Apprentissage profond appliqué à la prévision saisonnière des volumes d’apport dans les réservoirs hydroélectriques

Martel, Dylane (2025). Apprentissage profond appliqué à la prévision saisonnière des volumes d’apport dans les réservoirs hydroélectriques. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Les réservoirs hydroélectriques nécessitent des prévisions d’apports afin de permettre aux gestionnaires des ressources en eau d’optimiser les taux de vidange et d’améliorer l’efficacité des infrastructures. Habituellement, les exploitants utilisent des modèles hydrologiques conceptuels ou basés sur la physique pour prévoir les débits à des échéances allant d’un mois à un an, selon l’horizon de planification. Ces prévisions sont ensuite agrégées pour estimer les volumes d’apports cumulés, qui sont essentiels pour la gestion saisonnière des réservoirs. Des prévisions fiables de volumes à moyenne échéance (quelques semaines) soutiennent non seulement l’optimisation du remplissage des réservoirs et de la production hydroélectrique, mais aussi la préparation aux crues saisonnières et aux périodes d’étiage.

Pour répondre plus directement à ces besoins, cette étude propose une méthode novatrice qui prédit directement les volumes d’apport cumulés sur 45 jours à l’aide d’un modèle d’apprentissage profond entraîné sur des prévisions météorologiques ensemblistes et des données observées de volume, sans passer par la simulation des débits journaliers, et en ciblant le volume total sur l’ensemble de la période en une seule opération. De plus, le modèle exploite de vastes jeux de données durant sa phase d’apprentissage, en utilisant des données issues de 200 bassins versants canadiens. Il est ensuite appliqué à huit bassins canadiens pour estimer les volumes d’apport prévisionnels. Enfin, pour le système hydroélectrique du Lac-Saint-Jean, au Québec, les performances des réseaux LSTM, un type de réseau de neurones récurrent conçu pour capter les dépendances temporelles, sont comparées à celles d’un modèle hydrologique conceptuel opérationnel.

Les résultats montrent que les prévisions provenant des modèles LSTM sont généralement précises mais manquent de fiabilité. Les prévisions ensemblistes ont tendance à être trop confiantes et sous-dispersées. L’entraînement régional améliore les performances dans certains cas, mais aucun schéma universel ne se dégage à travers toutes les saisons ou tous les bassins. Comparativement au modèle conceptuel opérationnel, les modèles LSTM le surpassent durant la saison automnale, tant en termes d’exactitude que de fiabilité, soulignant ainsi leur potentiel complémentaire. En complément, l’entraînement direct d’un modèle LSTM entraîné localement avec les données de prévisions météorologiques d’ensembles a permis d’évaluer les limites face à cette approche. Dans l’ensemble, cette étude suggère que les modèles basés sur les LSTM représentent une alternative prometteuse pour la planification stratégique des réservoirs, en particulier lorsqu’ils sont combinés à des modèles hydrologiques physiques, afin d’améliorer la représentation de l’incertitude.

Titre traduit

Deep learning applied to seasonal inflow volume forecasts in hydroelectric reservoirs

Résumé traduit

Hydropower reservoirs require inflow forecasts to allow water resources managers to optimize drawdown rates and improve infrastructure efficiency. Usually, operators use physically-based or conceptual hydrological models to forecast streamflow for a lead-time ranging from one month to a year, depending on the planning horizon. These forecasts are then aggregated to evaluate cumulative inflow volumes, which are essential for seasonal operations. Reliable medium-range volume forecasts over a few weeks support not only the optimization of reservoir filling and hydropower generation, but also preparedness for seasonal floods and low-flow periods.

To address these needs more directly, this study presents a novel method that directly forecasts 45-day cumulative inflow volumes using a deep learning model trained on ensemble meteorological forecasts and observed volume data, avoiding the need to simulate daily streamflow and targeting the total volume over the full 45-day period in a single operation. Furthermore, the model leverages large-scale datasets during its training, by using data from 200 basins in Canada. The model is then applied to eight Canadian basins to estimate inflow volume forecasts. For the Lac-Saint-Jean hydroelectric system in Quebec, the performance of LSTM networks, a type of recurrent neural network designed to capture temporal dependencies, is also compared with an operational conceptual hydrological model.

The results show that forecasts produced by LSTM models are generally accurate but lack reliability. Ensemble forecasts tend to be overconfident and underdispersed. Regional training improves performance in some cases, but no universal pattern emerges across all seasons or basins. Compared to the operational conceptual model, LSTM models outperform it during the autumn season, both in terms of accuracy and reliability, highlighting their complementary potential. Additionally, the direct training of a locally trained LSTM model using ensemble meteorological forecasts helped assess the limitations of this approach. Overall, this study suggests that LSTM-based models offer a promising alternative for strategic reservoir planning, particularly when combined with physically based hydrological models to improve uncertainty representation.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par article présenté à l’École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie de la construction". Comprend des références bibliographiques (pages 97-112).
Mots-clés libres:	prévision hydrologique ensembliste, apprentissage profond, volume d’apport, LSTM, apprentissage à grande échelle
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Codirecteur:	Codirecteur Martel, Jean-Luc
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	24 févr. 2026 17:45
Dernière modification:	24 févr. 2026 17:45
URI:	https://espace.etsmtl.ca/id/eprint/3780

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt