Data assimilation for the estimation of the hydraulic state of a reach and hydropower plant of the Rhône river using predictive control
Assimilation de données pour l’estimation de l’état hydraulique d’un aménagement hydroélectrique du Rhône équipé de la commande prédictive
Résumé
(trad auto)The Compagnie Nationale du Rhône (CNR) has received a concession from the state to develop and operate the Rhône. As an electricity producer, CNR manages 19 dams and 19 hydroelectric power plants along the Rhône from the Swiss border to the Mediterranean. The 12 developments in the lower Rhône (i.e. downstream of Lyon) and 2 developments in the upper Rhône are now equipped with predictive control, which has significantly improved the management and regulation of these developments. For this thesis work, the support arrangement chosen is that of Baix-le-Logis-Neuf, as this is typical of the 19 arrangements of the CNR. To ensure the proper functioning of this control, it is necessary to have a correct estimate of the hydraulic condition of the hydroelectric installations. This is why CRUE, a modelling software (1D with trays) and hydraulic calculations software created by CNR, is used in real time to calculate the water lines corresponding to the boundary conditions measured in the field. However, there are several sources of error that affect this estimate. The objective of this research work is therefore to develop a methodology and algorithms to detect sources of error, correct them and adjust the hydraulic model in real time as the measured data are acquired, i.e. every 100 seconds. The errors mentioned above can be caused by a biased sensor, a faulty sensor, or a model that is not representative of reality. Data assimilation seems to be the most appropriate method for this problem, more particularly the use of the Kalman filter. A strong hypothesis of the Kalman filter is the use of a linear model. A study of non-linearities is therefore essential. Through numerous tests, non-linear effects have been identified and it has been concluded that they only appear for large variations in nominal flows. These elements lead to the use of a linear Kalman filter with limited updating of the dynamic matrices. To ensure the effectiveness of this method, a study of the convergence of the filter was carried out. After a study of the observability and detectability of the system, the assumptions sufficient for the convergence of the filter were determined. Tests on twin experiments were carried out to see if the Kalman filter plays its role as a state estimator in the case of model and measurement errors. Then, the linear model for a certain flow range was implemented with the Kalman filter on the CNR regulation test platform. This platform simulates real cases and a real-time predictive command calculation. This tool was therefore used to make a comparison between the method of updating measurements currently used for the regulation of Rhône developments and the one studied in this thesis work.
La Compagnie Nationale du Rhône (CNR) a reçu une concession de l’état pour aménager et exploiter le Rhône. Producteur d’électricité, la CNR gère 19 barrages et 19 centrales hydroélectriques répartis le long du Rhône de la frontière Suisse à la Méditerranée. Les 12 aménagements du bas Rhône (soit en aval de Lyon) et 2 aménagements du haut Rhône sont aujourd’hui équipés de la commande prédictive, ce qui a nettement amélioré la gestion et la régulation de ces aménagements. Pour ce travail de thèse, l’aménagement support choisi est celui de Baix-le-Logis-Neuf, car celui-ci est typique des 19 aménagements de la CNR. Pour assurer le bon fonctionnement de cette commande, il est nécessaire de disposer d’une estimation correcte de l’état hydraulique des aménagements hydroélectriques. C’est pourquoi CRUE, un logiciel de modélisation (1D à casiers) et de calculs hydrauliques crée par la CNR, est utilisé en temps réel pour calculer les lignes d’eau correspondantes aux conditions limites mesurées sur le terrain. Cependant, différentes sources d’erreur entachent cette estimation. L’objectif de ce travail de recherche est donc de mettre au point une méthodologie et des algorithmes pour détecter les sources d’erreur, les corriger et recaler le modèle hydraulique en temps réel au fur et à mesure de l'acquisition des données mesurées, soit toutes les 100 secondes. Les erreurs évoquées ci-dessus peuvent être engendrées par un capteur biaisé, un capteur en panne, ou bien par un modèle non représentatif de la réalité. L’assimilation de données semble être la méthode la plus adaptée à cette problématique, plus particulièrement l’emploi du filtre de Kalman. Une hypothèse forte du filtre de Kalman est l’emploi d’un modèle linéaire. Une étude des non-linéarités est donc indispensable. A travers de nombreux tests, les effets non-linéaires ont étés identifiés et il a été conclu qu’ils n'apparaissent que pour des variations importantes des débits nominaux. Ces éléments poussent à utiliser un filtre de Kalman linéaire avec une mise à jour limitée des matrices dynamiques. Pour s’assurer de l’efficacité de cette méthode, une étude de la convergence du filtre a été menée. Après une étude de l’observabilité et de la détectabilité du système, les hypothèses suffisantes à la convergence du filtre ont été déterminées. 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 le cas d’erreur de modèle et d’erreurs de mesures. Puis, le modèle linéaire pour une certaine plage de débit a été implémenté avec le filtre de Kalman sur la plateforme de tests de la régulation de la CNR. Cette plateforme simule des cas réels et un calcul de la commande prédictive en temps réel. Cet outil a donc servi à faire un comparatif entre la méthode de mise à jour des mesures qui est actuellement utilisée pour la régulation des aménagements du Rhône et celle qui est étudiée dans ce travail de thèse.