Apprentissage profond appliqué à la prévision saisonnière des volumes d’apport dans les réservoirs hydroélectriques

Les réservoirs hydroélectriques nécessitent des prévisions d’apports afin de permettre aux gestionnaires des ressources en eau d’optimiser les taux de vidange et d’améliorer l’efficacité des infrastructures. Habituellement, les exploitants utilisent des modèles hydrologiques conceptuels ou basés sur la physique pour prévoir les débits à des échéances allant d’un mois à un an, selon l’horizon de planification. Ces prévisions sont ensuite agrégées pour estimer les volumes d’apports cumulés, qui sont essentiels pour la gestion saisonnière des réservoirs. Des prévisions fiables de volumes à moyenne échéance (quelques semaines) soutiennent non seulement l’optimisation du remplissage des réservoirs et de la production hydroélectrique, mais aussi la préparation aux crues saisonnières et aux périodes d’étiage. Pour répondre plus directement à ces besoins, cette étude propose une méthode novatrice qui prédit directement les volumes d’apport cumulés sur 45 jours à l’aide d’un modèle d’apprentissage profond entraîné sur des prévisions météorologiques ensemblistes et des données observées de volume, sans passer par la simulation des débits journaliers, et en ciblant le volume total sur l’ensemble de la période en une seule opération. De plus, le modèle exploite de vastes jeux de données durant sa phase d’apprentissage, en utilisant des données issues de 200 bassins versants canadiens. Il est ensuite appliqué à huit bassins canadiens pour estimer les volumes d’apport prévisionnels. Enfin, pour le système hydroélectrique du Lac-Saint-Jean, au Québec, les performances des réseaux LSTM, un type de réseau de neurones récurrent conçu pour capter les dépendances temporelles, sont comparées à celles d’un modèle hydrologique conceptuel opérationnel. Les résultats montrent que les prévisions provenant des modèles LSTM sont généralement précises mais manquent de fiabilité. Les prévisions ensemblistes ont tendance à être trop confiantes et sous-dispersées. L’entraînement régional améliore les performances dans certains cas, mais aucun schéma universel ne se dégage à travers toutes les saisons ou tous les bassins. Comparativement au modèle conceptuel opérationnel, les modèles LSTM le surpassent durant la saison automnale, tant en termes d’exactitude que de fiabilité, soulignant ainsi leur potentiel complémentaire. En complément, l’entraînement direct d’un modèle LSTM entraîné localement avec les données de prévisions météorologiques d’ensembles a permis d’évaluer les limites face à cette approche. Dans l’ensemble, cette étude suggère que les modèles basés sur les LSTM représentent une alternative prometteuse pour la planification stratégique des réservoirs, en particulier lorsqu’ils sont combinés à des modèles hydrologiques physiques, afin d’améliorer la représentation de l’incertitude.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.