Énergie, environnement, ressources naturelles
Membres
Cahiers du GERAD
A compact operations research (OR) model is proposed to analyse the prospects of meeting the Paris Agreement targets when direct air capture technologies can...
référence BibTeX
Every component of an electric power system is susceptible to failure. The power transmission system connects generating units to local distribution systems,...
référence BibTeXGreat fish war with moratorium
Nous considérons une version en temps discret du modèle de la guerre des poissons, où un régulateur impose un moratoire sur les activités de pêche lorsque le...
référence BibTeXPublications
Activités
Agnieszka Wiszniewska-Matyszkiel – Université de Varsovie
Cheng Guo – School of Mathematical & Statistical Sciences, Clemson University
Application en valorisation des données
Bâtiment intelligent
Le nouveau contexte dans lequel évolue les bâtiments du 21e siècle, impose clairement le développement de nouvelles technologies de l'information et de la communication à la fine pointe afin de constituer des outils d'aide à la décision pour la gestion efficace d'énergie dans les bâtiments. Ainsi, le concept de bâtiment intelligent ne se limite pas à l'installation de divers capteurs, il s'inscrit dans un contexte plus large où il y a intégration des ressources énergétiques distribuées et une participation active des consommateurs à la gestion efficace de la demande à travers le bâtiment. Avec les progrès des infrastructures de compteurs intelligents, la stratégie numérique est devenue cruciale pour la valorisation des données récoltées. L'intelligence artificielle (IA) semble être un choix essentiel pour traiter les données massives, augmenter la performance des modèles de prévisions court-terme de la demande énergétique, mieux saisir la volatilité existante dans chaque profil de consommation et générer des mécanismes d'apprentissage adaptés pour la gestion de la demande dans plusieurs types de bâtiments.
En plus, les récentes avancées de l'internet des objets offrent aux bâtiments des opportunités intéressantes de coopération, permettant ainsi de mutualiser les différentes ressources à l'échelle du quartier et la possibilité d'échange d'énergie pour réduire la demande de pointe. Avec la révolution des mégadonnées (Big data) dû au déploiement généralisé des compteurs, capteurs et technologies intelligentes, il est nécessaire de mieux explorer le potentiel des modèles de prédiction basés sur l'apprentissage profond afin d'améliorer la précision et l'efficacité des prévisions dans le contexte énergétique.
L'équipe de Hanane Dagdougui, professeure au département de mathématiques et de génie industriel et membre du GERAD s'intéresse particulièrement au développement des modèles mathématiques et l'application des techniques d'apprentissage automatique aux problèmes de la gestion de l'énergie dans les bâtiments. Hanane Dagdougui travaille sur le développement d'algorithmes distribués et de nouvelles approches basées sur de l'apprentissage machine ainsi qu'à la mise en œuvre de leurs applications dans les réseaux de bâtiments intelligents. Ces algorithmes de gestion feront appel aux stratégies de réponse à la demande qui permettront d'augmenter la flexibilité du bâtiment et du réseau. Hanane Dagdougui développe actuellement plusieurs projets de grandes envergures avec des partenaires majeurs tels que CanmetÉNERGIE, l'institut de recherche d'Hydro-Québec, Innovée, Hitachi ABB, Fusion Énergie, VadimUS. Elle travaille conjointement en collaboration avec Charles Audet, Sébastien Le Digabel et Antoine Lesage-Landry, professeurs à Polytechnique Montréal et membres du GERAD. La gestion de la demande d'un nombre significatif de bâtiments, lorsqu'elle est contrôlée avec précision par les agrégateurs, peut jouer un rôle croissant sur le marché de gros de l'électricité. Dans ce cas, elle peut aider le gestionnaire du réseau électrique à mieux gérer la demande de pointe tout en exploitant le potentiel de flexibilité et permettant aux consommateurs de bénéficier des récompenses ou de factures d'énergie moins élevées.
Application en décision dans les systèmes complexes
Modélisation TIMES
Le Canada vise la cible zéro émission nette de gaz à effet de serre (GES) d'ici 2050. Mais comment atteindre cet ambitieux objectif de carboneutralité? Principalement en prenant des mesures sur le plan de la production et de la consommation d'énergie, deux aspects qui peuvent être évalués à l'aide de modèles énergétiques dits « technico-économiques ». Ces derniers détaillent l'ensemble du secteur énergétique avec ses différentes formes d'énergie (pétrole, bioénergies, électricité, etc.) et de technologies associées, afin d'identifier des stratégies qui permettraient d'éviter ou de séquestrer les émissions de GES.
Au fil du temps, des membres du GERAD ont développé plusieurs versions de tels modèles, en suivant, en particulier, l'approche TIMES élaborée au sein de l'Agence internationale de l'énergie. TIMES correspond à un programme mathématique de grande taille – constitué de millions de variables et d'équations – qui, une fois résolu, permet de cibler les scénarios de réduction des GES les plus efficaces sur le plan économique et le moment optimal pour les mettre en œuvre.
TIMES correspond à un programme mathématique qui permet de cibler les scénarios de réduction des GES les plus efficaces.
Le GERAD a notamment conçu un premier TIMES adapté au contexte canadien (TIMES Canada), que la société ESMIA Consultants – fondée par Kathleen Vaillancourt, une entrepreneure formée au GERAD – a ensuite repris pour en faire une version nord-américaine appelée NATEM. ESMIA l'utilise pour conseiller des entreprises et le gouvernement; par exemple, en collaboration avec l'Institut de l'énergie Trottier et Olivier Bahn, professeur au Département de sciences de la décision de HEC Montréal et directeur du GERAD, elle exploite le modèle pour élaborer des perspectives énergétiques canadiennes. Ainsi, le dernier rapport, publié en 2018, souligne l'importance de l'électrification et du déploiement des bioénergies pour atteindre des cibles ambitieuses de réduction des GES au Canada.
ESMIA et Olivier Bahn utilisent également NATEM dans le milieu universitaire, par exemple pour évaluer la pertinence économique et écologique d'un nouveau matériau de construction élaboré à l'Université McGill pour remplacer le ciment.
Application en décision sous incertitude
Optimisation de la production hydroélectrique et de la maintenance
L'hydroélectricité est une énergie propre et renouvelable qui utilise la force de l'eau afin de produire de l'énergie. Au Canada, plus de 60 % de l'électricité est produite grâce à l'hydroélectricité, tandis qu'au Québec cette valeur grimpe à 97 %. Un système hydroélectrique est composé de centrales et de réservoirs. Des modèles d'optimisation sont utilisés pour gérer efficacement ces systèmes complexes en raison des dépendances spatiotemporelles entre les installations et des apports en eau incertains au moment de la planification. En effet, ces systèmes subissent les aléas des prévisions météorologiques et hydrologiques, en plus d'être composés de turbines ayant des efficacités différentes.
Le domaine de l'optimisation hydroélectrique s'intéresse au développement de modèles mathématiques pour résoudre ces systèmes. Sara Séguin, professeure au Département d'informatique et de mathématique à l'Université du Québec à Chicoutimi et membre du GERAD, travaille plus spécifiquement sur les modèles à court terme, lesquels visent à prendre des décisions sur des horizons courts (en heures ou en jours) sur des périodes d'une à quelques semaines. Sara Séguin travaille en collaboration avec Rio Tinto depuis 2013 afin de peaufiner et de développer de nouveaux modèles, et des projets sont en cours en collaboration avec Dominique Orban et Miguel F. Anjos, respectivement professeurs à Polytechnique Montréal et à l'Université d'Édimbourg. Les travaux de recherche visent à raffiner les modèles afin de produire plus d'énergie avec les mêmes installations. Des modélisations novatrices des fonctions de production ont permis de modéliser le problème et de le résoudre en un temps de calcul très court. La modélisation des fonctions de production est particulièrement importante, considérant qu'elles sont non linéaires et non convexes à la base. Pour la société, la résolution de ces modèles permet d'éviter les inondations en maintenant les niveaux des réservoirs à des valeurs sécuritaires, et permet la navigation sur les lacs l'été en maintenant le niveau suffisamment élevé. Pour tout producteur, produire plus d'énergie avec la même quantité d'eau permet aussi de réduire les coûts au consommateur.
Application en décision en temps réel
Prise de décision en temps réel dans les complexes miniers industriels
Un complexe minier industriel ou une chaîne de valeur minérale est un système d'ingénierie qui gère l'extraction de minerais d'un groupe de mines et le traitement du minerais extrait par le biais de différentes installations de traitement interconnectées et de sites de déchets/de résidus, le tout aboutissant à des produits commercialisables livrés à divers clients et/ou au marché au comptant. L'incertitude inhérente à l'approvisionnement en minerais à partir des gisements minéraux exploités, à la demande du marché, ainsi qu'aux divers aspects opérationnels connexes est l'élément central qui affecte de manière critique la prise de décision. Ces sources d'incertitude sont les facettes centrales de cette entreprise intégrée et de la planification, de l'ordonnancement de la production, de la prévision des performances et de la livraison des produits qui y sont liés.
Les recherches de Roussos Dimitrakopoulos et Michel Gamache, membres du GERAD, apportent de nouvelles avancées vers un cadre d'optimisation stochastique simultanée de l'offre et de la demande. Ce cadre comprend le développement de nouvelles approches stochastiques, intelligentes et auto-apprenantes, améliorant la capacité d'une optimisation d’un complexe minier à répondre en temps réel aux nouvelles informations dévoilées dans les environnements opérationnels. Il permet également de prendre des décisions opérationnelles connexes et d'adapter les politiques stratégiques et opérationnelles, y compris les aspects environnementaux. Le "complexe minier auto-apprenant" est considéré comme un futur résultat de recherche intégrant en temps réel de nouvelles données de production, y compris des données de capteurs, et des informations sur le marché, pour adapter dynamiquement les décisions opérationnelles, de production et de programmation. À l'heure actuelle, cette approche se fait par le biais de l'apprentissage par renforcement automatique, y compris dans un contexte d'agents multiples qui intègre les incertitudes et gère les risques connexes. Les nouveaux développements sont testés et évalués dans des études de cas réels.
Exemples de publications connexes :
- Kumar, A., Dimitrakopoulos, R., Maulen, M., Adaptive self-learning mechanisms for updating short-term production decisions in an industrial mining complex. Journal of Intelligent Manufacturing, 31(7), 1795–1811 2020.
- Rimélé, A., Dimitrakopoulos, R., Gamache, M., A dynamic stochastic programming approach for open-pit mine planning with geological and commodity price uncertainty, Resources Policy, 65, 101570, 2020.
- de Carvalho, J.P., Dimitrakopoulos, R., Integrating production planning with truck-dispatching decisions through reinforcement learning while managing uncertainty, Minerals, 11(6), 587, 2021.