Finissant au doctorat en ingénierie, Mohammad Jafari Aminabadi a effectué sa soutenance de thèse le 13 août 2025. Sous la direction de recherche de Sara Séguin (UQAC) et la codirection d’Issouf Fofana (UQAC), sa thèse a pour titre « Nonlinear programming for stochastic short-term hydropower operations planning considering uncertain prices ».
Présidé par Martin Otis (UQAC), le jury d’évaluation était composé d’Hugo Tremblay (UQAC) et de Pascal Côté (Rio Tinto).
Résumé de la thèse
L’hydroélectricité constitue la principale source de production d’électricité tant au Québec qu’au Canada, jouant un rôle fondamental dans la sécurité énergétique, la flexibilité du réseau et la production durable à l’échelle nationale. Dans les marchés de l’électricité concurrentiels, la planification à court terme de l’exploitation des centrales hydroélectriques implique une prise de décision complexe sous incertitude liée aux prix de l’électricité, aux contraintes physiques et aux limitations opérationnelles. Ces défis exigent le développement de modèles d’optimisation avancés capables de représenter avec précision la nature non linéaire et stochastique des systèmes hydroélectriques.
Cette thèse propose un cadre d’optimisation non linéaire complet pour la planification à court terme des opérations hydroélectriques, structure autour de trois objectifs principaux. Premièrement, un modèle de programmation non linéaire mixte en nombres entiers stochastique en deux étapes (MINLP) est formule afin d’optimiser les stratégies d’enchères horaires dans le marché du jour précèdent. Ce modèle prend en compte la dynamique des réservoirs, les combinaisons de turbines et les règles du marché dans un contexte d’incertitude des prix. Pour surmonter la complexité de calcul, une méthode heuristique itérative efficace est développée, capable de fournir des solutions quasi optimales pour des instances de grande taille.
Deuxièmement, un modèle MINLP non linéaire est proposé pour la planification à court terme en tenant compte de la couverture de la demande et des couts de démarrage des turbines. Des surfaces de puissance maximale sont utilisées pour modéliser avec plus de précision le rendement des turbines. Trois méthodes de résolution — une heuristique itérative, un algorithme génétique et une approche hybride — sont comparées afin d’évaluer la qualité des solutions et l’efficacité computationnelle. Troisièmement, un cadre d’optimisation en deux phases est introduit pour gérer les offres par blocs dans le marché du jour précèdent. Dans la première phase, un modèle MINLP déterministe génère des profils de production réalisables, en tenant compte des couts d’opportunité et des contraintes opérationnelles. Dans la deuxième phase, un modèle de programmation linéaire stochastique en deux étapes sélectionne la meilleure combinaison de blocs sur la base de différents scenarios de prix. Les modèles proposés sont évalués à travers des études de cas comparatives. Le premier modèle est valide à l’aide des résultats de l’outil d’optimisation SHOP ; le deuxième est comparé à un modèle de référence MINLP simplifie ; et le troisième est teste face aux stratégies d’enchères horaires classiques en utilisant des données réelles du marché. Les résultats montrent une amélioration de la représentation des comportements non linéaires, de la planification fondée sur des scenarios et de la performance computationnelle. Ces travaux offrent des perspectives précieuses sur le rôle de l’optimisation non linéaire dans l’exploitation hydroélectrique à court terme et ouvrent la voie à des approches de planification plus adaptatives et sensibles au marché.
Félicitations à Mohammad Jafari Aminabadi pour la soutenance de sa thèse de doctorat!
