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.