Assimilation de données pour l'estimation de l'état hydraulique d'un aménagement hydroélectrique du Rhône équipé de la commande prédictive

Electricity producer, CNR operates 19 dams and 19 hydroelectric power plants located along the French Rhone River. Most of the development projects are equipped with predictive control. This kind of control method has significantly improved the management of these development projects. However, there are situations that damage the calculation of this command. The aim of this research is to develop a methodology and algorithms to detect sources of errors, correct them and estimate the hydraulic states. The calculation of the predictive control occurs with each new acquisition of the observed data. For this, the stochastic data assimilation method as the Kalman filter seems to be the most suitable. The strong hypothesis of this method is the need to use a linear model, although the system studied is nonlinear. Thus, analyzing the impact of the linearization of the model and determining the application limits, was necessary. To ensure the effectiveness of this method, a study of the convergence of the filter was conducted. Then the observability and detectability notions were addressed to determine the sufficient hypothesis for convergence of the filter. To illustrate these studies, tests on twin experiments were conducted to see if the Kalman filter plays its role as a state estimator. These tests have been done for different kinds of situations which are considered as problematic for the regulation. The originality of this work was also to deal with real scenarios on the test platform for the regulation of the CNR. This tool has been used to make a comparison between the method of updating the observation that is currently used to regulate development projects of the Rhone and the one studied in this thesis.Producteur d'électricité, la CNR gère 19 barrages et 19 centrales hydroélectriques répartis le long du Rhône de la frontière Suisse à la Méditerranée. La majorité des aménagements de ce fleuve sont équipés de la commande prédictive. Cette méthode de régulation a nettement amélioré la gestion de ces aménagements. Cependant, il existe des situations qui perturbent le calcul de cette commande. L'objectif de ce travail de recherche est donc de mettre au point une méthodologie et des algorithmes pour détecter les sources d'erreurs, les corriger et recaler le modèle hydraulique sur lequel s'appuie le calcul de la commande, au fur et à mesure de l'acquisition des données observées. Pour cela, la méthode d'assimilation de données de type stochastique tel que le filtre de Kalman semble être la plus adaptée. L'hypothèse forte de cette méthode est la nécessité d'employer un modèle linéaire bien que le système étudié soit non-linéaire. De ce fait, analyser l'impact de la linéarisation du modèle et déterminer ses limites d'application, furent indispensable. Pour s'assurer de l'efficacité de cette méthode, une étude de la convergence du filtre a été menée. Puis les notions d'observabilité et de détectabilité ont été abordées afin de déterminer les hypothèses suffisantes à la convergence du filtre. Pour illustrer ces études, des tests sur des expériences jumelles ont été réalisés afin de voir si le filtre de Kalman joue bien son rôle d'estimateur d'état dans diverses situations jugées problématiques pour la régulation. L'originalité de ce travail a aussi été la possibilité de traiter des scénarii réels sur la plateforme de tests de la régulation de la CNR. Cet outil a donc servi à faire un comparatif entre la méthode de mise à jour des observations qui est actuellement utilisée pour la régulation des aménagements du Rhône et celle qui est étudiée dans ce travail de thèse