THÈSE

Pour obtenir le grade de

DOCTEUR DE L’UNIVERSITÉ DE GRENOBLE

Spécialité : Terre, Univers et Environnement

Arrêté ministériel :

Présentée par

Baptiste François

Thèse dirigée par Jean-Dominique Creutin

et codirigée par Benoit Hingray & Frédéric Hendrickx

préparée au sein du Laboratoire d’étude des Transferts en Hydrologie et

Environnement (LTHE, UMR 5564, CNRS - Grenoble INP - IRD - UJF)
dans l’Ecole Doctorale Terre Univers Environnement

Gestion optimale d’un réservoir hy-

draulique multiusages et change-
ment climatique. Modèles, projec-
tions et incertitudes
Application à la réserve de Serre-Ponçon

Thèse soutenue publiquement le ,

devant le jury composé de :

François BRISSETTE
Professeur ETS - Montréal, Rapporteur
Christophe CUDENNEC
Professeur Agrocampus Ouest - Rennes, Rapporteur
Pierre RIBSTEIN
Professeur UPMC/Sisyphe - Paris, Examinateur
Marco BORGA
Professeur Associé, Université de Padoue - Italie, Examinateur
Jean-Dominique CREUTIN
Directeur de recherche CNRS/LTHE - Grenoble, Directeur de thèse
Benoit HINGRAY
Chargé de recherche CNRS/LTHE - Grenoble, Co-Directeur de thèse
Frédéric HENDRICKX
Ingénieur expert EDF/LNHE - Paris, Co-Directeur de thèse
 Remerciements

Remerciements
A l’heure où je rédige ces quelques lignes, ma thèse est désormais terminée. C’est à
présent que je prends conscience de l’étendue du travail effectué durant ces trois années.
Avec ce léger recul, je réalise que cette ”lourde tâche” n’aurait pu arriver à son terme sans
l’aide et le soutien de nombreuses personnes.

J’ai eu la chance de côtoyer deux laboratoires différents : le LTHE à Grenoble, mon

principal port d’attache durant ma thèse, et le LNHE à Paris. Je remercie ainsi l’ensemble
des personnes ayant croisé ma route durant mon ”long chemin de croix” d’apprenti cher-
cheur, ainsi que l’Agence Nationale de la Recherche qui, par son financement, m’a permis
de mener cette thèse à bien.

Certaines personnes ont particulièrement compté pour moi et ont d’une manière ou
d’une autre, contribué à ma réussite. Tout d’abord, je tiens à exprimer de sincères re-
merciements à Benoit Hingray mon encadrant principal durant ces trois années de thèse.
Grâce à ses grandes qualités humaines, Benoit a réussi à guider mes recherches dans un
domaine qui lui était étranger. Sa curiosité ainsi que sa rigueur scientifique m’ont amené
à explorer certaines voies que j’aurais certainement contournées s’il n’avait pas été là pour
me stimuler. Je l’en remercie encore pour cela. D’ailleurs, il me plait à croire que sa cu-
riosité et sa rigueur ont déteint sur moi.

La deuxième personne ayant énormément compté dans mon travail de thèse est Fré-
déric Hendrickx, mon encadrant lors de mes séjours à Paris au LNHE. Ses connaissances
dans le domaine des méthodes d’optimisation des retenues hydrauliques, (qui m’étaient
inconnues lors de mon arrivée en thèse), m’ont été d’un grand secours, à de multiples
reprises. Ses conseils avisés ont, sans aucun doute, pesé sur la qualité des développements
que j’ai réalisés durant ma thèse.

Ayant eu la chance d’avoir trois directeurs de thèse, une troisième personne, Jean-
Dominique Creutin, complète ce podium des remerciements. Bien qu’ayant suivi mon
travail avec un certain recul, ses remarques pertinentes sur les directions que nous souhai-
tions prendre à certains moments clés , m’ont souvent permis de me raccrocher à un petit
fil rouge qui m’a finalement amené au jour de ma soutenance.

Au demeurant, je remercie l’ensemble des personnes ayant accepté de juger mon manus-
crit de thèse : François Brissette, Christophe Cudennec, Pierre Ribstein ainsi que Marco
Borga. C’est un véritable honneur que de tels chercheurs aient accepté d’évaluer l’abou-
tissement de mon travail. J’ai particulièrement apprécié les échanges que nous avons eus
et j’ai pris note de certaines idées qu’ils ont suggérées pour la suite de mes travaux.

i
Remerciements

Aujourd’hui, je considère un travail de thèse comme un édifice que l’on érige peu à peu,
l’objectif étant de le construire dans le délai imparti, le plus solide et le plus original pos-
sible, ne souffrant d’aucune malfaçon. A mes yeux, la personne représentant la première
pierre de mon édifice est Gilles Molinié. Collègue de bureau durant près de deux années à
Grenoble, Gilles a été mon encadrant durant mon stage de fin d’étude en classe de Master
et m’a manifestement donné gout à la recherche scientifique.

De nombreuses personnes ont également contribué aux différentes réflexions que je me

suis fais au cours de ma thèse. Je pense à Joël Gailhard, Marie Bourqui et Thibault Ma-
thevet lors des réunions biannuelles du projet RIWER2030. D’autres personnes, telles que
François Leveque, Rémi Garçon, Abdelkader Mezghani, Anne Catherine Favre, Charles
Obled ou encore Pietro Bernadara, sont intervenues de façon plus ponctuelle bien que cela
n’enlève rien à la pertinence des remarques et conseils qu’ils ont apportés. Il en est de
même pour les questions soulevées par Wiem Ben Kehdiri, étudiante en école d’ingénieur
que j’ai eu la chance de Co-encadrer durant son stage de fin d’étude, m’obligeant à prendre
du recul sur mes différents outils.

Du premier jour de mon contrat en Janvier 2010 jusqu’au jour de ma soutenance, la

route a été longue. Les journées comptant double ont été légion, particulièrement durant
la période de rédaction. Le passage de cette étape délicate a été possible grâce à l’ensemble
des personnes qui m’ont entouré au quotidien. En particulier : Joris, fidèle voisin de bureau
depuis nos stages de Master, Olivier et Jérémy avec qui j’ai partagé plus qu’un bureau du-
rant un an, Gérémy mon champion de France de kayak préféré, Maxime une fois, Gildas et
Raph, toujours là pour ”taper la discute” à la pause, mais également Mathieu et Mattieu,
Stéphanie, Aloı̈s, Thomas G et Thomas M, Salah, Moussa, Ossenatou. . . Mes collègues Pa-
risiens méritent également d’amples remerciements, notamment Justine Groix, Germain,
Pierre, Guitou, Florent, Laurent et bien sûr Fabrice Zaoui et Riadh Ata avec qui j’ai par-
tagé leur bureau. Toutes ces personnes m’ont permis de me sentir à mon aise dans mon
environnement professionnel, ce qui je pense est primordial pour toute réussite. Mon cercle
d’amis Grenoblois extérieur au laboratoire a également joué un rôle de premier ordre, à la
fois par leurs encouragements lors des moments difficiles, mais surtout par leur capacité à
me changer les idées lorsque cela était nécessaire. En ce sens, j’adresse un énorme merci à
Laurent, Thierry, Rémi, Théo, Niak, Marion, Charlotte, Rémi H, Arnaud, Tex, Sabine et
Damien. De même, mais Ô combien importants, mes amis Toulonnais méritent également
un grand merci pour leur soutient : Chéché, Jeanf, Jojo, Olive, Zak, Sylvain, Ju et Marion.

Ce cercle de collègues et d’amis, aussi bien à l’intérieur qu’à l’extérieur du laboratoire,

a contribué à m’épanouir dans mon travail. Cela n’enlève rien au rôle qu’a joué ma fa-
mille durant mes trois années de thèse. A commencer par ma grand-mère de Paris, mon
grand-père de Toulon, et bien sûr ceux qui ne sont plus, et n’ont pu me voir soutenir. . .

ii
 Remerciements

Également, mes parents qui m’ont toujours poussé à persévérer dans les études, m’aidant
aussi bien moralement que financièrement et ce depuis le début. Je terminerai ces remer-
ciements par Marie, qui partage mes joies et mes peines depuis de nombreuses années et
sans qui ma volonté de réussir ne serait pas si forte.

Merci

iii
iv
 Résumé

Résumé
Pourvoir évaluer l’impact du changement climatique sur la ressource en eau, et les sys-
tèmes de gestion qui lui sont associés, est une préoccupation majeure de nos sociétés. Une
telle évaluation nécessite la mise en place d’une chaı̂ne de simulation qui permet, sur la
base d’expériences climatiques futures, i) d’estimer à l’échelle régionale l’évolution possible
de la ressource et de sa variabilité, ii) de simuler le comportement des systèmes utilisés
pour leur gestion pour iii) estimer les éventuelles modifications de performance.

Cette thèse vise à tester la possibilité de mettre en place une chaı̂ne de simulation
de ce type pour un système de gestion réel et à identifier quelles sont les composantes
à considérer dans ce cas. Pour ce faire, nous chercherons en particulier à apporter des
éléments de réponse aux questions suivantes :
ˆ Quelles représentations peut-on faire d’un système de gestion opérationnel pour une
application en climat modifié ?
ˆ Quels éléments d’évaluation peuvent permettre d’estimer l’impact du changement
climatique sur ce système de gestion ?
ˆ Quelles sont les sources d’incertitudes influençant cette évaluation ? Quelles sont
les contributions relatives à l’incertitude totale des différentes méthodes et modèles
utilisés ?
Nous considérerons plus précisément le système de gestion du barrage de Serre-Ponçon,
alimenté par le haut bassin versant de la Durance. Ce barrage, géré par EDF, est l’un des
plus grands barrages artificiels européens. Il est multi-usages (irrigation, soutien d’étiage,
production d’hydroélectricité, tourisme).

Dans un premier temps, nous présenterons le contexte du système de gestion actuel.

Nous mettrons ensuite en place un modèle de gestion du barrage visant à reproduire – de
façon réaliste du point de vue du gestionnaire actuel (EDF), mais simplifiée pour pouvoir
être appliqué sous scénarios futurs - la gestion actuelle du barrage. Nous développerons
pour cela i) des modèles permettant d’estimer les différentes demandes en eau et ii) un
modèle d’optimisation de la gestion sous contraintes. Ce modèle permettra de simuler la
gestion du système au pas de temps journalier sur plusieurs décennies du climat récent,
ou de climats futurs modifiés.

Nous proposerons ensuite un ensemble d’indicateurs qui permettent de fournir une es-
timation de la performance d’un tel système à partir des sorties du modèle de gestion
obtenues par simulation pour différentes périodes de 30 ans.

Nous explorerons la façon dont la performance estimée dépend du modèle choisi pour
la représentation du système de gestion actuel, et plus précisément de la façon dont la

v
Résumé

stratégie utilisée pour l’optimisation de la gestion est élaborée. A ce titre, nous propose-
rons trois modèles de gestion basés sur trois types de stratégies, obtenues pour des degrés
différents de prévisibilité des apports et sollicitations futurs à la retenue.

Pour ces simulations, les modèles d’impacts nécessitent des scénarios de forçages mé-
téorologiques à l’échelle de bassin versant (e.g. modèle hydrologique, modèle d’usages de
l’eau, modèle de gestion de la ressource). Ces scénarios peuvent être obtenus par des mé-
thodes de descente d’échelle statistique (MDES), sur la base des simulations grande échelle
des modèles climatiques globaux (GCM).

Nous évaluerons enfin les incertitudes liées aux deux types de modèles (GCM & MDES)
et estimerons leurs contributions relatives à l’incertitude globale. Nous utiliserons pour
cela les scénarios issus de différentes chaines de simulation GCM/MDES produits sur la
période 1860-2100 dans le cadre du projet RIWER2030. Nous montrerons que ces deux
sources d’incertitudes sont du même ordre de grandeur sur l’estimation des modifications
de performance.

Cette thèse a été financée dans le cadre du projet RIWER2030 (http://www.lthe.fr/

RIWER2030), financé par le programme VMCS de l’Agence Nationale de la Recherche. Elle
a été réalisée sur la base d’un partenariat entre le Laboratoire d’Etude des Transferts en
Hydrologie et Environnement et le Laboratoire National d’Hydraulique et Environnement
d’EDF.

vi
 Abstract

Abstract
Being able to assess the impact of the climate change on water resources and the re-
lated management systems, is a major concern for our society. This situation requires an
establishment of a simulation chain which will allow us, on the basis of future climate
experimentation, the following contents : i) to estimate the possibility of changes in a
local resource and its variability, ii) to simulate the behavior of the management systems
iii) to estimate the possible changes on its performance.

This thesis aims to test the feasibility of establishing a simulation chain for such a
management system to identify what are the real components to consider in this case. To
do it so, we have to answer the following questions :

ˆ How can we represent an operational management system in a climate change

context ?
ˆ Which elements of evaluation can be used to estimate the impact of climate change
on the management system ?
ˆ What are the sources of uncertainty influencing this assessment ? What are the
relative contributions to the total uncertainty of these different methods and models
used ?

We will consider the system of management of the Serre-Ponçon reservoir on the high
basin of the Durance river. This dam, operated by EDF (Electricité de France, French
energy provider), is one of the largest artificial dams in Europe. It is also a multi-purpose
dam (irrigation, low-flow support, hydropower, tourism).

As a first step, we will present the context of the current management system. Then,
we will establish a management model to reproduce - by a realistic point of view of the
current manager (EDF), but in a simplified approach in order to apply it to future scena-
rios - the current management of the Serre-Ponçon reservoir. We will develop i) various
models to estimate the different type of water demands and ii) an optimization model
with constraints management. This model will simulate the management system in daily
time step on several decades of recent climate, or future climate change.

Afterwards, we will propose a set of indicators to provide an estimation of the per-

formance for such a system from the outputs of the management model obtained by
simulating many periods of 30 years.

We will explore how much the estimated performance depends on the model chosen to
represent the current management system, and more specifically how strong the strategy
used to optimize the management is developed. Hence, we will propose three management

vii
Abstract

models based on three types of strategies, obtained for different degrees of predictability
of future inflows and constraints.

For these simulations, the impact models require meteorological forcing scenarios at
watershed scale (e.g. hydrological model, model of water use model of resource manage-
ment). These scenarios can be obtained by Statistical Downscaling Methods (SDM), on
the basis of large-scale simulations of Global Climate Models (GCM).

We will finally evaluate the uncertainties associated with the two types of models (GCM
& SDM) and will estimate their relative contributions to the overall uncertainty. We have
used this scenario from different GCM/SDM simulations over the period 1860-2100 obtai-
ned within the RIWER2030 project. We will show that these two sources of uncertainty
are of the same order of magnitude estimate of performance changing.

This thesis was funded under the RIWER2030 project ( url http :/ / www.lthe.fr/RIWER2030),
funded by the VMCS program of the National Research Agency. It was conducted within
a partnership between the Laboratory for the Study of Transfers in Hydrology and Envi-
ronment and the National Hydraulics and Environment Laboratory EDF.

viii
ix
x
Table des matières

Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Table des matières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Liste des symboles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii

Partie I
Introduction

1 Introduction Générale 3
1.1 Gestion des eaux de surfaces : problématique d’hier et d’aujourd’hui . . . . . . . 4
1.2 Ressource en eau et usages futurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 Modification de la ressource en eau . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2 Modification des usages de l’eau . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Règles de gestion actuelles : quelle adéquation pour demain ? . . . . . . . . . . . 22
1.4 Conclusion : Objectifs de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Partie II
Modélisation de la gestion de Serre-Ponçon

2 La Chaine de Production Hydraulique Durance-Verdon 29

2.1 Chaine hydraulique Durance-Verdon : enjeux et contraintes . . . . . . . . . . . . 29
2.2 L’eau de la Durance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.1 L’eau de la Durance en amont de Serre-Ponçon . . . . . . . . . . . . . . . 33
2.2.2 L’eau de la Durance en aval de Serre-Ponçon . . . . . . . . . . . . . . . . 35
2.3 Usages de l’eau de la Durance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.1 Usages consommateurs d’eau : . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 L’usage touristique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

xi
TABLE DES MATIÈRES

2.3.3 L’usage énergétique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.3.4 Autres usages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4 La CPH-DV au sein de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3 Modèles d’apports et d’usages de l’eau 45

3.1 Modèle d’apports à la réserve : Cequeau . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Production hydroélectrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon . . 52
3.3.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.2 Reconstitution du débit de dotation de SP . . . . . . . . . . . . . . . . . . 53
3.3.3 Modélisation des prélèvements à Cadarache . . . . . . . . . . . . . . . . . 55
3.3.4 Modélisation des apports des bassins intermédiaires . . . . . . . . . . . . 63
3.3.5 Modélisation des débits de dotation de SP . . . . . . . . . . . . . . . . . . 64
3.4 Tourisme : courbe guide de remplissage . . . . . . . . . . . . . . . . . . . . . . . 65
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4 Modélisation de la gestion optimale de la retenue 71

4.1 Optimisation de la gestion d’une réserve hydraulique . . . . . . . . . . . . . . . . 72
4.2 Résolution du problème d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.1 Principe d’optimalité de Bellman . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.2 Algorithme de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3 Mise en œuvre de l’algorithme d’optimisation . . . . . . . . . . . . . . . . . . . . 79
4.3.1 Discrétisation du réservoir et interpolation des VB . . . . . . . . . . . . . 80
4.3.2 Initialisation des VB à l’horizon d’optimisation . . . . . . . . . . . . . . . 82
4.3.3 Respect des contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3.4 Valeurs marginales de l’eau . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.3.5 Simulation de la gestion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.4 Prévisibilité des aléas et modèles de gestion . . . . . . . . . . . . . . . . . . . . . 85
4.4.1 Modèle AC : Avenir Certain . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.2 Modèle AIC : Avenir Incertain Climatologique . . . . . . . . . . . . . . . 88
4.4.3 Modèle AIP : Avenir Incertain Prévu . . . . . . . . . . . . . . . . . . . . 91
4.5 Évaluation des trajectoires de réserves simulées . . . . . . . . . . . . . . . . . . . 96
4.5.1 Trajectoire de réserve AC . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.5.2 Trajectoire de réserve AIC . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.5.3 Trajectoire de réserve AIP . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

xii
 TABLE DES MATIÈRES

Partie III
Méthodologie d’évaluation de la performance

5 Indicateurs de performance d’un système de gestion 105

5.1 Indicateurs qualitatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.1 Signatures de stock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.2 Valeurs marginales de l’eau stockée (SWV) . . . . . . . . . . . . . . . . . 107
5.2 Critères quantitatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.2.1 Un indicateur de revenu économique . . . . . . . . . . . . . . . . . . . . . 110
5.2.2 Les volumes déversés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.2.3 Critères RRV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.3 Performance estimée avec les modèles AC, AIC et AIP . . . . . . . . . . . . . . . 114
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

6 Évaluation de la performance sous scénarios stochastiques 123

6.1 Génération de scénarios météorologiques à fine échelle . . . . . . . . . . . . . . . 123
6.2 Chaı̂ne de simulation RIWER2030 . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.3 Évaluation de l’impact hydrologique et Incertitudes . . . . . . . . . . . . . . . . . 127
6.4 Stabilisation de l’estimation de la performance des modèles . . . . . . . . . . . . 128
6.4.1 Réalisations MDES et indicateurs de performance avec AC . . . . . . . . 129
6.4.2 Réalisations MDES et indicateurs de performance avec AIC . . . . . . . . 137
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Partie IV
Performance et incertitudes

7 Performance estimée et incertitudes liées aux scénarios

météorologiques 157
7.1 Modification des variables d’intérêt de la gestion . . . . . . . . . . . . . . . . . . 160
7.1.1 Forçages météorologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.1.2 Modification du débit de dotation . . . . . . . . . . . . . . . . . . . . . . 168
7.1.3 Modification des consommations électriques . . . . . . . . . . . . . . . . . 171
7.1.4 Modification des apports au réservoir . . . . . . . . . . . . . . . . . . . . 174
7.1.5 Conclusion partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.2 Modification de la performance estimée et incertitudes . . . . . . . . . . . . . . . 178
7.2.1 Signatures de stock moyennes . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.2.2 Évaluation des critères de performance . . . . . . . . . . . . . . . . . . . . 181

xiii
TABLE DES MATIÈRES

7.3 Significativité des changements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

7.3.1 Performance estimée de 1860 à 1980 . . . . . . . . . . . . . . . . . . . . . 188
7.3.2 Performance estimée de 1980 à 2099 . . . . . . . . . . . . . . . . . . . . . 189
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191

8 Performance estimée et Incertitudes liées aux modèles de

gestion 195
8.1 Cadre de l’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
8.2 Estimation des modifications de performance avec AC, AIC et AIP . . . . . . . . 197
8.2.1 Signatures de stock moyennes et modèles de gestion . . . . . . . . . . . . 197
8.2.2 Critères de performance et modèles de gestion . . . . . . . . . . . . . . . 200
8.2.3 Conclusion partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
8.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
8.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212

9 Conclusion et perspectives 217

10 Références Bibliographiques 224

A Annexes 239
A.1 Article soumis à Water Resources Research . . . . . . . . . . . . . . . . . . . . . 239
A.2 Les aménagements de la Chaine de Production Hydraulique Durance-Verdon . . 261
A.3 Modélisation hydrologique : CEQUEAU . . . . . . . . . . . . . . . . . . . . . . . 262
A.4 Modélisation de la consommation électrique France . . . . . . . . . . . . . . . . . 263
A.4.1 Analyse des cycles de consommation électrique en France . . . . . . . . . 263
A.4.2 Consommations électriques France & températures . . . . . . . . . . . . . 265
A.4.3 Modélisation de la consommation électrique France journalière . . . . . . 267
A.4.4 Modélisation de la consommation électrique France infra-journalière . . . 268
A.5 Rendement de la CPH-DV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
A.5.1 Puissance électrique générée par une usine hydroélectrique . . . . . . . . . 271
A.5.2 Conceptualisation du rendement de la CPH-DV . . . . . . . . . . . . . . . 272
A.6 Débit de dotation & prélèvements . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
A.6.1 Variabilité inter-annuelle des prélèvements simulés et observés en aval de
Cadarache . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
A.6.2 Variabilité inter-annuelle du débit de dotation simulé et reconstitué à SP 273
A.7 Longueur de l’historique & stratégie de gestion AIC . . . . . . . . . . . . . . . . 273
A.8 Stabilisation de la stratégie AIC avec 100 réalisations MDES 30 années . . . . 275
A.9 Annexe chapitre 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
A.9.1 Fonction de distribution des critères de performance . . . . . . . . . . . . 277
A.9.2 Fiabilité moyenne & apports nets estivaux . . . . . . . . . . . . . . . . . . 279

xiv
xv
xvi
 Liste des symboles

Listes des variables

B : Besoin en eau des cultures en Basse Durance (mm.j
1 )
C : Consommation électrique France (kW h)
Cul : Type de culture en Basse Durance
ET0 : Evapotranspiration de référence (mm.j
1 )
Fti : Valeur de Bellman au pas de temps ti (Unité monétaire, U M )
F ia : Indicateur de fiabilité
g : Accélération de la gravité (9.81N.kg
1 )
GHEP : Indicateurs de revenus (U.M )
H : Hauteur de chute du barrage de SP (m)
H max : Hauteur de chute maximale à partir duquel le rendement de la production n’augmente
plus (m)
Hseuil : Hauteur de nappe seuil d’un stress hydrique en Basse Durance (mm)
Hsol : Hauteur de la nappe dans le réservoir sol en Basse Durance (mm)
I Intérêt à produire de l’énergie (U M {kwh
1 )
Kc : Coefficient cultural
Kcr : Coefficient cultural régional
P : Variable de précipitation (mm)
NR : Taille d’un panier MDDES (i.e. un ensemble de NR réalisations MDES.
P e : Puissance électrique (kW )
P relev : Demande en eau journalière en aval de la retenue de Cadarache (m3 /s)
P relevmin : Demande en eau journalière en aval de la retenue de Cadarache d’origine non agri-
cole (m3 /s)
P relevmax : Demande en eau journalière maximale en aval de Cadarache (m3 /s)
QBV I : Les apports des bassins intermédiaires entre SP et Cadarache. (m3 /s)
Qdotti : Le débit de dotation à la date ti (m3 /s)
Qnetti : Les apports nets entrant dans la retenue à la date ti (m3 /s)
R : Rendement des turbines (sans dimension)
ResH : La résilience définie par Hashimoto et al. [1982]
ResM : La résilience définie par Moy et al. [1986]
Re : Rayonnement extraterrestre (M J.m
2 .j
1 )
S : Stock de la retenue (m3 )
SA : Surface agricole en Basse Durance (ha)
SH : Stress hydrique des cultures en Basse Durance (sans dimension)

xvii
Liste des symboles

Sφmax : Niveau de remplissage à partir duquel le rendement φ n’augmente plus.

T
S Obj : Objectif de remplissage touristique (972.9Mm3 )
T : Variable de température ( C)
ti : Variable temporelle (jour)
VDot : Volume déversé (Mm3 )
V lim : Courbe guide de remplissage
V ulH : La vulnérabilité définie par Hashimoto et al. [1982]
V ulM : La vulnérabilité définie par Moy et al. [1986]
∆th : Durée d’un poste horaire : 8 heures (sec)
φ : Rendement de la CPH-DV
ρ : Masse volumique de l’eau (1030kg.m
3 )

Glossaire
AC : Avenir Certain
ACP : Analyse en Composante Principale
AEP : Approvisionnement en Eau Potable
AIC : Avenir Incertain Climatologique
AIP : Avenir Incertain Prévu
ANR : Apports Naturels Reconstitués
BV : Bassin Versant
BVI : Bassins Versants Intermédiaires
CED : Commission Exécutive de la Durance
CPH-DV : Chaı̂ne de Production Hydraulique Durance-Verdon
EDF : Électricité De France
GES : Gaz à Effet de Serre
GCM : Modèle de Circulation à Grande échelle
LTHE : Laboratoire d’étude des Transferts en Hydrologie et Environnement
MDE : Méthode de Descente d’Echelle
MDES : Méthode de Descente d’Echelle Statistique
Panier MDES : Ensemble de réalisations MDES
PH : Poste horaire
R&D : Recherche et Développement
RCM : Modèle Climatique Régional
RTE : Réseau de Transport d’Électricité

xviii
 Liste des symboles

SMADESEP : Syndicat Mixte d’Aménagement et de Développement de Serre-Ponçon

SMADV : Syndicat Mixte d’Aménagement de la Vallée de la Durance
SP : Serre-Ponçon
SC : Sainte-Croix
Signature de stock : Moyenne inter-annuelle journalière du stock d’une retenue.
Trajectoire de réserve : Évolution temporelle du stock d’une retenue.
Variables d’intérêt de la gestion : Les variables dont la connaissance est utile à la gestion
d’une retenue. Par exemple : débits des rivières, températures de l’air, précipitations, stock
d’eau sur le bassin versant, demande énergétique, demande en eau agricole, industrielle et
domestique ...
VB : Valeur de Bellman

xix
xx
 Partie I

Introduction

1/279
Chapitre 1

Introduction Générale

La gestion de la ressource en eau est un sujet très vaste qui englobe entre autres des pro-
blématiques de distribution dans le temps et dans l’espace des eaux de surfaces et des eaux
souterraines, de réutilisation des eaux usées, de considérations écologiques et de dimensionne-
ment d’ouvrages (Meire [2008]). Le rôle des montagnes est au cœur de cette problématique de
ressource en eau. Elles doivent d’ailleurs leur nom de ”châteaux d’eau du monde” au fait qu’elles
sont un élément clé du régime hydrologique de toutes les grandes rivières du globe dont elles
sont la source (Hingray et al. [2009a]). Elles abritent de grandes quantités d’eau sous forme de
neige ou de glace, et contribuent par nature à redistribuer les précipitations hivernales dans les
cours d’eau durant le printemps et l’été tout en réduisant la variabilité des débits de rivières
dans les régions juste en aval (Viviroli et Weingartner [2004]). De nombreuses populations dé-
pendent directement de ces ressources en eau, à la fois pour l’agriculture, l’industrie ou encore
leurs usages quotidiens (Hingray et al. [2009a]).
Le changement climatique se traduira à terme par une augmentation des températures et par une
modification du régime des précipitations. Les régimes des rivières de montagnes, très sensibles
à la relation entre les précipitations et les températures, sont ainsi amenés à être profondé-
ment modifiés, obligeant par suite les systèmes de gestion de l’eau à s’adapter à ces nouvelles
conditions.

3/279
Chapitre 1. Introduction Générale

1.1. Gestion des eaux de surfaces :

problématique d’hier et d’aujourd’hui
Les usagers de la ressource en eau ne se trouvent pas toujours à proximité de lacs et de
rivières et ne peuvent donc pas disposer d’eau lorsque le besoin s’en fait ressentir. Il est dans ce
cas nécessaire d’apporter cette ressource en eau jusqu’au lieu de consommation pour satisfaire
les besoins des différents usagers. Cela nécessite d’importants réseaux de distribution, composés
d’ouvrages tels que des dérivations et des prises d’eau. Pour protéger ces constructions des aléas
naturels comme les crues ou des d’assèchements prolongés par exemple, des ouvrages de régula-
tion leur sont souvent associés (Figure 1.1).

(a) (b)

Figure 1.1 – (a) Seuil de régulation passif, rivière Arros (France, Hautes-Pyrénées). Photogra-
phie : ”Camélia”, 2007 (b) Seuil à niveau variable sur la Meuse (France) Source :
Wikipedia, Photographie : ”Karel Roose”, 2004

En terme de volume, la ressource disponible à une certaine date n’est a priori pas toujours
suffisante pour satisfaire la demande. En conséquence de quoi, des réseaux de réservoirs sont in-
dispensables afin de pouvoir stocker l’eau en surplus à une date donnée, et la redistribuer lorsque
le besoin s’en fait ressentir. Le terme réservoir regroupe l’ensemble des ouvrages permettant de
stocker de l’eau. Parmi les réservoirs les plus communs, nous retrouvons les barrages (égale-
ment considérés comme des ouvrages de régulation) mais aussi des aménagements de taille plus
modeste comme les seuils réglables (Figure 1.1b) et les nombreuses bâches agricoles par exemple.

Ces réseaux d’ouvrages sont dirigés / optimisés à partir d’un ensemble de règles de gestion
permettant de prendre des décisions d’allocations quotidiennes. Les grands barrages, générale-
ment disposés en amont, sont les ouvrages clés de ces aménagements hydrauliques du fait de
leur capacité de stockage importante. Le travail de thèse est focalisé sur ce type particulier de
construction.

4/279
 1.1. Gestion des eaux de surfaces : problématique d’hier et d’aujourd’hui

Les premiers barrages sont apparus très tôt dans l’histoire de la civilisation. Les plus vieux
vestiges de barrages en remblais jamais découverts datent du cinquième millénaire avant J.C et
sont situés au moyen-orient (Schnitter [1988]). Ces constructions étaient alors peu nombreuses,
et peu résistantes aux évènements extrêmes comme le prouve la destruction du barrage à l’est
d’Hélouan en Egypte au troisième millénaire avant J.C (source : http://weekly.ahram.org.eg/
2004/708/he1.htm). Ces premiers ouvrages avaient comme objectifs d’approvisionner les villes
en eau potable et d’irriguer les terres cultivées (Cardoso et al. [1994]). L’homme a rapidement
compris qu’il pouvait utiliser l’eau stockée dans les barrages pour d’autres usages. Pour preuve,
les différents vestiges de barrages construits durant l’époque Romaine supposent d’une utilisa-
tion des eaux stockées liée aux activités minières (Cardoso et al. [1994]). Relater un historique
complet des différents ouvrages et usages de l’eau dans le monde n’est bien entendu pas l’objectif
de cette introduction. Néanmoins la connaissance de ces premières constructions montre que la
gestion de la ressource en eau, qui est aujourd’hui un enjeu majeur de nos sociétés, l’était déjà
à une époque beaucoup plus ancienne.

Aujourd’hui et à l’échelle du globe, la principale utilisation de la ressource en eau est l’ap-

provisionnement en eau potable (AEP) des populations et l’irrigation des terres agricoles. Dans
le monde, plus de la moitié de l’eau potable consommée est extraite des rivières ou des rete-
nues construites le long de leurs berges (Barnett et al. [2005]). Les objectifs des aménagements
hydrauliques ne sont toutefois plus limités à ces deux usages, bien que toujours prépondérants
dans le monde.

Après avoir été utilisée pour actionner des moulins à eaux pour moudre de la farine ou couper
du bois, l’eau des rivières a commencé à être utilisée à des fins énergétiques à partir de la fin
de 19ème siècle. En région de montagne, la production d’hydroélectricité durant le printemps
et l’été est possible grâce à l’apport d’eau en rivière dû à la fonte des neige et des glaces en
amont. La glace est d’ailleurs nommée de houille blanche par Aristide Bergès a , en opposition
au charbon (houille noire). A partir de ce moment, de nombreuses usines dites au fil de l’eau
ont été construites sur les rivières (Figure 1.2a). Elles permettent d’utiliser l’eau des rivières
pour actionner des turbines et ainsi produire de l’électricité. Les usines au fil de l’eau peuvent
aussi être associées à un seuil, actif ou non, afin de gagner en hauteur de chute et augmenter
par suite l’énergie cinétique de l’eau arrivant dans les turbines. La construction de barrages en
région de montagne (Figure 1.2b) a ainsi permis de bénéficier d’importantes hauteurs de chute,
permettant d’améliorer de manière conséquente, le rendement de production de chaque mètre
cube d’eau turbiné.

Aujourd’hui, l’hydroélectricité représente environ 16 % de la production mondiale d’électri-

cité (Iacona et al. [2012]). La part d’hydroélectricité est cependant très variable selon la région
du monde. L’électricité produite par des pays comme la Norvège ou le Brésil par exemple, est
presque exclusivement d’origine hydraulique (respectivement 99 et 84 % des productions natio-

a. L’ingénieur hydraulicien et papetier Aristide Bergès, est un des premiers à avoir utilisé la force de
l’eau pour produire de l’électricité via une turbine. L’appellation de houille blanche a été rendue célèbre
lors de l’exposition universelle à Paris en 1889.

5/279
Chapitre 1. Introduction Générale

Garage amont Barrage et retenue d'eau

Canal d'amenée Conduites forcées
Poste d'écluse

Salle des machines

Garage aval

Salle de commande Salle des machines

Salle de commande

Canal de fuite

Transformeur et lignes
Transformeur et lignes
Canal de fuite

(a) (b)

Figure 1.2 – Haut (a) Usine hydroélectrique au fil de l’eau près de Eglisau, Canton de Zurich,
Suisse. Source : SwissInfo (b) Lac - Barrage du Monteynard d’une hauteur de 135
mètres. Source : Médiatèque EDF, Franck Oddoux. Bas : Schéma d’une usine au
fil de l’eau (a) et d’un barrage-usine (b) (Adapté de EDF [2011])

nales). Ainsi, les ouvrages de production d’hydroélectricité Norvégiens ou Brésiliens, se doivent

de réaliser une production en continu afin de satisfaire la quasi-totalité de la demande énergétique
nationale. En France, le parc de production est différent. La majorité de l’électricité est d’origine
nucléaire, elle a par exemple représenté environ 74 % de la production nationale en 2010 (RTE
[2011]). La faible part d’électricité d’origine hydraulique (i.e. 12.4 % de la production nationale
en 2010 (RTE [2011])) joue cependant un rôle de premier ordre. En effet, si les usines au fil
de l’eau sont utilisées pour répondre aux besoins quotidiens en électricité, les barrages-usines,
du fait du stockage de l’eau, permettent de répondre rapidement aux pics de consommations
électriques (EDF [2011]). A l’heure actuelle, stocker de l’eau dans des retenues est toujours le
seul moyen de stocker de l’énergie. Cela permet si besoin, de mobiliser instantanément de la
ressource en eau pour produire de l’énergie ce qui est un avantage majeur.
Quel que soit le mode de fonctionnement des ouvrages hydrauliques (i.e. production en continu
ou en soutien d’autres moyens de production), ils se doivent de répondre à une demande en
électricité qui présente généralement un cycle saisonnier très marqué. Dans des pays comme la
France ou les pays du nord de l’Europe, les consommations électriques sont par exemple plus éle-
vées durant les périodes hivernales du fait de journées plus courtes (augmentation de l’éclairage

6/279
 1.1. Gestion des eaux de surfaces : problématique d’hier et d’aujourd’hui

publique et privé) et de basses températures (chauffage des bâtiments). Au contraire dans des
régions telle que la Californie aux États-Unis par exemple, les consommations électriques sont
nettement plus importantes durant l’été du fait des fortes températures et de l’utilisation accrue
d’appareils de climatisation à cette saison (Vicuña et al. [2008]). Les volumes écoulés en rivière
sont aussi, généralement très saisonniers du fait soit d’un cycle annuel de stockage-déstockage de
neige et glace sur les bassins versants (e.g. en région de montagne et dans les pays Nordiques),
soit d’une forte saisonnalité des précipitations (e.g. en Afrique de l’ouest et en Inde). Le stockage
durant les périodes où l’eau est en surplus vis-à-vis de la demande énergétique, permet de la
restituer durant les périodes à forte demande en énergie.
La production d’hydroélectricité n’est pas la seule utilisation de l’eau continentale pour le secteur
énergétique mondial a . En effet, l’eau participe à la majorité des moyens de production d’élec-
tricité en refroidissant par exemple les centrales thermiques et nucléaires le long des rivières
(Rio Carrillo et Frei [2009]).

Depuis le milieu du 20ème , les usages de l’eau se sont encore multipliés et diversifiés. L’eau
des rivières est aujourd’hui utilisée par de nombreux secteurs d’activités pouvant être consom-
mateurs d’eau ou non. Les activités récréatives sur les berges des lacs ou sur les rives des rivières
ont par exemple vu le jour durant le siècle dernier, et se sont par pérennisées dans certains pays,
grâce à des avancées sociales telles que les congés payés. La protection de l’environnement et
des patrimoines est aujourd’hui devenue un enjeu d’importance. Il en a résulté la mise en place
de débits environnementaux (e.g. en France, la loi Pêche en 1984 impose aux gestionnaires des
ouvrages hydrauliques un débit minimal en sortie des aménagements b ). En France, ces débits
minimaux sont actuellement en train d’être revus à la hausse. Ces augmentations seront a priori
effectives d’ici 2014 (Loi sur l’eau et les milieux aquatiques c , 30 décembre 2006). Des zones
protégées dans lesquelles la protection de la faune et de la flore est de première importance ont
également été mises en place (e.g. en Europe la zone Natura 2000 d ). Les nouveaux enjeux et
objectifs des systèmes de gestion (dont les quelques exemples présentés ne constituent en rien
une liste exhaustive) sont désormais intégrés dans les processus de gestion de ces aménagements
hydrauliques.

En conséquence, les gestionnaires de systèmes de ressource en eau sont souvent mis au défi de
satisfaire différents usages pouvant être en conflits (Oliveira et Loucks [1997]; Labadie [2004]). La
gestion de ces systèmes consiste à stocker puis relâcher de l’eau à différentes périodes de l’année,
de façon à satisfaire au mieux les usages considérés (Roche et al. [2012]). Le choix quotidien du
a. Nous précisions ici le terme ”eau continentale” en opposition à l’exploitation des courants marins
pour produire de l’électricité. Ce type de production n’est pas discuté dans ce document de thèse, bien
que lié à l’eau
b. L’obligation de délivrer un débit minimal au pied des ouvrages hydrauliques en France date de
1919. Cependant la loi Pêche fixe la valeur de ce débit : 1{10e du module pour tout nouvel aménagement,
1{20e pour les cours d’eau dont le module est supérieur à 80m3 .s
1 et 1{40e pour les aménagements déjà
existants
c. Le débit minimal au pied des ouvrages hydrauliques, sauf exception, sera égal au 1{10e du module
à partir de 2014
d. Le réseau Natura 2000 est un ensemble de sites naturels européens identifiés pour la rareté ou la
fragilité des espèces animales ou végétales y résidant. Ce réseau a été mis en place afin de concilier la
préservation de ces sites et les préoccupations socio-économiques.

7/279
Chapitre 1. Introduction Générale

volume d’eau à stocker ou à relâcher réalisé par le gestionnaire d’un système de ressource dépend
de trois principales composantes :

ˆ Du système physique, composé des différents cours d’eau et des aménagements construits
(e.g. barrages, ouvrages de dérivations, de régulations) et des contraintes physiques de
ces aménagements (e.g. capacité minimale et maximale des réservoirs, des capacités de
production, des hauteurs de chute des ouvrages, des distances entre ouvrages).

ˆ Des usages souhaités de la ressource en eau, i.e. des objectifs de la gestion du système
physique.

ˆ De la stratégie de gestion adoptée pour satisfaire au mieux les usages souhaités et objectifs
pour lesquels les aménagements du système physique ont été conçus.

L’ensemble de ces composantes constitue ce que nous considérons être un Système de gestion
(Figure 1.3).

Système physique Usages & Objectifs Règles de gestion

- Aménagements (collecteurs, - AEP
dérivations, prises d’eau …) - Irrigation
- Contraintes ( capacité stockage, - Hydroélectricité
capacité des turbines, hauteur de - Tourisme Règle de Stratégie de
chutes …) - Ecrêtement des crues répartition entre distribution
- Entrées / sorties non contrôlables - Refroidissement des centrales usages temporelle
(apports, évaporation, …) - Soutien d’étiage …

SYSTEME DE GESTION

Allocations / Décisions quotidiennes

Figure 1.3 – Les trois principales composantes régissant les décisions quotidiennes du gestion-
naire d’un système de gestion : un système physique, des usages et des objectifs à
remplir / satisfaire, des règles de gestion.

Une règle de gestion se définit par une répartition entre usages et une distribution temporelle
de la ressource en eau. Elle est souvent nécessaire afin de pouvoir espérer atteindre un ou plusieurs
objectifs sur une période donnée. Elle se décompose donc en i) une règle de répartition entre
usages et ii) une stratégie de distribution temporelle. Dans une configuration où les usages sont
nombreux et variables dans le temps, les interactions entre la répartition entre usages et la
répartition temporelle, peuvent être très fortes.

Règle de répartition entre usages : Le quatrième principe de la gestion de la ressource en

eau a , établi lors de la Conférence Internationale sur l’eau et l’environnement à Dublin
a. 1er principe : Les ressources en eau sont finies et doivent être gérées selon des limites géographiques
cohérentes (bassins hydrographiques ou aquifères). 2ème principe : La participation de tous les usagers
est nécessaire à la gestion des ressources en eau dans un territoire donné. 3ème principe : Le rôle des
femmes dans l’alimentation en eau, la gestion et la conservation des ressources en eau doit être reconnu
et renforcé.

8/279
 1.1. Gestion des eaux de surfaces : problématique d’hier et d’aujourd’hui

en 1992 (Rogers et al. [1998]), incite à considérer l’eau comme un bien économique du
fait de ces multiples-usages concurrentiels. Différentes classes de valeurs de l’eau peuvent
être définies (e.g. valeurs sociales, économiques, environnementales) et utilisées dans un
processus de décisions (CIWEM [2010]). D’après Rogers et al. [1998], cela permettrait
d’atteindre une performance globale du système, considérant à la fois les aspects sociaux,
économiques et environnementaux de l’eau. Desvouges et Kerry Smith [1983] définissent
en ce sens différentes valeurs de l’eau pouvant directement ou indirectement être associées
à ces différents aspects et usages de l’eau comme la navigation et les activités récréatives
sur les lacs et les cours d’eau, la production d’hydroélectricité ou encore l’irrigation (Figure
1.4).

Figure 1.4 – Types de valeurs associées à l’eau. Par exemple la valeur Récréation peut être
associée aux activités récréatives sur les berges des lacs et rivières, la valeur Hy-
droenergie à la production d’hydroélectricité (Desvouges et Kerry Smith [1983]).

Cependant, comme le rappellent à juste titre Loucks [1997] ou encore Ward et al. [1996],
il est souvent difficile de chiffrer une valeur économique pour certains usages ou objectifs
d’une retenue, comme par exemple le maintien dans le temps d’une eau de qualité pour
les activités récréatives, la réhabilitation ou la préservation des écosystèmes en aval. En
conséquence, la règle de répartition entre usages, même réduite à l’échelle d’un unique
réservoir, est parfois difficile à définir équitablement (il n’est d’ailleurs pas facile de définir
ce qu’est une gestion équitable). En pratique, les règles de répartition entre usages de nom-
breux réservoirs, ont été élaborées empiriquement au fil des années sur des considérations
politiques et économiques (Westaway [2000]) pour réaliser un arbitrage entre usages et en
intégrer de nouveaux.

9/279
Chapitre 1. Introduction Générale

Stratégie de distribution temporelle : Le questionnement classique d’un gestionnaire d’un

ouvrage pourrait s’exprimer par l’interrogation suivante : ”Ai-je intérêt à utiliser mon stock
aujourd’hui ou à le réserver pour une utilisation ultérieure ?” (Dupeyrat et al. [2008]).
Pour y répondre, une stratégie de distribution temporelle est nécessaire. Elle est fonction
de la capacité de stockage du réservoir considéré, et construite à partir d’un historique
d’apports et de demandes (Moy et al. [1986]). Elle suppose une certaine prévisibilité des
apports et/ou des usages à venir en terme de volume respectif et de saisonnalité. Si ces
prévisibilités sont importantes, la stratégie de répartition temporelle peut être fortement
structurée dans le temps. Pour illustration, la stratégie de distribution temporelle d’une
retenue Alpine, implique par exemple un remplissage quasi-complet des réserves à la fin
de l’automne, i.e. juste avant la période à laquelle les consommations électriques (et donc
la demande) sont les plus élevées.

La règle de gestion d’un système peut par exemple se traduire par l’utilisation de courbes
guides. Ces courbes guides peuvent prendre des formes différentes selon les problèmes de gestion
considérés. Comme illustré pour le lac Bienne en Suisse sur la Figure 1.5a, les courbes guides
indiquent le volume à lâcher en aval en fonction du niveau de remplissage de la retenue. Une
autre forme de courbes guides est par exemple proposé sur la Figure 1.5b pour le réservoir Dharoi
en Inde. Les courbes guides sont alors considérées comme des contraintes infranchissables sous
certaines conditions (avec ou sans marge d’ajustement possible) ou au contraire franchissables
en acceptant un taux de défaillance fixé (Seidou et al. [2003]). Par exemple pour le réservoir
Dharoi Figure 1.5b, la courbe guide haute ne peut pas être dépassée sans augmenter le risque de
débordement du réservoir. La fourniture en eau des agriculteurs en aval est diminuée (respecti-
vement stoppée) si le niveau de remplissage du réservoir diminue en dessous de la courbe guide
du milieu (respectivement de la courbe guide basse). Une stratégie de gestion peut ne pas être
rigide dans le temps comme cela est le cas des stratégies proposées Figure 1.5. Dès lors qu’un
système de prévision est associé à un système, la stratégie de gestion peut en effet s’adapter au
fil du temps, en fonction de prévisions récentes.

(a) (b)

Figure 1.5 – (a) Courbes guides du lac Bienne (Suisse) La valeur du débit à relâcher dépend
de la période de l’année et du niveau du lac. Adapté de Hingray et al. [2009b] (b)
Courbe guide du réservoir Dharoi (Inde). Adapté de Jain et al. [1998]

10/279
 1.1. Gestion des eaux de surfaces : problématique d’hier et d’aujourd’hui

La performance d’un système de gestion de ressource en eau décrit sa capacité à répondre aux
différents objectifs considérés. Elle est souvent estimée par la valeur moyenne (et éventuellement
la variance) obtenue pour diverses variables de sortie du système de gestion tels que les bénéfices
réalisés lors d’une production hydro-électrique ou d’activités récréatives sur le lac ou encore la
concentration en polluants en sortie d’ouvrage (Hashimoto et al. [1982]). Durant la dernière
partie du 20ème siècle de nouveaux indicateurs de performance ont été développés, entre autres
par Hashimoto et al. [1982] et Moy et al. [1986]. Une revue des différents indices de performance
a été réalisée par McMahon et al. [2006]. Ces indicateurs, dont aucun n’est réellement idéal
(Kjeldsen et Rosbjerg [2004]), fournissent une mesure de la performance des systèmes de
gestion a . La valeur des indicateurs de performance dépend de deux facteurs (Figure 1.6a) :

1. De l’adéquation naturelle entre la ressource et les usages de l’eau en terme de volume

moyen et de temporalité : La satisfaction des usages est plus difficile à garantir si leur
adéquation avec la ressource est mauvaise.

2. De la règle de gestion choisie : i) Si une règle de répartition définit une usage X prioritaire
devant un usage Y (noté X>Y), les performances mesurées, pour la satisfaction de X et de
Y respectivement, seraient a priori différentes de celles qui auraient pu être obtenues si Y
avait été prioritaire devant X (X<Y). ii) Une stratégie de distribution temporelle basée sur
une prévision de la ressource et/ou des usages à satisfaire sera a priori plus performante
qu’une stratégie ”aveugle”.

Adéquation Adéquation Mesure de la

Ressource // Usages Ressource // Usages performance du
Mesure de la système modélisé
performance réelle du =
système de gestion Estimation de la
Système de gestion Système modélisé performance mesurée
du système de gestion

(a) (b)

Figure 1.6 – (a) Schéma de principe de la mesure de la performance d’un système de gestion
(b) Schéma de principe de l’estimation de la performance d’un système modélisé
via un modèle gestion

L’utilisation des indicateurs de performance a par exemple permis de réaliser des études
prospectives, et d’estimer la performance de systèmes encore à l’étape de projet (Tilmant et
Kelman [2007]; Jeuland [2010]), ou de comparer différentes stratégies de gestion (Ajami et al.
[2008]; Wolfgang et al. [2009]). Ce type d’étude nécessite a fortiori un modèle mathématique
(i.e. un modèle de gestion) permettant de simuler la gestion de ces ouvrages pour ces nouvelles
conditions comme, l’évolution du système physique (construction de nouveaux aménagements,
augmentation de la taille d’une retenue existante), la suppression ou l’ajout d’objectifs pour le
a. Tout n’étant pas mesurable (e.g. le confort offert par la rivière au compartiment piscicole (repro-
duction, circulation)), cette mesure de la performance ne peut être qu’une estimation de la performance
réelle du système de gestion qui ne peut pas, a priori être calculée.

11/279
Chapitre 1. Introduction Générale

système ou encore la modification d’une contrainte environnementale. Dès lors qu’un système
réel de gestion est conceptualisé sous la forme d’un programme mathématique, nous parlerons
donc de système modélisé plutôt que de système de gestion. Un système modélisé se compose
généralement d’une modélisation du système physique, de scénarios de prévisions d’apports,
d’usages, de règles de répartition entre usages et d’une stratégie de distribution temporelle qui
peut par exemple être obtenue à partir d’un algorithme d’optimisation (Figure 1.7).

Il existe de nombreuses méthodes pour simuler la gestion d’un système modélisé. Parmi
ces méthodes, nous retrouvons des méthodes d’optimisation comme la programmation linéaire
(Vicuña et al. [2008]; Madani et Lund [2010]; Vicuña et al. [2011]), la programmation dynamique
(Faber et Stedinger [2001]; Tilmant et Kelman [2007]; Minville et al. [2009]; Vicuña et al. [2010];
Goor et al. [2010]), les réseaux de neurones (Oliveira et Loucks [1997]; Simonovic et Akter
[2004]; Eum et Simonovic [2010]) ou encore des méthodes heuristiques (Yao et Georgakakos
[2001]; Hingray et al. [2007b]; Schaefli et al. [2007]; Turgeon [2007]; Veijalainen et al. [2010]).
Yakowitz [1982], Yeh [1985] ou encore Wurbs [1993] ont réalisé des revues de ces différentes
méthodes. Un algorithme d’optimisation permet de calculer à chaque instant la quantité d’eau à
stocker ou à déstocker afin de maximiser une fonction objectif choisie (ou fonction de satisfaction,
ou fonction d’utilité). La fonction objectif doit intégrer le mieux possible (ou le moins mal
possible tant cet exercice est difficile) une estimation de la satisfaction des différents usagers de la
ressource en eau. Les modèles de gestion ne sont qu’une représentation imparfaite des systèmes
réels de gestion. Utilisées dans un contexte opérationnel, les décisions pseudo-optimales (car
solutions d’un problème a fortiori simplifié du cas réel) obtenues avec les modèles de gestion
constituent malgré tout une aide précieuse à la décision pour le gestionnaire du système de
gestion réel (Figure 1.7).

Système physique Usages & Objectifs Règles de gestion

modélisé modélisés
Conceptualisation / représentation Prévision / Modélisation des Algorithme d’optimisation de la gestion
simplifiée du système physique réel apports et usages du système - Programmation Linéaire
physique - Programmation Dynamique
- Heuristiques
- …

Simulation de la gestion: décisions SYSTEME MODELISE

optimales pour le système modélisé (Modèle de gestion)

Figure 1.7 – Schéma de principe d’un modèle de gestion. Il est composé d’une représentation
simplifiée du système physique réel du système de gestion, d’une représentation
simplifiée des usages de la ressource et d’un algorithme d’optimisation

Par abus de langage, nous parlerons de décision optimale pour décrire les décisions résultant
de l’optimisation de la gestion d’un système modélisé. Ces décisions optimales ne constituent
évidemment pas les décisions optimales pour le système de gestion réel.

12/279
 1.2. Ressource en eau et usages futurs

Les indicateurs de performance peuvent également être appliqués aux sorties du système modélisé
(Figure 1.6b). La performance mesurée du système modélisé est alors une estimation
de la performance réelle du système de gestion, qui ne peut être mesurée qu’a posteriori.
La performance du système modélisé est d’autant plus proche de la performance réelle que le
système modélisé est une bonne représentation du système réel de gestion.

1.2. Ressource en eau et usages futurs

Les modifications durant le siècle à venir de la ressource en eau et de ses usages vont ve-
nir exacerber le défi des gestionnaires des systèmes de gestion actuels (Viviroli et al. [2011]).
Les règles de gestion opérationnelles des systèmes de gestion actuels, pourraient a priori être
inadaptées pour ce nouveau contexte climato-socio-économique, car non conçues pour celui-ci.
Une question de plus en plus au goût du jour concerne la durabilité de ces systèmes de gestion :
sont-ils viables dans l’avenir ? La performance de ces systèmes est-elle amenée à être modifiée ?
Idéalement, nous souhaiterions que ces systèmes puissent s’adapter le mieux aux conditions fu-
tures.

Le premier pas vers l’adaptation des règles de gestion des systèmes est d’évaluer au mieux,
à la fois les modifications de la ressource en eau et des usages, qui comme le rappellent Roche
et al. [2012], sont indissociables. En effet, la ressource en eau ne peut être abondante ou rare,
qu’au regard des usages que l’on souhaite en faire.

La présente section fait un état des lieux, nécessairement non exhaustif, des modifications
probables pour le siècle à venir quant à la disponibilité de la ressource et des usages associés
ainsi que des conséquences possibles de ces changements sur les systèmes de gestion.

1.2.1. Modification de la ressource en eau

L’étude de l’impact hydrologique du changement climatique est un domaine de recherche très
large, dans lequel de nombreuses incertitudes subsistent, à la fois en terme de moyenne et de
variabilité (Xu [1999]).

Il est aujourd’hui accepté par l’ensemble de la communauté scientifique que le changement

climatique actuel est lié à la modification du forçage radiatif terrestre (IPCC [2007a]). Les
augmentations des températures et les modifications des régimes des précipitations, résultantes
du changement de climat, modifieront à terme le cycle hydrologique aussi bien en terme de
moyenne annuelle qu’en terme de saisonnalité ou de variabilité. Les résultats présentés dans le
rapport technique du GIEC a sur le changement climatique et la ressource en eau (Bates et al.
[2008]) illustrent avec plus ou moins de confiance selon les régions du globe, une augmentation

a. Groupe d’experts Intergouvernemental sur l’Évolution du Climat. En anglais IPCC, International

Panel on Climate Change

13/279
Chapitre 1. Introduction Générale

ou une diminution de la ressource en eau (Figure 1.8). De manière générale, les régions les plus
sèches (e.g. le pourtour de la Méditerranée, l’ouest des États-Unis, de l’Australie et le sud de
l’Afrique) devraient d’autant plus s’assécher et inversement (e.g. les régions Nordiques, l’Inde et
l’Afrique orientale du fait des régimes de moussons, devraient être plus humides qu’aujourd’hui).

Figure 1.8 – Modification du module des débits de rivières à grande échelle (en pourcentage)
pour la période 2090-2099 comparée à 1980-1999. Les valeurs présentées sont les
médianes de 12 modèles climatiques (Scénario SRES A1B). Les zones pour les-
quelles moins 66 % des modèles ne présentent pas le même signe de modifications
sont coloriées en blanc. Les zones hachurées sont celles pour lesquelles le signe de
la modification concorde dans plus de 90% des cas. Adapté de IPCC [2007b]

Les nombreuses études d’impact du changement climatique en milieu alpin présentent toutes
des résultats similaires sur les modifications à attendre des comportements hydrologiques des
bassins versants, particulièrement en zone de montagne (e.g. Middelkoop et al. [2001]; Nohara
et al. [2006]; Horton et al. [2006]; Schneider et al. [2012]; Lafaysse et al. [2013]). Les études des
modifications de disponibilité de la ressource en eau attendues dans ces régions ont fait l’objet
d’une revue proposée par Barnett et al. [2005]. Dans ces régions, les débits hivernaux futurs
pourraient être plus élevés qu’aujourd’hui du fait de la hausse des températures qui entrainerait
une diminution du taux de précipitations sous forme solide à cette période. L’accumulation hi-
vernale de neige et de glace devrait donc être moins importante sur ces bassins versants ce qui
réduirait l’intensité des crues printanières lors de la période de fonte.
Par ailleurs, la modification du climat pourrait également modifier la saisonnalité des débits
de rivières. Schneider et al. [2012] montrent par exemple que l’augmentation des températures
engendrerait une fonte précoce des manteaux neigeux puis de la glace sur certains bassins en
Europe et que par suite, les ondes de fonte de certains fleuves Alpins et Nordiques pourraient
être avancées de plus de 30 jours (Ces rivières sont illustrées en couleur violette sur la Figure
1.9). De telles modifications de saisonnalité pourraient également être observées pour des régimes

14/279
 1.2. Ressource en eau et usages futurs

hydrologiques de type pluvial, considérant une probable modification de la saisonnalité des pré-
cipitations a bien que la diminution des précipitations dans ces régions, en terme de moyenne
annuelle, devrait être la première cause des modifications de débits de rivières (Lettenmaier et al.
[1999]).
De manière générale, le régime hydrologique des bassins versants alpins (régime nival) serait plus
sensible au changement de températures que celui des bassins versants en aval (régime pluvial)
qui serait davantage soumis à la modification du régime des précipitations.

Figure 1.9 – Modification de la saisonnalité des débits de rivières à l’horizon 2041-2070 (Scé-
nario SRES A2) Adapté de Schneider et al. [2012]

Comme le suggère par exemple Knox [2000] via une étude paléohydrologique, une faible modi-
fication des forçages climatiques pourrait impliquer une modification importante de la variabilité
des évènements hydrologiques extrêmes. Ainsi, le changement de climat pourrait également se
traduire par une augmentation en fréquence des évènements de crue ou d’étiage sévères. Les
épisodes de sècheresse résulteraient de l’accroissement de la demande évaporative due à l’aug-
mentation des températures ainsi qu’à une diminution des précipitations durant l’été comme
le montrent Douville et al. [2002] pour l’Europe du sud et centrale. Au contraire, Christensen
et Christensen [2003] montrent que la fréquence et l’intensité des crues pourraient augmenter
dans ces régions malgré une tendance à la diminution des précipitations. Une conséquence pro-
bable de cette augmentation en fréquence des crues serait à terme, d’accélérer la sédimentation
des réservoirs b dégradant la qualité des eaux et limitant au fil des années leurs capacités de
stockage (Greimann et al. [2012]). Le changement de variabilité des débits de rivières affecte-
rait donc à la fois la sûreté des populations (crues et étiages sévères) et la durabilité des ouvrages.

a. e.g. Beyene et al. [2010] montrent une modification de la saisonnalité des débits du Nil bleu du fait
de la modification de la saisonnalité des précipitations.
b. Phénomène de dépôt de sédiments au fond des lacs-réservoirs

15/279
Chapitre 1. Introduction Générale

Un autre impact du changement climatique sur la ressource en eau pourrait être la dégrada-
tion de sa qualité. Whitehead et al. [2009] ont réalisé une revue des modifications probables des
eaux de surface continentales. Par exemple, la diminution des écoulements en rivière entrainerait
une dilution moins importante des substances polluantes et donc à un abaissement de la qualité
des eaux. Cet effet, associé à l’augmentation des températures des eaux des rivières a , affectant la
cinétique des réactions chimiques, conduirait à une dégradation importante des hydrosystèmes.
Une deuxième exemple de l’impact de l’augmentation des températures de l’eau (ici en hiver),
serait la diminution des échanges en nutriments des eaux de surfaces et des eaux profondes dans
les grands lacs (Straile et al. [2003]), ce qui pourrait engendrer une stratification des eaux et par
suite la dégradation de ces milieux aquatiques.

Les combinaisons de ces modifications devraient a priori modifier les clés de répartitions tem-
porelle et entre usages des systèmes de gestion, cela même en ne considérant aucune modification
des usages de l’eau par rapport à aujourd’hui, que ce soit en terme de volume de demande, de
saisonnalité et de variabilité. Cette hypothèse n’est bien entendu pas réaliste du tout, les usages
de l’eau s’adapteront a minima à la modification de la ressource, et donc du climat.

Les possibles modifications des usages de la ressource en eau, ainsi que les évolutions probables
du secteur énergétique impactant sensiblement les systèmes de gestion, sont discutées section
1.2.2.

1.2.2. Modification des usages de l’eau

C’est une certitude, les usages de l’eau vont être amenés à évoluer à moyen et long terme. La
question du devenir de ces usages fait intervenir entre autres des considérations économiques,
politiques, sociales et environnementales. En conséquence de quoi, l’évaluation même grossière
des modifications possibles des usages de l’eau, s’avère être un exercice beaucoup plus difficile
que d’évaluer l’évolution possible de la ressource elle même. Les usages seront, à la fois modifiés
par le changement climatique mais également et surtout par les modifications des sociétés dans
lesquelles nous vivons. Le terme de Changement Global regroupe ces deux effets. Cette section a
comme objectif de présenter quelques exemples de modifications d’usages de l’eau pouvant être
suspectées. Cette liste est bien entendu non exhaustive.

En montagne, le secteur touristique et indirectement ses liens avec la ressource en eau, est
amené à évoluer. Pour preuve la revue écrite par Beniston [2003] qui, sans oublier le secteur tou-
ristique, parcourt une large gamme des impacts probables du changement de climat en région de
montagne. Perry et Smith [1996] expliquent par exemple que l’augmentation des températures
pourrait permettre d’augmenter la durée de la période propice aux activités de plein air l’été, ce
qui pourrait engendrer une plus grande diversité de ces dernières. Rixen et al. [2011] montrent
que le nombre de jours skiables en Suisse devrait être amené à diminuer du fait d’un enneigement

a. Il a été montré que l’augmentation des températures des eaux des rivières pouvait être reliée à
l’augmentation des températures de l’air et la diminution des débits. Par exemple, Moatar et Gailhard
[2006] font état de ces résultats sur la Loire (France)

16/279
 1.2. Ressource en eau et usages futurs

réduit dû à la hausse des températures de l’air. L’utilisation de neige de culture, une alternative
potentiellement viable économiquement pour certaines stations, pourrait modifier considérable-
ment les bilans en eau des têtes de bassin. En France, malgré le fait que les besoins importants
en eau pour la production de neige de culture (de l’ordre de 3000m3 d’eau par hectare de piste
selon Denarie [2005]) soient localisés au plus mauvais moment de l’année a , cette alternative a
commencé à se développer durant les dernières années et pourrait se généraliser davantage (Mar-
nezy [2008]).

A une échelle plus globale, la FAO b explique dans un récent rapport sur la sécurité alimen-
taire (Turral et al. [2011]), que les diminutions de débits de rivières et des niveaux des nappes
phréatiques attendues dans des régions telles que le bassin Méditerranéen et les zones semi-arides
d’Amérique, d’Australie et d’Afrique du sud, affecteront davantage la disponibilité de l’eau dans
ces régions. Dans ce même rapport, la FAO prévient également des risques encourus par les
populations vivant dans les grands deltas (e.g. les grandes deltas Asiatiques), pour lesquelles, en
plus de l’augmentation du stress causé par la diminution des débits de rivières, va venir s’ajou-
ter des problèmes de salinisation c des terres agricoles résultant de l’augmentation du niveau des
mers.
La diminution de la ressource disponible pour l’agriculture dans ces régions est d’autant plus
préoccupante qu’elle sera couplée avec une augmentation de la demande en irrigation du seul fait
de l’augmentation des températures (Turral et al. [2011]). Toujours dans ce même rapport, la
FAO propose certaines solutions comme la modification des habitudes alimentaires des popula-
tions ce qui permettrait d’économiser d’importants volumes d’eau en choisissant par exemple des
cultures à meilleur rendement. Giannakopoulos et al. [2005] proposent sur le bassin Méditerra-
néen d’adapter les calendriers culturaux, ce qui pourrait limiter les effets néfastes du changement
de climat sur les cultures mais pourrait néanmoins requérir, dans certains cas, une augmentation
de 40 % de la demande en irrigation.
Le secteur énergétique pourrait, d’un certain point du vue, engendrer un stress supplémentaire
vis-à-vis de la sécurité alimentaire des populations et donc de l’usage agricole de l’eau. En ef-
fet depuis une dizaine d’années, la pression grandissante sur des ressources fossiles limitées, a
entrainé l’émergence d’un nouveau type de carburant : les agrocarburants (également appelés
biocarburants). Du fait de subventions, ce type de culture est souvent plus rentable que les
cultures vivrières qui représentent environ 80 % de l’agriculture des pays en voie de développe-
ment (Mazoyer et Roudart [1998]). La concurrence des exploitations des sols pourrait à terme,
engendrer une hausse des prix des denrées alimentaires, qui s’aligneraient sur les prix de marché
de l’énergie (Iacona et al. [2012]).

En supplément de la hausse des besoins en eau agricole du seul fait du climat, l’augmentation
de la population mondiale durant le siècle à venir, et donc des besoins en eau, va engendrer une

a. Période d’étiage hivernal et de sollicitation importante de l’hydroélectricité

b. Food and Agriculture Organization of the United Nations Organisation des Nations Unies pour
l’alimentation et l’agriculture
c. La salinisation est le phénomène d’accumulation de sels dans les sols. La principale conséquence
de ce phénomène est une dégradation des sols les rendant impropres à l’agriculture par accumulation de
certains ions.

17/279
Chapitre 1. Introduction Générale

accentuation importante de ces besoins. De Marsily [2009] a tenté d’estimer les besoins mondiaux
en eau aux horizons 2025 et 2050 (Tableau 1.1).

1900 1950 1980 2000 2025 2050

Population M hab 2000 2540 4410 6180 8000 9200
Eau agricole
Surface irriguées M ha 47 101 198 264 307 331
Consommation irrigation Gm3 {an 321 722 1445 1991 2143 2309
Eau industrielle
Consommations industrielles Gm3 {an 5 19 71 88 104 116
Eau domestique
Consommations domestiques Gm3 {an 5 17 38 53 74 86
Autres
Eau évaporée des barrages Gm3 {an 0.3 11 131 208 302 362

Tableau 1.1 – Évolution des consommations mondiales d’eau. Adaptée de De Marsily [2009]

L’augmentation de la demande globale en eau due à l’augmentation de la population (cf.

Tableau 1.1) et au développement économique des pays en voie de développement est, comme
le montrent Vörösmarty et al. [2000], largement supérieure à celle causée par le changement de
climat (Figure 1.10).

De façon similaire, la demande mondiale en énergie est amenée à largement augmenter du

fait de l’accroissement de la population mondiale d’une part et du développement des pays émer-
gents d’autre part (Iacona et al. [2012]). L’évolution des consommations électriques en France
est étudiée par la RTE a . Pour la majorité des scénarios de développements socio-économiques
considérés (Figure 1.11), la RTE prévoit dans la majorité des cas une augmentation des consom-
mations électriques à l’horizon 2030 (le seul scénario pour lequel les consommations électriques
diminueraient à l’horizon 2030 considèrent en fait une faible croissance démographique ainsi
qu’une faible croissance économique).

Le changement climatique va également impacter le marché de l’électricité (fourniture et de-

mande en électricité). Mideksa et Kallbekken [2010] proposent une revue récente sur ce sujet.
A titre d’exemple, l’augmentation des températures devrait engendrer une modification de la
saisonnalité des besoins en énergie (i.e. diminution du chauffage l’hiver et augmentation de la
climatisation l’été) comme le montrent Parkpoom et al. [2004] pour les pays du sud-est Asia-
tique, ou encore Karl et al. [2009] aux États-Unis. Vliet et al. [2012] illustrent également en
Europe et aux États-Unis la vulnérabilité des centrales thermiques et nucléaires, pour lesquelles
le refroidissement durant les étés risque d’être menacé par la hausse des températures de l’eau
et la diminution des débits.

a. Réseau Transport en Électricité

18/279
 1.2. Ressource en eau et usages futurs

Figure 1.10 – Évolution

°
du stress des populations vis-à-vis
°
du manque d’eau entre les années
2025
°
( DIA{Qscenario ) et l’année 1985 DIA{Qbase . L’indicateur de stress
DIA °
{Q (sans unité) est défini comme le ratio entre la demande en eau mon-
diale ° DIA (demande Domestique, Industrielle et Agricole) et les débits de
rivières Q. D’après (Vörösmarty et al. [2000])

Dans un contexte hypothétique où les ressources primaires a ne seraient pas limitées, et en
l’absence de réchauffement climatique, il pourrait être assez aisé de répondre à cet accroissement
de la demande énergétique. Il suffirait par exemple de construire davantage de centrales ther-
miques (pétrole, gaz et charbon) b . Ce n’est malheureusement pas le cas.

a. i.e. charbon, gaz, pétrole

b. 67 % de l’électricité mondiale consommée durant l’année 2009 à été produite via des centrales
thermiques (Iacona et al. [2012])

19/279
Chapitre 1. Introduction Générale

Consommations fortes Nouveau mix

Médian Croissance faible

Figure 1.11 – Projections de demande en électricité en France à l’horizon 2030. Ces projec-
tions sont réalisées pour quatre scénarios de développement socio-économique.
Ces scénarios sont basés sur six critères : la croissance économique, la croissance
démographique, le développement de l’efficacité énergétique et des énergies re-
nouvelables, l’amélioration des interconnexions entre réseaux électriques (Smart
grid) et l’évolution du parc nucléaire. Noir :scénario médian ; Rouge : Consomma-
tions fortes ; Bleu : Croissance faible ; Vert : Nouveau mix-énergétique. Le détail
de ces scénarios de développements sont disponibles dans le rapport RTE [2012]

Des politiques de dé-carbonisation de nos sociétés sont progressivement mises en place, et se

traduiront à terme par une évolution du paysage énergétique. A titre d’exemple, la feuille de
route pour l’énergie à l’horizon 2050 établie par la Commission Européenne en 2011 (http:
//ec.europa.eu/news/energy/111219_fr.htm) ambitionne une diminution de 80 à 95 % des
émissions de gaz à effet de serre à cet horizon. Selon cette Commission, l’efficacité énergétique a
doit rester la préoccupation majeure des transformations à venir. Une telle politique de sobriété

a. L’efficacité énergétique ou l’efficience énergétique, vise à réduire les dépenses énergétiques tout en
maintenant pour l’usager une satisfaction inchangée.

20/279
 1.2. Ressource en eau et usages futurs

énergétique permettrait à terme de limiter la demande énergétique globale (cf. scénario ”Nou-
veau mix” Figure 1.11). Les effets de ces efforts pourraient toutefois être limités par ce que
les économistes appellent l’effet rebond (Broc [2012]). Cet effet se définit comme la réduction
voire l’annulation des économies d’énergie par des modifications de comportement de la société a .
D’après Belmans [2012] les consommations électriques devraient continuer à augmenter malgré
l’amélioration de l’efficacité énergétique des appareils électriques.

En réponse au changement du climat et à la raréfaction (et donc à l’augmentation des prix)

des ressources fossiles, le mix-énergétique devrait donc être amené à se diversifier dans les pro-
chaines décennies. Belmans [2012] propose par exemple un ensemble de mesures et directions à
prendre dans le secteur de la recherche afin de mettre en place un réseau intelligent b à l’échelle
Européenne à l’horizon 2050. Le parc de production est appelé à se diversifier au niveau national
et international. Les énergies renouvelables intermittentes (solaire et éolienne) prendraient une
place importante dans ces nouveaux réseaux électriques (Figure 1.12).

Figure 1.12 – Répartition du mix énergétique en Europe à l’horizon 2050. Les énergies renou-
velables (solaire, éolienne, hydraulique) sont amenées à occuper une place plus
importante qu’à l’heure actuelle) Source : RTE

a. Des exemples simples d’effet rebond seraient le fait d’éteindre moins fréquemment les ampoules
basses consommations ou d’utiliser davantage des voitures plus économes et moins polluantes.
b. Le réseau intelligent (”Smart Girds”) est un réseau de distribution d’électricité conçu pour optimiser
la production, la distribution et la consommation d’électricité. Il a pour but de lier l’offre à la demande
en énergie. Une revue de ce nouveau domaine de recherche est proposée par Sun et al. [2011]

21/279
Chapitre 1. Introduction Générale

Quelle serait alors la place de l’hydroélectricité de barrage dans ce nouveau mix énergétique ?
Sera t-elle toujours utilisée lors des pics de consommations ? Les réservoirs hydrauliques seront-ils
davantage associés à des STEP a permettant d’améliorer l’adéquation entre l’offre très intermit-
tente des énergies éolienne et solaire, et la demande en énergie.
Ces questions illustrent bien entendu qu’une infime partie des directions possibles de l’hydro-
électricité. Le rôle qu’elle jouera réellement dans le siècle à venir est encore difficile à évaluer
avec certitude, du fait de la nature multi-usages de l’eau et des difficultés à évaluer le devenir
de ces usages.

Néanmoins, le travail réalisé de cette thèse sera uniquement focalisé sur les modifications
liées au climat malgré le fait que de nombreux aspects, dont certains ont été abordés ici (e.g.
augmentation population, développement économique, intégration des énergies renouvelables
intermittentes dans un nouveau mix-énergétique, modification des usages du sol) soient très im-
portants, et conditionneront fortement le devenir de la ressource en eau ainsi que sa gestion
(Viviroli et al. [2011]).

La complexité des différents facteurs qui conditionnent l’élaboration des règles de gestion
d’une part et les fortes incertitudes associées aux climats régionaux futurs ainsi qu’aux usages
futurs d’autre part, rendent impossible l’anticipation des modifications à prévoir des règles de
gestion. La seule analyse possible est d’estimer la performance des systèmes de gestion dans le
cadre de scénarios futurs très simplifiés (les contextes ressource-usages-contraintes étudiés sont
nécessairement très loin des configurations qui seront réellement observées).

1.3. Règles de gestion actuelles : quelle

adéquation pour demain ?
”Stationarity is dead” : Milly et al. [2008] font le deuil de l’hypothèse de stationnarité du
contexte climato-économique à partir duquel les règles de gestion des systèmes actuels ont été
développées (i.e. de l’hypothèse que les variables climatiques et les usages de l’eau fluctuent
au sein d’une enveloppe de variabilité fixée). Les modifications de fréquences des évènements
extrêmes, de moyennes, de saisonnalité ou encore de qualité de l’eau des rivières, devraient né-
cessiter des mesures d’adaptation des systèmes physiques proprement dits ainsi que de leurs règles
de gestion associées. Ceci pourrait s’avérer coûteux du point de vue monétaire mais également en
terme d’investissements de nos sociétés. Ces adaptations impliqueront à fortiori la nécessité de
trouver des compromis en ce qui concerne les nouveaux conflits pouvant émerger entre différents,
et potentiellement nouveaux usages de l’eau (Miller et al. [1997]). En voici quelques exemples
tirés de la gestion d’ouvrages à vocation hydroélectrique :

a. STEP : Station de Transfert d’Énergie par Pompage. Ce type d’installation permet de pomper l’eau
en aval des barrages lors des périodes ou la consommation est basse, pour la restituer après turbinage
pendant les périodes à plus fortes consommations

22/279
 1.4. Conclusion : Objectifs de la thèse

Payne et al. [2004] proposent un ensemble de mesures permettant d’adapter les règles de
gestion des retenues du bassin du fleuve Columbia. Parmi celles-ci on retrouve, l’avancée dans
l’année du remplissage des réservoirs (afin de garantir un remplissage complet malgré la dimi-
nution des apports en fin d’été), l’augmentation de la production hydroélectrique durant les
périodes de fortes chaleurs (pour répondre à la hausse des consommations dues à l’augmentation
des températures) ou encore l’augmentation du volume réservé aux débits minimaux. Sur ce
même bassin et avec les règles de gestion actuelles conservées en climat futur, Christensen et al.
[2004] montrent qu’une diminution de l’ordre de 17 % des débits entrainerait une diminution de
40 % du volume des réserves. En conséquence de quoi Vanrheenen et al. [2004] concluent que
même en appliquant des politiques de mitigation ou d’adaptation, il sera impossible de conserver
le niveau de performance actuel de ce système.

Kundzewicz [2009] relève néanmoins le fait que certains effets du changement climatique
pourraient être positifs sur la ressource en eau dans certaines régions (cf. Figure 1.8 les régions
du monde pour lesquelles les débits de rivières sont amenés à augmenter). Minville et al. [2009]
montrent par exemple au Canada une hausse de la production énergétique due à la hausse des
débits dans cette région. Mais même lorsque les effets du changement climatique peuvent se
montrer positifs pour certains usages, des mesures d’adaptation de la gestion peuvent néan-
moins s’avérer nécessaires pour en optimiser l’utilisation. En contre partie de la probable hausse
de production hydroélectrique dans ces régions, le risque de crue pourrait être plus élevé qu’à
l’heure actuelle (Minville et al. [2009]; Veijalainen et al. [2010]). Adapter les courbes guides des
ouvrages, comme proposé par Veijalainen et al. [2010] pour un ensemble de grands lac scandi-
naves, permettrait de limiter le risque de crue et d’étiage sévère mais diminuerait la capacité du
système à bénéficier pleinement de l’augmentation possible de production électrique.

1.4. Conclusion : Objectifs de la thèse

Cette thèse est effectuée dans le cadre du projet RIWER 2030. Ce projet a pour objec-
tifs d’évaluer l’impact du changement climatique sur la ressource en eau et sur les ressources
énergétiques associées sur le bassin alpin de la Durance à l’entrée du barrage de Serre-Ponçon
(http://www.lthe.fr/RIWER2030/AboutRIWER.html). Le barrage de Serre-Ponçon est multi-
usages (prélèvement pour irrigation, eau potable, soutien d’étiage, maintien d’une cote estivale
pour les activités récréatives et production d’hydroélectricité).

L’évaluation de la modification de la performance du système de gestion de Serre-Ponçon

(SP) dans un contexte de changement climatique est le fil rouge de cette thèse. Ce système de
gestion est présenté dans les grandes lignes au chapitre 2.

Vis-à-vis des méthodes employées dans le cadre de la gestion opérationnelle de ce système,

les outils qui seront utilisés dans cette étude seront nécessairement simplifiés afin de pouvoir les
utiliser dans un contexte de données limitées et de changement climatique.

23/279
Chapitre 1. Introduction Générale

Dans un premier temps, l’objet de cette thèse sera donc d’explorer la faisabilité d’un modèle
de gestion pour la réserve de Serre-Ponçon qui soit une représentation réaliste de la gestion
actuelle de l’ouvrage, mais suffisamment simple pour être appliquée dans un contexte de ”données
limitées”. Pour ce faire il faut a minima :

ˆ Disposer d’une modélisation des apports au réservoir de Serre-Ponçon, des usages et

contraintes du système. Nous présenterons dans le chapitre 3 les différents modèles sim-
plifiés permettant d’estimer les différentes demandes en eau (irrigation, soutien d’étiage
et production d’hydroélectricité).

ˆ Pouvoir simuler la gestion de l’aménagement. Nous présenterons au chapitre 4 un modèle

d’optimisation de la gestion sous contraintes. Pour cet aspect, trois différentes versions
de l’algorithme d’optimisation (basé sur la programmation dynamique) ont été mises en
place, correspondant à différents niveaux de prévisibilité des sollicitations à venir sur le
barrage (i.e. Avenir Certain, Avenir Incertain Prévu, et Avenir Incertain Climatologique).

Dans un second temps, l’objectif de cette thèse sera de présenter différentes mesures de la
performance du système modélisé de Serre-Ponçon. La performance du système modélisé sera
estimée pour les différents modèles de gestion pour la période récente dans le chapitre 5. Nous
présenterons ensuite dans le chapitre 6, le cadre d’analyse que nous utiliserons ensuite pour ef-
fectuer l’estimation de la performance du système modélisé en contexte de climat modifié.

Nous évaluerons dans le chapitre 7, les modifications de la performance estimée par un mo-
dèle de gestion entre différentes périodes contrôle et futures. En particulier, nous estimerons les
incertitudes liées à la chaı̂ne de simulation utilisée pour la génération des scénarios météorolo-
giques utilisés en entrée du modèle gestion. Différents modèles de circulation générale (GCM) et
différentes méthodes de descente d’échelle statistique composent ces différentes chaı̂nes de simu-
lation, permettant de générer les scénarios météorologiques à l’échelle du bassin de Serre-Ponçon.

Nous estimerons ensuite au chapitre 8 si cette évaluation de modifications de performance

dépend ou non du modèle de gestion considéré pour simuler la gestion du système.

24/279
 1.4. Conclusion : Objectifs de la thèse

Synthèse
La gestion de la ressource en eau au sein de la thèse
La gestion de la ressource en eau est un domaine de recherche pluri-disciplinaire
très large mixant à la fois des problématiques économiques, politiques, sociétales et
environnementales. Elle nécessite, dans un contexte opérationnel, une stratégie de
gestion permettant de calculer les allocations quotidiennes de cette ressource.

Le changement global et la gestion de la ressource en eau

Le changement global (changement climatique et évolution des sociétés) se traduira
par une augmentation de la demande en eau (agricole, industrielle et domestique) et
une augmentation de la demande énergétique. L’évolution du paysage énergétique dans
les décennies à venir est très incertaine. La diversification des moyens de production
et l’apparition de plus en plus importante des énergies renouvelables intermittentes
(solaire, éolien) rend difficile à estimer dans ce nouveau mix énergétique, la sollicitation
des aménagements hydrauliques par le système électrique qui devront s’adapter à ces
changements. La performance future de ces aménagements sera ainsi fonction de la
modification de l’adéquation ressource-demande et des nouvelles stratégies de gestion
mises en place.

Estimation de la performance des systèmes en climat futurs

Pour évaluer aujourd’hui la performance future d’un système de gestion, il est
nécessaire de pouvoir simuler les règles de gestion de ce dernier via un modèle de
gestion. Les modèles de gestion sont une représentation simplifiée du réel problème de
gestion. La performance obtenue pour le comportement simulé du système de gestion
à l’aide des modèles de gestion ne peut donc être qu’une estimation de la performance
réelle du système de gestion.

Principaux objectifs de la thèse :

1. Proposer un modèle de gestion de l’aménagement de Serre-Ponçon pour estimer

la pérennité des règles de gestion actuelles dans un contexte de changement cli-
matique.

2. Évaluer les incertitudes liées à la chaı̂ne de simulation des scénarios météorolo-

giques régionaux futurs sur l’estimation de la performance du système de gestion
de Serre-Ponçon.

3. Évaluer les incertitudes liées aux modèles de gestion sur l’estimation de la per-
formance du système de gestion de Serre-Ponçon.

25/279
Chapitre 1. Introduction Générale

26/279
 Partie II

Gestion de Serre-Ponçon :
Principe et modèles

27/279
Chapitre 2

Cas d’étude : La Chaine de

Production Hydraulique
Durance-Verdon

Très tôt dans l’histoire, le climat aride du sud-est de la France a obligé les populations locales
à exploiter rapidement les ressources en eau régionales. L’exploitation des eaux de la Durance
a ainsi débuté depuis plus de huit cents ans. Elle a particulièrement augmenté durant le siècle
dernier. Historiquement, l’usage agricole a été la principale justification de l’utilisation de cette
eau, mais au fil des années de nouveaux usages se sont développés le long des berges de la rivière.
Aujourd’hui, une grande partie de l’eau de la Durance est détournée vers un canal le long du-
quel de nombreux ouvrages hydroélectriques ont vu le jour durant les dernières décennies. Avec
la retenue de Serre-Ponçon (SP) positionnée en tête de ce canal sur la Durance et la retenue
de Sainte-Croix (SC) sur le Verdon, l’ensemble de ces aménagements composent la Chaine de
Production Hydraulique Durance-Verdon (CPH-DV).

Ce chapitre est essentiellement descriptif. Il a vocation à présenter la CPH-DV et sa gouver-

nance (section 2.1), le contexte climatique de la Durance (en particulier son régime hydrologique,
section 2.2) ainsi que les différents usages de l’eau sur la Durance et pratiques du gestionnaire
EDF (section 2.3).

2.1. Chaine hydraulique Durance-Verdon :

enjeux et contraintes
Initialement construit pour actionner un moulin à farine, le canal Saint Julien (Figure 2.1)
est le premier des aménagements construits sur la Durance (Bertin [1960]). Sa construction date
de l’année 1171. Toujours en activité, cet aménagement permet encore aujourd’hui l’irrigation
d’une plaine agricole d’une surface de 6000 ha dans le Vaucluse (France). Ce premier aména-
gement symbolise l’importance de la distribution spatiale de l’eau sur le bassin de la Durance.
L’augmentation conjointe des surfaces irriguées (particulièrement durant le 16ème siècle) et des

29/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

besoins en eau potable et industrielle (19ème siècle) a forcé les populations locales à construire
davantage d’aménagements de ce type pour subvenir aux besoins d’une population croissante.
Mahiou et al. [2003] expliquent que malgré le nombre important de prises d’eau construites au
19ème siècle, l’aléa naturel des débits de la Durance pouvait engendrer des pénuries d’eau (1895)
ou fragiliser, voir détruire les équipements installés lors d’épisodes de crues sévères (1843, 1856).

Figure 2.1 – Canal Saint Julien à Cheval-Blanc, Vaucluse, France (Photo : Wikipédia ’Véro-
nique PAGNIER’ )

L’idée de construire un grand barrage (Serre-Ponçon, Figue 2.2) en amont des usages, se dé-
veloppe dès le début du 19ème siècle. Ce barrage permettrait de i) protéger les installations pour
éviter de devoir les reconstruire à chaque passage d’une crue et de ii) protéger les populations et
cultures de pénuries d’eau trop sévères. La construction de cette retenue est repoussée à plusieurs
reprises pour des raisons techniques et / ou administratives (Mahiou et al. [2003]). La construc-
tion et l’exploitation de l’aménagement de SP et de la Basse-Durance sont finalement concédées
à Électricité de France (EDF) par la loi du 5 Janvier 1955. Au moment de la construction de la
retenue de SP, les objectifs établis de cet aménagement étaient :

ˆ la régulation des eaux du cours d’eau naturel,

ˆ l’alimentation en eau potable et agricole de la Basse-Durance,
ˆ la production d’hydroélectricité.

La mise en eau de la retenue a été réalisée lors de l’année 1960. Pendant les cinquante an-
nées suivantes, de nombreux ouvrages sont venus compléter ceux déjà existants sur le bassin.
Aujourd’hui, la majeure partie de l’eau de la Durance transite désormais entre SP et l’étang
de Berre dans un canal usinier de plus de 180 kms de longueur (Figure 2.3). La Durance n’est
pas la seule rivière à contribuer aux volumes écoulés dans ce canal. De nombreux affluents de la
Durance comme le Verdon, l’Asse ou encore le Büech y contribuent également. Sur la branche
Verdon, d’importantes retenues ont également été construites durant le siècle dernier. La plus
importante est la retenue de SC, mise en eau en 1974.

La capacité de ce canal est de 250 m3 /s. Tout le long de celui-ci, l’eau est successivement
turbinée par des usines au fil de l’eau (Points rouges Figure 2.3). Au total, 22 usines hydroélec-
triques composent la CPH-DV (incluant les usines situées sur le Verdon). Des barrages de tailles
plus modeste (Points jaunes Figure 2.3) ont également été construits sur le canal dans le but de
i) réguler l’eau dans le canal et de ii) collecter les apports complémentaires des bassins versants

30/279
 2.1. Chaine hydraulique Durance-Verdon : enjeux et contraintes

Figure 2.2 – Barrage de Serre-Ponçon. La retenue est alimentée par la Durance et l’Ubaye. La
réserve de Espinasses peut être observée dans le bas de la photo. Cette retenue est
le point de départ du canal usinier EDF sur la branche Durance. Photo : ’Camille
Sim’

intermédiaires (BVI). La gestion de ces retenues est en grande partie conditionnée par leur faible
capacité de stockage, ce qui les amène à se vider et à se remplir parfois plusieurs fois au sein
d’une même journée. L’optimisation de la production hydroélectrique de la CPH-DV est confiée à
EDF qui est délégataire de l’exploitation de l’ensemble de ces branches (i.e les branches Durance,
Verdon et Basse-Durance, cf. Figure 2.3). Il faut toutefois noter que chaque ouvrage de l’amé-
nagement dispose d’un cahier des charges qui lui est propre (Balland et al. [2002]). La puissance
totale installée sur la CPH-DV est de 2000 MW, soit l’équivalent de deux tranches nucléaires,
et est mobilisable en dix minutes. La production annuelle de la CPH-DV est de l’ordre de 6,5
milliards de kWh ce qui équivaut à 40 % de l’électricité produite en région PACA (EDF [2012a]).
Les caractéristiques des retenues de la CPH-DV sont présentées dans le Tableau A.1 de l’annexe.

Le positionnement en tête de la CPH-DV fait de SP l’ouvrage clé de la chaı̂ne, suivi de SC.

Leur capacité de stockage importante (1230 Mm3 pour SP et 760 Mm3 pour SC) permet l’alimen-
tation en eau continue du canal et par conséquent permet de satisfaire les usages à l’aval dans des
conditions ou les débits naturels seuls n’auraient pu le permettre. Ainsi, les branches Durance
et Verdon de la CPH-DV constituent de réelles réserves agricoles (Figure 2.4). La convention du
24 novembre 1953 alloue un volume de 200 Mm3 de SP à cet effet. Sur la branche Verdon, la
convention du 21 mars 1962 définit un volume maximum de 250 Mm3 comme réserve agricole,
répartit entre les réservoirs de SC (140 Mm3 ), de Castillon (85 Mm3 ) et de Bimont (25 Mm3 ).
La gestion de la réserve agricole sur la branche Verdon est confiée à la Société du Canal de
Provence (SCP) dont la concession se limite aux départements est de la région Provence Alpes
Côte d’Azur (PACA) (décret du 15 mai 1963). La réserve agricole permet l’irrigation d’une
surface de l’ordre de 150 000 ha. Entre la retenue de Cadarache et le viaduc de Barbentane
(Avignon), le partage de la réserve agricole entre les différents utilisateurs est confiée au Syn-
dicat Mixte d’Aménagement de la Vallée de la Durance (SMAVD) par le décret de 22 juillet 1982.

L’enjeu touristique sur les berges du lac de SP et des retenues du Verdon est également pré-
sent au sein de la gestion de la CPH-DV bien que les concessions des ouvrages ne le mentionnent

31/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

Branche Durance

Branche Basse Durance

Branche Verdon

Etang de Berre

Figure 2.3 – Chaine Hydraulique Durance-Verdon (Source : Mahiou et al. [2003])

aucunement. Du fait d’une pression sociale évidente et de revenus économiques importants, cet
aspect n’est pas ignoré par le gestionnaire EDF. De plus des activités récréatives sur certains
cours d’eau comme le Buëch ou l’Asse peuvent être rendus possibles grâce à des lâchés d’eau en
été.

Le partage des eaux de la Durance entre les différents usages pourrait laisser envisager des
complications lors de périodes de pénuries. Cependant dans ce cas, des solutions de mitigation
peuvent être mises en place. En effet en Basse Durance, si le besoin s’en fait ressentir, des tranches
d’eau supplémentaires de 25 Mm3 peuvent être mobilisées pour alimenter les canaux d’irrigation
moyennant une indemnisation à hauteur du préjudice subi par le gestionnaire EDF (Convention
du 24 novembre 1953). Des discussions entre les différents acteurs sur le bassin peuvent également
être engagées comme ce fut le cas durant la sécheresse de 2002, afin de limiter le stress sur le
bassin versant (Roux [2003]). Cette année là, la pluie cumulée et l’enneigement observés début
janvier étaient les plus bas depuis le début des observations en 1948. Les débits entrant dans la
retenue de SP du mois d’octobre 2001 au mois de janvier 2002 étaient de l’ordre de 60 % des
apports moyens à cette période. Les prévisions d’apports au 30 juin se situaient entre 40 et 60 %
des normales. Les satisfactions des besoins agricoles et touristiques durant l’été 2002 semblaient
compromises. En conséquence, EDF a pris dès le mois de Décembre 2001 des mesures visant à
garantir l’approvisionnement en eau potable et en eau agricole, tout en limitant l’impact sur le
niveau des lacs pour limiter l’impact sur le tourisme. Par exemple, dès le 22 décembre 2001, la
centrale thermique de Martigues a été employée à sa capacité maximale afin de se substituer
à une diminution de production de la CPH-DV durant l’hiver 2001/2002. De plus, les irrigants
de la Basse-Durance, réunis au sein de la Commission Exécutive de la Durance (CED), ont
fait preuve de solidarité en réduisant significativement leur consommation d’eau durant l’année

32/279
 2.2. L’eau de la Durance

Cadarache

Avignon

Figure 2.4 – Carte de la région PACA. Les réserves agricoles sont indiquées par des cylindres
violets. Le canal usinier EDF est représenté par des flèches vertes. Les canaux de
la SCP sont représentés par des traits rouges. De Cadarache à Avignon (viaduc
de Barbentane) la SMADV est délégataire du partage des tranches d’eau agricoles
sur le bassin.

(i.e. une diminution de 13 % des prélèvements moyens entre les mois de février et septembre
2002). Ces différentes actions ont permis de garantir l’alimentation en eau des canaux, la saison
touristique sur les berges des lacs et la production énergétique. La gestion de cette crise est une
réussite, et n’aurait pu être réalisée sans le partage d’informations, entre les différents acteurs
sur le bassin.

2.2. L’eau de la Durance

La Durance est une rivière du sud-est de la France. Avec une longueur supérieure à 300 km,
elle est la plus importante rivière provençale. Elle se jette dans le Rhône à Avignon.

2.2.1. L’eau de la Durance en amont de Serre-Ponçon

L’influence Méditerranéenne et la protection du massif des Écrins contre les perturbations
océaniques rendent le climat du bassin versant de la Durance à l’amont de SP plus sec que le
reste des Alpes du nord (Durand et al. [2009]). Au niveau de SP (BV = 3580 km2 ), le régime de
la rivière est très peu influencé par des ouvrages en amont. Il est du type nival :

33/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

ˆ La part importante de précipitations solides durant l’hiver engendre de faibles débits à

cette période. L’essentiel des précipitations est stocké sous forme de neige sur le bassin
jusqu’à l’arrivée de températures plus douces au printemps.
ˆ La fonte du manteau neigeux au printemps engendre des apports importants à cette sai-
son. En hydrologie, le terme utilisé pour nommer ces apports estivaux liés à la fonte des
neiges est ”onde de fonte”. Ainsi, l’estimation des stocks nivaux sur le bassin permet une
bonne estimation des volumes écoulés durant le printemps ce qui est une caractéristique
importante de ce type de régime hydrologique.
ˆ Durant l’été, la rivière n’est jamais à sec, même en l’absence de précipitations. La fonte
du manteau neigeux puis de la glace des hautes altitudes du bassin versant permet de
maintenir les débits à des valeurs parfois même élevées.
ˆ Durant l’automne, d’importantes crues peuvent survenir en raison de forts événements
pluvieux.

Il n’y a pas de mesure directe des apports à la retenue de SP. Ces apports sont cependant
reconstitués à partir du bilan aménagement de SP. L’estimation du débit entrant à SP est réalisée
à partir de la quantité d’énergie produite et de la hauteur mesurée du lac. Dans ce cas, ces apports
reconstitués sont nommés ANR (Apports Naturels Reconstitués). Les ANR de la Durance à la
réserve de SP sont présentés Figure 2.5a de 1960 à 2000. Du fait de la composante nivale du bassin
versant, les ANR à SP présentent une saisonnalité très marquée (courbe rouge Figure 2.5a).
Toutefois, les ANR présentent une variabilité saisonnière et inter-annuelle importante (Tableau
2.1). A titre d’exemple, sur la période 1960-2000, le volume annuel écoulé dans SP durant l’année
1977 a été supérieur à 7600 Mm3 alors que durant l’année 1989, seulement 2700 Mm3 sont entrés
dans la retenue (Figure 2.5b et Tableau 2.1). A l’échelle saisonnière, une importante variabilité
inter-annuelle est également observée. A titre d’exemple, durant la saison JJA (juin - juillet -
août), le rapport entre le volume minimal (757 Mm3 ) et le volume maximal (3737.9 Mm3 ) entré
dans la retenue de SP est proche de cinq (Tableau 2.1). Au contraire, les faibles ANR hivernaux
sont les moins variables et présentent un écart type minimal.

DJF MAM JJA SON Annuel

Min 343.7 873.7 757.3 587 2711.1
Moy 530.4 1529.9 2005.5 958 5023
Max 744.7 2162.9 3737.9 1751.4 7635.1
Ecart-type 108.2 268.5 540.5 279.8 894.7

Tableau 2.1 – Variabilité saisonnière et inter-annuelle des ANR à la réserve de Serre-Ponçon

(Mm3 )

Au sein de la période 1960-2000 il est possible de discerner une variabilité basse fréquence
dans la série des ANR à la retenue, et ainsi de dissocier des séquences d’années sèches comme
la période 1987-1990 et des séquences plus humides comme 1975-1977 (Figure 2.5b).

34/279
 2.2. L’eau de la Durance

8000

7000

6000

5000

4000

3000

1960 1965 1970 1975 1980 1985 1990 1995 2000

(a) (b)

Figure 2.5 – (a) Rouge : Moyenne inter-annuelle journalière des ANR à la réserve de Serre-
Ponçon. Gris : ANR à Serre-Ponçon de 1960 à 2000. (b) Variabilité inter-annuelle
des ANR entrant dans Serre-Ponçon. Aucune tendance d’évolution des ANR n’est
observée sur la période 1960-2000 à l’échelle annuelle.

En conclusion, les volumes importants d’eau entrant dans la réserve de SP (Qmoyen  80m3 /s)
présentent une saisonnalité très marquée mais surtout une variabilité saisonnière et inter-annuelle
importante. Dans un contexte de gestion, la saisonnalité des ANR permet au gestionnaire de pou-
voir anticiper certains objectifs et contraintes et d’établir une stratégie de gestion. Au contraire,
la variabilité importante que présentent les ANR à SP, altère la vision de l’avenir du gestionnaire
et complique l’exploitation et le respect des objectifs de la réserve de SP et d’un point de vue
plus global, celui d’un système de ressource en eau tel que la CPH-DV.
Dans la suite du document, les apports ANR pourront être considérés comme des observations,
et pourront donc être nommés de la sorte. Ces données ont été fournies par le gestionnaire EDF
de la retenue de SP.

2.2.2. L’eau de la Durance en aval de Serre-Ponçon

La région entre le lac de SP et Mirabeau (Figure 2.6a) est une zone de transition entre le
régime nival et le régime Méditerranéen qui se caractérise par des étiages sévères l’été en absence
de précipitation, et de fortes crues l’automne causées par de violents orages. Cette région définit
la Moyenne Durance. De Mirabeau jusqu’au Rhône, la région de la Basse-Durance, l’agriculture
y est intensive et nécessite une importante irrigation des terres.

Il n’existe pas de mesures exhaustives des contributions des différents BVI au canal usinier
EDF. Ces volumes d’apports peuvent toutefois être estimés via les bilans aménagements de la
CPH-DV. Ce travail a été réalisé par EDF lors du projet GIS-Durance (Prudhomme [2003]). A
titre d’exemple, les apports inter-annuels moyens journaliers de quatre affluents de la Durance
sont présentés Figure 2.6b sur la période 1990-2003. Ces quatre affluents sont positionnés sur la
carte Figure 2.6a.

35/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

35
Buech
Bleone
30 Asse
Coulon
25

20

15

10

0
J F M A M J J A S O N D

(a) (b)

Figure 2.6 – (a) Carte du bassin versant de la Durance à l’amont d’Avignon (b) Évolution du
régime hydrologique des affluents de la Durance en fonction de leur positionnement
sur le bassin versant. Tout comme les apports au réservoir de SP, les données de
débits en Basse Durance sont reconstitués via les bilans aménagements du bassin
versant.

Ainsi, le régime hydrologique du Coulon, affluent positionné le plus en aval du bassin de

la Durance, n’est pas du tout influencé par une composante nivale : son régime est uniquement
soumis aux précipitations (régime pluvial). Ses débits sont maximaux durant l’hiver et minimaux
durant l’été. Au contraire, l’Asse, la Bléone et le Buech présentent des apports importants durant
le printemps (influence nival) mais surtout des apports importants durant l’hiver, causés par les
fortes précipitations à cette période (régime pluvio-nival). Pour l’ensemble des affluents présentés
Figure 2.6b, les apports durant l’été sont minimaux.

2.3. Usages de l’eau de la Durance

Comme évoqués précédemment, les objectifs de la CPH-DV ont évolué au fil du temps avec
l’augmentation et la diversification des usages de l’eau sur le bassin versant.

Les volumes d’eau entrant dans la retenue de SP présentent une saisonnalité marquée (section
2.2.1). La saisonnalité des apports n’est pas forcément en adéquation avec la saisonnalité des
besoins des utilisateurs. La présence de grands réservoirs en tête de la CPH-DV tels que SP
sur la Durance et SC sur le Verdon, permet via le stockage, de faire correspondre l’offre (i.e.

36/279
 2.3. Usages de l’eau de la Durance

la ressource en eau) et la demande aux moments ou celle-ci est la plus élevée. Au fil de cette
section les principaux usages de l’eau de la Durance seront présentés.

ˆ Les usages dits consommateurs d’eau, section 2.3.1.

ˆ L’usage touristique section 2.3.2.
ˆ La production hydroélectrique de la CPH-DV et de Serre-Ponçon en particulier, section
2.3.3.
ˆ Les autres usages et objectifs de la CPH-DV section 2.3.4.

Les chiffres d’affaires des trois premiers secteurs d’activité sont très variables (Balland et al.
[2002]). Il s’élève à 950 Me pour le secteur agricole, 325 Me pour l’hydroélectricité et 150
Me pour le tourisme. Depuis le rapport réalisé par Balland et al. [2002] les chiffres concernant
l’activité touristique ont été mis à jour et approchent davantage les 200 Me.

2.3.1. Usages consommateurs d’eau :

Toute l’année, les usagers (i.e. agriculteurs, industries . . . ) peuvent prélever de l’eau dans le
canal usinier EDF, situé entre Espinasses et St-Chamas (Figure 2.3). Durant la période estivale
la demande des agriculteurs est importante. Dans ce cas un déstockage des grands réservoirs
en amont permet la satisfaction de cette demande. Ces déstockages sont toutefois limités aux
réserves agricoles de la CPH-DV. A SP, la mobilisation de celle-ci intervient généralement après
le 15 juillet.

Sur l’ensemble de la région, l’irrigation des terres agricoles représente la majeure partie des
prélèvements avec plus de 2250 Mm3 prélevés par an (soit près de 80 % des volumes prélevés
totaux, les 20 % restants sont attribués à l’approvisionnement en eau potable (AEP)). Ce vo-
lume est plus de cinq fois supérieur au besoin estimé des cultures de la région. Cette différence
importante provient du système d’irrigation gravitaire, majoritairement utilisé dans la région et
très consommateur en eau. L’utilisation de cette méthode d’irrigation conduit entre 70 et 80 %
des volumes prélevés à retourner vers l’environnement après infiltration.

L’eau prélevée dans le canal usinier est répartie en Basse-Durance (à l’aval de Mirabeau) via
un réseau de quinze grands canaux. Les autorisations de prélèvements de ces canaux sont définies
par la loi de 1955 et sont de 114 m3 /s. Quelques m3 /s supplémentaires sont prélevés en Moyenne
Durance par d’autres canaux d’irrigations (i.e. les canaux de Manosque, de la Brillanne et de
Ventavon). En période estivale, dès lors que les ANR reconstitués à Cadarache sont inférieurs
aux besoins des agriculteurs en Basse Durance, la demande est satisfaite en mobilisant la réserve
agricole par déstockage de SP. La réserve agricole du Verdon est quand à elle utilisée pour les
besoins en eau du SCP. En règle générale, l’hydroélectricité est peu sollicitée durant l’été. Les
volumes lâchés durant cette période par les grands réservoirs ne résultent donc pas d’une opti-
misation de la production énergétique. Ils fournissent donc une bonne indication de l’utilisation
de la réserve agricole. Ils seront nommés dans la suite du document débit de dotation a .

a. Le débit de dotation est tout de même turbiné par les différents ouvrages de la CPH-DV

37/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

Il n’existe pas de mesure exhaustive des prélèvements sur le bassin de la Durance. Les prélève-
ments peuvent toutefois être reconstitués au niveau de la réserve de Cadarache après estimation
des ANR à Cadarache et du débit de dotation de SP. Ces prélèvements reconstitués de 1990 à
2003 sont présentés Figure 2.7.

140
1990
1991
120 1992
1993
1994
100 1995
1996
1997
80 1998
1999
2000
60 2001
2002
2003
40

20

0
J F M A M J J A S O N D

Figure 2.7 – Cycle annuel des prélèvements reconstitués à Cadarache. Les chroniques sont lis-
sées sur une fenêtre de 10 jours.

Les chroniques de prélèvements reconstituées présentent une composante saisonnière très mar-
quée et sont maximales durant l’été. Cette demande dépend du calendrier cultural (saisonnalité
des cultures), de la demande évaporative de l’atmosphère et des précipitations locales (souvent
limitées néanmoins à cette saison). Des pics de prélèvements peuvent être observés durant les
mois d’avril. L’importante consommation d’eau à cette période s’explique par une pratique agri-
cole qui consiste à asperger le sommet des vergers dans le but d’enrober les fruits d’une coquille
de glace afin de les protéger des gelées printanières. Les pics de prélèvements durant les mois de
juillet et août dépassent les droits d’eau de 114 m3 /s en Basse Durance. Ce supplément pourrait
provenir des prélèvements effectués en Moyenne Durance mais également des incertitudes du
processus de reconstitution de ces données.

En supplément du débit de dotation, un débit réservé au cours naturel de la Durance au pied

de la retenue de SP est à fournir toute l’année. Le terme débit réservé est défini par le code
de l’environnement comme un débit minimal garantissant en permanence la vie, la circulation
et la reproduction des espèces présentes. A l’écriture de la concession de SP, ce débit était égal
au 1{80ème du module. Dès l’année 1984, la loi Pêche augmente la valeur du débit réservé au
1{40ème pour les rivières ou le module dépasse 80 m3 /s. A SP, ce débit est de 2.1 m3 /s.

2.3.2. L’usage touristique :

Les activités touristiques ne faisaient pas partie intégrante des objectifs originaux de la re-
tenue de SP, ni de ceux de la CPH-DV. Cependant, les différentes avancées sociales durant la
deuxième moitié du 20ème siècle, en particulier le passage à cinq semaines de congés payés en

38/279
 2.3. Usages de l’eau de la Durance

1982 a , ont permis à ce secteur d’activité de se développer, et même de se pérenniser le long des
rives des lacs de SP et du Verdon.

Aujourd’hui, le lac de SP représente un plan d’eau navigable de 3000 ha. En supplément des
activités récréatives classiques (baignades, randonnées ...) ce plan d’eau est le terrain de jeux
de nombreuses écoles de voiles (sept écoles sont affiliées à la Fédération Française de Voile), un
club d’aviron et deux clubs de ski nautique. Au total quinze bases nautiques permettent à ces
différents clubs de pratiquer leurs activités. Le nombre de nuitées liées au lac de SP durant les
mois de juillet et août est de l’ordre de deux millions (Figure 2.8).

Figure 2.8 – Evolution de la fréquentation mensuelle de SP sur la période 2005-2010. Source :

Observatoire Départemental du Tourisme des Hautes Alpes

Les revenus liés au lac de SP durant la saison touristique représentent 40 % du chiffre d’affaire
du secteur du département des Hautes Alpes. Un niveau de remplissage suffisant est nécessaire
durant cette saison. La gestion de cette cote touristique est conventionnée entre la SMADESEP b
et EDF depuis 1999 (Balland et al. [2002]). Ce niveau de remplissage doit permettre la bonne
pratique des activités nautiques et de baignades ainsi que des paysages de qualités ; le marnage
durant cette saison engendre des vents de sable et peut rendre certaines installations nautiques
inutilisables, tout en dégradant les paysages, ce qui défavorise les activités touristiques (Balland
et al. [2002]).

Afin de limiter ces risques, EDF assure un remplissage des réservoirs permettant la bonne
pratique des activités touristiques sur les berges des lacs durant la saison estivale. Par exemple
pour la retenue de SP, une stratégie de remplissage est planifiée à l’avance via une courbe guide
de remplissage. Cette courbe guide de remplissage définit pour un jour calendaire donné, le vo-
lume nécessaire dans la retenue pour pouvoir espérer satisfaire l’objectif fixé. A SP, cet objectif
est fixé est de satisfaire, neuf années sur dix en moyenne, la cote de 778m NGF au 1er juillet.
Le calcul de cette courbe guide de remplissage est réalisé à partir des historiques d’apports et

a. Augmentation du nombre de semaines de congés payés : 3 en 1956, 4 en 1968 et finalement 5 en

1982
b. Syndicat Mixte d’Aménagement et de Développement de Serre-Ponçon

39/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

de débits de dotation à disposition du gestionnaire. Le maintien de cette cote durant le reste de

la saison touristique dépend ensuite des apports estivaux et des débits de dotation à fournir. Si
les prévisions d’apports aux réservoirs (Garçon [1996]) indiquent un risque de diminution du lac
en dessous du niveau 775m NGF avant septembre, un processus dit de ”veille renforcée” est mis
en place par le gestionnaire (Roche et al. [2012]) ce qui pourrait aboutir, comme durant l’année
2002 (section 2.1), à des discussions entre les différents acteurs du bassin.

En opérationnel, le niveau réel du lac de SP ne vient buter contre la courbe guide que très
rarement : un volume de sécurité est assuré en permanence par le gestionnaire de façon à pouvoir
turbiner en cas d’évènements non prévus sans avoir à descendre en dessous de cette courbe guide
(Leveque [2012]). Cette marge de sécurité est de l’ordre d’une quinzaine de jour.

2.3.3. L’usage énergétique :

EDF optimise au mieux la production hydroélectrique de la CPH-DV. Le recours à une pro-
duction énergétique de la CPH-DV est le fruit d’une optimisation qui vise à valoriser au mieux
l’hydroélectricité pour le système électrique. Cela se produit en général lors des pics de consom-
mation.
Cet objectif est secondaire par rapport aux autres objectifs de l’aménagement. La CPH-DV
fournit en énergie le sud-est de la France, en particulier la région PACA qui est une pénin-
sule énergétique tout comme peut l’être la Bretagne. Ces régions consomment plus d’électricité
qu’elles n’en produisent et sont limitées dans leur capacité d’échange avec le reste du réseau.
L’optimisation de l’eau de la CPH-DV pour l’énergie est donc essentielle dans l’équilibre offre /
demande de la région PACA.
SP étant la retenue stratégique de la CPH-DV mais également la plus importante en terme de
capacité de stockage, l’analyse des débits turbinés par SP renseigne sur la dynamique de pro-
duction de l’ensemble de la chaı̂ne. La reconstitution des débits turbinés par SP a été réalisée
par EDF à partir des mesures de hauteurs de chute et de productions hydroélectriques depuis
la mise en eau de l’ouvrage. La moyenne inter-annuelle journalière de ces débits turbinés est
présentée Figure 2.9.

150

100

50

0
J F M A M J J A S O N D

Figure 2.9 – Cycle inter-annuel moyen des débits turbinés par l’usine de SP (1960-2010)

Les débits turbinés sont maximaux durant l’été. Ces importants volumes turbinés corres-
pondent à i) la satisfaction de la demande agricole (section 2.3.1) et dans une autre mesure ii)

40/279
 2.3. Usages de l’eau de la Durance

à limiter les déversements lors de l’arrivée d’importants volumes d’apports durant le printemps.
Du mois d’octobre au mois d’avril la production moyenne semble plus ou moins constante (Fi-
gure 2.9). La moyenne inter-annuelle des débits turbinés Figure 2.9 cache en fait une variabilité
plus importante. La dynamique de production de SP est en effet plus rapide : les quantités
d’eau turbinées peuvent varier rapidement dans le temps. Cette variabilité est observée au pas
de temps journalier Figure 2.10, et est également très importante au sein d’une même journée.

200

150

100

50

0
J90 F90 M90 A90 M90 J90 J90 A90 S90 O90 N90 D90 J91 F91 M91 A91 M91 J91 J91 A91 S91 O91 N91 D91

Figure 2.10 – Débits journaliers turbinés par SP entre le 1er janvier 1990 et le 31 décembre
1991.

Les turbinés de l’usine de SP présentent également un cycle hebdomadaire marqué (Figure

2.11). La diminution de la production durant les week-ends est liée à une demande en électricité
moins importante que durant le reste de la semaine et donc à une valorisation moindre de
l’hydroélectricité. Dans ce cas, la valorisation de l’énergie produite par les moyens de production
classiques (centrales nucléaires, centrales thermiques) est généralement meilleure. Dans ce cas,
l’hydroélectricité de la CPH-DV n’est donc pas, ou très peu sollicitée.

70

65

60

55

50

45
Lu Ma Me Je Ve Sa Di

Figure 2.11 – Cycle hebdomadaire moyen des débits turbinés à Serre-Ponçon (Lu : lundi ; Ma :
mardi ; Me : mercredi ; Je : jeudi ; Ve : vendredi ; Sa : samedi ; Di : dimanche)

41/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

2.3.4. Autres usages

Les objectifs et contraintes de la retenue de SP et plus globalement la CPH-DV, ne se limitent
pas à la satisfaction des droits d’eau (section 2.3.1), à la gestion de la remontée de la cote des
grands réservoirs tel que SP (section 2.3.2) et à l’optimisation de la production (section 2.3.3).
Des objectifs écologiques existent également tout au long du bassin. Un débit réservé est fixé au
pied de chaque ouvrage de la CPH-DV. Ce débit étant calculé en fonction du débit naturel, il
augmente en direction de l’aval.
L’étang de Berre, exutoire du canal usinier, fait partie du réseau Natura 2000. Ce réseau est un
ensemble de sites naturels jugés comme ayant une grande valeur patrimoniale de par la faune
et la flore qu’ils hébergent (Bernard [2007]). Depuis la construction du canal usinier et le début
des déversements d’eau douce dans l’étang (Figure 2.3b), sa salinité a diminué, engendrant une
stratification des eaux supprimant les échanges entre les eaux profondes et les eaux de surfaces.
La réhabilitation de l’étang de Berre se définit donc comme un objectif important de la CPH-
DV. Ce plan de réhabilitation passe par la limitation des rejets de sédiments et d’eau douce,
qui représentent pour l’étang un perturbateur du caractère saumâtre de ces eaux. L’objectif
quantifiable de ce plan de réhabilitation est de ré-augmenter la salinité de l’étang. L’usage de
l’eau du canal par les usines de St-Chamas, Salon et Lamanon (les usines situées sur la dérivation
des eaux de la Durance vers l’étang à partir de la retenue de Mallemort, Figure 2.3) doit ainsi
être optimisé en tenant compte des limites de volumes entrant dans l’étang de Berre. Cette
contrainte, la plus en aval de la chaı̂ne peut avoir une incidence vers l’amont et impacter la
gestion des retenues de SP et SC.

2.4. La CPH-DV au sein de la thèse

Les objectifs et contraintes présentés dans cette section ne constituent en rien une liste exhaus-
tive. La représentation fine de la ressource et des usages en aval de SP et de SC ne sera pas possible
étant donné les limites spatiales des études du projet RIWER 2030 (Durance à l’amont de SP)
dans le cadre duquel s’inscrit cette thèse. La prise en compte plus détaillée des usages de l’eau sur
le bassin versant de la Durance est prévue dans le cadre du projet de recherche R2D2 (Risque,
Ressource en eau et gestion Durable de la Durance en 2050 https://r2d2-2050.cemagref.fr/).

En conséquence, la modélisation de la gestion de la CPH-DV sera limitée dans ce travail de

thèse, à la modélisation de la gestion de SP, la principale pièce maı̂tresse de l’aménagement.
Les seuls usages considérés dans cette étude sont i) l’usage agricole et l’AEP en Basse Durance,
ii) l’usage touristique du lac de SP, iii) la production hydro-électrique de la retenue de SP. Les
objectifs et contraintes associées à ces usages sont :

ˆ La satisfaction des droits d’eau en aval de SP

ˆ La gestion de la remontée de la cote de SP
ˆ L’optimisation de la production de la réserve de SP

42/279
 2.4. La CPH-DV au sein de la thèse

Ces usages constituent toutefois les principaux enjeux du bassin versant. L’évolution de la cote
de SP est présentée sur l’image Figure 2.12. Son évolution résulte du déphasage temporel entre
les apports au réservoir et les usages de l’eau. Le déstockage hivernal important résulte ainsi
d’une production conséquente à cette période, alors que les apports au réservoir sont minimaux
du fait de la forte proportion des précipitations en phase solide. Le remplissage durant le prin-
temps, nécessaire pour l’usage touristique du lac, est possible grâce aux apports importants de
l’onde de fonte. Durant l’été, la hauteur du lac diminue du fait de la fourniture du débit de
dotation. Au début de l’automne, la hauteur du lac peut à nouveau augmenter les années où de
fortes précipitations provoquent d’importantes crues.

Sollicitation agricole

Déstockage hivernal
Objectif de cote touristique

Figure 2.12 – Influence de l’adéquation entre la ressource en eau et les usages sur l’évolution
de la cote de SP. Modifiée d’après Sambarino et Roux [2008]

43/279
Chapitre 2. La Chaine de Production Hydraulique Durance-Verdon

Synthèse
La chaine de production hydraulique Durance-Verdon (CPH-DV)

La CPH-DV est un important système de gestion de la ressource en eau. L’artère

principale de ce système est un canal usinier le long duquel de nombreux ouvrages sont
construits. Deux grands réservoirs (Serre-Ponçon (SP) sur la Durance et Sainte-Croix
(SC) sur le Verdon) alimentent en eau ce canal. Les ouvrages en aval de ces deux
réservoirs génèrent une valorisation économique de l’eau écoulée via une production
énergétique. Ils régulent de plus les volumes d’eau dans le canal auxquels viennent
s’ajouter les apports des bassins versants intermédiaires.

Le régime hydrologique

En amont de SP et SC, les régimes sont de type nival (forte saisonnalité fonction
des cycles d’accumulation / fonte du manteau neigeux sur leur bassin versant). Cette
influence nivale diminue progressivement en direction de l’aval. En Basse-Durance, le
régime hydrologique est de type pluvial, uniquement influencé par les précipitations.

Les objectifs de la CPH-DV

La CPH-DV est un système de gestion dit multi-usages. Sa gestion est confiée à EDF
(loi du 5 janvier 1955). Initialement, les objectifs étaient la régulation des eaux de la
Durance, la satisfaction des besoins des irrigants sur le bassin de la Basse Durance et
la production d’hydroélectricité.
Aujourd’hui, la CPH-DV assure un débit réservé au pied de l’ensemble des ouvrages
de la chaine. Les réservoirs de SP et SC constituent deux réserves agricoles disponibles
pour les usagers (SP : 200 Mm3 pour la Basse Durance, Reservoirs Verdon : 250 Mm3
pour les besoins de la Société du Canal de Provence).
La production de SP, en tête de la branche Durance de la CPD-DV est essentiellement
concentrée durant les périodes de pointe de consommations électriques. Cette produc-
tion permet durant ces périodes, d’équilibrer l’offre à la demande d’une région limitée
dans ses capacités d’échanges avec le reste du réseau national.
Les activités touristiques se sont développées en France durant les dernières décen-
nies. C’est également le cas sur le bassin de la Durance. EDF assure un remplissage
des grands réservoirs de la CPD-DV permettant la bonne pratique de ces activités.
Étant donné le très fort potentiel économique du lac de SP durant la saison estivale, le
remplissage est assuré neuf années sur dix en moyenne par EDF.

44/279
Chapitre 3

Modèles d’apports et d’usages de

l’eau

Les contraintes et usages de l’eau de la réserve de SP pris en compte dans cette thèse doivent
être modélisés ou conceptualisés afin de permettre dans un deuxième temps de réaliser l’opti-
misation et la simulation de la gestion du système modélisé de SP. Leurs développements sont
présentés tout au long de ce chapitre (Figure 3.1).

Modèle Hydrologique:
- Apports au réservoir de SP

§ 3.1 Système physique modélisé de SP

Revenus de SP:
- Intérêt à produire de l’énergie
- Consommations électriques
§ 3.2
Estimation de la
Usage touristique: performance
- Courbe guide de remplissage

§ 3.4

Modèles Sollicitations usages aval:

- Prélèvements agricoles
- Apports des BVI (SP  Cadarache)
- Débit de dotation
- Débit réservé Algorithme d’optimisation /
simulation de la gestion
§ 3.3 Chap 4

Figure 3.1 – Schéma de principe des interactions entre les différents sous modèles utilisés dans
cette thèse.

45/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

1. La modélisation des apports à SP est la première des contraintes physiques du problème

de gestion. Elle est présentée section 3.1

2. La retenue de SP se place dans un parc de production électrique national comportant

d’autres sources d’énergie que l’hydroélectricité (e.g. nucléaire, gaz, charbon ou encore les
autres énergies renouvelables solaire et éolienne). L’objectif de l’ensemble du parc produc-
tion est de répondre à la demande instantanée en énergie France. Le coût de production
d’1 kWh dépend du moyen de production. A une date donnée, le choix d’un moyen de
production particulier est réalisé afin de minimiser le coût total de production du parc. Le
cadre d’étude du projet RIWER 2030 ne permet pas la représentation de l’ensemble du
système électrique, et donc d’utiliser une fonction objectif limitant son coût de produc-
tion. Nous avons fait le choix d’optimiser la production du système modélisé de SP via
une fonction objectif présentée section 3.2.

3. Toujours dans le cas du système modélisé de SP, la contrainte de débit minimal est définie
par le débit de dotation Qdot. La modélisation de cette demande en eau en aval du système
est présentée section 3.3.

4. Une contrainte de stock minimal, représentée par la courbe guide de remplissage, permet la
bonne pratique du tourisme l’été sur le lac de SP. L’évaluation de celle-ci pour le système
modélisé de SP est présentée section 3.4.

Les sorties de ces différentes modélisations / représentations, seront par la suite utilisées en
entrée du modèle de gestion du système modélisé SP. A l’exception du modèle hydrologique
(section 3.1), l’ensemble des développements décrits dans ce chapitre ont été réalisés durant la
thèse.

3.1. Modèle d’apports à la réserve :

Cequeau
Les apports à l’entrée du système modélisé de SP sont modélisés par le modèle hydrolo-
gique Cequeau a . Initialement, Cequeau (Centre d’étude Québécois de l’eau) a été développé par
l’INRS b à partir 1971 (Morin et al. [1975]).
Cequeau est un modèle semi-distribué à base physique (Figure A.1). Le bassin versant de la
Durance en amont de SP est discrétisé en 99 unités hydrologiques (Figure A.2). Pour chacune
de ces unités hydrologiques, l’accumulation et la fonte du manteau neigeux, les précipitations
effectives, ainsi que les flux d’évapotranspiration et d’infiltration sont estimés au pas de temps
journalier. Les volumes produits par chaque unité hydrologique à ce même pas de temps tran-
sitent à l’aval jusqu’à l’exutoire du bassin versant : la réserve de SP.

a. Notons que les précipitations au-dessus du lac sont négligées ici et ne sont pas considérées comme
des apports au réservoir. De même, les pertes (i.e. évaporation au-dessus du lac, infiltration, prélèvements
en amont des turbines) ne seront pas décomptées du volume en stock de la réserve.
b. Institut National de la Recherche Scientifique

46/279
 3.2. Production hydroélectrique

La version du modèle Cequeau utilisée au sein du projet RIWER 2030 est une version modi-
fiée par rapport à la version originale Québécoise (Davantage de détails sont fournis en annexe
A.3). Dans sa version EDF R&D, le modèle Cequeau a été calé (1982-2005) / validé (1959-1981)
sur le bassin versant amont de SP (Bourqui et al. [2011]).

La moyenne inter-annuelle journalière des apports simulés par le modèle Cequeau sur la
période 1959-2005 est comparée à la moyenne inter-annuelle observée sur la Figure 3.2. Le cycle
annuel est bien reproduit par Cequeau. Le modèle Cequeau a déjà été utilisé pour des études
d’impact du changement climatique (Hendrickx [2001]; Manoha et al. [2008]).

250
Obs
Sim
200

150

100

50

0
J F M A M J J A S O N D

Figure 3.2 – Cycle inter-annuel moyen des apports observés (noir) et simulés (rouge) à l’entrée
de la réserve de SP. Sur la période de calage, le critère de Nash calculé entre les
débits simulés et observés est égal à 0.86, sur la période de validation il est égal à
0.83

3.2. Production hydroélectrique

En France, la production d’hydroélectricité des barrages présente la particularité d’être princi-
palement concentrée durant les pics de consommations électriques (Sauquet [2009]; EDF [2012b]).
Elle permet de répondre aux variations rapides de la demande, auxquelles d’autres moyens de
production, à dynamique plus lente, ne peuvent a priori pas répondre (e.g. centrales nucléaires).
Comme nous l’avons présentée dans le chapitre 2, la CPH-DV et donc la retenue de SP, assure
l’équilibre offre / demande durant les périodes de pointes en particulier. Ainsi, les turbinés du
système modélisé de SP seront optimisés à partir d’une fonction de revenus a (fonction objectif),
qui permettra de reproduire le mieux possible ce mode de fonctionnement.

L’objectif de cette section est de construire une fonction objectif, à optimiser par le système
modélisé de SP via la production d’énergie. Malgré les simplifications importantes du problème
de gestion évoquées dans le chapitre 2, l’objectif est tout de même de construire une fonction
de revenus la plus réaliste possible, i.e. encourageant une production durant les pics de consom-
mations. La définition de ces revenus sera a fortiori conceptuelle. Ils ne pourront être assimilés

a. Rigoureusement, le terme de revenus n’est pas correct ici. La dimension économique n’est pas
présente dans ce travail de thèse. Par abus de langage nous emploierons tout de même ce terme

47/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

à une valeur monétaire réelle comme à des euros par exemple. L’unité de ces revenus est définie
comme U M (Unité Monétaire). La formulation de ces revenus définit la fonction objectif à op-
timiser par le module de gestion de SP, développé Chapitre 4.

La philosophie employée dans cette thèse a été de définir et d’utiliser un intérêt à produire
de l’énergie variable dans le temps. Les revenus réalisés pour un certain volume d’eau turbiné à
une date ti seront considérés proportionnels à cet intérêt. Cette approche a déjà été utilisée lors
d’études réalisées par le gestionnaire EDF, notamment par Dupeyrat et al. [2008] à l’occasion
du projet IMAGINE 2030 (http://www.opcc-ctp.org/). Dans ce projet, l’intérêt à produire de
l’énergie était considéré constant lorsque la température moyenne journalière France de l’air
était supérieure à 15 C. Il était égal à l’écart à 15 C dès lors que la température moyenne
journalière France de l’air était inférieure à ce seuil. A la vue de la relation paraissant lier les
consommations électriques et les températures en France (Figure 3.3), un tel intérêt à produire
de l’énergie semble pertinent. Les consommations électriques France augmentent en effet à peu
près linéairement en dessous de 15 C et ne semblent pas sensibles aux températures au dessus
de ce seuil.
70000

65000

60000

55000

50000

45000

40000

35000

30000

25000
-5 0 5 10 15 20 25 30 35

Figure 3.3 – Influence de la température France sur l’évolution des consommations électriques
observées (RTE) en France (1996-2003). Les données de consommations électriques
France sont fournies par la RTE sur la période 1996 à aujourd’hui. Les données
de température France sont issues des réanalyses SAFRAN (Vidal et al. [2010]).

L’utilisation d’un intérêt journalier uniquement fonction de la température présente toutefois

plusieurs inconvénients majeurs :

1. Il n’est pas variable au sein d’une même journée. En l’absence de droits d’eau en aval à
satisfaire et sans aucune discrétisation infra-journalière de l’intérêt à produire de l’énergie,
les turbinés simulés par le modèle de gestion seraient inévitablement, soit nuls (intérêt
insuffisant pour déclencher une production) soit maximaux (intérêt suffisant). Ce mode de
fonctionnement dit tout ou rien n’est pas celui des ouvrages hydroélectriques à l’échelle
de la journée.
Pour prendre en compte une variabilité à une échelle temporelle inférieure à la journée,
des données de températures infra-journalières pourraient être utilisées. Cependant, cela
impliquerait après simulation de la gestion, une production énergétique concentrée la nuit

48/279
 3.2. Production hydroélectrique

(les températures nocturnes étant plus basses que celles de la journée). Cela ne correspond
pas non plus au mode de fonctionnement des ouvrages hydroélectriques.

2. Il ne permet pas la prise en compte de la dynamique de l’évolution des consommations

électriques en France au sein d’une journée alors que celle-ci est liée au mode de vie de la
population, qui diffère suivant les saisons. Une étude des différents cycles de consommations
électriques en France est présentée section A.4 de l’annexe.

3. Il ne permet pas de différencier les jours de semaines des week-ends alors que durant
ces journées les consommations électriques sont plus faibles. Le système de gestion de
SP présente d’ailleurs une production énergétique diminuée durant les week-ends (Figure
2.11).

Pour ces raisons, nous avons fait le choix d’utiliser un intérêt à produire de l’énergie directe-
ment proportionnel à la consommation électrique moyenne France plutôt que de considérer un
indice de température similaire à celui utilisé dans IMAGINE 2030 (équation 3.1).

I  Cste  C (3.1)

Avec I l’intérêt à produire de l’énergie (U M.kW h
1 ), C la consommation électrique (kW h) et

Cste une constante arbitraire (U M.kW h
2 ).

Dans une configuration idéale, il faudrait utiliser un intérêt à produire au pas de temps le plus
fin possible afin de suivre l’évolution de la consommation électrique France au sein d’une journée.
La RTE met à disposition des données de consommations électriques au pas de temps 30 minutes
de 1996 à aujourd’hui sur son site web (http://www.rte-france.com/fr/). Cependant, sur une
longue période d’étude, les temps de calcul nécessaires à l’optimisation de la gestion du système
modélisé de SP seraient a fortiori bloquants, si un tel pas de temps était utilisé. C’est pourquoi,
nous avons fait le choix d’utiliser le même pas de temps que le gestionnaire EDF utilise lors de
l’optimisation de l’ouvrage (Leveque [2012]) : une journée est découpée en trois postes horaires
(PH). Chaque PH est de durée égale à huit heures. La consommation électrique moyenne de
chaque PH est utilisée pour définir l’intérêt à produire de l’énergie pour la réserve de SP (Figure
3.4).

L’intérêt à turbiner durant chaque PH est donc supposé constant. Durant chacun des PH,
le mode de fonctionnement est a fortiori tout ou rien, i.e. que les turbinés R sont également
supposés constants durant la durée d’un PH. Par suite durant un PH fixé, si aucune contrainte
de débit minimal en aval n’est définie (i.e. Qdot  0), les revenus f de l’ouvrage, supposés
proportionnels à cet intérêt à produire de l’énergie, sont modélisés par l’équation 3.2.

fthi puh , Sthi , Ithi q  uh  Rmax  ∆th  Ithi  φpSth q

i
(3.2)

49/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

75000

I t2
70000
I t3
65000
PH 1: 00H 08H PH 2: 08H 16H PH 3: 16H 00H
MW

60000
I t1
55000

50000

Figure 3.4 – Consommations électriques France lors d’une journée hivernale. La journée est
découpée en trois postes horaires d’une durée égale à huit heures pour lesquels un
intérêt moyen Ith est défini. L’intérêt à produire de l’énergie est supposé propor-
tionnel à la consommation électrique moyenne durant chaque poste horaire

Avec fthi le bénéfice économique réalisé (U M ) pour un lâché d’eau de uh  Rmax m3 /s effectué
par la réserve de SP à la date ti durant le PH h de durée ∆th (en secondes) et Ithi l’intérêt
à produire de l’énergie fonction de consommation électrique France durant la même période
(U M.kW h
1 ). φpSthi q est le rendement de l’usine hydroélectrique de SP (kW h{m3 /s) lorsque
le stock de la retenue vaut Sthi Mm3 (cf. annexe A.5). uh est la commande que l’on cherche à
optimiser. Au sein d’un PH, les valeurs possibles de uh sont 0 (pas de production énergétique) ou
1 (production énergétique). La valeur financière d’un kW h est donc plus importante durant les
journées et les PH où les consommations électriques sont les plus fortes, c’est à dire durant les
périodes où la demande en énergie est la plus forte. Au pas de temps journalier, en considérant
que la variation de volume au sein d’une journée ne modifie pas le rendement φ, l’équation 3.2
devient :
 
¸
ft i pUti , Sti , Iti q  Ithi  uh  Rmax  ∆th  φpSt q i (3.3)
h
°
Avec Uti : la somme des commandes uh à la date ti (Uti  h uh ) et Iti le vecteur des intérêts
à turbiner aux différents PH (Iti  rIt1i , It2i , It3i s) si le nombre de PH est de trois.

Nous avons vu précédemment que le respect des droits d’eau et la satisfaction de la demande
en aval (section 2.3.1) se traduit par la fourniture d’un débit de dotation tout au long de la
journée. Ce débit est également turbiné par l’usine de SP, il est donc valorisé économiquement.
Dans ce cas, les revenus possibles du système modélisé de SP s’écrivent :

#   +
¸
ft i pUti , Sti , Iti q  Ithi  uh  pR max

Qdott q  ∆t
i
h
Qdotti  ∆t  µIti  φpSt q
i (3.4)
h

Avec Qdotti  ∆t le volume lâché afin de satisfaire la demande en eau journalière en aval
(∆t  86400s). Ce volume est lâché uniformément durant la date ti , il est donc valorisé par un

50/279
 3.2. Production hydroélectrique

intérêt à produire journalier µIti , fonction de la consommation électrique journalière. Dans ce

cas, la capacité restante pouvant être turbinée durant un PH h, afin d’optimiser la production
énergétique vaut pRmax
Qdotti q  ∆th . En résumé :

 
°
ˆ h Ithi  uh  pRmax
Qdott q  ∆th  φpSt q est le revenu journalier résultant de l’op-
i i

timisation de la production.

ˆ Qdotti  ∆t  µIti  φpSti q est le revenu journalier résultant de la fourniture du débit de

dotation qui est turbiné tout au long de la journée.

En d’autres termes, le revenu à une date ti est supposé égal à la somme des revenus réalisés
durant chaque PH h. Pour un PH h fixé, le revenu est supposé égal au produit de la quantité
d’énergie produite par l’intérêt à produire de l’énergie, fonction de la consommation électrique
moyenne de ce même PH. La quantité d’énergie produite est fonction du volume turbiné et du
rendement qui varie avec le niveau de remplissage du système.

A une date ti fixée, si la commande optimale est de turbiner pendant un nombre de postes
Uti avec Uti 3, les volumes sont turbinés durant les périodes les plus avantageuses (i.e. durant
les périodes où l’intérêt à produire est le plus élevé).

Les consommations électriques à chaque PH, nécessaires au calcul de l’intérêt à turbiner, sont
estimées via un modèle de consommation électrique développé durant cette thèse. Les détails de
cette modélisation sont présentés en annexe A.4. Toutefois, son principe est rappelé ici. Cette
modélisation est réalisée en deux étapes :

1. La première étape consiste à simuler la consommation électrique France journalière. Elle

repose sur la forte relation la liant à la température. Cette relation est dépendante du jour
de la semaine (Figure 3.5). Trois classes de jours sont utilisées : une classe semaine (bleu),
une classe samedi (vert) et une classe dimanche et jours fériés (rouge et noir).
Au dessus d’un seuil de température, les consommations électriques sont supposées constantes.
En dessous de ce seuil, elle sont supposées suivre une croissance linéaire avec la baisse des
températures.

2. La deuxième étape de la modélisation consiste à désagréger la donnée simulée au pas de

temps journalier, en un pas de temps plus fin. Le pas de temps cible est celui des PH
considérés. La désagrégation effectuée ici est stochastique par un tirage aléatoire dans un
historique de cycle journalier de consommations électriques (voir annexe A.4.

A titre d’exemple, les consommations journalières observées (noir) et simulées (bleu) durant
l’année 1996 sont présentées Figure 3.6. Sur cette figure nous pouvons constater que le modèle
proposé, très simple, permet assez bien de reproduire la dynamique de consommation électrique
en France lors de cette année. Sur l’ensemble de la période de simulation (1996-2003), le critère
Nash obtenu est de l’ordre de 0.87.

51/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

70000
Semaine
65000 Samedi
Dimache
Ferie
60000

55000

50000

(MW)
45000

40000

35000

30000

25000
-5 0 5 10 15 20 25 30 35
Temperature

Figure 3.5 – Discrimination des consommations électriques en fonction du jour de la semaine

(Consommations électriques France fonction de la température en Basse Durance
(1996-2003)). Les données de températures sont issues des réanalyses SAFRAN

70000
65000
60000
55000
50000
(MW)

45000
40000
35000
30000 Obs
Sim
25000
J F M A M J J A S O N D

Figure 3.6 – Comparaison entre la consommation observée (courbe noire) et simulée (courbe
bleue) lors de l’année 1996.

3.3. Modélisation de la demande agricole

et du débit de dotation de Serre-Ponçon
3.3.1. Contexte
Il existe différentes approches permettant de prendre en compte un usage agricole de l’eau des
réservoirs. Par exemple, Tilmant et al. [2008] optimisent la somme des revenus liés à la produc-
tion agricole d’une région avec les revenus liés à la production hydroélectriques d’un ensemble
de retenues. Dans cette étude, la meilleure optimisation consiste à restreindre les agriculteurs
les plus en amont du bassin versant dans le but de valoriser davantage l’eau par la production
d’hydroélectricité. Cette approche, bien que novatrice, ne peut pas être utilisée sur le bassin
de la Durance. Les données nécessaires ne sont pas disponibles de façon exhaustive (e.g. sur-
face irriguées, type de cultures, prix de vente des produits agricoles). Leurs évolutions dans un
contexte de changement de climat seraient d’autant plus difficiles à estimer. Aussi et surtout,
aucune restriction de la demande des agriculteurs ne peut être envisagée de manière pérenne sur
le bassin afin d’augmenter la productivité de la CPH-DV. Une telle pratique n’est pas réalisée
par le gestionnaire EDF. En périodes de crises, des discussions peuvent cependant avoir lieu

52/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

entre les différents acteurs comme cela a été présenté au chapitre 2.

Sur le bassin de la Durance, le gestionnaire EDF de la CPH-DV, doit assurer la satisfaction

de cette demande en eau dès que les ANR à Cadarache ne sont pas suffisants pour contenter
le besoin des usagers (section 2.3.1). Dans ce cas, la réserve de SP est sollicitée pour fournir le
complément. En conséquence, la fourniture du débit de dotation Qdot ne sera pas optimisée,
mais sera considérée comme une contrainte de débit minimal à fournir en aval.

3.3.2. Reconstitution du débit de dotation de SP

Le débit de dotation de la réserve de SP à une date ti est modélisé par la différence entre les
prélèvements réalisés et les apports des Bassins Versants Intermédiaires (BVI) quand les seconds
sont inférieurs aux premiers. Il est nul dans le cas contraire (équation 3.5).

Qdotti  max P relevti
k  QBV I ti , 0 (3.5)

Avec Qdotti , P relevti et QBV I ti respectivement le débit de dotation de SP, la demande en

eau en aval de Cadarache (i.e. les prélèvements en Basse Durance) et les apports intermédiaires
(en amont de la réserve de Cadarache et en aval de SP) à la date ti .

La totalité des apports des BVI ne participe pas à la satisfaction de la demande en eau en
aval de la retenue de Cadarache. Si tel avait été le cas, le coefficient k équation 3.5 aurait eu
comme valeur 1. Une partie des apports collectés dans le canal usinier entre SP et Cadarache
(QBV I ), doit en effet être redirigée vers le cours naturel de la Durance pour satisfaire les droits
d’eau (i.e. le débit réservé aux pieds des différents ouvrages sur ce tronçon de la CPH-DV). De
plus, des prélèvements en amont de la retenue de Cadarache peuvent également exister, ce qui
pourrait avoir comme effet de diminuer davantage la part des QBV I entrant réellement dans
la retenue de Cadarache. Le terme d’apports intermédiaires QBV I équation 3.5, doit donc être
pondéré par le paramètre k, avec k<1. Ce paramètre est supposé constant dans le temps. Une
représentation plus fine de la sollicitation pourrait faire intervenir une dépendance temporelle
de ce paramètre.

Comme le montre l’équation 3.5, la modélisation du débit de dotation nécessite de connaı̂tre

i) une estimation de la demande en aval de Cadarache et ii) une estimation des apports des
BVI entre SP et Cadarache. In fine, l’objectif étant de pouvoir estimer le débit de dotation à
fournir par le système modélisé de SP en climat futur, une modélisation de ces variables est
nécessaire. La construction d’une modélisation de ces quantités nécessite des données observées
de prélèvements et d’apports des BVI à Cadarache. Comme cela est expliqué au chapitre 2,
ces données n’existent pas, mais EDF les a reconstituées au pas de temps journalier. La plage
temporelle commune aux données reconstituées de prélèvements et d’apports BVI à Cadarache
est la période 1990 – 2002 :

ˆ Les apports des BVI sont reconstitués à partir i) de chroniques de débits sur certains points
des bassins intermédiaires, ii) de bilans aménagements et iii) d’estimations d’apports natu-

53/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

rels à l’amont des aménagements sur la base d’indicateurs météorologiques (Prudhomme

[2003]). Cette reconstitution est indépendante de l’équation 3.5.
ˆ Les prélèvements sont reconstitués à partir des débits turbinés dans le canal usinier. Les
débits turbinés par SP sont supposés égaux au débit de dotation pendant l’été.

A partir de ces données reconstituées, le débit de dotation de la réserve de SP est reconstitué

à partir de l’équation 3.5 sur la période 1990-2002. La reconstitution des apports des BVI à
Cadarache étant réalisée à partir de bilans aménagements sur le bassin versant, cette chronique
intègre le différentiel lié aux prélèvements amont des ouvrages et au débit réservé au cours natu-
rel de la Durance a . L’utilisation de cette chronique dans la reconstitution du débit de dotation
(équation 3.5) implique une valeur du paramètre k=1. En supplément du débit de dotation, le
débit réservé en aval de la retenue (Qres=2.1 m3 /s) est ajouté.

Le débit de dotation de la réserve de SP obtenu à partir de l’équation 3.5 est présenté pour
la période 1990 à 2002 sur la Figure 3.7. Les apports des BVI (rouge) étant supérieurs aux
prélèvements durant l’hiver (noir), le débit de dotation (bleu) est nul à cette période. Durant la
saison estivale, les prélèvements ne présentent pas de variabilité inter-annuelle forte (Figure 2.7
page 38 + Balland et al. [2002]). En conséquence, la variabilité inter-annuelle observée du débit
de dotation à cette période dépend au premier ordre des apports entrant dans le canal usinier,
et donc de la pluviométrie sur le bassin versant de la Durance à l’aval de SP.

Le débit de dotation sera modélisé avec la même équation que celle utilisée pour la reconsti-
tution 3.5. Dans un premier temps, les modélisations de la demande agricole en Basse Durance
et des apports BVI sont présentés respectivement section 3.3.3 et 3.3.4. Après calage des para-
mètres du modèle de dotation, les débits de dotation simulés seront comparés aux chroniques de
débits de dotation reconstitués dans la section 3.3.5.

a. Notons que les volumes lâchés par la retenue de Sainte-Croix pour subvenir aux besoins du ca-
nal de Provence sont considérés ici comme des prélèvements en amont de la réserve de Cadarache et
n’interviennent donc pas dans le calcul des apports de BVI à Cadarache.

54/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

250 250 250 250

1990 1991 1992 1993
200 200 200 200
150 150 150 150
100 100 100 100
50 50 50 50
0 0 0 0
J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D
250 250 250 250
1994 1995 1996 1997
200 200 200 200
150 150 150 150
100 100 100 100
50 50 50 50
0 0 0 0
J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D
250 250 250 250
1998 1999 2000 2001
200 200 200 200
150 150 150 150
100 100 100 100
50 50 50 50
0 0 0 0
J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D J FMAM J J A S ON D
250
2002
200
150
100
50
0
J FMAM J J A S ON D

Figure 3.7 – Co-influence des apports au canal usinier et des prélèvements sur le débit de
dotation de la réserve de SP. Courbes rouges : apports au canal usinier EDF.
Courbes noires : Prélèvements reconstitués à Cadarache. Courbes Bleues : Débit
de dotation calculé de la réserve de SP.

3.3.3. Modélisation des prélèvements à Cadarache

Cette sous-section présente le développement d’une modélisation de la demande agricole, i.e.
des prélèvements effectués en Basse Durance et comptabilisés à Cadarache. Cette modélisation
est réalisée à partir de données météorologiques accessibles sur le bassin aval de SP. Le mo-
dèle de prélèvement est choisi conceptuel. Il fera intervenir des représentations simplifiées des
phénomènes hydrologiques et des pratiques agricoles. Les paramètres de ce modèle seront calés
sur la chronique reconstituée de prélèvements présentée Figure 2.7 page 38. L’étroite plage de
données disponibles (1996 – 2002) ne permet pas d’évaluer le modèle de demande agricole sur
une période indépendante de la période utilisée pour le calage de ses paramètres. Ainsi, le calage
et l’évaluation de ce modèle seront réalisés sur la même période 1996–2002.

3.3.3.a. Besoin en eau de la Basse Durance

A une date donnée, les besoins en eau des agriculteurs dépendent de l’étendue des surfaces
en culture, des types de plantes en culture et du stade végétatif des cultures. Ils sont d’autant
plus importants que le potentiel évaporatoire de l’atmosphère est grand et que les ressources
en eau, mobilisables localement par les plantes dans les sols et le sous-sol, sont limitées. Ces
différents facteurs sont pris en compte de façon simplifiée dans la modélisation des besoins
en eau proposée ci-dessous. Cette modélisation est largement perfectible. Elle ignore de fait, de

55/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

nombreux facteurs importants qui modulent cette demande en eau dans le temps et dans l’espace
(e.g. la modification des types de culture d’une année à l’autre ou la possibilité pour certains
agriculteurs de mobiliser des ressources en eau de surface locales (cours d’eau voisins, bâches
agricoles locales)). Elle a pour seul objectif de permettre une estimation plausible des besoins
en eau à l’échelle de la région en aval pour un assolement régional inter-annuel moyen. Pour une
culture donnée, le besoin en eau B (mm.j
1 ) peut être estimé via l’équation 3.6.

B  Kc  ET0 (3.6)

où ET0 est l’évapotranspiration dite de référence (mm.j
1 ), calculée pour une culture de
référence donnée (gazon). Elle représente le potentiel évaporatoire de l’atmosphère. KC est le
coefficient cultural de la culture. Le coefficient cultural est le rapport entre l’évapotranspiration
d’une culture (ETc) et l’évapotranspiration potentielle de référence ET0 . Ce coefficient intègre
quatre caractéristiques primaires qui permettent de distinguer cette culture de la culture de réfé-
rence. Ces caractéristiques sont : la hauteur de la culture, la résistance de surface sol-végétation,
l’albédo et l’évaporation depuis le sol (Allen et al. [1998]). Pour une culture donnée, ce coefficient
est donc variable dans le temps.

L’évaluation de la demande en eau de l’ensemble des parcelles mises en culture à un moment

donné à l’échelle régionale, est estimée de façon similaire et simplifiée par le produit du potentiel
évaporatoire de l’atmosphère ET0 et d’un coefficient cultural régional (KCR ).

Les besoins en irrigation dépendent de la demande en eau des cultures et des ressources
en eau locales mobilisables par ces dernières. Si les stocks en eau dans les sols sont suffisants,
l’irrigation n’est pas nécessaire. Elle le devient dès que les plantes ne peuvent plus mobiliser les
ressources nécessaires à leur développement. Localement, cela se produit lorsque la demande en
eau des cultures est supérieure à la réserve utile. Les besoins en irrigation sont alors d’autant plus
importants que la demande en eau des plantes est forte et que le stress hydrique lié à un taux
d’humidité réduit dans les sols est fort. La façon dont est estimé ce stress hydrique pour la région
aval de la Durance est présentée section 3.3.3.b. Par suite la modélisation des prélèvements est
présentée section 3.3.3.c. Cependant, nous allons d’abord nous focaliser sur les estimations de
l’évapotranspiration de référence ET0 , et du coefficient cultural Kc .

3.3.3.a.a Évapotranspiration de référence ET0

Pour estimer le potentiel évaporatoire de l’atmosphère ET0 , la FAO recommande la formula-
tion de Penman-Monteith dans le cas idéal où les données nécessaires à son application sont
disponibles (Chiew et al. [1995]) (données de vent, de durée d’ensoleillement effective, de rayon-
nement, de pression de vapeur effective de l’air par exemple). Si cela n’est pas le cas, la FAO
préconise alors l’utilisation de la formulation d’Hargreaves et al. [1985] (Allen et al. [1998]).
Cette dernière (équation 3.7) est un choix perfectible, mais présente l’avantage d’être homogène
avec le degré de sophistication de la formulation d’ETP utilisée dans le modèle hydrologique
Cequeau. La formulation d’Hargreaves et al. [1985] n’utilise que des données de températures

56/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

journalières et permet de fournir des résultats raisonnables d’ET0 sur un ensemble important de
bassins versants (Allen et al. [1998]).

ET0Hargreaves  0.0023pTmoy 17.8q  pTmax
Tmin q0.5  Re (3.7)

Avec :

ˆ Tmoy : Température moyenne journalière ( C)

ˆ Tmax : Température maximale journalière ( C)
ˆ Tmin : Température minimale journalière ( C)
ˆ Re : Rayonnement extraterrestre (M J.m
2 .j
1 )

Les données de températures utilisées pour estimer l’évapotranspiration sont des températures
régionales moyennes estimées sur la base des ré-analyses SAFRAN (Vidal et al. [2010]) pour la
partie aval du bassin de la Durance, dont le point de contrôle le plus en amont est la retenue de
Cadarache (sous bassin C6 Figure 3.8). Le cycle annuel de l’ET0 , calculée pour la Basse Durance,
est présenté Figure 3.9 pour chacune des années de la période 1990-2002. L’ET0 est minimale fin
décembre, puis augmente jusqu’à la fin juillet environ. La variabilité inter-annuelle de l’ET0 cal-
culée durant la période estivale est plus forte que durant la période hivernale, mais reste tout de
même assez faible. De fait, les différences inter-annuelles observées sur les prélèvements reconsti-
tués (Figure 2.7) ne peuvent pas uniquement s’expliquer par la variabilité de l’ET0 ainsi calculée.

3.3.3.a.b Coefficient cultural

Le coefficient cultural KC est le coefficient à appliquer à l’ET0 pour connaı̂tre le besoin en eau de
la culture considérée (équation 3.6). Il dépend du type de culture et de son stade végétatif (Figure
3.10). Il est nul lorsque les sols n’ont pas été ensemencés, très inférieur à 1 après l’ensemencement
(ce qui correspond à un besoin en eau très inférieur à celui du gazon), et peut croı̂tre rapidement
jusqu’à des valeurs pouvant dépasser largement l’unité pendant la période de pleine croissance
des plantes. Le calcul du besoin exact en eau d’une parcelle (de culture connue) est réalisable en
utilisant le coefficient cultural adapté. Il est important de noter que les valeurs de ces différents
coefficients culturaux sont des valeurs empiriques. Pour les différents types de cultures usuelles,
des tables sont disponibles en ligne (http://www.agrometeo.fr/).

57/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

Serre-Ponçon

Cadarache

Sainte-Croix

Figure 3.8 – Discrétisation du bassin aval de la Durance. A l’aval de Serre-Ponçon des données
de précipitations et de températures sont disponibles de 1959 à 2005 sur les regrou-
pements de sous-bassins versants en couleur. La chronique de température utilisée
pour l’estimation de l’ET0 en basse Durance est celle du BV 6 :”La Durance aval”.
Les données de températures et de précipitations utilisées pour calculer le stress
hydrique sont celles du BV C6 ”La Durance Aval”. Les données de précipitations
et de températures utilisées pour la modélisation des apports BVI entre SP et
Cadarache sont celles BV C2, C3, C4 et C5 (respectivement ”Le Buech à Serres”,
”La Durance à L’Escale”, ”Le Verdon à Ste Croix”, ”La Durance à Cadarache”)

7
1990
6 1991
1992
5 1993
1994
4 1995
1996
3 1997
1998
2 1999
2000
1 2001
2002
0
J F M A M J J A S O N D

Figure 3.9 – Variabilité inter-annuelle de l’évapotranspiration en Basse Durance. L’évapotrans-

piration est calculée à l’aide de la formulation d’Hargreaves et al. [1985] (équation
3.7). Les chroniques d’ET0 ont été lissées sur une fenêtre de 10 jours.

58/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

Figure 3.10 – Schéma de l’évolution du coefficient cultural pour une culture particulière
(Adapté de Allen et al. [1998])

Le coefficient cultural est donc fortement dépendant du calendrier cultural de cette culture,
qui peut varier d’une exploitation agricole à l’autre une même année, d’une année à l’autre pour
un même exploitant. Il est possible de définir un coefficient cultural à l’échelle régionale KCR
(forcément conceptuel). Il permet d’exprimer, compte tenu des différentes surfaces en culture à
un moment donné, le ratio entre la demande en eau de ces surfaces et la demande en eau de
l’ensemble du territoire considéré, s’il était partout engazonné (équation 3.8).

KCR pti q 
p q
¸ KC s, ti .ds
(3.8)
Stot
Avec :

ˆ KC ps, ti q  0 si parcelle s de surface ds est sans culture.

ˆ KC ps, ti q  KC pCul, ti q si la parcelle s de surface ds est en culture de type Cul.
ˆ Stot : Surface totale considérée.

Les variabilités inter-annuelles des surfaces exploitées ainsi que les types de cultures réalisées
ne permettent pas d’effectuer le calcul rigoureux du coefficient cultural régional tel qu’il est
défini équation 3.8. Pour une certaine surface totale cultivée durant l’année, l’hypothèse que les
mises en cultures soient étalées temporellement durant l’année (avec une exploitation maximale
durant l’été) ne semble pas abusive. Dans ces conditions, le coefficient cultural régional KCR
est supposé pouvoir être modélisé très simplement par une gaussienne, de moyenne µe (position
dans l’année du maximum) et d’écart type σe (permet d’étaler la période de mise en culture).
La valeur maximale du coefficient cultural régional est définie par Ie . Les paramètres µe, σe, Ie
restent à déterminer lors du calage du modèle de prélèvements.

59/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

3.3.3.b. Stress hydrique

Dès lors que la disponibilité de l’eau dans le sol passe sous un certain seuil, les cultures su-
bissent un stress hydrique. Au contraire, si la disponibilité de l’eau dans le sol est supérieure
à ce seuil, les cultures ne subissent aucun stress. La disponibilité de l’eau dans le sol (et donc
le stress hydrique) dépend i) de l’humidité du sol et ii) du type de sol. Par exemple, pour un
même taux d’humidité, la disponibilité de l’eau est plus faible dans un sol argileux que pour un
sol sableux. En période de stress, la croissance d’une plante diminue et peut dans certains cas
être stoppée. Dans le milieu agricole, l’occurrence fréquente d’un stress hydrique peut s’avérer
désastreuse pour une culture. Pour se prévenir de dommages potentiels (voir de la perte totale
de la culture), les agriculteurs irriguent les cultures dès lors qu’un risque de stress est avéré. La
disponibilité de l’eau dans le sol peut être évaluée à l’aide du modèle hydrologique Cequeau. Au
sein de ce modèle conceptuel, deux réservoirs décrivent l’état du sol : i) le réservoir sol et ii) le
réservoir nappe. L’eau présente dans le réservoir sol est supposée facilement mobilisable par les
plantes tandis que l’eau du réservoir nappe est supposée être à des profondeurs trop importantes
pour être utilisée par les plantes.

Le modèle hydrologique Cequeau disponible dans le projet RIWER 2030 est calé à l’amont de
SP. A l’heure où nous avons fait ces développements, aucune modélisation hydrologique n’était
disponible en Basse Durance. L’extension du modèle Cequeau sur la Durance Aval est prévue
dans le projet R2D2.

Afin d’avoir une estimation, même grossière, de la quantité d’eau dans le sol en Basse Durance,
le jeu de paramètres du modèle hydrologique calé à l’amont de SP (i.e. un bassin versant de haute
montagne), est utilisé pour simuler le territoire C6 situé en Basse Durance, Figure 3.8 (i.e. un
bassin versant à régime pluvial). Les moyennes spatiales des températures et des précipitations,
nécessaires à cette estimation, sont calculées sur le bassin versant C6 (i.e. du bassin versant à
l’aval de Cadarache). La hauteur d’eau dans le sol, modélisée en Basse Durance, est présentée
Figure 3.11 pour les années 1990 à 2002. L’évolution temporelle de la hauteur d’eau dans le
réservoir sol est fortement liée aux précipitations (les cumuls mensuels sont représentés par les
barres bleues Figure 3.11). Elle permet ainsi de prendre en compte la contribution locale des
précipitations.
Le facteur de stress hydrique SH est modélisé par l’équation 3.9.

Hsol 
SH  1
min Hseuil
,1 (3.9)

Avec :

ˆ SH : le facteur de stress hydrique (sans dimension).

ˆ Hsol : la hauteur d’eau dans le réservoir sol (mm).
ˆ Hseuil : la hauteur d’eau dans le sol à partir de laquelle le stress est non nul (mm).

60/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

100 2000 100 2000 100 2000 100 2000

80 1990 1500 80 1991 1500 80 1992 1500 80 1993 1500
60 60 60 60
1000 1000 1000 1000
40 40 40 40
20 500 20 500 20 500 20 500

0 0 0 0 0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D
100 2000 100 2000 100 2000 100 2000
80 1994 1500 80 1995 1500 80 1996 1500 80 1997 1500
60 60 60 60
1000 1000 1000 1000
40 40 40 40
20 500 20 500 20 500 20 500

0 0 0 0 0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D
100 2000 100 2000 100 2000 100 2000
80 1998 1500 80 1999 1500 80 2000 1500 80 2001 1500
60 60 60 60
1000 1000 1000 1000
40 40 40 40
20 500 20 500 20 500 20 500

0 0 0 0 0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D
100 2000
80 2002 1500
60
1000
40
20 500

0 0
J FM AM J J A S O N D

Figure 3.11 – Influence des précipitations totales (solide + liquide) sur la hauteur d’eau dans le
réservoir sol en Basse Durance. Courbes noires : Hauteur d’eau dans le réservoir
sol du modèle hydrologique Cequeau pour le territoire C6. Barres bleues : Cumuls
mensuels de précipitations totales du BV C6 Figure 3.8. Les cumuls mensuels de
précipitations sont donnés à titre indicatif de la pluviométrie sur le bassin de la
Durance. L’axe de gauche (mm) correspond à la hauteur d’eau dans le réservoir
sol. L’axe de droite (mm) correspond aux cumuls pluviométriques. Pour faciliter
la lecture graphique, l’axe des débits est limité à 100 mm et l’axe des cumuls
pluviométriques à 2000 mm.

Le stress hydrique ainsi défini varie entre 0 et 1. Il vaut 0 si Hsol , la hauteur d’eau dans le
réservoir sol de Cequeau pour le BV C6, est supérieure ou égale à la hauteur seuil. Au contraire
si la hauteur Hsol est inférieure au seuil, le stress augmente linéairement jusqu’à atteindre la
limite de 1 si la hauteur d’eau dans le sol est nulle. Le paramètre Hseuil est à caler.

3.3.3.c. Prélèvements

Les prélèvements effectués en Basse Durance sont considérés être la somme de prélèvements
non agricoles et agricoles. Les prélèvements non agricoles (P relevmin ) sont supposés constants
tout au long de l’année. Les prélèvements agricoles sont au contraire très saisonniers et fonction
de la demande des agriculteurs en Basse Durance. Les prélèvements sont modélisés de façon
simplifiée via l’équation 3.10 :


P relevti  min Cste  SHti  KCRti  ET0t  SA i
P relevmin , P relevmax (3.10)

Avec :

61/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

ˆ SH : Stress hydrique estimé (paramètre Hseuil , sans dimension).

ˆ KCR : Coefficient cultural régional estimé (paramètres µe, σe, Ie ). Il représente l’évolution
temporelle du besoin en eau relatif (par rapport à l’ET0 ) des cultures à l’échelle régionale.

ˆ ET0 : Evapotranspiration de référence. (mm.j
1 )

ˆ SA : Surface Agricole Maximale. La surface choisie est SA  97000 ha et correspond

à la surface irriguée en Basse Durance durant l’année 2000. Cette surface est supposée
constante dans le temps, ce qui sera une limite de représentativité du devenir des prélève-
ments réels.

ˆ P relevmin est le prélèvement d’origine non agricole. Il est additionné aux prélèvements
agricoles.

ˆ P relevmax est le prélèvement maximal fonction du dimensionnement des canaux d’irriga-

tion.

ˆ Cste (10
3 {86400.ha
1 )

ˆ Cste  SHti  KCRti  ET0ti  SA représente les prélèvements agricoles à la date ti . Si

le stress hydrique SH ou le coefficient cultural régional est nul, aucun prélèvement n’est
requis pour satisfaire le besoin des cultures.

Les paramètres optimaux de ce modèle de prélèvements (Hseuil , µe, σe, Ie ) sont obtenus à
l’aide d’une procédure de calage automatique (Tableau 3.1). La fonction de coût utilisée pour
caler le modèle de prélèvements est l’indice KGE (Gupta et al. [2009]). Ce critère permet d’obte-
nir un jeux de paramètres maximisant la corrélation tout en limitant le biais et en reproduisant
au mieux la variabilité de la chronique observée.

On notera que la valeur optimale du paramètre Hseuil est supérieure à la hauteur maximale
de stockage d’eau ( 136.4 mm) dans le réservoir sol simulé par le modèle hydrologique Cequeau
(Figure 3.11). Il n’y a donc pas de seuil en dessous duquel il n’y aurait aucun stress hydrique
à l’échelle régionale, ce qui impliquerait par suite une demande de prélèvement agricole nulle.
L’explication provient du fait qu’un unique réservoir sol est utilisé dans le modèle Cequeau pour
tout le territoire aval alors qu’il existe une forte variabilité spatiale de types de sols sur le bassin.
Comme énoncé précédemment, le type de sol a une influence importante sur la capacité des
plantes à utiliser l’eau présente dans les sols. L’utilisation d’un seul réservoir (et donc d’un seul
type de sol), par effet de combinaison, engendre la disparition du seuil à l’échelle régionale. Cela
a pour effet de générer un stress hydrique linéaire et non nul, quel que soit l’état de saturation
du réservoir global utilisé par C6, sur l’ensemble de la période d’étude.
Les prélèvements simulés (courbes rouges) sont confrontés aux prélèvements reconstitués
(courbes noires) sur la Figure 3.12. Étant donné la simplicité du modèle de prélèvements utilisé
(particulièrement l’hypothèse d’un coefficient cultural régional de forme gaussienne), les résul-
tats de simulation sont satisfaisants. Ce modèle simple permet notamment dans l’été de simuler
certaines variations brutales des prélèvements observés. Ainsi les diminutions brutales des pré-
lèvements durant les mois d’avril 1990, 1998 et 2002 sont assez bien reproduites. Au contraire,

62/279
 3.3. Modélisation de la demande agricole et du débit de dotation de Serre-Ponçon

Hseuil µe σe Ie
139.1 189 126 1.98

Tableau 3.1 – Valeurs des paramètres optimaux du modèle de prélèvements. Hseuil : seuil de
stress hydrique (mm), µe : jour calendaire du besoin maximal en eau (j), σe :
écart-type du jour maximal du besoin maximal en eau (j), Ie : maximal relatif
du besoin en eau.

la reproduction des prélèvements importants liés à l’aspersion au-dessus des vergers à la fin de
l’hiver / début du printemps (1998, 1999, 2000) ne peut être réalisée car non conceptualisée dans
le modèle. Le critère de Nash calculé sur l’ensemble de la chronique de 1996 à 2002 a une valeur
de 0, 8.

La variabilité inter-annuelle des prélèvements est sans véritable surprise, relativement mal
reproduite par le modèle. On notera en particulier que le calendrier cultural et les assolements
sont supposés les mêmes d’une année à l’autre ce qui n’est évidemment pas le cas. La capacité du
modèle de prélèvements à reproduire la variabilité inter-annuelle des prélèvements reconstitués
est présentée en annexe A.6.1.

150 150 150 150

1990 1991 1992 1993

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 150 150 150

1994 1995 1996 1997

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 150 150 150

1998 1999 2000 2001

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 Prelev Obs

Prelev Sim
2002
100

50

0
J FM AM J J A S O N D

Figure 3.12 – Comparaison des années de prélèvements observées (courbes noires) et simulées
(courbes rouges) via le modèle de prélèvements défini équation 3.10. Les para-
mètres de modèle de prélèvements sont donnés Tableau 3.1

3.3.4. Modélisation des apports des bassins intermédiaires

Le jeu de paramètres du modèle hydrologique amont de SP est utilisé sur le bassin de la Basse
Durance pour simuler des chroniques d’apports des BVI entrant dans le canal usinier entre SP

63/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

et Cadarache. Les apports sont simulés pour les quatre sous bassins C2, C3, C4 et C5 présentés
Figure 3.8. Les données de températures et précipitations nécessaires à cette modélisation sont
spatialisées sur chacune des quatre mailles considérées. Les apports simulés (courbes rouges)
entrant dans Cadarache sont confrontés aux apports reconstitués (courbes noires) Figure 3.13, sur
la période 1990-2002. Cette modélisation produit des apports supérieurs aux apports reconstitués.
Les différences importantes peuvent s’expliquer principalement par deux effets :

ˆ Le jeu de paramètres utilisé est celui obtenu par calage sur le bassin versant amont de la
Durance. Il n’est donc pas le jeu optimal pour les quatre sous bassins considérés.
ˆ La reconstitution des apports observés a été établie à partir de variables météorologiques
et de bilans aménagements. La référence utilisée pour évaluer le modèle hydrologique est
donc également sujette à caution.

400 400 400

300 300 300
1990 1991 1992
200 200 200
100 100 100
0 0 0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
400 400 400
300 300 300
1993 1994 1995
200 200 200
100 100 100
0 0 0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
400 400 400
300 300 300
1996 1997 1998
200 200 200
100 100 100
0 0 0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
400 400 400
300 300 300
1999 2000 2001
200 200 200
100 100 100
0 0 0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
400 Obs
300 Sim
2002
200
100
0
J F M A M J J A S O N D

Figure 3.13 – Comparaison entre les débits de bassins versants intermédiaires SP Ñ Cadarache
simulés (rouge) et reconstitués (noir). La valeur du critère de Nash obtenue sur
la période 1990-2002 est de 0.62

3.3.5. Modélisation des débits de dotation de SP

Le débit de dotation est modélisé par l’équation 3.5. Les données utilisées sont les données
simulées de prélèvements et d’apports intermédiaires. Tout comme le modèle de prélèvement,
les procédures de calage et d’évaluation du modèle sont effectuées sur la période 1990-2002. La
valeur du paramètre k est calée afin que le débit de dotation modélisé reproduise au mieux les
chroniques de débits de dotation reconstitués section 3.3.2. La fonction de coût utilisée lors du
calage du paramètre k est une RM SE (erreur moyenne quadratique) sur le volume annuel à
fournir par SP. Le paramètre optimal obtenu est k  0.72. Les résultats de cette modélisation

64/279
 3.4. Tourisme : courbe guide de remplissage

sont présentés Figure 3.14 de 1990 à 2002 (débits de dotation reconstitués (noir) et simulés
(rouge).

Le modèle final de débit de dotation permet de reproduire assez bien la durée des périodes
où la sollicitation n’est pas nulle. Par exemple, le débit de dotation de la réserve de SP durant
l’année 1990 commence dès le mois de février et s’étend jusqu’au mois de septembre, au contraire
de l’année 2001 où le débit à fournir est seulement localisé durant les mois de mai à fin août. Le
modèle arrive à bien reproduire cette variabilité dans la plus grande majorité des cas. Seule l’an-
née 1992 est moins bien reproduite avec notamment, une surestimation importante des volumes
simulés durant les mois de mai et juin par rapport à la reconstitution.

150 150 150 150

1990 1991 1992 1993

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 150 150 150

1994 1995 1996 1997

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 150 150 150

1998 1999 2000 2001

100 100 100 100

50 50 50 50

0 0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

150 Obs
Sim
2002
100

50

0
J FM AM J J A S O N D

Figure 3.14 – Comparaison entre les débits de dotation reconstitués (courbes noires) et simulés
à SP (courbes rouges).

Sur l’ensemble de la période, le Nash est de 0.8, ce qui est une valeur correcte compte tenu
de certaines hypothèses réalisées, et des incertitudes importantes sur les données reconstituées.
L’analyse de la capacité du modèle à reproduire la variabilité inter-annuelle du débit de dotation
est présentée en Annexe A.6.2.

3.4. Tourisme : courbe guide de

remplissage
Il existe plusieurs possibilités pour intégrer la gestion d’une cote touristique au sein d’un
processus d’optimisation. Ward et al. [1996] présentent par exemple un algorithme permettant

65/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

d’estimer les revenus économiques liés aux activités touristiques des réservoirs hydrauliques.
Dans le cas de Ward et al. [1996], ces revenus sont fonction de la surface des étendues d’eau et
donc au stock d’eau S présent dans le réservoir. Ces revenus pourraient donc être intégrés à la
fonction objectif f définie section 3.2. L’approche utilisée par Ward et al. [1996] a nécessité un
jeu important de données (e.g. le nombre de visiteurs sur site, la distance parcourue domicile-lac,
la proportion de touristes mineurs (¡ 18 ans)) non disponible au sein du projet RIWER 2030. Il
aurait également était difficile d’estimer leur évolution dans le temps étant donné les mutations
probables du secteur touristique sous couvert de changement climatique (Perry et Smith [1996];
Beniston [2003]; Hein et al. [2009]).

De plus, nous avons vu dans le chapitre 2 que EDF assure de bonnes conditions de rem-
plissage du réservoir de SP lors de la saison touristique. L’objectif de cote retenue est de 778m
NGF et doit si possible être atteint le 1er juillet. Cette hauteur correspond à un volume SObj T

stocké dans le réservoir de 972.9 Mm3 . La stratégie employée par EDF permet la satisfaction de
l’objectif de remplissage au 1er juillet en moyenne neuf années sur 10. L’intégration des revenus
touristiques au sein d’une fonction objectif n’aurait pas permis cette considération probabiliste
dans le gestion du remplissage du système modélisé de SP. L’objectif étant de construire un
modèle de gestion se rapprochant le plus possible de la gestion opérationnelle, nous avons fait le
choix de considérer l’usage touristique de la réserve SP comme une contrainte de stock minimal
à garantir durant l’été. De façon similaire à ce que réalise le gestionnaire de SP, une courbe guide
de remplissage V lim est définie pour garantir l’objectif de cote neuf années sur dix en moyenne.
La probabilité de 0.9 de satisfaction est calculée à partir de l’historique d’apports et de débits
de dotation à la disposition du gestionnaire. Le calcul de cette courbe guide de remplissage
90 % est réalisée en deux étapes :

1. Pour chacune des années de l’historique, le volume minimal Vti , nécessaire à chaque date
T
ti pour satisfaire l’objectif de cote S Obj au 1er juillet est calculé via l’équation 3.11.

¸
{
01 07t
i

Vti  max T
SObj
∆t Qnetti , 0 (3.11)

ti t

T
Avec : SObj l’objectif de cote estivale (m3 ), 01{07ti le 1er juillet suivant la date ti et Qnetti
les apports nets à la réserve (m3 /s) au pas de temps journalier ∆t (86400 secondes). Les
apports nets au réservoir à une date ti sont définis par la différence entre les apports au
réservoir Qti et le débit de dotation Qdotti (équation 3.12). Ils peuvent donc être négatifs.

Qnetti  Qt
Qdott
i i (3.12)

2. Les valeurs de stock V limti définissant la courbe guide 90 % sont les quantiles 90 des
volumes Vti @ti .

Après le début de la saison touristique, l’hydroélectricité étant peu sollicitée en été, une cote
élevée est maintenue le plus longtemps possible selon les conditions d’apports au réservoir et du

66/279
 3.4. Tourisme : courbe guide de remplissage

débit de dotation à fournir. Si a une date ti le volume de la réserve est inférieur à V limti , la
probabilité de satisfaire l’objectif de cote au 1er juillet est inférieur à 90 %. Si à une date ti la
valeur de V limti est nulle, cela signifie que neuf années sur 10, il n’est pas nécessaire de disposer
à cette date d’un stock d’eau dans la retenue pour espérer satisfaire en moyenne l’objectif de
cote au 1er juillet. Dans le cas de SP, la définition de V lim étant probabiliste, un calcul robuste
nécessite un historique le plus important possible.

Un exemple de courbe guide 90 % est présenté Figure 3.15 (courbe noire). Cette courbe guide
est calculée en utilisant un historique de 30 ans (19744-2003). Sur cette Figure, les courbes guides
des 30 années de l’historique sont représentées en gris.

1000

800

600

400

200

0
Jan Fev Mar Avr Mai Jun Jui Aou Sep Oct Nov Dec

Figure 3.15 – Courbe guide de remplissage 90 % calculée sur l’historique 1974-2003. Cette
courbe définit le volume nécessaire à une date calendaire donnée afin de satisfaire
neuf années sur dix en moyenne l’objectif de cote au 1er juillet. Durant les mois de
juillet et août, la courbe guide est égale au volume objectif durant cette période,
soit 972.9 Mm3 . Cette courbe guide 90 % étant calculée en utilisant 30 années
d’historique, le volume retenu à chaque date ti est le 4ème plus élevé.

La courbe guide augmente rapidement durant la période de l’onde de fonte (mai et juin). Le
reste de l’année, les faibles apports entrants dans la réserve impliquent une augmentation plus
lente de la courbe guide. Cette courbe guide représente la frontière entre deux modes de gestion
de la réserve :

ˆ Si le niveau de remplissage de la réserve à une date ti est inférieur à la courbe guide,

aucune optimisation du placement de l’eau n’est réalisée : dans le mesure du possible,
seul le débit de dotation est satisfait (la fourniture du débit de dotation est un objectif
prioritaire sur l’objectif touristique).

ˆ Si le niveau de remplissage de la réserve à une date ti est supérieur à la courbe guide, une
optimisation de la production avec le volume excédentaire est possible.

67/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

3.5. Conclusion
Comme cela a été précisé dans le chapitre 2, la prise en compte rigoureuse des contraintes et
objectifs de l’ouvrage de SP n’est pas possible à l’échelle du projet RIWER 2030 qui est limité
à l’amont de SP. Plusieurs hypothèses simplificatrices ont été nécessaires. Un premier travail a
donc été de conceptualiser les différents usages de l’eau de SP pris en compte dans cette thèse.
Ce travail a été réalisé via les différents développements présentés dans ce chapitre. Les résultats
de ces modèles seront utilisés en entrée du modèle de gestion permettant l’optimisation et la
simulation de la gestion du système modélisé de SP.

68/279
 3.5. Conclusion

Synthèse
Le cas d’étude de Serre-Ponçon
A l’échelle du projet RIWER 2030 et de cette thèse, l’ensemble des objectifs et des
contraintes de la CPH-DV ne peuvent être pris en compte. Le sujet d’étude est ici
limité à la retenue de SP. Les principaux usages et contraintes en aval de SP sont
cependant intégrés à la gestion du système modélisé de SP. Ce travail est possible
grâce à une modélisation et / ou une conceptualisation de ces différents éléments.

Revenus économiques de l’ouvrage de SP

Les seuls revenus de l’ouvrage sont réalisés via la production d’énergie. Ces revenus sont
conceptuels et exprimés en U.M (unité monétaire). Les revenus sont proportionnels i) à
la quantité d’énergie produite et ii) à un indicateur de la consommation électrique à trois
périodes de la journée (nuit, journée, soirée). Ces revenus définissent la fonction objectif
f à optimiser. Cette fonction a l’expression suivante pour les analyses ultérieures :

# +
¸ 
ft i pUti , Sti , Iti q  Ithi  uh pRmax
Qdott q ∆th
i
Qdotti  ∆t  µIti  φpSt q
i
h
(3.4)
La demande en eau en aval de SP
Cette demande en aval est conceptualisée via un modèle de débit de dotation. Ce
débit intègre à la fois i) le débit réservé au pied de la retenue de SP, ii) la demande
agricole saisonnière et iii) une demande non saisonnière liée aux industries et à
l’approvisionnement en eau potable des grandes villes de la région. Ce débit de
dotation constitue la contrainte de débit minimal à fournir à chaque date ti .

Les activités touristiques

L’usage touristique des eaux de la Durance est ici limité à la réserve de SP. Un niveau
est à garantir au début de la période estivale. Le bon remplissage du réservoir est assuré
grâce à une courbe guide de remplissage qui permet en moyenne d’atteindre l’objectif 9
années sur 10 au 1er juillet. Cette courbe guide du réservoir, représente une contrainte
de stock minimal à ne pas franchir.

69/279
Chapitre 3. Modèles d’apports et d’usages de l’eau

70/279
Chapitre 4

Modélisation de la gestion optimale

de la retenue

Ce chapitre explore la possibilité de construire un modèle de gestion de la retenue de Serre-

Ponçon (SP). Cette modélisation se doit d’être applicable dans un contexte de changement
climatique, c’est à dire dans un contexte de données limitées.

Pour le gestionnaire d’une retenue hydraulique, la gestion résulte en une séquence de décisions
portant sur les volumes à affecter à un moment donné aux différents utilisateurs de la ressource,
que ce soit sous forme de prélèvements pour l’irrigation ou l’approvisionnement en eau potable
des zones riveraines, ou sous forme de lâchers d’eau, éventuellement valorisés par une production
d’hydroélectricité, pour la satisfaction de différentes demandes en aval. Comme il est indiqué
en introduction, les décisions prises quotidiennement par le gestionnaire sont guidées par une
règle de gestion qui pourrait se décomposer en i) une règle de répartition entre usages et ii) une
stratégie de gestion (distribution temporelle de l’eau).
Dans les chapitres précédents, nous avons évoqué qu’une représentation simplifiée des règles de
gestion du système de SP impliquait par ordre de priorité : i) la satisfaction de la demande, en
eau en aval du système (le débit de dotation), ii) la satisfaction 9 années sur 10 en moyenne de
la cote touristique au premier juillet et iii) l’optimisation de la production énergétique.
Nous avons également évoqué dans le chapitre précédent que la production énergétique du sys-
tème modélisé allait être optimisée de façon à ce qu’elle soit principalement localisée lors des
pics de demande en énergie.
Tirer le meilleur parti de l’eau disponible pour produire de l’énergie, en garantissant si possible
les contraintes de débit et de cote, nécessite d’optimiser la stratégie de gestion. Nous parlerons
d’optimisation sous contraintes.

71/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Ce chapitre présente l’algorithme utilisé pour optimiser la production énergétique du système

modélisé de SP (i.e. la fonction objectif définie chapitre 3).

ˆ Le problème d’optimisation de la gestion d’un réservoir hydraulique est présenté dans ces
grandes lignes section 4.1.
ˆ Dans cette thèse, ce problème d’optimisation est résolu à partir d’un algorithme de Pro-
grammation Dynamique (PD) qui est présenté section 4.2. Ce type d’algorithme est égale-
ment utilisé par le gestionnaire EDF pour optimiser la gestion de ses moyens de production
(Roche et al. [2012]).
ˆ La mise en œuvre de l’algorithme d’optimisation de la gestion est expliquée section 4.3.
ˆ Il existe de très nombreuses versions de cet algorithme. Trois d’entre elles sont utilisées
dans cette thèse. Elles sont basées sur différents niveaux de prévisibilité des apports et des
usages. Elles sont présentées section 4.4.
ˆ Les résultats de gestion obtenus par ces trois différents modèles de gestion sont finalement
illustrés section 4.5.

4.1. Optimisation de la gestion d’une

réserve hydraulique
L’objectif des algorithmes d’optimisation est de déterminer les valeurs d’un ensemble de va-
riables de décision qui maximisent ou minimisent une fonction objectif sous contraintes (Wurbs
[1993]). Comme le rappelle à juste titre Yeh [1985], il n’existe pas de formulation générale per-
mettant de trouver une solution optimale pour l’ensemble des problèmes de gestion.

Dans le cas d’un réservoir hydraulique, la séquence de variables de décision est généralement
définie par la séquence de lâchés d’eau Rt permettant de maximiser ou de minimiser une fonction
objectif notée f obj . Toujours selon Wurbs [1993], la fonction objectif est le cœur de l’optimisation.
La forme de cette fonction dépend généralement du cas d’étude considéré et peut donc prendre
des formes différentes. Par exemple, elle pourrait être exprimée en terme de revenus économiques
(e.g. maximisation des revenus issus de l’hydroélectricité, minimisation des coûts de production,
minimisation des coûts liés aux dommages lors des crues), en terme d’utilité (e.g. minimisation
des restrictions de la fourniture en énergie, maximisation de la production hydroélectrique sur
une période) ou encore en terme de fiabilité ou de disponibilité en eau (e.g. minimisation des
déversements a , minimisation de la fréquence des épisodes de restriction, maximisation des débits
minimaux). Selon la définition de la fonction objectif fobj , le problème d’optimisation sur une
période [t0 ,tf ] consiste à résoudre l’équation 4.1 ou 4.2 :

a. Lorsque les apports d’un réservoir hydraulique ne peuvent être contenus, ils sont alors évacués
immédiatement par des évacuateurs de crues ou des déversoirs. La quantité d’eau ainsi évacuée ne transite
pas dans les turbines et ne participe donc pas à la production d’énergie. Ce volume est dit déversé

72/279
 4.1. Optimisation de la gestion d’une réserve hydraulique

#  tt +
¸f
M ax E fobj p.q (4.1)
Rt

t t0
#  ttf +
¸
M in E fobj p.q (4.2)
Rt

t t0

Pour ces deux équations, le symbole E r.s représente l’espérance mathématique. L’espérance
mathématique utilisée ici résulte du fait que l’optimisation de la gestion des ouvrages hydrau-
liques est le plus souvent réalisée dans un contexte d’avenir incertain. Une telle optimisation ne
peut donc garantir qu’une maximisation (ou une minimisation) de l’espérance de la somme des
valeurs de la fonction objectif à chaque date t.
A une date t donnée, la valeur de fobj est conditionnée pour partie par la décision prise Rt .
Elle peut cependant dépendre d’éléments extérieurs au système. Par exemple, si fobj correspond
à des revenus économiques liés à la production énergétique, fobj dépend a fortiori du prix de
vente de l’énergie sur le marché. C’est pourquoi, la notation fobj p.q est pour le moment adoptée,
car elle ne restreint pas la fonction objectif à une dépendance à la variable de décision R. Les
contraintes appliquées à la gestion d’une réserve hydraulique s’expriment dans le cas général par
les équations 4.3 à 4.5.

Rtmin ¤ Rt ¤ Rtmax (4.3)

Stmin ¤ St ¤ Stmax (4.4)

St ∆t  St pQt
Rtq  ∆t (4.5)

Avec St le stock d’eau du réservoir (m3 ), Stmin et Stmax les stocks minimaux et maximaux
possibles de la réserve, Rt le volume lâché en aval par la réserve (m3 /s) ; Rtmin et Rtmax les turbi-
nés minimaux et maximaux pouvant être effectués par la retenue et Qt les apports au réservoir
à une date t. ∆t est un intervalle temporel pendant lequel Qt et Rt sont supposés constants.

Comme il est indiqué dans les équations ci-dessus, les contraintes d’un système de gestion
peuvent varier dans le temps, ce qui est généralement le cas. Un exemple fréquent est de limiter
le stock Stmax d’un réservoir à certaines périodes de l’année, jugées à forts risques, pour conserver
une capacité de stockage suffisante pour écrêter les possibles crues à venir. Une telle limitation
est par exemple écrite dans le règlement de la réserve de Villerest sur la Loire (Décret du 7 Mai
1983). Les valeurs de stock Stmin peuvent être élevées durant la période estivale afin de garantir
un niveau du lac élevé durant la période touristique. Un autre exemple serait d’affecter une
valeur non nulle à Rtmin afin de garantir un débit minimal au pied des ouvrages. Cette contrainte
peut également varier dans l’année, voir d’un jour à l’autre, comme c’est le cas pour les réserves
de SP et SC lors des déstockages agricoles.

73/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

En plus de ces contraintes contextuelles, les variables de stock S et de décision R sont dans
tous les cas, bornées par les limites physiques du système :

ˆ S min : le stock d’un réservoir ne peut pas être inférieur à une certaine valeur en dessous
de laquelle il y aurait des problèmes d’exploitation (e.g. matières en suspension pouvant
endommager les turbines, sauvegarde des espaces naturels). Cette valeur est de fait indé-
pendante du temps.
ˆ S max : la capacité de stockage maximale du réservoir S max . Si les apports au réservoir
durant une période t ∆t dépassent S max , le volume en surplus est évacué par des organes
de sécurité (e.g. déversoirs, évacuateurs de crue). Ce volume excédentaire, dit déversé, est
perdu, sans avoir pu être turbiné.
ˆ Rmax : le volume d’eau lâché en aval d’un réservoir est limité par le dimensionnement des
turbines et des évacuateurs de crues.
ˆ L’équation de masse du barrage (équation 4.5) est une contrainte physique qui ne peut
dans aucun cas, ne pas être respectée.

Le terme trajectoire de réserve définit l’évolution temporelle du stock d’une retenue. Sur une
période donnée, la trajectoire de réserve optimale résulte de la séquence de décisions optimales.
A une date t donnée et considérant le niveau de remplissage d’un réservoir St observé, il est
facile de calculer la décision optimale dès lors que l’on connait, pour les pas de temps futurs,
la stratégie de gestion optimale. La stratégie de gestion optimale permet donc de résoudre les
équations 4.1 ou 4.2.

Prenons l’exemple d’une fonction objectif notée fobj 1 qui correspondrait à un revenu écono-
mique dépendant du débit turbiné R et du prix de l’énergie sur le marché noté P x. Supposons
que l’on connaisse la séquence de décisions qui permette d’optimiser l’espérance de la somme
des revenus sur la période [t0 ,tf ] dans le cas où le stock initial de la retenue serait égal à St0 à
 
t  t0 . Notons E Ft0 pSt0 q cette espérance pour cette configuration. Plus généralement, notons
 
E Ft pS q cette espérance si elle obtenue à partir d’une date t quelconque et d’un niveau de rem-
 
plissage S également quelconque. Supposons que les valeurs E Ft pS q soient connues quel que
soit le niveau de remplissage S P[Stmin ,Stmax ], et quel que soit l’instant t P[t0 ,tf ]. Cet ensemble
 
de valeurs E F définit la stratégie optimale. La décision optimale Rtopt 1
à la date t1 est obtenue
via l’équation 4.6.
#  +
M ax 1 pRt , P xt q
E fobj Ft2 pSt2 q (4.6)
1 1
Rt1

La stock St2 résulte de l’équation de conservation de la masse : St2  St1 pQt1
Rt1 q  ∆t.
A la date t1 , les apports Qt1 et le prix de l’énergie sur le marché P xt1 sont généralement connus.
L’équation 4.6 peut alors s’écrire :
# +
1 pRt , P xt q  
M ax fobj 1 1 E Ft2 pSt2 q (4.7)
Rt1

74/279
 4.2. Résolution du problème d’optimisation

Plus le débit turbiné Rt1 à la date t1 est important, plus les revenus immédiats fobj1 pRt , P xt q
1 1

sont élevés. Néanmoins, plus Rt1 est élevé, moins le volume en stock à la date t2 , disponible pour
la production énergétique future sera important et par suite, moins l’espérance des revenus fu-
 
turs E Ft2 pSt2 q sera élevée. La décision optimale Rtopt est donc celle qui maximise la somme des
1
1
 
revenus immédiats fobj pRt1 , P xt1 q et l’espérance des revenus futurs optimisés E Ft2 pSt2 q .

ˆ La séquence de décisions optimales Rtopt résulte de la résolution pas à pas de

l’équation 4.7 sur toute la période [t0 ,tf ].

ˆ Associée à l’équation de masse du barrage (équation 4.5), la séquence de déci-

sions optimales détermine la trajectoire de réserve optimale Stopt . Cette phase
est dite de simulation.

ˆ Ainsi, pour construire une séquence de décisions optimale et donc une trajec-
toire de réserve optimale il suffit de connaitre la stratégie optimale E rF s. La
stratégie optimale est calculée lors d’une phase dite d’optimisation, sur la base
d’un ensemble de scénarios de variables d’intérêt de la gestion.

ˆ Entre autres, ces variables d’intérêt de la gestion sont : les apports au réservoir
Q, les valeurs des contraintes Rtmin ,Rtmax ,Stmin et Stmax , les températures, les pré-
cipitations et les descriptions des différents usages de l’eau (e.g. prélèvement,
demande en AEP, demande en énergie).

4.2. Résolution du problème d’optimisation

La méthode utilisée dans cette thèse pour résoudre la phase d’optimisation est la Programma-
tion Dynamique (PD). En plus d’être une méthode adaptative à un contexte climato-économique
donné, cette méthode est capable de traiter des problèmes d’optimisation stochastiques et non
linéaires (Yeh [1985]). De plus, la PD est la méthode d’optimisation utilisée par EDF pour
optimiser en opérationnel la gestion du système réel de SP.

4.2.1. Principe d’optimalité de Bellman

La programmation dynamique est une méthode d’optimisation développée par Bellman [1957].
Elle a été largement adaptée durant la deuxième moitié du 20ème siècle pour la gestion de
systèmes complexes comme celle des réservoirs d’eau. Cette méthode repose sur le principe
d’optimalité dit de Bellman. Ce principe est énoncé de la manière suivante :

”Une politique optimale a la propriété que quel que soit l’état initial et les décisions
initiales, les décisions restantes doivent constituer une politique optimale pour l’état
résultant des premières décisions”

75/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

4.2.2. Algorithme de résolution

Plusieurs versions de l’algorithme de PD permettent de résoudre un problème d’optimisation
donné. Yakowitz [1982] propose une revue de ces algorithmes. Cette revue peut être complétée
par les travaux de Yeh [1985] et Wurbs [1993].

Les équations de résolution seront décrites considérant la maximisation de la fonction objectif

utilisée dans cette thèse (équation 3.4 page 50). Pour mémoire, la fonction objectif f pUti , Sti , Iti q
dépend des décisions Uti , du stock d’eau dans le système Sti et de l’intérêt à produire de l’éner-
gie Iti à la date ti a . Elle est supposée correspondre à un indicateur de revenus dont l’unité
est décrite par U.M (unité monétaire). Les équations de résolutions du problème d’optimisation
restent néanmoins valables quelle que soit la fonction objectif.

Comme nous l’avons vu précédemment, une trajectoire de réserve optimale résulte d’une
séquence de décisions optimales. Les décisions optimales dépendent des usages et des contraintes
qui s’appliquent au système sur une période [t0 ,tf ]. Dans un contexte opérationnel, la décision
prise à chaque date t par le gestionnaire d’un système de gestion est prise dans un contexte
d’avenir incertain. Cependant, la première méthode de résolution du problème d’optimisation
que nous allons présenter considère au contraire que les décisions sont prises dans un contexte
d’avenir certain. Cette optimisation est dite déterministe.

Optimisation déterministe : (Deterministic Dynamic Programming, DPP)

L’optimisation déterministe est la plus simple à mettre en œuvre. Elle permet de calculer
a posteriori quelles auraient été les décisions optimales à prendre pour un scénario de
variables d’intérêt de la gestion donné, c’est à dire pour une configuration d’apports et de
sollicitations connue à l’avance sur l’ensemble de la période de simulation. Elle permet de
résoudre le problème d’optimisation défini par les équations 4.1 ou 4.2 dans une configu-
ration d’Avenir Certain. Dans ce cas, la décision optimale à la date ti est la solution de
l’équation 4.1 s’écrit :

#t tf +
i
¸
M ax f pUti , Sti , Iti q (4.8)
Ut i
ti t0
Nous noterons en particulier la disparition du terme d’espérance E r.s. En d’autres termes,
l’optimisation déterministe permet d’obtenir une séquence de décisions optimales qui maxi-
mise à chaque instant ti , la somme des valeurs de la fonction objectif sur la période [ti ,tf ],
et non plus l’espérance de cette somme.

Le calcul de la stratégie F est réalisé à partir d’un état final tf jusqu’à l’instant initial
t0 via une relation de récurrence inverse. Le terme ”inverse” signifie que le temps est
compté à rebours lors des itérations successives du calcul. Cette équation de récurrence
est appelée équation de Bellman (équation 4.9). Le problème d’optimisation est alors

a. Le détail de ces termes est donné section 3.2

76/279
 4.2. Résolution du problème d’optimisation

réduit à la résolution de cette équation de récurrence sous les contraintes définies par les
équations 4.3 à 4.5 :

! )
Fti pSti q  max f pUti , Sti , Iti q Fti 1 pSti 1q (4.9)
Uti

avec f pUti , Sti , Iti q les revenus immédiats du système pour une commande Uti à la date ti .
Fti 1 pSti 1 q est l’intégrale des valeurs de la fonction objectif pour la trajectoire optimale
sur la période [ti 1 ,tf ], à partir du niveau de remplissage Sti 1 résultant des opérations
précédentes.

L’ensemble des variables d’intérêt de la gestion étant connu quelle que soit la date ti , il n’y
a aucune difficulté à résoudre cette équation. A une date ti , la décision optimale est celle
qui maximise la somme de i) la valeur de la fonction objectif à cette date et ii) l’intégrale
des valeurs de la fonction objectif à partir de ti 1 jusqu’à l’horizon de gestion tf . La
variable F est généralement référencée sous le terme de ”Valeur de Bellman” (VB). Ce
terme pourra être utilisé par la suite pour nommer ces valeurs.
Ce type d’optimisation peut entre autres être trouvé dans les travaux proposés par Hei-
dari et al. [1971], Georgakakos [1993], Dupeyrat et al. [2008], Castelletti et al. [2011], et
Bensalem et al. [2012].

Cependant, comme nous l’avons déjà évoqué, les variables d’intérêt sur la période [ti 1 ,tf ]
ne sont pas, ou seulement partiellement, connues. Dans ce cas, l’optimisation de la stratégie de
gestion est réalisée dans un contexte d’avenir incertain. Elle est dite stochastique.

Optimisation stochastique : (Stochastic Dynamic Programming, SDP)

L’utilisation d’une optimisation stochastique permet au moment de choisir la décision à
appliquer à une date ti donnée, de prendre en compte la nature incertaine des variables
d’intérêt futures. Dans ce cas, l’équation de Bellman est résolue dans un contexte dit
d’Avenir Incertain. Elle prend alors la forme de l’équation 4.10 et est toujours contrainte
par les équations 4.3 à 4.5.

!  )
Fti pSti q  max f pUti , Sti , Iti q E Fti 1 pSt q
i 1 (4.10)
Ut i

Il existe plusieurs moyens de résoudre cette équation. Labadie [2004] a fait une revue de
ces différentes méthodes. Toutefois, ces méthodes peuvent être regroupées en deux caté-
gories : i) l’approche implicite et ii) l’approche explicite. La résolution par ces méthodes
est décrite ici dans les grandes lignes.

L’approche implicite : Une optimisation stochastique implicite consiste à transformer

un problème d’optimisation stochastique en un problème d’optimisation déterministe en
solutionnant ce dernier plusieurs fois, pour un grand nombre de scénarios. Chacun des
scénarios est défini par une série temporelle sur [t0 ,tf ] pour chacune des variables d’intérêt
de la gestion. Nous noterons dans ce cas Iti ,n l’intérêt à produire de l’énergie à la date ti

77/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

pour le scénario n. Cette optimisation est alors dite stochastique sur scénarios (Sample
Stochastic Dynamic Programming) et est notée SSDP. Pour un scénario particulier n,
l’équation de récurrence devient :

!  )
Fti pSti , nq  max f pUti , Sti , Iti ,n q E αpm, nqFti 1 pSt
i 1 , mq (4.11)
Ut i mNs

avec f pUti ,n , Sti , Iti ,n q la valeur des revenus immédiats relatifs au scénario n, Fti pSti , nq la
VB du scénario n à la date ti au niveau de remplissage Sti et Ns l’ensemble des scénarios
envisagés, et αpm, nq la probabilité de transition du scénario n vers le scénario m.

Un choix possible pour les valeurs de α est de prendre :

#
αpm, nq  1 si nm
(4.12)
αpm, nq  0 si nm

Ce choix considère d’une part les Ns scénarios comme étant équiprobables et d’autre part,
ne donne pas la possibilité lors du processus d’optimisation de passer d’un scénario à un
autre. Il équivaut à résoudre en avenir certain l’équation 4.9 sur la période [ti ,tf ] pour cha-
cun des Ns scénarios. L’espérance des revenus futurs à la date ti , est alors considérée égale
à la moyenne des revenus maximaux qui seraient obtenus pour chacun des Ns scénarios
(équation 4.13) :

  
n¸Ns
E Fti pSti q  N1 Fti pSti , nq (4.13)
s n 1 
La résolution de la phase d’optimisation, sur la base de scénarios chronologiques sur [t0 ,tf ]
via l’approche implicite (considérant l’hypothèse équation 4.12), permet de prendre en
compte les chronologies vraisemblables pour les débits d’apports et des usages (Faber
et Stedinger [2001]). C’est un avantage important sur d’autres approches, en particulier
lorsque la structure temporelle des débits d’apports et des usages est marquée (e.g. per-
sistance des débits, saisonnalité des apports et des usages).
Des discussions sur le choix de probabilités de transitions entre scénarios sont proposées
par Kelman et al. [1990], Faber et Stedinger [2001] ou encore Vicuña et al. [2010].

L’approche explicite : Les méthodes d’optimisation stochastique explicite consistent

à résoudre le problème d’optimisation en considérant sa formulation stochastique. Elles
considèrent de fait, les variables d’intérêt de la gestion comme des variables aléatoires
(Labadie [2004]). Dans ce cas, les réalisations des variables d’intérêt à chaque date ti , sont
définies par les distributions statistiques observées de ces variables par le passé (Wolfgang
et al. [2009]). Le scénario n à une date donnée, résulte du tirage aléatoire d’une réalisa-
tion dans la distribution de chacune des variables d’intérêt. Les cohérences spatiales et
temporelles des apports et des usages ne sont pas nécessairement assurées dans ce cas. Ce
problème est partiellement résolu pour les débits de rivières par Turgeon [2005] en utilisant

78/279
 4.3. Mise en œuvre de l’algorithme d’optimisation

par exemple un générateur stochastique d’apports auto-corrélés sur une durée fixée. Cette
approche n’a pas été utilisée dans ce travail de thèse.

4.3. Mise en œuvre de l’algorithme

d’optimisation
Idéalement, la résolution des équations de Bellman, devrait être effectuée dans un espace
continu à deux dimensions, le temps et le niveau de stockage dans la réserve, le résultat étant la
détermination des VB F à chaque instant t et pour chaque niveau de remplissage du système S.
Pour des raisons pratiques, la résolution est effectuée dans un espace discrétisé. Durant la phase
d’optimisation, les VB sont estimées en tout point d’une grille à deux dimensions où le temps
et le niveau de stockage dans la réserve sont respectivement discrétisés en Nt 1 pas de temps
t=(t0 ,t1 ,t2 ,..,tNt ) et en Ne 1 niveaux de remplissage fictifs fixés S=(S0 ,S1 ,S2 ,..,SNe ) (Figure
4.1). Le pas de temps d’optimisation est choisi journalier.

A chaque pas de temps ti et pour le k ème niveau de remplissage, l’algorithme d’optimisation

teste Nu commandes de débits turbinés (e.g. U1 , U2 et U3 ) et retient la commande qui maximise
la somme f pUti , Sti , Iti q Fti 1 pSti 1 q. Les VB Fti pSk q ainsi obtenues pour chacun des Ne 1
niveaux de remplissage, sont mémorisées. Cette optimisation est réitérée pour le pas de temps
précédent et ainsi de suite pour couvrir toute la période d’optimisation [t0 ,tNt ].

Le volume Sti 1 , résultant de la commande Uti via l’équation de la conservation de la masse

du barrage, ne correspond généralement pas à un des Ne 1 nœuds de la grille sur lesquels les
VB ont été estimées au pas de temps ti 1 . Dans ce cas, la valeur de Fti 1 pSti 1 q nécessaire à la
résolution des équations de Bellman, n’est pas connue. Cette VB peut cependant être estimée
en utilisant une méthode d’interpolation à partir des VB Fti 1 pSk q des niveaux de remplissage
supérieurs et inférieurs. Cela pose à la fois, la question du choix du nombre de nœuds Ne 1 à
utiliser, et la question du choix de la méthode d’interpolation.

79/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Ft(Sk+2) Ft+1(Sk+2)
Sk+2

∆𝑆

Ft(Sk+1) Ft+1(Sk+1)
Sk+1

Ft+1(St+1) | U1
U1

U2 Ft+1(Sk) = Ft+1(St+1) | U2
Sk

U3
Ft+1(St+1) | U3
Ft+1(Sk-1)
Sk-1

t-2 t-1 t t+1

∆𝑡

Figure 4.1 – Discrétisation de la dimension temporelle et spatiale : Le temps est discrétisé en

Nt 1 pas de temps et le stock du réservoir est discrétisé en Ne 1 niveaux de
remplissage. Les Valeurs de Bellman F sont évaluées à chaque nœud de cette grille
lors de l’optimisation à partir d’une des équations de Bellman. En fonction des
commandes réalisées (e.g. U1 , U2 , U3 ) à une date ti , le stock à une date ti 1 peut
ne pas correspondre à un point de grille. Dans ce cas, la valeur Fti 1 est évaluée
via une interpolation.

4.3.1. Discrétisation du réservoir et interpolation des VB

La méthode d’interpolation la plus simple pouvant être utilisée est l’interpolation linéaire.
Elle est d’ailleurs utilisée dans de nombreuses études académiques (e.g. Parent et al. [1991]; Tur-
geon [2005]; Tilmant et Kelman [2007]) mais également lors d’études menées par le gestionnaire
EDF (Teytaud et al. [2004]).

Kirk [2004] avertit contre l’usage d’une mauvaise méthode d’interpolation. Le choix d’une
méthode d’interpolation est selon lui, dépendante de la finesse de la discrétisation des états du
système, de sa dynamique et de la fonction objectif. Si l’utilisation d’une discrétisation très fine
permet sans grande surprise de limiter les erreurs d’interpolation, le coup en temps de calculs
peut vite devenir conséquent. Au contraire, l’utilisation d’un découpage trop large d’un réservoir
permet de limiter les temps de calculs mais peut d’après Klemeš [1977] engendrer des résultats
”aberrants”. Ainsi, le choix d’une discrétisation plus ou moins fine d’un réservoir est un problème
complexe.

A titre d’exemple, la résolution de l’équation 4.9 (optimisation déterministe) a été réalisée

pour deux discrétisations différentes (Ne  50 et Ne  1000) en utilisant une interpolation li-

80/279
 4.3. Mise en œuvre de l’algorithme d’optimisation

néaire (IL) des VB lorsque nécessaire. La fonction objectif utilisée ici, est celle décrite équation
3.3. La configuration Ne  1000, correspondant à un niveau de discrétisation élevé du réser-
voir, est considérée ici comme référence. L’estimation des VB en fonction du remplissage d’une
réserve de capacité S max  1030M m3 est illustrée Figure 4.2 à quatre instants différents : le
point de départ de l’optimisation tf (en haut à gauche), et après 3, 12 et 18 mois d’optimisation
(respectivement en haut à droite, en bas à gauche et en bas à droite). Seuls les revenus f de
l’ouvrage sont optimisés a . Sur les différents graphiques présentés Figure 4.2, les VB ont subi une
normalisation commune entre 0 et 1.

t = tf
1

t = tf - 3mois
1

0.9 0.9

0.8 0.8
VB normée

VB normée
0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3

0.2
Ne= 1000 IL Ne= 1000 IL
0.2
Ne= 50 IL Ne= 50 IL
0.1 0.1
Ne= 50 IH Ne= 50 IH
0 0
0 103 206 309 412 515 618 721 824 927 1030 0 103 206 309 412 515 618 721 824 927 1030
Mm³ Mm³

t = tf - 12mois t = tf - 18mois
1 1

0.9 0.9

0.8 0.8
VB normée

VB normée

0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3
Ne= 1000 IL Ne= 1000 IL
0.2 0.2
Ne= 50 IL Ne= 50 IL
0.1 0.1
Ne= 50 IH Ne= 50 IH
0 0
0 103 206 309 412 515 618 721 824 927 1030 0 103 206 309 412 515 618 721 824 927 1030
Mm³ Mm³

Figure 4.2 – Influence de la discrétisation et de la méthode d’interpolation sur l’estimation

des valeurs de Bellman. Les VB sont normalisées. IL : Interpolation linéaire IH :
Interpolation Hermite. Deux discrétisations Ne d’une réserve de 1030Mm3 sont
présentées : Ne  50 en rouge et noire, Ne  1000 en bleu

Les valeurs initiales des VB à tf sont présentées sur la figure en haut à gauche. Elles sont
supposées égales au volume en stock à chacun des niveaux remplissage ce qui se traduit par une
relation linéaire entre les VB et les niveaux de remplissage. Cette initialisation est arbitraire.
Trois mois après le début du processus d’optimisation, aucune différence significative n’est ob-
servable entre les VB obtenues avec une discrétisation Ne  50 niveaux de remplissage (courbe
bleue Figure 4.2) et une discrétisation Ne  1000 niveaux de remplissage (courbe rouge Figure
a. Pour cette expérience, la valeur de la contrainte de débit maximal pouvant être turbiné Rmax est
arbitraire et indépendante du temps. Les valeurs des contraintes de stock minimal S min et de débit turbiné
minimal Rmin sont simplement définies à 0

81/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

4.2). La relation entre les VB et le niveaux de remplissage n’est plus linéaire mais convexe ce
qui s’explique par la non linéarité des revenus futurs avec le niveau de remplissage de la réserve.
Au fur et à mesure que l’optimisation remonte le temps via l’équation de récurrence 4.9, un
écart se crée (12 mois) et devient très important si l’horizon d’optimisation est grand (18 mois).
Dans l’exemple exposé Figure 4.2, une discrétisation trop large du réservoir conduit à une sous-
estimation importante des VB, de l’ordre de 15 % au bout de 18 mois.

Foufoula-Georgiou et Kitanidis [1988] proposent dans ce contexte, l’utilisation d’une méthode

d’interpolation beaucoup plus efficace que l’interpolation linéaire. Dans ce cas, l’approximation
d’une VB entre deux niveaux de remplissage est réalisée via une spline cubique d’Hermite (IH).
A une date ti fixée, l’algorithme de Fritsch-Carlson permet d’assurer la monotonie du polynôme
interpolé entre deux états consécutifs (Fritsch et Carlson [1980]). Les détails de calcul des splines
cubiques d’Hermite sont fournis dans l’article de Foufoula-Georgiou et Kitanidis [1988].
Au contraire d’une interpolation linéaire, généralement utilisée pour ce type de problème d’op-
timisation, la méthode d’interpolation basée sur des splines permet de prendre en compte la
non linéarité des VB entre les différents niveaux de remplissage. Pour un même niveau de préci-
sion souhaité in fine, l’utilisation de cette méthode d’interpolation permet d’utiliser un nombre
d’états de stock Ne plus faible que dans le cas d’une interpolation linéaire et ainsi d’assurer un
temps de calculs plus court. Ainsi Figure 4.2, les VB estimées en utilisant l’interpolation IH et
une discrétisation en 50 niveaux de remplissage (courbes rouges) sont très proches (quasiment
superposées) de celles obtenues avec IL et 1000 niveaux de remplissages (courbes bleues).

4.3.2. Initialisation des VB à l’horizon d’optimisation

La résolution des équations de Bellman sur la période [t0 ,tNt ] nécessite la connaissance à la
date tNt 1 des VB FtNt 1 pour l’ensemble des niveaux de remplissage. En effet, au premier pas
de temps de l’optimisation tNt , l’équation de Bellman s’écrit :
! )
FNt pSNt q  max f pUNt , SNt , INt q FNt 1 pSN q
t 1 (4.14)
U Nt

Section 4.3.1, ces valeurs ont été supposées arbitrairement égales au stock présent dans la
réserve aux différents niveaux de remplissage. Une telle initialisation des valeurs de Bellamn
FtNt 1 se traduit par l’affectation de 1 U.M pour chaque m3 présent dans la réserve. Il existe
plusieurs méthodes permettant d’effectuer une initialisation plus pertinente.
Vicuña et al. [2011] proposent par exemple d’initialiser les VB un mois après l’horizon de gestion
fixé à 0 (c’est à dire d’initialiser les VB à la date tNt +1 mois). L’optimisation à rebours sur la
période rtNt 1 , tNt 1 1moiss permet d’obtenir des VB à tNt 1 moins influencées par des condi-
tions initiales arbitraires. Une autre méthode est proposée par Wolfgang et al. [2009]. L’idée
est de répéter autant de fois que nécessaire la dernière année à optimiser en utilisant comme
conditions initiales à tNt 1 pour la nème optimisation, les VB obtenues en t0 lors de la n
1ème
optimisation, jusqu’à convergence des valeurs d’usages de l’eau estimées à la date tNt 1 (les
valeurs d’usages de l’eau sont définies section 4.3.4). Cette configuration considère la dernière

82/279
 4.3. Mise en œuvre de l’algorithme d’optimisation

année comme étant un horizon infini stationnaire.

Les procédures d’initialisation des VB à la date tNt 1 diffèrent légèrement pour les trois
algorithmes d’optimisation utilisés dans cette thèse. Elles seront de fait présentées pour chacune
d’entre elles section 4.4.

4.3.3. Respect des contraintes

Une défaillance du système correspond à une violation d’au moins une des deux contraintes de
gestion. Dans le cas du système modélisé de SP, cette situation se traduit par une non fourniture
du débit de dotation ou à un non respect de la courbe guide de remplissage. La fourniture du
débit de dotation est prioritaire devant l’objectif de cote touristique et la production énergétique
(chapitre 2). Par construction, la non satisfaction du débit de dotation à une date ti ne peut
arriver que si les apports au réservoir et le stock présent dans la réserve à cette même date, ne
suffisent pas à satisfaire cette demande. La phase d’optimisation de la gestion permet dans la
mesure du possible, d’éviter ces situations.

Dans le chapitre 3, la construction d’une courbe guide de remplissage permettant à la fois

d’assurer le débit de dotation durant la période estivale de l’objectif de cote 9 années sur 10 en
moyenne a été présentée. Cette courbe guide de remplissage définit la valeur de Stmin sur toute
la période.
Par définition, seuls les niveaux de remplissage supérieurs à Stmin
i
sont candidats à une optimi-
sation de la production énergétique. Par suite, les VB des niveaux de remplissage inférieurs à
Stmin
i
ne sont pas évaluées lors du processus d’optimisation. Elles sont fixées à 0 (Figure 4.3).

A B
Fti(Sk+1) > 0 Fti+1(Sk+1) > 0 Fti(Sk+1)]> 0 Fti+1(Sk+1) > 0
Sk+1 Sk+1

Fti(Sk) > 0 Fti+1(Sk) = 0 Fti(Sk) > 0 Fti+1(Sk) = 0

Sk Sk

ti ti+1 ti ti+1

Figure 4.3 – Schéma de principe de la gestion de la remontée de cote de la retenue. Chaque point
noir est un point de la grille sur lequel une VB est estimée. La courbe guide de rem-
plissage Stmin entre les pas de temps ti et ti 1 est représentée en pointillée. Toutes
les VB sont positives exceptée celle du point de grille de coordonnées rti 1 ,Sk s, ce
dernier étant inférieur à la courbe guide de remplissage. Les commandes amenant
à ne pas respecter la contrainte Stmin
i
sont interdites (Configuration A). Seules les
commandes respectant les contraintes sont autorisées (Configuration B)

83/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Sur la Figure 4.3, considérons un niveau de remplissage quelconque Sk , supérieur à la courbe

de remplissage Stmin
i
à une date ti . Le stock d’eau compris entre ce niveau de remplissage et la
courbe de remplissage (i.e. le volume Sk
Stmini
) sera a priori valorisé sur la période [ti ,tNt ] par
une production énergétique. En conséquence, la VB Fti pSk q associée à ce niveau de remplissage
est forcément positive (Figure 4.3). Au pas de temps ti 1 le niveau de remplissage Sk est situé
en dessous de la courbe guide de remplissage, la VB à cet état Fti 1 pSk q est donc nulle par
construction ce qui n’est pas le cas du niveau Sk 1 (Figure 4.3).

La définition de la courbe guide étant probabiliste, il existe des situations où aucune des
commandes possibles ne permettent de respecter les contraintes. Dans ce cas, la gestion de la
retenue n’est plus conditionnée par les VB. La seule commande acceptée est alors de fournir
si possible la totalité du débit de dotation (contrainte Rtmin ) et de stocker le volume excédent
jusqu’à ce que la contrainte Stmin soit à nouveau satisfaite. Ce pilotage de la gestion par les VB
au dessus de la courbe guide de remplissage est une pratique utilisée par EDF.

4.3.4. Valeurs marginales de l’eau

La dérivée des VB à un niveau de remplissage Sk , définit le revenu futur lié à l’utilisation d’1
m3 à ce niveau (équation 4.15). A une date ti et un niveau de remplissage Sk donné, ce revenu
futur correspond à la valeur marginale de l’eau stockée (Hveding [1968]).

SW Vti pS q 
BFtipS q
BS (4.15)

Comme indiquée par l’équation 4.15, la valeur marginale de l’eau est dépendante du temps
et du niveau de remplissage. Cette valeur sera référencée dans la suite du document sous l’ap-
pellation SWV (Storage Water Value). La dimension de SWV est exprimée en unité monétaire
par mètre cube d’eau (U M.m
3 ). En tout point de la grille [ti ,Sk ], SWV décrit de façon équiva-
lente à la grille des VB, la stratégie optimale à employer compte tenu des apports au réservoir
et usages futurs (Wolfgang et al. [2009]). L’analyse des SWV dans une configuration simplifiée
a donné lieu durant cette thèse, à la rédaction d’un article en cours de soumission au journal
Water Resource Research (François et al. [2013]). Cet article est disponible en annexe A.1 du
document de thèse. Il sera par ailleurs présenté au chapitre 5.

4.3.5. Simulation de la gestion

Le résultat de la phase d’optimisation de la gestion est une grille de Valeurs de Bellman VB).
Cette grille définit la stratégie de gestion et peut être utilisée pour calculer la séquence de déci-
sions optimales durant la phase dite de simulation. Durant cette phase de simulation, l’équation
4.16 (ou l’équation 4.17 si les VB ont été calculées à partir d’une optimisation stochastique) est
résolue pas de temps par pas de temps, de la première date de simulation t0 jusqu’à la dernière
tNt .
! )
M ax f pUti , Sti , Iti q Fti 1 pSt q
i 1 (4.16)
Uti

84/279
 4.4. Prévisibilité des aléas et modèles de gestion

!  )
M ax f pUti , Sti , Iti q E Fti 1 pS t qi 1 (4.17)
Uti

La séquence de décisions optimale ne dépend que :

ˆ de la stratégie de gestion optimale E rF s (avenir incertain) ou F (avenir certain).

ˆ du niveau de remplissage initial St0 dans le réservoir.

ˆ des apports et de sollicitations réels à la retenue.

Associée à l’équation de masse du barrage (équation 4.5) la séquence de décisions optimale

permet de calculer la trajectoire de réserve optimale.
Une configuration pour laquelle le stock Sti 1 , calculé à partir de l’équation 4.5, dépasse la
capacité maximale du barrage (S max ) peut se produire. Dans ce cas, l’algorithme calcule la
quantité d’eau déversée VDe (équation 4.18) et affecte la valeur de S max à Sti 1 .

VDevti  St
S max
i 1 si Sti 1 ¡ S max (4.18)

Nous avons également évoqué la possibilité de calculer une grille des valeurs marginales de
l’eau stockée SW Vti pSk q. Tout comme les VB, les valeurs marginales de l’eau stockée peuvent
être utilisées pour calculer la séquence de décisions optimale (équations 4.19 et 4.20). La séquence
de décisions optimale et la trajectoire optimale sont obtenues en résolvant ces équations sont les
mêmes que celles obtenues à partir des équations 4.16 et 4.17.
! )
M ax f pUti , Sti , Iti q SW Vti 1 pSt q  ∆Vt q
i 1 i (4.19)
Ut i

!   )
M ax f pUti , Sti , Iti q E SW Vti 1 pSti 1q  ∆Vt i (4.20)
Uti

Avec ∆Vti la variation du stock de la réserve après application de la commande Uti et entrée
des apports Qti au pas de temps ti . L’utilisation de la grille des valeurs marginales de l’eau SWV
est référencée dans la littérature comme la ”Water Value method” (Hveding [1968]).

4.4. Prévisibilité des aléas et modèles de

gestion
Comme nous l’avons déjà évoqué à plusieurs reprises, trois versions d’un modèle de gestion du
système de SP ont été développées durant cette thèse. Ces modèles ont pour vocation de simuler
la gestion du système de SP au pas de temps journalier sur plusieurs décennies consécutives.
Pour ces trois modèles, les décisions au jour le jour Ut sont optimisées à partir d’un algorithme
de programmation dynamique. Ces trois versions diffèrent essentiellement du point de vue du
degré de prévisibilité des variables d’intérêt futures adoptées lors de la phase d’optimisation. La
phase de simulation est commune aux trois modèles.

85/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Les degrés de prévisibilité de l’aléa des variables d’intérêt, considérés lors de la phase d’opti-
misation par chacun des modèles de gestion, sont les suivants :

ˆ Avenir Certain : Ce degré de prévisibilité est utopique. Il correspondrait à un gestion-

naire qui aurait une connaissance parfaite de l’évolution future des variables d’intérêt de
la gestion. Le modèle utilisant une telle prévisibilité des variables d’intérêt portera l’ap-
pellation AC.

ˆ Avenir Incertain Climatologique : Ce degré de prévisibilité correspondrait à un ges-

tionnaire qui aurait qu’une seule connaissance climatologique de l’aléa des variables d’in-
térêt. Le modèle utilisant ce degré de prévisibilité portera l’appellation AIC.

ˆ Avenir Certain Prévu : Ce degré de prévisibilité correspondrait à un gestionnaire qui

dispose d’un service de prévision saisonnière d’apports. Le modèle utilisant ce degré de
prévisibilité portera l’appellation AIP.

Ces trois approches correspondent à trois manières différentes de construire la stratégie de

gestion sur un horizon de gestion fixé. Elles sont respectivement détaillées sections 4.4.1, 4.4.2
et 4.4.3. Pour ces trois modèles, les contraintes de stock minimal Stmin et débit turbiné minial
Rtmin ont été présentées chapitre 3. La contrainte de stock maximal S max est constante et est
égale à la réserve utile de la retenue de SP (S max =1030 Mm3 ). La contrainte de débit turbiné
maximal Rmax est également choisie constante (Rmax =220 m3 /s) a .

Pour illustration, les stratégies calculées (i.e les grilles des VB) seront présentées sur la pé-
riode du 1er juillet 1996 au 30 juin 2003. Cette période réduite a été choisie afin d’utiliser les
variables d’intérêt observées ou reconstituées disponibles et non les données simulées par les
modèles décrits chapitre 3 b . Les trajectoires optimales obtenues sur cette période par chacun
des modèles seront présentées section 4.5.

Les séries d’apports au réservoir du système modélisé de SP (noir) ainsi que le débit de
dotation à fournir en aval du système (bleu) sont exposées pour illustration Figure 4.4.

a. La capacité de turbinage de la retenue de Serre-Ponçon est en réalité supérieure (=376 m3 /s).

Cependant à l’échelle journalière, les débits turbinés sont limités par le débit maximal pouvant être
turbiné par la retenue de Espinasse (220 m3 /s), juste en entrée du canal usinier EDF (Figure 2.3 page
32).
b. La construction des stratégie des modèles AIC et AIP requiert toutefois des données précédant cette
période permettant d’établir la ”climatologie”. Dans ce cas, les données de consommations électriques
nécessaires à l’estimation de l’intérêt à produire de l’énergie ne sont pas disponibles. Ces données seront
alors estimées via le modèle de consommation électrique développé (section 3.2). Il en est de même pour
les données de débit de dotation

86/279
 4.4. Prévisibilité des aléas et modèles de gestion

500
450
400
350
300
250
200
150
100
50
0
Ju96 Ja97 Ju97 Ja98 Ju98 Ja99 Ju99 Ja00 Ju00 Ja01 Ju01 Ja02 Ju02 Ja03 Ju03

Figure 4.4 – Évolution temporelle des apports au réservoir de SP (noir) et du débit de dotation
(bleu) sur la période du 1er juillet 1996 au 30 juin 2003.

4.4.1. Modèle AC : Avenir Certain

Cette configuration correspond à une connaissance parfaite de l’évolution future des variables
d’intérêt de la gestion. L’optimisation réalisée est déterministe. La stratégie est construite sur la
totalité de l’horizon de gestion.
La phase de simulation pour ce modèle de gestion produit une trajectoire de réserve optimale,
reflétant l’équilibre ou le déséquilibre entre la ressource en eau (les apports à la retenue) et la
demande (débit de dotation, objectif touristique, production énergétique) en faisant abstraction
de l’incertitude des apports et des sollicitations futures.

Étant donné l’utilisation d’une connaissance parfaite de l’avenir durant le calcul de la grille
de Bellman, le choix d’une courbe guide probabiliste 90% n’est pas pertinent ici. Au contraire,
l’avantage d’utiliser une optimisation en avenir certain sur toute la période de simulation réside
justement dans la possibilité d’accéder à la trajectoire de réserve qui optimise parfaitement la
fonction objectif tout en respectant les contraintes du système. Cette trajectoire devrait par
exemple présenter des déstockages importants durant les années humides et des déstockages très
limités durant les années très sèches. Un tel résultat ne peut pas être obtenu si une unique courbe
guide de remplissage, reconduite chaque année, est utilisée. C’est pourquoi, la courbe guide de
remplissage adoptée est dite parfaite durant les étapes d’optimisation et de simulation. Une an-
née donnée, elle dépend des conditions d’apports et du débit de dotation à fournir. Toutes les
années au 1er juillet, la satisfaction de la cote touristique est attendue. Cela revient à utiliser,
en fonction de l’année, une des différentes courbes de remplissage présentées sur la Figure 3.15
(celle correspondant à l’année en question plutôt que la courbe guide 90 %).

La stratégie (i.e. la grille des VB) correspondant à cette configuration est exposée Figure 4.5.
Pour une date donnée et à chaque niveau de remplissage, la VB du niveau de remplissage le plus
bas (respectivement le plus haut) est minimale (respectivement maximale).

87/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

3.0e+014

2.5e+014

2.0e+014

1.5e+014

1.0e+014

5.0e+013

0.0e+000
Ju96 Ja97 Ju97 Ja98 Ju98 Ja99 Ju99 Ja00 Ju00 Ja01 Ju01 Ja02 Ju02 Ja03 Ju03

Figure 4.5 – Stratégie du modèle AC. Évolution temporelle des VB Ft pS q du 1er juillet 1996
au 30 juin 2003. Chaque courbe de couleur représente l’évolution temporelle de
la VB à un niveau de remplissage donné. La grille Fti pSk q comporte 51 niveaux
de remplissage, cependant pour faciliter la lecture du graphique, seules les VB de
6 niveaux de remplissage sont représentées ici. Le niveau de remplissage 0 Mm3
correspond à une réserve vide et le niveau 1030 Mm3 à une réserve pleine.

La lecture de la grille des VB Ft pSk q renseigne sur la satisfaction des contraintes à un niveau
de remplissage donné. Par exemple :

ˆ A un certain niveau de remplissage, une VB nulle implique que le volume en stock ne

permet pas, ou ne permettra pas, de satisfaire les contraintes de gestion. A un tel ni-
veau de remplissage, les décisions qui viseraient à déstocker pour un objectif autre que la
satisfaction des contraintes sont interdites.
ˆ Une année donnée, avant la date du 1er juillet, si la VB d’un niveau de remplissage est
nulle, cela implique que ce niveau de remplissage se situe en dessous de la courbe guide
de remplissage (voir section 4.3.3). Dans ce cas, l’optimisation de la production d’énergie
n’est pas réalisée à ce niveau de remplissage.
ˆ Durant la période touristique (1er juillet Ñ 1er septembre), l’augmentation certaines
années (e.g. 1998, 1999, 2000 et 2002), des VB Ft pS q des niveaux de remplissage supérieurs
à l’objectif de cote (972.9 Mm3 ), traduit une difficulté à garantir la cote durant la saison.

L’initialisation des valeurs FtN t 1 pS q est réalisée en répétant l’optimisation de la dernière

année.

4.4.2. Modèle AIC : Avenir Incertain Climatologique

Dans cette configuration, l’avenir n’est pas connu, si ce n’est par la climatologie de l’aléa
des variables d’intérêt (l’aléa des variables d’intérêt utilisé dans cette section couvre la période
1960 à 1996). La stratégie de gestion AIC est construite à partir de cet aléa. La stratégie ne
couvre pas toute la période simulée comme cela peut être le cas pour le modèle AC. Elle est au
contraire définie sur une année calendaire (i.e. de durée 366 jours). Une fois établie, la stratégie
de gestion est reconduite d’une année à l’autre durant la phase de simulation sans être modifiée

88/279
 4.4. Prévisibilité des aléas et modèles de gestion

(Figure 4.6). L’utilisation d’une telle stratégie n’a a priori de sens que si les variables d’intérêt
présentent une saisonnalité marquée.

Stratégie AC
Stock

Ft(S)
t0 t0+1an t0+2ans t0+3ans t0+4ans t0+5ans

Stratégie AIC
Stock

E[Ft(S)] E[Ft(S)] E[Ft(S)] E[Ft(S)] E[Ft(S)]

t0 t0+1an t0+2ans t0+3ans t0+4ans t0+5ans

Figure 4.6 – Comparaison des stratégies AC et AIC sur un horizon de gestion de 5 années.
Stratégie AC : La stratégie couvre toute la durée d’optimisation / simulation. Elle
a été établie dans un contexte d’Avenir Certain. Stratégie AIC : La stratégie est
établie sur une année complète et est reconduite tous les ans. Cette stratégie est
donc établie dans un contexte d’Avenir Incertain Climatologique.

La stratégie de gestion AIC est construite de la façon suivante : pour chacune des Ns années
de l’historique, une grille de VB Ft pSk , nq est construite avec une optimisation déterministe (avec
n une des Ns années de l’aléa). Chacune de ces grilles est construite du 1er juillet de l’année n
au 30 juin de l’année n 1 (i.e. t0  1er juillet et t365  30 juin). La courbe guide de remplis-
sage utilisée lors du calcul de chacune de ces grilles est la courbe de remplissage 90 % dont la
définition a été présentée section 3.4.

Les valeurs initiales F365 1 pSk , nq, nécessaires à la résolution de l’équation 4.9, résultent de
l’optimisation de la période couvrant le 1er juillet de l’année n 1 eu 30 juin de l’année n 2.
Cela équivaut à construire un ensemble de stratégie ayant comme horizon de gestion deux an-
nées, c’est à dire à calculer N s grilles de VB d’une durée de deux années. L’initialisation des
VB F365 1 pSk , nq via cette procédure permet i) de limiter la dépendance aux conditions limites
retenues à la date t365 1 , et ii) d’intégrer des séquences d’années sèches et / ou humides (et
inversement) observée dans l’aléa connu. Sur la Figure 4.7, chaque ensemble de courbes d’une
même couleur correspond à une des grilles Fti pSk , nq ainsi calculées sur une séquence de deux
années consécutives.

La stratégie AIC utilisée lors de la phase de simulation est la moyenne, sur la première an-
née seulement des séquences de deux années considérées, des grilles Fti pSk , nq calculées pour
l’ensemble des séquences de deux ans disponibles dans l’historique (équation 4.13). En conclu-
sion, la stratégie AIC résulte d’une optimisation stochastique implicite dont les probabilités de

89/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

transitions entre scénarios correspondent aux équations 4.12. Les VB issues de cette grille sont
nommées par la suite : Valeurs de Bellman Climatologiques.

3.5e+014
1960
3.0e+014 1961
1962
2.5e+014 1963
1964
2.0e+014 1965
Moyenne 1960 --> 1996
1.5e+014

1.0e+014

5.0e+013

0.0e+000
0 100 200 300 400 500 600 700 800
Jour depuis le 01/07 Année X

Figure 4.7 – Construction de la grille des VB climatologiques. Les courbes en couleur repré-
sentent les stratégies de 6 périodes
 de 2 années 1960/1961 à 1965/1966. La grille
des VB climatologiques E Ft pSk q est représentée par les courbes noires. Elle est la
moyenne des 36 grilles Ft pSk , nq pour les 36 périodes de 2 ans allant de 1960/1961
à 1995/1996. Chaque grille comporte 51 courbes correspondant aux 51 niveaux
de remplissage. Pour une séquence de deux années données, la courbe inférieure
correspond à l’évolution des VB du niveau de remplissage minimal de la retenue.

Dans le bas de la réserve, l’augmentation importante des VB climatologiques avec le niveau

de remplissage traduit une valeur SWV élevée (i.e. une valeur en U.M d’1 m3 élevée). Cela devait
engendrer une quasi in-exploration de ces niveaux par la trajectoire de la réserve simulée par ce
modèle (Figure 4.14).

Pour illustration, la stratégie AIC est représentée sur la période du 1er juillet 1996 au 30 juin
2003 sur la Figure 4.8.

90/279
 4.4. Prévisibilité des aléas et modèles de gestion

3.0e+014

2.5e+014

2.0e+014
E[Ft(S)]

1.5e+014

1.0e+014

5.0e+013

0.0e+000
Ju96 Ja97 Ju97 Ja98 Ju98 Ja99 Ju99 Ja00 Ju00 Ja01 Ju01 Ja02 Ju02 Ja03 Ju03

 
Figure 4.8 – Stratégie du modèle AIC. Évolution temporelle de la grille E Ft pSk , nq du 1er
juillet 1996 au 30 juin 2003. Les courbes bleue, verte, rouge, turquoise, violette et or
représentent respectivement les niveaux de remplissage 0Mm3 , 206Mm3 , 512Mm3 ,
718Mm3 , 924Mm3 et 1030Mm3 . Le niveau de remplissage 0 Mm3 correspond à
une réserve vide et le niveau 1030 Mm3 à une réserve pleine.

4.4.3. Modèle AIP : Avenir Incertain Prévu

De manière similaire au modèle AIC, la simulation de la gestion réalisée par le modèle AIP
est effectuée dans un contexte d’avenir incertain. Néanmoins, un mécanisme automatique de
prévision des apports (avec une mise à jour régulière de ces prévisions) est introduit au sein
de la phase d’optimisation. Ce type de méthode a déjà été utilisé lors d’études académiques,
par certains auteurs comme par exemple Faber et Stedinger [2001]. Les prévisions exploitent les
observations disponibles sur l’état du bassin versant au moment de la prise de décision. De fait,
ce modèle de gestion est capable de s’adapter aux conditions météorologiques / hydrologiques
récentes et de valoriser la connaissance que l’on peut avoir sur l’état du système à chaque instant.
Pour optimiser sa gestion de SP au jour le jour, EDF dispose et utilise en pratique :

ˆ l’ensemble des observations effectuées au sol jusqu’au jour de gestion. Ces observations
sont obtenues à partir d’un réseau de mesures au sol (e.g. pluviomètres, thermomètres,
perches à neige, stations hydrométriques). Elles sont télétransmises en temps réel (Tourasse
[1991]).
ˆ les images Radar et satellitaires sur la situation atmosphérique en cours.
ˆ des prévisions météorologiques obtenues par différents modèles météorologiques.

Les mesures au sol et observations atmosphériques sont utilisées dans un modèle hydrologique
pour simuler l’évolution du comportement du bassin versant sur les semaines et mois passés. Cela
permet d’estimer l’état des stocks d’eau naturels sur la totalité du bassin versant et ensuite, à
partir des différentes réalisations météorologiques simulées par les modèles de prévisions, de mo-
déliser plusieurs scénarios probables d’apports à la retenue (Figure 4.9).

91/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Figure 4.9 – Principe des prévisions d’apports. A partir de l’état des stocks naturels sur le
bassin versant (entre autres le stock de neige, de glace, l’humidité des sols), et des
scénarios de précipitations / températures des scénarios pertinents d’apports sont
réalisés. Adapté de Faber et Stedinger [2001]

A partir de ces observations et des sorties de modèles de prévisions météorologiques, des

prévisions des différentes demandes sont également réalisées. Par exemple, des prévisions de
consommations électriques sont fournies par la RTE, ou obtenues par le biais de prévisions
d’ensemble de températures réalisées par le CEPMMT (Centre Européen pour les Prévisions
Météorologiques à Moyen Terme) (Houdant [2004]).

Le modèle AIP utilisé dans cette thèse, est construit de manière à représenter de façon simpli-
fiée, avec les contraintes imposées par l’application de celui-ci dans un contexte de changement
climatique, ce contexte de gestion. Pour ce faire, une méthodologie permettant de construire des
prévisions d’apports à la retenue à partir des données déjà observées jusqu’à la date ti où doit
être réalisée la décision de gestion pour le pas de temps à venir, est développée ci-dessous :

ˆ L’état des stocks d’eau naturels sur le bassin en amont de la retenue de SP est estimé par
simulation hydrologique via le modèle Cequeau, sur la base des sollicitations météorolo-
giques précédant la date de gestion ti .
ˆ Il n’est pas possible d’intégrer des prévisions météorologiques qui permettraient ensuite de
réaliser, à partir de l’état initial des stocks d’eau sur le bassin, des prévisions d’apports.
En revanche, à la date ti , les apports à la retenue sur les semaines à venir seront fortement
influencés par l’état courant du bassin versant, en particulier par le stock de neige (ce
stockage saisonnier, plus ou moins important, résulte des sollicitations météorologiques
précédant la date ti ) Les scénarios de forçages météorologiques appliqués en entrée du
modèle hydrologique à la date ti , seront ceux issus de l’historique à disposition à cette
date.
ˆ Pour chacune de ces réalisations météorologiques, des scénarios d’apports, de consomma-
tions électriques et de débits de dotation peuvent être construits à partir des modèles
présentés au chapitre 3.

92/279
 4.4. Prévisibilité des aléas et modèles de gestion

Par exemple sur la Figure 4.10, trois ensembles de prévisions hydrologiques sont proposés
durant l’année 1997 puis durant l’année 1998. Les prévisions hydrologiques initialisées le 1er
mars sont présentées en noir, le 1er mai en bleu et le 1er juin en vert. La série d’apports ob-
tenue en utilisant les chroniques de températures et de précipitations observées est exposée en
rouge et sert de référence. L’état des stocks naturels au premier jour de ces scénarios est obtenu
par simulation hydrologique avec le modèle Cequeau en utilisant les forçages météorologiques
observés jusqu’à ce jour (1er mars 1997 (respectivement 1998) pour l’exemple 1 (courbes noires
Figure 4.10) ; 1er mai 1997 (respectivement 1998) pour l’exemple 2 (courbes bleues Figure 4.10)
et 1er juin pour l’exemple 3 (courbes vertes Figure 4.10)). Chaque scénario futur d’apports est
obtenu par simulation Cequeau à partir de ces états initiaux, en utilisant comme scénario de
forçages météorologiques futurs une année de températures et de précipitations observées par le
passé (par exemple de 1960 à 1995).

800 800

700 700

600 600

500 500

400 400

300 300

200 200

100 100

0 0
M A M J J A M A M J J A

Figure 4.10 – Génération de scénarios hydrologiques jusqu’au 1er septembre 1997 (respective-
ment 1998). Les forçages météorologiques utilisés pour produire ces scénarios sont
issus des 36 années la période 1960-1995. Au total 36 scénarios d’apports sont
ainsi construits. Courbes noires : Initialisation des stocks naturels le 1er mars.
Courbes bleues : Initialisation des stocks naturels le 1er mai. Courbes vertes :
Initialisation des stocks naturels le 1er juillet. Courbe rouge : Simulation réalisée
avec les forçages météorologiques observés durant les années 1997 (gauche) et
1998 (droite)).

L’adéquation des scénarios d’apports avec les apports qui auront réellement été observés a
posteriori, dépend de la date d’initialisation de l’état des stocks naturels au sein du modèle
hydrologique. Elle est d’autant plus forte que le stock naturel (neige et glace) sur le bassin
versant est important au moment de la prévision :

ˆ En effet, à certaines périodes de l’année, les débits futurs sont fortement dépendants des
stocks naturels sur le bassin versant. C’est le cas durant le printemps et l’été où les apports
à venir sont immédiatement influencés par l’état courant des réservoirs naturels (neige
essentiellement). L’amélioration de l’estimation des apports à venir varie selon le délai
d’anticipation (plus on regarde loin, moins l’état initial sera influent). Ainsi, une mise

93/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

à jour de l’état des stocks naturels à la date du 1er juin (courbes vertes Figure 4.10)
permet de resserrer la fenêtre des apports à venir possibles autour de la référence sur ce
mois (courbe rouge Figure 4.10) ce qui n’était pas le cas avec une initialisation des stocks
réalisée plus tôt dans l’année, par exemple le 1er mai ou le 1er mars (respectivement
courbes bleues et noires Figure 4.10).
ˆ Au contraire, durant les mois d’automne, l’état du bassin versant, dont l’essentiel des
stocks de neige ont disparus, a peu d’influence sur les apports à venir, ces apports étant
davantage soumis aux précipitations. Une mise à jour de l’état des stocks à cette période
ne devrait pas améliorer significativement la prévision d’apports.

Pour une date d’initialisation de l’état du bassin fixée, l’optimisation de la gestion est réa-
lisée pour chacun des scénarios produits. De la même façon que pour le modèle AIC, un grille
 
E Ft pSk q est calculée à partir des grilles Ft pSk , nq obtenues pour chacun des Ns scénarios
d’apports. Cette opération est réalisée à chaque nouvelle prévision (Figure 4.11a). Finalement,
 
la stratégie AIP E Ft pSk q , qui sera utilisée durant la phase de simulation de la gestion, est
composée par morceaux des stratégies construites respectivement et successivement à chaque
nouvelle mise à jour des prévisions hydrologiques (Figure 4.11b).
Stock

E[Ft(S)] Stratégie AIP

E[Ft(S)]
Stock

Prévision à t0 E[Ft(S)]
E[Ft(S)] E[Ft(S)] E[Ft(S)] E[Ft(S)] E[Ft(S)]
Prévision à t0 +6mois

Prévision t0 +1an
E[Ft(S)] t0+1.5ans
t0 t0+6mois t0+1an t0+2ans
Prévision
t0 +1an + 6mois
t0 t0+6mois t0+1an t0+1.5ans t0+2ans

(a) (b)
 
Figure 4.11 – (a) Principe de construction de la stratégie AIP. Une nouvelle stratégie E Ft pSk q
est calculée à chaque nouvelle prévision. (b) La stratégie se compose par morceaux
des différentes stratégies calculées à chaque nouvelle prévision.

Sur la Figure 4.11, les différents scénarios futurs (apports, consommations électriques, débits
de dotation) considérés lors du calcul des stratégies considèrent tous le même horizon de gestion
(qui est sur ce schéma de principe tf  t0 +30 mois). Comme nous l’avons montré précédem-
ment sur la Figure 4.10, l’état du le bassin versant à une date ti fixée, n’influence les apports à
venir que sur une période limitée dans le temps. Il est donc possible de considérer un horizon de
gestion fixe pour l’ensemble de ces sous stratégies. L’horizon choisi est tH =6 mois (Figure 4.12).
Si t0 est la date de la prévision, les VB initiales à tH 1 sont les VB climatologiques du jour
calendaire considéré, c’est à dire celles obtenues par l’approche AIC. De même la valeur Stmin
de la courbe guide à la date tH 1 nécessaire à la courbe guide de remplissage est celle calculée
pour le modèle AIC (voir section 3.4 page 65 pour le calcul de cette courbe guide de remplissage).

94/279
 4.4. Prévisibilité des aléas et modèles de gestion

Stock
E[Ft(S)]
E[Ft(S)]
Prévision t0 t0 + tH E[Ft(S)]
Prévision t0 +6moist0 +6mois+ tH

Prévision t0 +1ant0 +1an+ tH

E[Ft(S)]

t0 t0+6mois t0+1an t0+1.5ans t0+2ans

Figure 4.12 – Construction de la stratégie AIP avec un horizon de gestion fixé à 6 mois.

L’état des stocks naturels peut être ré-estimé au fur et à mesure que de nouvelles observations
des forçages météorologiques récents sont réalisées. Idéalement, la fréquence de mise à jour de
l’état des stocks naturels et, par suite, la mise à jour des prévisions d’apports, devraient être
journalières. Cependant, les temps de calculs importants que cela implique ne le permettent pas.
Une mise à jour mensuelle des stocks naturels et des prévisions d’apports est choisie pour la
suite des développements.

 
Sur la Figure 4.13, nous pouvons ainsi constater que l’évolution temporelle des VB E Ft pSk q
présente des sauts mensuels. Ces différents sauts sont issus de l’amélioration des prévisions
d’apports. La mise à jour mensuelle des prévisions d’apports pourra entre autres permettre,
d’anticiper des faibles apports durant le printemps et l’été si le stock de neige hivernale et faible,
et inversement. Pour illustration durant l’été 2001, l’augmentation rapide des VB des bas niveaux
(cf Figure 4.13) résulte a priori d’une bonne prévision des forts débits à cette période (cf. Figure
4.4).

95/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

3.0e+014
Mise à jour stratégie le 1er janvier 1998
Mise à jour stratégie le 1er février 1998
2.5e+014
Mise à jour stratégie le 1er mars 1998
2.0e+014
E[Ft(S)]

1.5e+014

1.0e+014

5.0e+013

0.0e+000
Ju96 Ja97 Ju97 Ja98 Ju98 Ja99 Ju99 Ja00 Ju00 Ja01 Ju01 Ja02 Ju02 Ja03 Ju03

 
Figure 4.13 – Stratégie du modèle AIP. Évolution temporelle des Valeurs de Bellman E Ft pSk q
du 1er juillet 1996 au 30 juin 2003. Les valeurs de Bellman sont calculées par ré-
currence de façon récursive sur une période de six mois. Seules les Valeurs de
Bellman du premier mois sont retenues avant la mise à jour des stocks naturels
sur le bassin versant amont de Serre-Ponçon, et la prévision de nouveaux scé-
narios d’apports à la réserve. Chaque courbe de couleur représente l’évolution
temporelle
  de la valeur de Bellman à un niveau de remplissage donné. Le grille
E Ft pSk q complète comporte 51 niveaux de remplissage, cependant pour faciliter
la lecture du graphique seulement 6 niveaux de remplissage sont représentés. Les
courbes bleue, verte, rouge, turquoise, violette et or représentent respectivement
les Valeurs de Bellman des niveaux de remplissage 0Mm3 , 206 Mm3 , 512 Mm3 ,
718 Mm3 , 924 Mm3 et 1030 Mm3 . Le niveau de remplissage 0 Mm3 correspond
à une réserve vide et le niveau 1030 Mm3 à une réserve pleine.

4.5. Évaluation des trajectoires de

réserves simulées
Une comparaison qualitative des trajectoires obtenues avec les différents modèles est réalisée
dans cette section sur la période 1996-2003. Une étude comparée plus poussée, sur la base d’in-
dicateurs de performance sera réalisée chapitre 5.

Les trajectoires de réserves obtenues sur la période allant du 1er juillet 1996 au 30 juin 2003
sont présentées Figure 4.14. La trajectoire de réserve observée sur cette période est présentée en
noir Figure 4.14. Cette trajectoire est donnée à titre indicatif. Les trois approches de modélisation
de la gestion de SP proposées ici ne prennent pas en compte l’ensemble des contraintes du système
réel de gestion (voir chapitre 2). De plus, les usages et les contraintes pris en compte sont
très simplifiés comme indiqué chapitre 3. Les trajectoires de réserve simulées par les modèles
de gestion AC, AIC et AIP ne peuvent donc pas être identiques à celle observée. Cependant
elles sont déterminées par les mêmes chroniques d’apports et de sollicitations. Nous attendons
donc qu’elles partagent les mêmes caractéristiques, en terme de variation intra-annuelle et de
comportement relatif d’une année à l’autre.

96/279
 4.5. Évaluation des trajectoires de réserves simulées

1000

800

600

400

200 Obs
AC
AIC
AIP
0
Ju96 Ja97 Ju97 Ja98 Ju98 Ja99 Ju99 Ja00 Ju00 Ja01 Ju01 Ja02 Ju02 Ja03 Ju03

Figure 4.14 – Influence d’une optimisation en Avenir Certain (Bleu), en Avenir Incertain Cli-
matologique (Vert) et Avenir Incertain Prévu (Rouge) sur la capacité de repro-
duire le stock observé de la réserve de Serre-Ponçon (Noir) sur la période 01/07/96
Ñ 30/06/96

4.5.1. Trajectoire de réserve AC

La trajectoire de réserve simulée par le modèle AC est présentée en couleur bleue Figure 4.14.
La conséquence d’une optimisation déterministe sur toute la période de simulation (i.e. avenir
certain), est un déstockage de la réserve en moyenne plus important comparé au déstockage ob-
servé. La connaissance parfaite de l’avenir permet en fait un déstockage parfait, c’est-à-dire un
déstockage qui conduit à l’utilisation maximale de la ressource tout en garantissant le respect de
la cote au 1er juillet tous les ans. Les défaillances pouvant être observées certaines années durant
la période estivale résultent uniquement d’apports à la réserve insuffisants pour satisfaire à la
fois la cote touristique et la fourniture du débit de dotation. La fourniture du débit de dotation
étant la priorité de la retenue, il est normal d’observer un non-respect de la cote touristique ces
années-là.

Les écarts entre la trajectoire de réserve obtenue via la modélisation AC et la trajectoire ob-
servée ne s’expliquent pas exclusivement par une connaissance parfaite de l’avenir. Durant l’été
1997 par exemple, la cote touristique n’a pas été tenue par le gestionnaire de SP (courbe noire
Figure 4.14) au contraire des différents modèles (Figure 4.14). Le maintien de la cote durant cet
été aurait donc pu être possible à la vue des conditions d’apports et de demande en eau en aval
(Figure 4.4). Les déstockages réalisés par le gestionnaire EDF cet été là indiquent en fait une
utilisation énergétique de l’eau stockée dans le barrage. Ceci était possible à l’époque, la gestion
du remplissage de SP n’ayant été réellement conventionnée qu’à partir de 1999 pour le maintien
de la cote touristique (Balland et al. [2002]).

97/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Cette modélisation reste difficilement comparable aux deux autres approches étant donné la
stratégie de remplissage différente employée (i.e. satisfaction tout les ans de la cote au 1er juillet
contre la satisfaction 9 années sur 10 en moyenne pour les approches AIC et AIP).

4.5.2. Trajectoire de réserve AIC

La trajectoire de réserve simulée par le modèle AIC est présentée couleur verte sur la Figure
4.14. Les déstockages opérés par le modèle durant les années humides (i.e. 2001 et 2003) sont
nettement moins importants que ceux obtenus par le modèle AC présenté précédemment. Ceci
illustre le fait qu’une gestion réalisée dans un contexte incertain, ne permet pas des déstockages
aussi importants qu’en avenir certain ces années là. La stratégie de gestion AIC peut en effet
conduire à un remplissage trop tôt dans l’année, et donc augmenter le risque de déversement
(cf . été 2001 Figure 4.14). Au contraire, durant les années aux apports limités (i.e. 2002), la
stratégie de gestion AIC ne permet pas d’anticiper les difficultés de remplissage inhérentes à
ces conditions, et engendre un déstockage trop important et par suite une incapacité à garantir
la cote touristique au 1er juillet. Cela se produit par exemple durant les années 1999 et 2002,
durant lesquelles les apports au réservoir sont particulièrement bas (Figure 4.4).

De manière générale, si le modèle de gestion AC s’adapte parfaitement (et donc surestime la

capacité d’un gestionnaire réel à adapter la stratégie de gestion selon les conditions de forçages),
le modèle AIC ne s’adapte pas (et donc sous-estime la capacité d’un gestionnaire à adapter la
stratégie de gestion).

4.5.3. Trajectoire de réserve AIP

Les prévisions hydrologiques réalisées par le modèle AIP permettent d’adapter (de façon
simplifiée), la stratégie de gestion au fur et à mesure que le temps s’écoule et que de nouvelles
estimations des apports à venir peuvent être réalisées. La différence qui en résulte entre le
modèle AIP et le modèle AIC en devient spectaculaire pour certaines années très humides telles
que l’année 2000/2001 ou des années très sèches comme 1998/1999. Lors des années sèches, le
modèle AIP présente un déstockage beaucoup moins important que le déstockage réalisé par
AIC, ce qui lui permet dans ces cas là, de satisfaire la cote touristique au 1er juillet. Il en est de
même pour l’année 2002.

98/279
 4.6. Conclusion

4.6. Conclusion
L’objectif de ce chapitre est d’explorer la possibilité de développer un modèle de gestion de
la retenue de SP. Étant donné les contraintes du projet RIWER 2030 (i.e. application en climat
futur du modèle de gestion), cette modélisation doit être réalisée dans un contexte de données
limitées. L’ensemble des composantes de la gestion de la retenue de SP a ainsi été simplifié, entre
autres :

ˆ Le système physique modélisé de SP est isolé vis-à-vis des autres aménagements de la

CPH-DV. En particulier, le rôle joué par la deuxième grande retenue de la chaı̂ne (i.e. la
retenue de Sainte-Croix) n’est pas pris en compte.

ˆ Les apports au réservoir ne sont pas les apports observés mais sont au contraire modélisés
par un modèle hydrologique (Cequeau).

ˆ Les usages et contraintes de SP ne sont pas tous pris en compte. Les principaux sont
cependant intégrés de façon simplifiée (e.g. vision de la demande agricole à l’échelle de la
région, optimisation de la production fonction d’un intérêt à turbiné).

Dans ce contexte, il est impossible de réaliser une modélisation très fidèle à la gestion opéra-
tionnelle de l’ouvrage de SP.
Trois modélisations de la gestion de SP ont finalement été proposées. Ces trois différents modèles
optimisent les décisions prises au jour le jour, via un algorithme de programmation dynamique.
La programmation dynamique se décompose en deux étapes distinctes : une phase d’optimisa-
tion et une phase de simulation. La phase d’optimisation conduit à la construction d’une grille
de valeurs de Bellman (E rFt pS qs) et d’une grille de valeurs marginales de l’eau (E rSW Vt pS qs)
qui définissent chacune la stratégie de gestion optimale. Cette stratégie optimale est ensuite
appliquée durant la phase de simulation pour calculer la séquence de décisions optimale et par
suite la trajectoire de réserve optimale.
Les stratégies de gestion des différents modèles de gestion considérés sont établies dans des
contextes de prévisibilité des apports et des demandes futurs différents :

ˆ Avenir Certain (modèle AC)

ˆ Avenir Incertain Climatologique (modèle AIC)

ˆ Avenir Incertain Prévu (modèle AIP)

Le mode de gestion du modèle AIP est celui qui se rapproche le plus de la gestion opéra-
tionnelle de la retenue de SP. Le modèle AC surestime a priori la visibilité que pourrait avoir
un gestionnaire, et donc l’adaptabilité de sa stratégie. Le modèle AIC au contraire, sous-estime
cette prévisibilité.
Les trajectoires de réserve obtenues pour les trois modèles sont significativement différentes.
Nous pouvons donc nous attendre à des différences de performance entre ces trois modèles pour
le climat présent. Cela nous ramène à une des questions posées en début de ce document de
thèse. Quelle est l’incertitude liée aux modèles de gestion sur les modifications de performance
pouvant être estimées ?

99/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

Synthèse
Objectif principal du chapitre
L’objectif de ce chapitre était de proposer une modélisation de la gestion de la
retenue de SP pouvant être appliquée dans un contexte de changement climatique.
Dans un tel contexte, les différentes composantes de ce système (usages de l’eau,
contraintes appliquées au système) ont dû être simplifiées pour pouvoir être modélisées
en climat futurs. La demande en eau en aval ainsi que la gestion du remplissage de
la retenue avant le 1er juillet à partir d’une courbe guide, sont considérées comme
des contraintes au système. La production est optimisée en fonction d’un intérêt à
produire de l’énergie. Ce problème d’optimisation est donc un problème d’optimisation
sous contraintes.

Résolution du problème d’optimisation de la gestion

La résolution du problème d’optimisation de la gestion d’un système modélisé de SP
est réalisée via la programmation dynamique.
La résolution de ce problème d’optimisation se décompose en deux étapes :

ˆ Une phase d’optimisation. Elle consiste à calculer une stratégie de gestion qui
se traduit par une grille de Valeurs de Bellman (E rFt pS qs) ou par une grille de
valeurs marginales de l’eau stockée (E rSW Vt pS qs).
ˆ Une phase de simulation. La stratégie obtenue durant l’étape d’optimisation est
utilisée pour calculer une séquence de décisions optimales et par suite, une tra-
jectoire de réserve optimale, des chroniques de débit turbinés et déversés.

Approches retenues :
Trois approches, correspondant à différents degrés de prévisibilité des apports et des
usages de l’eau, ont été retenues pour calculer la stratégie de gestion :

ˆ Une approche dite Avenir Certain, qui de fait ne considère aucune incertitude
sur les variables d’intérêt futures
ˆ Une approche dite Avenir Incertain Climatologique qui ne connait l’avenir que
par la climatologie d’un historique des variables d’intérêt.
ˆ Une approche dite Avenir Incertain Prévu qui en plus d’une connaissance cli-
matologique des variables d’intérêt, intègre différentes prévisions hydrologiques
permettant d’adapter la stratégie si besoin. Cette approche est la plus proche de
la gestion réalisée en opérationnel.

100/279
 4.6. Conclusion

Synthèse

Trajectoire de réserve optimale des modèles de gestion

Les trajectoires de réserves optimales des trois modèles de gestion ont été simulées à
partir des données observées sur le bassin versant. Des différences significatives sont
constater entre ces trajectoires. Elles suggèrent des différences de performance pour le
climat présent mais également en climat futur.

101/279
Chapitre 4. Modélisation de la gestion optimale de la retenue

102/279
 Partie III

Performance d’un système de

gestion : Méthodologie d’évaluation
et indicateurs

103/279
Chapitre 5

Indicateurs de performance d’un

système de gestion

Deux types d’indicateurs sont habituellement utilisés pour caractériser la gestion d’un système
de gestion, qu’il soit réel ou modélisé :

ˆ Des indicateurs qualitatifs

ˆ Des indicateurs quantitatifs

Certains de ces indicateurs sont présentés dans ce chapitre, d’autres sont présentés par Mc-
Mahon et al. [2006]. Le calcul des indicateurs quantitatifs est illustré à partir d’un exemple très
simplifié (Figure 5.5). Dans un second temps, ces critères seront appliqués aux sorties des mo-
dèles AC, AIC et AIP afin d’estimer leur performance sur la période 1970-1999 (section 5.3).
Sur cette période, les variables d’intérêt sont obtenues par simulation à partir des forçages mé-
téorologiques observés et des modèles présentés chapitre 3.

5.1. Indicateurs qualitatifs

5.1.1. Signatures de stock
Les trajectoires de réserve du système modélisé de SP (Figure 4.14), obtenues en sortie des
modèles AC, AIC et AIP, résultent d’une règle de gestion et d’un contexte d’apports et de
demandes / contraintes donné. Les différences entre ces trajectoires, découlent des différentes
stratégies calculées par ces modèles de gestion. Un moyen de comparer ces stratégies pourrait
être de confronter les trajectoires de réserves résultant de ces dernières.
Du fait des fortes saisonnalités des objectifs, des contraintes et des apports entrant dans le
système modélisé de SP, les trajectoires de réserve simulées présentent elles aussi, une forte sai-
sonnalité comme nous avons pu le souligner Figure 4.14, alternant phases de déstockage durant
l’hiver et phases de remplissage durant le printemps. Compte tenu de cette saisonnalité impor-
tante, une stratégie de gestion pourrait se caractériser par la trajectoire de réserve inter-annuelle

105/279
Chapitre 5. Indicateurs de performance d’un système de gestion

moyenne. Le terme de signature de stock pourrait être employé pour qualifier ce type de tra-
jectoire inter-annuelle moyenne, tant celle-ci résume l’essentiel du fonctionnement d’un système
de gestion. Il est de plus aisé de confronter ce type de signatures de stock, obtenues pour diffé-
rentes règles de gestion (Figure 5.1 gauche), ou pour différents contextes climatiques (Figure 5.1
droite). L’analyse graphique de ces signatures synthétise beaucoup d’informations sur la modifi-
cation possible de l’équilibre obtenu via une stratégie de gestion entre une ressource et des usages.

Jours

Figure 5.1 – Gauche : Influence des règles de gestion sur le cycle inter-annuel des stocks ob-
servés d’un ensemble de retenues en Norvège sur trois périodes différentes : 1980-
1990, 1991-1998 et 1999-2005. Selon Wolfgang et al. [2009], la diminution du stock
inter-annuel moyen après 1990, ne s’explique pas par une modification des for-
çages climatiques mais bien par une modification des règles de gestion (Adaptée
de Wolfgang et al. [2009]). Droite : Influence du changement de climat sur le cycle
inter-annuel des stocks simulés d’un ensemble de retenues sur l’Ariège (France).
Rouge : climat de contrôle ; Bleu et Vert : Deux scénarios de climats futurs. (Adap-
tée de Dupeyrat et al. [2008])

A titre d’exemple, la diminution du déstockage hivernal pour les deux scénarios de chan-
gement climatique présentés par Dupeyrat et al. [2008] (Figure 5.1 droite), s’explique par des
apports au réservoir diminués au printemps. De même, l’avancée de l’onde de fonte printanière
due à la hausse des températures, s’exprime par une remontée de cote avancée dans l’année. Au
contraire, dans le cas des réserves Norvégiennes présenté par Wolfgang et al. [2009], la modi-
fication des signatures de stock résulterait d’une modification des règles de gestion (Figure 5.1a).

Les études, visant à caractériser la gestion ou à évaluer la modification de la performance

d’un système de gestion, ne présentant pas ce type de signature sont rares. Pour un système de
gestion quelconque, ces signatures permettent d’apprécier une modification de la gestion. Cela
en fait un outil de communication très puissant, parce que communément adopté.

106/279
 5.1. Indicateurs qualitatifs

5.1.2. Valeurs marginales de l’eau stockée (SWV)

Les valeurs marginales de l’eau stockée représentent, à un niveau de remplissage donné, l’es-
pérance de revenus futurs liés au stockage immédiat d’1 m3 d’eau dans le système. Issues de la
résolution du problème d’optimisation a (équation 4.15) elles permettent de caractériser la stra-
tégie de gestion optimale d’un système de gestion. L’analyse de ces SWV pour un cas d’étude
simplifié, a donné lieu à la rédaction d’une publication durant cette thèse (François et al. [2013]).
Cet article, situé en annexe A.1, est en cours de révision pour publication dans le journal Water
Ressource Research.

Cet article illustre comment la stratégie de gestion (exprimée ici par les SWV aux différents
niveaux de remplissage du système) est structurée en fonction de l’adéquation naturelle entre
la ressource et les usages de l’eau. Cette étude est réalisée via une modèle de gestion similaire
au modèle AC (Avenir Certain). L’exemple Figure 5.2 montre par exemple comment les SWV
à trois niveaux de remplissage (10 %, 50 % et 90 % de la capacité de stockage du réservoir)
évoluent dans le temps, en fonction de l’adéquation entre les apports au réservoir (courbe bleue)
et d’un intérêt à produire de l’énergie (courbe rouge). L’intérêt à turbiner est ici simplement
calculé à partir d’un indice de température de l’air (voir équation 11 de l’article en annexe). Ce
dernier est élevé en hiver et minimal durant l’été.

12
Niveaux de remplissage de la retenue
10

0
Ja77 M77 S77 Ja78 M78 S78 Ja79 M79 S79 Ja80 M80 S80
1200

1000

800 32
28
V kWh-1

600 24
20
400 16
12
200 8
4
0 0
Ja77 M77 S77 Ja78 M78 S78 Ja79 M79 S79 Ja80 M80 S80

Figure 5.2 – Haut : Évolution temporelle des SWV obtenues du 1er janvier 1977 au 31 décembre
1981 avec un modèle similaire à AC pour lequel l’objectif unique est d’optimiser
la production hydroélectrique en fonction d’un intérêt à turbiner. Bas : Évolution
temporelle des apports au réservoir (bleu) et d’un intérêt à produire de l’énergie
EP (rouge). Adapté de François et al. [2013]. (Ja :janvier ; M :mai ; S :septembre)

Les évolutions temporelles des SWV affichées Figure 5.2, ne correspondent pas la valeur
marginale de l’eau stockée indiquée par la trajectoire de réserve optimale. Elles reflètent au
contraire la valeur marginale de l’eau quelle que soit la date et le niveau de remplissage, c’est
a. L’analyse des SWV est donc limitée aux modèles dont l’optimisation de la gestion est résolue à
partir d’un algorithme de programmation dynamique.

107/279
Chapitre 5. Indicateurs de performance d’un système de gestion

donc une représentation graphique de la stratégie de gestion du modèle AC (du moins de la

version simplifiée du modèle AC utilisée dans l’article François et al. [2013]). Au niveau de
remplissage indiqué par la trajectoire de réserve optimale obtenue en phase de simulation, la
SWV pourrait cependant être estimée par des méthodes d’interpolation comme celle présentée
section 4.3.1 par exemple.
A une date donnée, la SWV diminue avec l’augmentation du stock d’eau disponible dans le
système. Plus le volume d’eau présent dans le système est important, plus élevés seront les
revenus futurs ; un volume supplémentaire d’eau serait a fortiori valorisé à une période durant
laquelle l’intérêt à produire est plus bas. L’intérêt à stocker davantage d’eau dans le système est
dans ce cas plus faible, ce qui résulte d’une plus faible SWV.
Pour un niveau de remplissage donné, les variations temporelles des SWV reflètent la capacité
du réservoir à ajuster la ressource en eau à la demande (e.g. représentée ici par un intérêt à
produire de l’énergie). L’abondance future des apports au réservoir (respectivement la rareté) au
regard de l’intérêt futur à produire de l’énergie, diminue (respectivement augmente) la SWV a .
Compte tenu des fortes saisonnalités des apports et de l’intérêt à produire de l’énergie, les SWV
présentent une forte saisonnalité. Elles sont maximales pendant la période précédant celle à
fort intérêt de production et minimales avant la période de forts apports au réservoir. Le cycle
saisonnier des SWV est présenté dans ce cas Figure 5.3a. Pour chacun des niveaux de remplissage
(10 % en pointillés, 50 % en traits plein et 90 % en tirets), la variabilité inter-annuelle du cycle
saisonnier des SWV est caractérisée par les quantiles 10 et 90 des SWV (cf. courbes enveloppes
de la moyenne Figure 5.3). Au même titre que la moyenne inter-annuelle du stock de la retenue,
les moyennes inter-annuelles des SWV (à des niveaux de remplissage choisis) constituent une
signature de la stratégie de gestion d’un système.

20 20
10% 10%
50% Niveaux de remplissage de la retenue 50% Niveaux de remplissage de la retenue
90% 16 90%
16
Quantile 10
Moyenne des SWV au niveau de remplissage 10 % 12
12
Quantile 90

8 8

4 4

0 0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

(a) Gestion ”Énergétique” (b) Gestion ”Touristique”

Figure 5.3 – Cycles saisonniers des SWV aux niveaux de remplissage 10 % (pointillés), 50 %
(traits pleins) et 90 % (tirets). (a) L’unique objectif est d’optimiser la produc-
tion énergétique du système en fonction d’un intérêt à produire de l’énergie (b)
L’unique objectif du système est de garantir un niveau minimal de remplissage
durant la période estivale (15 juin au 31 août). Pour chaque niveau de remplis-
sage les deux courbes enveloppes correspondent aux quantiles 10 et 90, la courbe
intermédiaire à la moyenne. Ces cycles saisonniers sont obtenus sur une période
temporelle de 42 années (plus de détails sont présentés dans l’article en annexe).

a. Voir par exemple le mois de mai 1977 et respectivement le mois de septembre 1977 Figure 5.2)

108/279
 5.1. Indicateurs qualitatifs

Dans le cas d’un système multi-objectifs, l’avantage des signatures SWV vis à vis de celles de
stock, réside dans la possibilité d’établir des signatures indépendantes pour chacun des objectifs.
La signature obtenue dans le cas de la gestion d’une cote touristique est par exemple proposée
Figure 5.3b. Dans ce cas, les SWV reflètent le besoin de stocker de l’eau dans le système afin
de garantir le niveau de remplissage souhaité au moment opportun. Cette signature permet par
exemple de renseigner, pour les niveaux de remplissage considérés, les périodes auxquelles un
stock d’eau est nécessaire dans le système pour pouvoir garantir cet objectif en tenant compte
des apports probables. Au contraire, la signature de stock résultant de cet unique objectif pré-
senterait un niveau de remplissage en permanence à son maximal, et serait donc sans réel intérêt.
La signature des SWV correspondant à la gestion combinée de différents objectifs d’un système,
est en première approximation la somme des différentes signatures individuelles de ces objectifs.
Ce n’est pas exactement le cas, du fait de possibles concurrences entre usages.

Ces signatures peuvent être changées, selon la modification des apports au réservoir (Figure
5.4) ou de la demande. La capacité à décomposer la signature vis-à-vis de chaque objectif per-
met d’appréhender les raisons des modifications des stratégies propres à chacun. Cela est illustré
Figure 5.4. Sur cette figure, les signatures de SWV sont présentées pour les trois précédents
niveaux de remplissage (10 % colonne 1, 50 % colonne 2 et 90 % colonne 3) et pour différents
objectifs de gestion (optimisation de la production énergétique ligne 1, maintien d’une cote tou-
ristique ligne 2, et une combinaison de ces objectifs ligne 3). Trois scénarios sont considérés : un
premier scénario en climat de contrôle et deux scénarios présentant une anomalie annuelle de
température de respectivement de 3 C et 5 C.

Ainsi la nature et l’amplitude des modifications des signatures SWV observées Figure 5.4, et
donc de la stratégie de gestion, dépendent de l’objectif considéré. Des explications supplémen-
taires, concernant le cas d’étude et les scénarios considérés pour établir ces signatures, ainsi que
sur les interprétations de ces modifications, sont fournies dans l’article. Ce dernier est en annexe
de ce document de thèse (annexe A.1). Si les signatures SWV ne mesurent pas directement la
performance d’un système de gestion, elles permettent cependant d’apporter plus d’éléments de
compréhension à l’analyse de performance d’un système donné, évaluée par le biais de différents
critères quantitatifs présentés section 5.2.

109/279
Chapitre 5. Indicateurs de performance d’un système de gestion

28 28 28
24 24 24
20 20 20
16 16 16
12 12 12
8 8 8
4 4 4
0 0 0
J FM A M J J A S O N D J F M A M J J A S O N D J FM AM J J A S O N D

28 28 28
24 24 24
20 20 20
16 16 16
12 12 12
8 8 8
4 4 4
0 0 0
J FM A M J J A S O N D J F M A M J J A S O N D J FM AM J J A S O N D

28 28 28
24 24 24
20 20 20
16 16 16
12 12 12
8 8 8
4 4 4
0 0 0
J FM A M J J A S O N D J F M A M J J A S O N D J FM AM J J A S O N D

Figure 5.4 – Sensibilité des signatures SWV (moyenne inter-annuelle des SWV) à une aug-
mentation des températures ( 3 C et 5 C d’anomalie annuelle) aux niveaux de
remplissage 10 %, 50 % et 90 %. Haut : Dans ce cas, l’objectif unique de la réserve
est l’optimisation de la production énergétique. Milieu : Dans ce cas, l’unique ob-
jectif est le maintien d’une cote touristique durant la période estivale. Bas : Dans
ce cas, l’objectif de la retenue est double, optimisation de la production énergé-
tique et maintien d’un niveau du réservoir élevé durant la période estivale. Adapté
de François et al. [2013].

5.2. Critères quantitatifs

5.2.1. Un indicateur de revenu économique
Évaluer la performance d’un système de ressource en eau dont la fonction objectif est l’opti-
misation des revenus liés à la production énergétique, nécessite de se munir d’un indicateur de
gains ou de revenus. Pour le cas étudié dans cette thèse, l’indicateur de revenus utilisé GHEP ,
est calculé durant la période de simulation comme la somme sur une durée fixée d’un indice de
revenus journaliers (équation 3.3).

5.2.2. Les volumes déversés

Évaluer la quantité d’eau déversée permet aussi d’estimer la performance d’un système. En
effet, les volumes déversés ne sont pas valorisés par des revenus, car non turbinés. L’indicateur des
volumes déversés VDev est défini comme le volume total déversé sur une période de simulation.
Or, nous noterons que la limitation des volumes déversés ne fait pas explicitement partie des
objectifs du système modélisé de SP tels qu’ils ont été décrits chapitre 4. Elle l’est cependant de

110/279
 5.2. Critères quantitatifs

manière implicite : l’optimisation des revenus liés à la production énergétique implique a fortiori
de limiter les déversements.

5.2.3. Critères RRV

Depuis le début des années 80, les critères RRV (Fiabilité, Résilience, Vulnérabilité) sont
très utilisés pour évaluer la performance des systèmes de ressource en eau. Ils se basent sur une
analyse statistique des caractéristiques des défaillances du système ou des épisodes défaillants.
Une défaillance est constatée dès qu’une demande ou un usage, n’est pas pleinement satisfait.
Un épisode défaillant est un ensemble de dates consécutives où le système est défaillant. Selon
Hashimoto et al. [1982], pour un système donné, les critères RRV mesurent :

ˆ la fiabilité du système.
ˆ la capacité du système, lors d’une défaillance, à revenir dans un état satisfaisant (rési-
lience).
ˆ la sévérité des défaillances (vulnérabilité).

Afin d’expliquer simplement ces concepts, un exemple est proposé Figure 5.5. Sur cet exemple,
la courbe rouge représente une demande à satisfaire (Mm3 ) et les courbes bleues, deux scénarios
différents correspondant à ce qui a pu être fourni par le gestionnaire du système (Mm3 ). En
considérant une discrétisation temporelle entre [t0 ,t10 ], on observe deux épisodes défaillants pour
le scénario de fourniture 1 (le premier épisode est situé à la date t1 , le second sur la période
[t6 ,t7 ]). Le scénario de fourniture 2 (pointillés bleus) présente une défaillance supplémentaire à
la date t6 . Dans un premier temps, seul le premier scénario de fourniture est discuté (trait plein
bleu).

Fourniture 1
4 Fourniture 2
Demande
3
Mm3

0
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10

Figure 5.5 – Schéma de principe : la courbe rouge représente une demande à satisfaire et la
courbe bleue correspond à ce qui a été fourni par le gestionnaire du système. Il y
a défaillance dès lors que la demande est inférieure à la réalisation. La courbe en
pointillé bleu est un second scénario de fourniture, qui diffère du premier scénario
uniquement à la date t4 .

111/279
Chapitre 5. Indicateurs de performance d’un système de gestion

5.2.3.a. Fiabilité / Risque

La fiabilité est un concept largement utilisé pour évaluer la performance d’un système de
gestion de ressource en eau, au moins depuis les travaux de Hazen [1914].
Hashimoto et al. [1982] définissent la fiabilité comme la fréquence d’états satisfaisants. Considé-
rons X comme l’ensemble des états du système considéré. CardpX q est le nombre des éléments
de l’ensemble X . L’ensemble X est composé de deux sous ensembles : i) S l’ensemble des états
satisfaisants et ii) D l’ensemble des états défaillants. Dans ce cas, la mesure de fiabilité F ia est
donnée en % par l’équation 5.1.

CardpX P S q
F ia   100
CardpX P tS D uq
(5.1)

Cette mesure est l’opposée du critère de risque de défaillance, également rencontré dans la
littérature. Il se définit simplement comme la fréquence d’états non satisfaisants, ou défaillants
(équation 5.2).

Risk  100%
F ia (5.2)

Sur l’exemple proposé Figure 5.5, la fiabilité est F ia  100  p8{11q  72% et le risque
Risk  28%. Dans la suite du document, seules les valeurs de fiabilité seront employées.

5.2.3.b. Vulnérabilité

La définition de la vulnérabilité, généralement basée sur une mesure de l’intensité de la

défaillance, n’est pas figée. Deux expressions de la vulnérabilité ont été retenues dans cette
thèse :

ˆ La vulnérabilité définie par Hashimoto et al. [1982] (Equation 5.4)

¸
V ulH  p j vj (5.3)

où V ulH est la mesure de vulnérabilité, pj est la probabilité d’occurrence du j ème épisode
défaillant et vj le plus grand écart à l’objectif constaté durant le j ème épisode défaillant.
Hashimoto et al. [1982] et Jinno [1995] considèrent que tous les épisodes défaillants ont
la même probabilité d’occurrence pj (p1  p2  ...  pM  1{M avec M le nombre
d’épisodes défaillants). L’équation 5.3 devient alors :

M̧
V ulH  M1 vj (5.4)

j 1

Dans l’exemple présenté Figure 5.5, les vulnérabilités v1 et v2 ont pour valeurs respectives 1
et 2. La vulnérabilité calculée via l’équation 5.4 sur la période [t0 ,t10 ] vaut donc V ulH  1.5
Mm3 .

ˆ La vulnérabilité définie par Moy et al. [1986] (équation 5.5).

112/279
 5.2. Critères quantitatifs

V ulM  max
j
p vj q (5.5)

Dans ce cas, la vulnérabilité est considérée comme étant la défaillance la plus sévère
observée sur une période. Sur l’exemple Figure 5.5, cette mesure de vulnérabilité donne
V ulM  2 Mm3 .

5.2.3.c. Résilience

Le terme de résilience, désigne la capacité d’un système après un choc ou une perturbation,
à revenir dans un état satisfaisant. Appliqué à la gestion d’une retenue, ce concept donne une
indication sur la durée d’un épisode défaillant (si la résilience d’un système est élevée, la durée
des épisodes défaillants est courte et inversement).

ˆ Selon Hashimoto et al. [1982], toujours en considérant les probabilités d’occurrence des
épisodes défaillants égales, la résilience d’un système s’exprime comme l’inverse de la durée
moyenne des épisodes défaillants. Son expression est donnée par l’équation 5.6.

# +
1
M̧
ResH  1
M
dj (5.6)

j 1

Avec dj la durée du j ème épisode défaillant. L’unité de la résilience est pas de temps
1 . Une
résilience égale à 1 indique qu’après une perturbation, le système n’est jamais défaillant
sur une période supérieure à un pas de temps. Sur l’exemple présenté Figure 5.5, d1  1
et d2  2 ce qui donne une valeur de résilience ResH  0.66 temps
1
.

ˆ Selon Moy et al. [1986], la résilience est l’inverse de la durée du plus long des épisodes
défaillants (Equation 5.7).

" *
1
ResM  maxpdj q (5.7)
j

La valeur de la résilience est dans ce cas ResM  0.5 temps
1.

Kjeldsen et Rosbjerg [2004] montrent que les valeurs de vulnérabilité et de résilience sont très
inversement corrélées. Un tel résultat signifie que, plus un épisode défaillant est long, plus sévère
est la défaillance occasionnée, et inversement. Ils suggèrent ainsi de ne pas forcément réaliser
l’évaluation conjointe de ces deux indicateurs.

Kundzewicz et Kindler [1995] expliquent que les estimateurs de résilience et de vulnérabi-

lité proposés par Moy et al. [1986] sont meilleurs pour deux raisons. i) L’intégration de petits
épisodes défaillants ”insignifiants”, a tendance à diminuer l’estimation de la vulnérabilité et à
augmenter l’estimation de la résilience du système. Elle ne reflète pas les défaillances très peu
fréquentes et souvent très sévères. ii) la définition proposée par Hashimoto et al. [1982] n’est

113/279
Chapitre 5. Indicateurs de performance d’un système de gestion

pas monotone. Par exemple, si l’on considère le scénario de fourniture 2 (pointillés bleus Figure
5.5), la vulnérabilité d’Hashimoto et al. [1982] diminue (V ulH  1.3 Mm3 dans ce cas alors que
globalement le système est plus défaillant en fréquence. La vulnérabilité de Moy et al. [1986]
reste inchangée dans cette configuration. Cependant, Vogel et Stedinger [1988] expliquent qu’un
estimateur basé sur le plus large des épisodes est très sensible à l’échantillonnage, ce qui le rend
finalement assez peu robuste.

Dans la suite du document, les définitions d’Hashimoto et al. [1982] et de Moy et al. [1986]
seront utilisées. Les critères de performance RRV pourront être calculés vis à vis i) du respect
de la contrainte de débit de dotation (Rmin ), à fournir en aval du système modélisé de SP et ii)
du respect de la contrainte de cote touristique (S min ), définie du 1er juillet au 31 août.
Appliqués à la production énergétique de la retenue, ces critères n’ont pas de sens au périmètre
d’une retenue. Au contraire, ces critères auraient un sens à l’échelle d’un réseau et d’un parc de
production, ce qui échappe aux travaux de cette thèse.

5.3. Performance estimée avec les modèles

AC, AIC et AIP
La gestion de SP est simulée sur la période 1970-1999 via les modèles décrits chapitre 4. Les
apports et contraintes appliqués au réservoir sont obtenus à partir des modélisations présentées
chapitre 3, en utilisant les variables météorologiques observées sur cette période.

Pour chacun des modèles de gestion, une estimation de la performance du système modélisé
de SP est effectuée via les indicateurs de performances présentés sections 5.1 et 5.2.

Pour faciliter la comparaison des estimations de performance obtenues par les trois modèles
de gestion, la stratégie du modèle AIC est établie sur la même période que celle simulée 1970-
1999 (i.e. les années présentes dans l’historique utilisé pour construire la stratégie de gestion
sont celles de la période simulée). La stratégie de AC et AIP sont quant à elles, établies année
après année sur cette période. Les scénarios de forçages météorologiques utilisés par le modèle
AIP sont également issus de la période 1970-1999.

Dans un premier temps, les trajectoires de réserve simulées, les volumes annuels déversés et
pour faciliter la compréhension les courbes guides de remplissage sont exposés sur la Figure 5.6
du 1er janvier 1971 au 31 décembre 1980 pour les trois modèles AC (bleu), AIC (vert) et AIP
(rouge). Cet extrait permet d’apprécier les trois stratégies AC, AIC et AIP. A titre indicatif
seulement, la trajectoire de réserve observée du système réel de SP est présentée en noir sur
cette même Figure. Les apports entrants dans le système modélisé de SP ainsi que le débit de
dotation à fournir en aval sont également illustrés sur cette Figure.

114/279
 5.3. Performance estimée avec les modèles AC, AIC et AIP

La trajectoire de réserve AC présente une variabilité importante du point de vue du désto-

ckage hivernal. Par exemple lors des années 1977, 1978 et 1979 (encadrées en bleu Figure 5.6),
durant lesquelles les apports sont très importants durant la période de l’onde de fonte, la réserve
est pratiquement vidée avant le printemps. Au contraire, pendant l’année 1976 les débits sont
faibles durant le printemps (encadrée en rouge sur la Figure 5.6), ce qui empêche la diminution
du stock en dessous de 600 Mm3 durant la période hivernale.

Nous pouvons au contraire observer que les déstockages hivernaux réalisés par le modèle AIC
sont plus ou moins similaires d’une année à l’autre. Cela résulte de fait que la courbe guide de
remplissage du modèle AIC, en opposition à celles des modèles AC et AIP, est inchangée quelle
que soit l’année simulée. Durant les années sèches (e.g. l’année 1976), une telle courbe guide de
remplissage peut ne pas être assez contraignante. Son utilisation peut donc engendrer lors de ces
années une non satisfaction de la cote touristique au 1er juillet. La courbe guide de remplissage
du modèle AIC assure la satisfaction de la cote au 1er juillet en moyenne 9 années sur 10, il
est donc logique de constater ce type de défaillance en moyenne une fois par période de 10 ans.
Néanmoins nous noterons que le modèle AIP, pour lequel la définition de la courbe guide de
remplissage est également définie avec un taux de satisfaction à 90 %, a atteint avec succès la
cote touristique cette année là. Cela a été possible en adaptant mensuellement la courbe guide
de remplissage en fonction des sollicitations météorologiques récemment observées (et donc de
l’évolution du stock naturel d’eau sur le bassin).

Au contraire, pendant les années plus humides (e.g. les années 1977, 1978, 1979, encadrées
en bleu Figure 5.6), le modèle AIC a l’impossibilité de déstocker au delà de sa courbe guide
de remplissage, ce qui conduit à un remplissage complet de la retenue trop tôt dans l’année, et
engendre ainsi des déversements importants (Figure 5.6 milieu bas).

Les prévisions hydrologiques réalisées par le modèle AIP permettent ces mêmes années (i.e.
1977, 1978 et 1979) d’adapter la courbe guide de remplissage. Ces adaptations permettent des
déstockages importants, très proches de ceux obtenus par le modèle AC, et limitent par suite
le risque de déversement. Ce résultat n’est toutefois pas systématique, au regard des années
1972 et 1973 durant lesquelles les déstockages sont plus proches de ceux réalisés par le modèle
AIC. Ces différents comportements, tantôt proches du modèle AC et tantôt proches du modèle
AIC, pourraient résulter d’une prévisibilité hydrologique différente, qui pour le modèle AIP, est
essentiellement conditionnée par la connaissance des stocks naturels sur le bassin, dont la mise
à jour est mensuelle.

Les signatures de stock sont présentées Figure 5.7 pour les trois modèles de gestion utilisés
(respectivement AC en bleu, AIC en vert et AIP en rouge). La signature du stock obtenue sur la
base de la trajectoire de réserve observée est affichée en noir. Cette signature est donnée à titre
indicatif.

115/279
Chapitre 5. Indicateurs de performance d’un système de gestion

Obs
1000 AC
AIC
AIP
800

600

400

200

0
1971 1972 1973 1974 1975 1976 1977 1978 1979 1980

AC
1000 AIC
AIP
800

600

400

200

0
1971 1972 1973 1974 1975 1976 1977 1978 1979 1980

35
AC
30 AIC
AIP
25
20
15
10
5
0
1971 1972 1973 1974 1975 1976 1977 1978 1979 1980

600

500

400

300

200

100

0
1971 1972 1973 1974 1975 1976 1977 1978 1979 1980

Figure 5.6 – Haut : Trajectoires de réserve du 1er janvier 1971 au 31 décembre 1980. Noir :
Trajectoire reconstituée ; Bleu : Trajectoire AC ; Vert : Trajectoire AIC ; Rouge :
Trajectoire AIP ; Milieu haut : Courbe guide de remplissage : Bleu : AC ; Vert :
AIC ; Rouge : AIP ; Milieu bas : Évolution annuelle des volumes déversés simulés
Bleu : AC ; Vert : AIC ; Rouge : AIP ; Bas : Évolution temporelle des apports
entrants simulés (noir) et du débit de dotation (rouge).

116/279
 5.3. Performance estimée avec les modèles AC, AIC et AIP

Le déstockage moyen réalisé par le modèle AC est le plus important. Le stockage minimal
atteint en moyenne une valeur de 300 Mm3 mi-avril. La phase de remplissage débute ensuite et
perdure durant le printemps, jusqu’à la saison touristique. En moyenne, la connaissance parfaite
de l’avenir donne lieu à de grands déstockages car elle permet de profiter pleinement des apports
entrants dans la réserve durant les mois de mai et juin et par suite d’atteindre l’objectif de cote
au 1er juillet tout en évitant si possible les déversements.
La stratégie du modèle AIC est construite dans un contexte d’avenir incertain. L’incertitude sur
les apports futurs engendre donc des déstockages moins optimaux que ceux réalisés par le modèle
AC. La valeur minimale moyenne des stocks est pour ce modèle, seulement de l’ordre de 560
Mm3 . Comme énoncé précédemment, la stratégie AIC n’autorise pas de déstockages amenant
le stock de la réserve en dessous de la courbe guide 90 %. La phase de stockage commence dès
le début du mois de mars. Le volume en stock dans le système étant important au moment du
début de la remontée de cote, il en résulte un maintien de la production énergétique afin de ne
pas remplir la réserve trop rapidement et limiter si possible les déversements.
La signature de stock AIP se situe entre les deux signatures précédentes. Les prévisions d’apports
permettent une mise à jour mensuelle de la courbe guide de remplissage, ce qui engendre un
déstockage en moyenne plus important que celui obtenu par le modèle AIC. Le stock atteint
une valeur minimale de 500 Mm3 au courant du mois de mars. La phase de remplissage débute
durant la première semaine du mois d’avril.
Durant l’été, quel que soit le modèle considéré, les stocks simulés dépendent uniquement du débit
de dotation à fournir en aval.

1000

800

600

400

Obs
200 AC
AIC
AIP
0
J F M A M J J A S O N D

Figure 5.7 – Signatures de stock simulées sur la période 1970-1999. Les apports et contraintes
à la réserve de SP sont obtenus à partir des variables météorologiques observées
sur cette période. Noir : Stocks reconstitués ; Bleu : AC ; Vert : AIC ; Rouge : AIP

La signature des stocks observés de SP (noir), est sensiblement différente des trois signatures
simulées. En particulier :

117/279
Chapitre 5. Indicateurs de performance d’un système de gestion

ˆ Le remplissage observé est moins important au début de l’été. Cela s’explique simplement
par le fait que la tenue d’une cote minimale en période estivale n’est conventionnée que
depuis 1999 avec la SMADESEP.
ˆ Une fois la période estivale terminée, la phase de déstockage débute dès le début de l’au-
tomne. Ces déstockages ne peuvent s’expliquer par un intérêt à produire de l’énergie tel
qu’il est défini dans les modèles. A cette saison, la demande énergétique est encore limitée.
Ces déstockages pourraient par exemple résulter d’un manque de disponibilité d’autres
moyens de production à cette période (e.g. pour cause de maintenance) ou à une stratégie
de mitigation des crues automnales. Ce mécanisme n’étant pas conceptualisé dans les mo-
dèles, aucun déstockage important ne peut être simulé par les modèles avant le mois de
décembre, période à laquelle l’intérêt à produire de l’énergie, défini chapitre 3, commence
à être conséquent.

Les critères de performance sont donnés pour la période 1970-1999 dans le Tableau 5.1.
Seules les vulnérabilités, résiliences et fiabilités vis à vis de la cote touristique sont exposées.
Par construction, les critères relatifs au respect du débit de dotation sont maximaux pour les
trois modèles (i.e. une fiabilité de 100%, une résilience de 1 et des vulnérabilités nulles). Comme
prévu, la performance quantitative du modèle AIP est intermédiaire à celles obtenues par les
deux autres modèles. En particulier, le modèle AC présente les critères de performance les plus
élevés quel que soit le critère considéré alors qu’au contraire, ils sont minimaux pour le modèle
AIC.

En particulier, le volume total déversé par le modèle AIC sur la période 1970-1999 est de
1757 Mm3 (Tableau 5.1). Ce volume déversé, très conséquent, est en partie expliqué par l’im-
possibilité pour le modèle AIC d’explorer les niveaux de remplissage inférieurs à la courbe guide
de remplissage 90 % lors des années humides ce qui, comme nous l’avons vu Figure 5.6, conduit
à un remplissage complet de la retenue durant la période de l’onde de fonte. La limitation des
débits journaliers pouvant être turbinés par le système modélisé de SP Rmax engendre dans de
telles situations des déversements pouvant être très importants.

L’indicateur de revenus GHEP (calculé sur la période 1970-1999, Tableau 5.1) obtenu par le
modèle AC est supérieur à ceux des autres modèles. Les revenus GHEP réalisés par le modèle
AIP sont plus élevés que ceux réalisés par le modèle AIC. Néanmoins, l’écart constaté entre les
trois modèles de gestion est relativement faible (de l’ordre de 3 % entre les modèles AC et AIC).
Ce résultat pourrait paraitre logique car GHEP dépend d’abord du volume d’apports sur une
période donnée, puis de l’optimisation du placement dans le temps de la production, or ici les
apports entrants sont identiques pour les trois modèles.
L’écart constaté entre le modèle AC et les deux autres modèles s’explique par i) de très faibles
déversements (et donc un volume d’eau disponible à la production plus conséquent et ii) un
placement dans le temps parfait de la production énergétique. En effet les modèles AIC et AIP
ne connaissent l’intérêt à produire de l’énergie (qui ne dépend que de la température de l’air)
que par sa climatologie. Or cet intérêt peut varier rapidement du fait des variations importantes
des températures d’une journée à l’autre. Le choix des journées durant lesquelles une production

118/279
 5.4. Conclusion

énergétique est effective ne peut donc être optimal à la vue de cet intérêt très fluctuant.

Dans le cas du système modélisé de SP, ils est très difficile de pouvoir analyser / comparer les
signatures des valeurs de l’eau. En effet a une date donnée, la variation des SWV avec le niveau
de remplissage, peut être très importante du fait des VB fixées à 0 sous les courbes guides de
remplissage. Les SWV calculées entre les deux niveaux de remplissage adjacents à la courbe guide
de remplissage sont a fortiori très élevées comparées aux SWV calculées entre deux niveaux de
remplissage du haut du réservoir. Les moyennes des SWV ont cependant été calculées pour les
trois modèles a et sont exposées dans le Tableau 5.1. Nous pouvons constater que les modèles en
avenir incertain (AIC et AIP) présentent des valeurs moyennes de SWV plus élevées que celles
obtenues en avenir certain (AC), en particulier pour le modèle AIC. Un tel résultat a déjà été
expliqué, notamment par Draper [2001] et Draper et al. [2003].

Modèles GHEP VDev F ia V ulH V ulM ResH ResM MSW V

AC 3.64 137 84.7 71.3 191.6 0.057 0.025 123893
AIP 3.55 578 83.6 75.3 193.8 0.052 0.021 134455
AIC 3.53 1757 83.4 80.7 222.9 0.052 0.017 225079

Tableau 5.1 – Estimations des critères de performance des modèles AC (bleu), AIC (vert)
et AIP (rouge) : Indicateur de revenus GHEP p1015 U.M q ; Volume déversé
VDev pMm3 q ; Fiabilité F ia p%q ; Vulnérabilité V ulH et V ulM pMm3 q ; Résilience
ResH et ResM pj
1 q ; Moyenne des SWV MSW V (SW V.m
3 )

5.4. Conclusion
Les modèles AC, AIC et AIP sont trois modélisations différentes du système réel de SP.
Compte tenu des limites fixées, l’objectif de ces modélisations est de proposer une estimation la
plus réaliste possible, de la performance pouvant être mesurée par ces critères pour le système
réel de SP. Les estimations de performance obtenues diffèrent d’une modélisation à l’autre.

Il est possible sans trop de risque, de considérer l’estimation de la performance proposée par
le modèle AIP, comme étant la plus proche de celle du gestionnaire du système réel de SP. Dans
ce cas :
ˆ Le modèle AC surestime la performance du système, principalement sur les indicateurs de
revenus, de volumes déversés.
ˆ Le modèle AIC sous-estime la performance du système, principalement sur les indicateurs
de volumes déversés et de vulnérabilités.
Nous pouvons également conclure, à partir des signatures de stock discutées Figure 5.7 que :
ˆ le modèle AC surestime le déstockage hivernal
ˆ le modèle AIC sous-estime le déstockage hivernal

a. Les valeurs des SWV des niveaux de remplissage inférieurs aux courbes guides n’ont pas été intégrées
au calcul de ces moyennes

119/279
Chapitre 5. Indicateurs de performance d’un système de gestion

Synthèse
Indicateurs de performance d’un système de gestion
De nombreux indicateurs existent pour calculer la performance d’un système de
gestion. Les indicateurs retenus dans ce travail de thèse sont :

ˆ Les signatures de stock : la moyenne inter-annuelle des stocks du réservoir.

ˆ Les signatures des valeurs marginales de l’eau stockée dans le réservoir. Ces va-
leurs sont un sous produit de la programmation dynamique. Elles ne peuvent donc
être calculées uniquement si le système est piloté par ce type de méthode d’op-
timisation. L’analyse de ces signatures est toutefois impossible pour le système
modélisé de SP.

ˆ Des indicateurs de production comme des indicateurs de revenus et de volume

déversés

ˆ Trois critères basés sur une analyse statistique des défaillances :

– Un critère de fiabilité correspondant à la fréquence des journées non dé-

faillantes.
– Un critère de vulnérabilité : plusieurs définitions de ce critère existent. Les
vulnérabilités d’Hashimoto et al. [1982] et de Moy et al. [1986] ont été
présentées dans ce chapitre. Ces vulnérabilités sont les plus couramment
utilisées. Ces critères renseignent sur l’intensité moyenne ou maximale des
défaillances.
– Un critère de résilience. Tout comme le critère de vulnérabilité, plusieurs
expressions de la résilience existent. Celles présentées ont également été in-
troduites par Hashimoto et al. [1982] et Moy et al. [1986]. Elles mesurent
respectivement la durée moyenne et maximale des épisodes défaillants. Par
la suite, ce critère ne sera toutefois plus considéré, étant donné les forts liens
statistiques avec le critère de vulnérabilité.

120/279
 5.4. Conclusion

Synthèse

Évaluation de la performance des modèles de gestion

Ces indicateurs ont été appliqués aux sorties des modèles de gestion AC, AIC et AIP
sur la période 1970-1999 afin d’évaluer la performance du système modélisé de SP. Du
fait d’une stratégie réaliste (i.e. utilisant une connaissance climatologique des variables
météorologiques et des prévisions hydrologiques), le modèle AIP est sans doute le
modèle se rapprochant le plus de la gestion que pourrait réaliser le gestionnaire réel de
l’ouvrage de SP. Nous pouvons donc considérer l’estimation de la performance réalisée
par ce modèle comme étant la meilleure estimation de la vraie performance du système
de SP

L’estimation de la performance obtenue par le modèle AC est supérieure à celle

du modèle AIP. En d’autres termes, le modèle AC surestime certainement la vrai
performance du système réel de SP. Cette performance pourrait être celle, qui aurait
pu être obtenue si les variables d’intérêt futures avaient été connues à l’avance par le
gestionnaire (aux limites de la représentation du système réel près).

L’estimation de la performance obtenue avec le modèle AIC est inférieure à celle obte-
nue avec AIP. Le modèle AIC sous-estime donc certainement la vraie performance du
système de SP. Cette performance pourrait être celle, qui aurait pu être obtenue si les
variables d’intérêt de la gestion n’étaient connues que par leur climatologie par le ges-
tionnaire. Il en résulte une gestion moins optimale lors d’années particulières (i.e. sèches
ou humides), et donc des critères de vulnérabilité élevés ainsi que des déversements très
importants, qui peuvent ne pas être très réalistes.

121/279
Chapitre 5. Indicateurs de performance d’un système de gestion

122/279
Chapitre 6

Évaluation de la performance sous

scénarios stochastiques

6.1. Génération de scénarios

météorologiques à fine échelle
La réalisation d’une étude d’impact du changement climatique sur la gestion de la ressource
en eau nécessite des scénarios hydrologiques, à l’échelle des bassins versants étudiés. Le dévelop-
pement de ces scénarios est classiquement effectué à l’aide d’une chaı̂ne de simulation associant
différents types de modèles (Figure 6.1).
Tout d’abord, un modèle de climat (GCM a ) est forcé par un scénario de développement
socioéconomique, traduit en terme d’évolution de concentrations de gaz à effet de serre (GES).
Ils simulent des variables météorologiques à grande échelle sur l’ensemble du globe. Leurs sor-
ties sont souvent biaisées pour certaines variables météorologiques de surface, nécessaires aux
études d’impact (en particulier les précipitations). Dans ces cas, il est nécessaire de débiaiser
les sorties de GCMs (Lafaysse [2011]). De plus, la résolution spatiale des GCMs est encore à
l’heure actuelle, largement supérieure à celle des processus hydrologiques. Cela ne permet pas
aux sorties des GCMs d’être directement appliquées en entrée des modèles d’impacts (i.e. des
modèles hydrologiques et de gestion). Des méthodes de descente d’échelle peuvent être utilisées
pour, à partir des variables de grande échelle, générer des scénarios météorologiques à l’échelle
des bassins versants étudiés (Lafaysse et al. [2013]). Une méthode de descente d’échelle permet,
à partir d’une variable X, d’estimer une variable Y, si besoin à des échelles de temps et d’espace
plus fines (e.g. obtenir des données de précipitation à une échelle locale à partir de champ de
pression à grande échelle).

Il existe deux types de méthodes de descente d’échelle, i) les méthodes de descente d’échelle
statistiques et ii) les méthodes de descente d’échelle dynamiques, appelées également modèles
climatiques régionaux (Regional Climate Model, RCM).

a. Les modèles de climat ou encore modèles de circulation générale sont des modèles couplés océan-
atmosphère

123/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Scénario d'évolution
socioéconomique
Scénario d'émission de GES

Modèle circulation générale (GCM)

Circulation météorologique grande échelle

Méthodes de Descente d'Echelle (MDES / RCM)

Scénarios météorologiques HD

Modèle Hydrologique
Scénarios hydrologiques

Modèle Gestion
Optimisation + Simulation

Débits turbinés, déversés, stock ...

Figure 6.1 – Chaı̂ne de simulation : GCM : Modèle de Circulation Générale ; MDES : Méthode
de Descente d’Échelle Statistique ; RCM : Modèle de Climat Régional ;

En quelques mots, les RCMs sont assez similaires aux GCMs, mais leur extension spatiale est
limitée à une région du globe seulement. Ces modèles sont forcés par les sorties d’un GCM aux
bords du domaine étudié. Davantage d’éléments sur ces méthodes sont proposés par Christensen
et al. [2007] ou encore Rummukainen [2010].
Les méthodes de descente d’échelle statistique (MDES) consistent à établir des relations empi-
riques entre les circulations à grande échelle et des variables météorologiques locales. Cela est
possible du fait de la forte influence des situations météorologiques synoptiques sur les variables
météorologiques locales (Hingray et al. [2009c]). Il existe de nombreux types de MDES parmi
lesquels, les méthodes par analogues, les fonctions de transfert statistiques ou encore les généra-
teurs de temps dont les paramètres sont basés sur une classification en types de temps. Du fait

124/279
 6.2. Chaı̂ne de simulation RIWER2030

de la nature incertaine du lien d’échelle, certaines de ces méthodes incluent un générateur sto-
chastique qui permet de proposer, pour une situation atmosphérique de grande échelle donnée,
plusieurs scénarios pour les variables météorologiques locales d’intérêts. De plus, différentes pa-
ramétrisations possibles d’une MDES donnée, conduisent encore au développement de différents
scénarios. Dans la suite du document, une série temporelle de variables météorologiques locales
obtenue par une chaı̂ne de simulation GCM/MDES sera nommée réalisation météorologique, les
variables météorologiques de grande échelle prédicteurs, et les variables météorologiques à échelle
locale prédictants.

6.2. Chaı̂ne de simulation RIWER2030

Le scénario d’émissions GES considéré dans le projet RIWER 2030 est le A1B (IPCC [2007a]).
Ce scénario est caractérisé par une augmentation linéaire du CO2 atmosphérique de 380ppm en
2000 à 700ppm en 2100.

Les simulations météorologiques de grande échelle ont été réalisées sur la période 1860
2099.
Elles sont issues du projet européen ENSEMBLES [2009] (expérience STREAM-2), et obtenues
via un ensemble de GCMs exposés dans le Tableau 6.1. Le pas de temps de ces scénarios est
journalier.

Institut GCM Run Acronyme RA R0 Référence

2 L31
Salas-Melia
CNRM (France) CNRM-CM3.3 1 CNCM33-1 T63L31
et al. [2005]
1 DMIEH5C-1
DMI (Danemark) ECHAM5-C 2 DMIEH5C-2 T31L19 3 L40 May [2008]
3 DMIEH5C-3
0.5{2.8 L20
Huebener
FUB (Allemagne) EGMAM2 3 EGMAM2-3 T30L39
et al. [2007]
2 L31
Dufresne
IPSL (France) IPSL-CM4-v2 1 IPCM4-1 N72L19
et al. [2005]
Brasseur et
MPI (Allemagne) ECHAM5-C 1 MPEH5C-1 T31L19 3 L40 Roeckner
[2005]

Tableau 6.1 – Liste des GCMs utilisés dans cette étude. Ces GCMs ont été utilisés par le
groupe d’expériences STREAM-2 du projet ENSEMBLES [2009]. Le scénario
GES utilisé est le A1B. Résolution atmosphérique (RA) et océanique (RO)

Comme énoncé précédemment, les simulations météorologiques de grande échelle doivent être
descendues en échelle via une MDE afin d’être utilisées en aval de la chaı̂ne de simulation. Les
MDE utilisées dans cette étude sont statistiques. Elles ont été adaptées pour la génération de
scénarios sur la Durance amont dans le cadre du projet RIWER 2030.

125/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Institut Modèle Version Méthode PGE

10 Types de temps + PSL
CERFACS Dsclim
21 indices régionaux Z850 , Z500

10 PSL , u700 , v700

Fonctions de
PSL , u700 , v700 ,
LTHE D2Gen 22 transfert
RH700 , q700
statistiques
PSL , u700 , v700 ,
32
RH700 , F700
Réchantillonnage
EDF Analog 20 Z700 , Z1000
d’analogues

Tableau 6.2 – Liste des MDES utilisées dans cette étude. Prédicteurs Grande Echelle
(PGE),Z500 , Z700 , Z850 , Z1000 les géopotentiels à 500, 700, 850 et 1000 hP a,
PSL la pression réduite au niveau de la mer, u700 , v700 les composantes zonales
et méridiennes du vent géostrophique à 700 hP A, RH700 , q700 et F700 respecti-
vement l’humidité relative, l’humidité spécifique et le flux d’humidité spécifique
à 700 hP A

ˆ Dsclim10 et Dsclim21 sont deux versions de la MDES Dsclim, principalement développée

au CERFACS a par Boé et al. [2006]. La possibilité d’améliorer Dsclim sur la Durance a
été explorée par Lafaysse [2011].
ˆ Analog est une MDES de type analogue adaptée par EDF sur la base de la méthode des
analogues développée en collaboration avec le LTHE pour la prévision probabiliste des
précipitations (Obled et al. [2002]; Bontron [2004]).
ˆ D2gen10, D2gen22 et D2gen32 sont trois versions d’une MDES développée par Mezghani
et Hingray [2009]. Elles utilisent différents types de prédicteurs.

Ces différentes MDES ont été évaluées dans le cadre de RIWER 2030 sur leur capacité à
reproduire en temps présent les variations observées des précipitations sur la Durance (Lafaysse
[2011]; Bourqui et al. [2012]; Lafaysse et al. [2013]).

Les scénarios météorologiques à l’échelle du bassin de la Durance en amont de SP sont uti-

lisés comme entrée au modèle hydrologique Cequeau présenté section 3.1. Une série temporelle
d’apports, obtenue à partir d’une réalisation météorologique, sera nommée dans la suite du do-
cument, réalisation hydrologique. Par abus de langage, les termes généraux de réalisations ou
de réalisations MDES pourront dans la suite du document être employés pour une réalisation
météorologique et/ou une réalisation hydrologique.

a. Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique

126/279
 6.3. Évaluation de l’impact hydrologique et Incertitudes

6.3. Évaluation de l’impact hydrologique

et Incertitudes
L’utilisation d’une chaı̂ne de simulation telle que présentée sur la Figure 6.1 implique, à
chaque nouveau maillon, l’introduction d’incertitudes propres aux processus de chacun. L’in-
certitude concernant le scénario d’émissions de GES est a fortiori très importante. Elle n’est
toutefois pas discutée dans ce document de thèse. Les résultats des analyses qui suivent, sont
conditionnels au seul scénario A1B. La capacité des GCMs à reproduire la circulation de grande
échelle est discutée par Lafaysse [2011] dans son document de thèse. Considérer plusieurs GCMs
dans une analyse d’impacts permet de prendre en compte une partie de l’incertitude inhérente
à ces simulations. Ainsi, chaque GCM permet d’obtenir une vision possible de l’avenir.
Contrairement à ce qu’il est communément admis, les incertitudes sur les projections associées
au MDES (type de modèle, paramétrisation) sont pour certaines variables, du même ordre de
grandeur que celles associées au GCMs (Lafaysse [2011]). La prise en compte de ces incertitudes,
nécessite donc de considérer de fait plusieurs MDES, voir plusieurs paramétrisations d’une même
MDES, ce qui nous a conduit à utiliser l’ensemble des MDES du projet RIWER 2030.
L’influence des circulations à grande échelle sur le bassin versant de la Haute-Durance n’influence
pas autant les variables météorologiques locales que sur le reste de la France. Par exemple dans
cette région montagneuse, le rôle du relief sur la variabilité temporelle et spatiale des précipi-
tations est très important. Ainsi, Lafaysse [2011] montre dans son document de thèse qu’une
génération multiple de réalisations météorologiques, est nécessaire pour expliquer un peu plus
de 50 % de la variance des précipitations saisonnières.

En conclusion, les résultats produits par Lafaysse [2011] montrent le besoin de réaliser une
analyse basée i) sur un ensemble de réalisations pour chaque chaine de simulation GCM/MDES
et ii) sur plusieurs chaı̂nes GCM/MDES avec différents GCMs et différentes MDES.

Lafaysse [2011] a étendu son analyse en aval de la chaı̂ne de modélisation en réalisant une
évaluation hydrologique des réalisations météorologiques en temps présent. Le modèle hydrolo-
gique utilisé à cet effet est une adaptation (Lafaysse et al. [2011]) pour la Durance du modèle
hydrologique opérationnel SIM (Habets et al. [2008]). Ses résultats sont présentés Figure 6.2.
Pour cette évaluation, les circulations de grande échelle sont issues des réanalyses grande échelle
NCEP a (Kalnay et al. [1996]). La MDES utilisée est Dsclim10 (Tableau 6.2). Un ensemble de
100 réalisations hydrologiques est ainsi présenté pour les années hydrologiques 2002
2003 et
2004
2005 sur cette Figure. La médiane des apports simulés (vert) reproduit assez bien les
débits observés (aire grisée), à la fois lors d’une année humide (2002-2003) et lors d’une an-
née plutôt sèche (2004-2005). De manière générale Lafaysse [2011] montre que la médiane des
apports reproduit assez bien la variabilité inter-annuelle des apports observés. Cependant, la
variabilité obtenue entre 100 réalisations hydrologiques est importante (e.g. les quantiles 5 et 95,

a. Les données issues de réanalyses sont issues de méthodes d’assimilation de données provenant de
sources différentes, quelles soient observées ou modélisées. Les réanalyses permettent d’obtenir des données
homogènes (i.e. aucune lacune spatiale ou temporelle) sur des périodes passées.

127/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

en rouge Figure 6.2, peuvent être relativement éloignés de la série observée). En conclusion de
ces travaux, Lafaysse [2011] incite fortement à mettre en place une approche multi-réalisations
hydrologiques, pour réaliser une étude d’impact. En d’autres termes, les résultats d’une analyse
d’impact basée sur une seule réalisation, ce qui est communément le cas, ont de fortes chances
de ne pas être a priori robustes.

L’utilisation de plusieurs modèles hydrologiques (i.e. différentes paramétrisations ou diffé-

rentes structures de modèles) aurait certainement introduit un lot supplémentaire d’incertitudes
(Coron et al. [2012]). Cependant, un seul modèle hydrologique (i.e. Cequeau) sera utilisé dans
la suite des analyses.

Figure 6.2 – Débits journaliers simulés par la chaı̂ne de simulation

NCEP+Dsclim10+ISBADurance : scénario médian en vert, Q5 et Q95 en
rouge calculés sur un ensemble de 100 réalisations ; Noir : Débits journaliers
simulés par SAFRAN+ISBADurance et débits observés en aire grisée pour
l’année hydrologique 2000
2001. D’après Lafaysse [2011].

6.4. Stabilisation de l’estimation de la

performance des modèles
Pour chacune des chaı̂nes de simulation GCM/MDES décrits section 6.2, un ensemble de
100 réalisations météorologiques et hydrologiques a été généré au sein du projet RIWER 2030.
Lafaysse [2011] conseille d’employer une approche multi-réalisations pour évaluer l’impact du
changement de climat sur le régime des rivières. Cette approche doit-elle être également em-
ployée pour évaluer la performance de la gestion de SP ? Nous tenterons de répondre à cette
question à travers cette section. Les deux modèles considérés pour y répondre sont AC et AIC.
Le modèle AIP présentant une signature et des critères de performance intermédiaires à ces der-
niers (section 5.3), les conclusions obtenues seront supposées également valables pour celui-ci.

Cette analyse est réalisée sur la période 1970-1999. Les prédicteurs utilisés sont issus des
réanalyses NCEP. La MDES est Dsclim10 (Tableau 6.2).

128/279
 6.4. Stabilisation de l’estimation de la performance des modèles

6.4.1. Réalisations MDES et indicateurs de performance

avec AC
6.4.1.a. Stabilité des indicateurs à la réalisation

Dans un premier temps, nous allons explorer la possibilité d’évaluer la performance du sys-
tème modélisé de SP à partir d’une unique réalisation MDES avec le modèle AC.

La question est de savoir si l’emploi d’une unique réalisation MDES, en entrée des modèles
de contraintes et d’usages et de gestion, permet une estimation robuste de la performance du
système modélisé de SP. Si la réponse à cette interrogation était positive, cela impliquerait que les
critères de performance estimés sont indépendants de la réalisation météorologique utilisée. Pour
vérifier ou réfuter cette hypothèse, nous avons suivi cinq réalisations météorologiques (parmi les
100 réalisations générées par Dsclim10 dans le projet RIWER 2030) jusqu’à l’évaluation de la
gestion de SP. Plus précisément pour chaque réalisation, nous avons i) calculé la stratégie de
gestion en avenir certain (i.e. avec le modèle AC) correspondant aux chroniques de sollicitations
(i.e. apports au réservoir et demande), ii) effectué la simulation de la gestion sur la période de
30 ans (1970-1999) et iii) calculé les indicateurs de performance correspondants (Figure 6.3).

Optimisation
Evaluation
Réalisation MDES + Simulation gestion
performance
Contraintes

Contraintes Critère Critère Critère

Réalisation 1 2 3
Hydro & Météo Stratégie 92% 18% 43%
Ft(S)

Figure 6.3 – Schéma de principe de l’évaluation de la performance de SP à partir d’une réali-

sation GCM/MDES.

Les scores de performance ainsi obtenus sont exposés dans le Tableau 6.3. Les critères de
Fiabilité (F ia) et de vulnérabilité (V ulH , V ulM ) sont uniquement présentés vis-à-vis du respect
de la cote touristique. La satisfaction totale du débit de dotation est effective pour l’ensemble
des expériences réalisées dans ce chapitre.

En résultat de ce premier exercice, nous constatons que les écarts entre les valeurs des critères
de performance obtenus pour différentes réalisations MDES, peuvent être importants. Ces écarts
sont particulièrement élevés pour les critères de vulnérabilités et de volumes déversés. Sur la base
de ces cinq réalisations, nous pouvons par exemple constater un facteur 20 entre les volumes
déversés par la réalisation 4 et les réalisations 2 et 5 et un facteur 2 entre la vulnérabilité V ulH
des réalisations 2 et 3. Les variabilités des critères de revenus GHEP et de fiabilité semblent
moins importantes.

129/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Réal GHEP VDev Fia V ulH V ulM

1 3.45 118 96.3 33.8 45.3
2 3.34 229 90.7 49.2 76.2
3 3.37 25 93.3 24.2 62.9
4 3.21 10 91.5 31.9 74.6
5 3.42 212 92.5 28.9 70.3

Tableau 6.3 – Évaluation de performance obtenue pour cinq réalisations MDES différentes.
Indicateur de revenus GHEP p1015 U.M q ; Volume déversé VDev pMm3 q ; Fiabilité
F ia p%q ; Vulnérabilité V ulH et V ulM pMm3 q ; Le numéro attribué à chacune
des réalisations est arbitraire. Les meilleurs scores sont coloriés en vert, les plus
faibles en bleu.

Afin de quantifier l’importance de ces variabilités, nous nous proposons donc d’étendre cet
exercice à un plus grand nombre de réalisations. Le protocole exposé Figure 6.3 est ainsi appliqué
aux 100 réalisations MDES générées avec Dsclim10 au sein du projet RIWER 2030. Les moyennes
M (Équation 6.1) et coefficients de variation Cv (Équation 6.2) des indicateurs de performance
sont établis dans le Tableau 6.4.

nN
1 ¸R
NR
MCrit  NR n1
Critpnq (6.1)

avec Crit un critère de performance, n l’indice d’une réalisation particulière, NR le nombre de

réalisations utilisées (dans l’exemple présenté, NR  100) et MCrit
NR
la moyenne du critère de
performance calculée sur la base des NR réalisations.

NR
CvNR
Crit  σCrit
NR
(6.2)
MCrit
NR
avec σCrit , l’écart type du critère Crit et CvN R
Crit le coefficient de variation du critère Crit, calculés
sur la base des NR réalisations MDES .

GHEP VDev Fia V ulH V ulM

M 3.33 65 92.6 40.2 97
Cv 0.02 1 0.03 0.3 0.4

Tableau 6.4 – Évaluation de performance obtenue pour cent réalisations MDES avec AC. In-
dicateur de revenus GHEP p1015 U.M q ; Volume déversé VDev pMm3 q ; Fiabilité
F ia p%q ; Vulnérabilité V ulH et V ulM pMm3 q ; M : Moyenne ; Cv : Coefficient
de variation

Sur la base des 100 réalisations MDES utilisées, nous constatons que les critères de reve-
nus GHEP et de fiabilité F ia affichent une variabilité très limitée (Cv  0.02 pour GHEP et
Cv  0.03 pour F ia). Si l’évaluation de la performance de la gestion de SP était basée unique-
ment sur ces deux critères, l’utilisation d’une unique réalisation MDES pour l’évaluer, pourrait
être justifiée.

130/279
 6.4. Stabilisation de l’estimation de la performance des modèles

Cependant, Jain et Bhunya [2008] expliquent que l’utilisation du seul critère de fiabilité
ne permet pas de décrire de façon exhaustive les forces et faiblesses d’un système de gestion.
Les fortes variabilités constatées des indicateurs de vulnérabilités et de volumes déversés, leur
donnent ici raison. En effet, les coefficients de variation des vulnérabilités V ulH et V ulM et des
volumes déversés VDev sont respectivement de l’ordre est 0.3, 0.4 et 1. Un tel résultat signifie
par exemple que deux réalisations peuvent présenter des fiabilités très proches mais des vulné-
rabilités très différentes.
Dans ce cas, l’évaluation de ces critères sur la base d’une seule réalisation MDES, n’est a priori
pas robuste. En conséquence de quoi, il est nécessaire de considérer , comme le préconisaient
Lafaysse et al. [2013] pour l’impact hydrologique, une approche multi-réalisations MDES, afin
d’évaluer i) une performance moyenne et si possible ii) la distribution de cette performance.
De plus, il est tout à fait probable que l’apparente stabilité des critères GHEP et F ia ne soit
plus vérifiée dans un nouveau contexte climato-économique. Considérant une approche multi-
réalisations, ces critères seront, dans la mesure du possible, évalués par leur distribution, tout
comme les critères VDev , V ulH et V ulM . Le protocole d’analyse dans ce cas, est celui décrit
Figure 6.4, qui est une généralisation de l’expérience Figure 6.3.

Optimisation
Réalisations MDES + Simulation gestion Evaluation
Contraintes performance

Contraintes Critère 11
Réalisation
Critère 21
Hydro & Météo
Stratégie 1
n°1
Ft(S) Critère 31

Critère 12
Contraintes Critère 1 Critère Critère 3
Réalisation Critère 22 2
Hydro & Météo
Stratégie 2 Critère 32
n°2
Ft(S)

•
•
• Fonctions de
• distribution

Critère 1NR
Contraintes
Réalisation Critère 2NR
Hydro & Météo
Stratégie NR Critère 3NR
n°NR
Ft(S)

Figure 6.4 – Schéma de principe de l’évaluation de la performance du système modélisé de

SP à partir d’un ensemble de réalisations GCM/MDES. Une estimation de la
performance du système modélisé est réalisée pour les NR réalisations MDES
considérées. A partir de ces estimations, la performance est discutée en terme
de performance moyenne et de fonctions de distribution des différents critères de
performance.

131/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

La variabilité des réalisations MDES se répercute t-elle sur les signatures de stock ? Ces der-
nières, sont présentées sur la Figure 6.5a. Une variabilité est constatée, particulièrement à la fin
de la période hivernale : l’écart maximal, entre les deux courbes enveloppes, est de l’ordre de
100 Mm3 . Durant la période estivale, la gestion de la cote touristique engendre en revanche une
variabilité inter-signatures très réduite.
Les variables d’intérêt de la gestion étant parfaitement connues par le modèle AC, la variabilité
des signatures de stock pourrait résulter de la variabilité inter-réalisations de la climatologie des
apports entrants sur la période 1970-1999. Dans son document de thèse, Lafaysse [2011] explique
que 100 réalisations hydrologiques sont nécessaires pour obtenir une médiane proche des débits
simulés à partir des variables météorologiques observées. Comme le rappelle Parent [1991] dans
son manuscrit de thèse, un barrage permet d’absorber la variabilité des apports en stockant de
l’eau à une certaine période pour la redistribuer à une autre. Ce processus entraine une varia-
bilité des signatures de stock, sur la base des 100 réalisations MDES, bien plus faible que celle
des apports simulés entrant dans le réservoir.
La faible variabilité constatée durant la période estivale, n’aurait pu laisser présager les variabi-
lités importantes des indicateurs de vulnérabilités et de déversements constatées dans le Tableau
6.4. En dépit du fait que les signatures de stock soient très pratiques pour synthétiser le mode
de fonctionnement d’une retenue, ces résultats démontrent l’importance de les associer, à des
critères de performance quantitatifs pour évaluer la performance d’un système.

Une évaluation quantitative de la similarité entre deux signatures de stock peut aussi être
réalisée. Le critère de Nash a été calculé entre chaque couple de signatures de stock. La fonction
de répartition des critères de Nash est représentée sous forme de tirets sur la Figure 6.5b. Ces
valeurs de Nash sont relativement élevées. Bien que ces fortes valeurs soient toutefois à considérer
sévèrement étant donné la forte saisonnalité de la variable de stock simulée (Gupta et al. [2009]),
seulement 10 % des couples de signatures de stock affichent une valeur de Nash inférieure à 0.995,
ce qui traduit toutefois une variabilité plutôt limitée.

6.4.1.b. Évaluation du nombre de réalisations nécessaires à la

stabilisation des critères

Les résultats obtenus section 6.4.1.a sur la base de 100 réalisations MDES nous ont montré
la nécessité d’effectuer une approche multi-réalisations afin de prendre en compte la variabilité
des critères V ulH ; V ulM et QDev . Dans une moindre mesure cela permettrait également de
considérer la variabilité, même réduite, des signatures de stock et des critères GHEP et F ia.
En aval de ce constat, une question sous-jacente est de savoir combien de réalisations sont né-
cessaires pour avoir une évaluation robuste i) de la performance moyenne (i.e. des moyennes des
critères de performance et d’une signature moyenne de stock, calculées à partir d’un ensemble
de réalisations MDES) et ii) des variabilités associées (i.e. les distributions des critères de per-
formance). Ce questionnement est d’autant plus nécessaire que, les différents calculs nécessaires
aux estimations de la performance du système modélisé de SP, sont très couteux en temps de
calcul.

132/279
 6.4. Stabilisation de l’estimation de la performance des modèles

1.0
Trajectoire Stock
1000 0.9
Signature Stock
0.8
800 0.7

Cumulative PDF
0.6
600
0.5
0.4
400
0.3
0.2
200
0.1

0 0.0
J F M A M J J A S O N D 0.70 0.75 0.80 0.85 0.90 0.95 1.00

(a) (b)

Figure 6.5 – (a) Signatures de stock obtenues pour chacune des réalisations MDES (gris). La
courbe rouge représente la signature moyenne ; (b) Fonction de répartition des
Nash croisés des signatures de stock (tirets) sur la période 1970-1999. Pour infor-
mation, la distribution des Nash obtenus entre les différentes trajectoires sur la
période 1970-1999 est exposée en trait plein. Les commentaires dans ce cas sont
similaires à ceux réalisés concernant les signatures de stock, avec toutefois une
variabilité plus importante (30 % des couples de trajectoires de réserve présentent
une valeur de Nash inférieure à 0.9). Au total, ces distributions de Nash sont
composées de (10099)/2 valeurs.

Pour répondre à ces interrogations, un ensemble élargi de 1000 réalisations MDES, toujours
générées avec la chaı̂ne NCEP/Dsclim10, est utilisé.
Pour un certain nombre de réalisations MDES considérées, l’évaluation de la performance doit
être la plus proche possible, de celle qui aurait pu être obtenue, avec une infinité de réalisations.
Il n’est certainement pas nécessaire de considérer une infinité de réalisations pour avoir une
évaluation robuste de la performance. Cette condition devrait a priori être satisfaite dès lors
que, le nombre de réalisations MDES utilisé intercepte la variabilité interne de la MDES. Ce
nombre étant inconnu, nous faisons ici l’hypothèse que le nombre de 1000 réalisations satisfait
cette condition. Les distributions des critères de performance sont illustrées dans le Tableau 6.5
par leur moyenne et leur coefficient de variation. Le nombre en gras est le seul qui diffère de
l’évaluation réalisée pour 100 réalisations MDES Tableau 6.4. Cette évaluation est considérée
être la référence. Dans la suite de l’analyse, nous supposerons que les distributions des critères
de performance peuvent être caractérisées par leur valeur moyenne et leur coefficient de variation.

GHEP VDev Fia V ulH V ulM

M 3.33 70 92.6 40.2 97
Cv 0.02 1 0.03 0.3 0.4

Tableau 6.5 – Évaluation des critères de performance obtenus pour 1000 réalisations MDES
avec le modèle AC. Indicateur de revenus GHEP p1015 U.M q ; Volume déversé
VDev pMm3 q ; Fiabilité F ia p%q ; Vulnérabilité V ulH et V ulM pMm3 q ; Le nombre
en gras est le seul qui diffère de l’évaluation réalisée pour 100 réalisations MDES
Tableau 6.4. M : Moyenne ; Cv : Coefficient de variation

133/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Désignons un ensemble quelconque de réalisations MDES parmi les 1000, sous le terme de ”pa-
nier MDES”. La taille NR d’un panier MDES, fait référence au nombre de réalisations présentes
dans ce dernier. Les résultats présentés dans le Tableau 6.4, correspondent donc aux résultats
issus avec un panier MDES de taille NR  100 et ceux présentés dans le Tableau 6.5 à un panier
de taille NR  1000. Nous pouvons noter dès à présent que l’évaluation réalisée sur la base de
100 réalisations MDES, est très proche de celle de référence, et pourrait donc être satisfaisante.
Cependant, deux questions se posent :

ˆ Les faibles écarts observés, entre les critères de performance de ce panier particulier de 100
réalisations MDES et ceux de l’ensemble de référence sont-ils dus au ”hasard”? Compte
tenu du fait que nous souhaitons évaluer la performance du système modélisé à partir d’un
unique panier, il est nécessaire pour une taille NR fixée, que la performance estimée soit
indépendante du panier considéré.
ˆ Si tel n’est pas le cas, est-il possible d’obtenir de tels scores avec un panier de taille
inférieure ? Si oui, sous quelle marge d’erreur ?

Dans le but de répondre à ces deux interrogations, nous avons procédé à un ré-échantillonnage
aléatoire des réalisations MDES, considérant différentes tailles de panier. Les tailles de paniers
explorées sont : 5 ; 10 ; 20 ; 30 ; 50 ; 100 ; et 200. L’évaluation des critères de performance a été
réalisée pour 100 paniers MDES différents de chaque taille. Par chaque taille NR de panier, cent
valeurs de M NR et CvNR sont ainsi calculées. Il est donc possible de calculer la distribution des
M NR et CvNR pour chaque taille NR . La convergence de ces distributions, en augmentant la
taille NR des paniers MDES, est affichée Figure 6.6, sous formes de ”boı̂tes à moustaches a .

Le premier résultat que nous pouvons extraire des graphiques Figure 6.6, est de constater
que tous les paniers de taille 100 présentent des critères très proches de la référence. La bonne
représentation des distributions obtenues pour le panier particulier de 100 réalisations MDES,
utilisé section 6.4.1.a, n’est pas due au hasard. Nous pouvons donc conclure sur le fait que l’es-
timation de la performance obtenue avec un panier quelconque de taille NR  100 est robuste,
ce qui rejoint les travaux de thèse de Lafaysse [2011].

Cette série de graphiques valide également ce que nous avions présagé section 6.4.1.a. A
savoir qu’un panier de taille très réduite (e.g. 5 réalisations), fournit des valeurs très correctes
des critères GHEP et F ia (l’erreur sur la moyenne est largement inférieure à 5 % (lignes bleues
Figure 6.4.1.a de gauche (cela n’est pas vrai pour les autres critères). Cependant l’erreur sur la
distribution (coefficient de variabilité Cv) peut être importante et largement supérieure à 10 %.

a. Également appelées diagramme en boı̂te, boı̂te de Tukey ou box plot

134/279
 6.4. Stabilisation de l’estimation de la performance des modèles

Moyenne Cv
98 0.05
96 0.04
94 0.03
92

-
0.02
90 0.01
88
0.00
5 10 20 30 50 100 200 5 10 20 30 50 100 200
55 0.55
50 0.45
45 0.35
40

-
35 0.25
30 0.15
25 0.05
5 10 20 30 50 100 200 5 10 20 30 50 100 200
140 0.7
0.6
120 0.5
100 0.4
- 0.3
0.2
80
0.1
60 0.0
5 10 20 30 50 100 200 5 10 20 30 50 100 200
3.50 0.05
3.45 0.04
3.40
3.35 0.03
-

3.30 0.02
3.25
3.20 0.01
3.15 0.00
5 10 20 30 50 100 200 5 10 20 30 50 100 200
140 2.00
120
100 1.55
80 1.10
-

60
40 0.65
20
0 0.20
5 10 20 30 50 100 200 5 10 20 30 50 100 200

Figure 6.6 – Évolution des distributions des critères de performance en fonction de la taille
du panier MDES (en abscisse). Pour chaque taille de panier, 100 paniers MDES
sont considérés pour construire ces ”boı̂tes à moustaches”. Les distributions de
critères sont caractérisées par leur moyenne (colonne de gauche) et leur coefficient
de variation (colonne de droite). Les lignes rouges représentent les valeurs obtenues
pour le panier unique de taille égale à 1000. Les lignes bleues représentent un écart
à 5 % par rapport à la performance moyenne obtenue avec 1000 réalisations et un
écart de 10% sur les coefficients de variation Cv.

En acceptant une tolérance de 5 % et de 10 %, respectivement sur les moyennes et les dis-

tributions des autres critères de performance (coefficient de variation), il est possible d’évaluer
la performance moyenne du système modélisé de SP avec un nombre de réalisations largement
inférieur à la configuration de référence. Effectivement, excepté l’indicateur de déversements,
une taille de panier NR égale à 20 ou 30, permet d’obtenir des distributions de critères de per-
formance, dont les moyennes et coefficients de variation sont, dans plus de 50 % des cas, dans

135/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

ces gammes d’erreurs. L’erreur maximale d’estimation des critères moyens, est dans tous les cas
inférieure à 10 %.

La signature de stock peut également être calculée, non plus sur la base d’une seule réalisation
d’une période donnée, mais en considérant un ensemble de réalisations. Dans cette configura-
tion, une signature de stock moyenne sur l’ensemble du panier, est calculée. La procédure utilisée
pour estimer les distributions des critères de performance est ici appliquée à l’estimation de la
signature moyenne de stock. La Figure 6.7 illustre l’influence de la taille du panier MDES sur
la signature moyenne de stock calculée sur la base de NR réalisations. De nouveau, la signature
moyenne de stock est calculée pour 100 paniers différents de NR réalisations. Les signatures
moyennes ainsi obtenues sont exposées en gris Figure 6.7. Sur chacun des graphiques Figure
6.7 la signature rouge est la signature moyenne obtenue sur la base du panier unique de 1000
réalisations.

Nous constatons Figure 6.7 que les signatures moyennes de stock convergent vers la signature
moyenne de référence lorsque la taille NR du panier MDES augmente. A partir de NR  5
l’écart maximal entre les deux signatures moyennes enveloppes n’est plus que de 50M m3 . A
partir d’une taille de 20 réalisations MDES, l’écart entre les différentes signatures moyennes
devient négligeable.

Figure 6.7 – Influence de la taille NR du panier MDES pour calculer une signature moyenne
de stock. Pour chaque fenêtre graphique, NR représente la taille du panier MDES.
Pour chaque taille de panier, 100 signatures moyennes de stock sont exposées
(courbes grises). Les courbes rouges représentent la signature moyenne obtenue
sur la base du panier unique de taille 1000. Cette signature sert ici de référence.

Une manière directe de quantifier ces écarts, est de comparer chacune des signatures, par un
critère de Nash avec la signature de référence. Les résultats de cette analyse sont exposés sur la
Figure 6.8a. A partir d’une taille de panier MDES égale à 20, les valeurs de Nash sont toutes
supérieures à 0.999. Nous constatons également une variabilité très réduite des valeurs de Nash
à partir de cette taille de panier, au contraire des tailles inférieures ou égales à 10 réalisations,
qui présentent une variabilité plus importante. Pour information, des résultats similaires sont

136/279
 6.4. Stabilisation de l’estimation de la performance des modèles

obtenus en considérant les trajectoires moyennes de réserves calculées pour les différents paniers,
avec toutefois des valeurs de Nash légèrement plus faibles (Figure 6.8b).

1.0 1.0
0.9 0.9
0.8 0.8
0.7 0.7
Cumulative PDF

Cumulative PDF
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0.0 0.0
0.995 0.996 0.997 0.998 0.999 1.000 0.95 0.96 0.97 0.98 0.99 1.00

(a) (b)

Figure 6.8 – Évolution des distributions des critères de Nash obtenus entre (a) les signatures
moyennes et la signature moyenne de référence, et (b) les trajectoires moyennes
et la trajectoire moyenne de référence (i.e. calculée sur la base du panier unique
de 1000 réalisations).

6.4.1.c. Conclusion : Évaluation AC

La stabilisation des signatures moyennes de stock (Figure 6.7) et des trajectoires moyennes
de réserve (Figure 6.8) est obtenue pour une taille de NR supérieure à 20 réalisations MDES.
Les scores de performances sont stabilisés à partir de 30 réalisations avec, pour plus de 50 % des
cas, une erreur d’estimation des distributions des critères inférieure à 5 % (l’erreur maximale
est, dans ce cas, toujours inférieure à 10 %). Pour analyser la modification de la performance en
climat modifié nous considérerons une taille de panier NR  30. L’utilisation de ce nombre réduit
de réalisations MDES n’est pas handicapante pour la suite des analyses car l’erreur d’estimation
réalisée sur les moyennes et distributions des critères est, comme nous le verrons dans les chapitre
chapitres 7 et 8, largement inférieure à la dégradation de la performance du système modélisé
de SP en climat modifié.

6.4.2. Réalisations MDES et indicateurs de performance

avec AIC
En opérationnel, sous l’hypothèse de stationnarité du contexte climato-économique, la construc-
tion des règles de gestion est généralement réalisée à partir d’un historique le plus long possible
(une analyse sur l’influence de la taille de l’historique sur les règles de gestion est présentée en
Annexe A.7). Cela permet d’intercepter de possibles variabilités basses fréquences, même au sein
d’un contexte stationnaire. Dans un contexte non stationnaire, il peut être opportun de réduire
l’historique afin ne pas introduire dans le calcul de la stratégie de gestion, des années n’étant

137/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

plus représentatives du contexte climatique en cours a . Arbitrairement, dans la suite des travaux
réalisés dans cette thèse, l’historique sera pour cette raison limité à Ns années (avec Ns  30),
période durant laquelle nous supposerons le climat stationnaire et représentatif d’un climat ce
qui est généralement le cas (WMO [2007]) bien que cette durée soit aujourd’hui sujet à question
(Livezey et al. [2007]; Arguez et Vose [2011]).

La période utilisée pour construire la stratégie du modèle AIC est la même que celle utilisée
durant l’étape de simulation (i.e. 1970-1999). Il est vrai que, l’utilisation de la même période
temporelle durant les étapes d’optimisation et de simulation de la gestion, n’est pas réaliste.
Cependant, un tel procédé n’enlève rien quand à la nature de l’exercice proposé dans cette sec-
tion, qui est de stabiliser l’évaluation de la performance du système modélisé de SP à partir du
modèle AIC. Ce choix permettra cependant de faciliter la comparaison des résultats avec ceux
obtenus par le modèle AC section 6.4.1 : les stratégies des deux modèles étant calculées sur
les même périodes. Notons tout de même que la différence d’estimation de la performance des
modèles AIC et AC n’est pas l’objet du présent chapitre. Il s’agit au contraire de réussir à sta-
biliser l’estimation de la performance du modèle AIC (signatures moyennes de stock, moyennes
et distributions des critères de performance).

Les résultats obtenus pour le modèle AC nous incite à ne considérer dans cet exercice, qu’un
ensemble de 100 réalisations MDES. Une expérience en Annexe A.8 démontre qu’un tel ensemble
de réalisation peut bien être pris comme référence.

6.4.2.a. Évaluation du nombre de réalisations nécessaires à la

stabilisation des critères

Considérant le modèle AIC, l’évaluation de la performance du système modélisé de SP est

réalisée selon le protocole présenté précédemment Figure 6.4. Pour rappel, l’estimation de la
performance du système modélisé de SP est effectuée sur la base des 100 réalisations de la pé-
riode 1970-1999, initialement générées avec Dsclim10 dans le cadre du projet RIWER 2030 b . Le
résultat de cette estimation de la performance du modèle AIC (i.e. les moyennes des critères de
performance et les coefficients de variations associés), est exposé dans le Tableau 6.6. Les 100
signatures de stocks résultantes des 100 simulations de gestion, sont présentées sur la Figure
6.9a et les distributions de Nash croisés entre les différentes couples de signatures de stock, sur
la Figure 6.9b.

a. Cette question est d’ailleurs d’actualité pour les gestionnaires des systèmes de gestion réels. D’autres
solutions peuvent exister comme l’utilisation de scénarios simulés.
b. Ces réalisations sont les mêmes que celles utilisées section 6.4.1.a pour calculer la performance
estimée par le modèle AC

138/279
 6.4. Stabilisation de l’estimation de la performance des modèles

GHEP VDev Fia V ulH V ulM

M 3.22 1308 86.6 82 249
Cv 0.02 0.3 0.04 0.4 0.5

Tableau 6.6 – Évaluation de performance obtenue pour cent réalisations MDES avec AIC. In-
dicateur de revenus GHEP p1015 U.M q ; Volume déversé VDev pMm3 q ; Fiabilité
F ia p%q ; Vulnérabilité V ulH et V ulM pMm3 q ; M : Moyenne ; Cv : Coefficient
de variation

Les coefficients de variations Cv des critères de performance obtenus avec AIC sont relati-
vement proches de ceux obtenus par AC (Tableau 6.4). Excepté pour le critère de déversement
VDev pour lequel la variabilité est diminuée d’un facteur trois (i.e. Cv = 0.3 plutôt que 1), les
coefficients de variation augmentent tout de même légèrement. Les similarités constatées entre
les estimations de performance des modèles AC et AIC, en terme de variabilité, pourraient lais-
ser envisager, tout comme pour le modèle AC, une variabilité inter-signatures de stock limitée
comme présentée Figure 6.5a. Cela n’est pas le cas.

En effet, nous pouvons constaté Figure 6.9a que les signatures de stock obtenues par le
modèle AIC présentent une variabilité beaucoup plus importante que celle obtenue avec AC
(Figure 6.5a). L’écart maximal entre les deux signatures de stock enveloppes est de 400 Mm3
au lieu de seulement 100 Mm3 avec AC. Toujours pour le modèle AC (Figure 6.5b), l’ensemble
des couples de signatures de stock présente une valeur de Nash supérieure à 0.95 (Figure 6.5b)
contre seulement 50 % des couples de signatures AIC (Figure 6.9b).

1.0
1000 Trajectoire Stock
0.9
Signature Stock
0.8
800 0.7
Cumulative PDF

0.6
600
0.5
0.4
400
0.3
0.2
200
0.1

0 0.0
J F M A M J J A S O N D 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

(a) (b)

Figure 6.9 – (a) Signatures de stock obtenues pour chacune des 100 réalisations MDES (gris)
avec AIC. La courbe rouge représente la signature moyenne calculée sur la base des
100 réalisations MDES ; (b) Fonction de répartition des Nash croisés des signatures
de stock (tirets) sur la période 1970-1999. Pour information, la distribution de
Nash croisés des trajectoires de réserve (trait plein) est également présentée sur
cette Figure. Tout comme les signatures de stock, la variabilité inter-trajectoires
est plus importante pour le modèle AIC que pour le modèle AC (70 % des couples
de trajectoires de réserves AIC, présentent une valeur de Nash inférieure à 0.9
contre seulement 30 % avec AC).

139/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Comment expliquer la forte variabilité des signatures de stock obtenues avec les modèles AIC,
alors que celle-ci est limitée dans le cas de AC ?

Les stratégies de gestion AIC, résultant de la climatologie des historiques, sont des suspects
de premiers choix. Afin de mieux appréhender le rôle des stratégies de gestion AIC comme source
de la forte variabilité des signatures de stock, une unique réalisation de 30 ans est maintenant
simulée, en utilisant durant l’étape de simulation, les 100 stratégies de gestion préalablement
calculées (voir image Figure 6.10a). Les signatures de stocks obtenues sont présentées Figure
6.10b.

Excepté durant la période estivale, les signatures obtenues Figure 6.10b sont quasi-identiques
à celles obtenues en optimisant et simulant indépendamment 100 réalisations différentes (Figure
Figure 6.9a). Un tel résultat confirme la forte influence des stratégies de gestion sur la signature
de stock. Un résultat similaire est largement discuté par Wolfgang et al. [2009]. Une interpréta-
tion trop rapide de ce résultat conduirait à uniquement expliquer la variabilité inter-signatures
de stock par une climatologie des variables d’intérêt de la gestion très différente d’une réalisation
à une autre. Cependant si tel avait été le cas, la variabilité inter-signatures de stock obtenues
avec AC auraient également été importante, ce qui n’est pas le cas (6.5)

Optimisation
Réalisations MDES + Simulation gestion
Contraintes

Réalisations
Hydro & Météo
Contraintes n°1
Réalisation
Hydro & Météo
Stratégie 1
n°1
Ft(S)

1000
Réalisations
Contraintes Hydro & Météo
Réalisation n°1 800
Hydro & Météo
Stratégie 2
n°2
Ft(S)
600
•
•
• 400
•

Réalisations
Contraintes Hydro & Météo 200
Réalisation n°1
Hydro & Météo
Stratégie 100
n°100
Ft(S)
0
J F M A M J J A S O N D

(a) (b)

Figure 6.10 – (a) Principe de l’exercice : 100 stratégies de gestion AIC sont calculées à partir
des 100 réalisations MDES. Chacune des stratégies est ensuite utilisée en phase
de simulation en ne considérant uniquement qu’une seule des réalisations. (b) Si-
gnatures de stock (gris). Ces signatures de stock sont obtenues après simulation
d’une unique réalisation MDES mais des 100 stratégies AIC calculées indépen-
damment sur chacune des 100 réalisations MDES. La courbe rouge représente la
moyenne de ces signatures

140/279
 6.4. Stabilisation de l’estimation de la performance des modèles

Au contraire, cette forte variabilité pourrait résulter de la variabilité pouvant exister entre
les stratégies de gestion, établies à partir de réalisations différentes, en particulier du fait que la
stratégie de remplissage utilisée par AIC est probabiliste a . Si tel est le cas, la variabilité inter-
réalisations des apports nets b entrant dans la retenue en phase d’optimisation, devrait fortement
conditionner les signatures de stock. Cette hypothèse est explorée section 6.4.2.b.

6.4.2.b. Variabilité Signatures & Apports nets

Peut-on expliquer la variabilité inter-signatures de stocks obtenues après simulation d’une

unique réalisation (Figure 6.10b), par la variabilité inter-réalisations des apports nets entrant
dans la réserve durant la phase d’optimisation ?

Pour répondre à cette question, il est dans un premier temps, nécessaire de calculer une si-
gnature des apports nets pour chacune des réalisations MDES. Une fois ce travail réalisé, une
expérience sera conduite pour comparer la variabilité des signatures de stock à celle des signa-
tures des apports nets.

Par exemple, nous pouvons considérer comme signature le cycle inter-annuel des apports nets
médians sur la période 1970-1999. Pour une réalisation donnée, cette signature est présentée en
rouge Figue 6.11a. Sur cette Figure, les apports nets des 30 années de la période 1970-1999 sont
exposés en gris du 1er janvier au 31 décembre. Les simulations de gestion étant toutes guidées
par la même réalisation (Figure 6.10a), la variabilité inter-signatures de stock durant les mois
de juillet et d’août est inexistante c . En conséquence de quoi, ces deux mois n’ont pas été pris
en compte dans la suite de l’analyse.
La variabilité inter-réalisations des signatures d’apports nets médians est illustrée Figure 6.11b.
Sur cette Figure, les signatures des apports nets médians obtenues pour chacune des 100 réalisa-
tions, sont exposées en gris. La signature des apports nets médians en rouge est celle présentée
pour la réalisation particulière Figure 6.11a.

a. Comme expliqué chapitre 4, la courbe guide de remplissage AIC, est calculée à partir des apports nets
Qnet de l’historique (équation 3.4). Elle est utilisée tout les ans en simulation, et permet une satisfaction
de la cote touristique au 1er juillet 9 années sur 10 en moyenne (voir section 4.4.2)).
b. Pour rappel, les apports nets sont égaux aux apports entrant dans la retenue déduit du débit de
dotation à fournir en aval (équation 3.12)
c. Comme indiqué précédemment, durant la période estivale les débits turbinés sont uniquement réa-
lisés pour satisfaire le débit de dotation en aval du système. L’évolution temporelle du stock de la retenue
à cette période est donc uniquement conditionnée par les apports entrant dans le système et la demande
en aval, qui dans ce cas sont les mêmes durant la simulation, quelle que soit la réalisation utilisée pour
construire la stratégie de gestion.

141/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

45 30
40
25
35
30 20
25 15
20
15 10

10 5
5
0
0
-5 -5
J F M A M J J A S O N D J F M A M J J A S O N D

(a) (b)

Figure 6.11 – (a) Séries d’apports nets (Gris) et série médiane des apports nets entrant dans
le système pour une réalisation particulière ; (b) Séries d’apports nets médians
des différentes réalisations (Gris). La courbe rouge est la série médiane de la
réalisation présentée en (a)

Comparer la variabilité de deux ensembles de signatures, n’est a priori pas un exercice facile.
Nous avons choisi de résoudre cet exercice de manière indirecte. Une première étape a été de
réaliser une Analyse en Composante Principale (ACP, (Saporta [2006])) des signatures de stock
et des signatures d’apports nets médians. Pour réaliser ces ACP dans de bonnes conditions, nous
avons été contraints de supprimer les périodes à variabilité inter-signatures de stock très réduites.
Ainsi, les mois de juillet, août, septembre, octobre et novembre ont été supprimés des signatures
de stock, et les mois de novembre, décembre, janvier, février et mars (en plus des mois de juillet et
août pour les raisons évoquées précédemment) ont été supprimés des signatures des apports nets.

La première composante d’une ACP représente le niveau moyen des signatures. Pour une
signature donnée, le score de cette première composante indique si la signature est proche,
supérieure ou inférieure au niveau moyen de l’ensemble des signatures. Notons ACP1Stock (res-
pectivement ACP1Qnet ) la première composante de l’ACP des signatures de stock (respectivement
des apports nets).
Si la variabilité des signatures d’apports nets médians est liée à la variabilité des signatures de
stock, alors les scores de ACP1Qnet et de ACP1Stock , pour les différentes réalisations, devraient
être corrélés (ou anti-corrélés). Une forte corrélation entre ces scores signifierait par exemple,
que si pour une réalisation donnée la signature des apports nets médians est très supérieure, très
proche ou très inférieure à son niveau moyen alors la signature de stock devrait également être
très supérieure, très proche ou très inférieure à son niveau moyen (et inversement si les scores
sont anti-corrélés).
Le diagramme de dispersion des scores ACP1Qnet et de ACP1Stock est présenté Figure 6.12a. Nous
pouvons constater sur cette Figure que les scores de ACP1Qnet et de ACP1Stock sont anti-corrélés.
En conséquence, lorsque pour une réalisation donnée, la signature des apports nets médians est
supérieure à sa moyenne, la signature de stock devrait également être inférieure à sa moyenne, et
inversement. Ce résultat s’explique facilement du fait que si une stratégie de gestion est construite
à partir d’un historique dans lequel les apports nets médians sont élevés, celle-ci devrait a priori

142/279
 6.4. Stabilisation de l’estimation de la performance des modèles

engendrer des déstockages également importants (ce qui résulterait à une signature de stock in-
férieure au niveau moyen des signatures). Étonnamment, la corrélation entre les scores ACP1Qnet
et de ACP1Stock est très faible. Le coefficient de corrélation présente une valeur r 
0.37. Nous
pouvons par exemple remarquer sur la Figure 6.12a, que les scores extremums de ACP1Qnet (res-
pectivement -12.1 et 12.9) sont obtenus pour des valeurs de scores ACP1Stock relativement proches
(respectivement 9.4 et 5.4). De même les extremums des scores ACP1Stock (-35.1 et 35.8) sont
obtenus pour des valeurs de scores ACP1Qnet voisines (3.9 et -1.8)

15 15
10 10
5 5
0 0
-5 -5
-10 -10
-15 -15
r = -0.37 r = -0.77
-20 -20
-25 -25
-40 -30 -20 -10 0 10 20 30 40 -40 -30 -20 -10 0 10 20 30 40

(a) (b)

Figure 6.12 – (a) Diagramme de dispersion des scores sur les premiers axes des signatures de
stock et des signatures d’apports nets médians (b) Diagramme de dispersion des
scores sur les premiers axes des signatures de stock et des signatures d’apports
nets quantile 10. Les droites de régressions des nuages de points sont exposées en
rouge.

La faible corrélation entre les scores ACP1Qnet et ACP1Stock nous a incité à explorer davan-
tage de signatures d’apports nets. En conséquence, une analyse similaire a été réalisée pour les
signatures des apports nets minimaux, maximaux et celle des quantiles 10 des apports nets. La
présentation pour une réalisation donnée de ces signatures est illustrée Figure 6.13a alors que
leur variabilité inter-réalisations est exposée Figure 6.13b. Les coefficients de corrélation entre
les scores ACP1Qnet et ACP1Stock pour les différentes signatures de stock sont exposés dans le
Tableau 6.7. Une relativement forte anti-corrélation est obtenue avec les scores des signatures
des quantiles 10 des apports nets (r 
0.77). Le diagramme de dispersion des scores est pro-
posé Figure 6.12b. Nous noterons particulièrement que les valeurs extrêmes des scores ACP1Qnet
correspondent bien aux valeurs extrêmes des scores ACP1Stock .

143/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

45 120
40
100
35
30 80
25 60
20
15 40

10 20
5
0
0
-5 -20
J F M A M J J A S O N D J F M A M J J A S O N D

(a) (b)

Figure 6.13 – (a) Séries d’apports nets (Gris) et signatures des apports nets minimaux (jaune),
quantile 10 (noir) médians (rouge) et maximaux(bleu) pour une réalisation par-
ticulière ; (b) Signatures d’apports nets minimaux (jaune), quantile 10 (noir)
médians (rouge) et maximaux (bleu) des 100 réalisations

Qnetmin Qnetp10 Qnetmed Qnetmax

r -0.54 - 0.77 -0.37 0.05

Tableau 6.7 – Coefficient de corrélation entre les scores de l’ACP des signatures de stocks
et des scores des ACP des séries d’apports nets minimaux (Qnetmin ), médian
(Qnetmed ), maximaux (Qnetmax ) et du quantile 10 (Qnetp10 )

Cette analyse a donc fait émerger le fait que la variabilité des signatures du quantile 10 des
apports nets est très liée à la variabilité des signatures de stock. Ce résultat est à fortiori une
conséquence de la stratégie probabiliste de remplissage de la retenue (satisfaction 9 années sur
10). Il en résulte le fait que pour une réalisation donnée, la signature du quantile 10 des apports
nets calculé sur la base des 30 années de l’historique (1970-1999), et par suite la courbe de
remplissage 90 %, structure très fortement la stratégie de gestion AIC. L’importante variabilité
inter-réalisations du quantile 10 des apports nets est donc une limite importante dans l’exercice
que nous nous sommes fixés, qui est de réaliser une évaluation robuste de la performance du
modèle de gestion AIC.

Pour pouvoir réaliser une évaluation robuste de la performance avec le modèle AIC, une
estimation robuste de la signature du quantile 10 des apports nets, et donc de la courbe guide
de remplissage 90 %, est nécessaire. Or, une seule réalisation ne permet a priori pas d’y arriver.
Par ailleurs, les différentes réalisations ne sont que des scénarios possibles d’un même climat, tel
que proposé par un chaı̂ne de simulation NCEP/MDES ou GCM/MDES donnée. La stabilisation
de la stratégie de gestion et par suite de la signature de stock, nécessite une stabilisation de la
courbe guide pour ce climat. Cela peut être réalisé en déterminant la courbe guide de remplissage
90 % à partir d’une signature du quantile 10 des apports nets calculée sur un ensemble de
réalisations. Par la suite, une unique courbe guide de remplissage 90 % et une unique stratégie
de gestion seront calculées à partir d’un ensemble de NR réalisations MDES chacune de Ns

144/279
 6.4. Stabilisation de l’estimation de la performance des modèles

nombre d’années (Ns  30). L’équation 4.13, d’ordinaire utilisée pour calculer la stratégie de
gestion AIC, devient :

nN nN
1 1 ¸R ¸ s
Fti pSti q  Ft pSt , n, mq (6.3)
NR Ns m1 n1 i i

Durant la phase de simulation de la gestion, la fonction objectif permet ainsi de maximiser

la somme des revenus immédiats (a fortiori dépendants de la réalisation considérée durant cette
phase) et d’une espérance de revenus futurs calculée sur un ensemble de NR réalisations MDES
de Ns années.

La section suivante a pour objectif d’évaluer le nombre de réalisation Nr nécessaire à stabiliser

la courbe guide de remplissage ainsi que la stratégie de gestion AIC. Une autre possibilité aurait
pu être de stabiliser la courbe guide de remplissage avec un nombre Nr1 de réalisations d’une
part, et stabiliser la stratégie de gestion avec un nombre Nr2 de réalisation d’autre part. Cette
possibilité n’a toutefois pas été explorée.

6.4.2.c. Stabilisation des stratégies et des courbes guides

Suite aux résultats obtenus section 6.4.2.b, une question similaire à celle posée section 6.4.1.b
se pose : combien de réalisations MDES est-il nécessaire de prendre en compte pour stabiliser
l’estimation du quantile 10 des apports nets entrant dans la retenue utilisés en phase d’optimi-
 
sation ? Cela équivaut également à stabiliser la stratégie de gestion E Ft pS q et la courbe guide
de remplissage 90 %. Pour répondre à cette question, nous avons considéré l’approche présentée
Figure 6.14. Ici, le terme panier MDES correspond au nombre de réalisations utilisées pour i)
 
estimer la courbe guide de remplissage 90% et ii) construire la stratégie E Ft pS q . L’exercice
consiste à explorer plusieurs paniers de même taille NR , puis à faire varier la taille des paniers.
Chaque panier contient NR  Ns années (avec Ns  30) pour lesquelles seront estimés, une
unique courbe guide de remplissage 90 % et une unique stratégie. Pour chaque taille de panier
NR , 100 paniers sont construits en échantillonnant aléatoirement NR réalisations parmi les 100
réalisations disponibles. Les tailles de paniers explorées sont : 2 ; 5 ; 10 ; 20 ; 30 ; 40 ; 50 ; et 60.
Chacune des stratégies et courbes guides de remplissage calculées, sont ensuite utilisées pour
simuler la gestion du système en utilisant toujours la même réalisation durant la phase de simu-
lation, et ensuite estimer sa performance.

La convergence des signatures de stock calculées en augmentant la taille NR des paniers

MDES est illustrée sur la Figure 6.15. La configuration de référence correspond dans ce cas, à
une stratégie et une courbe guide de remplissage 90 % calculées lors de la phase d’optimisation
à partir d’un panier de réalisations de taille NR  100.
Nous pouvons constater que la variabilité des signatures de stock diminue très rapidement. A
partir d’une taille de panier NR de 5 réalisations MDES, l’écart entre les courbes enveloppes
a été réduit d’un facteur 4 par rapport aux signatures observées Figure 6.10. Pour des tailles
de panier NR ¡30, la variabilité des signatures en devient négligeable. Nous pouvons en dé-
duire que le nombre de 30 réalisations suffit pour évaluer de façon robuste le quantile 10 des

145/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

POUR UN PANIER DE TAILLE NR

Réalisations MDES Contraintes Courbe guide Optimisation Simulation gestion

𝑹𝒎𝒊𝒏
𝒕 𝑹𝒎𝒂𝒙
Réalisation
Hydro & Météo + 𝑺𝒎𝒂𝒙
n°1

Réalisation
Hydro & Météo
Réalisation 𝑹𝒎𝒊𝒏
𝒕 𝑹𝒎𝒂𝒙 Vlim Stratégie n°1
Hydro & Météo + 𝑺𝒎𝒂𝒙
n°2
𝑺𝒎𝒊𝒏
𝒕
E[Ft(S)
•
•
•
•

Réalisation 𝑹𝒎𝒊𝒏
𝒕 𝑹𝒎𝒂𝒙
Hydro & Météo + 𝑺𝒎𝒂𝒙
n°NR

Figure 6.14 – Schéma de principe de l’exercice : Chaque courbe guide S min et chaque stratégie
de gestion (Ft ) obtenues sur la base de NR réalisations de 30 ans, sont utilisés
pour estimer la performance du système modélisé de SP. Les simulations sont
guidées par une unique réalisation de la période de 30 ans.

apports nets entrant dans le réservoir (et par suite pour stabiliser la signature de stock résultant
 
de la stabilisation de la courbe guide de remplissage 90 % et de la stratégie de gestion E Ft pS q ).

L’influence sur l’évaluation des critères de performance de la taille NR des paniers utilisés pour
construire la stratégie de gestion, est analysée dans le Tableau 6.8. En résultat de cette analyse
nous constatons une quasi-indépendance des critères de performance au nombre de réalisations
MDES utilisées durant la phase d’optimisation. Quelle que soit la taille du panier considéré,
les coefficients de variation sont toujours inférieurs très faibles, voir négligeables pour certains
d’entre eux.

Ce résultat pourrait résulter du fait que les différentes simulations ont été effectuées pour
une seule réalisation MDES (voir le schéma de principe Figure 6.14). Cela laisse supposer que
les critères de performance sont davantage sensibles à la réalisation utilisée durant l’étape de
simulation plutôt qu’au nombre total d’années utilisées (NR  Ns ) durant la phase d’optimi-
sation. Une analyse de sensibilité permettant de définir si besoin, le nombre de réalisations à
considérer durant l’étape de simulation pour évaluer correctement la distributions des critères
de performance est conduite section 6.4.2.d.

146/279
 6.4. Stabilisation de l’estimation de la performance des modèles

Figure 6.15 – Stabilisation de la signature de stock AIC résultant d’une courbe guide 90 %
et d’une stratégie de gestion calculées sur la base de NR réalisations MDES.
Pour chaque taille de panier NR , 100 paniers ont été considérés. Les courbes
rouges représentent la signature de stock obtenue à partir d’un panier de taille
NR  100. Cette signature sert ici de référence.

NR 2 5 10 20 30 40 50 60
M 3.53 3.54 3.54 3.54 3.54 3.54 3.54 3.54
GHEP
Cv 0.005 0.003 0.002 0.001 0.001 0.001 0.001 0.001
M 1969 2036 2047 2056 2058 2058 2058 2058
VDev
Cv 0.09 0.05 0.04 0.03 0.02 0.02 0.01 0.01
M 94.3 94.7 94.8 94.8 94.8 94.8 94.8 94.8
F ia
Cv 0.009 0.005 0.002 0.001 0.001 0.001 0.001 0.001
M 33.7 31.9 31.9 31.7 31.4 31.2 31.2 31.2
V ulH
Cv 0.11 0.07 0.06 0.04 0.04 0.03 0.02 0.02
M 114 114 114 114 114 114 114 114
V ulM
Cv 0.02 0 0 0 0 0 0 0

Tableau 6.8 – Influence sur l’estimation des indicateurs de performance, du nombre de réalisa-
tions NR utilisées pour construire une stratégie de gestion unique. Pour chaque
taille de panier, 100 paniers aléatoires sont considérés. Indicateur de revenus
GHEP p1015 U.M q ; Volume déversé VDev pMm3 q ; Fiabilité F ia p%q ; Vulnérabi-
lité V ulH et V ulM pMm3 q ;

Dans la suite des développements, le nombre de 30 réalisations MDES est choisi pour estimer
la courbe guide de remplissage 90 % du modèle AIC, ainsi que la stratégie de gestion.

6.4.2.d. Influence du nombre de réalisations utilisées en simulation sur

l’estimation de la performance AIC

Un exercice similaire à celui réalisé pour le modèle AC (section 6.4.1.b) est employé ici.
L’objectif est d’estimer le nombre de réalisations à utiliser durant l’étape de simulation afin

147/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

d’opérer une évaluation robuste i) d’une signature moyenne de stock, ii) des moyennes des critères
de performance et si possible ii) des distributions de ces critères de performance.
Ici, le terme panier MDES correspond au nombre de réalisations utilisées en phase de simulation.
 
Une unique stratégie de gestion E Ft pS q et sa courbe guide de remplissage 90 % associée,
calculées à partir d’un ensemble de 30 réalisations MDES (cf. résultats obtenus section 6.4.2.c),
sont utilisés pour simuler la gestion du système modélisé de SP en considérant NT réalisations
de la période 1970-1999 (Figure 6.16).

Réalisations MDES Contraintes Courbe guide Optimisation Simulations gestion

Réalisation
𝑹𝒎𝒊𝒏 𝑹𝒎𝒂𝒙 Hydro & Météo
Réalisation 𝒕
Hydro & Météo + 𝑺𝒎𝒂𝒙
n°N1
n°1

Réalisation
𝑹𝒎𝒊𝒏 𝑹𝒎𝒂𝒙 Vlim Stratégie
Hydro & Météo + 𝒕 Réalisation
Hydro & Météo
n°2 𝑺𝒎𝒂𝒙
n°N2
• 𝑺𝒎𝒊𝒏
𝒕
E[Ft(S)
•
Réalisation 𝑹𝒎𝒊𝒏 𝑹𝒎𝒂𝒙
Hydro & Météo + 𝒕

𝑺𝒎𝒂𝒙 •
n°30
•
•
• .
• .
• .
• .
•
Réalisation
Hydro & Météo
n°NT

Figure 6.16 – Schéma de min et une stratégie de gestion

  principe : Une courbe guide S
(E Ft pS q ) sont obtenues sur la base de 30 réalisations MDES. Elles sont utili-
sées pour estimer la performance du système modélisé de SP sur la base de NT
réalisations. L’exercice consiste à considérer plusieurs paniers MDES d’une même
taille NT , et de faire varier ensuite la taille du panier.

La stabilisation de la signature moyenne de stock en fonction du nombre NT de réalisations

utilisées en phase de simulation est illustrée sur la Figure 6.17. Nous pouvons constater que la
signature moyenne est immédiatement stabilisée. La signature moyenne obtenue pour une taille
très réduite (NT  2) est d’ailleurs très proche des signatures individuelles qui auraient été
obtenues en effectuant que la simulation d’une seule réalisation. Ce résultat démontre, comme
cela a été évoqué section 6.4.2.c, que l’utilisation d’une même stratégie de gestion et d’une
même courbe guide de remplissage 90 %, conditionne complètement le fonctionnement moyen
du système, caractérisé ici par sa signature moyenne de stock. Il n’est donc pas nécessaire de
considérer plusieurs réalisations pour stabiliser la signature de stock. Celle ci est directement

148/279
 6.4. Stabilisation de l’estimation de la performance des modèles

stabilisée par le nombre de réalisations utilisées pour estimer la courbe guide de remplissage 90
% et stratégie de gestion (section 6.4.2.c).

Figure 6.17 – Stabilisation de la signature de stock AIC résultant d’une courbe guide et d’une
stratégie de gestion calculées sur la base de NR réalisations MDES. Pour chaque
taille de panier NR , NT courbes guides et stratégies ont été calculées (NT =30).
Les courbes rouges représentent la signature de stock obtenue à partir d’une
courbe guide et d’une stratégie de gestion calculées sur l’ensemble des 100 réali-
sations MDES. Cette signature sert ici de référence.

La stabilisation des moyennes et des coefficients de variation des critères de performance

est illustrée Figure 6.18. Tout comme ce qui a été observé pour le modèle AC, les moyennes
et coefficients de variations des critères de performance convergent rapidement en augmentant
le nombre de simulations accomplies. Les résultats de cette analyse sont très similaires à ceux
obtenus pour le modèle AC en section 6.4.1.b. A partir d’un nombre de 30 réalisations, les
moyennes et coefficients de variation des distributions des critères se situent dans la gamme de
tolérance fixée (5 % pour les moyennes et 10 % pour les coefficients de variations).

6.4.2.e. Conclusion : Évaluation AIC

Une méthode permettant une estimation robuste de la performance simulée par le modèle
AIC a été réalisée durant cette section. Il en résulte principalement deux étapes distinctes :
1. La signature de stock obtenue via le modèle AIC est fortement conditionnée par la si-
gnature du quantile 10 des apports nets. L’influence de ce quantile est a fortiori liée à
la stratégie probabiliste de remplissage de la retenue (9 années sur 10 en moyenne). Ce
quantile étant mal estimé sur la base d’une seule réalisation MDES, la courbe guide de
remplissage 90 % et la stratégie de gestion doivent être estimées à partir de plusieurs
réalisations. Le nombre de 30 réalisations a été choisi pour les estimer. L’unique courbe
 
guide de remplissage 90 % et l’unique stratégie E Ft pS q , sont par la suite utilisées pour
réaliser les simulations de gestion du système modélisé de SP.

2. Les critères de performance sont quant à eux uniquement fonction de la réalisation utilisée
durant la phase de simulation. De nouveau, l’utilisation lors de la phase de simulation de

149/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

30 réalisations est nécessaire pour obtenir une évaluation robuste des critères moyens ainsi
que de leur distributions.

Moyenne Cv
0.16
92
90 0.12
88 0.08
86
84 0.04
82 0.00
2 5 10 20 30 40 50 60 2 5 10 20 30 40 50 60
140 1.0
120 0.8
100 0.6
80 0.4
60 0.2
40 0.0
2 5 10 20 30 40 50 60 2 5 10 20 30 40 50 60
450 1.2
1.0
350 0.8
250 0.6
0.4
150
0.2
50 0.0
2 5 10 20 30 40 50 60 2 5 10 20 30 40 50 60
3.40 0.06
3.35 0.05
3.30 0.04
3.25 0.03
3.20
3.15 0.02
3.10 0.01
3.05 0.00
2 5 10 20 30 40 50 60 2 5 10 20 30 40 50 60
2000 0.7
1800 0.6
1600 0.5
1400 0.4
0.3
1200 0.2
1000 0.1
800 0.0
2 5 10 20 30 40 50 60 2 5 10 20 30 40 50 60

Figure 6.18 – Évolution des distributions des critères de performance en fonction de la taille
du panier MDES (en abscisse). La stratégie de gestion et la courbe guide de
remplissage 90 % utilisées pour obtenir ces résultats sont les mêmes pour toutes
les simulations de gestion. Elles ont été établies à partir de 30 réalisations MDES.
Pour chaque taille de panier, 100 paniers MDES sont considérés pour construire
les boı̂tes à moustaches. Les distributions de critères sont caractérisées par leur
moyenne (colonne de gauche) et leur coefficient de variation (colonne de droite).
Les lignes rouges représentent les valeurs obtenues pour le panier unique de taille
égale à 100. Le lignes bleues représentent un écart à 5 % pour les moyennes et
de 10 % pour les coefficient de variation.

150/279
 6.5. Conclusion

6.5. Conclusion
Une méthodologie d’estimation de la performance du système de SP, vue par les modèles AC
et AIC a été développée durant cette section. Il en résulte l’utilisation de 30 réalisations MDES
pour réaliser un estimation de la performance robuste.
Ce résultat est supposé être valide pour le modèle AIP. De même, ces résultats ont été obtenus
pour la chaı̂ne de simulation NCEP/Dsclim10, ils seront supposés également valables pour les
autres chaı̂nes de simulation utilisant d’autres MDES que Dsclim10.

Cette méthodologie sera par la suite appliquée pour estimer les modifications probables de
la performance du système modélisé de SP, dans un contexte de climat modifié. Pour réaliser
cet exercice, les variables de grande échelle utilisées sont celles obtenues en sortie des GCMs
présentés dans le Tableau 6.1. Nous ferons ainsi l’hypothèse que la performance du système
modélisé de SP calculée sur la base de 30 réalisations, est toujours robuste, quelle que soit la
chaı̂ne de simulation GCM/MDES utilisée pour générer les scénarios météorologiques à l’échelle
du bassin versant de SP.

151/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

Synthèse
En amont de l’évaluation de la performance des modèles en climat futur
L’évaluation de la performance des modèles de gestion nécessite en amont, l’utilisation
d’une chaı̂ne de modélisation complexe (Figure 6.1). Du fait du caractère stochastique
des MDES, différentes réalisations météorologiques et hydrologiques résultantes d’un
même scénario grande échelle sont possibles. Ils peuvent présenter une variabilité
importante.

Évaluation de la performance des modèles AC et AIC

Une analyse de la performance des modèles AC et AIC sur la période 1970-1999 a
montré que la variabilité importante des réalisations météorologiques et hydrologiques,
ne permet pas de considérer une seule réalisation pour obtenir une estimation robuste
de la performance des modèles de gestion.

Pour le modèle AC, une analyse de sensibilité au nombre de réalisations utilisées,

a montré qu’un ensemble de 30 réalisations de 30 ans suffit à obtenir une bonne
estimation de la performance du système modélisé sur cette période. A partir de ce
nombre de réalisations, à la fois la signature de stock moyenne et les distributions de
critères de performance sont stabilisées.

Pour le modèle AIC, la même analyse de sensibilité a montré que :

ˆ La signature de stock est sensible au nombre de réalisations utilisées pour

construire la stratégie de gestion et la courbe de remplissage. Cela résulte de
la stabilisation de ces dernières, rendue possible par une bonne estimation de la
signature du quantile 10 des apports nets journaliers entrant dans le réservoir.
Une bonne estimation de cette signature est nécessaire pour stabiliser la courbe
de remplissage 90 % utilisée par ce modèle, et donc la stratégie de gestion. Cette
analyse a été réalisée via les ACP des signatures de stock et de différentes signa-
tures des apports nets. Le résultat de cette analyse démontre qu’une stratégie de
gestion et une courbe guide de remplissage 90 %, calculée à partir d’un ensemble
de 30 réalisations MDES, permet de stabiliser la signature de stock.

ˆ L’estimation des distributions des critères de performance du modèle AIC est au

contraire sensible au nombre de réalisations de 30 ans utilisées durant la phase
de simulation. Une analyse de sensibilité a également montré que 30 réalisations
suffisent à estimer, dans une gamme de tolérance semblable à celle acceptée pour
le modèle AC, les distributions des critères de performance.

152/279
 6.5. Conclusion

Synthèse
Extension des conclusions
Tout comme le modèle AC et AIC, l’estimation de la performance du modèle AIP sera
basée sur 30 réalisations.
De même, les estimations des performances des modèles, réalisées à partir des autres
chaı̂nes NCEP/MDES et GCM/MDES seront réalisées à partir de 30 réalisations.

153/279
Chapitre 6. Évaluation de la performance sous scénarios stochastiques

154/279
 Partie IV

Performance d’un système de

gestion : Incertitudes liées aux
modèles

155/279
Chapitre 7

Performance estimée et incertitudes

liées aux scénarios météorologiques

L’estimation de la performance d’un système de gestion de la ressource en eau dans un

contexte de changement climatique, nécessite une chaı̂ne de simulation telle que présentée dans
les chapitres précédents. Nous avons évoqué dans la section 6.3 de cette thèse, la nécessité de
considérer une approche multi-GCM/MDES/réalisations afin i) de pouvoir considérer le devenir
très incertain du climat à grande échelle (i.e. utiliser plusieurs GCMs), ainsi que ii) de prendre en
compte les incertitudes inhérentes à la descente en échelle statistique (i.e. utiliser plusieurs MDES
et plusieurs paramétrisations d’une même MDES). Dans le chapitre 6, il a été démontré que la
prise en compte de plusieurs réalisations issues d’une même chaine de simulation GCM/MDES
permettait d’améliorer la robustesse de l’estimation de la performance.
Les impacts du changement climatique sur les variables d’intérêt de la gestion d’une part (e.g.
températures, précipitations, débits de dotation, consommations électriques, débit de rivière),
et sur les modifications de la performance estimée du système modélisé de SP d’autre part, font
l’objet de ce chapitre. Deux séries d’expériences sont considérées (Tableau 7.1) :

ˆ La première expérience consiste à explorer la colonne GCM/Analog20 du Tableau 7.1. Dans

ce cas, tous les scénarios GCMs envisagés ont été descendus en échelle par la MDES Ana-
log20. Nous parlerons par la suite de chaı̂nes de simulation GCM/Analog20. Les différences
constatées entre les résultats obtenus résulteront des différences inter-simulations GCMs.
Par la suite, pour évoquer les différences entre ces chaı̂nes de simulation GCM/Analog20,
nous emploierons le terme de dispersion inter-GCMs. Cette expérience nous permettra
d’évaluer les incertitudes liées aux GCMs.

ˆ La deuxième expérience consiste à explorer la ligne DMIEH5C-1/MDES du Tableau 7.1.

Toutes les MDES ont été utilisées pour descendre en échelle la simulation GCM DMIEH5C-
1. Nous parlerons de chaı̂nes de simulation DMIEH5C-1/MDES. De même le terme de
dispersion inter-MDES sera employé pour qualifier les possibles différences obtenues
entre ces chaı̂nes de simulation. Cette expérience nous permettra d’évaluer les incerti-
tudes liées aux MDES.

157/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

PP
PP MDES
PP Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32
GCM PP
P
CNCM33-1 X
DMIEH5C-1 X X X X X X
DMIEH5C-2 X
DMIEH5C-3 X
EGMAM2-3 X
MPEH5C-1 X

Tableau 7.1 – Chaı̂nes de simulation GCM / MDES utilisées

A partir de ces deux expériences nous souhaitons en particulier répondre à la question sui-
vante : les incertitudes liées aux GCMs et aux MDES vis-à-vis de l’évolution des variables
d’intérêt de la gestion d’une part, et vis-à-vis de l’évolution de la performance estimée du sys-
tème modélisé de SP d’autre part, sont-elles comparables ? Pour répondre à cette question, la
configuration idéale aurait été d’explorer la totalité de la matrice présentée dans le Tableau 7.1.
Des contraintes de temps n’ont pas permis cela. Le choix du GCM DMIEH5C-1 et de la MDES
ANalog20 est ici arbitraire. Néanmoins, Lafaysse [2011] montre que la dispersion inter-GCMs
obtenue sur les précipitations, l’évaporation et les débits moyens sur le bassin amont de SP, est
relativement similaire quelle que soit la MDES utilisée (Figure 7.1) bien que les valeurs absolues
des changements peuvent être significativement différentes. En terme de dispersion inter-GCMs,
nous pouvons donc supposer que l’utilisation d’une autre MDES que Analog20, pour descendre
en échelle les simulations GCMs, aurait conduit à des conclusions similaires. Nous supposerons
aussi, qu’en terme de dispersion inter-MDES, l’utilisation d’une autre simulation GCM, descen-
due en échelle par les différentes MDES, ne modifierait pas les principales conclusions présentées
dans ce chapitre.

Les variables d’intérêt de la gestion, ainsi que la gestion du système de SP, ont été simulées
en climat futur sur deux fenêtres temporelles de 30 ans, à savoir la période 2036-2065 (Période
P1 ) et la période 2070-2099 (Période P2 ). Elles ont aussi été simulées sur la période 1970-1999
(Période P0 ), utilisée ici comme référence. Les résultats présentés et discutés dans ce chapitre,
ont été établis sur la base de 30 réalisations MDES sur ces périodes a . Les résultats de simula-
tion pour chacune des variables d’intérêt de la gestion sont présentés section 7.1, à savoir les
températures (section 7.1.1.a), les précipitations (section 7.1.1.b), les débits de dotation (section
7.1.2), les consommations électriques France (section 7.1.3) et les apports au système de SP
(section 7.1.4). Ces différentes variables résultent des modèles développés à cet effet, à savoir les
MDES pour les forçages météorologiques (températures et précipitations), le modèle hydrolo-
gique Cequeau pour les apports à la retenue ainsi que les apports des bassins intermédiaires, un
modèle d’intérêt à produire de l’énergie et un modèle de demande en eau en aval. Ces modèles
ont été obtenus et calés pour le climat présent. Nous faisons donc l’hypothèse qu’ils sont tou-
jours valables en climat modifié. Cette hypothèse n’est cependant pas réaliste pour les modèles
d’usages (i.e. les modèles de consommations électriques et de demandes en eau en aval) dont les
limites ont été discutées au chapitre 3. Cependant, cela n’enlève rien à l’intérêt des analyses ulté-
a. voir chapitre 6 pour le choix du nombre de 30 réalisations

158/279
Figure 7.1 – Distribution inter-scénarios des changements de précipitations, d’évaporation et de
débits moyens sur le bassin amont de SP, entre les période 2080-2099 et 1980-1999
pour différentes chaı̂nes de simulation GCM/MDES. Chaque distribution a été
obtenue sur la base de 100 réalisations GCM/MDES. Chaque couleur correspond
à un GCM différent. Le GCM DMIEH5C-1 est représenté par la courbe rouge.
Adapté de Lafaysse [2011]

rieures qui ont comme objectifs d’illustrer l’importance relative des deux sources d’incertitudes
considérées, qui sont les GCMs et les MDES, sur les estimations de changements de performance.

D’autres sources d’incertitudes majeures ne seront pas considérées ici, comme celles liées à la
modélisation des usages et des débits. Pour ce dernier point, Hingray et al. [2013] montrent que
l’application de différents modèles hydrologiques (i.e. le modèle CEQUEAU utilisé dans cette
étude, le modèle ISBA-Durance (Lafaysse et al. [2011]) et le modèle MORDOR (Bourqui et al.
[2012])) de performance équivalente en climat présent sur ce bassin versant, conduit à des mo-
difications d’apports significativement différentes selon les modèles.

Ce chapitre étant focalisé sur l’évaluation des incertitudes liées aux GCMs et aux MDES,
nous avons choisi de ne considérer qu’un seul modèle de gestion : le modèle AC. La gestion
simulée par ce modèle est ”parfaite”, car établie dans un contexte d’avenir certain. Cet exercice
consistera donc à évaluer l’incertitude liée aux GCMs et aux MDES sur l’évolution de la meilleure
performance possible du système modélisé de SP en climat futur. Les modifications de la per-
formance estimée par le modèle AC sont illustrées section 7.2. De plus, le modèle AC permet
facilement de réaliser des simulations continues de la gestion du système modélisé de SP sur la pé-
riode 1860-2099. Les résultats de ces simulations sont exposées dans la section 7.3 de ce chapitre.

Pour l’ensemble des variables analysées dans ce chapitre nous pourrons être amené à discuter
de l’évolution de leur espérance notée EX (pour une variable X donnée) mais également de l’évo-
lution de leur variabilité inter-annuelle via un coefficient de variation noté CvX . Les espérances

159/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

et les coefficients de variation seront calculés sur la base des valeurs obtenues pour 900 années
(ces 900 années correspondent aux 30 années  30 réalisations considérées pour chaque chaı̂ne
GCM/MDES). De même les cycles saisonniers de ces variables, dont l’évolution sera discutée,
seront calculés sur ces ensembles de 30 réalisations.

7.1. Modification des variables d’intérêt

de la gestion
7.1.1. Forçages météorologiques
7.1.1.a. Températures

La simulation des températures a été réalisée sur les périodes P0 , P1 et P2 selon les expé-
riences présentées dans le Tableau 7.1. Les cycles saisonniers des températures simulées sont
illustrés Figures 7.2 et 7.3, respectivement pour les chaı̂nes de simulations GCM/Analog20 et
DMIEH5C-1/MDES. Les moyennes saisonnières et annuelles des températures simulées sur ces
périodes sont exposées respectivement dans les Tableaux 7.2 et 7.3.
Durant la période de contrôle P0 , le cycle saisonnier des températures observées (courbe noire
Figure 7.2) est bien reproduit par les différentes chaı̂nes de simulation GCM/Analog20 et
DMIEH5C-1/MDES (courbes en couleur Figures 7.2 et 7.3). Les moyennes saisonnières et an-
nuelles des températures simulées sont effectivement très proches de celles observées (Tableaux
7.2 et 7.3).
Les températures obtenues à partir des chaı̂nes de simulation GCM/Analog20 sur les périodes P1
et P2 présentent une augmentation à toutes les saisons. En fonction de la chaı̂ne GCM/Analog20
considérée, cette augmentation peut être plus ou moins importante. En moyenne annuelle par
exemple, l’augmentation des températures simulées varie entre 1.4 C et 1.7 C pour la période
P1 , et entre 2.1 C et 3.8 C pour la période P2 . Pour la période P2 , seulement deux des chaı̂nes
de simulation (CNCM33-1/Analog20 et EGMAM2-3/Analog20) prévoient une augmentation an-
nuelle des températures, inférieure à 3 C. L’augmentation la plus importante est obtenue pour la
chaı̂ne DMIEH5C-1/Analog20, la plus modérée par la chaı̂ne EGMAM2-3/Analog20. A l’échelle
saisonnière, l’augmentation des températures prévue par ces chaı̂nes de simulation est la plus im-
portante durant la saison estivale (JJA). Comme le mettent en évidence Giorgi et al. [2004], cela
devrait être une des particularités du réchauffement à venir dans les pays d’Europe de l’Ouest et
du Sud. Toutes les chaı̂nes de simulation, exceptée EGMAM2-3/Analog20, prévoient d’ailleurs
une augmentation supérieure à 4 C à cette saison.
Tout comme les simulations GCM/Analog20, les températures simulées par les chaı̂nes DMIEH5C-
1/MDES sur les périodes P1 et P2 sont amenées à augmenter. Les augmentations des tempé-
ratures obtenues ces chaı̂nes sur les périodes P1 et P2 , sont relativement similaires. Les écarts
constatés résultent en partie de l’utilisation de prédicteurs grande échelle différents (voir Ta-
bleau 6.2 page 126). Nous noterons toutefois que la chaı̂ne de simulation DMIEH5C-1/Dsclim21
présente une augmentation de température légèrement supérieure à celle obtenue par les autres

160/279
 7.1. Modification des variables d’intérêt de la gestion

chaı̂nes DMIEH5C-1/MDES sur la période P2 , à la fois à l’échelle saisonnière et annuelle (Ta-

bleau 7.3).

1970-1999 2036-2065 2070-2099

20 20 20
Obs
CNCM33-1
DMIEH5C-1
15 DMIEH5C-2 15 15
DMIEH5C-3
MPEH5C-1
EGMAM2-3
10 10 10

5 5 5

0 0 0

-5 -5 -5
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.2 – Cycles saisonniers des températures observées et simulées sur le bassin amont de
la Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099)
obtenus par les chaı̂nes de simulation GCM/Analog20. Chaque courbe correspond
à la moyenne des cycles inter-annuels moyens obtenus respectivement pour chacune
des 30 réalisations de la chaı̂ne GCM/MDES considérée. Les cycles ont été lissés
sur 7 jours.

1970-1999 2036-2065 2070-2099

20 20 20
Obs
Dsclim10
Dsclim21
15 Analog20
15 15
D2gen10
D2gen22
10 D2gen32 10 10

5 5 5

0 0 0

-5 -5 -5
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.3 – Cycles saisonniers des températures observées et simulées sur le bassin amont de la
Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) obtenus
par les chaı̂nes de simulation DMIEH5C-1/MDES. Chaque courbe correspond à
la moyenne des cycles inter-annuels moyens obtenus respectivement pour chacune
des 30 réalisations de la chaı̂ne GCM/MDES considérée. Les cycles ont été lissés
sur 7 jours.

Si le signe des modifications de températures attendues est le même pour l’ensemble des
chaı̂nes de simulation GCM/MDES, l’incertitude sur l’amplitude des modifications attendues des
températures n’est pas négligeable. Nous noterons ainsi que les incertitudes liées aux MDES sur
ces changements, sont légèrement inférieures aux incertitudes liées aux GCMs. Pour illustration,
les modifications attendues de températures annuelles sur le bassin amont de SP varient sur
la période P2 de +2.1 C à +3.8 C pour les simulations GCM/Analog20 (soit une incertitude
∆Tan  1.7 C), et de +3.5 C à +4.4 C pour les chaı̂nes de simulation DMIEH5C-1/MDES (soit

161/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

une incertitude ∆Tan  0.9 C). Le rapport entre l’incertitude liée aux GCMs et aux MDES sur
les modifications attendues des températures est proche de 2 sur la période P2 à l’échelle annuelle.
Il est généralement supérieur à l’échelle saisonnière.

162/279
 1970-1990 2036-2065 2070-2099
DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs -3 2.3 11.6 4.9 4
CNCM33-1 -2.7 2.7 11.9 5.1 4.3 +0.9 +1.4 +2.9 +1.9 +1.7 +1.5 +2.2 +4.2 +2.7 +2.6
DMIEH5C-1 -3.1 2.5 11.7 4.8 4 +1.4 +1 +2.3 +2 +1.7 +3.3 +2.9 +4.9 +4 +3.8
DMIEH5C-2 -3 2.5 11.9 5 4.1 +0.9 +1.3 +2.2 +1.8 +1.6 +2.7 +2.7 +4.4 +3.7 +3.4
DMIEH5C-3 -2.8 2.6 11.8 5 4.2 +1.1 +1.4 +2.3 +1.4 +1.5 +2.5 +2.3 +4.2 +3.8 +3.2
MPEH5C-1 -3 2.4 11.9 5 4.1 +1.8 +1.4 +2.3 +2 +1.9 +3.1 +2.5 +4.6 +3.5 +3.4
EGMAM2-3 -2.7 2.8 12 5.2 4.3 +1.1 +1.1 +1.6 +1.6 +1.4 +2.2 +1.5 +2.3 +2.3 +2.1
∆TGCM s 0.4 0.4 0.3 0.4 0.3 0.9 0.4 1.3 0.6 0.5 1.8 1.4 2.6 1.7 1.7

Tableau 7.2 – Moyennes saisonnières et annuelles des températures observées et simulées par les chaı̂nes GCM/Analog20 durant la période 1970-
1999 et variation absolue des températures saisonnières et annuelles simulées sur les périodes 2036-2065 et 2070-2099 ( C). Les
températures et les dispersions saisonnières et annuelles, inter-GCMs (∆TGCM s ) sont données en  C

7.1. Modification des variables d’intérêt de la gestion

163/279

1970-1990 2036-2065 2070-2099

DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs -3 2.3 11.6 4.9 4
Dsclim10 -3.1 2.7 11.7 4.9 4 +1 +1 +2.1 +1.7 +1.5 +2.9 +2.8 +4.6 +3.8 +3.5
Dsclim21 -2.9 2.7 11.7 4.7 4 +1.5 +1.5 +2.7 +2.5 +2 +3.7 +3.6 +5.3 +4.9 +4.4
Analog20 -3.1 2.5 11.7 4.8 4 +1.4 +1 +2.3 +2 +1.7 +3.3 +2.9 +4.9 +4 +3.8
D2gen10 -2.8 2.6 11.7 5 4.3 +1.1 +0.8 +2.2 +1.8 +1.5 +2.9 +2.8 +4.5 +3.8 +3.5
D2gen22 -2.8 2.6 12 5 4.3 +1.1 +0.8 +2.1 +1.8 +1.5 +2.9 +2.7 +4.5 +3.8 +3.5
D2gen32 -2.8 2.6 12 5 4.3 +1.1 +0.8 +2.1 +1.8 +1.5 +2.9 +2.7 +4.5 +3.8 +3.5
∆TM DES 0.3 0.1 0.3 0.3 0.3 0.4 0.7 0.6 0.8 0.5 0.8 0.9 0.8 1.1 0.9

Tableau 7.3 – Moyennes saisonnières et annuelles des températures observées et simulées par les chaı̂nes DMIEH5C-1/MDES durant la période
1970-1999 et variation absolue des températures saisonnières et annuelles simulées sur les périodes 2036-2065 et 2070-2099 ( C). Les
températures et les dispersions saisonnières et annuelles, inter-MDES (∆TM DES ) sont données en  C
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

7.1.1.b. Précipitations

Les cycles saisonniers des précipitations simulées durant les périodes P0 , P1 et P2 sur le
bassin versant en amont de SP, sont illustrés respectivement Figures 7.4 et 7.5 pour les chaı̂nes
de simulation GCM/Analog20 et DMIEH5C-1/MDES. Leurs moyennes saisonnières et annuelles
sur ces périodes sont exposées respectivement dans les Tableaux 7.4 et 7.5 ainsi que sur la Figure
7.6.

1970-1999 2036-2065 2070-2099

9 9 9
Obs
CNCM33-1
8 DMIEH5C-1 8 8
DMIEH5C-2
7 DMIEH5C-3 7 7
MPEH5C-1
EGMAM2-3
6 6 6
5 5 5
4 4 4
3 3 3
2 2 2
1 1 1
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.4 – Cycles saisonniers des précipitations de bassin (mm.j
1 ) observées et simulées sur
le bassin amont de la Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et
P2 (2070-2090) obtenus par les chaı̂nes de simulation GCM/Analog20. Les cycles
ont été lissés sur 30 jours.

1970-1999 2036-2065 2070-2099

9 9 9
Obs
8 Dsclim10 8 8
Dsclim21
Analog20
7 7 7
D2gen10
D2gen22
6 6 6
D2gen32
5 5 5
4 4 4
3 3 3
2 2 2
1 1 1
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.5 – Cycles saisonniers des précipitations de bassin (mm.j
1 ) observées et simulées sur
le bassin amont de la Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et
P2 (2070-2099) obtenus par les chaı̂nes de simulation DMIEH5C-1/MDES. Les
cycles ont été lissés sur 30 jours.

Les précipitations saisonnières et annuelles sont assez bien représentées durant la période de
contrôle P0 par les différentes chaı̂nes de simulation. Notons cependant qu’il existe des imperfec-
tions durant la période estivale (i.e. juin, juillet et aôut) ainsi que durant le mois d’octobre. Les
précipitations durant ces périodes semblent plus difficiles à reproduire, quelle que soit la chaı̂ne
de simulation GCM/MDES (Figures 7.4 et 7.5).
Sur les périodes P1 et P2 , les modifications des précipitations sont très variables d’une chaı̂ne de

164/279
 7.1. Modification des variables d’intérêt de la gestion

simulation à une autre d’un part et d’une saison à l’autre d’autre part.
Notamment, durant la saison hivernale sur la période P1 , les modifications simulées à partir des
différentes chaı̂nes GCM/Analog20 ne sont pas toutes en accord sur le signe (e.g. de -10 % pour
DMIEH5C-3/Analog20 à 6.2 % pour DMIEH5C-1/Analog20). A l’échelle annuelle sur P1 , les
modifications simulées par ces chaı̂nes sont cependant plus ou moins en accord et présentent des
diminutions allant de 2 à 8 %. Un constat similaire est réalisé sur la période P2 . Pour illustration,
les modifications de précipitations hivernales varient de +1.5 % pour EGMAM2-3/Analgo20 à
+16.3 % pour DMIEH5C-1/Analog20 (Tableau 7.4).
Les modifications simulées par les chaı̂nes DMIEH5C-1/MDES sont également très variables.
Très nettement, les modifications simulées par les chaı̂nes constituées d’une MDES de la famille
D2gen, sont très différentes des autres. En particulier, nous noterons les très fortes hausses des
précipitations hivernales sur la période P2 obtenues par les chaines DMIEH5C-1/D2gen22 et
DMIEH5C-1/D2gen32 (respectivement des hausses de 42 et 48.7 % par rapport au climat de
contrôle P0 ), ainsi qu’une augmentation des précipitations durant l’été et l’automne pour les
trois paramétrisations de D2gen. A l’échelle annuelle, les simulations DMIE5CH-1/D2gen pré-
voient une hausse des précipitations a alors que les trois autres chaı̂nes envisagent au contraire
une diminution de 2 à 4 % des précipitations annelles.
Au contraire de ce qui a été constaté pour les températures, l’incertitude liée aux MDES sur
l’évolution des précipitations est comparable à celle liée aux GCMs. Du fait des écarts importants
entre les précipitations simulées par les MDES de la famille D2gen et les autres (i.e. Analog20 et
Dsclim), particulièrement sur la période P2 , l’incertitude liée aux MDES sur les modifications des
précipitations, est grande. Ces différences sont d’autant plus remarquables que les précipitations
simulées par les chaı̂nes DMIEH5C-1/D2gen peuvent présenter des évolutions opposées à celles
simulées par DMIEH5C-1/Analog20 et DMEI5HC-1/Dsclim, aussi bien à l’échelle saisonnière
qu’à l’échelle annuelle (Figure 7.6, et Tableau 7.5).
L’incertitude en terme de variabilité inter-annuelle des précipitations, exprimée sur la Figure
sur la Figure 7.7 par le coefficient de variation, est également importante. Sur cette Figure, les
coefficients de variations des précipitations annuelles et des températures annuelles sont repré-
sentés sur les périodes P0 , P1 et P2 pour les chaı̂nes de simulation GCM/Analog20 (losanges) et
DMIEH5C-1/MDES (étoiles). Quelle que soit la période considérée, la variabilité inter-annuelle
des précipitations est toujours plus importante que la variabilité inter-annuelle des températures
sur les périodes P1 et P2 . La dispersion inter-MDES de la variabilité inter-annuelle des précipi-
tations est légèrement plus importante que la dispersion inter-GCMs sur la période P1 mais est
beaucoup plus importante sur la période P2 .
En conclusion, nous avons constaté que les scénarios d’évolution des précipitations proposés par
les chaı̂nes de simulation utilisées, présentent des différences importantes, aussi bien en terme
de variabilité que de valeurs moyennes. Les incertitudes du devenir des précipitations liées aux
MDES sont du même ordre de grandeur que celles liées aux GCMs (voir même supérieure selon
les saisons). Ces différents scénarios d’évolution de précipitations devraient a priori conduire à
des scénarios d’usages et contraintes pouvant être également différents.
De plus, plusieurs simulations d’un même GCM (i.e. DMIEH5C) conduisent à des résultats

a. Cette hausse peut aller jusqu’à une augmentation de 17 % à l’échelle annuelle pour la chaı̂ne
DMIEH5C-1/D2gen32

165/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

relativement différents. L’incertitude correspondante est du même ordre de grandeur que celle
correspondant à la dispersion inter-GCMs. Par la suite, nous considérerons les différentes simu-
lations du GCM DMIEH5C comme des simulations de différents GCMs. Le terme de dispersion
inter-GCMs englobera donc les différents GCMs mais aussi les différentes simulations du GCM
DMIEH5C.

50 50
CNCM33-1
40 DMIEH5C-1
DMIEH5C-2
40
DMIEH5C-3
30 MPEH5C-1 30
EGMAM2-3
20 20
10 10
0 0
-10 -10
-20 -20
-30 -30
djf mam jja son an djf mam jja son an

50 50
Dsclim10
40 Dsclim21 40
Analog20
30 D2gen10 30
D2gen22
20 D2gen32 20
10 10
0 0
-10 -10
-20 -20
-30 -30
djf mam jja son an djf mam jja son an

Figure 7.6 – Modifications saisonnières et annuelles (%) des précipitations de bassin à l’amont
de SP durant les périodes P1 et P2 par rapport à la période de contrôle P0 .

CNCM33-1
DMIEH5C-1
DMIEH5C-2
DMIEH5C-3
0.20 0.20 0.20 MPEH5C-1
EGMAM2-3
0.18 0.18 0.18
Dsclim10
0.16 0.16 0.16 Dsclim21
Analog20
0.14 0.14 0.14 D2gen10
D2gen22
0.12 0.12 0.12 D2gen32

0.10 0.10 0.10 GCM / Analog20

DMIEH5C-1 / MDES
0.08 0.08 0.08
0.06 0.06 0.06
0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30

Figure 7.7 – Coefficients de variation des moyennes annuelles de précipitations CvP recip et des
moyennes annuelles de températures CvT emp obtenues à partir des chaines de
simulation GCM/Analog20 (losanges) et des chaı̂nes de simulation DMIEH5C-
1/MDES (étoiles) pour les périodes P1 et P2 .

166/279
 1970-1990 2036-2065 2070-2099
DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs 3.6 3.3 2.9 3.8 3.4
CNCM33-1 3.6 3.3 2.7 3.7 3.3 +5.3% -8.4% -11.7% -19.5% -8% +9.1% -16.7% -11.2% -8.9% -7%
DMIEH5C-1 3.6 3.6 2.8 3.9 3.5 +6.2% 0% -8.1% -7.6% -2% +16.3% -13.3% -11.1% -2.7% -2%
DMIEH5C-2 3.3 3.4 2.7 4 3.4 +4.1% -3.5% +0.3% -18.3% -5% +10.7% -5.4% -5.2% -26.4% -8%
DMIEH5C-3 3.7 3.5 2.8 3.8 3.5 -10.1% -3.2% -6.3% +1.4% -4% +5% -5.4% -10.8% -4.8% -4%
MPEH5C-1 3.6 3.5 2.8 4 3.5 -2.8% -4.7% -7.7% -9.5% -6% +3.8% -4.6% -13.2% -9.7% -6%
EGMAM2-3 4 3.5 2.9 4.3 3.7 +2.8% -0.7% -8.9% -6.4% -3 +1.5% +2.3% -14.4% -13% -6%

Tableau 7.4 – Moyennes saisonnières et annuelles des précipitations de bassin sur la Durance amont (Surface BV = 3584km2 ) observées et simulées
par les chaı̂nes GCM/Analog20 durant la période 1970-1999 et variation relative des précipitations de bassin saisonnières et annuelles
simulées sur les périodes 2036-2065 et 2070-2099. Les précipitations de bassin sont données en mm.j
1 .

7.1. Modification des variables d’intérêt de la gestion

167/279

1970-1990 2036-2065 2070-2099

DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs 3.6 3.3 2.9 3.8 3.4
Dsclim10 3.1 3.1 3 4 3.3 -0.5% -8% -0.4% -4.4% -3% +6.7% -24.1% +5% -2.8% -4%
Dsclim21 3.3 3 3 3.8 3.2 +8.2% +3.4% -15.9% -6% -3% +14.3% -11.1% -12.1% -2.1% -3%
Analog20 3.6 3.6 2.8 3.9 3.5 +6.2% 0% -8.1% -7.6% -2% +16.3% -13.3% -11.1% -2.7% -2%
D2gen10 3.3 3.2 2.8 4.2 3.4 +4.5% 0% +6% -5% +1% +16.9% -13.3% +16.8% +7.7% +7%
D2gen22 3.2 3.1 2.6 4 3.3 +12.3% +3.8% +4% +0.2% +5% +42% -9.8% +13% +12.2% +15%
D2gen32 3.5 3 2.5 3.8 3.2 +12.1% +6% +1.5% -2.4% +4% +48.7% -8.7% +5% +17% +17%

Tableau 7.5 – Moyennes saisonnières et annuelles des précipitations de bassin sur la Durance amont (Surface BV = 3584km2 ) observées et simulées
par les chaı̂nes DMIEH5C-1/MDES durant la période 1970-1999 et variation relative des précipitations de bassin saisonnières et
annuelles simulées sur les périodes 2036-2065 et 2070-2099. Les précipitations de bassin sont données en mm.j
1 .
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

7.1.2. Modification du débit de dotation

Pour mémoire, le débit de dotation est égal à la différence entre les prélèvements en Basse
Durance (P relev) et les volumes d’eau entrant dans le canal usinier EDF entre les retenues de
SP et Cadarache (QBV I ) (Équation 3.5). Il correspond à une demande en aval à satisfaire par
le système modélisé, si possible en permanence a .

Qdotti  max P relevti
k  QBV I ti , 0 (3.5)

Les cycles saisonniers des résultats de simulation sont exposés Figures 7.8 (chaı̂nes GCM/
Analog20) et 7.9 (chaı̂nes DMIEH5C-1/MDES). Afin de quantifier la hausse de la demande
en aval simulée, l’évolution des volumes annuels de dotation, noté VDot , a été analysée. A cet
effet, les espérances des volumes annuels de dotation EVDot et les coefficients de variation asso-
ciés CvVDot , sont présentés Tableaux 7.6 et 7.7, respectivement pour les chaı̂nes de simulation
GCM/Analog20 et DMIEH5C-1/MDES.

Une augmentation importante de la demande en eau en aval sur les périodes P1 et P2 est
simulée par l’ensemble des chaı̂nes. Pour illustration, selon la chaı̂ne GCM/Analog20 considérée
(Tableau 7.6), l’augmentation du volume annuel à fournir en aval par le système, varie entre 26
et 38 % pour la période P1 et entre 41 et 71 % pour la période P2 . De même l’augmentation
obtenue par les chaı̂nes DMIEH5C-1/MDES (Tableau 7.7) varie de 28 à 37 % sur P1 et de 71 %
à 91 % sur P2 .
L’augmentation de la demande en aval simulée peut s’expliquer par i) la hausse de l’évapo-
transpiration du fait de la hausse des températures de l’air, ii) la hausse du stress hydrique
des cultures en aval causée par l’augmentation des températures (ainsi qu’une diminution des
précipitations durant l’été pour certaines chaı̂nes de simulation) et finalement iii) la diminution
des contributions des bassins intermédiaires (QBV I ).

Nous noterons également une diminution de la variabilité des volumes de dotation annuels
sur les périodes P1 et P2 (la variabilité inter-annuelle des volumes de dotation est représentée
par un coeffictient de variation dans les Tableaux 7.6 et 7.7). Cette diminution s’explique par
la diminution de la variabilité inter-annuelle des températures (Figure 7.7) ainsi que par une
augmentation du nombre de journées pour lesquelles le seuil maximal de prélèvement est atteint
(Tableau 7.8). Pour mémoire, les prélèvements sont modélisés via l’équation 3.10 page page 61.
Dans cette équation, le terme P relvmax (fonction du dimensionnement des canaux d’irrigation)
borne les prélèvements ce qui a pour effet de limiter les volumes d’eau à fournir par le système
modélisé de SP.

a. Le modèle de prélèvement et le modèle hydrologique permettant de simuler les variables P relev et

QBV I , nécessitent des scénarios de températures et de précipitations sur le territoire en aval de la retenue
de SP. Les MDES Dsclim et D2gen, utilisées pour générer ces scénarios ont été calées sur le bassin amont
de SP. Les paramétrisations de ces dernières ne sont donc pas optimales pour ce territoire. Les résultats
obtenus de simulation sont donc à relativiser compte tenu de cette limite.

168/279
 7.1. Modification des variables d’intérêt de la gestion

1970-1999 2036-2065 2070-2099

120 CNCM33-1
120 120
DMIEH5C-1
100 DMIEH5C-2 100 100
DMIEH5C-3
MPEH5C-1
80 EGMAM2-3 80 80

60 60 60

40 40 40

20 20 20

0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.8 – Cycles saisonniers des débits de dotation simulés sur le bassin amont de la Du-
rance sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) obtenus
par les chaı̂nes de simulation GCM/Analog20. Chaque courbe correspond à la
moyenne des cycles inter-annuels moyens obtenus respectivement pour chacune
des 30 réalisations de la chaı̂ne GCM/MDES considérée. Les cycles ont été lissés
sur 7 jours.

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 EGMAM2-3 MPEH5C-1

EVDot 632 575 611 583 556 575
P0
CvVDot 0.22 0.27 0.31 0.30 0.26 0.26
EVDot 865(+36) 737(+28) 784(+28) 778(+33) 699(+26) 793(+38)
P1
CvVDot 0.18 0.25 0.23 0.22 0.22 0.21
EVDot 974(+54) 984(+71) 986(+61) 894(+53) 783(+41) 921(+60)
P2
CvVDot 0.16 0.24 0.24 0.21 0.20 0.15

Tableau 7.6 – Moyennes et coefficients de variation des volumes de dotation annuels (Mm3 )
obtenus via les scénarios GCMs désagrégés par la MDES Analog20. Les aug-
mentations relatives des volumes annuels de dotation par rapport à la période
P0 (en %) sont indiquées entre parenthèses.

Nous constatons également une augmentation de la dispersion inter-GCMs de P0 à P1 et

de P1 à P2 . Par exemple l’écart maximal entre les espérances des volumes annuels de dotation
VDot est de l’ordre de 75 M m3 sur P0 , et de 200 M m3 sur P2 a . Sur la période P0 la dispersion
inter-MDES est inférieure à la dispersion inter-GCMs. Néanmoins, elle devient comparable sur
les périodes P1 et P2 .

a. VDot  632 M m3 pour CNCM33-1 et 556 M m3 pour EGMAM2-3 sur la période P0 et VDot 
986 M m3 pour DMIEH5C-2 et 783 M m3 pour EGMAM2-3 sur la période P2 .

169/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

1970-1999 2036-2065 2070-2099

120 120 120
Dsclim10
Dsclim21
100 Analog20 100 100
D2gen10
80 D2gen22 80 80
D2gen32

60 60 60

40 40 40

20 20 20

0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.9 – Cycles saisonniers des débits de dotation simulés sur le bassin amont de la Durance
sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) obtenus par
les chaı̂nes de simulation DMIEH5C-1/MDES. Chaque courbe correspond à la
moyenne des cycles inter-annuels moyens obtenus respectivement pour chacune
des 30 réalisations de la chaı̂ne GCM/MDES considérée. Les cycles ont été lissés
sur 7 jours.

Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32

EVDot 602 612 575 594 599 612
P0
CvVDot 0.31 0.28 0.27 0.29 0.28 0.28
EVDot 786(+31) 838(+37) 737(+28) 796(+34) 780(+30) 788(+29)
P1
CvVDot 0.29 0.27 0.25 0.25 0.24 0.24
EVDot 1054(+75) 1169(+91) 984(+71) 1120(+89) 1064(+78) 1059(+73)
P2
CvVDot 0.27 0.27 0.24 0.21 0.21 0.19

Tableau 7.7 – Moyennes et coefficients de variation des volumes de dotation annuels (Mm3 )
obtenus via le scénario GCM DMIEH5C-1 désagrégé par les MDES considérées.
Les augmentations relatives des volumes annuels de dotation par rapport à la
période P0 (en %) sont indiquées entre parenthèses.

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 EGMAM2-3 MPEH5C-1

P0 1% 1% 1% 1% 1% 1%
P1 5% 3% 2% 3% 3% 3%
P2 8% 9% 7% 7% 7% 7%
(a)

Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32

P0 1% 1% 1% 1% 1% 1%
P1 5% 5% 3% 3% 3% 3%
P2 8% 8% 9% 9% 9% 9%
(b)

Tableau 7.8 – Augmentation de la fréquence des journées durant les mois de juillet et août
pour lesquelles les prélèvements atteignent la valeur seuil P relvmax . (a) Chaı̂nes
de simulation GCM/Analog20 (b) Chaı̂nes de simulation DMIEH5C-1/MDES.

170/279
 7.1. Modification des variables d’intérêt de la gestion

7.1.3. Modification des consommations électriques

Les consommations électriques simulées sur les périodes P1 et P2 conditionne l’intérêt à tur-
biner du système modélisé de SP. Cette section présente leur évolution ainsi que les incertitudes
associées.
Les consommations électriques sont estimées via le modèle de consommations électriques décrit
en annexe A.4. L’évolution des consommations électriques simulées ne dépend que des modifica-
tions des températures de l’air. En terme de dispersions inter-GCMs et inter-MDES, les résultats
obtenus sont de fait très semblables à ceux constatés section 7.1.1.a pour les températures.

Les cycles saisonniers des consommations électriques simulées, nécessaires au calcul de l’inté-
rêt à produire de l’énergie, sont présentés Figures 7.10 (chaı̂nes de simulation GCM/Analog20)
et 7.11 (chaı̂nes de simulation DMIEH5C-1/MDES).

1970-1999 2036-2065 2070-2099

56 56 56
54 54 54
52 52 52
50 50 50
48 48 48
46 46 46
44 CNCM33-1
44 44
DMIEH5C-1
42 DMIEH5C-2
42 42
40 DMIEH5C-3
MPEH5C-1
40 40
38 EGMAM2-3
SimObs
38 38
36 36 36
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.10 – Cycles saisonniers des consommations électriques simulées sur le bassin amont
de la Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099)
obtenus par les chaı̂nes de simulation Analog20/MDES. Les cycles ont été lissés
sur 7 jours.

1970-1999 2036-2065 2070-2099

56 56 56
54 54 54
52 52 52
50 50 50
48 48 48
46 46 46
Dsclim10
44 Dsclim21
44 44
42 Analog20 42 42
D2gen10
40 D2gen22 40 40
D2gen32
38 SimObs
38 38
36 36 36
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.11 – Cycles saisonniers des consommations électriques simulées sur le bassin amont
de la Durance sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099)
obtenus par les chaı̂nes de simulation DMIEH5C-1/MDES. Les cycles ont été
lissés sur 7 jours.

Du fait de l’augmentation des températures en climat futur, les consommations électriques

simulées diminuent sur les périodes P1 et P2 . Les modifications saisonnières et annuelles des

171/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

consommations électriques sont très liées aux modifications de températures présentées section
7.1.1.a.

Nous noterons cependant pour l’ensemble des chaı̂nes de simulation GCM/MDES considé-
rées, une augmentation en durée de la période durant laquelle les consommations électriques sont
constantes, i.e. la période durant laquelle la température est au dessus du seuil d’influence sur
les consommations électriques ce qui résulte encore une fois de l’augmentation des températures.
L’utilisation de ces scénarios de consommations électriques permettra a minima d’intégrer une
diminution de la saisonnalité de l’intérêt à produire de l’énergie pour le système modélisé de SP.

Une expérience possible aurait été d’intégrer un processus d’augmentation de la consom-

mation électrique lors des journées très chaudes, compte tenu d’une possible augmentation des
appareils de climatisation. Un tel exercice a été réalisé pour le système simplifié évoqué dans l’ar-
ticle actuellement en révision François et al. [2013], en annexe de ce manuscrit de thèse (annexe
A.1).

172/279
 1970-1990 2036-2065 2070-2099
DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs 53 46 38 44 45
CNCM33-1 53 46 38 44 45 -2.1% -3% -0.8% -2.8% -0.2% -3.6% -5.2% -1.2% -4.2% -3.6%
DMIEH5C-1 53 46 38 44 45 -3.3% -2.5% -1% -4% -0.3% -7.7% -6.3% -1.4% -6.9% -5.8%
DMIEH5C-2 53 46 38 44 45 -2.3% -2.8% -1% -4% -0.3% -6.1% -5.8% -1.3% -6.3% -5.1%
DMIEH5C-3 53 46 38 44 45 -2.3% -3.1% -1% -2.5% -0/2% -5.7% -5.2% -1.4% -6.5% -4.8%
MPEH5C-1 53 46 38 44 45 -4% -3.4% -1% -3.7% -0.3% -7.1% -5.5% -1.4% -5.9% -5.1%
EGMAM2-3 52 46 38 44 45 -2.7% -2.6% -0.8% -3.2% -0.2% -5.2% -3.6% -0.9% -4.2% -3.6%

Tableau 7.9 – Moyennes saisonnières et annuelles des consommations électriques France observées et simulées par les chaı̂nes GCM/Analog20
durant la période 1970-1999 et variation relative des consommations électriques saisonnières et annuelles simulées sur les périodes
2036-2065 et 2070-2099. Les consommations électriques sont données en 103 M W

7.1. Modification des variables d’intérêt de la gestion

173/279

1970-1990 2036-2065 2070-2099

DJF MAM JJA SON AN DJF MAM JJA SON AN DJF MAM JJA SON AN
Obs 53 46 38 44 45
Dsclim10 53 46 38 44 45 -2.3% -2.6% -0.8% -3.3% -2.3% -6.6% -6.4% -1.2% -6.6% -5.4%
Dsclim21 53 46 38 44 45 -3.1% -3.4% -1% -4.5% -3% -8% -6.3% -1.4% -6.7% -6.5%
Analog20 53 46 38 44 45 -3.3% -2.5% -1% -4% -2.7% -4.4% -5.2% -1.4% -6/2% -5.8%
D2gen10 53 46 38 44 45 -1.5% -2.3% -0.9% -3.6% -2.1% -4.4% -5.2% -1.4% 6.2% -4.4%
D2gen22 53 46 38 44 45 -1.5% -2.3% -1% -3.6% -2.1% -4.4% -5.1% -1.4% -6.1% -4.3%
D2gen32 53 46 38 44 45 -1.5% -2.3% -1% -3.6% -2.1% -4.4% -5.1% -1.4% -6.2% -4.4%

Tableau 7.10 – Moyennes saisonnières et annuelles des consommations électriques France observées et simulées par les chaı̂nes DMIEH5C-1/MDES
durant la période 1970-1999 et variation relative des consommations électriques saisonnières et annuelles simulées sur les périodes
2036-2065 et 2070-2099. Les consommations électriques sont données en 103 M W
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

7.1.4. Modification des apports au réservoir

Pour mémoire, les apports au système modélisé de SP sont simulés via le modèle hydrologique
Cequeau. Les scénarios de températures et de précipitations, nécessaires à ces simulations ont
été présentés respectivement sections 7.1.1.a et 7.1.1.b. Les cycles saisonniers de ces apports sont
exposés Figures 7.12 et 7.13.

Les évolutions sur les périodes P1 et P2 des espérances des apports annuels notées EQ , ainsi
que des coefficients de variation associés notés CvQ , sont exposés Tableaux 7.11 et 7.12.
Afin de quantifier l’amplitude de la saisonnalité des apports à l’entrée du système modélisé de
SP, nous définissons un critère annuel δQm, comme étant l’écart entre les deux extrema des
apports mensuels (Équation 7.1).

δQmn  pQmax
n
Qmin
n q (7.1)

avec Qmax
n et Qmin
n respectivement les apports mensuels maximaux et minimaux simulés lors
d’une année n.
Les espérances de δQm notées EδQm et les coefficients de variation associés (CvδQm ) sont éga-
lement exposés Tableaux 7.11 et 7.12.

1970-1999 2036-2065 2070-2099

300 300 300
CNCM33-1
DMIEH5C-1
DMIEH5C-2
250 250 250 DMIEH5C-3
MPEH5C-1
EGMAM2-3
200 200 200 Sim-Obs

150 150 150

100 100 100

50 50 50

0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.12 – Cycles saisonniers des débits simulés à l’entrée du réservoir de SP sur les périodes
P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) obtenus par les chaı̂nes de
simulation GCM/Analog20

Sur la période P0 , les cycles saisonniers des apports au réservoir obtenus par les chaı̂nes de
simulation (courbes de couleurs Figures 7.12 et 7.13) sont relativement proches de celui simulé
avec les forçages météorologiques observés (courbe noire Figures 7.12 et 7.13). Cependant, les
séries d’apports simulés par les différentes chaı̂nes présentent cependant des caractéristiques
différentes, à la fois en terme de module annuel et de variabilité saisonnière(Tableaux 7.11 et
7.12). Les dispersions inter-GCMs et inter-MDES sont du même ordre de grandeur sur cette
période quels que soit les critères. Néanmoins, les apports simulés par la chaı̂ne EGMAM2-
3/Analog20 sont largement supérieurs à ceux des autres chaı̂nes considérées. Les résultats obtenus
avec cette chaı̂ne en climat futur seront donc à considérer avec précaution.

174/279
 7.1. Modification des variables d’intérêt de la gestion

1970-1999 2036-2065 2070-2099

300 300 300
Dsclim10
Dsclim21
250 250 250 Analog20
D2gen10
D2gen22
200 200 200 D2gen32
Sim-Obs
150 150 150

100 100 100

50 50 50

0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FM AM J J A S O N D

Figure 7.13 – Cycles saisonniers des débits simulés à l’entrée du réservoir de SP sur les périodes
P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) obtenus par les chaı̂nes de
simulation DMIEH5C-1/MDES

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 EGMAM2-3 MPEH5C-1

EQ 84.8 89.5 86.8 89.1 99.1 88.2

CvQ 0.21 0.18 0.24 0.19 0.16 0.17
P0
EδQm 180 193 187 193 202 190
CvδQm 0.3 0.31 0.32 0.32 0.27 0.34
EQ 71.7 83.7 75.2 78.6 91.2 78.0
CvQ 0.23 0.21 0.21 0.21 0.2 0.2
P1
EδQm 146 176 161 165 186 157
CvδQm 0.33 0.38 0.34 0.34 0.35 0.35
EQ 67.7 78.6 66.7 75.9 85.5 75.3
CvQ 0.2 0.27 0.28 0.24 0.17 0.17
P2
EδQm 126 145 143 148 168 149
CvδQm 0.35 0.46 0.46 0.36 0.31 0.29

Tableau 7.11 – Caractéristiques des simulations d’apports GCM/Analog20 ; EQ l’espérance des

débits annuels ; CvQ le coefficient de variation du débit annuel moyen ; δQm
l’écart moyen entre les extrema des apports mensuels, CvδQm le coefficient de
variation du δQm. Les valeurs minimales et maximales de chaque critère sont
indiquées en gras.

175/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32

EQ 82.0 81.8 89.5 84.7 81.5 83.6
CvQ 0.18 0.19 0.18 0.20 0.21 0.23
P0
EδQm 190 186 193 178 172 181
CvδQm 0.31 0.37 0.31 0.33 0.33 0.36
EQ 73.4 74.9 83.7 80.7 83.3 87.6
CvQ 0.23 0.25 0.21 0.26 0.23 0.25
P1
EδQm 162 167 176 171 177 190
CvδQm 0.41 0.43 0.38 0.4 0.38 0.37
EQ 63.7 66.9 78.6 80.7 91.8 107.3
CvQ 0.31 0.35 0.27 0.31 0.33 0.33
P2
EδQm 123 132 145 150 175 219
CvδQm 0.51 0.52 0.46 0.51 0.52 0.50

Tableau 7.12 – Caractéristiques des simulations d’apports DMIEH5C-1/MDES ; EδQm l’espé-

rance des débits annuels ; CvQ le coefficient de variation du débit annuel moyen ;
δQm l’écart moyen entre les extrema des apports mensuels, CvδQm le coefficient
de variation du δQm. Les valeurs maximales et minimales de chaque critère sont
indiquées en gras.

Pour l’ensemble des chaı̂nes de simulation, les modifications des précipitations et des tempé-
ratures simulées sur le bassin versant en amont du système de SP, entraı̂nent des modifications
importantes du régime des apports simulés. En particulier, la hausse des températures durant
le printemps entraine une fonte précoce du manteau neigeux et par suite, une avancée du pic
de crue printanier. Localisé début juin durant la période P0 , le pic de crue printanier est en
moyenne avancé à la première quinzaine du mois de mai sur la période P2 (Figures 7.12 et 7.13).
De même durant l’automne et sur la période P2 , la diminution des précipitations constatée pour
plusieurs chaı̂nes de simulation GCM/MDES, entraı̂ne une forte réduction de la fréquence des
crues qui de fait, disparaissent des hydrogrammes moyens (Figures 7.12 et 7.13).

Les simulations d’apports sur les périodes P1 et P2 , réalisées à partir des chaı̂nes de simu-
lation GCM/Analog20 (Figure 7.12), présentent des hétérogénéités importantes selon le critère
considéré (Tableau 7.11). Par exemple, la chaı̂ne CNCM33-1/Analog20 engendre des débits géné-
ralement faibles vis-à-vis des autres chaı̂nes de simulation (courbes bleues Figure 7.12). Seule la
chaı̂ne de simulation DMIEH5C-2/Analog20 présente une espérance d’apports annuels similaire à
celle obtenue avec la chaı̂ne CNCM33-1/Analog20 sur la période P2 (66.7m3 /s pour DMIEH5C-
2 et 67.7m3 /s pour CNCM33-1). Cependant, la variabilité des apports inter-annuels obtenus
avec DMIEH5C-2/Analog20 est plus importante que celle résultant de la chaı̂ne CNCM33-
1/Analog20 (respectivement CvQ  0.28 et 0.20). La saisonnalité des apports simulés par la
chaı̂ne DMIEH5C-2/Analog20 est également plus marquée (EδQm 126 m3 /s et 143m3 /s respec-
tivement pour CNCM33-1/Analog20 et DMIEH5C-2/Analog20) mais néanmoins plus variable
(CvδQm  0.46 pour DMIEH5C-2/Analog20 contre 0.35 pour CNCM33-1/Analog20).
Des analyses similaires peuvent être réalisées pour d’autres couples de chaı̂nes de simulation.
Deux ensembles de 30 réalisations, issus de deux chaı̂nes de simulation différentes peuvent pré-
senter des caractéristiques similaires (e.g espérance des apports annuels) mais être très différentes

176/279
 7.1. Modification des variables d’intérêt de la gestion

selon un autre critère (e.g. variabilité inter-annelle des apports annuels). Ces différences résultent
de combinaisons non linéaires des scénarios de précipitations et de températures aux caractéris-
tiques bien distinctes selon les chaı̂nes de simulation (section 7.1.1).

Il en est de même pour les chaı̂nes de simulation DMIEH5C-1/MDES. Nous noterons en

particulier les résultats obtenus via la famille D2gen (courbes de couleur turquoise, violette et or
Figure 7.13). En effet, les simulations DMIEH5C-1/D2gen22 et DMIEH5C-1/D2gen32 présentent
une augmentation d’apports moyens sur les périodes P1 et P2 . Ces augmentations résultent en
partie de l’augmentation importante des précipitations hivernales (Figure 7.5), qui n’étant pas
stockées sous forme de neige à cause de la hausse des températures à cette saison, engendrent
des crues pouvant être très importantes à cette saison (Figure 7.13).
De manière générale, les coefficients de variations des moyennes et de la saisonnalité des ap-
ports simulés par la méthode Analog20 sont les plus faibles constatés, en particulier pour les
périodes futures. Les MDES Dsclim présentent des variabilités élevées en climat futur alors que
les moyennes des apports sont très inférieures à celles obtenues via les autres MDES.

Les incertitudes sur le devenir des apports en climat futur sont de fait plus importantes
que celles obtenues pour les températures. Elles s’expliquent essentiellement par les dispersions
inter-GCMs et inter-MDES des précipitations. Des phénomènes non linéaires, couplant à la fois
les modifications des précipitations et des températures en climat futur peuvent augmenter par
ailleurs ces incertitudes (e.g. effet de la neige, Lafaysse [2011]). Sur la période P2 les importantes
crues hivernales obtenues via les MDES D2gen amènent l’incertitude à fine échelle (i.e. inter-
MDES) à être plus importante que l’incertitude à grande échelle (i.e. inter-GCMs), ce qui n’était
pas le cas durant la période de contrôle P0 .

7.1.5. Conclusion partielle

Durant cette section, l’impact du changement climatique sur les variables d’intérêt de la ges-
tion a été évalué à partir de la série d’expériences présentée dans le Tableau 7.1. La synthèse de
cet exercice peut être réalisée à deux niveaux :

Impacts du changement climatique :

Les températures devraient augmenter sur le siècle à venir. Certains scénarios présentent
d’ailleurs jusqu’à 4 C d’augmentation à l’échelle annuelle. Celle-ci n’est cependant pas
homogène sur l’année : une hausse plus importante est attendue durant la saison estivale.
La distribution saisonnière des précipitations devraient être largement modifiée. En par-
ticulier, les précipitations hivernales augmenteraient alors qu’une diminution est attendue
pour les autres saisons.
L’augmentation conjointe des précipitations et des températures durant l’hiver provoque-
rait une diminution du stockage naturel sur le bassin versant sous forme de neige, et
entraı̂nerait par suite une augmentation des débits à cette période d’une part et une dimi-
nution des débits printaniers dus à la fonte d’autre part. Cela impliquerait une saisonnalité
des apports moins marquée. De plus, l’augmentation attendue des températures avancerait

177/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

l’onde de fonte dans l’année (fonte plus précoce du manteau neigeux sur le bassin) de dix
à vingt jours en moyenne sur la période P1 et jusqu’à 1 mois sur la période P2 .
Le débit de dotation à fournir en aval pourrait augmenter du fait de l’augmentation des
températures et de la diminution des précipitations durant le printemps et l’été.
Les consommations électriques simulées seraient amenées, elles aussi, à diminuer.

Incertitudes liées aux modèles :

Derrière ce constat plutôt général se cachent de nombreuses incertitudes qui se révèlent
être à deux niveaux différents : les incertitudes liées aux GCMs et les incertitudes liées
aux MDES.
Durant la période de contrôle P0 , les deux types d’incertitudes ont des niveaux très compa-
rables. Sur les périodes P1 et P2 , ces deux sources d’incertitudes conduisent à des scénarios
de forçages météorologiques futurs pouvant être très différents, particulièrement concer-
nant les modifications des précipitations. Pour ces dernières, ces deux sources d’incertitudes
sont d’amplitudes très distinctes et les modifications obtenues sont parfois même de signes
opposés, à la fois à l’échelle saisonnière et annuelle.
Ces scénarios de forçages météorologiques régissent l’évolution des usages simulés(e.g. les
consommations électriques, la demande en eau en aval du système) et des débits simulés.
Nous avons constaté que les dispersions inter-GCMs et inter-MDES étaient pour certaines
variables, très importantes sur les périodes P1 et P2 (e.g. précipitations, débits). En climat
de contrôle P0 , toutes ces chaı̂nes de simulation présentent des performances très similaires.
Il nous est donc impossible d’en choisir une en particulier pour la suite des analyses. C’est
pourquoi il est nécessaire de considérer tous les scénarios de forçages météorologiques, afin
de prendre en compte ces incertitudes.

Les modifications des forçages météorologiques devraient impacter le fonctionnement du sys-

tème modélisé de SP et donc sa performance. Au delà des modifications probables de la perfor-
mance estimée dans un contexte de changement climatique, nous allons chercher à évaluer les
incertitudes liées aux GCMs et aux MDES sur cette estimation de performance. Ce travail est
réalisé section 7.2.

7.2. Modification de la performance

estimée et incertitudes
L’évolution de la performance du système modélisé de SP est ici estimée à l’aide des simu-
lations de la gestion via le modèle AC. En particulier, les signatures de stock moyennes sont
présentées section 7.2.1 et les critères quantitatifs de performance section 7.2.2.

7.2.1. Signatures de stock moyennes

Les signatures de stock moyennes sont exposées Figures 7.14 et 7.15 pour les périodes P0 , P1
et P2 , respectivement pour les chaı̂nes de simulation GCM/Analog20 et DMIEH5C-1/MDES.

178/279
 7.2. Modification de la performance estimée et incertitudes

Celles-ci sont fortement impactées par le changement climatique. En particulier, les déstockages
estivaux augmentent sur les périodes P1 et P2 , et les déstockages hivernaux diminuent. Les
premiers, particulièrement importants sur la période P2 , résultent à la fois de l’augmentation
du débit de dotation (Figures 7.8 et 7.9) et de la diminution des apports estivaux (Figures 7.12
et 7.13). La diminution des déstockages hivernaux résulte de l’augmentation des apports durant
l’hiver mais surtout de la diminution du stockage hivernal sur le bassin sous forme de neige,
et donc de la diminution du volume d’apport printanier. En effet, la diminution des apports au
printemps ne permet pas de vider autant le réservoir durant l’hiver tout en garantissant l’objectif
de cote touristique au 1er juillet.

1000 1000 1000

800 800 800

600 600 600

400 CNCM33-1 400 400

DMIEH5C-1
DMIEH5C-2
200 DMIEH5C-3 200 200
MPEH5C-1
EGMAM2-3
0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FMAM J J A S OND

Figure 7.14 – Signatures de stock moyennes obtenues sur les périodes P0 (1970-1999), P1 (2036-
2065) et P2 (2070-2099) par les chaı̂nes de simulation GCM/Analog20 via le
modèle AC.

1000 1000 1000

800 800 800

600 600 600

Dsclim10
400 Dsclim21 400 400
Analog20
D2gen10
200 D2gen22
200 200
D2gen32
0 0 0
J FM AM J J A S O N D J FMAM J J A S O N D J FMAM J J A S OND

Figure 7.15 – Signatures de stock moyennes obtenues sur les périodes P0 (1970-1999), P1 (2036-
2065) et P2 (2070-2099) par les chaı̂nes de simulation DMIEH5C-1/MDES via le
modèle AC.

Les incertitudes liées aux GCMs et aux MDES sur l’évaluation des signatures de stock
moyennes sont de niveaux comparables mais présentent néanmoins quelques singularités :

Incertitudes liées aux chaı̂nes GCM/Analog20 :

Sur la période P1 , la signature de stock moyenne estimée à partir de la chaine de simu-
lation CNCM33-1/Analog20 présente, vis-à-vis des autres signatures GCM/Analog20, un
déstockage important durant la période estivale (Figure 7.14). Cette différence résulte de

179/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

la combinaison entre i) de très faibles apports entrant dans le système à cette période de
l’année (courbe bleue Figure 7.12), et ii) d’un volume à fournir en aval du système de SP
important (i.e. 865 Mm3 en moyenne inter-annuelle, Tableau 7.6).
Sur la période P2 , la signature de stock moyenne estimée à partir de la chaı̂ne de simulation
EGMAM2-3/Analog20 ne présente pas de déstockages aussi significatifs que ceux obtenus
par les autres chaı̂nes de simulation GCM/Analog20. Ici, la raison de ce faible déstockage
moyen est diamétralement opposée au cas précédent (comme indiqué précédemment, les
apports simulés par cette chaı̂ne restent importants même en climat futurs (Figure 7.12
et Tableau 7.11). Cette chaı̂ne de simulation présente de plus un volume annuel moyen de
dotation VDot limité (i.e. 783 Mm3 , Tableau 7.6)).

Incertitudes liées aux chaı̂nes DMIEH5C-1/MDES :

La signature de stock moyenne estimée à partir de la chaı̂ne de simulation DMIEH5C-
1/Dsclim21 présente la particularité de ne pas atteindre l’objectif de cote au 1er juillet.
Cette apparente non satisfaction moyenne de l’objectif de cote résulte en fait de certaines
années ou le niveau de remplissage du système au 1er juillet est très éloigné de l’objectif.
Cette configuration se présente par exemple lorsque une année particulièrement sèche
en précède une autre. En d’autres termes, la satisfaction des besoins en eau une année
donnée peut d’ores et déjà condamner la satisfaction de la côte touristique et parfois
même la satisfaction des besoins en eau estivaux de l’année suivante. Pour illustration,
la trajectoire de réserve d’une réalisation particulière (courbe bleue) est présentée Figure
7.16 du 1er juillet 2090 au 1er juillet 2098. Sur cette figure, nous pouvons observer que le
niveau de remplissage du réservoir à la fin de la période estivale de l’année 2092, est déjà
inférieur à la courbe guide de remplissage (courbe rouge).

1200
Stock
Vlim
1000 Q

800

600

400

200

0
01-07-90 01-07-91 01-07-92 01-07-93 01-07-94 01-07-95 01-07-96 01-07-97

Figure 7.16 – Trajectoire de réserve simulée (bleu), courbe guide de remplissage (rouge) et ap-
ports entrant dans le système (noir) du 01 juillet 2090 au 1 juillet 2098. Ces trajec-
toires ont été obtenues pour une réalisation de la chaı̂ne DMIEH5C-1/Dsclim21.
Cet exemple illustre la configuration durant laquelle il est impossible au modèle
AC de garantir une année donnée, l’objectif de remplissage. La trajectoire de
réserve et la courbe de remplissage sont présentées en M m3 , les apports en m3 /s

Cette configuration particulière peut également être obtenue par d’autres chaı̂nes de si-
mulation que la chaı̂ne DMIEH5C-1/Dsclim21. Cependant, la fréquence plus ou moins

180/279
 7.2. Modification de la performance estimée et incertitudes

importante de cette configuration pour cette chaı̂ne de simulation engendre ce type de

modification de la signature de stock moyenne. Cette chaı̂ne présente en effet une dimi-
nution significative des précipitations durant la saison JJA (-12.1 %, Tableau 7.5) ainsi
que des anomalies de températures élevées durant les saisons JJA et SON (respectivement
+5.3 C et +4.9 C, Tableau 7.3), ce qui la rend particulièrement vulnérable à ce type de
situation.
Également, la dispersion inter-MDES des amplitudes des déstockages estivaux augmente
en climat futur mais reste inférieur à la dispersion inter-GCMs sur cette période.

7.2.2. Évaluation des critères de performance

Les moyennes des critères de performance sont exposées dans les Tableaux 7.13 et 7.14, res-
pectivement pour les chaı̂nes de simulation GCM/Analog20 et DMIEH5C-1/MDES. Les critères
de fiabilité (F ia) et de vulnérabilité (V ulM et V ulH ) relatifs à la satisfaction du débit de dota-
tion ne sont pas présentés. Étant l’objectif prioritaire, cet objectif est satisfait dans la plupart
des configurations. En effet, seules les situations similaires à celle illustrée Figure 7.16 peuvent
conduire à ne pas satisfaire ce débit. Comme expliqué précédemment cela concerne peu de si-
mulations et uniquement le GCM DMIEH5C-1. La fiabilité relative à la satisfaction du débit de
dotation n’est cependant jamais inférieure à 99 %. Ainsi, seuls les critères de fiabilité (F ia) et
de vulnérabilité (V ulM et V ulH ) relatifs à la satisfaction de la cote touristique, sont présentés
dans les Tableaux 7.13 et 7.14. Aussi, les indicateurs de revenus GHEP et de déversements VDev
seront discutés.

Nous pouvons constater de fortes hétérogénéités sur les estimations des moyennes de critères
de performance. D’une manière générale, les fiabilités, les indices de revenus et les volumes dé-
versés sont amenés à diminuer, les vulnérabilités à augmenter.

Concernant l’incertitude liée aux GCMs : les forçages météorologiques simulés par la chaı̂ne
EGMAM2-3/Analog20 sont très favorables à une performance du système modélisé élevée (i.e.
une forte fiabilité même durant la période P2 , des vulnérabilités très limitées, un indice de revenus
élevé). Cette chaı̂ne de simulation contribue beaucoup à l’incertitude liée aux GCMs, mais comme
nous l’avons évoqué, les résultats obtenus par cette chaı̂ne sont sujet à discussion au regard des
volumes d’apports annuels moyens très élevés sur la période P0 (Tableau 7.11). Au contraire,
les forçages météorologiques relatifs aux scénarios issus des chaı̂nes de simulation CNCM33-
1/Analog20, DMIEH5C-2/Analog20 et DMIEH5C-3/Analog20 ne permettent pas a priori au
modèle de gestion AC d’atteindre une performance moyenne aussi élevée. Pour les scénarios
CNCM33-1/Analog20 et DMIEH5C-2/Analog20 par exemple, les mauvais scores de performance
résultent d’une diminution importante des apports sur les périodes P1 et P2 (Tableau 7.11) ainsi
qu’à une forte augmentation du débit de dotation durant ces périodes (Tableau 7.6).

181/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

F ia V ulM V ulH GHEP VDev

P0 P1 P2 P0 P1 P2 P0 P1 P2 P0 P1 P2 P0 P1 P2
CNCM33-1 96 51 30 56 325 434 23 85 118 3.8 3.1 2.9 50 1 0
DMIEH5C-1 97 77 36 92 221 527 40 63 138 4 3.6 3.2 92 12 1
DMIEH5C-2 92 75 39 119 281 789 43 74 159 3.9 3.3 2.8 77 5 0
DMIEH5C-3 95 76 47 193 253 530 78 61 111 4 3.5 3.2 82 2 0
MPEH5C-1 95 75 41 95 201 382 39 55 88 4 3.4 3.2 102 1 0
EGMAM2-3 99 93 76 16 111 170 9 37 48 4.4 4 3.7 140 5 1

Tableau 7.13 – Estimation des moyennes des critères de performance sur les périodes P0 , P1
et P2 à partir des chaı̂nes de simulation GCM/Analog20 : F ia (%), V ulM
(M m3 ), V ulH (M m3 ), GHEP (1015 U.M ) et VDev (M m3 ). Pour chaque critère
de performance et pour chaque période, les meilleurs scores sont colorés en vert,
les moins bons en bleu.

F ia V ulM V ulH GHEP VDev

P0 P1 P2 P0 P1 P2 P0 P1 P2 P0 P1 P2 P0 P1 P2
Dsclim10 96 73 33 200 359 898 89 89 209 3.6 3.1 2.5 69 54 1
Dsclim21 96 61 25 148 339 971 65 93 281 3.6 3.2 2.6 107 32 0
Analog20 97 77 36 92 221 527 40 63 138 4 3.6 3.2 92 12 1
D2gen10 95 73 28 186 293 809 85 86 178 3.7 3.4 3.2 76 12 3
D2gen22 94 73 35 186 347 650 69 94 157 3.6 3.6 3.6 58 17 56
D2gen32 94 72 38 185 337 675 64 96 148 3.6 3.6 3.9 72 46 88

Tableau 7.14 – Estimation des moyennes des critères de performance sur les périodes P0 , P1
et P2 à partir des chaı̂nes de simulation DMIEH5C-1/MDES : F ia (%), V ulM
(M m3 ), V ulH (M m3 ), GHEP (1015 U.M ) et VDev (M m3 ). Pour chaque critère
de performance et pour chaque période, les meilleurs scores sont colorés en vert,
les moins bons en bleu.

Concernant les incertitudes liées aux MDES, les moyennes des critères de performance ob-
tenues à partir des chaı̂nes de simulation DMIEH5C-1/MDES sont exposées dans le Tableau
7.14. Tout comme ce qui a été constaté pour les simulations GCMs, les forçages météorologiques
obtenus par certaines MDES ne permettent pas a priori une performance élevée du système
de gestion modélisé. Nous observons par exemple une performance relativement faible pour les
MDES de la famille Dsclim (i.e. de fortes valeurs de vulnérabilité ainsi que de faibles indices de
revenus).
Les MDES D2gen22 et D2gen32 sont les seules à conserver des indices de revenus GHEP élevés
durant les périodes P1 et P2 (l’indice de revenus obtenu via D2gen32 augmente d’ailleurs durant
la période P2 ). Ces fortes valeurs s’expliquent par des apports très conséquents durant l’hiver
(Figure 7.13), période pour laquelle l’intérêt à produire de l’énergie est élevé. La contrepartie de
ces importants revenus est une augmentation des volumes déversés durant la période P2 .
La MDES Analog20 présente, pour une grande majorité des critères de performance, les meilleurs
scores moyens vis-à-vis des autres MDES.

182/279
 7.2. Modification de la performance estimée et incertitudes

1.0 1.0 1.0

0.9 0.9 0.9
0.8 CNCM33-1 0.8 0.8
Fiabilité

DMIEH5C-1
0.7 DMIEH5C-2 0.7 0.7
0.6 DMIEH5C-3 0.6 0.6
0.5 MPEH5C-1 0.5 0.5
0.4 EGMAM2-3 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
(Hashimoto)
Vulnérabilité

0.7 0.7 0.7

0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 50 100 150 200 250 300 0 50 100 150 200 250 300 0 50 100 150 200 250 300

1.0 1.0 1.0

0.9 0.9 0.9
Vulnérabilité

0.8 0.8 0.8

0.7 0.7 0.7
(Moy)

0.6 0.6 0.6

0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 200 400 600 800 1000 0 200 400 600 800 1000 0 200 400 600 800 1000

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
GHEP

0.6 0.6 0.6

0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
2.5 3.0 3.5 4.0 4.5 2.5 3.0 3.5 4.0 4.5 2.5 3.0 3.5 4.0 4.5

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
QDev

0.7 0.7 0.7

0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 50 100 150200 250 300 350 400 450 0 50 100 150 200 250 300 350 400 450 0 50 100 150 200 250 300 350 400 450

Figure 7.17 – Fonction de distribution des critères de performance estimés sur les périodes
P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) par les chaı̂nes de simulation
GCM/Analog20 via le modèle AC.

183/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

1.0 1.0 1.0

0.9 Dsclim10 0.9 0.9
0.8 Dsclim21 0.8 0.8
Fiabilité

0.7 Analog20 0.7 0.7

0.6 D2gen10 0.6 0.6
D2gen22
0.5 D2gen32
0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100

1.0 1.0 1.0

0.9 0.9 0.9
(Hashimoto)
Vulnérabilité

0.8 0.8 0.8

0.7 0.7 0.7
0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 50 100 150 200 250 300 0 50 100 150 200 250 300 0 50 100 150 200 250 300

1.0 1.0 1.0

0.9 0.9 0.9
Vulnérabilité

0.8 0.8 0.8

0.7 0.7 0.7
(Moy)

0.6 0.6 0.6

0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 200 400 600 800 1000 0 200 400 600 800 1000 0 200 400 600 800 1000

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
GHEP

0.6 0.6 0.6

0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
2.5 3.0 3.5 4.0 4.5 2.5 3.0 3.5 4.0 4.5 2.5 3.0 3.5 4.0 4.5

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
QDev

0.6 0.6 0.6

0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 50 100 150200 250 300 350 400 450 0 50 100 150 200 250 300 350 400 450 0 50 100 150 200 250 300 350 400 450

Figure 7.18 – Fonction de distribution des critères de performance estimés sur les périodes
P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) par les chaı̂nes de simulation
DMIEH5C-1/MDES via le modèle AC.

184/279
 7.3. Significativité des changements

Comme nous avons pu le montrer au chapitre 6, le nombre de 30 réalisations sur lesquelles

sont calculés les critères de performance, a été choisi parce qu’il permettait d’avoir une évalua-
tion robuste, de la moyenne du critère ainsi que de son écart-type. Cependant, cette analyse a
été réalisée en climat présent. Une question peut alors se poser : la dispersion des distributions
des critères de performance est elle modifiée sur les périodes P1 et P2 ? Ces dernières sont pré-
sentées Figures 7.17 et 7.18 respectivement pour les chaı̂nes de simulation GCM/Analog20 et
DMIEH5C-1/MDES.

De manière générale, les modifications de forme des distributions des critères de performance
sur les périodes P1 et P2 restent faibles devant l’évolution de la médiane. Néanmoins, nous pou-
vons constater que ces modifications de formes ne sont pas identiques pour tous les critères de
performance d’une part ni pour l’ensemble des chaı̂nes de simulation d’autre part.
La forme des distributions est par exemple peu modifiée pour les critères de fiabilité (F ia) et de
revenus (GHEP ), bien que ces dernières tendent à s’élargir sur les périodes P1 et P2 .
Les distributions des critères de vulnérabilité tendent également à s’élargir, en particulier sur
la période P2 . Nous pouvons noter que certaines chaı̂nes de simulation présentent des réalisa-
tions pour lesquelles la valeur de vulnérabilité V ulM est égale à 1030 Mm3 (7.18). Cela indique
qu’il existe au minimum une date, durant ces réalisations de 30 années, pour laquelle la ré-
serve est complètement vide. Comme nous l’avons illustré Figure 7.16, les chaı̂nes de simulation
DMIEH5C-1/Dsclim sont propices à ce type de situation. Dans ces cas là, la fourniture du débit
de dotation n’est pas assuré dans sa totalité.

Ainsi, les incertitudes liées aux GCMs et aux MDES sur l’évolution des forçages météorolo-
giques pour les périodes futures se traduisent par des incertitudes importantes sur l’estimation de
la performance du système de gestion de SP. Les modifications des variables d’intérêt de la ges-
tion peuvent, pour certaines chaı̂nes de simulation, conduire à des modifications de performance
de natures et d’amplitudes différentes.

7.3. Significativité des changements

Cette section propose d’évaluer i) la significativé des changements précédemment observés
sur les périodes P1 (2036-2065) et P2 (2070-2099), et ii) les incertitudes liées aux GCMs et aux
MDES sur des horizons autres que P1 et P2 .
Les GCMs sont forcés par les émissions de gaz à effet de serre observées sur la période 1860-2000
et par les scénarios d’émissions A1B sur la période 2000-2100 (Nakicenovic et al. [2001]). Les
forçages solaire et volcanique sont constants sur l’ensemble de la période 1860-2100. L’augmen-
tation observée des émissions de gaz à effet de serre de 1860 à 1980 est suffisamment faible pour
considérer la modification du forçage radiatif négligeable sur cette période. Ainsi, la variabilité
des forçages météorologiques, simulés durant la période 1860-1980 (Figure 7.19), ne dépend a
priori que de la variabilité interne des GCMs, généralement considérée comme représentative de
la variabilité naturelle du climat (Lafaysse et al. [2013]).

185/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

8.0
CNCM33-1 4.4
7.5 DMIEH5C-1
DMIEH5C-2 4.2
7.0 DMIEH5C-3
MPEH5C-1 4.0
6.5 EGMAM2-3
3.8
6.0
3.6
5.5
3.4
5.0
3.2
4.5
3.0
4.0
2.8
3.5
2.6
3.0
1880 1920 1960 2000 2040 2080 1880 1920 1960 2000 2040 2080

(a) (b)
8.0
Dsclim10 4.4
7.5 Dsclim21
Analog20 4.2
7.0
D2gen10 4.0
6.5 D2gen22
D2gen32 3.8
6.0
3.6
5.5
3.4
5.0
3.2
4.5
3.0
4.0
2.8
3.5
2.6
3.0
1880 1920 1960 2000 2040 2080 1880 1920 1960 2000 2040 2080

(c) (d)

Figure 7.19 – Évolution des températures annuelles (a & c) et des précipitations annuelles (b
& d) sur le bassin amont de SP, de 1860 à 2099 (lissée sur une fenêtre de 30
ans). Haut : Chaı̂nes de simulation GCM/Analog20. Bas : Chaı̂nes de simulation
DMIEH5C-1/MDES.

La modélisation du système de SP via le modèle AC permet facilement de réaliser des si-

mulations de gestion continues sur la période 1860-2099 a . La variabilité de la performance du
système modélisé de SP, en lien avec la variabilité naturelle du climat, peut ainsi être évaluée.
Cette variabilité sera comparée à la performance estimée sur les périodes futures. Cela nous
permettra de préciser ou non la significativité des modifications de performance estimées sur les
périodes P1 et P2 .

Les évolutions temporelles de trois caractéristiques du système modélisé de SP ont été estimées
sur la base de 30 réalisations de 240 ans (1860-2099) pour chacune des chaı̂nes de simulation
considérées (Tableau 7.1). Ces caractéristiques sont :

ˆ L’évolution des stocks minimaux annuels moyens de la retenue modélisée de SP : l’évolu-

tion de cette variable permettra d’estimer la modification de l’amplitude des déstockages
hivernaux (Figure 7.20, Tableau 7.15)

a. Les expériences considérées sont toujours celles présentées dans le Tableau 7.1

186/279
 7.3. Significativité des changements

ˆ L’évolution de la fiabilité vis-à-vis du respect de l’objectif de cote touristique, estimée sur

une durée de 30 années (Figure 7.21, Tableau 8.1).

ˆ L’évolution des indicateurs de revenus GHEP , estimés sur une durée de 30 années (Figure
7.22, Tableau 8.2).

550 550
CNCM33-1 Dsclim10
DMIEH5C-1 Dsclim21
500 500
DMIEH5C-2
DMIEH5C-3 Analog20
450 MPEH5C-1 450 D2gen10
EGMAM2-3 D2gen22
400 400 D2gen32
350 350

300 300

250 250

200 200

150 150

100 100
1880 1920 1960 2000 2040 2080 1880 1920 1960 2000 2040 2080

(a) (b)

Figure 7.20 – Évolution du stock minimal annuel de 1860 à 2099 lissée sur une fenêtre de
30 ans. (a) Chaı̂nes de simulation GCM/Analog20. (b) Chaı̂nes de simulation
DMIEH5C-1/MDES.

100 100
90 90
80 80
70 70
60 60
50 50
40 40 Dsclim10
30 CNCM33-1 30 Dsclim21
DMIEH5C-1 Analog20
20 DMIEH5C-2 20 D2gen10
DMIEH5C-3
10 MPEH5C-1 10 D2gen22
EGMAM2-3 D2gen32
0 0
1880 1920 1960 2000 2040 2080 1880 1920 1960 2000 2040 2080

(a) (b)

Figure 7.21 – Évolution de la fiabilité annuelle de 1860 à 2099 lissée sur une fenêtre de 30 ans.
(a) Chaı̂nes de simulation GCM/Analog20. (b) Chaı̂nes de simulation DMIEH5C-
1/MDES.

187/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

4.5 4.5

4.0 4.0

3.5 3.5

Dsclim10
3.0 CNCM33-1 3.0 Dsclim21
DMIEH5C-1 Analog20
DMIEH5C-2 D2gen10
DMIEH5C-3
MPEH5C-1 D2gen22
2.5 EGMAM2-3 2.5 D2gen32

1880 1920 1960 2000 2040 2080 1880 1920 1960 2000 2040 2080

(a) (b)

Figure 7.22 – Évolution de l’indicateur de revenus cumulés sur 30 ans de 1860 à 2099. (a)
Chaı̂nes de simulation GCM/Analog20. (b) Chaı̂nes de simulation DMIEH5C-
1/MDES.

7.3.1. Performance estimée de 1860 à 1980

Toutes chaı̂nes de simulation confondues, les stocks minimaux annuels moyens, calculés sur
une période de 30 années, fluctuent sur la période 1860-1980 dans une gamme allant de 142 Mm3
à 395 Mm3 (Figure 7.20 et Tableau 7.15). Notons cependant que pour une chaı̂ne de simulation
donnée, l’écart entre les valeurs minimales et maximales de ces valeurs de stock sur la période
1860-1980, est plus limité (de l’ordre de 50 à 70 Mm3 selon la chaı̂ne de simulation considérée).
La chaı̂ne EGMAM2-3/Analog20 présente une variabilité plus importante que les autres chaı̂nes
sur la période 1860-1980 (i.e. un écart entre les valeurs minimale et maximale de l’ordre de 140
Mm3 ), et contribue donc beaucoup à l’incertitude liée aux GCMs. Si nous faisons abstraction
de cette chaı̂ne de simulation particulière, nous constatons que la dispersion inter-GCMs est
légèrement inférieure à la dispersion inter-MDES.

La fiabilité varie de 86.7 à 100 % pour les chaı̂nes de simulation GCM/Analog20, et de 83.6
à 99.1 % pour les chaı̂nes DMIEH5C-1/MDES (Tableau 8.1). La dispersion inter-GCMs est du
même ordre de grandeur que la dispersion inter-MDES, à savoir faible (Figure 7.21).

L’indicateur de revenu est également variable sur la période 1860-1980 (Figure 7.22). Pour ce
critère, la dispersion inter-GCMs est supérieure à la dispersion inter-MDES, aussi bien en termes
de valeur moyenne sur la période 1860-1980, qu’en termes d’étendue entre les valeurs maximales
et minimales (Figure 7.22 et Tableau 8.2).

188/279
 7.3. Significativité des changements

7.3.2. Performance estimée de 1980 à 2099

A partir de l’année 1980 les stocks minimaux annuels simulés augmentent. Ces augmenta-
tions ont déjà été illustrées sur les figures 7.14 et 7.15 pour les périodes P1 et P2 . Elles sont
essentiellement expliquées par la contrainte de cote au 1er juillet à satisfaire, dans un contexte
où les apports entrant dans la retenue diminuent.
Quelle que soit la chaı̂ne de simulation, les valeurs de stocks minimaux moyens obtenues sur les
périodes P1 et P2 sont supérieures à celles obtenues sur la période 1860-1980 (Tableau 7.15). Les
modifications de ces critères semblent donc significatives.
Également, la dispersion inter-GCMs et inter-MDES durant la période 1980-2099 est modifiée
(Figure 7.20). La dispersion inter-GCMs a en effet tendance à augmenter sur la période 2000-
2040 pour ensuite diminuer sur la période 2060-2099. Au contraire la dispersion inter-MDES
diminue sur la période 2000-2040 pour finalement augmenter à nouveau à la fin du siècle.

Une analyse similaire peut être conduite pour le critère de fiabilité : la diminution de la fiabi-
lité est significative sur les périodes P1 et P2 . Effectivement, les fiabilités estimées sur les périodes
P1 et P2 sont largement inférieures aux valeurs obtenues sur la période 1860-1980 (Figure 7.21
et Tableau 8.1).
De plus, nous pouvons remarquer une augmentation importante de la dispersion inter-GCMs du
fait d’une diminution importante de la fiabilité pour la simulation CNCM33-1/Analog20 et une
diminution plus modérée pour la simulation EGMAM2-3/Analog20.

Dans la majorité des cas, les diminutions de GHEP sur les périodes P1 et P2 sont supérieures
à la gamme de variabilité constatée sur la période 1860-1980.
Néanmoins, les diminutions observées pour la période P1 sont, pour certaines simulations, très
proches de certaines valeurs obtenues sur la période 1860-1980 a . Pour les chaines de simulations
DMIEH5C-1/D2gen, les modifications de GHEP sur la période P1 , ne sont pas significatives
au regard de la variabilité de ce critère sur la période 1860-1980. C’est également le cas sur la
période P2 pour les simulations DMIEH5C-1/D2gen22 et DMIEH5C-1/D2gen32.
La dispersion inter-GCMs ne semble pas modifiée sur la période 1980-2099, au contraire la
dispersion inter-MDES augmente à l’horizon P2 . En effet, les diminutions importantes de GHEP
obtenues à la fin du siècle pour les chaı̂nes DMIEH5C-1/Dsclim10 et DMIEH5C-1/Dsclim21 ainsi
que l’absence de modification pour les chaı̂nes DMIEH5C-1/D2gen22 et DMIEH5C-1/D2gen32,
augmentent l’incertitude liée aux MDES sur l’évolution de ce critère.

a. e.g. pour la simulation DMIEH5C-3/Analog20, la valeur de GHEP sur P1 est égale à 3.481015 U.M
alors que la valeur minimale sur 1860-1980 est de 3.51015 U.M

189/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 MPEH5C-1 EGMAM2-3

Min[1860,1980] 300 260 268 232 236 142
Moy[1860,1980] 328 287 300 279 275 190
Max[1860,1980] 359 314 341 324 312 278
P1 460 454 367 417 420 361
P2 501 513 482 498 526 463
(a)
Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32
Min [1860,1980] 189 214 260 293 326 331
Moy [1860,1980] 229 251 287 330 356 362
Max [1860,1980] 259 279 314 370 389 395
P1 386 413 454 455 445 449
P2 448 368 513 477 472 476
(b)

Tableau 7.15 – Significativité des réductions des déstockages hivernaux sur les périodes P1 et
P2 vis-à-vis des fluctuations observées sur la période 1860-1980. Les valeurs de
stock sont exprimées en Mm3 . (a) Chaı̂nes de simulation GCM/Analog20. (b)
Chaı̂nes de simulation DMIEH5C-1/MDES.

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 MPEH5C-1 EGMAM2-3

Min [1860,1980] 88.3 89.9 93.9 86.7 94.3 97.7
Moy [1860,1980] 93.3 96.1 96.3 96.9 97.5 99.6
Max [1860,1980] 98.2 99.1 98.6 99.7 99 100
P1 51.1 76.7 75.4 76.2 75.2 93.4
P2 30 36.4 38.7 46.6 41.6 76.5
(a)
Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32
Min [1860,1980] 87.9 86.6 89.9 86.5 84.9 83.6
Moy [1860,1980] 94.6 94.3 96.1 94.1 92.5 91.7
Max [1860,1980] 98.2 98 99.1 98.2 96.8 96.5
P1 73.1 61.5 76.7 73.2 72.8 72.4
P2 33.1 25.3 36.4 28.1 35.2 37.7
(b)

Tableau 7.16 – Significativité des réductions de fiabilité sur les périodes P1 et P2 vis-à-vis des
fluctuations observées sur la période 1860-1980. Les valeurs de fiabilité, vis-
à-vis du respect de la cote touristique, sont exprimées en %. (a) Chaı̂nes de
simulation GCM/Analog20. (b) Chaı̂nes de simulation DMIEH5C-1/MDES.

190/279
 7.4. Conclusion

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 MPEH5C-1 EGMAM2-3

Min [1860,1980] 3.23 3.83 3.59 3.5 3.62 4.18
Moy [1860,1980] 3.58 4.05 3.88 4.01 3.84 4.48
Max [1860,1980] 3.91 4.27 4.21 4.23 4.01 4.75
P1 3.12 3.64 3.31 3.48 3.43 3.98
P2 2.92 3.23 2.82 3.22 3.20 3.70
(a)
Dsclim10 Dsclim21 Analog20 D2gen10 D2gen22 D2gen32
Min [1860,1980] 3.41 3.40 3.83 3.46 3.31 3.30
Moy [1860,1980] 3.65 3.69 4.06 3.83 3.63 3.60
Max [1860,1980] 3.81 3.84 4.27 4.17 3.93 3.9
P1 3.14 3.20 3.65 3.48 3.60 3.61
P2 2.54 2.65 3.26 3.28 3.69 3.91
(b)

Tableau 7.17 – Significativité des modifications de l’indicateur de revenus GHEP sur les pé-
riodes P1 et P2 vis-à-vis des fluctuations observées sur la période 1860-1980.
Les valeurs de GHEP sont exprimées en 1015 U.M. (a) Chaı̂nes de simulation
GCM/Analog20. (b) Chaı̂nes de simulation DMIEH5C-1/MDES.

7.4. Conclusion
Le premier objectif de ce chapitre était d’étudier la propagation des incertitudes des mo-
difications des forçages météorologiques (températures et précipitations), sur la modélisation
des usages et contraintes du système de SP, ainsi que sur l’estimation de la performance de
ce système. Deux sources d’incertitudes ont été considérées : celles liées aux modèles de climat
(GCMs) d’une part, et celles aux méthodes de descente d’échelle statistiques utilisées d’autre
part (MDES).
Un deuxième objectif était d’évaluer l’importance relative de ces deux sources d’incertitudes.

Les différentes chaı̂nes de simulation utilisées (cf. Tableau 7.1) présentent toutes des perfor-
mances similaires pour reproduire les forçages météorologiques saisonniers et annuels observés
durant la période 1970-1999. L’analyse a donc été conduite en considérant l’ensemble de ces
chaı̂nes de simulation. L’application de ces dernières dans un contexte de climat modifié néces-
site une hypothèse de transférabilité temporelle des modèles qui les composent. Cette hypothèse,
discutée pour les GCMs et les MDES par Lafaysse et al. [2013], est particulièrement forte et non
réaliste pour les modèles d’usages développés durant cette thèse. Cependant, cela ne diminue
pas l’intérêt de l’analyse présentée ici.

En climat futur nous avons pu constater, en particulier pour les précipitations, que les in-
certitudes liées aux MDES étaient du même ordre de grandeur que celles liées aux GCMs. Mal-
heureusement, comme le montrent Lafaysse et al. [2013], les études d’impacts du changement
climatique, utilisent souvent plusieurs GCMs, mais beaucoup moins souvent, plusieurs méthodes
de descente d’échelle. De la même façon, rares sont les études qui prennent en compte le caractère

191/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

incertain du lien d’échelle, caractère qui devrait conduire à considérer non pas une seule réalisa-
tion mais un ensemble de réalisations pour chaque MDES. Par suite, ces études sous-estimeraient
a priori les incertitudes sur les modifications probables des précipitations durant le siècle à venir.

Les incertitudes sur les changements de forçages météorologiques, se propagent à travers

les modèles des chaı̂nes de simulation en aval (e.g. modèles d’usages, modèle hydrologique et
modèle de gestion). Dans notre cas, elles conduisent in fine à des incertitudes importantes quant
au devenir de la performance du système modélisé de SP. Les changements de performance du
système modélisé de SP se traduisent entres autres par :

ˆ une diminution de la fiabilité vis-à-vis du respect de la cote touristique ainsi que l’aug-
mentation des vulnérabilités associées.

ˆ la diminution de l’indicateur de revenus.

Cela s’accompagne par une diminution des déstockages hivernaux et une augmentation des
déstockages estivaux. Ces changements semblent, dans la majorité des cas, significatifs. Du moins,
les valeurs obtenues sur les périodes P1 et P2 sont, excepté pour le critère GHEP a , toujours en
dehors de la gamme de variabilité obtenue sur la période de contrôle (1860-1980).

Les incertitudes liées aux GCMs et aux MDES sur l’estimation de la performance sont du
même ordre. Une étude statistique plus avancée serait nécessaire pour quantifier les contributions
relatives des GCMs et MDES à l’incertitude globale. Une analyse de variance pourrait par
exemple être réalisée. Cependant, une telle analyse requiert a minima le remplissage complet
de la matrice exposée dans le Tableau 7.1. De plus, comme le relèvent Lafaysse et al. [2013],
réaliser ce type d’étude n’est pas une chose facile, et nécessite généralement un cadre d’analyse
statistique spécifique qui permet en particulier de prendre en compte la variabilité naturelle des
variable d’intérêt, et les possibles corrélation entre chaı̂nes de simulation (en particulier entre
projections MDES forcées par le même GCM) (Hingray et al. [2007a]; Yip et al. [2011]).
Néanmoins, à la vue des résultats obtenus, nous pouvons recommander d’adopter aussi une
approche multi-modèles et multi-réalisations que ce soit pour les GCMs (plusieurs simulations)
ou pour les MDES (plusieurs scénarios stochastiques).

a. Les valeurs du critère GH EP , obtenue pour les chaı̂nes DMIEH5C-1/D2gen sur les périodes P1 et
P2 , sont incluses dans la fourchette de valeurs obtenues pour le climat de contrôle 1860-1980

192/279
 7.4. Conclusion

Synthèse
Objectifs
Ce chapitre a pour objet d’évaluer les incertitudes relatives liées aux GCMs et aux
MDES. Le plan d’expérience proposé dans le Tableau 7.1 a été réalisé dans le but de
quantifier ces deux sources d’incertitudes sur les modifications probables des variables
d’intérêt de la gestion ainsi que sur la performance du système modélisé de SP. Ce
travail a été réalisé en considérant le modèle AC uniquement.

Limites de l’exercice
Les limites de l’approche utilisée sont nombreuses et d’ordres différents.
Les premières sont, comme nous l’avons déjà indiqué en introduction de cette thèse,
il est impossible de pouvoir évaluer de façon certaine le devenir des usages de la
ressource en eau. Les modèles utilisés pour les représenter (i.e. le modèle de dotation
pour la demande en eau en aval et le modèle de consommations électriques) ont
été conçus pour la période présente. L’hypothèse que ces représentations seraient
toujours valables en climat futur est évidemment irréaliste. Il en est de même pour
la modélisation des apports au système modélisé de SP (bien cette hypothèse est
beaucoup plus raisonnable dans ce cas). Cela ne limite pas l’intérêt de l’exercice qui
a pour but d’évaluer les incertitudes relatives liées aux GCMs et aux MDES sur les
projections futures.
A ce titre , en revanche, une limitation importante est la matrice incomplète (cf
Tableau 7.1). De ce fait, nous n’avons pas pu quantifier les contributions de chaı̂nes
GCM/MDES à l’incertitude globale.

Nous avons considéré dans cette étude uniquement deux sources possibles d’in-
certitudes, celles liées aux GCMs et celles liées aux MDES. Pour réaliser une
analyse plus complète des incertitudes réelles il faudrait considérer en particulier celles
liées aux usages futurs de la ressource. Cela dépasse évidemment le cadre de cette thèse.

Évolution des variables d’intérêt et incertitudes

Selon les scénarios et modèles considérés, les températures tendraient à augmenter.
Dans ce cas, les deux sources d’incertitudes conduisent à des écarts relativement faibles.
Cela n’est pas le cas pour les précipitations pour lesquelles les deux sources d’incerti-
tudes conduisent à des scénarios de modifications pouvant être très différents, à la fois
en terme d’amplitude et de signe des changements. La prise en compte de ces incer-
titudes, qu’elles soient liées aux GCMs ou liées aux MDES, nécessite donc d’utiliser
plusieurs chaı̂nes de simulation.

193/279
Chapitre 7. Performance estimée et incertitudes liées aux scénarios météorologiques

Toujours selon les modèles considérés, les débits de dotation seraient amenés à
augmenter et l’intérêt à turbiner à diminuer, en particulier l’hiver. Les incertitudes
propagées depuis les GCMs et MDES jusqu’à ces modèles se traduisent par des
scénarios de sollicitations futures pouvant être différents, en particulier pour la
sollicitation aval pilotée par les changements de précipitations et de températures sur
les régions en aval du barrage.

Le devenir des apports est également très incertain. Les deux sources d’incertitudes
conduisent encore une fois à des scénarios d’apports sensiblement distincts, à la fois en
terme de saisonnalité et de moyenne. Nous noterons par exemple les MDES D2gen22 et
D2gen32 qui utilisent parmi les prédicteurs de grande échelle des variables d’humidité
pour lesquelles, forcées par le GCM DMIEH5C-1, les apports augmenteraient en climat
futur.

Évaluation de la performance et incertitudes

En conséquence de la modification des variables de forçages météorologiques, et par
suite des sollicitations et des contraintes sur le système modélisé de SP, la performance
estimée par le modèle AC serait largement impactée. En particulier :

ˆ les signatures de stock présenteraient i) des déstockages estivaux plus importants,

du fait de la diminution des apports entrants à cette période et de l’augmentation
du débit de dotation, et ii) des déstockages hivernaux plus faibles du fait de
l’augmentation des débits hivernaux et de la diminution de l’onde de fonte.
ˆ Les modifications des variables d’intérêt engendreraient des scores de performance
à la baisse, en particulier pour les scores relatifs à la satisfaction de l’objectif de
cote touristique durant l’été.

Encore une fois, les deux sources d’incertitudes conduisent à des modifications
importantes de la performance, différentes selon les critères considérés.

Significativité des changements

Des simulations continues sur la période 1860-2099 ont été réalisées. Le climat de la
sous-période 1860-1980 peut être considéré comme stationnaire étant données les faibles
variations du forçage radiatif dues aux concentrations assez stables des gaz à effet de
serre.
Dans un premier temps, cela nous a permis d’évaluer la significativité des changements
précédemment observés sur les sous-périodes 2036-2065 et 2070-2099. Il en résulte que
globalement, les modifications de performance pourraient être considérées comme si-
gnificatives. A l’exception de certaines chaı̂nes de simulation DMIEH5C-1/MDES, dont
les modifications observées de revenus pourraient ne pas être considérées comme signi-
ficatives, car toujours dans la gamme de variabilité constatée sur la période 1860-1980.

194/279
Chapitre 8

Performance estimée et Incertitudes

liées aux modèles de gestion

Pour une représentation donnée du système modélisé de SP (i.e. le modèle AC), nous avons
pu constater au chapitre 7 que la performance estimée pouvait être très variable en climat
modifié selon la chaı̂ne de simulation GCM/MDES utilisée pour la génération de scénarios mé-
téorologiques. Un travail similaire est réalisé dans ce chapitre afin de quantifier l’influence de
la représentation de la gestion du système modélisé de SP, sur l’estimation de la performance
pouvant être réalisée dans un contexte futur.
Pour mémoire, l’estimation de la performance obtenue avec le modèle AIP est la plus réaliste
au vu du mode de gestion utilisé en opérationnel. La performance estimée par le modèle AIC
sous-estime a priori, du fait de l’absence de prévisions hydrologiques, la performance de référence
obtenue avec le modèle AIP. De même, la performance obtenue par le modèle AC surestime a
priori, du fait d’une connaissance parfaite de l’avenir, la performance de référence AIP.

Ceci amène les questionnements suivants :

ˆ Question Q1 : ”Si nous savons que nous sous-estimons (respectivement surestimons) la

performance évaluée à partir d’un modèle de référence (i.e. AIP) durant une période de
contrôle P0 (1970-1999), est-ce que cette sous-estimation (respectivement surestimation)
est conservée sur une période future (e.g. sur la période P1 (2036-2065) ou sur la période
P2 (2070-2099)).
ˆ Question Q2 : Est-ce que la modification de la performance estimée entre une période
future et la période de contrôle, avec le modèle AC ou AIC, est similaire à celle qui aurait
été obtenue par le modèle de référence AIP ?

Ces deux questions sont évidemment identiques. Elles abordent cependant le problème par
deux approches différentes. Nous avons choisi de répondre à la question Q1, bien qu’il nous
arrivera de fournir des éléments de réponse à la question Q2, en particulier dans les différents
tableaux de résultats présentés dans ce chapitre.

Si la réponse à la question Q1 est positive, connaissant la valeur de la sous-estimation (res-

pectivement surestimation) de la performance sur une période P0 , il suffirait d’utiliser un modèle

195/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

de gestion simplifié pour estimer la performance future du système de gestion.

Si ce n’est pas le cas, que dire des estimations de performance réalisées par le biais des modèles
simplifiés de type AC ou AIC dans un tel contexte ? Les erreurs commises sont-elles importantes ?
Quelles sont les configurations pour lesquelles ces erreurs sont critiques ?

Nous tenterons de répondre à ces questions durant ce chapitre. Par manque de temps, nous
avons considéré uniquement les scénarios produits par les différents GCMs avec la MDES Ana-
log20. Cependant, comme nous le verrons par la suite, la nature des résultats obtenus suggère
que des résultats similaires auraient été obtenus avec les autres chaı̂nes de simulation.

Le chapitre est ainsi structuré :

ˆ Le cadre de l’analyse est présenté section 8.1.

ˆ Les estimations de performance réalisées à partir des trois modèles de gestion sont décrites
section 8.2. Cette section est essentiellement descriptive.
ˆ Les raisons des différences de performance estimées obtenues par les trois modèles de
gestion sont ensuite discutées section 8.3
ˆ La section 8.4 conclut ce chapitre.

8.1. Cadre de l’analyse

Dans un contexte opérationnel, le gestionnaire d’un système de gestion utilise, pour établir
sa stratégie de gestion, la totalité de l’historique des variables d’intérêt dont il dispose. Cet his-
torique pourrait être mis à jour tous les ans. Par exemple, si l’historique utilisé durant l’année
2012 correspond à la période 1960-2011, cette stratégie pourrait être réactualisée pour l’année
2013 en utilisant comme historique la période 1960-2012. Comme nous l’avons déjà évoqué pré-
cédemment, l’utilisation d’un historique le plus étendu possible, améliore la prise en compte de
la variabilité naturelle du climat.

Néanmoins, la question de l’étendue de l’historique à utiliser se pose en climat non station-

naire. A priori, les années les plus anciennes de la totalité de l’historique disponible, ne devraient
plus être représentatives du climat en cours. Leur intégration dans le calcul de la stratégie de
gestion serait peu judicieux.
Un choix raisonnable est d’opter pour une taille de l’historique qui offre un bon compromis entre
variabilité naturelle et non stationnarité du climat.
Une solution possible est alors de choisir une période récente pouvant être considérée comme
stationnaire, mais suffisamment longue pour intégrer la variabilité naturelle du climat, et de
réactualiser cette période récente au fur et à mesure que les années avancent. Ce type d’ap-
proche est par exemple utilisé par Minville et al. [2009] pour estimer l’impact de changement

196/279
 8.2. Estimation des modifications de performance avec AC, AIC et AIP

climatique sur la production hydroélectrique sur un bassin versant Canadien a . Minville et al.
[2009] expliquent que la série simulée des apports annuels sur la période 1990-2099, présente une
tendance à la hausse mais est significativement stationnaire sur une fenêtre mobile de 35 années.
Cela a permis, à partir d’un algorithme d’optimisation de la gestion b , d’adapter la stratégie de
gestion annuellement en considérant une approche ”fenêtre mobile” de 35 années. En d’autres
termes, l’historique utilisé pour établir la stratégie de l’année 2070 (respectivement 2071) est la
période 2035-2069 (respectivement 2036-2070).

Dans notre étude, la question du choix de l’historique ne se pose pas pour le modèle AC qui
par construction, connait parfaitement les variables d’intérêt de la gestion futures. Elle se pose
en revanche les modèles AIC et AIP. Pour ces derniers, nous utiliserons comme historique la
même période que celle utilisée dans la phase de simulation. Par exemple, la stratégie de gestion
retenue pour simuler la gestion AIC sur la période P2 est la même pour chaque année de cette
période. Elle a été obtenue durant la phase d’optimisation sur la base de toute les années de
cette même période P2 . Cela revient à considérer que le climat est stationnaire pour chacune de
ces périodes.
L’avantage de ce choix réside dans le fait que les stratégies de gestion obtenues avec les trois
modèles de gestion sont calculées avec les mêmes périodes temporelles. Ainsi, seul le degré de
prévisibilité de l’avenir diffère d’un modèle de gestion à l’autre (i.e. prévisions parfaites (AC),
connaissance climatologique + prévisions hydrologiques (AIP), connaissance climatologique de
l’avenir seule (AIC)). Cela facilitera l’exercice que nous nous sommes fixés, qui est de comparer
les modifications de performance estimées par les modèles AC, AIP et AIC.
Notons qu’une telle configuration surestime a priori la performance estimée par les modèles AIC
et AIP par rapport à la configuration où les stratégies de gestion ne peuvent être construites que
sur une seule période passée.

8.2. Estimation des modifications de

performance avec AC, AIC et AIP
Tout comme ce qui a été réalisé chapitre 7, la comparaison des performances estimées par les
modèles de gestion est basée sur les signatures de stock moyennes (section 8.2.1) ainsi que sur
l’analyse de critères de performance (section 8.2.2).

8.2.1. Signatures de stock moyennes et modèles de gestion

Les signatures de stock moyennes obtenues à partir des modèles AC, AIP et AIC sont expo-
sées Figure 8.1 et 8.2 sur les trois périodes P0 , P1 et P2 .

a. Au contraire du cadre d’analyse de cette thèse, une seule simulation du climat futur a été considérée
dans cette étude. Cette simulation a été réalisée à partir du modèle de climat régional CRCM (Canadian
Regional Climate Model ) forcé par le GCM CGCM3 (Canadian Global Climate Model)
b. Dans cette étude, l’algorithme d’optimisation utilisé est un algorithme de programmation dynamique
stochastique initialement développé par Turgeon [2005]

197/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

Sur la Figure 8.1, les signatures de stock moyennes obtenues par les trois modèles de gestion sont
exposées en fonction de la chaı̂ne de simulation GCM/Analog20 utilisée pour la génération des
scénarios météorologiques. Nous pouvons y observer en particulier que les signatures de stock
moyennes du modèle AIP sont presque toujours incluses entre les signatures AC et AIC. Sur la
Figure 8.2, ces mêmes signatures sont exposées en fonction du modèle de gestion utilisé pour les
simuler.

Sur ces deux figures, nous pouvons constater sur les deux périodes P1 et P2 , que les signatures
de stock moyennes obtenues par les trois modèles de gestion présentent toutes une diminution
des déstockages hivernaux ainsi qu’une augmentation des déstockages estivaux.

Pour une chaı̂ne de simulation GCM/Analog20 donnée, les déstockages estivaux sont iden-
tiques quel que soit le modèle de gestion utilisé (Figure 8.1), ce qui est logique puisque la
fourniture du débit de dotation est une contrainte commune aux trois modèles de gestion. L’aug-
mentation des déstockages estivaux sur les périodes P1 et P2 est donc pilotée par les simulations
GCMs et non par les modèles de gestion.

Les diminutions des déstockages hivernaux sur les périodes P1 et P2 ne sont pas identiques
pour les trois modèles de gestion (Figure 8.1). Notons par exemple le cas de la chaı̂ne DMIEH5C-
2/Analog20 pour laquelle (cf. courbes rouges Figure 8.2) :

ˆ pour le modèle AIC, la signature de stock moyenne est supérieure aux signatures obtenues
pour les autres chaı̂nes de simulation à la fin de l’hiver et au début du printemps durant
la période P2 (du fait d’un déstockage hivernal très limité)

ˆ pour les modèle AIP et AC, ce n’est pas le cas. Le déstockage hivernal diminue durant
P2 , mais les signatures de stock moyennes de ces modèles ne sont pas supérieures à celles
obtenues pour les autres chaı̂nes de simulation à la fin de l’hiver et au début du printemps.

198/279
 8.2. Estimation des modifications de performance avec AC, AIC et AIP

1970-1999 2036-2065 2070-2099

1000 1000 1000
800 800 800

Mm3
CNCM33-1 600 600 600
400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

1000 1000 1000

800 800 800
Mm3

600 600 600

DMIEH5C-1 400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

1000 1000 1000

800 800 800
Mm3

600 600 600

DMIEH5C-2 400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

1000 1000 1000

800 800 800
Mm3

DMIEH5C-3
600 600 600
400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

1000 1000 1000

800 800 800
Mm3

MPEH5C-1 600 600 600

400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

1000 1000 1000

800 800 800
Mm3

EGMAM2-3 600 600 600

400 400 400
200 200 200
0 0 0
J FMAM J J A SOND J FMAM J J A SOND J FMAM J J A SOND

Figure 8.1 – Signatures de stock moyennes obtenues sur les périodes P0 (1970-1999), P1 (2036-
2065) et P2 (2070-2099) par les modèles AC (Trait plein), AIP (pointillés) et AIC
(tirets). La MDES utilisée pour descendre en échelle les différents scénarios GCM
est Analog20. Les signatures de stock moyennes sont établies sur la base de 30
réalisations de 30 années.

199/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 MPEH5C-1 EGMAM2-3

1000 1000 1000

800 800 800

AC 600 600 600

400 400 400
200 200 200
0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

1000 1000 1000

800 800 800
AIC 600 600 600
400 400 400
200 200 200
0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

1000 1000 1000

800 800 800
AIP 600 600 600
400 400 400
200 200 200
0 0 0
J FM AM J J A S O N D J FM AM J J A S O N D J FM AM J J A S O N D

Figure 8.2 – Signatures de stock moyennes obtenues sur les périodes P0 (1970-1999), P1 (2036-
2065) et P2 (2070-2099) par les modèles AC, AIC et AIP. La MDES utilisée pour
descendre en échelle les différents scénarios GCM est Analog20. Les signatures de
stock moyennes sont établies sur la base de 30 réalisations de 30 années.

8.2.2. Critères de performance et modèles de gestion

Les critères discutés dans ce chapitre sont :

ˆ la fiabilité vis-à-vis du respect de la cote touristique F ia (%) : Pour mémoire, elle est
définie comme la fréquence des journées pour lesquelles la cote touristique est satisfaite
pendant la période estivale sur une période de 30 années.
ˆ l’indicateur de revenus GHEP (U.M) : Cette indicateur correspond à la somme des ”reve-
nus” calculée sur une période de 30 années.
ˆ le volume déversé total VDev (Mm3 ) : Ce volume correspond à la somme des volumes
déversés sur une période de 30 années.

Pour chaque modèle de gestion et chaque chaı̂ne de simulation, il est possible d’obtenir les
fonctions de distributions de ces critères sur la base des 30 réalisations MDES retenues (cf .
chapitre 6). Ces fonctions de distribution sont respectivement illustrées en annexe de la thèse,
Figures A.16, A.17 et A.18. Les dispersions de ces distributions étant limitées nous nous fo-
caliserons sur les valeurs moyennes des critères, obtenues respectivement pour chacune d’entre
elles. Elles sont exposées dans les Tableaux 8.1a, 8.2a et 8.3a respectivement pour la fiabilité,
l’indice de revenus et le volume déversé. Les modifications de ces valeurs moyennes entre P0 et

200/279
 8.2. Estimation des modifications de performance avec AC, AIC et AIP

les périodes P1 et P2 sont présentées dans les Tableaux 8.1b, 8.2b et 8.3b. Pour chaque période,
et pour chaque chaı̂ne de simulation GCM/ANalog20, les écarts relatifs entre les critères de per-
formance obtenus à partir des modèles AC ou AIC et le modèle de référence AIP, sont illustrés
dans les Tableaux 8.1c, 8.2c et 8.3c.

Fiabilité (F ia, %)
P0 (1970-1999) P1 (2036-2065) P2 (2070-2099)
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
AC 95.9 97 92.3 94.9 95.1 99.3 51.1 76.7 75.4 76.2 75.2 93.4 30 36.4 38.7 46.6 41.6 76.5
AIP 95.8 96.7 91.9 94.5 94.7 99.2 50.5 76.2 75.1 75.8 74.8 93.0 29.6 36.2 38.3 46.4 41.2 75.7
AIC 94.8 94.8 91.0 93.1 93.5 98 50.2 74.3 74.7 74.4 73.1 91.5 29.7 36.2 38.4 46.2 41.0 74.5
(a)
F iap

P1 P0
q (% %) F iap P2P
0P0 q (% %)
P0
À Á Â Ã Ä Å À Á Â Ã Ä Å
AC -47 -20 -18 -20 -21 -6 -69 -62 -58 -51 -56 -23
AIP -47 -21 -18 -20 -21 -7 -69 -62 -58 -51 -56 -24
AIC -47 -22 -18 -20 -21 -7 -69 -62 -58 -50 -56 -24
(b)
P0 P1 P2
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
F ia
AIP q (% %)
p ACAIP 0.1 0.3 0.4 0.4 0.4 0.1 1.2 0.7 0.4 0.5 0.5 0.4 1.4 0.6 1 0.4 1 1.1
AIC
AIP
F iap AIP q (% %) -1 -2 -1 -2 -1 -1 -1 -3 -1 -2 -2 -2 0.3 0 0.3 -1 -1 -2
(c)

Tableau 8.1 – (a) Fiabilité du respect de la cote touristique selon le modèle utilisé. (b) Mo-
difications relatives de la fiabilité vis-à-vis du respect de la cote touristique
selon le modèle utilisé (% %) ; (c) Écarts relatifs entre les fiabilités estimées
avec les modèles AC et AIC par rapport au modèle AIP (% %) À : CNCM33-
1 ; Á : DMIEH5C-1 ; Â : DMIEH5C-2 ; Ã : DMIEH5C-3 ; Ä : MPEH5C-1 ; Å :
EGMAM2-3.

Fiabilité :
Quel que soit le modèle de gestion, la fiabilité diminue sur les périodes P1 et P2 pour l’ensemble
des chaı̂nes de simulation (Tableau 8.1a). La surestimation ou sous-estimation du critère de fia-
bilité par les modèles AC et AIC par rapport au modèle AIP, varie peu entre P0 et les périodes
futures P1 et P2 (Tableau 8.1c). Pour chacune des chaı̂nes de simulation, les écarts entre modèles
de gestion sont par ailleurs inférieurs aux écarts observés pour un même modèle de gestion et
plusieurs chaı̂nes de simulation. Ils sont de plus très faibles devant les modifications de fiabilité
entre différentes périodes (Tableau 8.1b).

En fait, pour une année donnée, la valeur de la fiabilité est étroitement liée aux apports nets
à la retenue de SP durant les mois de juillet et août.
Considérons le cas où la retenue est pleine à la date du 1er juillet, c’est à dire au premier jour
de la période estivale durant laquelle la contrainte de cote touristique est définie. La durée pen-
dant laquelle le niveau d’eau dans la retenue est supérieur à cette cote est conditionnée par les
apports nets sur cette période. A partir du 1er juillet et jusqu’au 31 août, si les apports nets

201/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

sont globalement négatifs, alors le niveau de la retenue baisse et inversement. Dans le premier
cas (apports nets globalement négatifs sur juillet août), la fiabilité diminue dès que le niveau de
remplissage passe en dessous de la contrainte de cote touristique. Plus les apports nets durant
cette période sont négatifs, moins la durée durant laquelle le niveau de la retenue est supérieur
à la cote touristique est longue, et plus la fiabilité est faible.
Néanmoins, si une année donnée la cote n’est pas atteinte à la date du 1er juillet (ce qui est le
cas 9 années sur 10 en moyenne pour les modèles AIC et AIP), il est possible que le niveau de la
retenue n’atteigne jamais la cote touristique cette année là. Cela impliquerait une fiabilité nulle,
quelle que soit la valeur des apports nets. Ce type de configuration peut également être obtenu
pour le modèle AC pour les années suivant des périodes estivales aux apports nets très négatifs
(cf. Figure 7.16 page 180).
Sur une période de 30 années, le critère de fiabilité est la moyenne des fiabilités annuelles. Ce
critère est donc fonction de la moyenne des apports nets durant les mois de juillet et août mais
également de la variabilité inter-annuelle des niveaux de remplissage aux 1er juillet.

Les apports nets diminuant durant les périodes P1 et P2 a il en résulte une baisse de la fiabilité.
Cela est illustré sur la Figure 8.3 : chaque symbole de couleur représente la valeur de la fiabilité
moyenne sur une période donnée (noir pour P0 , bleu pour P1 et rouge pour P2 ), obtenue par un
des modèles de gestion (i.e. une étoile pour le modèle AC, un losange pour le modèle AIP
et un cercle barré ` pour le modèle AIC). Pour chaque période, les six chaı̂nes de simulation
sont représentées (des graphiques similaires sur P0 , P1 et P2 , pour lesquels sont différenciées les
chaı̂nes de simulation, sont exposés Figure A.19 de l’annexe).

100
90
80
70
60
50 AIC
40 AIP
30 AC
-60 -40 -20 0 20 40 60
net (Juil-Aout) (m3/s)

Figure 8.3 – Fiabilité moyenne sur les périodes P0 (noir), P1 (bleu) et P2 (rouge) en fonction
de l’espérance des apports nets entrant dans la retenue durant les mois de juillet
et août. Pour chaque période, les six chaı̂nes de simulation GCM/Analog20 sont
représentées

a. La diminution des apports nets entrant dans le système modélisé de SP est le résultat de l’augmen-
tation conjointe du débit de dotation (Figure 7.6 page 169) et de la diminution des apports (Figure 7.12
page 174) durant les mois de juillet et août.

202/279
 8.2. Estimation des modifications de performance avec AC, AIC et AIP

Pour une période donnée, l’espérance des apports nets durant les mois de juillet et août varie
d’une chaı̂ne de simulation à une autre, les valeurs de fiabilité peuvent donc être très différentes
selon la chaı̂ne de simulation considérée (e.g. une diminution très importante sur P1 et P2 est
observée pour la chaı̂ne CNCM33-1/Analog20 alors qu’une une diminution plus modérée est
obtenue pour la chaı̂ne EGMAM2-3/Analog20 sur ces périodes, Tableau 8.1).
La relation liant la fiabilité et l’espérance des apports nets pendant la période estivale semble
linéaire pour les espérances d’apports nets inférieures à 20 m3 /s (Figure 8.3). La fiabilité étant
bornée à 100 %, la dispersion du critères de fiabilité observée pour les fortes d’apports nets (i.e.
les valeurs supérieures à 20 m3 /s) peut s’expliquer par différentes variabilités inter-annuelles des
apports nets estivaux et donc des niveaux de remplissage aux 1er juillet.

La satisfaction de la demande en eau en aval étant prioritaire devant le maintien de la cote

touristique, les stratégies de gestion des trois modèles durant les mois de juillet et août sont très
similaires. Nous pouvons ainsi conclure que les diminutions de fiabilité sur les périodes P1 et
P2 , sont pilotées par les simulations GCMs (en particulier par les modifications des apports nets
durant les mois de juillet et août) et non par les modèles de gestion.

Indice de revenus (GHEP ,1015 U.M )

P0 (1970-1999) P1 (2036-2065) P2 (2070-2099)
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
AC 3.78 4.01 3.86 3.97 3.96 4.39 3.12 3.64 3.31 3.48 3.43 3.98 2.92 3.23 2.82 3.22 3.20 3.70
AIP 3.71 3.96 3.78 3.91 3.89 4.34 3.05 3.59 3.26 3.41 3.38 3.92 2.84 3.16 2.76 3.16 3.14 3.65
AIC 3.68 3.92 3.72 3.86 3.84 4.29 3.01 3.54 3.21 3.38 3.35 3.90 2.81 2.80 2.31 3.12 3.13 3.63
(a)
p
GHEP P1P0P0
q (%) GHEP p P2P
0P0 q (%)
À Á Â Ã Ä Å À Á Â Ã Ä Å
AC -17 -9 -14 -12 -13 -9 -23 -19 -27 -19 -19 -16
AIP -18 -9 -14 -13 -13 -10 -23 -20 -27 -19 -19 -16
AIC -18 -10 -14 -12 -13 -9 -24 -29 -38 -19 -18 -15
(b)
P0 P1 P2
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
p
GHEP ACAIP
AIP
q (%) 2 1 2 2 2 1 2 1 2 2 1 2 3 2 2 2 2 1
p
GHEP AIC AIP
q (%) -1 -1 -2 -1 -1 -1 -1 -1 -2 -1 -1 -1 -1 -11 -16 -1 0 -1
AIP

(c)

Tableau 8.2 – (a) Indicateur de revenus moyen (1015 U.M) obtenu selon le modèle utilisé (b)
Modification relative de l’indice de revenus selon le modèle utilisé (%) (c) Écart
relatif entre les indicateurs de revenus estimés avec les modèles AC et AIC par
rapport au modèle AIP (%). Les nombres en gras indiquent les diminutions très
différentes de revenus obtenus par le modèle AIC À : CNCM33-1 ; Á : DMIEH5C-
1 ; Â : DMIEH5C-2 ; Ã : DMIEH5C-3 ; Ä : MPEH5C-1 ; Å : EGMAM2-3.

Indicateur de revenus
Également, l’indicateur de revenus moyen GHEP diminue sur les périodes P1 et P2 quel que soit

203/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

le modèle de gestion considéré (Tableau 8.2).

Comme nous l’avons évoqué au chapitre 5, le modèle AC surestime le critère de performance

GHEP en particulier du fait i) qu’il permet un placement dans le temps parfait de la production
(i.e. durant les instants où l’intérêt à produire I est maximal) et ii) de fortement limiter les
déversements.
La surestimation du modèle AC de ce critère sur la période P0 , est conservée sur les périodes P1
et P2 (cf. Tableau 8.2c). Elle est dans ce cas, toujours inférieure aux écarts constatés entre les
indicateurs de revenus obtenus par AIP pour différentes chaı̂nes de simulation ou pour différentes
périodes.
Il en est de même concernant la sous-estimation de ce critère par le modèle AIC, excepté pour
deux chaı̂nes de simulation sur la période P2 (i.e. les chaı̂nes de simulation DMIEH5C-1/Analog20
et DMIEH5C-2/Analog20) pour lesquelles la sous-estimaton de l’indicateur de revenus est de
l’ordre de 11 et 16 % respectivement sur la période P2 plutôt que 1 et 2 % sur P0 .

Les indicateurs de revenus GHEP , obtenus à partir des différents modèles de gestion sur les
périodes P0 , P1 et P2 présentent une relation linéaire très significative avec l’espérance des ap-
ports nets annuels à la réserve (Figure 8.4), et ceci quel que soit le modèle de gestion. Deux
configurations s’écartent cependant. Elles correspondent au modèle AIC et aux chaı̂nes de si-
mulation DMIEH5C-1/Analog20 et DMIEH5C-2/Analog20 sur la période P2 (cf. cercles barrés
rouges sur la Figure 8.4). Ces configurations suggèrent que d’autres facteurs peuvent influencer
la valeur de ce critère.

4.5

4.0

3.5

3.0 AIC
AIP
2.5 AC
40 50 60 70 80
3
net (m /s)

Figure 8.4 – Indicateur de revenus moyen sur les périodes P0 (noir), P1 (bleu) et P2 (rouge) en
fonction de l’espérance des apports nets annuels à la retenue. Pour chaque période,
les six chaı̂nes de simulation GCM/Analog20 sont représentées

Déversements
Le critère de déversement VDev est, parmi les critères de performance analysés, celui pour lequel
les surestimations de performance du modèle AC ainsi que les sous-estimations de performance
du modèle AIC sont les moins conservées sur les périodes P1 et P2 (Tableau 8.3).

204/279
 8.2. Estimation des modifications de performance avec AC, AIC et AIP

Par nature, la prévisibilité des épisodes de crues est limitée pour le modèle AIP et d’autant
plus pour le modèle AIC, en particulier pour ceux qui surviennent à des périodes inhabituelles.
Cela explique les écarts importants entre les modèles de gestion sur la période P0 .

Globalement, les volumes déversés par les trois modèles de gestion diminuent sur les périodes
P1 et P2 . La majorité des déversements survient au printemps, c’est à dire durant la période où
les apports sont en moyenne les plus importants. Les volumes d’apports printaniers diminuant
en climat futur, il est logique d’obtenir une diminution des déversements.

Pour le modèle AC, les volumes déversés deviennent nuls pour la plupart des chaı̂nes de simu-
lation dès la période P1 . Cela ne permet pas la conservation de l’amplitude de la surestimation
de performance de ce modèle sur ce critère.
Sur les périodes P1 et P2 , la surestimation des déversements simulés par le modèle AIC est du
même ordre de grandeur que celle constatée sur la période P0 . exception faite des chaı̂nes de
simulation DMIEH5C-1/Analog20 et DMIEH5C-2/Analog20 sur P2 (Tableau 8.3c).

Volume déversé (VDev , M m3 )

1970-1999 2036-2065 2070-2099
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
AC 50 92 77 82 102 140 1 12 5 2 1 5 0 1 0 0 0 1
AIP 398 406 537 477 431 721 226 289 190 337 257 557 80 318 97 234 114 238
AIC 1265 2125 2533 2041 2367 2714 1062 1868 907 1089 948 1839 501 8970 101331043 505 773
(a)
p
VDev P1P0P0
q (%) VDev p P2P
0P0 q (%)
À Á Â Ã Ä Å À Á Â Ã Ä Å
AC -98 -87 -94 -98 -99 -96 -100 -99 -100 -100 -100 -99
AIP -43 -29 -65 -29 -40 -23 -80 -21 -82 -51 -74 -67
AIC -16 -12 -64 -47 -60 -32 -60 +322 +300 -49 -79 -72
(b)
P0 P1 P2
À Á Â Ã Ä Å À Á Â Ã Ä Å À Á Â Ã Ä Å
p { q
VDev AC AIP 0.12 0.23 0.14 0.17 0.24 0.19 0 0 0 0 0 0 0 0 0 0 0 0
VDev pAIC {AIP q 3.2 5.2 4.7 4.3 5.5 3.8 4.7 6.5 4.8 3.2 3.7 3.3 6.3 28 104 4.5 4.4 3.2
(c)

Tableau 8.3 – (a) Volumes déversés moyens (Mm3 ) obtenus selon le modèle utilisé sur une
période de 30 années (b) Modification relative du volume déversé moyen sur une
période de 30 années (%) (c) Rapport entre les déversements simulés par AC
et AIP et entre les déversements simulés par AIC et AIP. Les nombres en gras
indiquent une augmentation des prélèvements par rapport à P0 . À : CNCM33-
1 ; Á : DMIEH5C-1 ; Â : DMIEH5C-2 ; Ã : DMIEH5C-3 ; Ä : MPEH5C-1 ; Å :
EGMAM2-3.

205/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

8.2.3. Conclusion partielle

Au travers de cette section, nous souhaitions répondre à la question Q1 : les surestimations
de la performance du modèle AC et les sous-estimations du modèle AIC, constatées durant un
climat de contrôle P0 , sont-elles conservées durant les périodes futures P1 et P2 ?

Pour les chaı̂nes de simulation explorées (i.e. les chaı̂nes GCM/Analog20), la réponse à Q1
est positive pour le critère de fiabilité F ia. L’analyse de la Figure 8.3 montre par ailleurs que la
valeur du critère de fiabilité, quel que soit le modèle de gestion, est fortement liée aux apports
nets entrant dans la retenue durant la période estivale (i.e. juillet et août).

Pour le critère GHEP , l’analyse du Tableau 8.2 montre que la surestimation du modèle AC
obtenue sur P0 est conservée sur P1 et P2 , ce qui n’est pas le cas de la sous-estimation du modèle
AIC pour deux chaı̂nes de simulation durant la période P2 . L’analyse de la figure 8.4 suggère une
forte relation entre GHEP et l’espérance des apports nets à la retenue, quel que soit le modèle
et la période. Cependant, les sous-estimations très importantes du modèle AIC pour les chaı̂nes
DMIEH5C-1/Analog20 et DMIEH5C-2/Analog20 incitent à explorer les raisons de ces écarts.
Une analyse similaire a été menée pour le critère de déversement VDev . Les importantes sous-
estimations de la performance par le modèle AIC sur la période P2 pour les mêmes chaı̂nes de
simulation (i.e. DMIEH5C-1/Analog20 et DMIEH5C-2/Analog20), nous conduiront à rechercher
pourquoi de telles sous-estimations de performance en climat futur ne sont-elles pas obtenues
pour les autres chaı̂nes de simulation ? De même, pourquoi sont t-elles obtenues sur la période P2
et pas sur la période P1 ? Quelles sont les particularités des scénarios ? Pourquoi ont-ils abouti
à une telle diminution de performance ?

8.3. Discussion
Les résultats présentés section 8.2 suggèrent, du moins pour les critères GHEP et VDev , que
des facteurs internes au modèle AIC peuvent engendrer des sous-estimations de performance
beaucoup plus importantes sur une période future comme nous avons pu le constater sur la
période P2 . Nous avons détaillé au chapitre 6 de cette thèse, la façon dont la stratégie de gestion
du modèle AIC est influencée par la variabilité des apports, et en particulier par le quantile 10
des apports nets, calculés sur la base de 30 réalisations de 30 années chacune.

Du fait de la diminution des apports et de l’augmentation des débits de dotation (cf. chapitre
7), les apports nets ont logiquement tendance à diminuer durant les périodes P1 et P2 . Par suite,
les quantiles 10 des apports, qui conditionnent la courbe guide de remplissage 90 % des modèles
AIC et AIP, ont également tendance à diminuer pour toutes les chaı̂nes de simulation.

Par ailleurs, à même niveau moyen d’apport, la courbe enveloppe des quantiles 10 est lo-
giquement plus basse pour les chaı̂nes de simulation présentant une variabilité inter-annuelle
forte. Sur P2 , c’est en particulier le cas pour les chaı̂nes de simulation DMIEH5C-1/Analog20 et

206/279
 8.3. Discussion

DMIEH5C-2/Analog20 (cf. Tableau 8.4 a ), qui rappelons le, sont les deux chaı̂nes de simulation
pour lesquelles une très forte sous-estimation de la performance est obtenue par AIC sur cette
période. Sur la Figure 8.5 par exemple, nous pouvons facilement constater l’influence de la va-
riabilité inter-annuelle des apports nets sur la sous-estimation du critère GHEP par le modèle
AIC lorsque celle-ci est très forte.

Pourquoi est-ce que la variabilité inter-annuelle des apports nets engendre pour AIC une
sous-estimation importante du critère GHEP et dans le même temps, une surestimation des
déversements ?

CNCM33-1 DMIEH5C-1 DMIEH5C-2 DMIEH5C-3 MPEH5C-1 EGMAM2-3

EQnet 64.9 71.4 67.6 70.7 70.1 81.6

P0
CvQnet 0.33 0.29 0.39 0.31 0.27 0.23
EQnet 44.4 60.5 50.6 54.1 53 69.1
P1
CvQnet 0.46 0.37 0.41 0.38 0.37 0.33
EQnet 37 47.7 35.7 47.7 46.3 60.9
P2
CvQnet 0.46 0.59 0.70 0.46 0.35 0.30

Tableau 8.4 – Espérance annuelle EQnet et coefficient de variation annuel CvQnet des séries
d’apports nets à la retenue de SP (chaı̂nes GCM/Analog20)
.

Afin de fournir des éléments de réponse, nous allons dans un premier temps, uniquement
considérer les chaı̂nes de simulation CNCM33-1/Analog20 et DMIEH5C-2/Analog20. Ces deux
chaı̂nes particulières ont été choisies parce qu’elles présentent toutes les deux, durant la période
P2 , des espérances d’apports annuels similaires (i.e. EQnet égal à 37 m3 /s et 35.7 m3 /s respective-
ment) mais des variabilités inter-annuelles très différentes (CvQnet = 0.46 et 0.70 respectivement)
(cf. Tableau 8.4).

a. Dans ce tableau, la variabilité inter-annuelle des apports nets est représentée par le coefficient de
variation des apports nets annuels

207/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

P0 P1 CNCM33-1
P2 DMIEH5C-1
4.5 4.5 4.5 DMIEH5C-2
DMIEH5C-3
MPEH5C-1
4.0 4.0 4.0 EGMAM2-3

3.5 3.5 3.5 AIC

AIP
3.0 3.0 3.0
AC
2.5 2.5 2.5
40 50 60 70 80 40 50 60 70 80 40 50 60 70 80
net
(m3/s) net
(m3/s) net
(m3/s)

4.0 4.0 4.0

3.5 3.5 3.5

3.0 3.0 3.0

2.5 2.5 2.5

0.3 0.4 0.5 0.6 0.7 0.3 0.4 0.5 0.6 0.7 0.3 0.4 0.5 0.6 0.7

Figure 8.5 – Première ligne : Indicateur de revenus moyen sur les périodes P0 (colonne gauche),
P1 (colonne milieu) et P2 (colonne droite) en fonction de l’espérance des apports
nets annuels à la retenue. Les résultats présentés sur ces trois figures sont les
mêmes que ceux présentés figure 8.4. Deuxième ligne : Identique à la première
ligne excepté que les indicateurs de revenus moyens sont exposés en fonction du
coefficient de variation des apports nets annuels.

Les stratégies de gestion obtenues pour ces deux chaı̂nes s’avèrent être très différentes comme
cela est illustré et explicité par le biais des Figures 8.6 et 8.7 :

ˆ La Figure 8.6a présente les 900 années d’apports nets de l’historique du modèle AIC
(courbes grises) pour la chaı̂ne de simulation CNCM33-1/Analog20. Les quantiles 10, 50
et 90 sont respectivement présentés en noir, rouge et bleu. Pour rappel, la courbe enveloppe
des quantiles 10 (noir) conditionne la courbe guide de remplissage 90 %. Le code couleur
est identique pour les Figures 8.6b et 8.6c.
ˆ La Figure 8.6b présente le cumul des apports nets pour chacune de ces 900 années. La
courbe enveloppe des quantiles 10 des cumul d’apports nets (noir) correspond au cumul
de la série des quantiles 10 d’apports nets illustrée courbe noire Figure 8.6a.
ˆ La figure 8.6c présente la courbe de remplissage calculées pour chacune des 900 années.
Les 900 courbes de remplissage sont utilisées par le modèle AC lors de la simulation de
ces années. La courbe bleue est la courbe guide de remplissage 90 % utilisée par le modèle
AIC.
ˆ Les graphiques exposés Figure 8.7 sont similaires à ceux de la Figure 8.6, mais font réfé-
rence à la chaı̂ne de simulation DMIEH5C-2/Analog20.

Une grande variabilité inter-annuelle des apports nets annuels se traduit en particulier par
des quantiles 10 et 90 moins proches du quantile médian, en particulier durant la période prin-

208/279
 8.3. Discussion

tanière a . Cela s’observe sur les Figures 8.6a et 8.7a. Cela se voit encore mieux sur les Figures
8.6b et 8.7b.

(a) (b) (c)

Figure 8.6 – Chaı̂ne de simulation CNCM33-1/Analog20 : (a) Apports nets à la retenue de

SP, en Mm3 (b) Apports nets cumulés à la retenue de SP, en Mm3 (c) Courbes
guides de remplissage calculées pour chacune des séries d’apports nets présentées
en a), en Mm3 . Pour chaque graphique, les 900 scénarios correspondant aux 900
années de l’historique (i.e. 30 réalisations de 30 années), sont représentés en gris.
Les courbes bleues, rouges et noires représentent respectivement les quantiles 90,
50 et 10 des séries. Période P2

(a) (b) (c)

Figure 8.7 – Chaı̂nes de simulation DMIEH5C-2/Analog20. Pour plus de détails, se référer à

la légende Figure 8.6

Pour un scénario d’apports nets donné, la valeur cumulée des apports nets à la retenue entre
le 1er septembre et le 1er juillet conditionne complètement le niveau de remplissage de la réserve
nécessaire au 1er septembre pour garantir l’objectif de cote au début de la période estivale b . Les
valeurs minimales requises de ces niveaux de remplissage sont exposées dans le Tableau 8.5 pour
les quantiles 10 et 50 des apports nets cumulés.

a. Pour faciliter la lecture de ces graphiques, l’axe des ordonnées est limité à 40 Mm3 . Sur les figures
8.6 et 8.7, l’origine temprelle des graphiques est le 1er septembre, i.e. le premier jour après la contrainte
de cote touristique.
b. Pour mémoire, l’objectif au 1er juillet est fixé à 972.9 Mm3

209/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

Pour garantir l’objectif de cote au 1er juillet pour au moins 50 % des scénarios, il n’est pas
50% 3
nécessaire de disposer d’eau dans la retenue au 1er septembre, (S01 {09 = 0 Mm pour les deux
chaı̂nes de simulation). Pour garantir l’objectif de cote au 1er juillet pour au moins 90 % des
{09  195.6 Mm est requis à la date du 1 septembre pour la chaı̂ne
90 % 3 er
scénarios, un volume S01
{09  475.3 Mm pour la chaı̂ne DMIEH5C-2/analog20
90 % 3
CNCM33-1/Analog20 et un volume S01
soir un écart de l’ordre 280 Mm3 entre les deux chaı̂nes. Il en résulte une courbe guide de
remplissage 90 % beaucoup plus sévère pour la chaı̂ne de simulation DMIEH5C-2/analog20
(courbes bleues Figures 8.6c et 8.7c), alors que ces deux chaı̂nes de simulation présentent une
espérance d’apports nets annuels similaire.

CNCM33-1/Analog20 DMIEH5C-2/Analog20
Cumul Qnet10 01/09Ñ01/07 777.3 Mm3 497.6 Mm3
90 %
S01 {09 195.6 Mm3 475.3 Mm3
Cumul Qnet50 01/09Ñ01/07 1352.7 Mm3 1273.1 Mm3
50 %
S01 {09 0 Mm3 0 Mm3

Tableau 8.5 – Quantiles 10 et médian du cumul des apports nets du 1er septembre au 1er
50 % 90 % er
juillet. S01{09 et S01{09 représentent le volume à disposer en stock à la date du 1
septembre pour pouvoir garantir l’objectif de cote au 1er juillet respectivement
pour au moins 50 % et 90 % des scénarios d’apports nets. Pour mémoire, l’objectif
de cote au 1er juillet est de 972.9 Mm3 .

Pour une année donnée, la courbe guide de remplissage du modèle AC est une des courbes
grises exposées Figures 8.6 ou 8.7b. Plus la courbe guide de remplissage 90 % du modèle AIC
(courbes bleues Figures 8.6c ou 8.7c) en est proche, plus la gestion réalisée par le modèle AIC
devrait être proche de celle réalisée par le modèle de gestion AC cette année là.
Il en découle que plus la courbe guide de remplissage 90 % du modèle AIC et proche de la
courbe guide de remplissage médiane (courbes rouges Figures 8.6c et 8.7c), plus la performance
estimée par le biais de ce modèle de gestion devrait être proche de celle obtenue à partir du
modèle de gestion AC. Il est donc logique que la performance obtenue pour l’ensemble des 900
années simulées à partir du modèle AIC soit plus proche de celle du modèle AC pour la chaı̂ne
de simulation CNCM33-1/Analog20 que pour la chaı̂ne de simulation DMIEH5C-2/Analog20.
Par ailleurs, la courbe guide de remplissage 90 % beaucoup plus sévère obtenue pour la chaı̂ne
DMIEH5C-2/Analog20 explique pourquoi la signature de stock moyenne AIC présente un désto-
ckage très limité vis-à-vis des autres modèles de gestion durant la période P2 (Figures 8.2 et 8.1).

Nous pouvons également constater que la courbe de remplissage 90 % calculée pour la chaı̂ne
de simulation DMIEH5C-2/Analog20 présente un palier à partir du 9 mai, égal à la capacité
S max de la retenue. En fait à partir de cette date, un volume supérieur à la capacité de rem-
plissage de la retenue (i.e. 1030 Mm3 ) est nécessaire pour au moins 10 % des scénarios afin de
satisfaire la cote au 1er juillet. Or à cette période de l’année, les apports nets sont toujours
élevés pour de nombreux scénarios (cf. Figures 8.7a). Si la réserve est pleine à partir du 9 mai,
il existe un risque important de déversement pour ces scénarios (si la réserve est pleine, il y a
déversement dès lors que l’apport au réservoir est supérieur au volume journalier pouvant être

210/279
 8.3. Discussion

turbiné Rmax ). Il en résulte pour cette chaı̂ne de simulation des déversements très élevés simulés
par le modèle AIC (cf. Tableau 8.3a). Les volumes déversés ne contribuant pas au critère GHEP ,
par combinaison, cela engendre la forte sous-estimation des revenus précédemment discutée pour
ce modèle de gestion.

En conclusion, la sous-estimation de GHEP et la surestimation de VDev par le modèle AIC pour

la chaı̂ne de simulation DMIEH5C-2/Analog20 résultent d’une forte variabilité inter-annuelle des
apports nets à la retenue. Cette variabilité se traduit par un faible quantile 10 des apports nets
et un cumul d’apports nets négatif sur une longue période précédant la date du 1er juillet. Par
suite, cela engendre une courbe guide de remplissage 90 % extrêmement sévère et un remplissage
complet de la réserve très tôt dans l’année, et conduit à d’importants déversements.
Notons que des résultats similaires sont obtenus pour la chaı̂ne de simulation DMIEH5C-1/Analog20
sur la période P2 .
Cette analyse peut également être conduite pour les autres chaı̂nes de simulation et sur les
autres périodes P0 , P1 et P2 . A cet effet, les quantiles 90 et 50 des courbes guides de remplissage,
obtenues pour l’ensemble des chaı̂nes de simulation GCM/Analog20 sur les périodes P0 , P1 et
P2 , sont illustrées Figure 8.8.
P0 P1 P2
CNCM33-1
1000 1000 1000
DMIEH5C-1
DMIEH5C-2
DMIEH5C-3
800 MPEH5C-1 800 800
EGMAM2-3
Sim-Obs
600 600 600

400 400 400

200 200 200

0 0 0
S O N D J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A

Figure 8.8 – Courbes guides de remplissage 90 % (courbes pleines) et courbes guides de rem-
plissage médianes (tirets). La courbe guide de remplissage 90 % est l’enveloppe
des quantiles 90 des 900 courbes guides de remplissage, obtenues pour chacune
des 900 années de l’historique (30 réalisations  30 années)

Pour l’ensemble des chaı̂nes de simulation, les courbes guides de remplissage 90 % (courbes
pleines Figure 8.8) sont de plus en plus sévères sur les périodes P1 et P2 , mais surtout elles
sont de plus en plus éloignées des courbes médianes (tirets Figures 8.8). Comme nous l’avons
détaillé précédemment, cela résulte de la diminution du quantile 10 des apports nets étant donné
i) la diminution des apports nets moyens et ii) l’augmentation de la variabilité inter-annuelle des
apports nets (Tableau 8.4).

Pour le modèle AIP, la gestion du remplissage de la retenue est également probabiliste, comme
le modèle AIC. Les courbes guides de remplissage 90 % recalculées chaque mois par ce modèle.
De même que pour les modèles AC et AIC, elles sont plus sévères sur les périodes P1 et P2 que
sur la période P0 (elles héritent en partie de l’augmentation de la variabilité inter-annuelle des
apports nets). Elles se situent entre les courbes de remplissage 90 % du modèle AIC présentées
en trait plein Figure 8.8 et les courbes de remplissage du modèle AC, dont les médianes sont

211/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

représentées par des tirets sur la Figure 8.8. Elles sont moins sévères que celles du modèles AIC
grâce au système de prévisions hydrologiques qui, comme sur la période P0 , permet de limiter la
sévérité de ces dernières et autorise des déstockages hivernaux en moyenne plus importants que
ceux obtenus par le modèle AIC (Figure 8.1) ce qui par suite, évite les configurations telles que
nous les avons observées pour le modèle AIC et les chaı̂nes de simulation DMIEH5C-1/Analog20
et DMIEH5C-2/Analog20.

8.4. Conclusion
L’influence des différentes représentations des stratégies de gestion sur l’estimation de la
performance du système modélisé de SP a été détaillée. Trois modèles de gestion ont été utilisés
à cet effet, à savoir :

ˆ Le modèle AIP, utilisant à la fois une connaissance climatologique des variables d’intérêt à
la gestion ainsi qu’un système de prévisions hydrologiques pour construire sa stratégie de
gestion. La performance estimée par ce modèle est considérée comme la plus représentative
du système réel de gestion de SP. Elle est considérée comme référence.
ˆ Le modèle AC, utilisant des prévisions parfaites des variables d’intérêt à la gestion pour
construire une stratégie parfaitement adaptée au contexte ressource-usages pour l’ensemble
de la période de simulation considérée. Ce modèle surestime la performance de référence.
ˆ Le modèle AIC, utilisant seulement une connaissance climatologique de l’avenir pour éta-
blir sa stratégie de gestion. Ce modèle sous-estime la performance de référence.

Pour chacun des trois modèles de gestion, l’estimation de la performance a été réalisée sur
trois périodes distinctes (i.e. 1970-1999 (P0 ), 2036-2065 (P1 ) et 2070-2099 (P2 ), en utilisant en
phase de simulation de la gestion, la stratégie de gestion propre à chacun de ces modèles. Ces
stratégies de gestion ont été optimisées sur chacune de ces périodes dans une étape préliminaire.

La question à laquelle nous souhaitions répondre était de savoir si l’utilisation d’un modèle
de gestion simplifié (comme AC et AIC) permettait d’évaluer convenablement la performance,
obtenue par ailleurs par un modèle de référence, sur chacune des périodes P0 , P1 et P2 . Cela
impliquerait que les surestimations et / ou sous-estimations des critères de performance calcu-
lées par le biais de ces modèles simplifiés sur une période de contrôle P0 , se conservent sur les
périodes futures P1 et P2 .

Pour le système analysé, les valeurs de surestimation ou du sous-estimation de la performance

par les modèles AC et AIC, peuvent être plus ou moins conservatives selon le critère considéré :

ˆ Pour le critère de fiabilité, la surestimation par le modèle AC, aussi bien que la sous-
estimation par le modèle AIC, sont similaires sur les périodes P1 et P2 vis-à-vis de la
période P0 .

ˆ Dans un contexte opérationnel, la prévisibilité partielle des apports à la réserve permet

au gestionnaire, pour à un même niveau de risque de défaillance vis-à-vis du respect de la

212/279
 8.4. Conclusion

cote touristique, d’être beaucoup moins sévère sur la courbe guide de remplissage. Celle
ci est adaptée en permanence, selon l’état observé du système. Cette adaptabilité échappe
complètement au modèle de gestion AIC qui conduit à une gestion de côte pendant la
période de remplissage beaucoup plus sévère pour les scénarios ou la variabilité inter-
annuelle des apports nets est élevée ce qui est le cas sur la période P2 pour deux chaı̂nes
de simulation (i.e. DMIEH5C-1/Analog20 et DMIUEH5C-2/Analog20). Dans ces cas, la
sous-estimation de la performance pour les critères GHEP et VDev n’est pas conservée, elle
augmente considérablement.

ˆ En climat futur, la sur-estimation de la performance vis-à-vis du critère de déversement

n’est pas conservée pour la modèle AC. La prévisibilité parfaite des apports à la retenue
d’une part, et la diminution des volumes d’apports printaniers d’autre part conduit en
effet à la suppression des déversements, ce qui n’est pas le cas pour le modèle de référence
AIP.

Les résultats obtenus sont sans doute très contextuels et liés :

ˆ à la façon dont sont construites les stratégies de gestion, c’est à dire à l’utilisation d’une
courbe guide de remplissage 90 %. Cela implique que la variabilité inter-annuelle des
apports nets a une influence majeure sur la stratégie de gestion et la performance du
système, en particulier pour le modèle AIC.
ˆ à la nature du bassin versant : de son régime hydrologique et des usages considérés via la
plus ou moins grande prévisibilité des apports nets d’une année à l’autre qui résulte i) de
la variabilité inter-annuelle des forçages météorologiques et ii) de l’inertie hydrologique du
bassin versant (i.e. stockage des précipitations hivernales et fonte au printemps). L’inertie
hydrologique diminue fortement de P0 à P1 puis à P2 . Cela aurait pu impliquer que la
surestimation de la performance obtenue avec le modèle AC augmente en climat futur et
que la sous-estimation de performance obtenue avec AIC diminue en climat futur. Cela
n’est cependant pas ressorti.

213/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

Synthèse
Objectifs
La modification de l’estimation de la performance d’un système de gestion peut
être évaluée entre une période de contrôle P0 (1970-1999) et une période future P1
(2036-2065) ou P2 (2070-2099), à partir des résultats de simulation d’un modèle de
gestion.
Ce chapitre explore la possibilité d’évaluer les probables modifications de la per-
formance estimée d’un système en climat futur, à partir d’une représentation très
simplifiée de la gestion de ce système (i.e. les modèles AIC et AC). L’estimation de la
performance du système évaluée à partir du modèle AIP est ici considérée être celle de
référence, car la gestion réalisée par ce dernier est la plus proche de celle réalisée en
opérationnel.

Cadre d’analyse
Les stratégies de gestion des modèles AIC et AIP sont établies sur les périodes P0 ,
P1 et P2 . Ce choix surestime a priori la performance de ces modèles sur ces périodes.
Néanmoins il présente l’avantage de calculer les stratégies de gestion des trois modèles
(i.e. AC, AIC et AIP) sur les mêmes périodes. Les différences de performances obtenues
entre ces trois modèles pourront être associées à la prévisibilité des variables d’intérêt
différente selon les modèles.

Principaux résultats
La surestimation de la performance avec le modèle AC et la sous-estimation de la
performance avec le modèle AIC sont plus ou moins conservées en climat futur. Ce
résultat est toutefois erroné pour certaines configurations ou pour certains critères :

ˆ Une stratégie de gestion basée sur la climatologie uniquement (i.e. modèle AIC)
peut engendrer une sous-estimation plus importante de la performance, en climat
futur qu’en climat de contrôle. En particulier lorsque la variabilité inter-annuelle
de certaines variables augmente en climat futur. Pour le cas d’étude exploré dans
cette thèse, cela concerne la variabilité inter-annuelle des apports nets qui struc-
ture la stratégie de gestion du modèle AIC.
ˆ La surestimation de la performance obtenue avec un modèle de gestion utilisant
une prévisibilité parfaite des variables d’intérêt de la gestion peut augmenter en
climat futur pour certain critère de performance. C’est le cas pour les volumes
déversés, qui deviennent nuls pour le modèle AC alors d’importants volumes sont
toujours déversés sur les périodes P1 et P2 avec le modèle de référence AIP.

214/279
Conclusions et Perspectives

215/279
 8.4. Conclusion

Rappel de la problématique

L’eau douce - ressource fragile - est indispensable à la vie, au développement et à l’environ-

nement. Le premier des quatre principes de Dublin (1992) retranscrit parfaitement la place de
l’eau dans nos sociétés. Historiquement, cette ressource a principalement été utilisée pour ap-
provisionner les populations et irriguer les terres agricoles. De nos jours, la ressource en eau est
utilisée dans de nombreux secteurs d’activités (agriculture, industrie, tourisme) et en particulier
celui de l’énergie. L’eau et l’énergie sont en effet indissociables : l’eau intervient dans la majorité
des moyens de production énergétique (refroidissement des centrales, hydroélectricité, biocar-
burant, extraction des ressources fossiles conventionnelles ou non conventionnelles). Les aspects
environnementaux et écologiques sont également de plus en plus considérés. Pour ces multiples
raisons, la gestion de la ressource en eau est depuis longtemps une des priorités de nos sociétés.

La gestion dans le temps et dans l’espace de cette ressource est possible grâce à de multiples
aménagements hydrauliques, construits le long des rivières. Les grands barrages, multiusages
pour la plupart, sont les pièces maı̂tresses de ces systèmes. De par leur importante capacité
de stockage, ils sont capables de moduler la fourniture en eau en fonction de la demande. Les
décisions prises quotidiennement par les gestionnaires de ces systèmes, sont guidées par des
règles de gestion qui se décomposent en i) une règle de répartition de la ressource en eau entre
les différents usages et usagers, et ii) une stratégie de distribution temporelle. Ces règles de
gestion, établies au fil des années, sont adaptées d’une part à la nature et à la diversité des
objectifs et usages à satisfaire, et d’autre part au contexte climatique courant. Durant le siècle
à venir, le contexte climat-usages devrait être profondément modifié, principalement pour les
raisons suivantes :

ˆ Le changement climatique : les projections du GIEC montrent que le système climatique,

du fait de l’augmentation des concentrations de gaz à effet de serre dans l’atmosphère, est
amené à évoluer. Ceci devrait induire une modification du régime des rivières, aussi bien
en termes d’apports moyens que de variabilité ainsi qu’une modification des usages de la
ressource en eau, aussi bien en termes d’intensité que de diversité.
ˆ Le changement des sociétés : il devrait intervenir à deux niveaux : Le premier niveau est lié
à la hausse de la population mondiale. Elle devrait exacerber le stress sur la disponibilité
de la ressource en eau pour l’ensemble des catégories d’usages (i.e. domestique, agricole
et industriel). Le deuxième niveau est lié au secteur énergétique qui est pour le siècle à
venir, confronté à un double challenge : celui de réduire l’utilisation des énergies fossiles
pour ne pas nuire plus à l’environnement et celui de garantir au plus grand nombre un
accès à l’énergie à un prix acceptable. Un nouveau mix énergétique, basé sur l’intégration
progressive des énergies renouvelables intermittentes (solaire, éolien) devrait s’imposer
durant les décennies à venir. La capacité des grands barrages à gérer de façon quasi-
instantanée les écarts entre offre et demande devrait les amener à avoir un rôle majeur à
l’échelle de vastes territoires.

En réponse à ces changements, les règles de gestion actuelles des systèmes de gestion devraient,
a priori, ne plus être adaptées. Estimer les probables modifications de la performance pour

217/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

des périodes futures nécessite de pouvoir simuler la gestion de ces systèmes. Ce type d’exercice
requiert une chaı̂ne de simulation composée de différents modèles et basée sur différents scénarios
d’évolution future, dont a minima :

ˆ De scénarios de forçages météorologiques pertinents à l’échelle des hydro-systèmes étudiés.

ˆ Des modélisations des contraintes et objectifs du système de gestion. Celles-ci permettront
d’estimer le devenir des apports au système ainsi que des différentes demandes, fonction
en particulier des scénarios météorologiques à l’échelle du système étudié.
ˆ Un modèle de gestion permettant de simuler les décisions prises au jour le jour par le
gestionnaire du système de ressource en eau considéré.

L’objet de cette thèse est i) de mettre en place la chaı̂ne de simulation permettant de faire
l’estimation de performance contrôle / futur pour un système de gestion donné et ii) d’estimer
en particulier l’effet de ces dernières sources d’incertitudes sur cette estimation.

Travail effectué

Le cadre d’analyse de ce travail de thèse est le projet de recherche RIWER 2030 (http:
//www.lthe.fr/RIWER2030/AboutRIWER.html) dont la région d’étude est limitée à la Durance
en amont de la retenue de Serre-Ponçon. Les GCMs utilisés pour la génération des variables
météorologiques grande échelle sont ceux de l’expérience STREAM2 du projet ENSEMBLES
[2009], pour le scénario A1B. Pour générer des scénarios de forçages météorologiques à l’échelle
du bassin de la Durance amont, trois MDES ont été considérées : Dsclim (Lafaysse [2011]), D2gen
(Mezghani et Hingray [2009]) et Analog (Obled et al. [2002]; Bontron [2004]), respectivement
développées au CERFACS, LTHE et à EDF. Le système de gestion de la ressource en eau
considéré est la retenue de Serre-Ponçon, située à l’exutoire du bassin versant étudié. Un ensemble
de scénarios météorologiques, générés dans le cadre du projet RIWER 2030 ont été utilisés en
entrées des modèles d’usages de l’eau et de gestion développés durant cette thèse.

Modélisation de la gestion de la retenue de Serre-Ponçon

La retenue de Serre-Ponçon est la pièce maitresse de la Chaı̂ne de Production Hydraulique

Durance-Verdon (CPH-DV). La description de l’ensemble des aménagements et des usages de
l’eau rattachés à la CPH-DV n’a pas été possible dans le cadre du projet RIWER 2030. Plu-
sieurs simplifications ont dû être réalisées. En particulier, seuls les trois principaux usages de la
ressource en eau de la retenue de Serre-Ponçon ont été retenus dans cette étude. Ils sont, par
ordre de priorité :

ˆ La satisfaction de la demande en eau en aval du système. Cette demande intègre à la fois

les besoins agricoles, domestiques et industriels.
ˆ L’usage touristique du lac de Serre-Ponçon.
ˆ L’optimisation de la production hydroélectrique de la retenue de Serre-Ponçon.

218/279
 8.4. Conclusion

Pour le premier point, nous avons proposé une modélisation de la demande à fournir à l’aval
de la retenue. Elle intègre une représentation conceptuelle de l’utilisation agricole de l’eau sur
le bassin de la Basse-Durance et les apports des bassins intermédiaires entre la retenue et les
périmètres irrigués.
La contrainte touristique se traduit par un niveau de remplissage à garantir au mieux lors des
mois de juillet et août. Nous avons modélisé cette contrainte par une courbe guide de remplissage
déterminée, dans le cas d’une gestion en avenir incertain, sur la base d’une analyse climatolo-
gique du risque de non satisfaction à 10 % de l’objectif de cote.
Pour le troisième point, la production hydroélectrique de la retenue est optimisée à partir d’un
intérêt à produire de l’énergie. Cet intérêt est supposé être la consommation électrique France,
dont une modélisation est proposée dans la thèse.

Trois modèles de gestion de la retenue de Serre-Ponçon ont été développés durant cette thèse.
Ils reposent sur une optimisation sous contrainte de la production énergétique. L’optimisation
consiste à réaliser le meilleur placement dans le temps de la production énergétique (en fonction
de l’intérêt à turbiner) tout en respectant les contraintes i) de satisfaction de la demande en
eau en aval et ii) de remplissage durant la période estivale. Ce problème d’optimisation est
résolu pour les trois modèles de gestion, à partir d’un algorithme de programmation dynamique.
La différence entre ces trois modèles de gestion intervient lors du processus d’optimisation des
stratégies de gestion. Elle résulte de différents degrés de prévisibilité des variables d’intérêt de
la gestion (apports, sollicitations), c’est à dire :

ˆ Une prévisibilité parfaite (modèle AC ”Avenir Certain”).

ˆ Une prévisibilité basée sur la seule connaissance de la climatologie des variables d’intérêt
de la gestion (modèle AIC ”Avenir Incertain Climatologique”)
ˆ Une prévisibilité intermédiaire basée sur la climatologie des variables météorologiques et
sur une prévision par simulation de la réponse hydrologique résultante pour les différents
bassins versant dont les apports conditionnent la gestion de la retenue (modèle AIP ”Avenir
Incertain Prévu”).

La description des contraintes et usages considérés dans le processus de gestion du système

modélisé de Serre-Ponçon étant très simplifiée par rapport au système réel, qui s’inscrit dans
une chaı̂ne de production à l’échelle régionale, les sorties des modèles de gestion sont difficile-
ment comparables aux données observées sur site. Cependant en termes de comportement, lors
d’années sèches ou d’années humides par exemple, les résultats des simulations sont satisfaisants.

Estimation de la performance de Serre-Ponçon

La performance d’un système réel est difficilement, voire impossible à calculer rigoureusement.
Il faudrait pour cela questionner l’ensemble des utilisateurs de la ressource pour connaitre leurs
critères de satisfaction / non satisfaction. De plus, la satisfaction / non satisfaction de certains
objectifs n’est pas quantifiable (bien être de la faune et la flore par exemple).
La performance peut cependant être estimée, à partir d’un ensemble de critères choisis. Les
critères retenus dans cette thèse sont :

219/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

ˆ Deux critères basés sur une quantification des défaillances du système vis-à-vis de l’objectif
touristique : un critère de fiabilité mesurant la fréquence des journées sans défaillance, deux
critères de vulnérabilité fournissant une mesure de leur intensité
ˆ Un indicateur de revenus, indiquant la capacité du modèle à optimiser la production en
fonction de l’intérêt à produire de l’énergie.
ˆ Un critère de déversements, indiquant la quantité d’eau déversée sur une période de simu-
lation fixée.

Le modèle AIP est sans aucun doute celui dont la gestion se rapproche le plus de celle réalisée
en opérationnel car il intègre un processus de prévisions hydrologiques dans l’optimisation de
la stratégie de gestion. La performance du système obtenue avec ce modèle est considérée être
une référence. A ce titre, la performance estimée avec le modèle AC est surestimée du fait d’une
connaissance parfaite de l’avenir. Celle estimée avec le modèle AIC est sous-estimée du fait d’une
connaissance limitée à la climatologie des variables d’intérêt de la gestion.

Les chaı̂nes de simulation considérées (i.e. les chaı̂nes GCM/Analog20 et DMIEH5C-1/MDES)

ont été évaluées dans le cadre du projet RIWER 2030 sur leur capacité à reproduire, pour la
période récente, les chroniques de températures et précipitations observées sur le bassin versant.
Les scénarios de forçages météorologiques obtenus reproduisent, à différentes échelles spatiales,
de manière satisfaisante et équivalente les températures et les précipitations aussi bien à l’échelle
saisonnière qu’à l’échelle annuelle. Il n’est donc pas possible, sur la base de ces scénarios, de
choisir une chaı̂ne de simulation particulière, pour effectuer une analyse de la performance de la
gestion en climat futur.
Pour une chaı̂ne de simulation donnée, du fait de la nature stochastique des GCMs et des MDES,
différentes réalisations météorologiques d’une même période peuvent être obtenues. En consé-
quence, la performance estimée à partir d’un même modèle de gestion varie d’une réalisation à
une autre. 100 scénarios de 240 ans au pas de temps journalier étaient disponibles pour chacune
des chaı̂nes de simulation mises en place dans le cadre du projet RIWER 2030. Nous avons
cependant montré pour les modèles AC et AIC, que l’utilisation de 30 réalisations météorolo-
giques d’une période de contrôle 1970-1999 (réanalyses NCEP) permet de stabiliser l’estimation
des moyennes des critères de performance. Ce nombre de réalisations permet également, dans
une moindre mesure, une estimation robuste de l’écart type des distributions des critères de
performance.

En climat futur, pour les scénarios et selon les chaı̂nes de simulation considérées, la perfor-
mance du système modélisé de Serre-Ponçon est amenée à diminuer quel que soit le modèle de
gestion considéré dans la majorité des configurations, en particulier :

ˆ la fiabilité vis-à-vis du respect de la cote touristique diminue résultant i) de la baisse des

apports à la retenue durant les mois de juillet et août et ii) de la hausse de la demande en
eau en aval à cette période.
ˆ la vulnérabilité associée augmente pour les mêmes raisons.

220/279
 8.4. Conclusion

ˆ L’indicateur de revenus diminue principalement du fait de la diminution des apports an-

nuels à l’échelle de l’année.
ˆ Les déversements diminuent également du fait de la baisse des apports durant la période
de l’onde de fonte.

Incertitudes liées aux scénarios de forçages météorologiques

En climat futur, les scénarios de forçages météorologiques varient d’une chaı̂ne de simulation
à une autre. Au contraire de ce qui est généralement admis pour les variables de précipitation
et de température, l’incertitude liée à la descente d’échelle est du même ordre de grandeur que
celle liée au GCMs.
Ces incertitudes se propagent par la suite en aval des MDES, sur les sorties des modèles de
contraintes et d’usages. Il en résulte des scénarios d’apports et de demandes différents sur ces
périodes. Pour ces sorties de modèles, l’incertitude liée aux MDES est une nouvelle fois du même
ordre de grandeur que celle liée aux GCMs.
Un résultat similaire est obtenu pour les modifications de la performance estimée du système
modélisé de Serre-Ponçon. Également, contrairement à ce qui est admis, le choix de la MDES
est un facteur significatif sur l’estimation de performance réalisée en climat modifié, tout comme
peut l’être celui d’un GCM particulier.

Des simulations continues de la gestion du système modélisé de Serre-Ponçon sur la période

1860-2099, ont permis d’apprécier, pour chaque chaı̂ne de simulation, la significativité des mo-
difications de performance. Pour le critère de revenus, les modifications obtenues ne sont pas
significatives pour certaines chaı̂nes de simulation, notamment pour celles dont les MDES uti-
lisent des variables thermo-dynamiques comme prédicteurs de grande échelle.

Ainsi, pour prendre en compte les incertitudes liées aux générations de forçages météoro-
logiques, nous préconisons l’utilisation de plusieurs GCMs (voir même de plusieurs runs d’un
même GCM) et de plusieurs MDES.

Incertitudes liées aux modèles de gestion

De même, la performance estimée est fortement dépendante du modèle retenu pour représen-
ter la stratégie de gestion. Dans le cas présent, nous avons aussi montré que la surestimation de la
performance du modèle AC et la sous-estimation du modèle AIC sont plus ou moins conservées
sur des périodes futures.
Néanmoins, cela n’est pas vérifié pour certains critères de performance, comme celui de déverse-
ment par exemple. De même la sous-estimation de la performance réalisée avec le modèle AIC
s’est révélée pouvoir largement augmenter, en particulier lorsque la variabilité inter-annuelle des
débits augmente fortement pour les climats futurs.

Nous sommes donc en droit d’attendre pour n’importe quel système de gestion, une estima-
tion potentiellement très erronée de la performance réelle du système de gestion, dès lors que

221/279
Chapitre 8. Performance estimée et Incertitudes liées aux modèles de gestion

l’on simplifie trop la façon de représenter la gestion.

De nombreuses études d’impact du changement de climat sur la performance des systèmes

de gestion de la ressource sont menées en considérant une prévisibilité parfaite des variables
d’intérêt futures (i.e. un modèle de gestion de type AC). Dans ce cas, l’impact du changement de
climat est sous-évalué. Cependant, de nombreux auteurs suggèrent de plus en plus de considérer
la nature incertaine des variables d’intérêt dans le processus de gestion (i.e. un modèle de gestion
de type AIC). Pour le cas d’étude analysé durant cette thèse, nous pouvons constater que ce type
d’approche peut donner une vision très biaisée de la performance du système en climat futur.
Une gestion de type AIP permet a priori une meilleure estimation de la performance. Néanmoins
si la prévisibilité de ce dernier diminue du fait de la diminution du stockage sous forme de neige
sur le bassin, nous devons nous attendre à des problèmes similaires tels que constatés pour le
modèle AIC.

Les résultats sont certainement très contextuels au cas d’étude de Serre-Ponçon, et en par-
ticulier à l’expression de certaines contraintes comme la courbe guide de remplissage 90 % qui
conduit la série des quantiles 10 des apports nets à fortement influencer les stratégies de gestion
du modèle AIC et dans une moindre mesure celle du modèle AIP.

Perspectives
L’estimation de la performance future d’un système de gestion est très incertaine. Deux
sources d’incertitudes majeures, liées à la génération des forçages météorologiques en climat mo-
difié, ont été mises en évidence dans cette thèse. Il en existe de nombreuses autres, comme celles
liées au devenir des usages de l’eau ou à la modélisation hydrologique par exemple. Nous pensons
que ces sources d’incertitudes doivent également être explorées ce qui n’est généralement pas le
cas dans les études réalisées.

Nous avons fait une analyse qualitative de la contribution des différentes sources d’incer-
titude à l’incertitude globale. Il serait intéressant et nécessaire de quantifier ces contributions
pour mieux estimer leurs importances relatives. Des analyses statistiques comme des analyses
de variance par exemple, pourraient être réalisées. A minima, il serait nécessaire de disposer
de résultats de simulation de gestion pour un nombre de chaı̂nes de simulation GCM/MDES
plus conséquents (matrice de chaine de simulation complète). A court terme, sur le bassin de
Serre-Ponçon, la matrice présentée dans le Tableau 7.1 doit être complétée. De telles analyses
statistiques pourraient faire ressortir des sources d’incertitudes très significatives par rapport
à d’autres, ce qui par suite, pourrait encourager certains axes de recherches pour les années à
venir comme par exemple l’amélioration des GCMs ou des MDES, ce qui est en dehors de notre
champ de compétence.

Les résultats obtenus dans cette thèse suggèrent également que l’utilisation d’un modèle dont
la représentation de la gestion est trop simplifiée, peut conduire à une sous-estimation ou une
surestimation importante de la performance du système. Pour le cas du système de gestion de
la CPH-DV, il est nécessaire d’étendre l’analyse de performance à une dimension supérieure de

222/279
 8.4. Conclusion

celle du projet RIWER 2030 qui est la retenue de Serre-Ponçon. Une perspective importante de
ce travail de thèse serait donc d’intégrer davantage de contraintes et d’usages de l’eau propre
à cette chaı̂ne de production hydraulique. Ce travail passe par une modélisation hydrologique
sur le bassin aval de Serre-Ponçon, une modélisation plus fine des pratiques agricoles et des
demandes en eau liées actuelles, une meilleure ”scénarisation” des usages futurs et de leur évo-
lution en nature et intensité. Dans une perspective où le mix énergétique est amené à évoluer,
en particulier du fait de l’intégration progressive des énergies renouvelables intermittentes, la
fonction d’intérêt à la production d’hydroélectricité doit également être repensée. Par exemple,
à même niveau de demande en énergie, la fonction objectif devrait privilégier la production lors
des journées nuageuses (peu de production solaire) et sans vent (peu de production éolienne).

Également cela nécessite la prise en compte des autres aménagements hydrauliques de la

CPH-DV, en particulier la retenue de Sainte-Croix sur le Verdon, dont la gestion est coor-
donnée avec celle de Serre-Ponçon. Les critères de performance qui ne couvrent que certains
aspects de la gestion et qui sont imparfaits par ailleurs, doivent être améliorés pour rendre
compte de la performance des systèmes multi-réservoirs. Ces différents aspects sont partielle-
ment pris en compte dans le cadre du projet de recherche R2D2 financé par le GICC a (https:
//r2d2-2050.cemagref.fr/). De façon plus large, la question de la gestion de la ressource
en eau et énergétique associée devrait être traitée à une échelle plus large que celle d’une sous-
région. L’intégration d’un grand nombre d’ouvrages dans un processus d’optimisation reste néan-
moins encore aujourd’hui difficile. Les ressources informatiques nécessaires deviennent rapide-
ment contraignantes.

La modification de la prévisibilité des apports et de la demande en climat futur est également

une question de première importance. Dans le cas d’étude traité dans cette thèse, la prévisibilité
des apports est toujours importante en climat futur du fait de la composante nivale du bassin
versant de montagne (bien que celle-ci diminue). Nous avons pu constater que dans un tel
contexte, d’apports et de demande très saisonniers, une représentation de la gestion basée sur la
climatologie pouvait engendrer une augmentation des sous-estimations de la performance si la
variabilité inter-annuelle est très importante.
Dans ces configurations, que dire des estimations de performance réalisées pour de plus larges
territoires, intégrant des cours d’eau au régime pluvial dont la variabilité inter-annuelle est par
nature beaucoup plus importante.
Une question qui découle de cette analyse concerne les GCMs. Que dire des projections en termes
de variabilité inter-annuelle ? Nous avons pu constater que différents runs d’un même GCM (i.e.
DMIEH5C) engendrent des variabilités inter-annuelles très différentes alors que celles-ci, du
moins pour le cas d’étude traité dans cette thèse, conditionnent fortement les estimations de
performance du système de Serre-Ponçon. Il serait donc souhaitable d’évaluer les GCMs sur ce
point.

a. Le programme Gestion et Impacts du Changement Climatique

223/279
224/279
Bibliographie

Ajami, N. K., Hornberger, G. M. et Sunding, D. L. (2008). Sustainable water resource

management under hydrological uncertainty. Water Resources Research, 44(11).

Allen, R., Pereira, L., Raes, D. et Smith, M. (1998). FAO irrigation and drainage paper no.
56. Crop evapotranspiration (guidelines for computing crop water requirements). FAO, Rome.

Arguez, A. et Vose, R. S. (2011). The definition of the standard WMO climate normal : The
key to deriving alternative climate normals. Bulletin of the American Meteorological Society,
92(6):699–704.

Balland, P., Huet, P., Lafont, E., Leteurtrois, J.-P. et Pierron, P. (2002). Propositions
de simplification et de modernisation du dispositif d’intervention de l’Etat sur la gestion des
eaux et du lit de la durance contribution à un plan durance. Rapport technique, Ministère
de l’écologie et du développement durable, Ministère de l’agriculture, de l’alimentation, de la
peche et des affaires rurales, Ministère délégué à l’industrie, Ministère de l’équipement, des
transports, du logement, du tourisme et de la mer.

Barnett, T. P., Adam, J. C. et Lettenmaier, D. P. (2005). Potential impacts of a warming

climate on water availability in snow-dominated regions. Nature, 438:303–309.

Bates, B., Kundzewicz, Z., Wu, S. et Palutikof (2008). Climate change and water. technical
paper of the intergovernmental panel on climate change. Rapport technique, IPCC Secretariat,
Geneva.

Bellman, R. (1957). Dynamic Programming. Defense Technical Information Center, New

Jersey, princeton university press édition.

Belmans, R. (2012). SmartGrids strategic researh agenda for R&D needs towards 2035. Rapport
technique, European Commission.

Beniston, M. (2003). Climatic change in mountain regions : A review of possible impacts.

Climatic Change, 59(1-2):5–31.

Bensalem, A., Bouhentala, A. et El-Maouhab, A. (2012). Deterministic optimal manage-

ment strategy of hydroelectric power plant. Energy Procedia, 18(0):225–234.

Bernard, G. (2007). Changements à long terme des peuplements de magnoliophytes d’un étang
sous forte influence anthropique : l’étang de Berre (Méditerranée, France). Thèse de doctorat,
Université de la Méditerranée (Aix-Marseille II).

225/279
Bertin, A. (1960). Le barrage de serre-ponçon, pièce maı̂tresse de l’aménagement de la durance.
Revue de géographie alpine, 48(4):625–687.

Beyene, T., Lettenmaier, D. P. et Kabat, P. (2010). Hydrologic impacts of climate change

on the nile river basin : implications of the 2007 IPCC scenarios. Climatic Change, 100(3-
4):433–461.

Boé, J., Terray, L., Habets, F. et Martin, E. (2006). A simple statistical-dynamical downs-
caling scheme based on weather types and conditional resampling. Journal of Geophysical
Research, 111(D23):D23106.

Bontron, G. (2004). Prévision quantitative des précipitations : adaptation probabiliste par

recherche d’analogues. Utilisation des Réanalyses NCEP/NCAR et application aux précipita-
tions du sud-est de la France. Thèse de doctorat, INPG, Grenoble.

Bourqui, M., Mathevet, T., Gailhard, J. et Hendrickx, F. (2011). Hydrological valida-

tion of statistical downscaling methods applied to climate model projections. IAHS-AISH
publication, pages 32–38.

Bourqui, M., Mathevet, T., Hingray, B., Gailhard, J., Hendrickx, F., Lafaysse, M. et
Mezghani, A. (2012). Evaluation hydrologique en temps présent de la chaı̂ne de modèle de
circulation générale / méthodes de déscente d’échelle statistique. In Les climats régionaux :
observations et modélisation, pages 153–158, Grenoble, France.

Brasseur, G. P. et Roeckner, E. (2005). Impact of improved air quality on the future evolution
of climate. Geophysical Research Letters, 32(23):L23704.

Broc, J. (2012). L’efficacité énergétique : une thématique pluridisciplinaire au coeur des enjeux
énergétiques, ecole energies et recherches, roscoff, france.

Cardoso, J. L., Quintela, A. d. C. et Mascarenhas, J. M. (1994). Barrages romains en

terre - bira baixa (portugal) : reconnaissance et caractérisation préliminaire. Mélanges de la
Casa de Velázquez, 30(1):87–106.

Castelletti, A., Pianosi, F., Quach, X. et Soncini-Sessa, R. (2011). Assessing water

resources management and development in northern vietnam. Hydrology and Earth System
Sciences Discussions, 8(4):7177–7206.

Chiew, F., Kamaladasa, N., Malano, H. et McMahon, T. (1995). Penman-monteith, FAO-

24 reference crop evapotranspiration and class-a pan data in australia. Agricultural Water
Management, 28(1):9–21.

Christensen, J. H., Carter, T. R., Rummukainen, M. et Amanatidis, G. (2007). Evaluating

the performance and utility of regional climate models : the PRUDENCE project. Climatic
Change, 81(1):1–6.

Christensen, J. H. et Christensen, O. B. (2003). Climate modelling : Severe summertime

flooding in europe. Nature, 421(6925):805–806.

226/279
Christensen, N. S., Wood, A. W., Voisin, N., Lettenmaier, D. P. et Palmer, R. N. (2004).
The effects of climate change on the hydrology and water resources of the colorado river basin.
Climatic Change, 62(1-3):337–363.

CIWEM (2010). Regulation for a sustainable water industry. Rapport technique, The Chartered
Institution of Water and Environmental Management (CIWEM).

Coron, L., Andréassian, V., Perrin, C., Lerat, J., Vaze, J., Bourqui, M. et Hendrickx,
F. (2012). Crash testing hydrological models in contrasted climate conditions : An experiment
on 216 australian catchments. Water Resources Research, 48(5):W05552.

De Marsily, G. (2009). L’eau, un trésor en partage. Quai des Sciences. Dunod.

Denarie, M. (2005). Coûts de fonctionnement des installations de neige de culture en france :

saison 2004/2005. Rapport technique, ODIT France / SEATM, Chambéry.

Desvouges, W. et Kerry Smith, V. (1983). Benefit-Cost Assessment Handbook for Water

Programs, volume 1. North Carolina : Research Tirangle Institute.

Dibike, Y. B. et Coulibaly, P. (2005). Hydrologic impact of climate change in the saguenay

watershed : comparison of downscaling methods and hydrologic models. Journal of Hydrology,
307(1-4):145–163.

Douville, H., Chauvin, F., Planton, S., Royer, J.-F., Salas-Mélia, D. et Tyteca, S.
(2002). Sensitivity of the hydrological cycle to increasing amounts of greenhouse gases and
aerosols. Climate Dynamics, 20(1):45–68.

Draper, A. (2001). Implicit Stochastic Optimization with Limited Foresight for Reservoir Sys-
tems. Thèse de doctorat, University of California.

Draper, A. J., Jenkins, M. W., Kirby, K. W., Lund, J. R. et Howitt, R. E. (2003).

Economic-engineering optimization for california water management. Journal of water re-
sources planning and management, 129(3):155–164.

Dufresne, J.-L., Quaas, J., Boucher, O., Denvil, S. et Fairhead, L. (2005). Contrasts in
the effects on climate of anthropogenic sulfate aerosols between the 20th and the 21st century.
Geophysical Research Letters, 32(21):L21703.

Dupeyrat, A., Agosta, C., Sauquet, E. et Hendrickx, F. (2008). Sensibilité aux variations
climatiques d’un bassin à forts enjeux - le cas de la garonne. In Proceedings 13th IWRA World
Water Congress, volume 15.

Durand, Y., Laternser, M., Giraud, G., Etchevers, P., Lesaffre, B. et Merindol, L.
(2009). Reanalysis of 44 yr of climate in the french alps (1958-2002) : Methodology, model
validation, climatology, and trends for air temperature and precipitation. J. Appl. Meteorol.
Climatol., 48(3):429–449.

EDF (2011). La production d’électricité d’origine hydraulique. Note d’information, page 7.

227/279
EDF (2012a). L’hydroélectricité, 1ère énergie renouvelable en région provence-alpes-côtes d’azur.

EDF (2012b). L’énergie hydraulique, première des énergies renouvelables du groupe EDF. Dos-
sier de presse.

ENSEMBLES (2009). Climate change and its impacts : Summary of research and results from
the ENSEMBLES project. Rapport technique, Met Office Hadley Centre, Exeter, UK.

Eum, H.-I. et Simonovic, S. P. (2010). Integrated reservoir management system for adaptation
to climate change : The nakdong river basin in korea. Water Resources Management, 24(13):
3397–3417.

Faber, B. et Stedinger, J. (2001). Reservoir optimization using sampling SDP with ensemble
streamflow prediction (ESP) forecasts. Journal of Hydrology, 249(1–4):113–133.

Foufoula-Georgiou, E. et Kitanidis, P. K. (1988). Gradient dynamic programming for

stochastic optimal control of multidimensional water resources systems. Water Resources
Research, 24(8):P. 1345.

François, B., Hingray, B., Hendrickx, F. et Creutin, J. (2013). The value of storage water :
a climatological signature for global impacts studies. (submitted).

Fritsch, F. et Carlson, R. (1980). Monotone piecewise cubic interpolation. SIAM Journal

on Numerical Analysis, page 238–246.

Garçon, R. (1996). Prévision opérationnelle des apports de la durance à serre-ponçon à l’aide

du modèle MORDOR. bilan de l’année 1994-1995. La Houille Blanche, (5):71–76.

Georgakakos, A. P. (1993). Operational trade-offs in reservoir control. Water Resources

Research, 29(11):PP. 3801–3819.

Giannakopoulos, C., Bindi, M., Moriondo, M., LeSager, P. et Tin, T. (2005). Climate
change impacts in the mediterranean resulting from a 2 c global temperature rise. WWF
Report, Gland, Switzerland, WWF.

Giorgi, F., Bi, X. et Pal, J. (2004). Mean, interannual variability and trends in a regional
climate change experiment over europe. II : climate change scenarios (2071-2100). Climate
Dynamics, 23(7-8):839–858.

Goor, Q., Halleux, C., Mohamed, Y. et Tilmant, A. (2010). Optimal operation of a mul-
tipurpose multireservoir system in the eastern nile river basin. Hydrol. Earth Syst. Sci.,
14(10):1895–1908.

Greimann, B., Brekke, L., Gangopadhyay, S., Pruitt, T., Raff, D., Huang, V. et Makar,
P. (2012). Reservoir sediment management in response to climate change.

Gupta, H. V., Kling, H., Yilmaz, K. K. et Martinez, G. F. (2009). Decomposition of the

mean squared error and NSE performance criteria : Implications for improving hydrological
modelling. Journal of Hydrology, 377(1–2):80–91.

228/279
Habets, F., Boone, A., Champeaux, J. L., Etchevers, P., Franchistéguy, L., Leblois,
E., Ledoux, E., Le Moigne, P., Martin, E., Morel, S., Noilhan, J., Quintana Se-
guı́, P., Rousset-Regimbeau, F. et Viennot, P. (2008). The SAFRAN-ISBA-MODCOU
hydrometeorological model applied over france. Journal of Geophysical Research, 113(D6).

Hargreaves, G. L., Hargreaves, G. H. et Riley, J. P. (1985). Agricultural benefits for

senegal river basin. Journal of Irrigation and Drainage Engineering, 111(2):113–124.

Hashimoto, T., Stedinger, J. R. et Loucks, D. P. (1982). Reliability, resiliency, and vulne-

rability criteria for water resource system performance evaluation. Water Resources Research,
18(1):14.

Hazen, A. (1914). Storage to be provided in impounding reservoirs for municipal water supply.
Transactions American Society of Civil Engineers, 77:1539–1640.

Heidari, M., Chow, V. T., Kokotović, P. V. et Meredith, D. D. (1971). Discrete differential

dynamic programing approach to water resources systems optimization. Water Resources
Research, 7(2):273–282.

Hein, L., Metzger, M. J. et Moreno, A. (2009). Potential impacts of climate change on

tourism ; a case study for spain. Current Opinion in Environmental Sustainability, 1(2):170–
178.

Hendrickx, F. (2001). Impact hydrologique d’un changement climatique sur le bassin du rhône.
In Hydroécologie appliquée, volume 13, pages 77–100, Chinon, FRANCE. Electricité de France.

Hingray, B., Hendrickx, F., Bourqui, M., Creutin, J., François, B., Gailhard, J., La-
faysse, M., Le Moine, N., Mathevet, T., Mezghani, A. et Monteil, C. (2013). RI-
WER2030 : Climats régionaux et incertitudes, ressources en eau et gestion associée de 1860 à
2100. Rapport final Projet ANR VMCS 2009-2012, CNRS/LTHE, EDF/LNHE, EDF/DTG,
Grenoble. http ://www.lthe.fr/RIWER2030/.

Hingray, B., Mezghani, A. et Buishand, T. A. (2007a). Development of probability distri-

butions for regional climate change from uncertain global mean warming and an uncertain
scaling relationship. Hydrol. Earth Syst. Sci., 11(3):1097–1114.

Hingray, B., Mouhous, N., Mezghani, A., Bogner, K., Schaefli, B. et Musy, A. (2007b).
Accounting for global-mean warming and scaling uncertainties in climate change impact stu-
dies : application to a regulated lake system. Hydrol. Earth Syst. Sci., 11(3):1207–1226.

Hingray, B., Picouet, C. et Musy, A. (2009a). Processus et modélisation hydrologique en

milieu alpin. In Hydrologie : Tome 2, Une science pour l”ingénieur, page 70. PPUR presses
polytechniques.

Hingray, B., Picouet, C. et Musy, A. (2009b). Propagation des écoulements. In Hydrologie :

Tome 2, Une science pour l”ingénieur, page 50. PPUR presses polytechniques.

229/279
Hingray, B., Picouet, C. et Musy, A. (2009c). Scénarios météorologiques. In Hydrologie :
Tome 2, Une science pour l”ingénieur, page 70. PPUR presses polytechniques.

Horton, P., Schaefli, B., Mezghani, A., Hingray, B. et Musy, A. (2006). Assessment of
climate-change impacts on alpine discharge regimes with climate model uncertainty. Hydro-
logical Processes, 20(10):2091–2109.

Houdant, B. (2004). Contribution à l’amélioration de la prévision hydrométéorologique opé-

rationnelle. Pour l’usage des probabilités dans la communication entre acteurs. Thèse de
doctorat, ENGREF (AgroParisTech).

Huebener, H., Cubasch, U., Langematz, U., Spangehl, T., Niehorster, F., Fast, I. et
Kunze, M. (2007). Ensemble climate simulations using a fully coupled ocean-troposphere-
stratosphere general circulation model. Philosophical Transactions of the Royal Society A :
Mathematical, Physical and Engineering Sciences, 365(1857):2089–2101.

Hveding, V. (1968). Digital simulation techniques in power system planning. Economics of

Planning, 8(1):118–139.

Iacona, E., Taine, J. et Tamain, B. (2012). Les enjeux de l’énergie, Après Fukushima. Uni-
verSciences. Dunod, 2 édition.

IPCC (2007a). Climate change 2007 : The physical basis. contribution of working group i to
the fourth assessment report of the intergovernmental panel on climate change. Rapport
technique.

IPCC (2007b). Climate change 2007 : Synthesis report. contributions of work groups i, II and
III to the fourth assessment report of the intergovernmental panel of climate change. Rapport
technique.

Jain, S. et Bhunya, P. (2008). Reliability, resilience and vulnerability of a multipurpose storage

reservoir. http ://cat.inist.fr/ ?aModele=afficheN&cpsidt=20258509.

Jain, S. K., Goel, M. K. et Agarwal, P. K. (1998). Reservoir operation studies of sabarmati

system, india. Journal of Water Resources Planning and Management, 124(1):31–37.

Jeuland, M. (2010). Economic implications of climate change for infrastructure planning in

transboundary water systems : An example from the blue nile. Water Resources Research, 46.

Jinno, K. (1995). Risk assessment of a water supply system during drought. International
Journal of Water Resources Development, 11(2):185–204.

Kalnay, E., Kanamitsu, M., Kistler, R., Collins, W., Deaven, D., Gandin, L., Iredell,
M., Saha, S., White, G., Woollen, J., Zhu, Y., Leetmaa, A., Reynolds, R., Chelliah,
M., Ebisuzaki, W., Higgins, W., Janowiak, J., Mo, K. C., Ropelewski, C., Wang, J.,
Jenne, R. et Joseph, D. (1996). The NCEP/NCAR 40-year reanalysis project. Bulletin of
the American Meteorological Society, 77(3):437–471.

230/279
Karl, T. R., Melillo, J. M., Peterson, T. C. et Hassol, S. J. (2009). Global Climate Change
Impacts in the United States. Cambridge University Press.

Kelman, J., Stedinger, J. R., Cooper, L. A., Hsu, E. et Yuan, S.-Q. (1990). Sampling
stochastic dynamic programming applied to reservoir operation. Water Resources Research,
26(3):PP. 447–454.

Kirk, D. E. (2004). Optimal control theory : an introduction. Courier Dover Publications.

Kjeldsen, T. et Rosbjerg, D. (2004). Choice of reliability, resilience and vulnerability estima-

tors for risk assessments of water resources systems. Hydrological Sciences Journal, 5(49):755–
767.

Klemeš, V. (1977). Discrete representation of storage for stochastic reservoir optimization.

Water Resources Research, 13(1):149–158.

Knox, J. C. (2000). Sensitivity of modern and holocene floods to climate change. Quaternary
Science Reviews, 19(1-5):439–457.

Kundzewicz (2009). Adaptation to floods and droughts in the baltic sea basin under climate
change. Boreal Environment research, 14:193–203.

Kundzewicz, Z. W. et Kindler, J. (1995). Multiple criteria for evaluation of reliability aspects

of water resource systems. IAHS Publications-Series of Proceedings and Reports-Intern Assoc
Hydrological Sciences, 231:217–224.

Labadie, J. (2004). Optimal operation of multireservoir systems : State-of-the-art review. Jour-

nal of Water Resources Planning and Management, 130(2):93–111.

Lafaysse, M. (2011). Changement climatique et régime hydrologique d’un bassin alpin. Géné-
ration de scénarios sur la Haute-Durance, méthodologie d’évaluation et incertitudes associées.
Thèse, Université Toulouse III - Paul Sabatier.

Lafaysse, M., Hingray, B., Etchevers, P., Martin, E. et Obled, C. (2011). Influence
of spatial discretization, underground water storage and glacier melt on a physically-based
hydrological model of the upper durance river basin. Journal of Hydrology, 403(1-2):116–129.

Lafaysse, M., Hingray, B., Terray, L., Gailhard, J. et Mezghani, A. (2013). Sources of
uncertainties in future climate and hydrological projections : the alpine durance basin. Water
Resources Research.

Lettenmaier, D. P., Wood, A. W., Palmer, R. N., Wood, E. F. et Stakhiv, E. Z. (1999).

Water resources implications of global warming : A U.S. regional perspective. Climatic Change,
43(3):537–579.

Leveque, F. (2012). Entretien personnel.

231/279
Livezey, R. E., Vinnikov, K. Y., Timofeyeva, M. M., Tinker, R. et van den Dool, H. M.
(2007). Estimation and extrapolation of climate normals and climatic trends. Journal of
Applied Meteorology and Climatology, 46(11):1759–1776.

Loucks, D. P. (1997). Quantifying trends in system sustainability. Hydrological Sciences Jour-

nal, 42(4):513–530.

Madani, K. et Lund, J. (2010). Estimated impacts of climate warming on california’s high-

elevation hydropower. Climatic Change, 102(3):521–538.

Mahiou, B., Giuge, M., Roux, D. et Balland, P. (2003). Le barrage de serre ponçon. retour
d’expérience socio-économique de sa construction et évolution, de son exploitation multi-
usages. EDF.

Manoha, B., Hendrickx, F., Dupeyrat, A., Bertier, C. et Parey, S. (2008). Impact des
évolutions climatiques sur les activités d’EDF (projet impec)Climate change impact on the
activities of electricité de france. La Houille Blanche, 1(2):55–60.

Marnezy, A. (2008). Les barrages alpins. de l’énergie hydraulique à la neige de culture. Revue
de géographie alpine. Journal of Alpine Research, 1(96):92–102.

May, W. (2008). Climatic changes associated with a global “2°C-stabilization” scenario simulated
by the ECHAM5/MPI-OM coupled climate model. Climate Dynamics, 31(2):283–313.

Mazoyer, M. et Roudart, L. (1998). Histoire des agricultures du monde. du néolithique à la

crise contemporaine. Tiers-Monde, 39(153):211–212.

McMahon, T., Adeloye, A. et Zhou, S. (2006). Understanding performance measures of

reservoirs. Journal of Hydrology, 324(1-4):359–382.

Meire, P. (2008). Integrated water management : practical experiences and case studies. Numéro
v. 80 de NATO science series. Springer, Dordrecht, The Netherlands.

Mezghani, A. et Hingray, B. (2009). A combined downscaling-disaggregation weather gene-

rator for stochastic generation of multisite hourly weather variables over complex terrain :
Development and multi-scale validation for the upper rhone river basin. Journal of Hydrology,
377(3–4):245–260.

Middelkoop, H., Daamen, K., Gellens, D., Grabs, W., Kwadijk, J. C. J., Lang, H.,
Parmet, B., Sch\ädler, B., Schulla, J. et Wilke, K. (2001). Impact of climate change on
hydrological regimes and water resources management in the rhine basin. Climatic Change,
49(1):105–128.

Mideksa, T. K. et Kallbekken, S. (2010). The impact of climate change on the electricity

market : A review. Energy Policy, 38(7):3579–3585.

Miller, K. A., Rhodes, S. L. et Macdonnell, L. J. (1997). Water allocation in a changing

climate : institutions and adaptation. Climatic Change, 35(2):157–177.

232/279
Milly, P. C. D., Betancourt, J., Falkenmark, M., Hirsch, R. M., Kundzewicz, Z. W.,
Lettenmaier, D. P. et Stouffer, R. J. (2008). CLIMATE CHANGE : stationarity is dead :
Whither water management ? Science, 319(5863):573–574.

Minville, M., Brissette, F., Krau, S. et Leconte, R. (2009). Adaptation to climate change
in the management of a canadian water-resources system exploited for hydropower. Water
Resources Management, 23(14):2965–2986.

Moatar, F. et Gailhard, J. (2006). Water temperature behaviour in the river loire since 1976
and 1881. Comptes Rendus Geoscience, 338(5):319–328.

Morin, G., Fortin, J. P. et Charbonneau, R. (1975). Utilisation du modèle hydrophysiogra-

phique CEQUEAU pour l’exploitation des réservoirs artificiels. In International Symposium
and workshops on the application of mathematical models in hydrology and water resources
systems, volume 115, page 176–184.

Moy, W.-S., Cohon, J. L. et ReVelle, C. S. (1986). A programming model for analysis of the
reliability, resilience, and vulnerability of a water supply reservoir. Water Resources Research,
22(4):PP. 489–498.

Nakicenovic, N., Alcamo, J., Davis, G., de Vries, B., Fenhann, J., Gaffin, S., Gregory,
K., Grubler, A., Jung, T. Y., Kram, T., La Rovere, E. L., Michaelis, L., Mori, S.,
Morita, T., Pepper, W., Pitcher, H. M., Price, L., Riahi, K., Roehrl, A., Rogner, H.-
H., Sankovski, A., Schlesinger, M., Shukla, P., Smith, S. J., Swart, R., van Rooijen,
S., Victor, N. et Dadi, Z. (2001). Special Report on Emissions Scenarios : a special report
of Working Group III of the Intergovernmental Panel on Climate Change.

Nohara, D., Kitoh, A., Hosaka, M. et Oki, T. (2006). Impact of climate change on river
discharge projected by multimodel ensemble. Journal of Hydrometeorology, 7(5):1076–1089.

Obled, C., Bontron, G. et Garcon, R. (2002). Quantitative precipitation forecasts : A

statistical adaptation of model outputs through an analogues sorting approach. Atmospheric
research, 63(3-4):303–324.

Oliveira, R. et Loucks, D. P. (1997). Operating rules for multireservoir systems. Water

Resources Research, 33(4):PP. 839–852.

Parent, E. (1991). Élaboration des consignes de gestion des barrages-réservoirs. Thèse de

doctorat, Ecole Nationale des Ponts et Chaussées.

Parent, E., Lebdi, F. et Hurand, P. (1991). Gestion stratégique d’un système de ressources
en eau : l’exemple du système NESTE = strategic operation of a water resource system :
application to the NESTE water resource system. Revue des sciences de l’eau, 4(4):543–567.

Parkpoom, S., Harrison, G. et Bialek, J. (2004). Climate change impacts on electricity de-
mand. In Universities Power Engineering Conference, 2004. UPEC 2004. 39th International,
volume 3, pages 1342–1346 vol. 2.

233/279
Payne, J. T., Wood, A. W., Hamlet, A. F., Palmer, R. N. et Lettenmaier, D. P. (2004).
Mitigating the effects of climate change on the water resources of the columbia river basin.
Climatic Change, 62(1-3):233–256.

Perry, A. et Smith, K. (1996). Recreation and tourism. Climate change report, Department
of the Environment, London.

Prudhomme, C. (2003). Projet GIS durance - génération de chroniques de débit liquide. Com-
munication interne EDF R&D, EDF R&D.

Rio Carrillo, A. M. et Frei, C. (2009). Water : A key resource in energy production. Energy
Policy, 37(11):4303–4312.

Rixen, C., Teich, M., Lardelli, C., Gallati, D., Pohl, M., Pütz, M. et Bebi, P. (2011).
Winter tourism and climate change in the alps : An assessment of resource consumption, snow
reliability, and future snowmaking potential. Mountain Research and Development, 31(3):229–
236.

Roche, P.-A., Miquel, J. et Gaume, E. (2012). Hydrologie quantitative. Ingénérie et dévelop-

pement durable. Springer.

Rogers, P., Bhatia, R. et Huber, A. (1998). Water as a social and economic good : how to
put the principle into practice. Global Water Partnership/Swedish International Development
Cooperation Agency.

Roux, D. (2003). Un exemple de gestion concertée en période de sécheresse - le bassin de la

durance dans le sud-est de la france en 2002. In 20ème conférence régionale européenne de la
Commission Internationale des Irrigations et du Drainage, Montpellier.

RTE (2011). Le bilan électrique français 2010. Rapport technique, Réseau de transport d’élec-
tricité.

RTE (2012). Bilan prévisionnel de l’équilibre offre-demande d’électricité en france, edition 2012.
Rapport technique, Réseau de transport d’électricité.

Rummukainen, M. (2010). State-of-the-art with regional climate models. Wiley Interdiscipli-

nary Reviews : Climate Change, 1(1):82–96.

Salas-Melia, D., Chauvin, F., Déqué, M., Douville, H., Gueremy, J., Marquet, P.,
Planton, S., Royer, J. et Tyteca, S. (2005). Description and validation of the CNRM-
CM3 global coupled model, CNRM working note 103. Rapport technique.

Sambarino, P. et Roux, D. (2008). Impact du changement climatique sur la gestion de l’eau et

la production hydraulique. perception des acteurs du bassin aménagé de la durance. page 14,
EDF R&D Clamart. Colloque Interne.

Saporta, G. (2006). L’analyse en composante principale. In Probabilités, analyse des données

et statistique, pages 155–188. Technip.

234/279
Sauquet, E. (2009). Climat et aménagements de la garonne : Quelles incertitudes sur la res-
source en 2030 ? Rapport de fin de projet, EDF, Cemagref, Agence de l’eau.

Schaefli, B., Hingray, B. et Musy, A. (2007). Climate change and hydropower production
in the swiss alps : quantification of potential impacts and related modelling uncertainties.
Hydrology and Earth System Sciences, 11(3):1191–1205.

Schneider, C., Laizé, C. L. R., Acreman, M. C. et Flörke, M. (2012). How will climate
change modify river flow regimes in europe ? Hydrology and Earth System Sciences Discus-
sions, 9(8):9193–9238.

Schnitter, N. (1988). The evolution of embankment dams. Water Power & Dams Handbook,
pages 27–35.

Seidou, O., Marche, C., Robert, B. et Rousselle, J. (2003). La gestion à risque contrôlé
des réservoirs hydroélectriques. Canadian Journal of Civil Engineering, 30(6):1111–1122.

Simonovic, S. et Akter, T. (2004). Modelling uncertainties in short-term reservoir operation

using fuzzy sets and a genetic algorithm. Hydrological Sciences Journal, 49(6):1081–1097.

Straile, D., Jöhnk, K. et Rossknecht, H. (2003). Complex effects of winter warming on the
physicochemical characteristics of a deep lake. Limnology and oceanography, 48(4):1432–1438.

Sun, Q., Ge, X., Liu, L., Xu, X., Zhang, Y., Niu, R. et Zeng, Y. (2011). Review of smart
grid comprehensive assessment systems. In Huang, Q. et Kang, J. Z., éditeurs : Proceedings
of International Conference on Smart Grid and Clean Energy Technologies (icsgce 2011),
volume 12, Amsterdam. Elsevier Science Bv.

Teytaud, O., Aı̈d, R., Grellier, V. et Renaud, A. (2004). Application de l’apprentissage par
renforcement à la gestion du risque. Journal Electronique d’Intelligence Artificielle, 6:1–23.

Tilmant, A. et Kelman, R. (2007). A stochastic approach to analyze trade-offs and risks

associated with large-scale water resources systems. Water Resources Research, 43(6).

Tilmant, A., Pinte, D. et Goor, Q. (2008). Assessing marginal water values in multipurpose
multireservoir systems via stochastic programming. Water Resources Research, 44(12).

Tourasse, P. (1991). Prévision et télésurveillance hydrométéorologique à EDF. La Houille

Blanche, 46(2):149–154.

Turgeon, A. (2005). Solving a stochastic reservoir management problem with multilag auto-
correlated inflows. Water Resources Research, 41.

Turgeon, A. (2007). Stochastic optimization of multireservoir operation : The optimal reservoir

trajectory approach. Water Resources Research, 43:10 PP.

Turral, H., Burke, J. et Faurès, J.-M. (2011). Climate change, water and food security.
Rapport technique, FAO, Fppd and Agriculture Organization of the United Nations.

235/279
Vanrheenen, N. T., Wood, A. W., Palmer, R. N. et Lettenmaier, D. P. (2004). Potential
implications of PCM climate change scenarios for sacramento-san joaquin river basin hydro-
logy and water resources. Climatic change, 62(1-3):257–281.

Veijalainen, N., Dubrovin, T., Marttunen, M. et Vehviläinen, B. (2010). Climate change

impacts on water resources and lake regulation in the vuoksi watershed in finland. Water
Resources Management, 24(13):3437–3459.

Vicuña, S., Dracup, J. et Dale, L. (2011). Climate change impacts on two high-elevation
hydropower systems in california. Climatic Change, 109(0):151–169.

Vicuña, S., Dracup, J. A., Lund, J. R., Dale, L. L. et Maurer, E. P. (2010). Basin-scale
water system operations with uncertain future climate conditions : Methodology and case
studies. Water Resources Research, 46(4).

Vicuña, S., Leonardson, R., Hanemann, M. W., Dale, L. L. et Dracup, J. A. (2008).

Climate change impacts on high elevation hydropower generation in california’s sierra nevada :
a case study in the upper american river. Climatic Change, 87(S1):123–137.

Vidal, J.-P., Martin, E., Franchistéguy, L., Baillon, M. et Soubeyroux, J.-M. (2010).
A 50-year high-resolution atmospheric reanalysis over france with the safran system. Inter-
national Journal of Climatology, 30(11):1627–1644.

Viviroli, D., Archer, D. R., Buytaert, W., Fowler, H. J., Greenwood, G. B., Hamlet,
A. F., Huang, Y., Koboltschnig, G., Litaor, M. I., López-Moreno, J. I., Lorentz,
S., Schädler, B., Schreier, H., Schwaiger, K., Vuille, M. et Woods, R. (2011). Cli-
mate change and mountain water resources : overview and recommendations for research,
management and policy. Hydrol. Earth Syst. Sci., 15(2):471–504.

Viviroli, D. et Weingartner, R. (2004). The hydrological significance of mountains : from

regional to global scale. Hydrol. Earth Syst. Sci., 8(6):1017–1030.

Vliet, M. T. H. v., Yearsley, J. R., Ludwig, F., Vögele, S., Lettenmaier, D. P. et Kabat,
P. (2012). Vulnerability of US and european electricity supply to climate change. Nature
Climate Change.

Vogel, R. M. et Stedinger, J. R. (1988). The value of stochastic streamflow models in overyear

reservoir design applications. Water Resources Research, 24(9):1483–1490.

Vörösmarty, C. J., Green, P., Salisbury, J. et Lammers, R. B. (2000). Global water

resources : Vulnerability from climate change and population growth. Science, 289(5477):284–
288.

Ward, F. A., Roach, B. A. et Henderson, J. E. (1996). The economic value of water in

recreation : Evidence from the california drought. Water Resources Research, 32(4):1075–
1081.

236/279
Westaway, R. (2000). Modelling the potential effects of climate change on the grande dixence
hydro-electricity scheme, switzerland. Water and Environment Journal, 14(3):179–185.

Whitehead, P. G., Wilby, R. L., Battarbee, R. W., Kernan, M. et Wade, A. J. (2009).

A review of the potential impacts of climate change on surface water quality. Hydrological
Sciences Journal, 54(1):101–123.

WMO (2007). The role of climatological normals in a changing climate. Rapport technique 61,
World Meteorological Organization.

Wolfgang, O., Haugstad, A., Mo, B., Gjelsvik, A., Wangensteen, I. et Doorman, G.
(2009). Hydro reservoir handling in norway before and after deregulation. Energy, 34(10):
1642–1651.

Wurbs, R. A. (1993). Reservoir-system simulation and optimization models. Journal of water

resources planning and management, 119(4):455–472.

Xu, C.-y. (1999). Climate change and hydrologic models : A review of existing gaps and recent
research developments. Water Resources Management, 13(5):369–382.

Yakowitz, S. (1982). Dynamic programming applications in water resources. Water Resources

Research, 18(4):673–696.

Yao, H. et Georgakakos, A. (2001). Assessment of folsom lake response to historical and

potential future climate scenarios : 2. reservoir management. Journal of Hydrology, 249(1-
4):176–196.

Yeh, W. W.-G. (1985). Reservoir management and operations models : A state-of-the-art review.
Water Resources Research, 21(12):1797–1818.

Yip, S., Ferro, C. A. T., Stephenson, D. B. et Hawkins, E. (2011). A simple, coherent

framework for partitioning uncertainty in climate predictions. Journal of Climate, 24(17):
4634–4643.

237/279
238/279
Annexe A

Annexes

A.1. Article soumis à Water Resources

Research

239/279
Chapitre A. Annexes

Climatological signature of storage water value

for global change impact studies

Baptiste François 1, Benoit Hingray 2, Frédéric Henrickx 3 et Jean-Dominique Creutin 4

1
CNRS, LTHE, 1025 rue de la piscine, F-38400 Saint Martin d’Hères, France (baptiste.francois@ujf-
grenoble.fr)
2
CNRS, LTHE, 1025 rue de la piscine, F-38400 Saint Martin d’Hères, France ([email protected])
3
EDF, R&D, 6 quai Watier, F-78041 Chatou Cedex, France ([email protected])
4
CNRS, LTHE, 1025 rue de la piscine, F-38400 Saint Martin d’Hères, France (jean-dominique.Creutin@ujf-
grenoble.fr)

Abstract
Deterministic dynamic programming can be used to retrospectively identify optimal
management operations of water storage reservoirs that could have been achieved for a given
time period in an ideal configuration where future inflows and demand are perfectly known. A
by-product of dynamic programming is the estimation of the storage water value (SWV). This
corresponds to the marginal value of the future benefits that would be obtained from more
water in the reservoirs and therefore determines the optimal operating strategy for the
reservoir. SWV depends on the reservoir level and shows seasonal as well as inter-annual
variations. It reflects the adequacy between inflows and demand in terms of both total
amounts and timing within the period.
The SWV approach is applied to a simplified water resource system in a mountainous region
to better understand the optimal operating strategy and the underlying adequacy between
water resources and uses. The SWV is then used to characterize how and why the adequacy
and optimal strategy could change for the system if the climate and/or demand change. The
sensitivity of SWV to changes in mean regional temperature (increase) and/or precipitation
(decrease) is analyzed. The influence of the nature of water demand on the SWV is also
described (energy production or minimum lake level maintenance).
In the studied case, the adequacy between water resources and demand can either increase or
decrease depending on the future scenario considered. In all cases, the seasonality of SWV is
expected to change implying for example that earlier water storage is required to efficiently
satisfy summer water demand.
Keywords: Dynamic programming, Climate change, Value of storage water, Reservoir,
Hydroelectricity, Strategy

1 Introduction
Water resources are controlled and regulated around the world to provide a number of goods
and services such as hydroelectricity, irrigation and mitigation of drought and flood related
risks [Labadie, 2004]. Their management requires allocation rules that take into account
conflicting objectives such as economic performance, equity and integrity of ecosystems. In
the past, these rules were often determined empirically over time on the basis of economic
and political considerations (e.g. Westaway [2000]). Recent decades have brought about more
sophisticated optimization techniques designed to maximize the net benefits from all related
goods and services according to the current status of the water system [Harou et al., 2009].
Allocation rules are usually optimized or based on the hydro-socio-economical context of past
decades. They must therefore be adapted if economic or resource use conditions are modified
[Payne et al., 2004; Madani and Lund, 2010; Vicuna et al., 2010]. For instance, the interest of
producing hydroelectricity is expected to increase in the future, due to the projected increases

240/279
 A.1. Article soumis à Water Resources Research

in production costs of fossil energy sources and the value of carbon offsets [Jeuland, 2010].
The concern for preserving or restoring acceptable hydrological conditions for water
ecosystems or recreational activities is also increasing worldwide [Loomis, 2000]. Changes in
meteorological forcing at regional scale, especially in relation to temperature and
precipitation, are also expected to influence the balance between water resources and uses
[Riebsame, 1988; Vicuna et al., 2008].
We will focus here on the possible effects of climate change on the value of water stored in a
reservoir in a mountainous region. Thanks to high elevation and high precipitation related to
orographic effects, mountain catchments present a huge potential for hydroelectric
production. However, in high elevation catchments, spatial and temporal variations of the
snowpack make the hydrological regimes of rivers highly seasonal with respectively low and
high flows in the snow-accumulation and snowmelt seasons. In addition, the demand for
hydroelectricity is also highly seasonal, driven in such regions by consumption peaks that
mainly occur during winter (e.g. Schaefli et al. [2007]). Reservoirs in mountainous regions
were historically managed on the basis of the joint analysis of inflows from past hydrological
regimes and the seasonality of electricity demand, the main economic interest being to store
water in spring when hydrological inflows are high and use it in winter when electricity
demand is high. To achieve this, daily reservoir operations can be simply determined by rule
curves based on historical inflow data from past decades and designed to fill the reservoir
before the arrival of winter low flows and the high demand season (around late autumn)
[Marnezy, 2008].
Over recent decades, many mountain reservoirs have been assigned additional management
objectives related to maintaining low flows as well as irrigation and drinking water supply.
Suitable management rules for such systems can be determined using optimization techniques
coupling decisions in time like stochastic dynamic programming (SDP) [Labadie, 2004]. With
SDP, a system management strategy is first determined so as to maximize, over a given
reference period in the past, the expected value of a given benefit function balancing different
economic objectives. The optimization is carried out in a configuration where future inflows
and uses are only partially known or even totally unknown. The resulting strategy, that can be
time invariant if the future it totally unknown, is then used for day-to-day system operation
[Wolfgang et al., 2009].
For prospective or retrospective analyses, optimal system operations can be determined for an
ideal configuration where the future resources and demand are perfectly known. Deterministic
Dynamic Programming (DDP) is used in this case [Yakowitz, 1982]. A first output of DDP is
the day-to-day optimal operating strategy that maximizes the chosen benefit function over the
whole period. This optimal operating strategy and the resulting day-to-day operations
obtained in the next simulation stage are optimal with respect to the a priori known time series
of water inflow and demands for the period.
In either DDP or SDP, the operating strategy or policy obtained in the first optimization stage
can be described by the marginal Storage Water Value (SWV) for different reservoir levels.
For DDP, the SWV represents the future benefit that would be obtained at any given time
from an additional unit of water volume stored in the reservoir. It is basically governed by two
terms: i) the priority levels assigned to each management objective (defined by the weights
and economical values assigned to the different uses) and ii) the adequacy between water
resources and uses both in terms of total amounts and timing. The variations of SWV with
time for different reservoir levels are a useful indicator of the temporal goodness of fit
between the resource and the demand. This indicator highlights the role played by reservoirs
in redistributing water throughout the year or even from one year to another and can be used
to index water scarcity.

241/279
Chapitre A. Annexes

The present study looks at how the temporal pattern of SWV estimated with DDP can be
modified by changes in climate or demand. Climate change influences the seasonality of the
hydrological regimes of rivers in mountainous regions. Warmer temperatures will reduce the
snow/rainfall ratio and shorten the snow accumulation period, reducing the spring snowmelt
flood and shifting it two weeks to one month earlier in the year [Horton et al., 2006]. At the
same time, warmer temperatures are expected to modify the seasonal pattern of electricity
demand with lower consumption for heating during winter and greater needs for cooling
during summer [Alcamo et al., 2007]. The temporal fit between inflow and demand is thus
expected to drastically change with respect to present and past conditions which will in turn
significantly influence the mean and seasonal pattern of SWV.
The variations of SWV with time are simulated here for a simplified water resource system. A
single storage reservoir located in a catchment of the southern French Alps is considered
under the present climate and a suite of future climate scenarios. SWV sensitivity to the
intensity of mean regional temperature increase and/or precipitation decrease is analyzed. The
influence of the nature of water demand on the SWV is explored (energy production and/or
water level maintenance).
The paper is organized as follows. Section 2 briefly describes the basic principles of the
deterministic dynamic programming theory used to identify the optimal operating strategy for
a multipurpose reservoir system and estimate the corresponding marginal values of water
storage. Section 3 presents the simplified water resource system, the data and the simulation
models considered in this application to the Upper Durance Basin (France). It also describes
the future climate scenarios considered in the work. SWV climatological signatures obtained
for the present and future climate contexts are presented and discussed in Sections 4 and 5.
Section 6 presents the conclusions.

2 Methods
2.1. Optimization of multipurpose reservoir operations
Multipurpose reservoir systems are operated over a planning horizon [t0-tN] divided into N
time steps of duration Δt denoted as ti or simply indexed by i. To optimize a sequence of
operation decisions uti ,we maximize a given performance measure J using:
𝑡𝑁 [1]
𝐽= 𝑔(𝑠𝑡𝑖 , 𝑢𝑡𝑖 , 𝑡𝑖 ) + 𝑕(𝑠𝑡𝑁 )
𝑡 𝑖 =𝑡 0

where sti is the state vector describing the system at the beginning of the period [ti, ti+ Δt], uti
a vector of operation decisions during the period [ti, ti+ Δt], g the current benefit resulting
from operations uti at state sti and h( stN ) is a boundary condition that describes the value of
water stored in the reservoir for the final system state stN .
In a classical reservoir optimization problem, the state vector is defined by the storage level in
the reservoir. The current benefit function is a weighted sum of i) the benefits for the current
production of different services and goods and ii) the costs of current system failures resulting
from the non-satisfaction of operating constraints related in downstream water demand targets
or to other objectives assigned to the water system. This function reads:

242/279
 A.1. Article soumis à Water Resources Research

𝑔 𝑠𝑡𝑖 , 𝑢𝑡𝑖 , 𝑡𝑖 = 𝑐𝑗 . 𝑔𝑗 𝑠𝑡𝑖 , 𝑢𝑡𝑖 , 𝑡𝑖 [2]

𝑗

where gj is either the monetary benefits of services and goods or the monetary costs of failures
resulting from operation uti at state sti during [ti,- ti+ Δt] and cj is a weighting constant
defined according to the priority level assigned to use j. Examples of services and goods are
those obtained from hydroelectric production or from tourism when the reservoir is used for
recreational activities such as water sports or fishing. Examples of failures are when
downstream water demand for irrigation or drinking water cannot be supplied or when the
minimum environmental flow cannot be provided in downstream rivers.
2.2. Deterministic Dynamic Programming
Dynamic programming is an optimization method developed by Masse [1946] and Bellman,
[1957] for multistage dynamic decision processes. Yakowitz [1982] proposed a comprehensive
review of dynamic programming applications in the context of water resource system
optimization.
In Deterministic Dynamic Programming (DDP), the optimal operation decisions at a current
time step ti are identified in order to maximize the sum of the current benefits, i.e. the benefits
that would result from an immediate use of water (including costs of failures) and the future
benefits, i.e. the benefits that will result from release operations over the future planning
horizon [ti+1, tN].
An immediate use of stored water reduces the availability of stored water for future use. The
current benefits must therefore be balanced against losses in future benefits. To identify
optimal operations for the current time step, it is thus necessary to first estimate the marginal
value of conserving more water in the reservoir from the current time step to the next. This
estimation is made thanks to a preliminary optimization stage in which the future benefits are
estimated for different reservoir storage levels.
The future benefit Fti that would be obtained over [ti+1, tN] from a hypothetical reservoir level
sti at time ti is often referred to as the Bellman Value for this storage/time configuration. It is
obtained from a backward recursive calculation from the future benefits estimated for time
ti+1:
𝐹𝑡𝑖 𝑠𝑡𝑖 = max 𝑔 𝑢𝑡𝑖 , 𝑠𝑡𝑖 , 𝑡𝑖 + 𝐹𝑡𝑖+1 (𝑠𝑡𝑖+1 ) [3]
𝑢𝑡𝑖

where the different terms are subject to upper and lower bounds and mass conservation
constraints. The state and decision variables are such that:
𝑠𝑚𝑖𝑛 ≤ 𝑠𝑡𝑖 ≤ 𝑠𝑚𝑎𝑥 [4]

and
𝑢𝑚𝑖𝑛 ≤ 𝑢𝑡𝑖 ≤ 𝑢𝑚𝑎𝑥 [5]

243/279
Chapitre A. Annexes

where smin and smax are minimum and maximum bounds for water storage volumes in the
reservoir and umin and umax the minimum and maximum bounds for release discharges. The
mass conservation equation is:
𝑠𝑡𝑖+1 = 𝑠𝑡𝑖 + 𝑞𝑡𝑖 − 𝑢𝑡𝑖 − 𝑜𝑡𝑖 [6]

where qti is the inflow to the reservoir during the period [ti, ti+ Δt], oti the losses (evaporation
above the reservoir, controlled and uncontrolled withdrawals from the reservoir for irrigation,
drinking water and other uses).
A discrete approach can be used to estimate the function F when the dimension of the
problem is quite small [Yakowitz, 1982]. The final result is a table that gives the future
benefits for different water levels and each time step of the planning period. For storage levels
in-between the a priori selected states, F can be obtained via interpolation. In our case, F is
estimated at a daily time step at 51 storage levels uniformly distributed between the minimum
and maximum storage bounds smin and smax. A cubic spline interpolation method is used when
needed [Foufoula-Georgiou and Kitanidis, 1988]).
Values of 𝐹 are required for F at the final time of the planning horizon tN. They could have
a critical influence on F values. Different methods were proposed to avoid the use of
boundary conditions in a deterministic approach (e.g. Vicuna et al., [2008]). In the present
study, end values are estimated as proposed by Wolfgang et al. [2009] based on the
assumption that all years after the end of the planning horizon are identical to the final year.
In practice, the duration of the planning horizon is artificially increased with several
duplications of the final year so that the storage water values at tN are no longer influenced by
the boundary conditions.
2.3. Storage water value
The derivative of the future benefits function F for a given storage level s in the reservoir
gives the future benefits for a future use of one additional unit of water stored at this storage
level [7]. It corresponds to the marginal value of storage water for this storage level s and time
t.
𝜕𝐹𝑡 (𝑠) [7]
𝑉𝑡 𝑠 =
𝜕𝑠

As shown in equation [7] and discussed below, the marginal value of storage water V is time
and storage level dependent.
The above mentioned optimization stage provides the future benefit F for all storage levels s
of the state-time table. This table can be used to derive the storage water values V for the same
state-time grid. In a discrete approach, the derivatives are calculated with finite differences
from future benefits of neighboring water level states in the table.
In the following, the marginal value of storage water V will be referred to as storage water
value (SWV). SWV is expressed in value units per cubic meter and is denoted as SWV m-3.
SWV vs. time curves will be plotted for different water levels in the reservoir. Note that these
curves do not correspond to a trajectory of optimal operational decisions. At any point in time,
they simply describe the unique strategy corresponding to optimal management of the system
for a given water level taking into account a given benefit function and a given known future

244/279
 A.1. Article soumis à Water Resources Research

evolution of both water needs and inflows over the considered period. They provide a useful
signature to analyze the relationship between climate and uses for the current context and also
for any modified context, should this context change.
Note finally that, as previously mentioned, the SWVs are classically used in a second
optimization stage to identify the optimal operation decision for the current time ti, given the
water level in the reservoir sti . This operation maximizes the following equation:

max 𝑔 𝑢𝑡𝑖 , 𝑠𝑡𝑖 , 𝑡𝑖 + 𝑠𝑡𝑖+1 − 𝑠𝑡𝑖 . 𝑉𝑡𝑖+1 (𝑠𝑡 𝑖+1 ) [8]

𝑢𝑡𝑖

The forward iterative optimization of equation [8] can therefore give the optimal sequence of
operations and future reservoir water levels for the entire simulation horizon [t0, tN]. This
simulation method is usually referred to as the water value method (e.g. Hveding, [1968]). It
can also be applied for SDP (e.g. Wolfgang et al. [2009]). It simultaneously produces the
evolution of the shadow price of storage water (corresponding for each time step to the SWV
obtained for the current state of the system, [Pritchard et al., 2004; Tilmant et al., 2008]) or
the evolution of different system outputs such as benefits and/or penalties for goods and
services.

3 Case study and data

3.1. Catchment characteristics and hydro-climatic context
The Upper Durance River (UDR) basin is a meso-scale basin (3580 km2) located in the
southern French Alps. Its outlet is Serre-Ponçon Lake, a storage reservoir that is part of a
complex hydroelectric system operated by Electricité de France (EDF). It also plays a key role
in the supply of water to the Provence region (south-eastern France). Lake operations are
optimized by dynamic programming to take into account objectives and constraints related to
hydroelectric production, irrigation, drinking water supply, recreational activities and
preservation of downstream ecological integrity.
Contrary to most French mountain basins of this size, UDR discharges are almost natural.
Climate is much drier than in the northern French Alps [Durand et al., 2009] due to the
Mediterranean influence and to protection from oceanic disturbances provided by the high
Ecrins Mountains. With elevations ranging from 700 to 4100 meters, the catchment presents
highly seasonal flows due to snow accumulation and melt. Winter low flows can last 3
months or more. Late summer and fall maximum discharges also present a number of marked
recession sequences. They can last several weeks after the end of the snow-covered period for
years with negligible precipitation during these seasons. Major floods can also be observed in
fall with intense liquid precipitation events [Lafaysse et al., 2011].
3.2. Model implementation
We consider a simplified water resource system inspired by the Upper Durance Water System
(UDWS, lake + upstream catchment). There is not enough data available to represent all the
constraints and objectives applying to the real resource management system. A simplified
water management system was therefore considered with two basics uses: hydroelectric
production (HEP) and/or maintenance of a minimum water level in the lake during the
summer season (Lake Level Maintenance denoted as LLM). The SWV sensitivity analysis for
the UDWS assumes a storage capacity of the lake smax equal to the mean annual outflow

245/279
Chapitre A. Annexes

(3500Mm3) from its upstream catchment (surface area adapted to 5000km2) under present
climate conditions.
The current benefit function used in equation [1] for system optimization is the sum of
possible benefits from HEP as defined by equation [9] and benefits from LLM during a
summer season as defined by equation [10]:
𝑔𝐻𝐸 𝑢𝑡𝑖 , 𝑠𝑡𝑖 , 𝑡 = 𝐻𝐸𝑃𝐼𝑡𝑖 ∗ 𝑢𝑡𝑖 ∗ 𝑟(𝑠𝑡𝑖 ) [9]

where uti in m3 s-1 is the discharge released from the lake for HEP, HEPI is the daily interest
of HEP in value units kWh-1 (see section 3.4) and r the generating efficiency in kWh m-3 s-1
that depends on the water head in the reservoir.
2
𝑔𝐿𝐿𝑀 𝑠𝑡𝑖 , 𝑡𝑖 = 𝐾 1 − 𝑏 max 𝑠 ∗ − 𝑠𝑡𝑖 , 0 𝑖𝑓 𝑡 ∈ 𝑠𝑢𝑚𝑚𝑒𝑟 𝑠𝑒𝑎𝑠𝑜𝑛 [10]

𝑔𝐿𝐿𝑀 𝑠𝑡𝑖 , 𝑡𝑖 = 0 𝑖𝑓 𝑛𝑜𝑡

In this equation, K is the maximal value of daily benefits (value units) that can be obtained
during the summer period. It is achieved as soon as the water storage in the lake is greater
than or equal to s* (s*= 3000Mm3). Below s*, recreational activities are expected to be
reduced. The corresponding decrease in LLM benefits is assumed to be a quadratic function
of the difference between the water level and s*. In equation [2], the values of the weighting
parameters cj, subsequently referred to respectively as cHE and cLLM for HEP and LLM
objectives, will be set either to 1 when the objective is accounted for or to 0 when it not.
In the water balance of the lake, the only water input and output discharges are respectively
the inflow from the upstream UDR basin and the optimized water release. Direct precipitation
to the lake as well as evaporation from the lake is assumed negligible due to the limited
surface area of the reservoir.
The current benefit functions presented in equations [9] and [10] are not used for the
operational management of the reservoir. The reason is that in France, hydroelectric
production is used to replace more expensive power generation facilities and the objective for
HEP is to minimize the expected sum of other energy production costs for France as a whole.
In this study, we consider a simplified system where HEPI, the daily interest of HEP, is
estimated on the basis of a daily temperature index (see section 3.4) and where the benefits
have to be optimized for the system independently from other cost considerations (in
accordance with Paiva et al. [2010]). On the other hand, summer LLM is currently a priority
objective: an empirical rule is used for reservoir operations (applied mostly in the spring
season) and HEP optimization roughly applies for water inflows which are not needed to
satisfy the LLM objective.
The expected increase of future energy costs will increase the interest of HEP and, as a
consequence, benefits from recreational activities are expected to be balanced on the midterm
with respect to benefits from HEP (or with respect to the reduction of other production costs
allowed by HEP). In this study, a benefit function (equation [10]) was therefore used for LLM
instead of a rule curve. This provides a rough estimate of the marginal value of storage water
to satisfy the LLM objective. Recreational benefits are expressed as a function of water
storage in the reservoir, similarily to Ward et al. [1996]. A more precise formulation was not

246/279
 A.1. Article soumis à Water Resources Research

possible in the present case due to lack of appropriate data in the region. The value for K in
equation [10] was chosen so that in the case of a single-objective configuration, the maximum
benefits that could be respectively obtained from either recreational activities or HEP are of
same order of magnitude. This made it possible to analyze a double-objective configuration
with two objectives of equivalent value, a situation that could occur in the future.

The UDR inflows are modeled with CEQUEAU [Morin et al., 1975], a semi-distributed
hydrological model already applied by EDF for previous climate change impact studies for
different mesoscale French basins [Hendrickx, 2001; Manoha et al., 2008]. Snow
accumulation and melt, effective rainfall, infiltration and evapotranspiration fluxes are
estimated for each of the 99 hydrological units of the basin from daily series of mean areal
precipitation and surface air temperature. Discharges produced by all hydrological units are
routed through the river network to produce the total water inflow into the lake. The
CEQUEAU model of UDR was calibrated and validated with a split sample test procedure on
the 1959-2005 period [Bourqui et al., 2011].
3.3. Climate scenarios
The observed precipitation and temperature data for the 1960-2001 control period are
obtained from the daily meteorological reanalyses developed by Gottardi et al. [2012] for
French mountainous regions. The reference discharges to the lake for the control period are
those obtained from CEQUEAU simulations.
Simple climate change scenarios were constructed and used first in a sensitivity analysis that
shows how precipitation and temperature changes impact SWV and in turn the match between
water resources and uses. The local-scale time series of temperature and precipitation for the
future climate period 2070-2099 are obtained by perturbing the observed time series of the
control period [Hingray et al., 2007]. Six synthetic regional climate change scenarios are
defined as absolute changes of the mean annual temperature and as relative changes of the
mean annual precipitation. The magnitude of changes is derived from a suite of climate
modeling experiments conducted in the EU PRUDENCE project [Christensen, 2004] for
SRES scenario A2 [Nakicenovic et al., 2000]. It roughly corresponds to the 50% and 90%
percentiles of changes estimated by the climate model experiments, representing respectively
a 10% and 20% decrease in precipitation and a 3°C and 5°C increase in temperature.
Future hydrological regimes obtained from CEQUEAU simulations for these scenarios are
presented in Figure 1. A temperature increase leads to reduced snow accumulation in winter
and an earlier melting season. This in turn induces a higher winter low flow and a lower
snowmelt flood peak (Figure 1 left). The snowmelt flood peak shifts by one month for the
highest warming scenario (+5°C). Besides this change in flow seasonality, an increase in
temperature also leads to a slight reduction of the mean annual inflow to the lake due to
increased evapotranspiration losses in summer (up to 22% for the +5°C scenario). Without
temperature change, precipitation change scenarios modify the magnitude of the hydrological
cycle (Figure 1, middle). The mean inter-annual daily discharges decrease with the mean
inter-annual precipitation, except for the winter period during which flows are mainly
sustained by deep underground storage. The large decrease of the snowmelt flood peak is the
result of a smaller snowpack extent and thickness, induced by lower winter to spring
precipitation.

247/279
Chapitre A. Annexes

Figure 1. Mean inter-annual cycles of daily inflow to the reservoir for control data (black curve
in all graphics, period 1960-2001) and future meteorological scenarios (period 2070-2099). Left:
Changes in mean annual temperature only. Middle: Changes in mean annual precipitation only.
Right: Changes in both annual precipitation and temperature.

Scenarios with both precipitation and temperature changes lead to a modification of the
hydrological regime that combines in a non-linear manner the modifications resulting from
either temperature or precipitation change considered separately.
3.4. Economic interest of hydroelectric production
The price of hydroelectricity and its fluctuations with time are difficult to simulate because of
the complex interaction with other energy production means and the high variability of the
energy market. It results from versatile spot markets and management strategies of a large
panel of stakeholders and operators. A detailed representation of electricity prices was outside
the scope of this work. However, electricity prices in France tend to be higher for periods of
high electricity consumption. Moreover, electricity consumption tends to be higher in the cold
season and daily time variations of consumption are highly correlated with the daily time
variations of regional temperatures below an approximate heating threshold of 15°C (Theat).
As a result, a robust index for possible daily benefits from HEP, termed HEPI, can be based
on daily regional temperatures. HEPI has already been used in a previous climate change
impact study by EDF [Paiva et al., 2010]. In a future climate with much higher temperatures
in summer, an additional demand for hydroelectric production is expected for cooling
purposes in this season. The daily interest of HEP expected in the future during the hot period
is here similarly assumed to depend on regional temperatures above a cooling threshold of
25°C (Tcool) (similarly to Buzoianu et al. [2005]). In the following, the daily HEPI is defined
as a piece-wise linear function of daily temperature, as defined by equation [11].
𝐻𝐸𝑃𝐼𝑡𝑖 = 𝐻𝐸𝑃𝐼0 + 𝐻𝐸𝑃𝐼𝑕 . 𝑇𝑕𝑒𝑎𝑡 − 𝑇𝑡𝑖 𝑖𝑓 𝑇𝑡𝑖 < 𝑇𝑕𝑒𝑎𝑡 [11]
𝐻𝐸𝑃𝐼𝑡𝑖 = 𝐻𝐸𝑃𝐼0 𝑖𝑓 𝑇𝑕𝑒𝑎𝑡 < 𝑇𝑡𝑖 < 𝑇𝑐𝑜𝑜𝑙
𝐻𝐸𝑃𝐼𝑡𝑖 = 𝐻𝐸𝑃𝐼0 + 𝐻𝐸𝑃𝐼𝑐 . 𝑇𝑡𝑖 − 𝑇𝑐𝑜𝑜𝑙 𝑖𝑓 𝑇𝑡𝑖 > 𝑇𝑐𝑜𝑜𝑙

Where HEPI0 is HEPI when temperature is in-between the cooling and heating temperature
thresholds, HEPIh and HEPIc are respectively the additional HEPI for each additional heating
and cooling degree day. HEPI is expressed in value units per kWh. This will noted V kWh-1
hereafter. HEPI0 and HEPIt were set to unity in accordance with Paiva et al. [2010]. An
arbitrarily higher value was set for HEPIc (HEPIc = 2.5 V kWh-1).

248/279
 A.1. Article soumis à Water Resources Research

Time series of daily HEPI were obtained for each scenario of daily temperatures. The
corresponding mean inter-annual values of daily HEPI are presented in Figure 2.

Figure 2. Mean inter-annual cycles of interest of hydroelectric production (HEPI) for the
control period and different future scenarios of annual temperature increase.

4 Sensitivity of SWV temporal variations to water use

We here discuss how the SWV varies with time and how its seasonal variations are related to
the temporal variations of both the operating objectives and the amount of water available
from the upstream catchment. We first consider two single-objective configurations, i.e.
Hydroelectric Production and Lake Level Maintenance during the summer season. We will
subsequently consider both objectives simultaneously.
4.1. Hydroelectric production (HEP)
A single-objective configuration, the optimization of HEP, is considered in this section (i.e.
CHE=1 and CLLM=0 in equation [2]). For this configuration, the efficiency of the hydroelectric
production system is an increasing function of water head in the reservoir. If HEPI were
constant throughout the year, the best operating strategy would be to maintain the water level
at its highest possible value throughout the year, which may be lower than the full reservoir
level to avoid future spillage (see for example Turgeon [2007]). Except before large inflow
periods such as the snowmelt season, this strategy would lead to high SWV for most reservoir
levels, especially the lowest ones. In the studied configuration, this operating strategy is of
course modulated by the high seasonality of HEPI, SWV being higher during periods which
precede periods of highest HEPI.
Figure 3 presents the variation of HEPI and water inflow to the lake with time over a four-
year period (1st January 1977 to 1st January 1981). The corresponding variation of SWV with
time is also given for different reservoir levels (corresponding to 10%, 50% and 90% of
storage capacity).

249/279
Chapitre A. Annexes

Figure 3. Variations of SVW and inflows from January 1977 to January 1981 for the
meteorological control scenario (Ja: January, M: May, S: September).Top: Storage water value
(SWV) for different reservoir storage levels corresponding to 10, 50 and 90% of the reservoir
storage capacity. Bottom: Water inflow to the lake (blue curve) and interest of hydroelectric
production (HEPI, red curve).

At a given time ti of the optimization period, SWV decreases with increasing storage level in
the lake. The higher the current storage level, the more water is available for the future.
Surplus storage water will be turbined during periods with lower HEPI or if necessary spilled.
The interest of additional storage water is thus lower, leading in turn to lower SWV. If the
storage level is high (e.g. 90% storage level, dashed lines), SWV is therefore low to very low
except in the case of an imminent period with very high HEPI that would justify storing more
water (e.g. during winter period). If the reservoir storage level is low (e.g. 10% storage level,
dotted lines), SWV is high to very high (up to 10 value units) except during periods with high
HEPI and high future inflows (e.g. spring period). The priority for low storage levels when
SWV is high is to increase water head and increase storage for future use.
For any given storage level s, SWV varies with time reflecting the role of the reservoir in
adjusting the adequacy between the future HEPI and the future availability of water from
upstream catchments. Future resource abundance (respectively scarcity) with respect to future
HEPI decreases (respectively increases) the value of more storage water (see for example
May 1977 and respectively September 1977). As periods of high HEPI alternate with periods
of high inflow discharges (Figure 3-bottom), SWV presents high seasonal variations for all
reservoir levels. Maxima are observed during the first months of the cold season (DJF)
followed by minima during the spring months. During the winter and early spring transition
period, the interest of more storage water decreases as a result of the concomitant decrease of
HEPI in the late winter period and the rapid increase of snowmelt inflow during the spring
period. The increase of SWV observed afterwards is more abrupt. It begins as soon as spillage
is no longer required for the known future inflows. For the year 1979, this increase can be
seen for example in June for a storage level of 50% but in September for a storage level of
90% due to a large flood event that occurred in fall of this year. The best operation strategy is
once again to increase water head and water storage for the following winter.

250/279
 A.1. Article soumis à Water Resources Research

In addition to marked seasonality, SWV shows year-to-year variations. Whatever the storage
level, SWV tends to be high when the ratio of future HEPI to future inflows is high (see year
1980). SWV tends to be lower for years in the opposite configuration (see year 1977).
The variation of SWV with time for different water levels thus reflects the temporal
desynchronization between the interest of water use and inflows, highlighting the different
mechanisms that define the optimal operating strategy. In the following, and because the
temporal variations of SWV are mainly seasonal, the mean inter-annual cycle of SWV for
different reservoir levels will be used as a signature of the climatic-economical balance
between water resources and demand. The signature obtained for the studied UDWS under
the present hydro-economical context is presented in Figure 4 for three storage levels (10%,
50% and 90% of storage capacity). In addition, the inter-annual variability is described for
each storage level by two envelope curves corresponding respectively to the 10% or 90%
percentiles of the SWV calendar values obtained for the 42 years of the 1960-2001 simulation
period. For the sake of conciseness, the expression SWV signature will subsequently be used
to mean the intra-annual variability of SWV, i.e. the seasonal variations of SWV for different
storage levels.

Figure 4. SWV signature for the single hydroelectric production objective (HEP). The mean
inter-annual SWVs obtained for the 1960-2001 period are plotted for three reservoir storage
levels (10 % (dotted lines), 50 % (solid lines) and 90 % (dashed lines) of storage capacity). For
each storage level, the upper, middle, and lower curves correspond respectively to the 90 th
percentile, the mean and the 10th percentiles of SWV calendar values obtained for the 42 years of
the period.

4.2. Summer lake level maintenance (LLM)

In this section, we consider a system for which the only management constraint is to maintain
a minimum water level in the reservoir during summer months (i.e. CHE=0 and CLLM=1 in
equation [2]). In this case, the constrained summer season is assumed to run from June 15th to
August 31st (s*= 3000Mm3 = 85% of smax during this period, s*= 0 outside this period).

251/279
Chapitre A. Annexes

The SWV signature is as expected different in this case. The only objective is to have a
reservoir level higher than the minimum threshold throughout the entire constrained summer
period. The possibility to achieve the objective depends on the current storage level and on
the volume of inflow that will enter the reservoir from the current date to the beginning of the
next constrained period. At a given date of a given year, the higher the current storage level,
the easier is to achieve the objective. For a given storage level, the longer the future period
until the beginning of the constrained period, the larger are the total future inflows to the
reservoir and the easier it is to achieve the objective.
Penalty costs are incurred in the event of failure to achieve the objective. The SWV
corresponds to the additional reduction of penalty costs that would be achieved by storing one
more cubic meter of water at the current date. SWV therefore slowly increases over the year
to reach a maximum in early summer, for instance nearly one month before the beginning of
the constrained period for the most adverse situations (90th percentile envelope curve –
corresponding to the driest spring years) or as late as mid-July for the most favorable
situations (10th percentile envelope curve – corresponding to the wettest spring years). The
lowest SWV is zero, indicating that forthcoming inflows will fill the reservoir to the required
level on time. This is here the case for almost all reservoir levels in September, after the end
of the constrained period (an exception is for the driest years if the storage level is lower than
10% of the storage capacity) (Figure 5). Thanks to the large inflows from the spring snowmelt
flood, this applies also for a significant sub-period of the year (from mid-September to mid-
April) for reservoir levels equal or higher than 50%.

Figure 5. SWV signature for the lake level maintenance objective (LLM). See Figure 4 for
caption details.

For this LLM objective, the SWV signature presents once again a marked seasonality. The
periods of high and low SWV are however roughly in phase opposition with those obtained
previously for the HEP objective.

252/279
 A.1. Article soumis à Water Resources Research

4.3. Double-objective configuration

Figure 6 presents the SWV signature obtained when both HEP and LLM objectives must be
fulfilled (i.e. CHE=1 and CLLM=1 in equation [2]). This double-objective configuration is
denoted as HEP+LLM in the following. The SWVs obtained here (Figure 6) are logically
higher than those obtained for each single-objective configuration (Figure 4 and Figure 5).

Figure 6. SWV signature for the double-objective configuration (HEP+LLM). See Figure 4 for
caption details.
It is actually not possible to produce as much HEP and to fulfill the LLM objective as well as
in the single-objective configurations. To limit the costs of failures to achieve the LLM
objective, water allocations determined for the single HEP objective are re-allocated, in the
double-objective configuration, to periods with lower HEPI. This is made possible by higher
SWV for all reservoir levels, since high SWV reduces the interest of immediate water use.
The SWV signature for the double-objective configuration is a combination of the two single-
objective signatures. It is however not exactly the sum of the two, reflecting the non-linearity
pertaining to the optimization. This is illustrated in Figure 7 where the sum of each individual
SWV signature has been subtracted from the double-objective SWV signature. The residuals
of this difference depend here on storage level and calendar day.

253/279
Chapitre A. Annexes

Figure 7. Mean difference between the SWV signature for the double-objective configuration
(hydroelectric production and lake level maintenance (Figure 6) and the sum of SWV signatures
obtained for the two single-objective configurations (Figure 5 and Figure 4).

5 Sensitivity to climate change

We will now explore how the SWV signature and especially its variations with time depend
on the hydroclimatic context. We therefore analyze its sensitivity to a modification of the
characteristics of inflow and demand signals resulting from an annual temperature increase,
an annual precipitation decrease or both simultaneously.
5.1. Temperature increase
As already discussed, an increase in temperatures will impact both the mean and seasonality
of future inflows, with a smaller mean annual discharge and an earlier snowmelt flood (Figure
1, left). It will also impact the future HEPI, with lower winter and higher summer HEPI
values (Figure 2).
Resulting changes in the SWV signature are shown in Figure 8 for the different objective
configurations previously discussed (First line: HEP; Second line: LLM and third line:
HEP+LLM. The three columns represent the SWV for 10, 50 and 90% reservoir levels).
For the HEP objective (first line Figure 8), the SWV signature is significantly modified, in
particular its seasonality. For low and medium reservoir levels (10 and 50%), SWV becomes
practically constant throughout the year. As previously discussed, one principal goal of the
optimal operating strategy for these levels is to raise the level in the reservoir to the maximum
possible value while avoiding future spillage. For the control period, this leads to a large
decrease of SWV during the spring season due to large inflows from the snowmelt flood. A
temperature increase would lead to far less intense snowmelt floods (Figure 1) and in turn to a
large decrease of potential spillage risks for low levels during this period. Potential spillage is
also reduced because of a better temporal match between inflows and periods of high HEPI.
For the control period, the main inflow period (spring) was almost 8 months before the period

254/279
 A.1. Article soumis à Water Resources Research

with highest HEPI (winter). For the increased-temperature scenarios, the spring snowmelt
flood is up to one month earlier but another period with high HEPI appears (summer season),
which arrives only 3 to 4 months later.
The pattern of changes for the 90% storage level is different but the reasons for these changes
remain the same. The large SWV increase during the late spring and summer seasons
increases the interest of raising the water head during this period without causing later
spillage thanks to the new and greater interest of HEP in summer. The SWV decrease in
winter results from the lower value of HEPI for this season.
For the LLM configuration, the lower mean inflow to the reservoir and the earlier arrival of
the snowmelt flood resulting from warmer temperatures increases SWV earlier in the year for
reservoir levels lower than the summer objective level. The objective is therefore more
difficult to meet on time than for the control period. For a reservoir storage level less than or
equal to 10%, the positive SWV obtained in September even shows an incapacity to meet the
objective.
Finally, the signature obtained for the double HEP+LLM configuration is as previously
approximately an additive combination of the two single-objective signatures. For example,
for the 50% storage level, the large SWV decrease observed in the control climate during the
six first months of the year tends to disappear as a consequence of the smaller flood snowmelt
and the increased interest of HEP and storage during the summer months.

Figure 8. Sensitivity of SWV signatures to annual temperature increase at different storage

levels corresponding to 10% (left), 50% (middle) and 90% (right) of storage capacity. Top:
Changes in SWV for HEP configuration. Middle: Changes in SWV for LLM configuration.
Bottom: Changes in SWV for HEP+LLM configuration.

5.2. Precipitation increase

The SWV signature for the HEP+LLM configuration is presented for the different
precipitation scenarios in Figure 9 (top). As changes in precipitation do not influence the
seasonality of inflow (Figure 1), the seasonality of SWV is maintained, whatever the reservoir

255/279
Chapitre A. Annexes

level. The decrease in precipitation leads on the other hand to a decrease in the mean inflow to
the reservoir, leading in turn to an increase in the mean SWV for each storage level, for all
seasons (expect the summer season for the 90% storage level where SWV is zero). This leads
to more severe conditions for HEP. The consequence of it will be a concentration of water
allocations for HEP in the periods with the highest HEPI.
5.3. Simultaneous precipitation and temperature change
The SWV signature resulting from a modification of both precipitation and temperature
changes is shown for three storage levels in Figure 9 (bottom). Both seasonality and mean
value of SWV are modified. As previously, changes of SWV for this combined configuration
are approximately an additive combination of the partial changes discussed previously.
Changes in SWV seasonality are due to the temperature increase and changes in the mean
SWV are mainly due to the precipitation decrease.

Figure 9. Sensitivity of SWV signatures for the double-objective configuration (HEP+LLM) to

precipitation change (top) and temperature + precipitation change (bottom).

6 Conclusion

For an ideal water reservoir system configuration in which both future water inflows and
water demand are known, the marginal storage water value (SWV) can be obtained for
different water storage levels in the reservoir using deterministic dynamic programming. Its
variation over the studied period results from the desynchronized nature of water demand and
inflows. In a system where water demand and/or inflows are seasonal, SWV is also seasonal
and its mean intra-annual variations defined on a calendar day basis can be used as a signature
of the socio-climatic match between water resources and demand. These signatures provide a
better understanding of how the optimal operating strategy varies as a result of temporal co-
variations between inflow and demand and how it could change if these co-variations change
as expected from changes in climate and/or demand.
Real water resource systems deal generally with many objectives and constraints. With
dynamic programming, a large variety of constraints and requirements can be integrated quite
easily (e.g. seasonal irrigation water demand, dam safety management during floods or
minimum flow maintenance for ecosystem integrity). In the usual case of multipurpose
systems with conflicting uses and water scarcity, SWV estimates are not necessary equal to a

256/279
 A.1. Article soumis à Water Resources Research

simple linear combination of the individual SWV signatures obtained for each objective
considered separately.
In the present work, a double-objective reservoir system was considered, involving year-
round hydroelectric production and lake level maintenance during the summer season. In this
case, the signature is a rough additive combination of individual signatures. Analyzing the
multipurpose signature along with each individual signature therefore provides a better
understanding of why, how and to what extent each objective impacts the optimal operating
strategy obtained for the multipurpose system. This may also reveal the potentially non-linear
impact of interactions or competition between objectives. A similar "leave-one-out" approach
to sensitivity analysis can be used to identify why, how and to what extent climate change
factors lead to a modification of the match between potential uses and inflows. In this work, a
simple sensitivity analysis with different future scenarios of temperature and/or precipitation
changes showed that changes in SWV seasonality are mainly due to temperature increase and
that changes in the mean SWV result from mean inflow decrease.
In the present work, the simulation of future hydrological scenarios was driven by observed
precipitation and temperature time series modified according to synthetic climate change
scenarios using a classical perturbation methodology. The temporal variability of future
meteorological variables is therefore the same as that of the historical period. In particular, no
changes in the sequences of wet and dry periods are considered from seasonal to pluri-annual
time scales. Such changes are however expected to be potentially as critical as changes in the
means of meteorological driving variables. They at least fully determine changes in the
temporal variability of natural inflows into a lake, in particular their inter-annual variability, a
determinant factor in system performance [McMahon et al., 2006]. A higher variability of
annual or pluri-annual inflows into the reservoir is for example expected to lead to longer
and/or more frequent periods of resource scarcity. Such an analysis will be done with
scenarios recently developed for the studied region using different statistical downscaling
models from a suite of GCM experiments [Lafaysse et al., under review].
SWV signatures can also be derived for other contexts than the one considered in the present
work. SWV is also an output of strategy optimization methods for multi-reservoir systems. In
such cases, SWV, which is time and storage level dependent, is also site dependent [Tilmant
et al., 2008, 2009; Wolfgang et al., 2009]. It would also be relatively easy to produce SWV
signatures for each reservoir. Such signatures could help better assess the relative value of
each reservoir and, when needed, better identify if and where additional water conservation
measures should be implemented.
Moreover, as mentioned in the introduction, SWV is also frequently estimated for use in
determining an operating strategy for real-time management of a water system. In such a case,
the SWV can be obtained using stochastic dynamic programming in a configuration in which
future inflows and water uses are unknown. The SWV is known to classically increase in this
case when compared to the SWV obtained with perfect foresight, as a result of inflow
variability or uncertainty. Nevertheless, SWV signatures obtained for an uncertain future are
also potentially very informative with regard to how an operational strategy is organized,
what the key factors that structure it are and how it could change if the climate and/or demand
change. Changes in the variability and uncertainty of future inflows and demand are expected
to also have a critical impact on changes in SWV. Analyzing these signature changes would
probably improve our understanding of the reasons for modifications of system performance
classically reported on the basis of a variety of performance criteria in climate change impact
analyses.

257/279
Chapitre A. Annexes

7 Acknowledgement
This work is part of a PhD thesis carried out within the RIWER2030 research project
http://www.lthe.fr/RIWER2030/, funded by the French National Research Agency under the
Vulnerability: Environment, Climate and Societies program (Grant number ANR-08-VULN-
014-01). We thank the Associate Editor and three anonymous reviewers for their comments
that were very helpful in improving the manuscript.

8 References
Alcamo, J., J. M. Moreno, B. Novaky, M. Binidi, R. Corobov, R. J. . Devoy, C.
Giannakopoulos, E. Martin, J. . Olesen, and A. Shvidenko (2007), Europe, in Climate Change
2007: Impacts, Adaptations and Vulnerability. Contribution of Working Group II to the
Fourth Assessment Report of the Intergovernmental Panel on Climate Change, pp. 541–580,
Cambridge.
Bellman, R. (1957), Dynamic Programming, Princeton University Press., Defense Technical
Information Center, New Jersey, 366 pp.
Bourqui, M., T. Mathevet, J. Gailhard, and F. Hendrickx (2011), Hydrological validation of
statistical downscaling methods applied to climate model projections, IAHS-AISH publication,
32–38.
Buzoianu, M., A. E. Brockwell, and D. J. Seppi (2005), A Dynamic Supply-Demand Model
for Electricity Prices
Christensen, N. . (2004), Prediction of Regional scenarios and Uncertainties for Defining
EuropeaN Climate change risks and Effects - Prudence Final Report, 269 pp.
Durand, Y., M. Laternser, G. Giraud, P. Etchevers, B. Lesaffre, and L. Merindol (2009),
Reanalysis of 44 Yr of Climate in the French Alps (1958-2002): Methodology, Model
Validation, Climatology, and Trends for Air Temperature and Precipitation, J. Appl.
Meteorol. Climatol., 48(3), 429–449, doi:10.1175/2008JAMC1808.1.
Foufoula-Georgiou, E., and P. K. Kitanidis (1988), Gradient dynamic programming for
stochastic optimal control of multidimensional water resources systems, Water Resour. Res.,
24(8), P. 1345, doi:198810.1029/WR024i008p01345.
Gottardi, F., C. Obled, J. Gailhard, and E. Paquet (2012), Statistical reanalysis of precipitation
fields based on ground network data and weather patterns: Application over French
mountains, Journal of Hydrology, 432–433, 154–167, doi:10.1016/j.jhydrol.2012.02.014.
Harou, J. J., M. Pulido-Velazquez, D. E. Rosenberg, J. Medellín-Azuara, J. R. Lund, and R. E.
Howitt (2009), Hydro-economic models: Concepts, design, applications, and future prospects,
Journal of Hydrology, 375(3–4), 627–643, doi:10.1016/j.jhydrol.2009.06.037.
Hendrickx, F. (2001), Impact hydrologique d’un changement climatique sur le bassin du
Rhône, in Hydroécologie appliquée, vol. 13, pp. 77–100, Electricité de France, Chinon,
FRANCE.
Hingray, B., N. Mouhous, A. Mezghani, K. Bogner, B. Schaefli, and A. Musy (2007),
Accounting for global-mean warming and scaling uncertainties in climate change impact
studies: application to a regulated lake system, Hydrol. Earth Syst. Sci., 11(3), 1207–1226.
Horton, P., B. Schaefli, A. Mezghani, B. Hingray, and A. Musy (2006), Assessment of
climate-change impacts on alpine discharge regimes with climate model uncertainty, Hydrol.
Process., 20(10), 2091–2109, doi:10.1002/hyp.6197.

258/279
 A.1. Article soumis à Water Resources Research

Hveding, V. (1968), Digital simulation techniques in power system planning, Economics of

Planning, 8(1), 118–139, doi:10.1007/BF02481379.
Jeuland, M. (2010), Economic implications of climate change for infrastructure planning in
transboundary water systems: An example from the Blue Nile, Water Resour. Res., 46,
doi:201010.1029/2010WR009428.
Labadie, J. (2004), Optimal Operation of Multireservoir Systems: State-of-the-Art Review,
Journal of Water Resources Planning and Management, 130(2), 93–111.
Lafaysse, M., B. Hingray, P. Etchevers, E. Martin, and C. Obled (2011), Influence of spatial
discretization, underground water storage and glacier melt on a physically-based hydrological
model of the Upper Durance River basin, Journal of Hydrology, 403(1-2), 116–129,
doi:10.1016/j.jhydrol.2011.03.046.
Lafaysse, M., B. Hingray, L. Terray, J. Gailhard, and A. Mezghani (under review), Sources of
uncertainties in future climate and hydrological projections: the Alpine Durance basin., Water
Resour. Res.
Loomis, J. B. (2000), Environmental Valuation Techniques in Water Resource Decision
Making, Journal of Water Resources Planning and Management, 126(6), 339–344,
doi:10.1061/(ASCE)0733-9496(2000)126:6(339).
Madani, K., and J. Lund (2010), Estimated impacts of climate warming on California’s high-
elevation hydropower, Climatic Change, 102(3), 521–538, doi:10.1007/s10584-009-9750-8.
Manoha, B., F. Hendrickx, A. Dupeyrat, C. Bertier, and S. Parey (2008), Impact des
évolutions climatiques sur les activités d’EDF (projet impec) Climate change impact on the
activities of Electricité de France, La Houille Blanche, (2), 55–60, doi:10.1051/lhb:2008018.
Marnezy, A. (2008), Les barrages alpins. De l’énergie hydraulique à la neige de culture,
Revue de géographie alpine. Journal of Alpine Research, (96-1), 92–102,
doi:10.4000/rga.422.
Masse, P. (1946), Les réserves et la régulation de l’avenir dans la vie économique, Actualités
scientifiques et industrielles 1008, Hermann, Paris.
McMahon, T., A. Adeloye, and S. Zhou (2006), Understanding performance measures of
reservoirs, Journal of Hydrology, 324(1-4), 359–382, doi:10.1016/j.jhydrol.2005.09.030.
Morin, G., J. P. Fortin, and R. Charbonneau (1975), Utilisation du modèle
hydrophysiographique CEQUEAU pour l’exploitation des réservoirs artificiels, in
International Symposium and workshops on the application of mathematical models in
hydrology and water resources systems, vol. 115, pp. 176–184.
Nakicenovic, N. et al. (2000), Special Report on Emissions Scenarios : a special report of
Working Group III of the Intergovernmental Panel on Climate Change.
Paiva, R. C. D., W. Collischonn, E. B. C. Schettini, J.-P. Vidal, F. Hendrickx, and A. Lopez
(2010), The Case Studies, in Modelling the Impact of Climate Change on Water Resources,
edited by F. Fung, A. Lopez, and rk New, pp. 136–182, John Wiley & Sons, Ltd.
Payne, J. T., A. W. Wood, A. F. Hamlet, R. N. Palmer, and D. P. Lettenmaier (2004),
Mitigating the Effects of Climate Change on the Water Resources of the Columbia River
Basin, Climatic Change, 62(1-3), 233–256, doi:10.1023/B:CLIM.0000013694.18154.d6.
Pritchard, G., A. B. Philpott, and P. J. Neame (2004), Hydroelectric reservoir optimization in
a pool market, Math. Program., 103(3), 445–461, doi:10.1007/s10107-004-0565-0.

259/279
Chapitre A. Annexes

Riebsame, W. (1988), Adjusting water resources management to climate change, Climatic

Change, 13(1), doi:10.1007/BF00140162.
Schaefli, B., B. Hingray, and A. Musy (2007), Climate change and hydropower production in
the Swiss Alps: quantification of potential impacts and related modelling uncertainties,
Hydrology and Earth System Sciences, 11(3), 1191–1205.
Tilmant, A., D. Pinte, and Q. Goor (2008), Assessing marginal water values in multipurpose
multireservoir systems via stochastic programming, Water Resour. Res., 44(12),
doi:10.1029/2008WR007024.
Tilmant, A., Q. Goor, and D. Pinte (2009), Agricultural-to-hydropower water transfers:
sharing water and benefits in hydropower-irrigation systems, Hydrol. Earth Syst. Sci., 13(7),
1091–1101.
Turgeon, A. (2007), Stochastic optimization of multireservoir operation: The optimal
reservoir trajectory approach, Water Resour. Res., 43, 10 PP.,
doi:200710.1029/2005WR004619.
Vicuna, S., R. Leonardson, M. W. Hanemann, L. L. Dale, and J. A. Dracup (2008), Climate
change impacts on high elevation hydropower generation in California’s Sierra Nevada: a
case study in the Upper American River, Climatic Change, 87(S1), 123–137,
doi:10.1007/s10584-007-9365-x.
Vicuna, S., J. A. Dracup, J. R. Lund, L. L. Dale, and E. P. Maurer (2010), Basin-scale water
system operations with uncertain future climate conditions: Methodology and case studies,
Water Resour. Res., 46(4), doi:10.1029/2009WR007838.
Ward, F. A., B. A. Roach, and J. E. Henderson (1996), The Economic Value of Water in
Recreation: Evidence from the California Drought, Water Resources Research, 32(4), 1075–
1081, doi:10.1029/96WR00076.
Westaway, R. (2000), Modelling the potential effects of climate change on the Grande
Dixence hydro-electricity scheme, Switzerland, Journal of the Chartered Institution of Water
and Environmental Management, 14(3), 179–185.
Wolfgang, O., A. Haugstad, B. Mo, A. Gjelsvik, I. Wangensteen, and G. Doorman (2009),
Hydro reservoir handling in Norway before and after deregulation, Energy, 34(10), 1642–
1651, doi:10.1016/j.energy.2009.07.025.
Yakowitz, S. (1982), Dynamic programming applications in water resources, Water Resour.
Res., 18(4), 673–696, doi:10.1029/WR018i004p00673.

260/279
 A.2. Les aménagements de la Chaine de Production Hydraulique Durance-Verdon

A.2. Les aménagements de la Chaine de

Production Hydraulique Durance-Verdon

Liste des barrages de l’aménagement CPH-DV

Nom et cours d’eau Mise en eau Volume (Mm3 ) Hauteur (m)
Barrage de Serre-Ponçon, Durance 1960 1270 123.5
Barrage d’Espinasses, Durance 1966 6 19
Barrage de la Saulce, Durance 1975 1.8 17
Barrage de Saint-Lazare, Durance 1976 6.2 28
Pont Barrage de l’Escale, Durance 1964 2.5 29
Barrage de Cadarache, Durance 1959 3.5
Barrage de Mallemort, Durance 1972 0.7
Barrage de Bonpas, Durance
Barrage de Castillon, Verdon 1947 149 101
Barrage de Chaudanne, Verdon 1952 16 71
Barrage de Sainte-Croix, Verdon 1974 760 95
Barrage de Gréoux, Verdon 1967 80 64

Tableau A.1 – Caractéristiques des retenues de la CPH-DV.

261/279
Chapitre A. Annexes

A.3. Modélisation hydrologique :

CEQUEAU

Figure A.1 – Schéma de production du modèle hydrologique Cequeau. Dans la version du mo-
dèle utilisé au sein du projet RIWER 2030, le module lacs et arais a été supprimé.
De même, la distinction entre les zones de forêts et de prairies n’est pas réali-
sée. Également, un réservoir glace a été introduit (non présenté sur cette figure).
Adapté de Dibike et Coulibaly [2005]

Figure A.2 – Carte du bassin versant de le Durance à l’amont de Serre-Ponçon. Au sein du

modèle hydrologique CEQUEAU, le bassin hydrologique est divisé en 99 unités
hydrologiques. Contrairement à la version originale développée par l’INRS, les
différentes mailles ne sont pas carrées, mais respectent la topographie du bassin
versant.

262/279
 A.4. Modélisation de la consommation électrique France

A.4. Modélisation de la consommation

électrique France
Cette section présente la construction d’un modèle de consommation électrique France. Les
consommations électriques simulées seront utilisées par le modèle de gestion de Serre-Ponçon
comme proxy d’un intérêt à produire de l’énergie.

A.4.1. Analyse des cycles de consommation électrique en

France
Les données de consommation électrique sont mises à disposition par le Réseau de Trans-
port d’Électricité (RTE). Elles sont disponibles de 1996 à aujourd’hui au pas de temps 30
minutes à l’adresse http://clients.rte-france.com/lang/fr/visiteurs/vie/telecharge_
details.jsp?data5=on

Cette section présente les grands cycles de consommation électriques. Ces différents cycles de
consommation s’imbriquent, à des échelles de temps différentes.

A.4.1.1. Cycle annuel de la consommation électrique

En France, la consommation électrique présente un cycle saisonnier très marqué (Figure

A.3) : le mode de consommation est typiquement hivernal : les plus fortes consommations sont
observées durant l’hiver, particulièrement lors des pics de grands froids. L’année 2012 a d’ailleurs
été l’exemple parfait de ce mode de consommation : en effet le record de consommation a été
battu le 7 Mars de cette année, en raison de la vague de froid survenue à cette période.

70000

65000

60000

55000

50000

45000

40000

35000

30000

25000
-5 0 5 10 15 20 25 30 35

(a) (b)

Figure A.3 – (a) : Influence de la température SAFRAN France sur la consommation électrique
moyenne journalière en France (1996-2005). Chaque point représente une journée.
(b) : Saisonnalité de la consommation d’énergie en France. (Source RTE)

263/279
Chapitre A. Annexes

D’autres régions du globe souffrent davantage de périodes estivales très chaudes plutôt que
d’hivers froids ce qui entraı̂ne des consommations électriques plus élevées à ces périodes. Ce phé-
nomène est amené à s’accentuer avec la hausse des températures due au changement climatique,
y compris en France.

A.4.1.2. Cycle hebdomadaire de la consommation électrique

La consommation électrique présente un cycle hebdomadaire marqué. En effet, la consomma-

tion électrique est plus faible durant les week-ends. Cette baisse de consommation s’explique par
la fermeture des principaux centres d’activités industriels et économiques durant les week-ends
(i.e. des usines, industries, fortes consommatrices en énergie). Ainsi, nous pouvons observer Fi-
gure A.4, sur laquelle est représenté un cycle hebdomadaire de type estival, que la consommation
d’électricité est plus faible le samedi, et est d’autant plus faible le dimanche que durant le reste
de la semaine.

Figure A.4 – Variation hebdomadaire de la consommation électrique France. (Source RTE)

L’activité économique du pays est également ralentie durant les jours fériés, et les grandes
périodes de vacances (i.e. les mois d’août et la période entre noël et jour de l’an), ce qui entraine
une diminution de la consommation électrique à ces moments (Figure A.3).

A.4.1.3. Cycle journalier de la consommation électrique

La consommation électrique au sein d’une journée, présente une variabilité importante. Un

exemple de courbe de charge lors d’une journée hivernale est présentée Figure A.5. Durant la
nuit, la consommation électrique est minimale, la majorité de la population est endormie : les
usines et industries sont en général fermées (ou du moins en activité minimale). Dans les foyers les
appareils électro-ménagers forts consommateurs d’énergie (i.e. fours, cuisinière électrique, chauf-
fages électriques) sont éteints. La consommation électrique commence à augmenter à partir de
05h du matin, heure à laquelle les premières industries ouvrent leurs portes. Cette augmentation
va perdurer jusqu’à environ 09h du matin, heure à laquelle l’activité industrielle et économique
du pays est arrivée à son maximum. Ainsi, un plateau de consommation est observé jusqu’à 16h

264/279
 A.4. Modélisation de la consommation électrique France

environ, heure à laquelle les premières usines ferment leurs portes, ce qui entraine une diminu-
tion de la consommation jusqu’aux alentours de 18h. A partir de 18h, la population rentre à son
domicile après la journée de travail. L’augmentation de la consommation électrique durant la
soirée, est liée principalement au démarrage des chauffages électriques ainsi qu’à l’éclairage des
habitations. Durant l’été, cette augmentation n’est pas observée (le chauffage et éclairage des
logements sont inexistants à cette période de l’année). Dans ce cas, la consommation électrique
diminue jusqu’à atteindre sa valeur minimale durant la nuit (Figure A.4).

Figure A.5 – Variation de la consommation électrique au sein d’une journée typique hivernale.
(Source RTE)

De plus faibles pics de consommation sont observés aux alentours de 23h et 02h du matin,
aussi bien durant l’hiver (Figure A.5) que durant l’été (Figure A.4). Le premier pic est lié à l’uti-
lisation importante des appareils électro-ménagers type lave-linge et lave-vaisselle à ces heures.
En effet, EDF a mis en place des grilles tarifaires avantageuses à ces horaires, afin d’encourager
la population à utiliser davantage ces appareils électro-ménagers, forts consommateurs en éner-
gie durant les heures creuses, i.e. durant des périodes à faibles consommations. Le 2ème pic de
consommation, à 02h du matin, est lié aux stations de pompage (STEPS) qui font remonter de
l’eau dans des barrages afin de reconstituer un stock d’eau qui sera valorisé durant des périodes
à fortes consommations électriques.

A.4.2. Consommations électriques France & températures

Les données de consommations électriques France RTE journalières sont présentées en fonc-
tion d’un indice de température locale sur le Bassin de la Basse Durance sur la Figure A.3a. La
relation entre la consommation électrique et la température semble évidente, ce qui encourage à
piloter une modélisation de la consommation électrique via la température (équation A.1).

Cti  f pTtiq (A.1)

Avec Cti la consommation électrique modélisée et Tti la température à la date ti .

265/279
Chapitre A. Annexes

La consommation électrique en France observée de 1996 à 2005, présente une tendance à la

hausse non négligeable (Figure A.6).

80000
75000
70000
65000
60000
55000
50000
45000
40000
35000
30000
96 97 98 99 00 01 02 03 04 05 06

Figure A.6 – Augmentation des consommation électrique France observé du 1er janvier 1996 au
31 décembre 2005 (noir). La courbe en rouge représente la tendance à la hausse.
(Source RTE)

Comme évoqué précédemment, les consommations électriques modélisées serviront à définir

un intérêt à produire de l’énergie pour le modèle de gestion. L’objectif de cette modélisation
est donc de représenter au mieux la variabilité saisonnière de la consommation électrique mais
également de reproduire aux mieux la variabilité inter-annuelle. En particulier nous souhaitons
que les consommations électriques simulées soient élevées lors hivers froids, et au contraire plus
faibles durant les hivers aux températures hivernales plus clémentes.

Aucune tendance à la hausse des consommations électriques n’est prise en compte dans la
modélisation des consommations électriques (comme nous l’avons évoqué en introduction du
document de thèse, le devenir des consommations électriques est très incertaine. La prévision de
l’augmentation des consommations électriques dépasse le cadre d’analyse fixé de ce document de
thèse). C’est pourquoi, afin de ne pas fausser le calage du modèle de consommation, la tendance
à la hausse des consommations électriques est préalablement supprimée.

Les figures, analyses et développements présentés dans la suite des travaux, seront réalisés
à partir de la série corrigée de consommations électriques. La Figure A.7 illustre le fait que la
consommation électrique en France dépend de :

ˆ La température

ˆ Du jour de la semaine. En particulier une différence importante est observée entre les jours
de semaine (où, pour une température donnée, les consommations électriques observées ne
semblent pas très différentes du lundi au vendredi (Figure A.7 à gauche) et les week-ends et
jours fériés (Figure A.7 à droite). Les consommations électriques observées les dimanches
et les jours fériés se ressemblent fortement (Figure A.7). C’est pourquoi les consommations
électriques lors de ces journées seront supposées similaires.

ˆ De ?. Ce point d’interrogation exprime le fait qu’il est impossible de détailler davantage

la variabilité des consommations électriques en n’utilisant qu’un indice de température.
Des données de nébulosité pourraient par exemple permettre d’expliquer une part de cette

266/279
 A.4. Modélisation de la consommation électrique France

variabilité en intégrant une augmentation des consommations électriques lors de journées

nuageuses (i.e. un éclairage plus important).

La température ne semble pas impacter la consommation électrique pour les plus fortes tem-
pératures (Figure A.7) Comme énoncé précédemment, la consommation France est encore très
peu sensible à la demande estivale liée aux pics de chaleur. Au contraire, la consommation
électrique semble augmenter linéairement lorsque la température diminue.

70000 70000
Lundi Semaine
Mardi 65000 Samedi
65000 Mercredi Dimache
Jeudi Ferie
Vendredi 60000
60000
55000
55000
50000
(MW)

(MW)
50000
45000
45000
40000
40000
35000
35000 30000

30000 25000
-5 0 5 10 15 20 25 30 35 -5 0 5 10 15 20 25 30 35
Temperature Temperature

(a) (b)

Figure A.7 – Influence du jour de la semaine sur la consommation électrique France. (a) : Com-
paraison des consommations électriques observées en fonction de la température
pour les différents jours de la semaine. (b) : Même chose en distinguant la semaine,
les samedis, les dimanches et les jours fériés.

Ces observations ont permis de mieux comprendre la variabilité de la consommation électrique

en France. Section A.4, ces informations sont utilisées lors de la construction de modèle de
consommations électriques.

A.4.3. Modélisation de la consommation électrique France

journalière
Cette section présente la construction et l’évaluation de la modélisation de la consommation
électrique moyenne journalière France : Pour une température donnée une et une seule consom-
mation électrique pourra être obtenue.

La modélisation proposée ici consiste à décrire une relation liant la consommation électrique
et la température par une fonction linéaire par morceau. Comme observé Figure A.7, la consom-
mation électrique est sensible à la température dès lors qu’elle est inférieure à une température
seuil. Les hypothèses de cette modélisation sont les suivantes :

ˆ La consommation électrique est constante si T ¡ Tseuil (équation A.2).

ˆ La consommation électrique augmente linéairement avec la diminution des températures
si T Tseuil (équation A.3).

267/279
Chapitre A. Annexes

Si T ¡ Tseuil Cj  Kj (A.2)

Si T Tseuil Cj T  a j  T bj (A.3)

Avec :

ˆ C la consommation électrique moyenne journalière simulée.

ˆ K la consommation électrique indépendante de la température T .

ˆ a et b les paramètres de la relation linéaire reliant la consommation électrique et la tem-

pérature lorsque la température est inférieure à la température seuil.

ˆ L’indice j permet de dissocier les jours de semaine, des samedis, et des dimanches et jours
fériés, afin de représenter les différences de consommation électrique observées Figure A.7.

Le seuil de température Tseuil dépend de la chronique de température utilisée. Dans notre cas,
la température seuil choisie est de 18 C.

Les paramètres de ce modèle consommation électrique sont présentés Tableau 1. Les para-
mètres a, b et K sont obtenus par régression linéaire sur les nuages de points présentés Figure
A.7, i.e. sur l’ensemble des données disponibles. La plage temporelle pour laquelle les données
de consommations électriques et de températures sont disponibles étant réduite, les périodes
de calage et d’évaluation ne sont pas dissociées. Sur l’ensemble de la période de simulation
(1996-2003), le Nash obtenu est de l’ordre de 0.87.

a pM W {  C q b pM W q K pM W q
Jours de Semaine -1217 61951 39871
Samedis -1273 56808 34383
Dimanches & Fériés -1296 53571 30839

Tableau A.2 – Paramètres du modèle de consommation électrique moyenne France

A titre d’exemple seulement, les consommations journalières observées et simulées lors de

l’année 1996 sont présentées Figure A.8. Sur cette figure nous pouvons constater que le modèle
proposé ici, très simple, permet de bien reproduire la dynamique de consommation électrique en
France lors de cette année.

A.4.4. Modélisation de la consommation électrique France

infra-journalière
A.4.4.1. Anomalie de consommation infra-journalière

Nous appelons anomalie infra journalière de consommation électrique, l’écart relatif entre la
consommation électrique instantanée (i.e. au pas de temps le plus fin disponible, 30 min) avec
la consommation moyenne journalière (équation A.4).

268/279
 A.4. Modélisation de la consommation électrique France

70000
65000
60000
55000
(MW) 50000
45000
40000
35000
Obs
30000 Sim
25000
J F M A M J J A S O N D

Figure A.8 – Comparaison entre les consommations électriques observées (noir) et simulées
(bleu) lors de l’année 1996.

Ct hi  Athi  Cti (A.4)

Avec :

ˆ Ct hi : la consommation électrique instantanée (pas de temps 30 min)

ˆ At hi : l’anomalie relative de consommation au jour ti au temps h (pas de temps 30 min)

ˆ Cti : la consommation journalière moyenne au jour ti .

Les anomalies relatives des consommations électriques observées sont représentées Figure
A.9. Il a été montré section A.4.1.3, que la consommation électrique en France présente un
cycle journalier très marqué. Comme énoncé précédemment ce cycle dépend de la saison mais
également du jour de la semaine. Les lundis sont dissociés des autres jours de la semaine sur la
Figure A.9. En effet, la fermeture d’un grand nombre de commerces et d’entreprises du secteur
tertiaire limite en partie la consommation électrique à l’échelle du pays durant la matinée.
Ces anomalies, présentées ici au pas de temps 30 minutes, peuvent être calculées à des pas
de temps plus grossiers.

A.4.4.2. Génération stochastique de consommations électriques

infra-journalières

Le modèle de gestion de Serre-Ponçon nécessite comme données d’entrées, des séries de

consommations électriques au pas de temps inférieur à la journée (voir section 3.2). A la section
A.4, une modélisation de la consommation électrique journalière a été proposée, à partir d’une
série de températures au même pas de temps.

Cette section propose une méthodologie permettant de désagréger les données de consom-
mations électriques simulées au pas de temps journalier vers un pas de temps infra-journalier.
Afin de désagréger les données journalières de consommation électrique, les distributions infra-
journalières des anomalies de consommations électriques observées sont utilisées. Pour une date
donnée, les consommations électriques à un pas de temps inférieur à la journée, sont obtenues à
partir de l’équation A.4.

269/279
Chapitre A. Annexes

Jan Fev Mar Avr

1.2 1.2 1.2 1.2

1.1 1.1 1.1 1.1

1.0 1.0 1.0 1.0

0.9 0.9 0.9 0.9

0.8 0.8 0.8 0.8

0.7 0.7 0.7 0.7

0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

Mai Jui Jul Aou

1.2 1.2 1.2 1.2

1.1 1.1 1.1 1.1

1.0 1.0 1.0 1.0

0.9 0.9 0.9 0.9

0.8 0.8 0.8 0.8

0.7 0.7 0.7 0.7

0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

Sep Oct Nov Dec

1.2 1.2 1.2 1.2

1.1 1.1 1.1 1.1

1.0 1.0 1.0 1.0

0.9 0.9 0.9 0.9

0.8 0.8 0.8 0.8

0.7 0.7 0.7 0.7

0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25 0 5 10 15 20 25

Figure A.9 – : Influence de la saison et du jour de la semaine sur l’anomalie relative de consom-
mation électrique. Abscisse : Heure de la journée. Ordonnées : Anomalie relative
de consommation par rapport à la moyenne journalière. Courbes bleues : [Mardi,
Mercredi, Jeudi, Vendredi]. Courbes jaunes : Lundi. Courbes vertes : Samedi.
Courbes rouges : Dimanches. Courbes noires : jours fériés. Données RTE : 1996-
2005

L’anomalie utilisée au pas de temps infra-journalier souhaité, pourrait être choisie aléatoire-
ment dans la totalité de l’historique disponible. Cependant, il existe une forte relation liant les
anomalies de consommations et la période de l’année d’une part et le jour de la semaine d’autre
part. L’anomalie de consommation électrique finalement utilisée est tirée aléatoirement dans une
fenêtre temporelle de 30 jours centrée sur le jour calendaire de la date considérée (en respectant
le jour de la semaine considéré. Par exemple, il n’est pas souhaitable d’appliquer une anomalie
d’un dimanche à une consommation électrique d’un mardi).

En résumé, cette méthode permet de calculer des scénarios de consommations électriques

moyennes à des pas de temps infra-journaliers. Le choix stochastique des anomalies relatives de
consommations prend en compte les cycles de consommations électriques journaliers observés.
A titre d’exemple, les consommations électriques moyennes journalières simulées du 1 janvier au
29 février 1996 (courbe noire) ainsi que les consommations électriques moyennes des tranches
horaires 00H Ñ 08H, 08H Ñ 16H et 16H Ñ 24H (respectivement courbe bleue, verte et rouge)
sont représentées.

270/279
 A.5. Rendement de la CPH-DV

70000
65000
60000
55000
50000
45000
40000
35000
01/01 15/01 01/02 15/02 29/02

Figure A.10 – Génération de scénarios de consommations électriques moyennes infra-

journalières. Noir : Consommations électriques moyennes journalières. Bleu, Vert
et Rouge : les consommations électriques moyennes respectivement durant les
postes horaires, 00H Ñ 08H, 08H Ñ 16H et 16H Ñ 24H”

A.5. Rendement de la CPH-DV

A.5.1. Puissance électrique générée par une usine
hydroélectrique
La puissance électrique générée par une usine hydroélectrique à un instant ti dépend de
différents facteurs, à savoir :

ˆ Du débit turbiné Rti .

ˆ De la hauteur de chute Hti (m)

ˆ Du type de turbines installées. L’usine de Serre-Ponçon est équipée de quatre turbines de

type Francis.

La relation liant la puissance électrique générée P eti (kW ), au débit turbiné Rti , à la hauteur
de chute Hti et à l’équipement de la centrale (rendement propre des turbines R) est donnée par
l’équation A.5.

P eti minpHt , H maxq  Rti  ρ  g  R

i (A.5)

Avec g la constante d’accélération de la gravité (g  9.81N.kg
1 ), ρ la masse volumique de

l’eau (ρ  1030kg.m
3 ) et H max la hauteur de chute maximale.

Pour un volume d’eau turbiné donné, la puissance électrique générée est une fonction crois-
sante de la hauteur de chute. La vitesse de rotation des turbines est constante lorsque la hauteur
de chute H est supérieure à une hauteur de chute H max à partir de laquelle la puissance
électrique n’augmente plus avec la hauteur de chute. Comme le montre la relation A.5, pour ré-
pondre à une même demande énergétique, une hauteur de chute moindre nécessiterait un volume
à turbiner plus important qu’avec une hauteur de chute plus élevée.

271/279
Chapitre A. Annexes

A.5.2. Conceptualisation du rendement de la CPH-DV

Il est proposé ici de conceptualiser une diminution de revenus en fonction de la hauteur
de chute de SP. Ici, le terme φ équation 3.4 est utilisé pour indiquer une possible diminution
(respectivement une augmentation) des revenus de l’ouvrage lorsque la hauteur de chute diminue
(respectivement augmente).
La courbe réelle du rendement de la production, fonction du volume en stock dans la retenue
de SP en fonction du niveau de remplissage est une donnée complexe car elle dépend des groupes
mobilisés et de l’interaction entre ces groupes. Cependant, une approximation de cette relation
a été obtenue pour les besoins de projet RIWER 2030, à savoir :
#
φpSti q  1 si Sti ¡ Sφmax
(A.6)
φpSti q  aSP  Sti bSP si Sti Sφmax
Sφmax est le niveau de remplissage du réservoir à partir duquel le rendement n’augmente plus
pour les raisons évoquées précédemment. Le calage des paramètres aSP et bSP a été réalisé en
considérant une versions des modèles de gestion utilisé (i.e. le modèle AIP). L’objectif de cette
procédure de calage était de maximiser le critère de Nash entre la trajectoire observé du stock
de la retenue de SP et la trajectoire de réserve simulée par le modèle AIP.

A.6. Débit de dotation & prélèvements

A.6.1. Variabilité inter-annuelle des prélèvements simulés
et observés en aval de Cadarache
Les séries des volumes annuels prélevés simulés (rouge) et reconstitués (noir) sont illustrées
Figure A.11 de 1990 à 2002. Comme indiqué dans le document de thèse, la varabilité inter-
annuelle est assez mal reproduite par le modèle de prélèvements. Les écarts entre prélèvement
simulés et observés peuvent atteindre 200M m3 à l’échelle annuelle (cf année 1994).

2050 Sim
Obs
1950

1850

1750

1650

1550

1450
90 91 92 93 94 95 96 97 98 99 00 01 02

Figure A.11 – Volume prélevés annuels simulés (rouge) et observés (noir)

272/279
 A.7. Longueur de l’historique & stratégie de gestion AIC

L’erreur commise par le modèle de prélèvement n’est pas homogène sur l’année. Au contraire,
celle-ci est souvent localisée sur une saison particulière. Pour illustration, nous pouvons constater
sur la Figure A.12, la difficulté du modèle à reproduire la variabilité inter-annuelle des prélève-
ments printaniers (MAM) et automnaux (SON). Au contraire, la variabilité inter-annuelle des
prélèvements estivaux (JJA) est plutôt bien reproduite.

DJF MAM
200 600

550

150 500

450

100 400

350

50 300
90 91 92 93 94 95 96 97 98 99 00 01 02 90 91 92 93 94 95 96 97 98 99 00 01 02

JJA SON
950 400
Sim
Obs
900
350

850
300
800

250
750

700 200
90 91 92 93 94 95 96 97 98 99 00 01 02 90 91 92 93 94 95 96 97 98 99 00 01 02

Figure A.12 – Variabilité inter-annuelle saisonnière des prélèvements. Rouge : Prélèvements

simulés. Noir : Prélèvements observés. DJF = [Décembre Janvier Février]. MAM
= [Mars Avril Mai]. JJA = [Juillet Aout Septembre]. SON = [Septembre Octobre
Novembre].

A.6.2. Variabilité inter-annuelle du débit de dotation

simulé et reconstitué à SP
Les volumes annuels de dotation simulés (rouge) et reconstitués (noir) sont exposés Figure
A.13 de 1990 à 2002. Nous pouvons noter que la variabilité inter-annuelle des volume de dotation
simulés est plus faible que la variabilité inter-annuelle observée des volumes annuels de dotation.
Cela conduit peu conduire à une sur-estimation importante du volume de dotation lors de
certaines années (cf. années 1992, 1995 et 1996). Au contraire, la sous-estimation des volumes
annuels de dotation élevés est moins importante.

A.7. Longueur de l’historique & stratégie

de gestion AIC
Ce travail a été initié par une étudiante en stage au LTHE : Wiem Benkhediri.

Quelle est la taille optimale d’un historique pour construire la stratégie de gestion AIC ainsi
que sa courbe guide de remplissage 90 % ? Cet exercice a pour objectif de fournir des éléments

273/279
Chapitre A. Annexes

1000
Sim
Obs
900

800

700

600

500

400

300
90 91 92 93 94 95 96 97 98 99 00 01 02

Figure A.13 – Volume de dotation annuel reconstitué (courbe noire) et simulé à SP (courbe
rouge) sur la période 1990-2002

de réponses à cette question.

Une unique réalisation de 140 années d’un climat stationnaire a été utilisée (1860-1999). Cette
réalisation est issue de la chaı̂ne de simulation CNCM33-1/Dsclim10. La période 1860-1969 est
utilisée comme historique potentiel pour construire la stratégie de gestion AIC. Un ensemble
d’historiques de taille H ont été testés pour établir la stratégie de gestion. Pour chaque taille H
d’historique, la totalité des historiques continus ont été testés (e.g. pour H  10, les historiques
testés sont 1860-1869, 1861-1870, 1862-1971 ...). Chaque stratégie de gestion a été utilisée en
phase de simulation sur la période 1970-1999. Les signatures de stock obtenues pour différentes
valeurs de H, sont présentées Figure A.14)

274/279
 A.8. Stabilisation de la stratégie AIC avec 100 réalisations MDES 30 années

1000 1000 1000

800 800 800
600 600 600
H=10 H=20 H=30
400 400 400
200 200 200
0 0 0
J FMAMJ J A SOND J FMAMJ J A SOND J FMAMJ J A SOND

1000 1000 1000

800 800 800
600 600 600
H=40 H=50 H=60
400 400 400
200 200 200
0 0 0
J FMAMJ J A SOND J FMAMJ J A SOND J FMAMJ J A SOND

1000 1000 1000

800 800 800
600 600 600
H=70 H=80 H=90
400 400 400
200 200 200
0 0 0
J FMAMJ J A SOND J FMAMJ J A SOND J FMAMJ J A SOND
1000
800
600
H=100
400
200
0
J FMAMJ J A SOND

Figure A.14 – Influence du nombre d’années H utilisées sur l’estimation d’une signature de
stock. Cet exercice a été réalisée sur la base d’une unique réalisation (GCM
CNCM33-1 et MDES Dsclim10) de la période 1860-1999

La signature de stock en rouge correspond à la signature de stock obtenue en utilisant la

totalité de l’historique (1860-1999). Elle est la référence.

Les résultats de cet exercice montrent qu’il n’est a priori pas possible de stabiliser la signa-
ture de stock (et donc la stratégie de gestion AIC et la courbe guide de remplissage 90 %) avec
une taille d’historique trop réduite, même pour un climat stationnaire. Cela résulte de la varia-
bilité naturelle du climat qui ne peut être interceptée sur une période temprelle trop réduite.
La convergence observée des signatures lorsque H augmente est en partie conditionnée par le
fait qu’à partir d’une certaine taille H, tous les historiques intègrent la majorité des mêmes an-
nées. Une configuration idéale serait de réaliser le même exercice en considérant une réalisation
beaucoup plus longue que celle utilisée ici de 140 ans.

A.8. Stabilisation de la stratégie AIC

avec 100 réalisations MDES 30 années
Dix ensembles de 100 réalisations NCEP/Dsclim10 différentes ont été considérés. Dix stra-
tégies de gestion AIC et dix courbes guides de remplissages 90 % ont été calculées à partir de

275/279
Chapitre A. Annexes

ces ensembles, et utilisées pour simuler la même période de 30 années. Les signatures de stock
moyennes obtenues sont présentées Figure A.15.

Figure A.15 – Signatures de stock moyennes obtenues sur une période de 30 années simulées.
Les stratégies de gestion et ls courbes guide de remplissage 90 % ont été obtenues
sur la bas de 10 ensembles de 100 MDES de 30 années différentes.

276/279
 A.9. Annexe chapitre 8

A.9. Annexe chapitre 8

A.9.1. Fonction de distribution des critères de performance
Ces distributions sont calculées sur la base de 30 réalisations de 30 années, obtenues pour
chaque chaı̂ne de simulation GCM/Analog20. (elles comportent donc 30 valeurs chacune).
Pour faciliter l’analyse, les distributions des modifications de ces critères sont également illus-
trées sur ces mêmes figures. Pour calculer les distributions des modifications possibles, nous
avons comparé la valeur de chaque critère, obtenue sur les périodes P1 et P2 , aux 30 valeurs
obtenues sur la période P0 . Les distributions des modifications comportent donc 900 valeurs (i.e.
30 valeurs sur période futur  30 valeurs sur période P0 ).

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100

CNCM33-1
1.0 1.0 DMIEH5C-1
0.9 0.9 DMIEH5C-2
0.8 0.8
DMIEH5C-3
MPEH5C-1
0.7 0.7
EGMAM2-3
0.6 0.6
0.5 0.5
0.4 0.4 AC
0.3 0.3 AIP
0.2 0.2 AIC
0.1 0.1
0.0 0.0
-70 -60 -50 -40 -30 -20 -10 0 10 -70 -60 -50 -40 -30 -20 -10 0 10

Figure A.16 – Modification du critère de fiabilité F ia (%) selon les différents modèles de gestion
utilisés. Première ligne : Fonctions de distribution du critère de fiabilité estimé
sur les périodes P0 (1970-1999), P1 (2036-2065) et P2 (2070-2099) sur la base
des 30 réalisations de 30 années (GCM/Analog20). Deuxième ligne : Fonction
de distributions des modifications relatives inter-réalisations de la fiabilité entre
les périodes P1 et P0 d’une part, et P2 et P0 d’autre part.

277/279
Chapitre A. Annexes

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
2.0 2.5 3.0 3.5 4.0 4.5 2.0 2.5 3.0 3.5 4.0 4.5 2.0 2.5 3.0 3.5 4.0 4.5

CNCM33-1
1.0 1.0 DMIEH5C-1
0.9 0.9 DMIEH5C-2
0.8 0.8 DMIEH5C-3
MPEH5C-1
0.7 0.7
0.6 0.6
EGMAM2-3
0.5 0.5
0.4 0.4 AC
0.3 0.3 AIP
0.2 0.2 AIC
0.1 0.1
0.0 0.0
-45 -30 -15 0 -45 -30 -15 0

Figure A.17 – Modification de l’indicateur de revenus GHEP (U.M) selon les différents modèles
de gestion utilisés. Pour plus de détails se référer à la légende Figure A.16.

1.0 1.0 1.0

0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
0.6 0.6 0.6
0.5 0.5 0.5
0.4 0.4 0.4
0.3 0.3 0.3
0.2 0.2 0.2
0.1 0.1 0.1
0.0 0.0 0.0
0 4000 8000 12000 0 4000 8000 12000 0 4000 8000 12000

CNCM33-1
1.0 1.0 DMIEH5C-1
0.9 0.9 DMIEH5C-2
0.8 0.8
DMIEH5C-3
MPEH5C-1
0.7 0.7
EGMAM2-3
0.6 0.6
0.5 0.5
0.4 0.4 AC
0.3 0.3 AIP
0.2 0.2 AIC
0.1 0.1
0.0 0.0
-4000 0 4000 8000 12000 -4000 0 4000 8000 12000

Figure A.18 – Modification des volumes déversés selon les différents modèles de gestion utilisés.
Pour plus de détails se référer à la légende Figure A.16. A noter cependant, les
modifications ∆P1
P0 et ∆P2
P0 sont ici exprimées en valeurs absolues et
non plus en valeurs relatives.

278/279
 A.9. Annexe chapitre 8

A.9.2. Fiabilité moyenne & apports nets estivaux

100 100 100

90 AIC 90 90
80 AIP 80 80
70 AC 70 70
60 CNCM33-1
DMIEH5C-1
60 60
50 DMIEH5C-2
DMIEH5C-3
50 50
40 MPEH5C-1
EGMAM2-3
40 40
30 30 30
-60 -40 -20 0 20 40 60 -60 -40 -20 0 20 40 60 -60 -40 -20 0 20 40 60
net (m3/s) (J & A) net (m3/s) (J & A) net (m3/s) (J & A)

Figure A.19 – Indicateur de revenus moyen sur les périodes P0 , P1 et P2 en fonction de l’espé-
rance des apports nets annuels à la retenue. Pour chaque période, les six chaı̂nes
de simulation GCM/Analog20 sont représentées

279/279