Réduction de contraintes guidée par l'apprentissage pour le problème de répartition économique optimale de la production sous contraintes de sécurité

Les réseaux électriques modernes font face à une complexité croissante en raison de leur grande échelle, de l’intégration massive de ressources renouvelables intermittentes et de la nécessité d’une prise de décision en temps réel, compatible avec les mécanismes de marché. Dans ce contexte, le problème de répartition économique optimale de la production sous contraintes de sécurité (security-constrained economic dispatch, SCED) joue un rôle central pour garantir à la fois l’efficacité économique et la fiabilité opérationnelle. Dans sa version reposant sur les matrices des facteurs de distribution de transfert de puissance (power transfer distribution factors, PTDF), le SCED est largement utilisé pour sa simplicité de résolution. Toutefois, cette formulation souffre d’un nombre excessif de contraintes, notamment en cas de contingence, ce qui engendre une redondance importante, laquelle alourdit les temps de résolution et induit une représentation trop rigide des opérations réelles du réseau. Bien que la pratique industrielle repose largement sur l’usage de contraintes souples, autorisant des non-respects de limites contrôlés à un coût explicite, la majorité des travaux académiques suppose des contraintes strictes, limitant ainsi la capacité des modèles à capturer la flexibilité opérationnelle du marché. Ce mémoire de maîtrise propose une méthodologie fondée sur l’identification dynamique d’un sous-ensemble minimal de contraintes pertinentes, adapté à chaque profil de charge, et formulée pour le cas réaliste des contraintes souples. La méthode repose sur trois composantes essentielles. D’abord, une hiérarchie imbriquée de contraintes non redondantes est construite par suppression récursive de redondances structurelles, définissant une suite croissante de régions admissibles. Ensuite, un modèle de classification supervisée de type light gradient boosting machine (LightGBM) est entraîné pour prédire, à partir d’un profil de charge nodale, le niveau hiérarchique minimal suffisant pour reproduire la solution exacte du SCED pénalisé. Enfin, un mécanisme de reprise adaptative garantit la correction des erreurs éventuelles de prédiction, en réinjectant progressivement les contraintes omises jusqu’à l’obtention d’une solution conforme. Cette stratégie permet de combiner l’efficacité algorithmique d’une réduction structurelle hors ligne avec la flexibilité d’un ajustement guidé par l’apprentissage lors de la phase de déploiement. Elle offre une alternative robuste et interprétable aux méthodes purement heuristiques de présélection de contraintes, en s’appuyant sur des garanties de faisabilité et une évaluation postérieure explicite de la validité des prédictions. L’ensemble de la chaîne de traitement, de la construction hiérarchique à la phase d’inférence supervisée, est conçu pour être intégré dans des contextes de résolution intensifs, typiques des applications en temps réel sur les marchés de l’électricité.

Abstract

Modern power systems face increasing complexity due to their large scale, the massive integration of intermittent renewable resources, and the need for real-time decision-making compatible with market-based mechanisms. In this context, the security-constrained economic dispatch (SCED) problem plays a pivotal role in ensuring both economic efficiency and operational reliability. In its formulation based on power transfer distribution factors (PTDF), SCED is widely adopted for its computational simplicity. However, this formulation suffers from an excessive number of constraints, especially under contingency scenarios, resulting in significant redundancy that hampers solution times and leads to an overly rigid representation of real-world operations. While industry practice often relies on soft constraints—allowing controlled violations at explicit penalty costs—most academic contributions assume hard constraints, thereby limiting the ability of such models to capture the operational flexibility inherent to electricity markets. This master’s thesis introduces a methodology grounded in the dynamic identification of a minimal subset of relevant constraints, tailored to each load profile, and formulated under the realistic assumption of soft security constraints. The proposed method comprises three core components. First, a nested hierarchy of non-redundant constraints is constructed via recursive elimination of structurally redundant elements, defining a sequence of increasingly relaxed feasible regions. Second, a supervised classification model based on light gradient boosting machine (LightGBM) is trained to predict, from a given nodal load profile, the minimal hierarchical level required to reproduce the exact solution of the penalized SCED. Third, an adaptive recovery mechanism ensures correction of potential misclassifications by progressively reinjecting omitted constraints until a compliant solution is obtained. This strategy combines the offline algorithmic efficiency of structural constraint reduction with the online flexibility of machine-learning-guided adjustment. It provides a robust and interpretable alternative to heuristic constraint preselection methods, leveraging feasibility guarantees and posterior validation of prediction accuracy. The entire pipeline—from hierar-chical construction to supervised inference—is designed to support intensive computational settings typical of real-time electricity market applications. Experimental results confirm the effectiveness of the proposed framework. The comparison between the full SCED solution and its restricted counterpart at the exact hierarchical level demonstrates that a substantial reduction in the number of constraints can be achieved without altering the optimal solution.