Cet article présente une nouvelle approche de résolution du problème de gestion du système hydroélectrique de Kemano, qui l’exploite afin d’alimenter en énergie des alumineries. L’hydroélectricité étant une énergie propre et renouvelable, le but est de produire le plus d’énergie possible de l’eau disponible. Cependant, cela devient de plus en difficile pour de nombreuses raisons, notamment celle du caractère aléatoire des flux entrants, la limite du niveau des réservoirs, les exigences en matière de navigation et de plage, les contraintes de débit d’eau et contrôle des inondations. Il est peut-être impossible de toutes les satisfaire.
Par conséquent, le modèle d’optimisation doit trouver une solution de compromis ; celle-ci rend le problème d’optimisation multi-objectif. Ce qui rajoute de la complexité au problème et augmente la difficulté de la prise de décision. Cependant, l'incertitude des flux entrants empêche l'utilisation de l'optimisation multi-objectif, car une décision doit être prise avant la réalisation de l'incertitude. Pour y faire face, une solution est d’ajouter des contraintes probabilistes qui selon une probabilité, permettent de violer les contraintes initiales ; la prise de décision le permet un certain nombre de fois au cours d’une année. En pratique, cela revient à ajouter un terme de pénalité qu’il faut ajuster à la fonction objectif pour rendre compte de la violation d’une contrainte. Etant donnée le caractère aléatoire présent dans le système, le modèle d’optimisation doit prendre en compte de nombreux scénarios pour résoudre le problème.
Les auteurs implémentent un solveur d'optimisation de boîte noire permettant d'optimiser les valeurs des pénalités associées aux contraintes probabilistes. L'optimisation boîte noire est utilisée lorsque la fonction objectif et / ou les contraintes n'ont pas de représentation analytique. Elle permet de simuler la politique de fonctionnement du système sur un sous-ensemble de scénarios d’afflux appelé ensemble de calibration. L’implémentation utilisée est celle des méthodes de recherche directe adaptative par maille. Cette méthode cherche une séquence d'itérations qui améliore la valeur de la fonction objectif à partir d'un ensemble de directions situées sur un maillage. Le maillage est raffiné ou grossi selon que le nouvel itéré améliore ou détériore la solution actuelle. La méthode itère jusqu'à la convergence vers l'optimalité ou selon un budget d'évaluations spécifié par l'utilisateur.
Selon les auteurs, les résultats obtenus montrent que le cadre d’optimisation boîte noire semble fournir des résultats incohérents basés sur la violation des contraintes de probabilité lors de la comparaison des résultats d’échantillonnage et de validation.
Les résultats obtenus sont préliminaires mais prometteurs et des tests approfondis seront effectués dans un proche avenir. Le nombre de scénarios utilisés dans les ensembles d'étalonnage et de validation sera examiné afin de valider l'effet sur la solution du problème de gestion du réservoir.