Auteur : Mampuya Nzitaa
Co-auteurs : Guyh Dituba Ngomab et Clément N’zau Umba-di-Mbudi
Lien : https://www.sciencedirect.com/science/article/pii/S1877050926030607
Résumé :
Cette étude aborde le problème de l'optimisation multi-objectif des centrales hydroélectriques en contexte d'incertitude, de dynamique non linéaire et d'objectifs opérationnels conflictuels. Face aux limitations des approches d'optimisation classiques et des approches d'IA isolées, nous proposons un cadre conceptuel unifié intégrant la prévision par apprentissage profond (LSTM et TiDE), les métaheuristiques multi-objectifs (NSGA-III) et l'apprentissage par renforcement pour une aide à la décision adaptative. Contrairement aux études purement expérimentales, ce travail ne repose pas sur des données industrielles propriétaires, mais sur une synthèse comparative, ancrée dans la littérature, d'études hydroélectriques représentatives. Les indicateurs de performance publiés, tels que la précision des prévisions (R² > 0,90 dans plusieurs études antérieures) et les améliorations opérationnelles (gains d'énergie et de revenus rapportés dans la littérature), sont utilisés uniquement comme références, et non comme résultats expérimentaux originaux. La contribution de cet article est donc méthodologique : il unifie les couches de prévision, d'optimisation et de contrôle au sein d'une architecture cohérente et évalue leurs interactions à travers les tendances comparatives observées dans les travaux antérieurs. Cette synthèse, fondée sur la littérature, suggère le potentiel des méthodes d'IA hybrides tout en soulignant les limitations liées à la complexité de calcul et à la reproductibilité pour un déploiement en conditions réelles.
Mots-clés : Optimisation multi-objectif;énergie hydroélectrique;métaheuristiques hybrides;apprentissage profond