (OMD) mettent l'accent sur les économies à court terme réalisées.
![Optimisation sous incertitudes par métamodèle pour la planification Optimisation sous incertitudes par métamodèle pour la planification](https://pdfprof.com/Listes/20/23658-20document.pdf.jpg)
2MiB}+ `2b2`+? /Q+mK2Mib- r?2i?2` i?2v `2 Tm#@
HBb?2/ Q` MQiX h?2 /Q+mK2Mib Kv +QK2 7`QK
i2+?BM; M/ `2b2`+? BMbiBimiBQMb BM 6`M+2 Q` #`Q/- Q` 7`QK Tm#HB+ Q` T`Bpi2 `2b2`+? +2Mi2`bX /2biBMû2 m /ûT¬i 2i ¨ H /BzmbBQM /2 /Q+mK2Mib b+B2MiB}[m2b /2 MBp2m `2+?2`+?2- Tm#HBûb Qm MQM-Tm#HB+b Qm T`BpûbX
PTiBKBbiBQM bQmb BM+2`iBim/2b T` KûiKQ/H2 TQm` H THMB}+iBQM ¨ +Qm`i i2`K2 /2 H T`Q/m+iBQM +QMDQBMi2 p`B#H2MiQBM2 SB;m2i
hQ +Bi2 i?Bb p2`bBQM, MiQBM2 SB;m2iX PTiBKBbiBQM bQmb BM+2`iBim/2b T` KûiKQ/H2 TQm` H THMB}+iBQM ¨ +Qm`i i2`K2Thèse de doctorat de l"Université de Lyon
N od"ordre NNT :2022LYSEC015 Spécialité :Mathématiques et applicationsPrésentée parAntoine Piguet
Dirigée parGrégory Vial, codirigée parCéline Helbert et encadrée parAstrig BeneficeetGuillaume Bontron Préparée au sein de l"École Centrale de Lyonet deCNR (Compagnie Nationale du Rhône), dans l"école doctoraleInfoMaths (ED 512) Optimisation sous incertitudes par métamodèle pour la planification à court terme de la production conjointe d"une chaîne hydroélectrique et d"actifs de production variable Thèse soutenue publiquement le28 avril 2022devant le jury composé de : Marianne Clausel, Professeure des universités, Université de Lorraine IECL, Rapporteure Mathilde Mougeot, Professeure des universités, ENSIIE, Rapporteure Olivier Daxhelet, Chief expert Sustainability Solutions EMEAI, Engie Impact, Examinateur Fabrice Gamboa*, Professeur des universités, Institut Mathématiques de Toulouse, Examinateur Yannig Goude, Ingénieur-chercheur, EDF R&D, Examinateur Mélodie Mouffe, Senior analyst Sustainability Solutions EMEAI, Engie Impact, Invitée Astrig Benefice, Cheffe de projets, CNR, Encadrante de thèse Guillaume Bontron, Responsable de projets, CNR, Encadrant de thèseCéline Helbert, Maîtresse de conférences, École Centrale de Lyon, Co-directrice de thèse
Grégory Vial, Professeur des universités, École Centrale de Lyon, Directeur de thèse *:Président du jury Optimisation sous incertitudes par métamodèle pour la planification à court terme de la production conjointe d"une chaîne hydroélectrique et d"actifs de production variableAntoine Piguet
28 avril 2022
Résumé
Optimisation sous incertitudes par métamodèle pour la planification à court terme de la production conjointe d"une chaîne hydroélectrique et d"actifs de production variable.La planification à court terme de la production conjointe d"une chaîne hydroélectrique et d"actifs
de production variable est un problème d"optimisation. Le programme de production hydroélec- trique est construit à un horizon de quelques jours pour respecter les contraintes d"exploitation et pour maximiser le chiffre d"affaires obtenu par la vente sur le marchéday-aheadet par la pénalisation des écarts, en considérant la production totale de tous les actifs.Le travail de la thèse consiste à prendre en compte les incertitudes qui entachent les prévi-
sions des apports en eau, des prix de l"électricité et des productions variables dans le problème
d"optimisation. À partir d"une modélisation des incertitudes par un ensemble fini de scénarios
multivariés, le problème d"optimisation en univers probabiliste proposé consiste en un problème
de programmation dynamique stochastique à deux niveaux linéaires mixtes.La problématique des temps de calcul étant cruciale pour un usage opérationnel, le problème
d"optimisation probabiliste est résolu numériquement en remplaçant la valeur optimale du se-
cond niveau par un métamodèle calibré par apprentissage supervisé durant une phase de pré-
traitement. Pour calibrer ce métamodèle, les données d"entrée sont simplifiées par des approches
spécifiques. Un échantillonnage par analogie permet d"abord d"approcher le domaine de la donnée
d"entrée associée aux variables de décision du premier niveau. Les données d"entrée fonctionnelles
sont ensuite réduites par analyse en composantes principales. Un plan d"expérience peut ainsiêtre construit par échantillonnage par hypercube latin pour former le jeu de données nécessaire
à l"apprentissage du métamodèle. Plusieurs métamodèles linéaires sont ensuite proposés.
La méthodologie proposée est testée sur un cas d"étude réel simplifié. Le métamodèle obtenu
par régression linéaire sur les données d"entrée réduites donne des performances acceptables et il
permet d"obtenir une solution du problème d"optimisation en univers probabiliste. Néanmoins,en l"absence de productions variables dans le cas d"étude, le problème d"optimisation en univers
probabiliste ne permet pas d"apporter des gains significatifs par rapport à celui en univers déterministe. En outre, les temps de calcul ne permettent pas une utilisation en opérationnelsans calcul distribué. Plusieurs pistes de recherche sont toutefois proposées pour améliorer la
méthodologie. Une validation sur plusieurs cas d"étude, voire sur un horizon roulant, permettrait
d"estimer les performances de la méthodologie de manière plus robuste. Mots-clés :programmation linéaire mixte, programmation stochastique à deux niveaux, pro-grammation dynamique stochastique, prévision d"ensemble, prévision par analogie, réduction de
données fonctionnelles, réduction de scénarios, plan d"expérience, régression linéaire.
Abstract
Optimization under uncertainty with a surrogate model for the short-term production planning of a hydropower cascade combined with variable energy sources. Short-term production planning of a hydropower cascade combined with variable energy sources is an optimization problem. The hydropower production plan is constructed within a time hori- zon of a few days to comply with operational requirements and to maximize revenues obtained by selling the total production from all energy sources on the day-ahead market and by penalizing imbalances. This PhD thesis focuses on the optimization problem considering data uncertainty on water inflows, electricity prices and variable generation, modeled by a finite set of multivariate sce- narios. The proposed optimization problem in the stochastic framework is then written with a two-stage stochastic dynamic mixed-integer linear programming formulation. Since computation time is a crucial issue for an operational use, the optimization problem is solved by replacing the value function of the second stage with a surrogate model fitted by supervised learning during a pre-processing step. The surrogate model is fitted on input data that are simplified by specific approaches. The domain of the input data related to the decision variables of the first stage is first estimated by analogue-based sampling, and the functional inputs are reduced by principal components analysis. The learning data set can then be obtained from a design of experiments using latin hypercube sampling. Several linear models are finally proposed for the surrogate model. The proposed methodology is tested on a real but simplified case study. The surrogate model obtained by linear regression on the reduced inputs provides acceptable performance, and it can be used to get a solution to the optimization problem in the stochastic framework. Since variable generation is not considered in the case study, the stochastic framework provides, how- ever, minor profit compared to the deterministic framework. Besides, computation time is not compatible with an operational use without distributed computing. Several research tracks are then proposed to improve the methodology. A validation procedure on several case studies or on a rolling horizon could be used to assess the performance of the methodology in a more robust way. Keywords:mixed-integer linear programming, two-stage stochastic programming, stochastic dynamic programming, ensemble forecasting, analog forecasting, functional reduction, scenario reduction, design of experiments, linear regression.Table des matières
Introduction générale
1I Contexte et formulation mathématique
51 Contexte et problématique
71.1 Généralités sur le mix électrique français
71.1.1 Le mix électrique français
71.1.2 Les énergies variables
91.1.3 L"énergie hydraulique
101.2 Généralités sur le marché de l"énergie
131.2.1 Équilibre entre production et consommation
131.2.2 Marchés de l"électricité
151.2.3 Services système et mécanisme d"ajustement
181.2.4 Écarts entre production réelle et engagements
191.2.5 Agrégation
201.2.6 Mécanisme de capacité
201.3 Gestion opérationnelle d"actifs de production
211.3.1 Planification de la production
211.3.2 Vente de la production
221.3.3 Problème d"optimisation
261.4 Gestion sous incertitudes
271.4.1 Impact des incertitudes sur la planification de la production
271.4.2 Vers un problème d"optimisation en univers probabiliste
281.4.3 Corrélations des paramètres incertains
281.4.4 Identification des paramètres incertains d"intérêt
291.4.5 Quantification et modélisation des incertitudes
291.4.6 Adaptation et résolution du problème d"optimisation en univers probabiliste
351.5 Objectifs de la thèse
361.6 Conclusion du chapitre
382 Données et cas d"étude
392.1 La chaîne hydroélectrique du Rhône
392.1.1 Le Rhône et CNR
392.1.2 Structure des aménagements hydroélectriques du Rhône
422.2 Modélisation du Rhône
422.2.1 Modèle hydraulique
432.2.2 Modulation de la production
482.2.3 Contraintes d"exploitation
502.2.4 Modèle de simulation
50v
viTable des matières2.3 Planification à court terme de la production hydroélectrique du Rhône. . . . . . 52
2.3.1 Programme de production
522.3.2 Placement de l"énergie
542.3.3 Calcul du chiffre d"affaires
552.3.4 Prévisions
562.3.5 Outil d"optimisation
592.4 Vers une gestion du Rhône en univers probabiliste
632.4.1 Impact des erreurs de prévision des apports en eau et des prix
632.4.2 Gestion conjointe du Rhône et des actifs de production variable
642.4.3 Prise en compte des incertitudes dans l"optimisation
672.4.4 Modélisation des incertitudes
682.5 Cas test étudié durant la thèse
772.5.1 Situation étudiée
772.5.2 Simplifications
782.5.3 Prévisions
792.6 Conclusion du chapitre
843 Problème de planification à court terme de la production
873.1 Généralités sur l"optimisation
873.1.1 Problème d"optimisation
873.1.2 Programmation linéaire
893.1.3 Programmation linéaire mixte
903.1.4 Optimisation sous incertitudes
913.2 Formulation mathématique du problème d"optimisation
993.2.1 Description
993.2.2 Scénario
1003.2.3 Solutions admissibles
1013.2.4 Chiffre d"affaires
1063.2.5 Optimiseur
1073.2.6 Solution déterministe
1083.3 Prise en compte des incertitudes sur le scénario
1103.3.1 Modélisation des incertitudes sur le scénario
1103.3.2 Comportement de l"optimiseur déterministe face aux incertitudes
1123.3.3 Quelle méthode d"optimisation sous incertitudes?
1153.3.4 Problème d"optimisation sous incertitudes
1213.3.5 Optimisation en univers déterministe ou probabiliste?
1253.4 Conclusion de la première partie
128II Résolution numérique par métamodèle 129
4 Méthodologie générale et transformation des données d"entrée
1314.1 Description méthodologique
1314.1.1 Rappel du problème d"optimisation probabiliste
1314.1.2 Résolution numérique du problème d"optimisation probabiliste
1324.1.3 Méthodologie générale proposée
1344.2 Réduction de la dimension des données fonctionnelles
1364.2.1 Problématique
1364.2.2 Approches de réduction de la dimension
1374.2.3 Comparaison des données fonctionnelles
1404.2.4 Application aux scénarios du cas d"étude
1414.3 Réduction des scénarios
147vii
4.3.1 Problématique
1474.3.2 Algorithmes testés
1484.3.3 Critères de qualité de la réduction
1494.3.4 Application au cas d"étude
1524.3.5 Comparaison sur un historique de vérification
1564.3.6 Algorithmetubing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159
4.4 Conclusion du chapitre
1615 Plan d"expérience et métamodèle
1635.1 Approximation par métamodèle
1635.1.1 Rappel de la méthodologie
1635.1.2 Construction du métamodèle
1655.1.3 Étapes de la phase de pré-traitement
1665.2 Discrétisation des prochaines ventesday-ahead. . . . . . . . . . . . . . . . . . .167
5.2.1 Problématique et méthodologie
1675.2.2 Hyperparamètres pour la prévision par analogie
1705.2.3 Qualité de discrétisation
1735.2.4 Application au cas d"étude
1785.3 Plan d"expérience
1815.3.1 Problématique
1815.3.2 Échantillonnage par hypercube latin
1825.3.3 Jeu de données
1855.4 Régression
1885.4.1 Choix de la méthode d"apprentissage
1885.4.2 Choix des entrées du métamodèle linéaire
1915.4.3 Critères de qualité intrinsèque du métamodèle
1915.4.4 Apprentissage du métamodèle
1935.5 Conclusion du chapitre
2016 Conclusions méthodologiques et perspectives
2036.1 Résumé de la méthodologie proposée
2036.1.1 Problématique
2036.1.2 Formulation mathématique du problème d"optimisation probabiliste
2046.1.3 Résolution numérique à l"aide d"un métamodèle
2056.2 Validation de la méthodologie proposée
2056.2.1 Résolution du problème d"optimisation probabiliste approché
2056.2.2 Erreurs d"approximation de la fonction objectif
2106.2.3 Temps de calcul
2136.2.4 La méthodologie proposée est-elle satisfaisante?
2186.3 Perspectives générales
2196.3.1 Validation robuste de la méthodologie
2196.3.2 Corrélations entre les données d"entrée
2206.3.3 Choix du métamodèle
2216.3.4 Généralisation de la méthodologie
223Conclusion générale
225Bibliographie227
A Compléments sur les scénarios
241A.1 Étude des corrélations
241A.1.1 Théorie sur les corrélations croisées 241
viiiTable des matièresA.1.2 Application. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
A.2 Qualité de la prévision probabiliste des prix 245A.3 Réduction des scénarios par distance de Kantorovich 247
A.3.1 Notations générales
247A.3.2 Distance de Kantorovich entre deux probabilités finies 248
A.3.3 Redistribution optimale
257A.3.4 Lien avec la quantification et la classification de Voronoï 260
A.3.5 Choix optimal des scénarios à supprimer à nombre fixé 263
A.3.6 Algorithmes numériques
265A.4 Génération de nouveaux scénarios
266Introduction générale
L agestion d"actifs de production électrique repose sur la planification de leur production, principalement pour la vendre sur le marché de l"énergie plusieurs heures à plusieurs années en avance. Lorsque les actifs permettent beaucoup de latitude pour décider de leur production (par exemple les centrales hydroélectriques dotées d"une grande retenue, lescentrales à gaz ou charbon, ...), la production est peu contrainte par des éléments extérieurs et
peut être programmée en avance. Dans ce cas, le programme de production est généralement construit pour optimiser la valorisation économique en maximisant le chiffre d"affaires obtenu par la vente de la production sur le marché et en minimisant les coûts de production. On formealors un problème d"optimisation, appeléproblème d"attribution d"unités de production, pour
lequel la littérature est abondante. En revanche, le problème se complexifie dès lors que les productions des actifs sont fortementdépendantes et que la latitude pour décider de leur production est très limitée. Dans ce cas, la
production est en partie contrainte par des éléments extérieurs. C"est par exemple le cas pour
une chaîne hydroélectrique au fil de l"eau le long d"un fleuve, comme celle constituée par les 18
aménagements hydroélectriques exploités par CNR (Compagnie Nationale du Rhône) le longdu Rhône. L"optimisation doit alors être effectuée sur l"ensemble de la chaîne hydroélectrique.
Comme les capacités de stockage des aménagements de la chaîne hydroélectrique sont très faibles,
l"horizon d"intérêt est celui à court terme, permettant de planifier la production quelques jours
en avance. Le problème d"optimisation repose donc sur une modélisation détaillée de la chaîne
hydroélectrique et des contraintes d"exploitation qui assurent la sûreté hydraulique (par exemple
les cotes minimales et maximales de l"eau dans les retenues à ne pas dépasser). Il est défini à
partir d"une prévision des apports en eau (issus notamment des affluents) pour déterminer lesdébits entrants aux aménagements hydroélectriques, ainsi qu"une prévision des prix ou des coûts
pour déterminer la valeur économique d"un programme de production. Une telle planification à
court terme s"inscrit dans le processus opérationnel mené quotidiennement pour gérer la chaîne
hydroélectrique. En particulier, le problème d"optimisation doit être résolu dans un temps très
limité. Un tel optimiseur est utilisé quotidiennement à CNR comme outil d"aide à la décision
pour appuyer l"équipe qui planifie la production du Rhône. Le problème se complexifie encore davantage lorsque l"on souhaite optimiser la production dela chaîne hydroélectrique conjointement avec celle d"actifs de production variable (par exemple
des parcs éoliens, des centrales photovoltaïques). L"intérêt d"une telle gestion conjointe est de
pouvoir utiliser la faible flexibilité de production de la chaîne hydroélectrique comme moyen pour
compenser, le cas échéant, les écarts dus aux erreurs de prévision des productions variables.
En univers déterministe, les prévisions donnent, pour chaque échéance, une seule valeur pour les
quotesdbs_dbs33.pdfusesText_39[PDF] Plaquette stage Fuzions Indonésie / Bali 2016
[PDF] PLAQUEZ LA CIGARETTE EN FINESSE
[PDF] plate-forme logistique globale
[PDF] PLATEFORME DE LA FINANCE SOLIDAIRE EN BOURGOGNE. Avec le soutien de
[PDF] Plateforme Internet. Comment ça marche?
[PDF] Plateforme mutualisée pour l enseignement pratique en conception intégrée et productique. Au service de
[PDF] Pleins feux sur les défis du. décaissement. Anne Meloche Vice-présidente régionale, affaires institutionnelles Québec et Est du Canada
[PDF] PLF 2014 - EXTRAIT DU BLEU BUDGÉTAIRE DE LA MISSION : AIDES À L ACQUISITION DE VÉHICULES PROPRES
[PDF] PLFI 2015. Formation-Action PLFI* *Programme Local de Formation Interfilière. E-Tourisme Tourisme Durable
[PDF] PLFSS 2015 et projet de loi de santé : Quelles conséquences pour les établissements et les praticiens libéraux?
[PDF] PLR 2013 - EXTRAIT DU RAP DE LA MISSION : AIDES À L ACQUISITION DE VÉHICULES PROPRES
[PDF] PLU Grenelle : Fiches pratiques. 5. Déplacements
[PDF] Plus performante, plus robuste et plus rapide : La barre des tâches Windows 7
[PDF] Point 14.1 de l'ordre du jour provisoire SIXIÈME SESSION DE L ORGANE DIRECTEUR. Rome (Italie), 5-9 octobre 2015