Le réseau éolien s’est développé ces dernières années en France. Il est nécessaires de maintenir le réseau en bon état. pour cela nous pouvons envisager une planification de la maintenance sur une année, sans perturber la production en énergie.
Planifier la maintenance annuelle d’un parc éolien représente un véritable casse-tête opérationnel. Chaque site doit être mis à l’arrêt pour les interventions, mais sans jamais compromettre la production globale du réseau.
Dans ce cas d’usage, je cherche à optimiser le planning avec les contraintes suivantes:
- Toutes les éoliennes du parc doivent être visitées dans l’année.
- Seul les jours ouvrés peuvent être utilisés.
- Le respect strict des seuils d’indisponibilité, définis à l’échelle régionale et nationale.
L’idée est de garantir 90% de la production d’électricité du parc éolien national et 80% sur chacune des régions. - Une règle organisationnelle : une seule équipe intervient sur un site, toutes les éoliennes du site doivent être entretenues consécutivement dans le planning pour limiter le déplacement des équipes d’intervention sur le territoire.
- Lorsque une équipe intervient sur un site, toutes les éoliennes sont mises à l’arrêt pour la sécurité de l’intervention.
- La minimisation du nombre total d’équipes mobilisées afin de limiter les coûts.
Le cas présenté ici est fictif, mais construit à partir de données publiques réelles afin d’illustrer concrètement ce type de problématique.
Les données que nous allons utiliser proviennent de l’article wikipedia
Préparation des données
Avant de lancer l’algorithme génétique, une étape importante a consisté à préparer les données issues d’une base publique recensant les parcs éoliens en France.
Plusieurs choix ont été faits pour adapter les données au cadre de l’étude :
- La Corse et les territoires d’outre-mer ont été extraits du jeu principal. En raison de leur statut insulaire ou géographiquement isolé, ils doivent être traités comme des cas particuliers.
- La région parisienne (Île-de-France), peu dotée en éoliennes, a été rattachée à la région Centre-Val de Loire.
- Un site exceptionnellement puissant, Aubaine, a été scindé en deux entités fictives de taille plus homogène pour éviter une surcharge locale dans le planning.
Ces ajustements garantissent une répartition plus homogène des contraintes et facilitent le travail de l’algorithme tout en limitant les risques et les coûts.
Extrait du fichier CSV obtenu après nettoyage des données :
Turbine_ID,Site,Région,Région Fusionnée,Département,Démarrage,Capacité individuelle(MW)
1,"Sigean, Port-la-Nouvelle",Occitanie,Occitanie,Aude,07/01/91,0.5866666
16,Bondues,Hauts-de-France,Hauts-de-France,Nord,10/01/93,0.415
59,Sailly-Flibeaucourt,Hauts-de-France,Hauts-de-France,Somme,07/01/98,0.25Pourquoi un algorithme génétique
Le problème est combinatoire : il existe des milliers de manières de planifier ces interventions, mais très peu respectent toutes les contraintes.
Les algorithmes génétiques permettent d’explorer efficacement cet espace de solutions. Inspirés de la sélection naturelle, ils combinent aléa et optimisation progressive :
- Générer une population initiale de plannings aléatoires.
- Évaluer chaque planning via une fonction de score.
- Sélectionner les meilleurs.
- Produire une nouvelle génération par croisement et mutation.
- Répéter jusqu’à convergence
- Identification d’un planning qui respecte le plus toutes les contraintes
Mise en œuvre
Chaque individu de la population correspond à un planning associant une date de début d’intervention à chaque site. La fonction de score (« fitness ») tient compte :
- du nombre de pénalités pour dépassement des seuils,
- du nombre maximal d’équipes intervenant en parallèle.
- chaque génération contient 50 planning, 30% subiront une mutation
Les plannings trop contraints sont fortement pénalisés. L’objectif est de maintenir le plus haut niveau de production tout en optimisant les ressources humaines.
Un mécanisme d’élitisme a été intégré, permettant de conserver les 10 % meilleurs individus à chaque génération. Les individus (ici les planning) d’une génération sont en suite croisés comme on croiserait des chromosomes.
Résultat obtenus
L’algorithme a produit un planning optimal avec 17 équipes seront mobilisées au maximum.
On observe une amélioration progressive du score avec une stabilisation vers la 600ème génération.
On peut constater qu’il est possible de réduire le nombre d’équipes mais les pénalités calculées par l’algorithme sont trop élevées. La raison est que le planning ne respecte pas toutes les contraintes imposées dans notre cas d’usage.
Génération 0 - score : 610 | équipes nécessaires : 17 | pénalités : 440
Génération 2 - score : 450 | équipes nécessaires : 18 | pénalités : 270
Génération 30 - score : 410 | équipes nécessaires : 18 | pénalités : 230
Génération 60 - score : 380 | équipes nécessaires : 18 | pénalités : 200
Génération 100 - score : 360 | équipes nécessaires : 16 | pénalités : 200
Génération 200 - score : 290 | équipes nécessaires : 19 | pénalités : 100
Génération 500 - score : 220 | équipes nécessaires : 17 | pénalités : 50
Génération 600 - score : 200 | équipes nécessaires : 17 | pénalités : 30
Voici l’amélioration du planning en fonction du nombre de générations.
Enseignements
Les algorithmes génétiques sont très efficaces pour la planification sous contraintes. L’élitisme stabilise la convergence. Une visualisation de l’évolution du score est utile pour analyser les phases d’exploration et d’optimisation.
Exemple de planning d’intervention:
L’intelligence artificielle permet, lorsqu’elle est bien cadrée, de résoudre des problèmes opérationnels très concrets. Ici, il ne s’agit pas de faire de la prédiction, mais d’organiser au mieux ce qui est déjà certain : des turbines à entretenir, des équipes à mobiliser, et un territoire à respecter.
Un simple algorithme inspiré de la vie permet alors de répartir le vent en toute intelligence.
Ce type d’approche pourrait être transposé à d’autres domaines industriels où la planification sous contrainte est un enjeu stratégique.