GOUSMI BAHRIA GSIT Pfe 2021

République Algérienne Démocratique et Populaire
Ministère de l’enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et de la Technologie HOUARI BOUMEDIENE
Faculté d’Electronique et Informatique
Département d’Electrotechnique
Domaine : Sciences et Ttechnologie

Filière : Electrotechnique
Spécialité : Génie des Système Industriels et Tertiaires
Mémoire de Master
Thème :
Planification Optimale de la Maintenance

Préventive dans Différentes Parties des
Réseaux Electrique Industriels pour la
Prévention de Pannes Multiples
Dirigé par : Présenté par :

BAHRIA Mohamed Amine
BALI Noureddine
GOUSMI Hichem
Année universitaire : 2020/2021

Remerciement
Tout d’abord, merci à dieu de nous avoir accordé la santé et les moyens de réaliser
notre projet de fin d’étude
Au début, on souhaite adresser nos remerciements les plus sincères aux personnes
qui nous ont apporté leur aide et qui ont contribué à l’élaboration de ce mémoire.
On tient à remercier tout particulièrement notre encadrant Dr. N. BALI pour nous
avoir suivis et conseillés tout au long de la réalisation de ce mémoire.
Nous adressons nos remerciements aux membres de jury, pour l’honneur qu’ils nous
ont fait en acceptant d’évaluer notre projet.
Ce mémoire n’aurait jamais pu voir le jour sans le soutien actif des membres de
notre famille, surtout nos parents ils nous ont toujours encouragé moralement et
matériellement et à qui on tient à les remercier.
Enfin on tient à exprimer vivement nos remerciements avec une profonde gratitude à
toutes les personnes qui ont contribué de près ou de loin à sa réalisation, car un
projet ne peut pas être le fruit une seule personne.
Dédicaces
Je dédie cet ouvrage
A ma maman qui m’a soutenu et encouragé durant ces années d’études.
Qu’elle trouve ici le témoignage de ma profonde reconnaissance.
A mon père qui a toujours été à mes côtés pour me soutenir et

m’encourager.
Que ce travail traduit ma gratitude et mon affection.
A mes frères, mes grands-parents et Ceux qui ont partagé avec moi
tous les moments d’émotion lors de la réalisation de ce travail.
Ils m’ont Chaleureusement supporté et encouragé tout au long de
mon parcours.
A ma famille, mes proches (Lamia, Billal )ceux qui me donnent de
l’amour et de la vivacité.
A tous mes amis (Amine, Farouk, anis, Tarek, Mourad, Zaki, Rahim,
Rafik, Ayoub) qui m’ont toujours encouragé, et à qui je
souhaite plus de succès.
A tous ceux que j’aime.
Merci !
BAHRIA AMINE
GOUSMI HICHEM
sommaire
Introduction générale ........................................................................................................................... 1
Chapitre 1 : ........................................................................................................................................... 3
1 . Problème d'ordonnancement de la maintenance des générateurs .............................................. 3
Introduction : ........................................................................................................................ 4
Maintenance : ....................................................................................................................... 4
1.2.1 Évolution de la maintenance : ........................................................................................ 4
1.2.2 Les types de maintenance : ............................................................................................ 5
1.2.2.1 La maintenance corrective : .................................................................................... 6
1.2.2.2 La Maintenance Préventive : .................................................................................. 7
1.2.2.2.1 La Maintenance Préventive systématique : ........................................................ 7
1.2.2.2.2 Maintenance préventive conditionnelle : ........................................................... 8
1.2.2.2.3 Maintenance préventive prévisionnelle : ............................................................ 8
1.2.3 Rôle de la fonction maintenance : .................................................................................. 8
1.2.4 Objectifs de la maintenance : ......................................................................................... 8
1.2.4.1 Les objectifs généraux : .......................................................................................... 8
1.2.4.2 Les objectifs à la japonaise (les cinq zéros) : ......................................................... 9
L’ordonnancement de la maintenance de la production GMS :......................................... 11
1.3.1 Objectifs : ..................................................................................................................... 11
1.3.2 Modèles : ...................................................................................................................... 12
1.3.3 Points de vue : .............................................................................................................. 12
Formulation du problème test de GMS : ............................................................................ 13
Conclusion : ....................................................................................................................... 16
Chapitre 2 : ......................................................................................................................................... 17
2 . Les techniques d'optimisation proposée................................................................................... 17
Introduction : ...................................................................................................................... 18
Méthodes de solution du GMS : ........................................................................................ 18
2.2.1 Méthodes Exactes : ...................................................................................................... 20
2.2.1.1 Programmation mathématique : ............................................................................ 20
2.2.1.2 Programmation dynamique :................................................................................. 21
2.2.2 Méthodes Approchées : ................................................................................................ 21
2.2.2.1 Heuristique :.......................................................................................................... 21
2.2.2.2 Méta-heuristiques : ............................................................................................... 22
2.2.2.2.1 Recuit simulé SA :............................................................................................ 22
2.2.2.2.2 Algorithme génétique GA : .............................................................................. 25
2.2.2.2.3 Algorithmes ACO : .......................................................................................... 28
2.2.2.2.4 PSO DISCRET MODIFIÉ : ............................................................................. 32
Conclusion : ....................................................................................................................... 34
Chapitre 3 : ......................................................................................................................................... 35
3 . Le cas d’étude de la méthode may-fly ..................................................................................... 35
Introduction : ...................................................................................................................... 36
Mouvement et comportement des éphémères : .................................................................. 36
3.2.1 Mouvement des éphémères mâles : ............................................................................. 37
3.2.2 Mouvement des éphémères femelles : ......................................................................... 38
L'accouplement des éphémères : ........................................................................................ 39
Améliorations de l'algorithme de base Mayfly : ................................................................ 40
3.4.1 Limites de vélocité : ..................................................................................................... 40
3.4.2 Coefficient de gravité : ................................................................................................. 40
3.4.3 Réduction de la danse nuptiale et de la marche aléatoire : .......................................... 41
3.4.4 Mutation des gènes de la progéniture : ........................................................................ 41
Algorithme multi-objectif Mayfly (MMA) : ...................................................................... 42
3.5.1 Mouvement des éphémères mâles dans l'optimisation multi-objectifs : ...................... 42
3.5.2 Mouvement des éphémères femelles dans l'optimisation multi-objectifs.................... 42
3.5.3 L’accouplement des éphémères dans l'optimisation multi-objectifs : ......................... 43
3.5.4 Distance d'affluence : ................................................................................................... 43
Conclusion : ....................................................................................................................... 43
Chapitre 4 ........................................................................................................................................... 44
4 . Résultats Obtenues de L’algorithme MA................................................................................. 44
Introduction : ...................................................................................................................... 45
Système à 21 unités : .......................................................................................................... 45
4.2.1 Les semaines de démarrage de l'activité de maintenance de 21 unités : ...................... 46
4.2.2 Calendriers de maintenance des générateurs : ............................................................. 47
4.2.3 Le réserve de la meilleure solution : ............................................................................ 48
4.2.4 La production d’énergie de la meilleure solution : ...................................................... 49
4.2.5 Les maintenanciers de la meilleur production : ......................................................... 50
Système à 49 unités : .......................................................................................................... 52
4.3.1 Les semaines de démarrage de l'activité de maintenance de 49 unités : ...................... 54
4.3.2 Calendriers de maintenance des générateurs ............................................................... 55
4.3.3 Le réserve de la meilleure solution : ............................................................................ 56
4.3.4 La production d’énergie de la meilleure solution : .................................................... 57
4.3.5 Les maintenanciers de la meilleure production : ......................................................... 58
Conclusion : ....................................................................................................................... 60
Conclusion générale : ......................................................................................................................... 61
Liste des abréviations et
symboles
GMS : l’ordonnancement de la maintenance des générateurs.
TMS : calendrier de maintenance des transmissions.
ACO : l'optimisation par colonies de fourmis.
GA : les algorithmes génétiques.
SA : le recuit simulé.
PSO : l'optimisation par essaims de particules.
MA: May Fly
AFNOR : Association française de normalisation.
MTTF : le temps moyen de défaillance.
MTTR : Le temps moyen de réparation.
MTBF : e temps moyen entre les pannes.
i : indice des unités de production.
I : ensemble des indices des unités de production.
N : nombre total d'unités de production.
t : indice des périodes.
T : ensemble des indices des périodes de l'horizon de planification.
epi : période la plus proche du début de la maintenance de l'unité i.
lpi : dernière période de fin de maintenance de l'unité i.
di : durée de la maintenance de l'unité i.
Pit : capacité de production de l'unité i à la période t.
Lt : demande de charge anticipée pour la période t.
Rt : réserve minimale requise pour la période t.
Mit : main-d'œuvre nécessaire à l'unité i à la période t.
AMt : main d'œuvre disponible à la période t.
IEEE : institut des ingénieurs électriciens et électroniciens
GMAO : Gestion de Maintenance Assistée par Ordinateur.
MILP : le modèle de programmation linéaire mixte en nombre entier.
LP : programmation linéaire.
IP : programmation en nombres entiers.
DP : La programmation dynamique.
TS : la méthode de recherche avec tabous.
CP : croisement définie.
MP : probabilité de mutation.
SSR : la somme des carrés des réserves.
TMV : la violation de la main-tenanciers totale.
TLV : la violation de la charge totale.
MMAS : Max-Min System.
CD : la distance d'affluence.
Liste des figures
Figure 1.1 politique de maintenance et évènements révélateurs
Figure 1.2 La Réserve qui est la déférence entre l’énergie de production et la consommation.
Figure 1.3 Le programme de maintenance qui représente le début et la fin de la maintenance.
Figure 1.4 Le nombre de personnes pour exécuter le programme de maintenance
Figure 1.5 La capacité totale des unités en fonctionnement
Figure 2.1 organigramme des méthodes de résolution des problèmes combinatoires
Figure 2.2 organigramme de la méthode d’optimisation (SA)
Figure 2.3 la méthode d’optimisation algorithme génétique (GA)
Figure 2.4 organigramme de la méthode d’optimisation (GA)
Figure 2.5 le comportement des fourmis réelles dans la nourriture (ACO)
Figure 2.6 Les vraies fourmis, après un certain temps, ont tendance à choisir le chemin le plus court
entre le nid et la nourritur
Figure 2.7 l'optimisation par colonies de fourmis (ACO)
Figure 2.8 Organigramme de l'algorithme MDPSO pour le problème GMS
Figure 2.9 comportement social des oiseaux en vol (méthode PSO)
Figure 3.1 éphémères.
Figure 3.2 éphémère mâle
Figure 3.3 éphémère femell
Figure 4.1 Graphe présente les détails des périodes de maintenance
Figure 4.2 La meilleure solution de réserve par rapport aux itération
Figure 4.3 Graphe zoomé de La meilleure solution de réserve
Figure 4.4 La production d’énergie de la meilleure solution par rapport a la semaine de
maintenance
Figure 4.5 Les maintenancier de la meilleure production par rapport a la semaine de maintenance
Figure 4.6 Graphe présente les détails des périodes de maintenance (49 unités).
Figure 4.7 La meilleure solution de réserve par rapport aux itérations (49 unités).
Figure 4.8 Graphe zoomé de la figure ci-dessus (49 unités).
Figure 4.9 La production d’énergie de la meilleure solution par rapport au la semaine de maintenance
(49 unités).
Figure 4.10 Les maintenanciers de la meilleure production par rapport a la semaine de maintenance
(49 unités).
Liste des tabeau
Tableau 4.1 Données pour le système 21 unités.
Tableau 4.2 Périodes de maintenance de la meilleure solution.
Tableau 4.3 présentation détaillé des unités qu’ont maintenance pour chaque semaine.
Tableau 4.4 Données pour le système 49 unités.
Tableau 4.5 Périodes de maintenance de la meilleure solution (49unités).
Tableau 4.6 présentation détaillé des unités qu’ont maintenance pour chaque semaine (49 unités).
Introduction générale
Les systèmes électriques sont des systèmes complexes et fortement interconnectés qui sont censés
fonctionner en continu tant que la demande d'énergie électrique existe. Cependant, ces systèmes sont
soumis à différents types de perturbations et d'incertitudes telles que les défauts de court-circuit, les
oscillations électromécaniques et les variations des paramètres du système. En outre, leur taille et leur
complexité ne cessent de croître en raison de la demande croissante d'énergie électrique. Par
conséquent, certaines opérations de maintenance préventive doivent être programmées et appliquées
régulièrement à ces systèmes afin de maintenir la cohérence du réseau électrique. Le problème de la
l’ordonnancement de la maintenance des générateurs (GMS) consiste à trouver une allocation
optimale des programmes de maintenance qui garantit un niveau élevé de fiabilité du système et réduit
les coûts de production et de maintenance, tout en satisfaisant toutes les contraintes liées aux
ressources de maintenance et à la demande de puissance.
La résolution du problème GMS s'est avérée être une tâche difficile. En fait, il s'agit d'un
problème d'optimisation combinatoire avec contraintes qui présente un grand nombre de solutions
réalisables et infaisables. Néanmoins, un tel problème peut être résolu de manière efficace en utilisant
des méta-heuristiques telles que les algorithmes génétiques (GA), l'optimisation par essaims de
particules (PSO), le recuit simulé (SA) et l'optimisation par colonies de fourmis (ACO). Ces méta-
heuristiques sont des méthodes inspirées de la nature qui peuvent être utilisées pour résoudre un large
éventail de problèmes discrets et continus, mono- et multi-objectifs, dans le monde réel.
Les méthodes de résolution basées sur un type de méta-heuristique ont été largement étudiées.
Néanmoins, ces méthodes présentent quelques difficultés concernant le choix de certains paramètres
de contrôle tels que les probabilités de croisement et de mutation dans les GA, la température initiale
et le taux de refroidissement dans la SA, et le taux d'évaporation dans l'ACO. De plus, certaines
procédures telles que l'information heuristique dans l'ACO peuvent être difficiles à établir. Pour
surmonter ces difficultés, des approches hybrides ont été proposées. Ces approches utilisent plus
d'une méta-heuristique, ou heuristique, et s'avèrent plus efficaces que les approches conventionnelles.
Cependant, la plupart de ces méthodes se concentrent encore sur l'hybridation des GA et d'autres
méthodes, telles que la SA, les opérateurs de recherche local ou la logique floue.
Une nouvelle méthode appelée l'algorithme Mayfly (MA) pour résoudre les problèmes
d'optimisation. Inspiré du comportement de vol et du processus d'accouplement des éphémères,
l'algorithme proposé combine les avantages majeurs de l'intelligence en essaim et des algorithmes
évolutionnaires. Pour évaluer les performances de l'algorithme proposé, 38 fonctions mathématiques
1
de référence, dont 13 fonctions de test CEC2017. Les performances de l'MA sont également évaluées
par le biais du comportement de convergence dans l'optimisation multi-objectif ainsi que par
l'utilisation d'un problème d'ordonnancement de flux discret du monde réel. Les processus de danse
nuptiale et de vol aléatoire améliorent l'équilibre entre les propriétés d'exploration et d'exploitation
de l'algorithme et l'aident à échapper aux optima locaux.
2
Chapitre 1 :
1 . Problème
d'ordonnancement de la
maintenance des
générateurs
Chapitre 1 Problème d'ordonnancement de la maintenance des générateurs
Introduction :
Dans un secteur industriel très concurrentiel, les entreprises doivent faire face à une
concurrence de plus en plus féroce, à une pression croissante de l'environnement (clients et
concurrents) pour mettre à jour rapidement le produit, mais aussi augmenter l'offre Concernant la
demande. Augmenter la productivité en réduisant les coûts est l'objectif principal de toutes les
entreprises aujourd'hui. Le système de production est caractérisé par sa dynamique et son
imprévisibilité. Les tâches complexes sont généralement affectées par des contraintes de temps et
de la demande. Par conséquent, le système de production fixe de nouveaux objectifs à atteindre.
Ces objectifs peuvent être atteints grâce à une meilleure utilisation des ressources. En particulier,
la productivité est fortement affectée par l’ordonnancement des opérations des ressources
(machines) [1].
L'ordonnancement est l'allocation des ressources disponibles pour différentes tâches dans le
temps, dans le but d'optimiser un ou plusieurs objectifs. Il occupe une place particulière et joue un
rôle particulier dans la gestion informatisée du processus de production interne de l'entreprise,
faisant partie du niveau décisionnel tactique et opérationnel, [2,3] C'est généralement l'intersection
entre le système de production hiérarchique et informatisé et le système de production lui-même.
La gestion de la production crée des ordres de fabrication, qui déterminent le travail qui doit être
terminé dans un délai généralement prescrit à l'échelle mondiale.
Maintenance :
L’association française de normalisation AFNOR 2001 définit la maintenance comme étant
l’ensemble de toutes les actions administratives et de management durant le cycle de vie d'un bien,
destinées à le maintenir ou à le rétablir dans un état dans lequel il peut accomplir la fonction requise.
Il est précisé dans cette définition que des évènements peuvent survenir sur tout bien et entraîner des
conséquences sur son fonctionnement.
À travers le terme de défaillance, il y a la notion d'un évènement anormal survenu à un instant
donné de fonctionnement de l’équipement. Cela le diffère de la dégradation, qui est une évolution de
l'état de fonctionnement de l’équipement dans le temps. Cette évolution provoque l'éloignement de
ce que l'on obtient en fonctionnement en mode dégradé par rapport à ce que l'on devrait obtenir au
cours d'un fonctionnement normal ou en mode de fonctionnement nominal, Si la dégradation continue
dans le temps et l’équipement n’est pas pris en charge, nous nous retrouvons dans l’état de panne.
1.2.1 Évolution de la maintenance :
La fonction maintenance est, par nature, une activité transversale de l’entreprise au service des
autres fonctions dont elle renforce l’efficacité. Les années cinquante et soixante, ont été marquées par
4
l’apparaissions des premières approches scientifiques de la gestion de maintenance [4]. À cette

époque, son objectif a été, la remise en service le plus rapidement possible de l’équipement défaillant
sans se soucier de faire une analyse préalable des causes et conséquences des défaillances. [5]. En
effet, elle était rarement considérée comme une activité stratégique au sein de l’entreprise. Dans la
même période, les premiers modèles de recherche opérationnelle visant l’optimisation des
programmes de la maintenance sont apparus. Dans les années soixante-dix, grâce aux contrôles des
ateliers et à la surveillance, l’utilisation de l’information sur l’état actuel de l’équipement a permis de
se concentrer sur des techniques pouvant prédire des défaillances. Cela semblait être plus efficace
que les gros programmes de maintenance préventive. Des études détaillées de la part des fabricants,
des défaillances de leurs produits ont abouti à de meilleures conceptions, avec moins de défaillances.
[6]. Dans les années quatre-vingt, l’ordinateur apporte de l’aide à la fonction maintenance.
Initialement, il a été utilisé pour faciliter les tâches administratives, ensuite pour la gestion de
l’information disponible. À nos jours, l’utilisation de l’outil informatique a contribué à la prise de
décision.
L’évolution de la maintenance depuis l’années 1940 jusqu’au 2000 est devisée en trois
générations, la première concerne le remplacement du composant lorsqu’il est détruit, la seconde est
caractérisée par le processus jouit d’une disponibilité supérieure d’une durée de vie des composants
plus longue et de réflexion sur l’optimisation des coûts. Tant disque dans la troisième l’objectif est
d’améliorer la disponibilité et la fiabilité dans une plus grande sécurité, d’assurer une meilleure
qualité des produits, de trouver les solutions aux problèmes néfaste à l’environnement et en fin
garantir un meilleur rapport coût efficacité, [7, 8].
1.2.2 Les types de maintenance :
En se référant à la définition de la maintenance, nous apercevons deux mots clés : maintenir et

rétablir. Le premier fait référence à une intervention préventive, avant la survenue de la défaillance,
tandis que, le deuxième désigne une activité corrective qui réagit juste après l’occurrence de la panne
[9,10]. En effet, la norme AFNOR distingue plusieurs politiques de maintenance : la maintenance
préventive (MP) et la maintenance corrective (MC). La maintenance préventive peut être
systématique, conditionnelle ou encore prévisionnelle, tandis que la maintenance corrective peut être
palliative ou curative. Bien que les deux stratégies de maintenance évoquées soient les principales,
on rencontre aussi la maintenance méliorative qui permet d'améliorer les fonctions des équipements.
5
Politique de maintenance
Remise en cause Production normale Dysfonctionnement
Maintenance Maintenance préventive Maintenance corrective

méliorative
Défaillance partielle ou
Echéancier Etat du bien totale
Maintenance palliative
Systématique Conditionnelle Prévisionnelle

Etude – méthode
Installation
Montage Dépannage
Opérations
Analyse de l’évolution
-Inspection
des paramètres et
-Contrôle
planification Maintenance
-Visite
Des interventions curative
Réparation
Figure 1.1 politique de maintenance et évènements révélateurs
1.2.2.1 La maintenance corrective :
La norme française de normalisation défini la maintenance corrective comme étant un l'ensemble

des activités réalisées après la défaillance du bien ou la dégradation de sa fonction pour lui permettre
d’accomplir une fonction requise, au moins provisoirement. Les défauts, pannes ou avaries diverses
exigeant une maintenance corrective entraînent une indisponibilité immédiate ou à très brève
échéance des matériels affectés et/ou une dépréciation en quantité et/ou qualité des services rendus.
À partir d’un principe simple et intuitif, devant une telle situation, il faut réparer le matériel
défectueux, ce qui sous-entend que s’il fonctionne, on n’y touche pas AFNOR X60-010.
Les interventions effectuées dans la cadre d’une maintenance corrective ont pour objet la remise
en état de fonctionnement des matériels ou équipements à la suite d'une défaillance totale ou partielle,
d'altération ou cessation de l'aptitude d'un bien à accomplir la fonction requise. Ces interventions sont
composées essentiellement, de la localisation de la défaillance partielle ou complète et son diagnostic,
la remise en état avec ou sans modification, et enfin le contrôle du bon fonctionnement.
6
La maintenance corrective est réservée au matériel peu coûteux, non stratégique pour la
production et dont la panne aurait peu d’influence sur la sécurité.
Selon la nature des opérations réalisées, on distingue généralement deux niveaux de maintenance.
Dans le premier on parle de la maintenance palliative, lorsque, l’intervention a un caractère provisoire
dans le sens où elle nécessitera forcément une intervention ultérieure. Dans le second, une opération
de maintenance curative se caractérise par la recherche des causes initiales de la défaillance et par la
réalisation des opérations visant à rendre le système opérationnel et ainsi éviter toute nouvelle
occurrence de cette défaillance.
1.2.2.2 La Maintenance Préventive :
Par opposition à la maintenance corrective, la maintenance préventive regroupe les opérations de

maintenance ayant pour objet de réduire la probabilité de défaillance et d’améliorer par conséquent,
la disponibilité de l’outil de production. Ces opérations anticipent l’occurrence de toute défaillance
qui risque d’entraver la production. Ce concept de maintenance est basé sur une inspection périodique
de l’outil de production selon des critères prédéterminés, afin de juger de ce bon état de
fonctionnement. C'est dans cet objectif que sont développées les stratégies de maintenance
préventive.
La maintenance préventive peut être de trois types : systématique, conditionnelle ou encore

prévisionnelle. La maintenance préventive s’adresse aux éléments provoquant une perte de
production ou des coûts d’arrêts imprévisibles jugés importants pour l’entreprise. L'analyse de ces
coûts met en évidence un gain important dû aux arrêts qu'elle permet d'éviter.
1.2.2.2.1 La Maintenance Préventive systématique :
La norme française de normalisation a proposé la définition suivante : la maintenance préventive

systématique comprend l’ensemble des actions destinées à restaurer, en totalité ou partiellement, la
marge de disponibilité des équipements non défaillants. Selon cette norme, la maintenance préventive
systématique est exécutée à des intervalles de temps préétablis ou selon un nombre défini d'unités
d'usage mais sans contrôle préalable de l'état de l’équipement AFNOR (2001).
La maintenance préventive systématique est effectuée selon un échéancier établi, sur la base de
critères d’usure tels que le MTTF ou MTBF et le MTTR. Ces derniers sont fixés sur la base de
l’historique de l’équipement ou données par le constructeur. C’est pourquoi ce type de maintenance
est appelé aussi maintenance préventive basée sur la durée de fonctionnement.
7
1.2.2.2.2 Maintenance préventive conditionnelle :
La maintenance préventive conditionnelle est une maintenance préventive subordonnée à un type

d’événements prédéterminé par autodiagnostic, information donnée par un capteur, mesure d’une
usure, etc., révélateur de l’état de dégradation d’un bien.
1.2.2.2.3 Maintenance préventive prévisionnelle :
La maintenance prévisionnelle est subordonnée à l’analyse de l’évolution surveillée de la

dégradation de l’équipement. Elle permet ainsi d’optimiser le planning de maintenance, en retardant
ou en avançant les dates d’intervention. La courbe d’évolution d'un défaut étant connue, il est possible
d'en extrapoler sa tendance pour prévoir la date de défaillance. À partir de cette prévision, la date du
diagnostic et du déclenchement de l’intervention de maintenance est planifiée afin que cette dernière
soit terminée avant que le niveau requis pour le paramètre étudié ne soit dépassé, [11].
1.2.3 Rôle de la fonction maintenance :
Dans une entreprise, quel que soit son type et son secteur d'activité, le rôle de la fonction
maintenance est donc de garantie la plus grande disponibilité des équipements au rendement
meilleur tout en respectant le budget alloué. Le service maintenance doit mettre en œuvre la
politique de maintenance définie par la direction de l'entreprise, cette politique devant permettre
d'atteindre le rendement maximal des systèmes de production.
Un service de maintenance peut également être amené à participer à des études d'amélioration
du processus industriel, et doit, comme d'autres services de l'entreprise, prendre en considération
de nombreuses contraintes comme la qualité, la sécurité, l'environnement, le coût, etc.
1.2.4 Objectifs de la maintenance :
On peut distinguer plusieurs types d’objectifs de la fonction de maintenance :
1.2.4.1 Les objectifs généraux :
Assurer la production prévue (quantité) : Il faut faire constamment des compromis entre les
besoins de production et les arrêts nécessaires à la maintenance avant défaillances.
Maintenir la qualité du produit fabriqué (qualité) : Il faut savoir les tolérances admissibles en
qualité et les surveiller afin de rectifier les situations problématiques.
Respecter les délais (temps) : Nous discutons ici tant des délais d'intervention que les délais
de fabrication. Comme les programmes et calendriers de production ont été réalisés en
8
collaboration entre la production et la maintenance, il est essentiel que le service maintenance
respecte ses prévisions de temps d'intervention dans une maintenance préventive ou corrective.
Rechercher les coûts optimaux (rentabilité) : élaborer des devis précis de réparation reposant sur
les diagnostics en profondeur touchant la cause de la détérioration ou de la défaillance et non
seulement les symptômes.
Respecter les objectifs humains (sécurité) : Les conditions sécuritaires de travail doivent être
l'obsession du service maintenance. La maintenance est parfois une fonction à haut risque, pour
son propre personnel lors de l’intervention, que pour le reste des employés après la fin des travaux
si l'équipement ou l'environnement n’est pas remis en bon état pour la production.
Préserver l'environnement (environnement) : La maintenance doit souvent utiliser ou
travailler en fonction de la présence de matières polluantes ou nuisibles pour l'environnement ou
pour le personnel de l'entreprise. Les contraintes d’intervention doivent respecter la préservation
d’un environnement de travail sain.
Respecter le cadre législatif (lois) : les opérations de maintenance doivent respecter le cadre
législatif à tous les niveaux.
1.2.4.2 Les objectifs à la japonaise (les cinq zéros) :
Selon l’approche japonaise, les objectifs opérationnels de l'entreprise visent à obtenir [12] :
La zéro panne : c’est l'affaire de la maintenance. Cet objectif est la base de la politique
maintenance, assurant ainsi une production continue et la sécurité des personnes et des biens.
Le zéro défaut : interpelle la gestion de la qualité ainsi que la maintenance car la qualité
dépend, dans une grande mesure, de l'état des équipements de production. C'est encore plus vrai
pour les parcs d'équipements automatisés et informatisés.
Le zéro stock : demande un effort additionnel de la maintenance par une gestion
méthodologique des stocks utilisés dans la fonction de maintenance (pièces de rechange,
lubrifiants …).
Le zéro délai : exige de la maintenance que les délais annoncés soient tout respectés voir
même réduits afin d'augmenter la disponibilité des équipements de production sollicités par la
production.
Le zéro papier : touche à la maintenance par l'implantation de GMAO et de systèmes d’aide
à la décision, qui réduit sensiblement le flot de papiers.
Évidemment, on pourrait dire que de tels objectifs sont irréalistes mais tous doivent tenter de s’en
approcher.
9
Schéma fonctionnel généralisé pour le GMS

La charge :
La capacité totale
des unités en
fonctionnement
Augmenter la
fiabilité du Le meilleur GMS
système réalisable
La Réserve :
La déférence entre
l’énergie de
production et la
consommation
Le programme de
maintenance :
Définissent le début et la
fin de la maintenance
Les maintenanciers
Le nombre de personnes
pour exécuter le
programme de
maintenance May-Fly
algorithm
10
L’ordonnancement de la maintenance de la production GMS :
L’ordonnancement de la maintenance de la production (GMS) est l'une des solutions viables dans
la restructuration des systèmes électriques, l’augmentation de l'efficacité du service public
d'électricité et la réduction des coûts opérationnels d'exploitation. La maintenance des unités de
production est un facteur important pour l'augmentation des performances et de la durée de vie utile
des unités de production de telle sorte que le fonctionnement fiable de ces unités de génération dépend
fortement des services de maintenance. Par conséquent, chaque unité de production a besoin d'une
période de maintenance spécifique. Ce facteur a un effet important sur les problèmes de répartition
économique et d'engagement des unités problèmes. Du point de vue du système électrique, le GMS
recherche la solution optimale pour maximiser la fiabilité du système électrique dans l'alimentation
de la charge [13]. Par ailleurs, les futurs réseaux électriques (c'est-à-dire les réseaux intelligents) sont
conçus pour être plus fiables et moins coûteux [14].
Plus que ça, l'amélioration de la fiabilité des réseaux électriques traditionnels est un facteur
essentiel de la modernisation des réseaux [14, 15]. Cet objectif pourrait être obtenu grâce à un plan
d'ordonnancement approprié qui peut prévenir les défaillances inattendues et la dépréciation des
unités.
1.3.1 Objectifs :
Le problème du GMS est un sujet bien documenté. Dans cet égard, différents objectifs ont été
considéré par les chercheurs sur les problèmes GMS. Un nouveau problème GMS à mi-parcours basé
sur l'arbre de décision et le modèle de programmation linéaire mixte en nombre entier (MILP) en
tenant compte la durée de vie des unités de production [16] [17], la génération de TMS programme
qui prennent en compte les contraintes de sécurité de l'engagement des unités. Dans cette étude, la
technique de relaxation a été mise en œuvre pour décomposer le programme en sous-problèmes. De
même, l'ordonnancement de la maintenance des unités de production a été coordonnée, en tenant
compte de la fiabilité du système.
En raison de l'effet des erreurs de prévision et production et les coupures de lignes sur les
problèmes d'ordonnancement, les auteurs ont proposé [18] un modèle stochastique pour la
coordination de longue durée de la production et le mécanisme de maintenance horaire de la
transmission soumis aux contraintes de sécurité à court terme de l'engagement des unités, utilisant la
simulation de Monte Carlo dans le but de minimiser les coûts. Plus que ça, la minimisation du coût
d'exploitation a été étudiée dans un problème de GMS en utilisant l'algorithme d’évolution
différentielle [19,20], un nouveau modèle pour le problème GMS afin de minimiser les risques en
présence de systèmes de (récompense/pénalité) [21], l'effort de déplacement des employés a été
11
considéré comme une fonction objective des TMS problème. Un nouveau critère d'ordonnancement
basé sur le risque, prenant en compte les défaillances inattendues des unités de production [22].
L'approche proposée estime la défaillance des unités en utilisant les méthodes de la théorie de la
fiabilité [23 ,24], un cadre d'optimisation pour l’ordonnancement simultanée des conditions
d'exploitation et des intervalles de maintenance d'entretien est présenté, en considérant le
vieillissement des centrales électriques à long terme avec l'objectif de maximisation des profits.
1.3.2 Modèles :
En raison de l'importance du GMS, différents modèles ont été proposés par les chercheurs. Ainsi,
un programme mathématique basé sur l'approche de l'équilibre a été développé par les auteurs [25]
pour le mécanisme de maintenance des générations. Un nouveau modèle non linéaire pour la
production électrique en cascade et l’ordonnancement de la maintenance [26] [27]. L’utilisation d’un
programme en nombres entiers mixtes pour l'évaluation de la réserve du système basé sur les critères
de responsabilité des unités. L'impact de l'indice de réduction des coûts sur l’ordonnancement de la
maintenance a été étudié dans une approche basée sur les coûts [28,29], pour l'optimisation du GMS
basée sur la méthode de sélection clonale et la technique du système immunitaire artificiel qui utilise
le profil de charge hebdomadaire. Un modèle GMS modifié par un critère de fiabilité, incluant des
modifications des contraintes de maintenance programmé [30,31], un cadre d'optimisation efficace
basé sur la programmation mathématique pour la planification simultanée de la production et la
maintenance de système électrique à grande échelle est proposé.
1.3.3 Points de vue :
Comme indiqué, le problème GMS présente des avantages spécifiques A cet égard, le problème
GMS a été résolu dans différentes études sous différentes perspectives [32], les chercheurs ont utilisé
les algorithmes méta-heuristique SA, GA et ACO pour résoudre le problème GMS dans un modèle
d'engagement unitaire, dans lequel le problème est optimisé [33]. Un nouveau mécanisme compétitif
pour l’ordonnancement de la maintenance [34] du point de vue de la maximisation du rendement,
tandis que la réserve du système est maximisée autant que possible [35], ils ont pris en compte dans
un modèle d'ordonnancement de la maintenance à long terme, en adaptant l'équilibre de Cournot-
Nash, en caractérisant là l'approche décisionnelle individuellement, dans un horizon temporel à court
terme. Cette étude a utilisé des entrées aléatoires comme scénario dans le programme stochastique
pour modéliser l'objectif [36], un nouveau modèle multi-objectifs est présenté pour maximiser la
réserve et minimiser le coût de production.
12
Aucune recherche n'a fourni un modèle multi-objectif complet pour le problème GMS. Le modèle
d'optimisation multi-objectif de la GMS (MO-GMS) basé sur l'approche du critère global, en tenant
compte des contraintes pertinentes de l'équilibre de la charge, des intervalles de temps de maintenance
des unités, et d'autres contraintes essentielles des unités. Cette méthode tient compte simultanément
de la fiabilité du système et des rendements financiers de la partie génération. L'objectif est de
planifier de manière optimale le problème GMS en tenant compte des différentes perspectives, afin
de trouver la meilleure solution limite pour le mécanisme de maintenance qui aboutit à la sélection
optimale des intervalles du temps de maintenance des unités de production. Chaque unité de
production a une période de maintenance, dans laquelle définir cette durée dans un horizon temporel
dans le but de maximiser la réserve hebdomadaire du système. D'autre part, Les entreprises de
production d'électricité essaient de maximiser leur rendement annuel. Certaines des caractéristiques
saillantes de l'étude proposée sont :
 Un modèle multi-objectif est proposé pour le problème de la GMS basé sur la méthode des
critères globaux.
 En comparaison avec les autres études GMS, la réserve du système est dans une gamme
acceptable et l'ISO ne demande pas l’ordonnancement de la maintenance.
 Différents cas sont étudiés afin d'évaluer le MO-GMS proposé.
Formulation du problème test de GMS :

Le problème GMS peut être formulé comme un problème de programmation en nombres entiers
en utilisant des variables entières pour représenter la période dans laquelle la maintenance de chaque
unité commence. Les variables sont limitées par les contraintes de la programme de maintenance.
Toutefois, pour plus de clarté, le problème est d'abord formulé à l'aide de variables binaires qui
indiquent le début de la maintenance de chaque unité à chaque instant.
Notation :
Supposons que Ti ⊂ T soit l'ensemble des périodes où la maintenance de l'unité i peut

commencer, donc Ti = {t ∈ T : epi ≤ t ≤ lpi - di + 1} pour chaque i. Nous définissons
1, Si l'unité commencé à la période t
X it  
 0, autrement
Pour être l'indicateur de début de maintenance pour l'unité i ∈ I dans la période t ∈ Ti. Il est
pratique d'introduire deux autres ensembles. Premièrement laissez Sit être l'ensemble des périodes de
début de maintenance telles que si la maintenance de l'unité i commence à la période k, cette unité
13
sera en maintenance à la période t, donc Sit = {k ∈ Ti : t - di + 1 ≤ k ≤ t}. Deuxièmement, laissons It
être l'ensemble des unités qui sont autorisées à être en maintenance à la période t, donc It = {i : t ∈
Ti}. Alors le problème peut être formulé comme un problème de programmation quadratique 0-1
comme ci-dessous.
Un critère de fiabilité est considéré pour formuler le problème GMS. Le nivellement de la
production de réserve sur la période de planification peut être utilisé comme critère de fiabilité. La
réserve nette du système pendant une période t est la capacité totale installée moins la charge de
pointe prévue pour cette période (Lt) et la perte de réserve due aux interruptions pré-ordonnancé. La
réserve peut être nivelée en maximisant la réserve nette minimale du système pendant une période
donnée [40]. Dans le cas d'une grande variation de la réserve, la minimisation de la somme des carrés
des réserves peut être une approche efficace. Dans cette application, elle est utilisée comme fonction
objective. Par conséquent, la fonction objective, la minimisation de la somme des carrés de la
génération de réserve, peut être écrite comme suit,
 2
     
Min   P

  
 

X ik Pik   Lt  
 (1)
it
Xit tT  i1 iIt  kSit   
    
Figure 1.2 La Réserve qui est la déférence entre l’énergie de production et la consommation.
où, le composant ∑ ∈ Pit représente la capacité de production totale du système électrique pour la
période t, et la composante ∑ ∈ (∑ ∈ Xik Pik ) représente la capacité de production en
maintenance ordonnancée (c'est-à-dire la perte de réserve due aux arrêts pré-ordonnancé) au cours de
la période t. Par conséquent, la composante donne le niveau de réserve au cours de la période t (
∑ ∈ Pit - ∑ ∈ (∑ ∈ Xik Pik ) - Lt ) Ceci est soumis aux contraintes suivantes :
- Le programme de maintenance : définissent le début de la maintenance au début d'un intervalle et

se termine à la fin de ce même intervalle. La maintenance ne peut pas être interrompue ou terminée
avant qu’ordonnancé.
14

tT
Xit  1, pour tout i  I. (2)
Figure 1.3 Le programme de maintenance qui représente le début et la fin de la maintenance.
- Limite d'équipage : pour chaque période, le nombre de personnes pour exécuter le programme de
maintenance ne peut dépasser l'équipage disponible. Il définit la main-d’œuvre disponibilité et les
limites des ressources nécessaires pour l'activité de maintenance à chaque période.
  X ik M ik  AM t ,
iI kS
pour tout t  T (3)
t it
Figure 1.4 Le nombre de personnes pour exécuter le programme de maintenance.
- Charge et réserve tournante : la capacité totale des unités en fonctionnement à tout intervalle ne doit
pas être inférieure à la charge prévue à cet intervalle. La demande de charge sur le système électrique
est prise en compte pendant la période d'ordonnancement.

iI
Pit   
iI k S
X ik Pik  Lt  Rt , pour tout t  T (4)
t it
Figure 1.5 La capacité totale des unités en fonctionnement.

15
L'expression (4) représente la production d'énergie maximale du système pour la période t. Les
équations de (1) à (4) définissent un modèle mathématique général pour un problème général de GMS
formulé comme un problème de programmation quadratique 0-1. Dans ce modèle, la valeur de
l'objectif, représentée par l'expression (1), devient minimale lorsque le niveau de réserve est
uniformément distribué (c'est-à-dire lorsqu'il y a une variation minimale des niveaux de réserve) sur
les périodes d'ordonnancement. Les contraintes de charge et de réserve représentées par l'expression
(4), alors que, sont de s'assurer que la production totale d'électricité couvre la charge et la marge de
réserve minimale. D'autres contraintes peuvent être posées concernant la fiabilité, la capacité de
transmission et la maintenance dans les zones locales du system électrique.
Conclusion :
Afin de fournir de l'électricité avec un niveau de fiabilité élevé. La fiabilité de l'exploitation et le
coût de production d'un système électrique sont affectés par les interruptions de maintenance des
installations de production. Des calendriers de maintenance optimisés pourraient permettre
d'économiser des millions de dollars et potentiellement de reporter certaines dépenses
d'investissement pour de nouvelles centrales en période de resserrement des marges de réserve, et de
réaliser des travaux de maintenance critiques qui ne pourraient pas être effectués autrement. Par
conséquent, la programmation de la maintenance des systèmes de services publics d'électricité est
une partie importante du problème global de programmation des opérations.
Le problème de la programmation de la maintenance des générateurs (GMS) consiste à trouver

un calendrier selon lequel la maintenance planifiée peut être effectuée sur les unités de production
d'un système électrique. Pour accéder à la sécurité et à la fiabilité d'un système électrique et pour
augmenter la capacité d'identification des pannes avant qu'elles ne se produisent, la planification des
inspections joue un rôle vital. La création d'un programme de maintenance des générateurs est utile
pour minimiser la fonction de coût et fournir de l'électricité avec une grande fiabilité. Dans chapitre
2, plusieurs méthodes d'optimisation ont été discutées, telles que les méthodes heuristiques, les
méthodes de programmation mathématique et les méthodes méta-heuristiques.
16
Chapitre 2 :
2 . Lestechniques
d'optimisation proposée
Chapitre 2 Les techniques d'optimisation proposée
Introduction :
Des multiples techniques de résolution ont été utilisées pour essayer de résoudre le problème
GMS. Les techniques heuristiques sont généralement utilisées en raison de leur simplicité et de leur
flexibilité, mais sans une première approximation adéquate pour démarrer l'algorithme de solution,
ces techniques peuvent basculer dans un minimum local, ce qui donne une solution sous-optimale.
Les algorithmes heuristiques utilisent une méthode d'essai et d'erreur avec une importante
intervention de l'opérateur requise dans certains cas, cela ne parviennent pas à produire des solutions
réalisables [41]. Dans la littérature, les approches de modélisation mathématique comprennent la
programmation linéaire, la programmation en nombres entiers, la programmation mixte en nombres
entiers, la programmation dynamique et l'algorithme de branchement et de débranchement.
Ces techniques de modélisation mathématique fournissent des solutions optimales exactes

lorsqu'elles sont résolues de manière optimale et peuvent être appliquées de manière adéquate pour
décrire des problèmes de taille petite à moyenne [42]. Une augmentation de la taille du problème et
de la complexité des contraintes influence directement le temps de calcul nécessaire pour résoudre un
problème GMS de manière optimale, ce qui, dans certains cas, peut limiter l'application des
algorithmes mathématiques.
Des approches méta-heuristiques telles que le SA, l'intelligence artificielle et les GA ont été
utilisées pour essayer et surmonter les contraintes de temps rencontrées lors de la résolution de
formulations mathématiques exactes. Les techniques de formulation mathématique seront examinées
en se concentrant spécifiquement sur le développement d'un modèle d'optimisation GMS qui peut
être appliqué pour résoudre de manière optimale des problèmes réalistes de l'échelle industriel dans
des délais de calcul acceptables
Méthodes de solution du GMS :

Une revue des méthodologies de solution, appliquées pour résoudre le problème GMS, est fournie
ci-dessous, l'objectif principal étant d'identifier les lacunes dans la littérature qui peuvent être traitées
dans le dans le contexte de cette thèse.
18
Méthodes de Résolution des Problèmes Combinatoires
Méthodes Méthodes
Exactes Approchées
Programmation Programmation Méta-

Linéaire Dynamique heuristique Heuristique
Branch and
bound
Approches Approches a
Trajectoires Population
Algorithme Algorithme a
Recuit May-fly colonie de
PSO Génétique
Simulé (SA) (MA) fourmis
(GA)
(ACO)
Figure 2.1 organigramme des méthodes de résolution des problèmes combinatoires
19
2.2.1 Méthodes Exactes :
2.2.1.1 Programmation mathématique :
Les techniques d'optimisation mathématique telles que la programmation linéaire, en nombres

entiers et en nombres entiers mixtes sont de nature déterministe et ont été appliquées avec succès dans
l'environnement de modélisation GMS [43, 44, 45, 46, 47, 48 49, 50, 51, 52]. Les approches de
programmation mathématique, lorsqu'elles sont résolues à l'aide d'un algorithme de résolution
approprié, fournissent une solution optimale exacte pour les petits problèmes. Cependant, lorsque la
taille du problème augmente, l'espace de solution s'élargit, ce qui entraîne des restrictions
informatiques et une complexité accrue du modèle [43].
En général, les problèmes de programmation linéaire (LP) sont résolus à l'aide de l'algorithme du
simplexe tandis que programmation en nombres entiers (IP) et la programmation mixte en nombres
entiers (MIP) les problèmes sont résolus en appliquant soit l'algorithme de branchement et de liaison,
soit des variations de l'algorithme de branchement et de liaison, soit des algorithmes de plan de coupe
[53]. La programmation en nombres entiers binaires 0/1 est également largement appliquée pour
modéliser le problème GMS où les IP binaires sont généralement résolus en utilisant des techniques
d'énumération implicite [53].
Une approche de programmation en nombres entiers a été proposée [48] pour modéliser le
problème GMS. La méthode double de programmation linéaire modifiée pour produire des valeurs
entières, également connue sous le nom de méthode double euclidienne, a été recommandée pour
résoudre la formulation du problème IP.
La méthode du simplexe a été appliquée [50] pour trouver la solution optimale continue d'un
problème de programmation linéaire mixte en nombres entiers à 14 bus de (IEEE) après la procédure
de branchement et de liaison a été mise en œuvre pour trouver la solution entière souhaitée La
formulation du MILP [50] inclut la complexité supplémentaire des contraintes de transmission pour
essayer de modéliser un système électrique réaliste.
Le modèle proposé [45] a été résolu en utilisant la méthode des homogènes et auto-dual méthode
des points intérieurs pour la programmation linéaire avec un optimiseur branch-and-bound pour les
sections binaires. Le modèle a été appliqué avec succès pour résoudre l'étude de cas spécifique à
l'industrie avec une grande précision et efficacité de calcul.
De même [46] une nouvelle formulation de l’ordonnancement de maintenance préventive basée
sur les coûts linéarisés qui a été développée comme un problème MILP. La nouvelle formulation
MILP a été appliquée au système de test de fiabilité IEEE. Plusieurs études de cas ont été résolues et
il a été constaté qu'une allocation de réserve appropriée pouvait conduire à une baisse du coût total
20
du système tout en réduisant la marge de réserve totale pour chaque période. Cette approche
d'ordonnancement de la maintenance préventive tenant compte de l'évaluation de la réserve
Cependant, cela a fini par augmenter le coût global de fonctionnement. La méthode proposée pour
résoudre la MILP consistait à relâcher certaines contraintes de couplage et à la diviser en plusieurs
sous-problèmes.
Il est clair qu'il existe une grande quantité de littérature disponible sur la formulation et
l'application de méthodologies de programmation mathématique pour décrire le problème GMS. Le
principal facteur qui rend ces formulations très attractives est leur nature déterministe exacte.
L'inconvénient de l'augmentation du temps de calcul avec l'augmentation de l'espace de solution est,
cependant, toujours un obstacle qui devrait être abordé [42]. Certaines formulations mathématiques,
telles que présentées ci-dessus, ont été appliquées pour décrire des instances GMS réalistes avec
beaucoup de succès, mais en général, des hypothèses sont faites, des détails sont omis, les calendriers
de planification sont réduits ou les contraintes détendue pour s'assurer qu'un programme approprié
peut être obtenu dans un temps de calcul réaliste. La littérature montre clairement qu'il y a encore de
la place pour l'innovation et l'amélioration et, par conséquent, la recherche devrait se concentrer sur
la réduction de la complexité de la modélisation et permettre le développement de nouvelles
formulations de modélisation qui permettront l'application de modèles mathématiques à des
problèmes réalistes de l’échelle industrielle tout en garantissant une meilleure efficacité de calcul.
2.2.1.2 Programmation dynamique :
La programmation dynamique (DP) est classée comme une approche de programmation

mathématique généralement appliquée jusque dans les années 1990 pour résoudre le problème du
GMS [42]. La DP est un schéma d'énumération complète appliquée pour résoudre des problèmes
d'optimisation combinatoire [44]. Les algorithmes DP suivent une approche de diviser et conquérir
pour réduire la quantité de calculs nécessaires à la résolution d'une série de sous-problèmes jusqu'à
ce que la solution du problème original soit obtenue. [45] la programmation dynamique est idéale
pour l'environnement GMS en raison de la nature séquentielle du problème.
2.2.2 Méthodes Approchées :
2.2.2.1 Heuristique :
L'heuristique est définie comme toute approche pratique de résolution de problèmes qui peut être
utilisée pour atteindre un objectif immédiat. [42] les heuristiques peuvent ne pas conduire à l'optimal
global lorsqu'elles sont appliquées à un problème complexe basculer généralement dans un minimum
local lorsqu'un point de départ sous-optimal est sélectionné. Les méthodes heuristiques sont des
approches par essais et erreurs qui peuvent inclure des règles de pouce et de suppositions techniques
21
[53, 56]. Ces méthodes sont généralement appliquées dans les systèmes électriques centralisés en
raison de leur simplicité et de leur flexibilité [42]. L'application d'une heuristique dans un système
électrique centralisé nécessite un apport important de la part de l'opérateur du système électrique, ce
qui signifie qu'elle dépend fortement de l'expertise technique [56]. Il se peut donc que l'heuristique
ne soit pas en mesure d'atteindre le minimum global d'un problème GMS. Par conséquent, d'autres
techniques d'optimisation pourraient fournir des solutions optimales plus adaptées.
Dans [49], il a été proposé d'utiliser une combinaison de LP avec une heuristique pour développer
un modèle de planification des opérations. La formulation consiste principalement en trois étapes de
calcul, à savoir la résolution de la LP relaxée, ordonner la variable de maintenance binaire au moyen
de l'heuristique et enfin résoudre le LP continu après avoir fixé le plan de maintenance. Les pannes
aléatoires des générateurs sont évaluées en appliquant l'algorithme de Monte Carlo. Combinant le
langage GAMS et une interface tableur a été utilisée pour résoudre le modèle proposé. Bien qu'il y
ait quelques cas où des heuristiques sont appliquées pour résoudre le problème GMS ; en général, la
programmation mathématique ou les algorithmes méta-heuristiques sont préférés.
2.2.2.2 Méta-heuristiques :
Les méta-heuristiques sont des algorithmes ou des procédures de recherche et d'optimisation

utilisés pour résoudre des problèmes de GMS lorsque la taille du problème exclut les approches
traditionnelles [53, 42]. Toutes les méta-heuristiques ont trois principales caractéristiques communes
dont la diversification, l'intensification et la mémoire [57]. La diversification oblige ces types
d'algorithmes à explorer des régions de l'espace de recherche de solutions rarement évaluées par
d'autres méthodes, tandis que l'intensification garantit qu'une recherche approfondie et effectuée
lorsqu'un espace de solution prometteur est identifié [57]. Les méta-heuristiques utilisent
généralement des fonctions de mémoire pour archiver la meilleure solution trouvée pendant le
processus de recherche et sont mises à jour dès qu'une solution plus optimale est découverte [57]. Le
principal inconvénient de ces types d'algorithmes est la sensibilité de leurs paramètres de réglage et
le fait qu'ils ne sont pas garantis de trouver une solution optimale. Les algorithmes méta-heuristiques
les plus couramment employés dans la littérature SA, TS, ACO, les algorithmes évolutionnaires et
GA [58,59,60,61,62,63,64,65,66] Un bref aperçu de la mise en œuvre de chacune de ces approches
de solution sera fourni, tel qu'enregistré dans la littérature, ainsi que leurs avantages et leurs
inconvénients.
2.2.2.2.1 Recuit simulé SA :
La méthode SA est basée sur l'analogie entre le processus de recuit physique d'un solide et le
problème de la recherche du minimum ou du maximum d'une fonction donnée dépendant de
22
nombreux paramètres, comme on le rencontre dans les problèmes d'optimisation combinatoire [69].
Une approche SA maintient une solution unique dans l'espace de recherche tout au long du processus
de résolution. Une solution initiale et une "température" initiale sont d'abord sélectionnées. Au fur et
à mesure de la progression de l'algorithme, une nouvelle solution d'essai est générée en effectuant un
déplacement à partir de la solution actuelle et la température est réduite selon un programme de
refroidissement spécifié. Si la nouvelle solution est une amélioration, elle est acceptée sans condition,
sinon elle est acceptée avec une probabilité définie par la température actuelle et la qualité de la
nouvelle solution et la qualité de la nouvelle solution. La progression par itérations successives
conduit à une réduction graduelle de la probabilité d'accepter des solutions d'essai non améliorées
d'accepter des solutions d'essai non améliorées.
L'opérateur de déplacement spécifie l'algorithme pour générer une nouvelle solution d'essai à
partir de la solution actuelle. L'opérateur de déplacement utilisé pour le problème GMS d'essai
sélectionne aléatoirement une variable (c'est-à-dire l'heure de début de la maintenance d'une unité)
parmi les chaînes d'entiers à modifier. La variable sélectionnée est ensuite remplacée par une valeur
aléatoire dans la plage autorisée
En SA, la température est réduite au fur et à mesure que l'algorithme progresse selon un
programme de refroidissement. Le programme de refroidissement peut être adapté en utilisant un
grand nombre d'itérations à un petit nombre de températures ou un petit nombre d'itérations (ou une
seule itération) à un grand nombre de températures. Le nombre d'itérations à chaque température et
la vitesse à laquelle la température est réduite sont des facteurs importants pour contrôler la
performance de la méthode SA. Un programme de refroidissement par étapes a été appliqué, qui
exécute un certain nombre d'itérations SA à une température (c'est-à-dire à une étape) avant de réduire
la température selon l'équation,
Ts = αTs−1 (6)
Où Ts est la température à l'étage s et α est le paramètre de refroidissement.
À chaque itération, la valeur d'évaluation d'une solution nouvellement créée (Enew) donnée par
(6) est comparée à la valeur d'évaluation de la solution actuelle (Ecurrent) pour calculer l'augmentation
de la valeur d'évaluation (E = Enew - Ecurrent). La nouvelle solution est alors acceptée avec une
probabilité donnée par,
  E 
Prob( E)=exp   (7)
 Ts 
23
Configuration initiale
Température initiale T
Modification élémentaire
Variation d’énergie ΔE
Règle d’acceptation de Metropolis

- Si ΔE ≤ 0 : modification
acceptée
- Si ΔE > 0 : modification
acceptée avec la
Non Équilibre
Thermodynamique ?
Oui
Programme
Non De recuit
Système figé ?
Diminution
Lente de T
Oui
STOP
Figure 2.2 organigramme de la méthode d’optimisation (SA)
Au fur et à mesure que la température passe d’élevée à basse pendant le processus de SA, la
probabilité d'accepter des solutions nouvelles non améliorées est réduite. Au début du processus de
recherche, les nouvelles solutions sont acceptées avec une forte probabilité. Cependant, dans les
dernières étapes, l'approche SA est limitée à un espace de recherche local en raison de la réduction
de la probabilité d'accepter des solutions non améliorées.
24
2.2.2.2.2 Algorithme génétique GA :
L'algorithme génétique est une technique d'optimisation basée sur la génétique naturelle et les
mécanismes d'évolution qui peut être utilisée pour résoudre des problèmes d'optimisation complexes
[67]. L'GA est une procédure itérative qui travaille avec une population de solutions candidates. Une
population de solutions candidates est maintenue par l'GA tout au long du processus de résolution.
Initialement, une population de solutions candidates est générée de manière aléatoire ou par d'autres
moyens. Au cours de chaque étape d'itération, un opérateur de sélection est utilisé pour choisir deux
solutions dans la population actuelle. La sélection est basée sur la qualité mesurée des solutions de la
population, qui est quantifiée par la fonction d'évaluation. Les solutions sélectionnées sont ensuite
soumises à un croisement. L'opérateur de croisement échange des sections entre ces deux solutions
sélectionnées avec une probabilité de croisement définie (CP). L'une des solutions résultantes est
alors choisie pour l'application de l'opérateur de mutation, par lequel la valeur à chaque position dans
la solution est modifiée avec une probabilité de mutation (MP) définie. L'algorithme se termine
lorsqu'un critère d'arrêt défini est atteint.
Figure 2.3 la méthode d’optimisation algorithme génétique (GA) [93]
Un certain nombre de décisions doivent être prises afin de mettre en œuvre l'GA pour résoudre
le problème GMS. Il y a des décisions spécifiques au problème qui concernent l'espace de recherche
(et donc la représentation) des solutions réalisables et la forme de la fonction d'évaluation.
Les principes de l’Algorithme Génétique :

 L’Algorithme Génétique se base au départ sur une population de solutions candidates appelées
parfois individus, créatures, phénotypes qui va évoluer de génération en génération jusqu’à la
génération qui contient les meilleures solutions.
25
 Chaque individu comprend des propriétés et il peut être sujet à des transformations
génétiques (mutation, croisement par exemple).
 Chaque individu est évalué et cette valeur d’aptitude (fitness value) est un critère pour sa
survie d’une génération à une autre.
Fonction d'évaluation :
La qualité (valeur d'évaluation) de chaque solution d'essai est calculée à l'aide d'une fonction
d'évaluation. La fonction d'évaluation formulée pour le problème test est une somme pondérée de la
fonction objective et de la fonction de pénalité pour les violations des contraintes. La valeur de la
pénalité pour chaque violation de contrainte est proportionnelle à l'importance de la violation de la
contrainte. Par conséquent,
Évaluation (E) = ωO × SSR + ωM × TMV + ωL × TLV (5)
Avec SSR est la somme des carrés des réserves comme dans (1), TMV la violation de la main-
tenanciers totale de (3), et TLV est la violation de la charge totale de (4). Les coefficients de
pondération ωO, ωM et ωL sont fixés de telle sorte que les valeurs de pénalité pour les violations des
contraintes dominent la fonction objective, et pour s'assurer que la violation de la contrainte de charge
relativement dure (4) donne une plus grande valeur de pénalité que pour la contrainte d'équipage
relativement souple (3). Cet équilibre s'explique par le fait qu'une solution offrant une fiabilité élevée
mais nécessitant davantage de main-d'œuvre peut très bien être acceptée par la compagnie
d'électricité, car la main-d'œuvre indisponible peut être embauchée. En fait, il existe un compromis
entre le niveau de fiabilité (c'est-à-dire une marge de réserve suffisante) et la main-d'œuvre
supplémentaire requise. Les solutions réalisables avec de faibles mesures d'évaluation faibles ont des
valeurs d'adéquation élevées, tandis que les solutions irréalisables avec des mesures d'évaluation
élevées ont des valeurs d'aptitude faibles.
Dans le monde réel, la valeur objective (SSR) mesure la fiabilité du système électrique. Plus les
valeurs de SSR sont faibles, plus la marge de réserve est distribuée uniformément, et plus la fiabilité
est élevée.
Opérateurs GA :
Pour le problème GMS de test, les opérateurs d'GA utilisés étaient l'approche de remplacement à
l'état stable, la sélection de tournoi, le croisement standard à deux points et la mutation aléatoire
standard, encore une fois sur la base d'une expérimentation approfondie. L'approche de remplacement
à l'état stable insère directement une nouvelle solution dans la population en remplaçant une solution
moins adaptée. La méthode de sélection par tournoi choisit un sous-ensemble de solutions au hasard
dans la population pour former un pool de sélection par tournoi, à partir duquel deux solutions sont
26
sélectionnées avec une probabilité basée sur les valeurs d'évaluation des solutions. L'opérateur de
croisement à deux points divise les solutions sélectionnées en deux positions choisies au hasard et
échange les sections centrales avec une probabilité CP. L'opérateur de mutation modifie l'entier à
chaque position de la solution dans la plage autorisée avec une MP définie. L'approche élitiste, qui
garantit que la meilleure solution de la population est toujours retenue, a été appliquée.
Représentation de la solution
Définition de la population
Évaluation des individus
Sélection
Croisement et Mutation
Prochaine génération
Non
Critère de fin
atteint ?
Oui
Solution finale
Figure 2.4 organigramme de la méthode d’optimisation (GA)
27
2.2.2.2.3 Algorithmes ACO :
En général, les ACO sont une famille d'algorithmes inspirés par le comportement de recherche
de nourriture des colonies de fourmis réelles. Ils ont été récemment développés et appliqués à des
problèmes combinatoires difficiles courants avec des résultats encourageants [70].
Les algorithmes ACO utilisent des agents, appelés fourmis, qui construisent de manière itérative
des solutions candidates pour le problème d'optimisation considéré problème considéré. Les fourmis
construisent une solution de manière probabiliste en ajoutant itérativement des composants de
solution à leurs solutions partielles, influencées par des informations heuristiques du problème résolu,
le cas échéant, et des pistes de phéromones (artificielles) qui changent dynamiquement au cours de la
procédure de construction pour refléter l'expérience de recherche acquise par les fourmis. En théorie,
Les algorithmes ACO peuvent être appliqués à n'importe quel problème d'optimisation combinatoire,
en définissant simplement les composants de la solution du problème qui seront utilisés par les
fourmis pour construire une solution candidate avec un dépôt probable de phéromone (plus de détails
peuvent être trouvés dans [70]. Chaque fourmi commence avec une solution vide et ajoute
itérativement un composant de solution sans retour en arrière jusqu'à ce qu'une solution candidate
complète soit obtenue. Après l'achèvement de la procédure de construction de la solution, les fourmis
déposent de la phéromone sur chaque composant de solution qu'elles ont utilisé pour construire leur
solution candidate. Les composants de la solution qui font partie des meilleures solutions ou qui sont
simplement les plus utilisés par les fourmis reçoivent de plus grandes quantités de phéromone, et sont
donc rendus plus préférables aux fourmis dans les itérations futures de l'algorithme. Afin d'éviter la
stagnation de l'algorithme et d'obtenir une plus grande exploration de l'espace de recherche,
l'évaporation de la phéromone sur chaque piste de phéromone par un facteur ρ a lieu avant le dépôt
de la phéromone.
Figure 2.5 le comportement des fourmis réelles dans la nourriture (ACO) [95].
28
Les premiers algorithmes ACO tels que le système fourmi pouvaient construire des solutions qui
n'étaient pas optimales ou dont les performances n'étaient pas compétitives par rapport aux
algorithmes de pointe du domaine concerné. Ces inconvénients ont été corrigés par des variantes
ultérieures de l'algorithme, qui visaient essentiellement à exploiter davantage l'historique de recherche
afin de guider le processus de recherche des fourmis. Le système de fourmis MAX-Min, qui est utilisé
dans cet article pour s'attaquer au problème du GMS, atteint cet objectif en permettant uniquement
aux fourmis ayant trouvé les meilleures solutions de déposer de la phéromone pendant la mise à jour
de la piste de phéromone. En outre, MMAS peut facilement et efficacement être étendu par des
algorithmes de recherche locale, ce qui peut encore améliorer la qualité des solutions. Dans ce modèle
d'algorithme hybride, les algorithmes ACO sont utilisés pour produire un ensemble initial de solutions
et laisser ensuite l'algorithme de recherche locale opérer sur celui-ci.
Procédure ACO pour les problèmes combinatoires statiques Définir les paramètres, initialiser les
pistes de phéromones tant que la condition de fin n'est pas remplie construire des solutions appliquer
l'algorithme de recherche locale une mise à jour facultative des pistes de phéromones fin
Après la définition de certains paramètres et l'initialisation des pistes de phéromones, une boucle
principale se déroule jusqu'à ce qu'une condition de fin soit remplie. La condition de fin peut être une
limite de temps spécifique du processeur ou un nombre de solutions construites. Dans la boucle
« while », les fourmis construisent des solutions efficaces, qui peuvent éventuellement être améliorées
par un algorithme de recherche locale. Enfin, la mise à jour de la piste de phéromone a lieu.
Figure 2.6 Les vraies fourmis, après un certain temps, ont tendance à choisir le chemin le plus court
entre le nid et la nourriture
29
Chaque algorithme ACO a d'abord été testé sur le problème du voyageur de commerce [71, 72,
74] et le problème d'assignation quadratique [73, 74], qui sont des problèmes d'optimisation
combinatoire classiques et bien connus, d'une difficulté NP, avec des résultats encourageants en
termes de temps de calcul et de qualité de la solution (les solutions construites s'approchent de
l'optimum). Comme nous l'avons déjà mentionné, la recherche sur les algorithmes ACO a montré que
des temps d'exécution plus courts peuvent être obtenus par une exploitation plus forte des meilleures
solutions trouvées. Cependant, de telles stratégies peuvent conduire à une convergence prématurée
de l'algorithme dans un optimum local. Ainsi, la clé pour les algorithmes ACO afin d'obtenir des
temps de calcul plus courts est l'exploitation des meilleures solutions trouvées, tandis qu'un
mécanisme efficace empêche l'algorithme de stagner prématurément. Ce sont là quelques
caractéristiques clés prises en compte dans la conception du MMAS par rapport au système fourmi.
Après un certain temps, les vraies fourmis ont tendance à choisir le chemin le plus court entre le nid
et la nourriture.
Ces agents construisent par itération les solutions du problème. La probabilité pour une fourmi
de visiter une ville est affectée par la quantité de phéromone que chaque agent détecte pendant son
exploration. La phéromone est une substance que les fourmis produisent et déposent le long des
chemins qu'elles ont traversés, les rendant plus attractifs pour les prochaines fourmis qui pourraient
passer par le même point, tandis que la phéromone déjà existante se vaporise avec le temps. Au cours
de la progression de l'algorithme, la phéromone artificielle est placée après la construction d'une
solution de tournée complète sur chaque ville qui a été choisie et visitée pour la construction de celle-
ci. De cette façon, la quantité de phéromone est l'information heuristique à un moment donné,
reflétant l'expérience de la colonie sur les solutions réalisables du problème.
Si nous considérons les solutions possibles comme un graphe où les fourmis se déplacent de la
ville sr à sr+1, alors le niveau de phéromone qui existe après le passage d'un agent d'une solution
réalisable est donné par l'équation :
  Sr ,Sr+1   1  ρ    Sr ,Sr+1     Sr ,Sr+1  (8)
Avec :
ρ est le facteur d'évaporation de la piste de phéromone
n
  Sr ,Sr+1     k  Sr ,Sr+1  (9)
k 1
n le nombre de fourmis
k le nombre de chaque fourmi.
La probabilité que la kth fourmi suive le chemin de la ville sr à sr+1, est :
30
  sr , sr 1 
T k  sr , ar , sr 1   (10)
   sr , si 
iNrk
Avec :
N kr est une solution réalisable lorsque la fourmi k est sur le nœud r, et art l'action requise pour que la
fourmi se déplace du nœud sr+1 à sr.
Initialisation
les fourmis construisent des chemins

jusqu'à ce que la moitié des villes aient
été visitées
le nombre de fourmis Non

en réunion est supérieur à V
Oui
chemins de
construction
fourmis combinées jusqu'à ce que tous
les chemins soient
terminés
phéromone montée
Non condition de
terminaison
Oui
STOP
Figure2.7 l'optimisation par colonies de fourmis (ACO).
31
2.2.2.2.4 PSO DISCRET MODIFIÉ :
L'optimisation par essaims de particules (PSO) est un algorithme inspiré du comportement social
des oiseaux en vol ou des poissons en bancs qui est utilisé pour trouver des régions optimales dans
des espaces de recherche complexes par l'interaction des individus dans une population de particules
[77]. Les sous-sections suivantes décrivent le DPSO et l'algorithme DPSO modifié amélioré
(MDPSO). Les évaluations statistiques et la comparaison entre l'algorithme DPSO et l'algorithme
MDPSO amélioré sont présentées dans [75] - [76].
Start
Initialiser une population de particules
Evaluez la fonction objective donnée dans

(1)
Mettre à jour pbest et gbest

DPSO
Mise à jour de la vélocité et de la position de

chaque particule
Is ES
rand < mutation rate ?
Non
Effectuer la mutation en utilisant (12)
Is
Non
La condition d'achèvement
est-elle satisfaite ?
Ui
Stop
Figure2.8 Organigramme de l'algorithme MDPSO pour le problème GMS
PSO discret :
Les concepts généraux qui sous-tendent les techniques d'optimisation initialement développées
pour des problèmes définis sur des espaces vectoriels à valeurs réelles, comme le PSO, peuvent
32
également être appliqués à des espaces de recherche à valeurs discrètes où des variables binaires ou
entières doivent être organisées en particules [78] - [79]. Lorsque des solutions entières (pas
nécessairement 0 ou 1) sont nécessaires, la solution optimale peut être déterminée en arrondissant les
valeurs optimales réelles à l'entier le plus proche. [78] - [79]. L'optimisation discrète par essaims de
particules a été développée spécifiquement pour résoudre des problèmes discrets. Le DPSO permet
des étapes discrètes dans la vélocité et donc dans la position. Dans cette version de PSO, la vitesse
est limitée à une certaine plage [- Vmax, Vmax] de sorte que Vid se trouve toujours dans cette plage.
La nouvelle vitesse et la nouvelle position de chaque particule i dans la dimension d sont déterminées
selon les équations de mise à jour de la vitesse et de la position données par (11) et (12).
V id ( k )  r o u n d ( w  V id ( k  1)  c 1  r a n d 1  ( Pib d  X id ( k  1))  c 2  r a n d 2  ( Pg d  X id ( k  1)))
Xid (k)  Xid (k 1) Vid (k) (12)
Figure 2.9 comportement social des oiseaux en vol (méthode PSO) [94].
DPSO modifié :
L'optimisation discrète en essaim de particules modifiée est une combinaison de la DPSO et d'une
stratégie évolutionnaire qui permet à l'algorithme d'effectuer une recherche optimale dans des
environnements complexes, comme c'est le cas pour le problème d'optimisation GMS contraint
considérer dans ce document. Cette version du MDPSO est une variante de la formulation originale
du DPSO pour résoudre des problèmes d'optimisation discrets. Supposons que X = (X1, X2...XN)
est la particule choisie avec un nombre aléatoire inférieur à un taux de mutation prédéfini (pour 0 <
taux de mutation < 0.3) alors le résultat de la mutation de cette particule est donné par (13).
X id  Pg d  ( r a n d n ()  Pg d / 2 ) d = 1 ,2 ,...N (13)
33
Dans ce document, l'opérateur de mutation est introduit dans l'algorithme DPSO. L'objectif
principal est d'augmenter la diversité de la population en empêchant les particules les particules de se
rapprocher trop proches les unes des autres, et donc de converger prématurément vers des optima
locaux. Cela permet d'améliorer les performances de recherche du DPSO. L'organigramme de
l'algorithme MDPSO appliqué au problème GMS est illustré à la figure 2.8.
Conclusion :
Les méthodes d'optimisation existent donc sous diverses formes, chacune étant adaptée à un type
de problème particulier. Certains problèmes difficiles ne peuvent d'ailleurs pas être résolus de manière
optimale par une machine. Pour pallier ce problème, des techniques ont été présentées, et notamment
des méthodes de la famille des méta-heuristiques. Ces algorithmes d'optimisation utilisent un
processus de recherche stochastique combiné avec des méthodes d'intensification, permettant
d'obtenir une solution approchée du problème en un temps "raisonnable". Il en existe un très grand
nombre, et nous nous sommes attachés à présenter les plus représentatifs et les plus courants.
En particulier, nous avons vu que ces méta-heuristiques, bien que très efficaces pour des
problèmes réputés difficiles, étaient sujettes à la "malédiction de la dimension", c'est-à-dire qu'elles
peuvent devenir rapidement inefficaces, sitôt que la dimension devient trop importante. Ce problème
est assez récent, car il concerne principalement des applications en Data ou en Web Mining, qui se
sont principalement développés depuis la propagation d'Internet et le développement des nouvelles
technologies.
Nous avons alors présenté des méthodes récentes permettant de résoudre ces problèmes
d'optimisation très spécifiques. En particulier, nous avons montré les particularités qui les rendaient
robustes à l'augmentation de la dimension.
Dans le chapitre suivant, nous verrons une nouvelle méthode adaptée particulièrement aux
problèmes de grande taille.
34
Chapitre 3 :
3 . Le cas d’étude de la
méthode May-Fly
Chapitre 3 Le cas d’étude de la méthode May-Fly
Introduction :
La méthode d'optimisation proposée peut être considérée comme une modification de PSO [80]
et combine les avantages de PSO, GA et FA [81,82]. En fait, il offre une structure algorithmique
hybride puissante, basée sur le comportement des éphémères, pour les chercheurs qui essaient
d'améliorer les performances de l'algorithme PSO en utilisant des techniques telles que le croisement
[83] et la recherche locale [84], car il a été prouvé que PSO a besoin de certaines modifications, pour
garantir un point optimal, lorsqu'il fonctionne dans des espaces à haute dimension [85].
Des algorithmes d'optimisation précédemment modifiés qui combinent les avantages des
algorithmes existants sont rapportés dans la littérature [86]. Il s'inspire du comportement social des
éphémères, et notamment de leur processus d'accouplement. Nous supposons qu'après l'éclosion de
l'œuf, les éphémères sont déjà adultes et que les éphémères les plus aptes survivent, quelle que soit
leur durée de vie. La position de chaque éphémère dans l'espace de recherche représente une solution
potentielle au problème. L'algorithme fonctionne comme suit. Initialement, deux ensembles
d'éphémères sont générés aléatoirement, représentant respectivement la population mâle et femelle.
C'est-à-dire que chaque éphémère est placé aléatoirement dans l'espace du problème comme une
solution candidate représentée par un vecteur d-dimensionnel x=(𝑥1,...,𝑥𝑑), et sa performance est
évaluée sur la fonction objective prédéfinie f(x). La vitesse v= (𝑣1,...,𝑣𝑑) d'un éphémère est définie
comme le changement de sa position, et la direction de vol de chaque éphémère est une interaction
dynamique des expériences de vol individuelles et sociales. En particulier, chaque éphémère ajuste
sa trajectoire vers sa meilleure position personnelle.
Mouvement et comportement des éphémères :

Les éphémères sont des insectes qui appartiennent à l'ordre des éphéméroptères, qui fait partie
d'un ancien groupe d'insectes appelé paléoptères. On estime qu'il existe plus de 3000 espèces
d'éphémères dans le monde. Leur nom vient du fait qu'elles apparaissent principalement au mois de
mai au Royaume-Uni.
Figure 3.1 éphémères [96].

36
Après l'éclosion de l'œuf, les éphémères immatures sont visibles à l'œil nu et ils passent plusieurs
années à grandir en tant que nymphes aquatiques, jusqu'à ce qu'ils soient prêts à remonter à la surface
en tant qu'adultes. Un éphémère adulte ne vit que quelques jours, jusqu'à ce qu'il atteigne son objectif
final, à savoir se reproduire [87].
Pour attirer les femelles, la plupart des mâles adultes se rassemblent en essaims à quelques mètres
au-dessus de l'eau, effectuant une danse nuptiale, par des mouvements caractéristiques de haut en bas.
Les femelles volent dans ces essaims, afin de s'accoupler avec un mâle dans les airs. L'accouplement
peut ne durer que quelques secondes et lorsqu'il est terminé, les femelles déposent leurs œufs à la
surface de l'eau, et leur cycle de vie continue [88].
3.2.1 Mouvement des éphémères mâles :
Le rassemblement des mâles en essaims, implique que la position de chaque éphémère mâle est
ajustée en fonction de sa propre expérience et de celle de ses voisins. En supposant x it que la position
actuelle de l'éphémère i dans l'espace de recherche au pas de temps t, la position est modifiée en
ajoutant une vélocité vit 1 , à la position actuelle. Ceci peut être formulé comme suit :
x it+ 1 = x it + v it+ 1 (14)
Avec : x i0  U ( x m in , x m a x )
Figure 3.2 éphémère mâle [97].
Étant donné que les éphémères mâles sont toujours à quelques mètres au-dessus de l'eau pour
effectuer la danse nuptiale, nous supposons qu'ils ne peuvent pas développer de grandes vitesses et
qu'ils se déplacent constamment. Par conséquent, la vitesse d'un éphémère mâle est calculée comme
suit
  r p2   rg2
vijt 1  vilt  a1e ( pbestij  xijt )  a 2 e ( gbest j  xijt ) (15)
t t
Avec vij est la vitesse de l'éphémère dans la dimension, j = 1,…,n au pas de temps t, xij est la position
de l'éphémère 𝑖 dans la dimension au pas de temps t , a1 et a2 sont des constantes d'attraction positives
37
utilisées pour mettre à l'échelle la contribution de la composante cognitive et sociale respectivement.
En outre, pbesti est la meilleure position éphémère 𝑖 que n'avais jamais visitée. Compte tenu des
problèmes de minimisation, la meilleure position personnelle p b e s t ij à l'instant suivant d’étape t+1,
est calculé comme suit :

 xit 1 , si f  xit 1   f ( pbesti )
pbesti   (16)
reste la meme, ailleurs
Avec f : Rn R est la fonction objective, qui évalue la qualité d'une solution. La meilleure position
globale gbest au pas de temps t, est définie comme suit :
gbest   pbest1 , pbest2 ,..., pbest N f (cbest )  min  f ( pbest1 ), f ( pbest2 ),..., f ( pbest N )
Avec 𝑁 est le nombre total d'éphémères mâles dans l'essaim. Enfin, 𝛽 est un coefficient de visibilité
fixe utilisé dans l'éq. (15), utilisé pour limiter la visibilité d'un éphémère aux autres, tandis que 𝑟𝑝 est
la distance cartésienne entre 𝑥𝑖 et 𝑝𝑏𝑒𝑠𝑡𝑖 et 𝑟𝑔 est la distance cartésienne entre 𝑥𝑖 et 𝑝𝑏𝑒𝑠𝑡. Ces
distances sont calculées comme suit :
n
 x  xij 
2
x i  xi  ij
(17)
j 1
Avec xij est l'élément 𝑗th de l'éphémère 𝑖 et xi correspond à 𝑝𝑏𝑒𝑠𝑡𝑖 ou 𝑔𝑏𝑒𝑠𝑡. Il est important pour le
fonctionnement de l'algorithme que les meilleurs éphémères de l'essaim continuent à effectuer leur
danse nuptiale caractéristique de haut en bas. Par conséquent, les meilleurs éphémères doivent
continuer à modifier leur vitesse, qui dans ce cas est calculée comme suit :
vijt 1  vijt  d  r (18)
Avec 𝑑 est le coefficient de la danse nuptiale et 𝑟 est une valeur aléatoire dans l'intervalle [-1, 1]. Ce
mouvement de haut en bas introduit un élément stochastique dans l'algorithme.
3.2.2 Mouvement des éphémères femelles :
Contrairement aux mâles, les éphémères femelles ne se rassemblent pas en essaims. Elles volent
plutôt vers les mâles afin de se reproduire. En supposant que y it est la position actuelle de l'éphémère
femelle 𝑖 dans l'espace de recherche au pas de temps 𝑡, la position est modifiée par l'ajout d'une
vélocité vit 1 à la position actuelle, soit
y it  1  y it  v it  1 (19)
Avec y i0  U ( y m in , y m a x )
38
Figure 3.3 éphémère femelles [98].
Alors que le processus d'attraction pourrait être aléatoire, nous avons décidé de le modéliser
comme un processus déterministe. C'est-à-dire que, selon leur fonction de fitness, la meilleure femelle
devrait être attirée par le meilleur mâle, la deuxième meilleure femelle par le deuxième meilleur mâle,
et ainsi de suite. Par conséquent, en considérant les problèmes de minimisation, leurs vitesses sont
calculées comme suit
vt  a e rmf ( xt  yt )

2
t 1  ij 2 ij ij si f ( yi )  f ( xi )
vi  (20)
 vijt  fl  r si f ( yi )  f ( xi )
t t
où vij est la vitesse de l'éphémère femelle 𝑖 dans la dimension 𝑗 = 1,.... ,n au pas de temps 𝑡, yij est
la position de l'éphémère femelle 𝑖 dans la dimension 𝑗 au pas de temps 𝑡, 𝑎2 est une constante
d'attraction positive et 𝛽 est un coefficient de visibilité fixe, tandis que 𝑟𝑚𝑓 est la distance
cartésienne entre les éphémères mâles et femelles, calculée à l'aide de l'éq.(17). Enfin, 𝑓𝑙 est un
coefficient de marche aléatoire, utilisé lorsqu'une femelle n'est pas attirée par un mâle, elle vole
donc au hasard et 𝑟 est une valeur aléatoire dans l'intervalle.
L'accouplement des éphémères :

L'opérateur croisement représente le processus d'accouplement entre deux éphémères de la
manière suivante : Un parent est sélectionné dans la population mâle et un autre dans la population
femelle. La façon dont les parents sont sélectionnés est la même que celle dont les femelles sont
attirées par les mâles. En particulier, la sélection peut être soit aléatoire, soit basée sur leur fonction
de fitness. Dans ce dernier cas, la meilleure femelle se reproduit avec le meilleur mâle, la deuxième
meilleure femelle avec le deuxième meilleur mâle, et ainsi de suite. Les résultats du croisement sont
deux progénitures qui sont générées comme suit :
39
of fspring1  L  male  (1  L)  female
(21)
of fspring 2  L  female  (1  L)  male
Avec le parent mâle, 𝑓 est le parent femelle et 𝐿 est une valeur aléatoire 𝑚𝑎𝑙𝑒 F𝑒𝑚el𝑙𝑒 dans une
plage spécifique. Les vitesses initiales de la progéniture sont fixées à zéro.
Améliorations de l'algorithme de base Mayfly :

En expérimentant l'algorithme de base, nous avons identifié des problèmes de stabilité liés à la
perturbation des solutions existantes due à la vitesse. Un comportement de convergence prématurée
de l'algorithme a également été remarqué, en raison d'un équilibre insuffisant entre l'exploitation et
l'exploration. Pour tenir compte de ces défauts, un certain nombre de modifications de l'algorithme
ont été développées, qui sont présentées ci-dessous.
3.4.1 Limites de vélocité :
En testant les performances de notre algorithme, il a été constaté que la vitesse explose
rapidement à des valeurs énormes, par exemple lors de la mise à jour de la vitesse d'un éphémère loin
de la meilleure position globale ou personnelle. Cela peut conduire à des situations où les éphémères
s'envolent hors de l'espace du problème. Il est intéressant de noter que la vitesse initiale nulle de la
progéniture peut être une réponse à ce problème, car il y aura des éphémères avec de petites valeurs
de vitesse qui peuvent encore aider à la convergence. En tenant compte de cela et en s'inspirant des
éphémères réels qui ne développent pas de grandes vitesses afin de toujours rester au-dessus de l'eau,
nous supposons que chaque éphémère est capable de développer une vitesse maximale spécifiée 𝑉𝑚𝑎𝑥.
Dans ce cas, la vélocité est ajustée comme suit
t 1
vmax if vijt 1  Vmax
v  (22)
  vmax if vij  Vmax
ij t 1
Ce qui est significatif est que même si 𝑉𝑚𝑎𝑥 contrôle l'exploration de l'espace de recherche, des
valeurs trop petites pourraient empêcher l'exploitation au-delà des optima locaux. Les valeurs de
𝑉𝑚𝑎𝑥 peuvent être choisies comme suit
Vmax  rand (xmax  xmin ) (23)
Avec le rand  0,1
3.4.2 Coefficient de gravité :
Même si la limitation de la vitesse peut empêcher les éphémères de développer de grandes

vitesses, il faut parfois réduire les vitesses afin de mieux contrôler l'équilibre entre les capacités
d'exploration et d'exploitation des éphémères. Le coefficient de gravité qui 𝑔 fonctionne de manière
40
similaire au poids d'inertie de PSO [89], aide à atteindre un équilibre suffisant entre exploration et
exploitation. En conséquence, la vélocité de l'éphémère mâle 𝑖 est maintenant calculée en modifiant
l'équation (15) comme suit :
  rp2   rg2
vijt 1  g  vijt  a1e ( pbestij  xijt )  a 2 e ( gbest j  xijt )
Tandis que la vitesse de l'éphémère femelle 𝑖 est maintenant calculée en modifiant l'équation (20)
comme suit :
g  vt  a e rmf (xt  yt )

2
t 1 ij 2 ij ij Si f ( yi )  f ( xi )
vij   (24)
 g  vijt  fl  r Si f ( yi )  f ( xi )
Le coefficient de gravité 𝑔 peut être un nombre fixe dans l'intervalle de, ou il peut être (0,1]
progressivement réduit au cours des itérations, permettant à l'algorithme d'exploiter certaines zones
spécifiques, en étant mis à jour par l'équation suivante :
gmax  gmin
g  gmax   iter (25)
itermax
Avec 𝑔𝑚𝑎𝑥, 𝑔𝑚𝑖𝑛 sont les valeurs maximales et minimales que peut prendre le coefficient de gravité,
𝑖𝑡𝑒𝑟 est l'itération actuelle de l'algorithme et 𝑖𝑡𝑒𝑟𝑚𝑎𝑥 est le nombre maximal d'itérations.
3.4.3 Réduction de la danse nuptiale et de la marche aléatoire :
La danse nuptiale exécutée par les éphémères mâles, ainsi que la marche aléatoire des femelles,
semblent être deux méthodes de recherche locale très puissantes, capables d'aider l'algorithme à
échapper aux optima locaux. Cependant, la marche aléatoire peut conduire un éphémère vers une
zone de recherche bien pire. Le problème vient du fait que la danse nuptiale 𝑑 ou la marche aléatoire
𝑓𝑙 prennent souvent de grandes valeurs initiales. Ce problème peut être atténué en réduisant
progressivement la danse nuptiale 𝑑 et la marche aléatoire 𝑓𝑙 au fil des itérations. Par conséquent, les
deux valeurs peuvent être mises à jour en utilisant une formule de progression géométrique telle que
d t  d 0 t , 0    1
(26)
flt  fl0 t , 0    1
Où 𝑡 est le compteur d'itérations 𝛿 et une valeur fixe dans la plage de (0,1)

3.4.4 Mutation des gènes de la progéniture :
Pour faire face aux situations de convergence prématurée qui peuvent conduire à un minimum
local au lieu d'un minimum global, une variation de l'algorithme original ajoute une mutation aléatoire
à une partie de la population, afin que l'algorithme explore de nouvelles zones de l'espace de recherche
qui ne seraient pas visitées autrement. En particulier, nous ajoutons un nombre aléatoire normalement
41
distribué à la variable de la progéniture choisie pour la mutation. De cette façon, la progéniture est
modifiée comme suit
𝑜𝑓𝑓𝑠𝑝𝑟𝑖𝑛𝑔 n = 𝑜𝑓𝑓𝑠𝑝𝑟𝑖𝑛𝑔 n + 𝜎𝑁n (0 ,1) (27)
Où, 𝜎 est l'écart-type de la distribution normale et 𝑁𝑛(0,1) est une distribution normale standard avec
moyenne=0 et variance =1.
Algorithme multi-objectif Mayfly (MMA) :

Nous modifions également la MA afin qu'elle puisse être appliquée à des problèmes
d'optimisation multi-objectifs. La MA originale ne sauvegarde qu'une seule meilleure solution, au
lieu des multiples solutions que les problèmes multi-objectifs requièrent. En outre, MA met à jour la
meilleure solution obtenue jusqu'à présent à chaque itération, alors qu'il n'y a pas de meilleure solution
unique dans les problèmes d'optimisation multi-objectifs. Par conséquent, nous équipons MA d'un
référentiel de solutions, qui maintient les meilleures solutions non dominées obtenues jusqu'à présent
pendant l'optimisation, comme [90] l'ont utilisé dans leur recherche. De plus, contrairement à ΜΑ,
les éphémères femelles de MMA mettent également à jour leur meilleure position personnelle.
3.5.1 Mouvement des éphémères mâles dans l'optimisation multi-objectifs :
Le mouvement des éphémères mâles dans le cadre de l'optimisation multi-objectif fonctionne de

manière similaire à leur mouvement lors de l'exécution de problèmes d'optimisation mono-objectif.
Puisqu'il n'existe pas de meilleure solution unique dans les problèmes multi-objectifs, la sélection de
la solution est 𝑔𝑏𝑒𝑠𝑡 effectuée en choisissant une solution aléatoire dans le répertoire des solutions
non dominées.
Si l'éphémère mâle est dominé par l'équation (𝑔𝑏𝑒𝑠𝑡 17) est utilisée. Dans le cas contraire,
l'équation (26) est utilisée.
3.5.2 Mouvement des éphémères femelles dans l'optimisation multi-objectifs
De même, l'équation suivante est utilisée pour les éphémères :
(28)
42
3.5.3 L’accouplement des éphémères dans l'optimisation multi-objectifs :
L'équation (21), est également utilisée pour le processus d'accouplement. En particulier, un mâle
et une femelle sont sélectionnés en fonction de leur rang. Afin d'améliorer le comportement de
convergence du MMA, l'opérateur de crossover est effectué en utilisant la meilleure position
personnelle de chaque éphémère.
3.5.4 Distance d'affluence :
Le référentiel a une taille maximale pour stocker les solutions non dominées. Pour classer les
éphémères et conserver les meilleures, on effectue un tri rapide des solutions non dominées en
utilisant la distance d'affluence (CD), tout comme le fait NSGA-II [91]. La CD fournit une estimation
du plus grand cuboïde entourant une solution sans inclure d'autres solutions, en calculant la distance
euclidienne entre les individus voisins [91]. Les solutions limites qui ont les valeurs de fonction
objective les plus basses et les plus élevées sont toujours sélectionnées en recevant une valeur de CD
infinie. En additionnant les valeurs de CD de chaque fonction objective, la valeur de CD finale d'une
solution est calculée. Des recherches antérieures ont déjà prouvé les résultats de haute performance
des méthodes d'optimisation multi-objectif par intelligence artificielle combinées avec CD [92].
Conclusion :
Ce chapitre présente une nouvelle méthode appelée l'algorithme Mayfly (MA) pour résoudre les
problèmes d'optimisation. Inspiré du comportement de vol et du processus d'accouplement des
éphémères, l'algorithme proposé combine les avantages majeurs de l'intelligence en essaim et des
algorithmes évolutionnaires. Pour évaluer les performances de l'algorithme proposé, des fonctions
mathématiques de référence, sont utilisées.
Les performances de l'MA sont également évaluées par le biais du comportement de convergence
dans l'optimisation multi-objectif ainsi que par l'utilisation d'un problème réel d'ordonnancement de
flux discret. Les résultats démontrent la supériorité de la méthode proposée en termes de taux et de
vitesse de convergence. Les processus de danse nuptiale et de vol aléatoire améliorent l'équilibre entre
les propriétés d'exploration et d'exploitation de l'algorithme et l'aident à échapper aux optima locaux.
43
Chapitre 4
4 . Résultats
Obtenues de
L’algorithme MA
Chapitre 4 Résultats Obtenues de L’algorithme MA
Introduction :
L’algorithme Mayfly a été largement utilisé pour résoudre des problèmes d'optimisation
complexes. Les avantages de cette méthode qu'elle est obtenir de meilleurs résultats en termes de
précision et d'efficacité aussi l’algorithme MA facile à appliquer sur des fonctions objectives, qu'elle
ne nécessite pas d'opérations mathématiques complexes supplémentaires.
L'algorithme MA est développé dans la plateforme Matlab 9.10 et est exécuté sur un ordinateur
personnel configuré avec un processeur Intel core i5 2.40 GHz et 6 GB RAM. L'algorithme prévu est
appliqué pour des systèmes de test de différentes échelles avec un horizon de planification d’une 52
semaine. Une analyse de sensibilité des paramètres est effectuée et les paramètres algorithmiques
optimaux sont identifiés. Comme l'MA est une procédure aléatoire, afin de prouver sa cohérence dans
l'obtention des solutions optimales, 30 exécutions indépendantes ont été effectuées.
Système 21 unités :
Afin de démontrer la capacité de tous les générateurs et le nombre de maintenancier pour chaque
semaine, les générateurs pouvaient commencer la maintenance n'importe où dans une période de
définie comme il montre le tableau ci-dessous.
Capacité période de la pannes Main-tenancier nécessaire
Unité
(MW) possibilité d'utilisation (semaine) pour chaque semaine
1 555 1-26 7 10+10+5+5+5+5+3
2 555 27-52 5 10+10+10+5+5
3 180 1-26 2 15+15
4 180 1-26 1 20
5 640 27-52 5 10+10+10+10+10
6 640 1-26 3 15+15+15
7 640 1-26 3 15+15+15
8 555 27-52 6 10+10+10+5+5+5
9 276 1-26 10 3+2+2+2+2+2+2+2+2+3
10 140 1-26 4 10+10+5+5
11 90 1-26 1 20
12 76 27-52 3 10+15+15
13 76 1-26 2 15+15
14 94 1-26 4 10+10+10+10
15 39 1-26 2 15+15
16 188 1-26 2 15+15
17 58 27-52 1 20
18 48 27-52 2 15+15
19 137 27-52 1 15
20 469 27-52 4 10+10+10+10
21 52 1-26 3 10+10+10
Tableau 4.1 Données pour le système 21 unités [38].
45
Un problème test d'ordonnancement de la maintenance de 21 unités de production sur une période

de planification de 52 semaines. Ce problème test est vaguement dérivé de l'exemple présenté [37]
avec quelques simplifications et contraintes supplémentaires, et a été étudié précédemment [38,39].
Le tableau 4.1 donne les capacités, les périodes autorisées et la durée de la maintenance ainsi que la
main d'œuvre nécessaire pour chaque unité. La charge de pointe du système électrique est de 4739
MW, et il y a 20 techniciens disponibles pour les travaux de maintenance chaque semaine. Le
problème fait intervenir le critère de fiabilité consistant à minimiser la somme des carrés des réserves
dans chaque période de temps hebdomadaire. Chaque unité doit être maintenue (sans interruption)
pendant une durée donnée dans une période autorisée.
La période autorisée pour chaque générateur est le résultat d'une évaluation technique et de
l'expérience du personnel de maintenance, ce qui garantit une fréquence de maintenance adéquate.
En raison de sa complexité, la solution optimale exacte de ce problème est inconnue. Le problème
GMS peut être formulé comme un problème de programmation en nombres entiers en utilisant des
variables entières pour représenter la période dans laquelle la maintenance de chaque unité
commence. Les variables sont limitées par les contraintes de programme de maintenance. Pour plus
de clarté, le problème est d'abord formulé en utilisant des variables binaires qui indiquent le début de
la maintenance de chaque unité à chaque période.
Le système standard de 21 unités il doit satisfait a les contraintes suivant :

 La charge : Produise une demande de charge de pointe annuelle supérieur à 4739 MW
contrainte (4)
 Limite d'équipage : le nombre de personnes pour exécuter le programme de maintenance ne
peut dépasser l'équipage disponible 20 maintenancier pour chaque semaine contrainte (3)
 Réserve : la minimisation de la somme des carrés de la génération de réserve donc La
satisfaction de la contrainte (1).
Les résultats révèlent clairement que MA atteint la production maximale disponible pendant un
nombre plus élevé de semaines (52 semaines).
4.2.1 Les semaines de démarrage de l'activité de maintenance de 21 unités :
La meilleure solution trouvée de début de maintenance des générateurs de production sont présentées
dans le tableau 4.2.
46
Unit 1 2 3 4 5 6 7 8 9 10 11
Solution
(semaine de
9 41 13 2 48 3 6 27 16 19 1
début de la
maintenance)
Unit 12 13 14 15 16 17 18 19 20 21
Solution
(semaine de
45 17 21 15 25 40 33 39 35 10
début de la
maintenance)
Tableau 4.2 Périodes de maintenance de la meilleure solution.
C'est la période pendant laquelle la maintenance de chaque unité du système peut commencer
(Pour l'unité 1, la maintenance commence à la semaine 9, pour l'unité 2 à la semaine 41, et ainsi de
suite). Le vecteur de la solution (Tableau 4.2) obtenue avec la méthode MA a atteint tous les
contrainte (1) (2) (3) (4) qu’on a déjà expliqué.
4.2.2 Calendriers de maintenance des générateurs :
Figure 4.1 Graphe présente les détails des périodes de maintenance.

La figure 4.1 présente les calendriers de maintenance des générateurs établis à l'aide de l'MA par
exemple l’unité 8 commence sa période de maintenance à partir de la semaine 27 et elle termine
jusqu’à la semaine 32 et pour l’unité 10 commence sa période de maintenance à partir de la semaine
19 et elle termine jusqu’à la semaine 22 ainsi de suite pour les autres unités.
47
4.2.3 Le réserve de la meilleure solution :
La meilleure solution a été trouvée à l'itération numéro 1660, Avec un temps d'exécution est de
0:5:39.872. La solution est représentée à la figure suivante.
Figure 4.2 La meilleure solution de réserve par rapport aux itérations.
Figure 4.3 Graphe zoomé de La meilleure solution de réserve.
48
Comme nous pouvons le voir sur la figure 4.1, l'algorithme MA a produit une très bonne solution.
Dès les premières étapes, il trouve continuellement de meilleures solutions avec des réserves plus
faibles, jusqu'à l'itération 1660 où aucune meilleure solution n'est trouvée pour les 140 itérations
suivantes, ce qui met fin à l'algorithme. Il est remarquable que l'algorithme ait produit de bien
meilleures solutions étape par étape, sans être "piégé" sur les meilleures solutions locales.
4.2.4 La production d’énergie de la meilleure solution :
Figure 4.4 La production d’énergie de la meilleure solution par rapport a

la semaine de maintenance.
la figure 4.4 présente une analyse de la somme de production des générateurs (en MW) qui ne
sont pas en maintennace dans une periode de 52 semaines, on voit par exemple que dans la première
semaine la somme de production de tout les unitées qui fonctionnent est 5598 MW ce qui implique
la différence entre les unitées qui marche avec les les unité qui on maintennace ( generateur 11) , à
chaque période du programme de maintenance. Cette capacité ne doit pas être inférieure à la demande
de charge prévue pour cette période comme le montre la contrainte (4) , on remarque que la production
d'énergie maximale du système est toujours supérieure à La charge de pointe du système électrique
(4739 MW) donc on peut dire qu’on a assuré que la production totale d'électricité couvre la charge et
la marge de réserve minimale.
49
4.2.5 Les maintenanciers de la meilleur production :
Figure 4.5 Les maintenanciers de la meilleure production par rapport a

la semaine de maintenance.
la figure 4.5 présente Les maintenanciers de la meilleure production par rapport a la semaine de
maintenance pendant 52 semaine , on voit par exemple que dans la première semaine la somme de
technicien qui exécute le programme de maintennace est 20 maintenanciers ,donc pour chaque
période le nombre de personnes pour exécuter le programme de maintenance ne peut dépasser
l'équipage disponible (20 technicien) comme le montre la contrainte (3) et c’est exactement ce qui
apparait dans l’histogramme de la figure 4.5.
N° de générateurs planifiés
Maintenancier Production en MW
semaine pour la maintenance
1 11 20 5598
2 4 20 5508
3 6 15 5048
4 6 15 5048
5 6 15 5048
6 7 15 5048
7 7 15 5048
8 7 15 5048
9 1 10 5133
10 21 1 20 5081
50
11 21 1 15 5081
12 21 1 15 5081
13 3 1 20 4953
14 3 1 20 4953
15 15 1 18 5094
16 15 9 18 5373
17 13 9 17 5336
18 13 9 17 5336
19 10 9 12 5272
20 10 9 12 5272
21 14 10 9 17 5178
22 14 10 9 17 5178
23 14 9 12 5316
24 14 9 12 5316
25 16 9 18 5224
26 16 15 5500
27 8 10 5133
28 8 10 5133
29 8 10 5133
30 8 5 5133
31 8 5 5133
32 8 5 5133
33 18 15 5640
34 18 15 5640
35 20 10 5219
36 20 10 5219
37 20 10 5219
38 20 10 5219
39 19 15 5551
40 17 20 5630
41 2 10 5133
42 2 10 5133
43 2 10 5133
44 2 5 5133
45 12 2 15 5057
46 12 15 5612
47 12 15 5612
48 5 10 5048
49 5 10 5048
50 5 10 5048
51 5 10 5048
52 5 10 5048
Tableau 4.3 présentation détaillé des unités qu’ont maintenance pour chaque semaine.
51
Le tableau ci-dessus présente une analyse de la somme de production des generateurs et la somme
de technicien qui execute le programme de maintennace pour chaque periode et aussi les unite qui on
maintennace pendant 52 semaine
Chaque générateur est autorisé à commencer la maintenance n'importe où dans une période de 52
semaines. Comme l'indique le tableau ci-dessus, le nombre de générateurs considérés pour la
maintenance sont les générateurs 1-21 pour les semaines 1-52. Tous les générateurs doivent terminer
leur maintenance avant la semaine 52.
La production totale pour tous les générateurs dans chaque semaine est donnée comme 5688MW dans
la première semaine. Les arrêts de maintenance pour les générateurs du tableau sont programmés de
manière à minimiser le SSR et à satisfaire les contraintes suivantes :
 Programme de maintenance : chaque générateur doit être maintenu exactement une fois toutes
les 52 semaines sans interruption.
 Limite d’équipage : les membres disponibles de l'équipage maximum sont 20 pour chaque
semaine.
 Contrainte de charge : la charge de pointe du système qui est de 4739 MW/semaine est utilisée
comme charge fixe pour le problème de test.
Système à 49 unités :
Le système électrique nigérian est composé d'un total de 49 unités fonctionnelles. Plus de 25 ans
d'expérience opérationnelle et les données historiques disponibles sur les conditions hydrologiques
révèlent que le profil de variation de l'influx à chaque emplacement de centrale hydroélectrique a un
impact significatif sur la production d'énergie de chaque centrale. Ce profil d'influence détermine
également les périodes autorisées pour l'entretien des unités.
Ces scénarios ont été pris en compte dans la résolution de ce problème GMS à l'aide de
l'algorithme MA, la demande de charge est de 3625 MW plus une augmentation de charge de 5 %
pendant la saison chaude de mars à juillet de chaque année et fixé le nombre de maintenancier a 25
techniciens. La production maximale est de 3388 MW [99]. Une simulation au Matlab a été fait et
présentée ci-dessous.
52
Unité Capacité période de la possibilité d'utilisation pannes Main-tenancier nécessaire
1 190 1-17 5 6+5+5+4+2
2 190 1-17 5 6+5+5+4+2
3 190 1-17 5 6+5+5+4+2
4 190 1-17 5 6+5+5+4+2
5 190 1-17 5 6+5+5+4+2
6 190 1-17 5 6+5+5+4+2
7 220 1-17 2 4+3
8 30 1-17 2 4+3
9 30 1-17 2 4+3
10 30 1-17 2 4+3
11 30 1-17 2 4+3
12 30 1-17 2 4+3
13 30 1-17 2 4+3
14 30 1-17 2 4+3
15 0 1-17 4 4+3+3+2
16 0 1-17 4 4+3+3+2
17 0 1-17 4 4+3+3+2
18 0 1-17 4 4+3+3+2
19 0 1-17 4 4+3+3+2
20 85.3 1-17 4 4+3+3+2
21 88.3 18-43 4 5+3+3+2
22 88.3 18-43 4 5+3+3+2
23 88.3 18-43 4 5+3+3+2
24 88.3 18-43 4 5+3+3+2
25 88.3 18-43 4 5+3+3+2
26 88.3 18-43 4 5+3+3+2
27 112.5 18-43 4 5+3+3+2
28 0 18-43 4 5+3+3+2
29 0 18-43 3 4+3+2
30 0 18-43 3 4+3+2
31 0 18-43 3 4+3+2
32 76.5 18-43 3 4+3+2
33 90 18-43 4 5+4+3+3
34 0 18-43 4 5+4+3+3
35 249 18-43 2 4+3
36 249 18-43 2 4+3
37 140 18-43 2 4+3
38 249 18-43 2 4+3
39 138 44-52 5 5+5+4+3+3
40 138 44-52 5 5+5+4+3+3
41 19.6 44-52 2 4+3
42 19.6 44-52 2 4+3
43 19.6 44-52 2 4+3
44 19.6 44-52 2 4+3
45 0 44-52 4 4+4+3+3
46 85 44-52 4 4+4+3+3
47 85 44-52 4 4+4+3+3
48 85 44-52 4 4+4+3+3
49 85 44-52 4 4+4+3+3
Tableau 4.4 Données pour le système (49 unités).
53
4.3.1 Les semaines de démarrage de l'activité de maintenance de 49 unités :

La meilleure solution trouvée de début de maintenance des générateurs de production sont
présentées dans le tableau 4.5.
Solution Solution
Unit (semaine de début de la unit (semaine de début de la
maintenance) maintenance)
1 8 26 27
2 13 27 40
3 3 28 30
4 13 29 21
5 8 30 23
6 1 31 34
7 1 32 33
8 6 33 32
9 6 34 38
10 6 35 25
11 3 36 38
12 1 37 27
13 6 38 36
14 6 39 48
15 11 40 44
16 2 41 51
17 14 42 51
18 1 43 51
19 10 44 44
20 1 45 46
21 29 46 48
22 40 47 49
23 19 48 44
24 32 49 44
25 28
Tableau 4.5 Périodes de maintenance de la meilleure solution (49unités).
Le tableau ci-dessus présente la période pendant laquelle la maintenance de chaque unité du système
peut commencer (Pour l'unité 1, la maintenance commence à la semaine 8, pour l'unité 2 à la semaine
13, et ainsi de suite). Le vecteur de la solution (Tableau 4.5) obtenue avec la méthode MA a atteint
tous les contrainte (1) (2) (3) (4) qu’on a déjà expliqué.
54
4.3.2 Calendriers de maintenance des générateurs
Figure 4.6 Graphe présente les détails des périodes de maintenance (49 unités).
La figure 4.6 présente les calendriers de maintenance des générateurs établis à l'aide de l'MA. La
maintenance des générateurs établis à l'aide de l'MA par exemple l’unité 10 commence sa période de
maintenance à partir de la semaine 7 et elle termine jusqu’à la semaine 8 et pour l’unité 37 commence
sa période de maintenance à partir de la semaine 27 et elle termine jusqu’à la semaine 28 ainsi de
suite pour les autres unités.
55
4.3.3 Le réserve de la meilleure solution :
La meilleure solution a été trouvée à l'itération numéro 43000, Avec un temps d'exécution est de
0:7:22.478. La solution est représentée à la figure suivante :
Figure 4.7 La meilleure solution de réserve par rapport aux itérations (49 unités).
Figure 4.8 Graphe zoomé de la figure ci-dessus (49 unités).

56
Comme nous pouvons le voir sur la figure 4.7, l'algorithme MA a produit une très bonne
solution. Dès les premières étapes, il trouve continuellement de meilleures solutions avec des
réserves plus faibles, jusqu'à l'itération 43000 aucune meilleure solution n'est trouvée pour les
itérations suivantes, ce qui met fin à l'algorithme. Il est remarquable que l'algorithme produit de
bien meilleures solutions étape par étape, sans être "piégé" sur les meilleures solutions locales.
4.3.4 La production d’énergie de la meilleure solution :
Figure 4.9 La production d’énergie de la meilleure solution par rapport a

la semaine de maintenance (49 unités).
la figure 4.4 présente une analyse de la somme de production des générateurs (en MW) qui ne
sont pas en maintennace dans une periode de 52 semaines, on voit par exemple que dans la semaine
24 la somme de production de tout les unitées qui fonctionnent est 4045.5 MW ce qui implique la
différence entre les unitées qui marche avec les les unité qui on maintennace ( générateur 30) , à
chaque période du programme de maintenance. Cette capacité ne doit pas être inférieure à la demande
de charge prévue pour cette période comme le montre la contrainte (4) , on remarque que la production
d'énergie maximale du système est supérieure à La charge de pointe du système électrique (3625
MW) donc on peut dire qu’on a assuré que la production totale d'électricité couvre la charge et la
marge de réserve minimale.
La production annuelle pour le Nigeria ne peut pas répondre à la demande de charge annuelle
dans les saisons chaudes en raison de la production insuffisante de certaines unités de production. Les
contributions de certaines de ces unités au réseau national sont marginalement faibles et sont
57
représentées par une production nulle. Cela signifie que la compagnie d'électricité devra procéder à
des délestages persistants tout au long de l'année.
4.3.5 Les maintenanciers de la meilleure production :
Figure 4.10 Les maintenancier de la meilleure production par rapport a

la semaine de maintenance (49 unités).
la figure 4.10 présente Les maintenanciers de la meilleure production par rapport a la semaine de
maintenance pendant 52 semaine , on voit par exemple que dans la première semaine la somme de
technicien qui exécute le programme de maintennace est 22 maintenanciers, donc pour chaque
période le nombre de personnes pour exécuter le programme de maintenance ne peut dépasser
l'équipage disponible (25 technicien) comme le montre la contrainte (3) et c’est exactement ce qui
apparait dans l’histogramme de la figure 4.10
N° de générateurs planifiés
maintenanciers Production en MW
semaine pour la maintenance
1 6 7 12 18 20 22 3520.2
2 6 7 12 16 18 20 21 3520.2
3 3 6 11 16 18 20 24 3550.2
4 3 6 11 18 20 19 3550.2
5 3 6 9 3665.5
6 3 8 24 3705.5
7 3 8 9 10 17 3705.5
8 1 5 9 10 12 3665.5
9 1 5 10 3665.5
10 1 5 19 14 3665.5
11 1 5 15 19 15 3665.5
58
12 1 5 15 19 10 3665.5
13 2 4 13 14 15 19 17 3665.5
14 2 4 13 14 15 17 16 3665.5
15 2 4 17 13 3665.5
16 2 4 17 11 3665.5
17 2 4 17 6 3665.5
18 0 4045.5
19 23 5 3957.2
20 23 4 3957.2
21 23 29 7 3957.2
22 23 29 5 3957.2
23 29 30 6 4045.5
24 30 3 4045.5
25 30 35 6 3796.5
26 26 35 3 3796.5
27 26 37 9 3796.5
28 25 26 37 12 3625
29 21 25 26 12 3780.6
30 21 25 28 14 3780.6
31 21 25 28 10 3868.9
32 21 24 28 33 16 3778.9
33 24 28 32 33 15 3790.7
34 24 31 32 33 13 3790.7
35 24 31 32 33 10 3790.7
36 31 38 6 3796.5
37 38 3 3796.5
38 34 36 9 3796.5
39 34 36 7 3796.5
40 22 27 34 13 3844.7
41 22 27 34 12 3844.7
42 22 27 7 3844.7
43 22 27 5 3844.7
44 40 44 48 49 17 3717.9
45 40 44 48 49 16 3717.9
46 40 45 14 3737.5
47 40 45 13 3737.5
48 39 40 45 46 15 3684.5
49 39 45 46 47 16 3737.5
50 39 46 47 11 3737.5
51 39 41 42 43 46 47 21 3678.7
52 39 41 42 43 47 15 3763.7
Tableau 4.6 présentation détaillé des unités qu’ont maintenance pour chaque semaine (49 unités).
59
Le tableau ci-dessus présente une analyse de la somme de production des generateurs et la somme
de technicien qui execute le programme de maintennace pour chaque periode et aussi les unite qui on
maintennace définie.
Chaque générateur est autorisé à commencer la maintenance n'importe où dans une période
définie. Comme l'indique le tableau ci-dessus, le nombre de générateurs considérés pour la
maintenance.
La production totale pour tous les générateurs dans chaque semaine est donnée comme 3520.2 dans
la première semaine. Les arrêts de maintenance pour les générateurs du tableau sont programmés de
manière à minimiser le SSR et à satisfaire les contraintes suivantes :
 Programme de maintenance : chaque générateur doit être maintenu exactement une fois toutes
les semaines sans interruption.
 Limite d’équipage : les membres disponibles de l'équipage maximum sont 25 pour chaque
semaine.
Conclusion :
De l'analyse précédente, on déduit que le MA proposé est supérieur aux autres algorithmes en
termes de précision et d'efficacité, puisqu'il peut détecter une meilleure valeur dans la plupart des
fonctions de test, tout en fonctionnant avec la même configuration sur tous les problèmes. Dans les
cas où la plupart des algorithmes se retrouvent piégés dans des optima locaux, MA est capable de
s'échapper grâce à la danse nuptiale des mâles, au vol aléatoire des femelles et à la mutation de leurs
gènes. Une autre caractéristique importante est que les faibles vitesses des éphémères ainsi que la
vitesse nulle de la progéniture peuvent favoriser la convergence, tout en offrant à l'algorithme
l'avantage d'avoir des solutions avec des vitesses élevées et faibles en même temps.
60
Conclusion Générale
Conclusion générale :
La programmation de la maintenance préventive peut être définie comme l'activité essentielle qui
doit être menée sur un horizon de planification sur les équipements du système électrique afin
d'augmenter leur performance et la fiabilité du système. Les générateurs jouent un rôle vital dans les
centrales électriques, par conséquent, la maintenance périodique des générateurs dans les centrales
électriques doit viser à réduire le taux de défaillance en assurant des niveaux opérationnels réguliers
de la compagnie d'électricité. Le problème de la planification de la maintenance des générateurs
(GMS) est très important dans un système d'alimentation électrique sous l'angle de la fiabilité et la
procédure de solution.
Le problème de la planification de la maintenance des générateurs GMS d'un système à échelle

réelle a été étudié par de nombreuses approches mathématiques, heuristiques et méta-heuristique.
Dans ce projet, l'approche méta-heuristique de mayfly algorithme a été utilisée, qui est inspiré du
comportement de vol et du processus d'accouplement des éphémères, l'algorithme proposé combine
les avantages majeurs de l'intelligence en essaim et des algorithmes évolutionnaires.
Les résultats obtenus prouvent que l'algorithme peut être appliqué avec succès au problème de
manière à trouver les solutions optimales, même dans les systèmes réels de production d'énergie dont
la complexité augmente de manière significative, en raison du nombre d'unités de production, mais
aussi du nombre de solutions réalisables qui doivent être produites dans un intervalle de temps
raisonnable.
61
Bibliographié
[1] : Younes BAHMANI 2017, Optimisation multicritère de l’ordonnancement des activités de la
production et de la maintenance intégrées dans un atelier Job Shop Thèse de l’université BATNA-II
Algerie.
[2] : [Giard 1991]. Une comptabilité de gestion en crise. ECOSIP. Économisa, pp : 135-149,
Paris, France.
[3] : [Esquirol et al. 1999]. L’ordonnancement. Économisa, ISBN : 2717837981. Paris France.
[4] : [Pierskalla et al. 1976]. Un aperçu des modèles de maintenance : Le contrôle et la surveillance
des systèmes détériorés
[5] : [Monchy, 2000]. Maintenance : Méthodes et Organisations. Edition DUNOD.
[6] : [Benbouzid, 2005]. Contribution à l’étude de la performance et de la robustesse des
ordonnancements conjoints Production/Maintenance : Cas du Flow shop. Thèse de doctorat, en
Automatique et Informatique. UFR des Sciences et Techniques de l’Université de Franche-Comté,
France
[7] : John Moubray dans son livre Reliability Centered Maintenance
[8] : [Moubray, 2000] Maintenance Centré sur la fiabilité. Industrial press, deuxième édition,
ISBN-13 : 978- 0831131463. New York.
[9] : [Barlow et al. 1960] Politiques optimales de maintenance préventive. Operations
Research 8 (1) 90-100
[10] : [Valdez et al., 1989] Une étude des modèles d'entretien préventif pour les systèmes à unité
unique se détériorant de manière stochastique. International Journal of Naval Research Logistics. V
: 36
(4), pp : 419-446. [11] : [Souris, 1990] La maintenance source de profits. ISBN : 2708111361,
Éditions d’organisation.
[12] : [Ibidem]
[13] : Shahidehpour, M., Marwali, M.: ‘Ordonnancement de la maintenance dans les systèmes
électriques restructurés’ (Springer Science & Business Media, New York, 2012)
[14] : Farhangi, H.: ‘Le chemin du réseau intelligent" IEEE Puissance Énergie Mag., 2010, 8, (1),
pp. 18–28
[15] : Xu, S., Qian, Y., Hu, R.Q.: ‘Conception d'un réseau d'accès fiable et résilient pour les
infrastructures de comptage avancées dans les réseaux intelligents’, Réseau intelligent de l'IET,
2010, 1, (1), pp. 24–30
62
[16] : Abiri-Jahromi, A., Fotuhi-Firuzabad, M., Parvania, M.: ‘Programmation optimisée des arrêts
de maintenance préventive à moyen terme des unités de production thermique’, IEEE Trans. Power
Syst., 2012, 27, pp. 1354–1365
[17] : Fu, Y., Li, Z., Shahidehpour, M., et al.: ‘Coordination de la programmation des interruptions
de service à moyen terme avec des engagements d'unités à court terme sous contrainte de sécurité.t’,
IEEE Trans. Power Syst., 2009, 24, pp. 1818–1830
[18] : Wu, L., Shahidehpour, M., Fu, Y.: ‘Programmation des interruptions de production et de
transmission sous contrainte de sécurité avec incertitudes’, IEEE Trans. Power Syst., 2010, 25, pp.
1674–1685
[19] : Balaji, G., Balamurugan, R., Lakshminarasimman, L.: ‘Approche mathématique de
l'évolution différentielle assistée pour la programmation de l'entretien des générateurs’, Int. J.
Electr. Power Energy Syst., 2016, 82, pp. 508–518
[20] : Moradkhani, A., Haghifam, M.R., Abedi, S.M.: ‘Ordonnancement de la maintenance basé sur
le risque en présence d'un système de pénalités de récompense’, Electr. Power Syst. Res., 2015,
121, pp. 126–133
[21] : Goel, A., Meisel, F.: ‘Routage et ordonnancement de la main-d'œuvre pour la maintenance du
réseau électrique avec minimisation des temps d'arrêt’, Eur. J. Oper. Res., 2013, 231, pp. 210–228
[22] : Eygelaar, J., Lötter, D.P., Van Vuuren, J.H.: ‘Ordonnancement de la maintenance des
générateurs en fonction du risque de défaillance de l'unité de production d'électricité’, Int. J. Electr.
Power Energy Syst., 2018, 95, pp. 83–95
[23] : Barlow, R.E., Proschan, F.: ‘Théorie statistique de la fiabilité et des essais de durée de vie :
modèles de probabilité’ (Florida State Univ., Tallahassee, 1975)
[24] : Parhizkar, T., Mosleh, A., Roshandel, R.: ‘Cadre de ordonnancement optimal basé sur le
vieillissement pour les centrales électriques en utilisant l'approche de l'heure de fonctionnement
équivalente.’, Appl. Energy, 2017, 205, pp. 1345–1363
[25] : Pandzic, H., Conejo, A.J., Kuzle, I.: ‘Une approche EPEC de la programmation de l'entretien
annuel des unités de production’, IEEE Trans. Power Syst., 2013, 28, (2), pp. 922–930
[26] : Guedes, L., Vieira, D., Lisboa, A., et al.: ‘Un modèle compact continu pour la production
hydroélectrique en cascade et l'ordonnancement de la maintenance préventive’, Int. J. Electr. Power
Energy Syst., 2015, 73, pp. 702–710
[27] : Mollahassani-pour, M., Rashidinejad, M., Abdollahi, A.: ‘Contribution à la réserve de filature
à l'aide du critère de responsabilité unitaire intégrant l'ordonnancement de la maintenance
préventive’, Int. J. Electr. Power Energy Syst., 2015, 73, pp. 508–515
63
[28] : Mollahassani-Pour, M., Abdollahi, A., Rashidinejad, M.: ‘Application d'un nouvel indice de
réduction des coûts à l'ordonnancement de la maintenance préventive’, Int. J. Electr. Power Energy
Syst., 2014, 56, pp. 235–240
[29] : El-Sharkh, M.: ‘Algorithme de sélection clonale pour l'ordonnancement de la maintenance
des générateurs d'électricité’, Int. J. Electr. Power Energy Syst., 2014, 57, pp. 73–78
[30] : Ekpenyong, U.E., Zhang, J., Xia, X.: ‘Un modèle robuste amélioré pour l'ordonnancement de
la maintenance des générateurs.’, Electr. Power Syst. Res., 2012, 92, pp. 29–36
[31] : Kopanos, G.M., Murele, O.C., Silvente, J., et al.: ‘Planification efficace de la production
d'énergie et de la maintenance des grandes centrales de production combinée de chaleur et
d'électricité’, Energy Convers. Manage., 2018, 169, pp. 390–403
[32] : Fattahi, M., Mahootchi, M., Mosadegh, H., et al.: ‘Une nouvelle approche pour la
programmation de la maintenance des unités de production dans les systèmes d'énergie électrique
basée sur leurs heures de fonctionnement’, Coordination entre les décisions d'interruption de
maintenance à moyen terme et la programmation à court terme sous contrainte de sécurité dans les
systèmes de distribution intelligents.’, Appl. Energy, 2012, 96, pp. 281–291
[34] : Elyas, S.H., Foroud, A.A., Chitsaz, H.: ‘Une nouvelle méthode pour la programmation de la
maintenance des unités de production en tenant compte de la demande.’, Int. J. Electr. Power
Energy Syst., 2013, 51, pp. 201–212
[35] : Ghazvini, M.A.F., Canizes, B., Vale, Z., et al.: ‘Programmation stochastique de la
maintenance à court terme des GENCO dans un marché de l'électricité oligopolistique.’, Appl.
Energy, 2013, 101, pp. 667–677
[36] : Lindner, B. G., Brits, R., Van Vuuren, J. H., et al.: ‘Compromis entre le nivellement de la
marge de réserve et la minimisation du coût de production dans la programmation de la
maintenance des générateurs pour les systèmes électriques régulés.’, Int. J. Electr. Power Energy
Syst., 2018, 101, pp. 458–471
[37] : Z. Yamayee, K. Sidenblad, Une méthode d'ordonnancement optimal de la maintenance
efficace sur le plan du calcul, IEEE Trans. Power Apparatus Syst. PAS-102 (1983) 330–338.
[38] : H. Kim, Y. Hayashi, K. Nara, Un algorithme pour la programmation de la maintenance des
unités thermiques par l'utilisation combinée de GA, SA et TS., IEEE Trans. Power Syst. 12 (1997)
329–335.
[39] : K.P. Dahal, J.R. McDonald, G.M. Burt, Techniques heuristiques modernes pour
l'ordonnancement de la maintenance des générateurs dans les systèmes électriques, Trans. Inst.
Meas. Control 22 (2000) 179–1941
64
[40] : H.H. Zurn, V.H. Quintana, Plusieurs critères objectifs pour une maintenance préventive
optimale des générateurs, IEEE Trans. Power Apparatus Syst. PAS-96 (May/June (3)) (1977) 984–
992
[41] : Dahal et McDonald, 1998 Generational and Steady-State Genetic Algorithms for Generator
Maintenance Scheduling Problems. In proceedings of international conference on Artificial Neural
Networks and Genetic Algorithms. Springer, Vienna. p. 259-263).
[42] : Khalid & Ioannis, 2012 A survey of generator maintenance scheduling techniques. Global
Journal of Researches in Engineering, 12(1): 10-17.
[43] : Al-Arfaj et al., 2015
[44] : Kumhas & Kumar, 2016 Generator maintenance scheduling of power system using hybrid
technique. International research journal of engineering and technology, 3(2): 418- 423.
[45] : Bisanovic et al., 2011 A profit-based maintenance scheduling of thermal power units in
electricity market. International Journal of Electrical and Electronics Engineering, 5(3), 156-164.
[46] : Mollahassanipour et al., 2013 Security Preventive Maintenance Scheduling Incorporating
Optimal Reserve Procurement. International Journal on Technical and Physical Problems of
Engineering (IJTPE), 5(2):154-1
[47] : Perez Canto, 2014 A model for preventive maintenance scheduling of power plants minimising
cost. (In proceedings of an international conference on engineering and applied sciences optimisation,
Kos Island, Greece)
[48] : Garver, 1962 Power generation scheduling by integer programming-development of theory.
Transactions of the American Institute of Electrical Engineers. Part III: Power Apparatus and
Systems, 81(3):730-734.
[49] : Chattopadhyay, 2001 Production and maintenance planning for electricity generators:
modeling and application to Indian power systems. International Transactions in Operational
Research, 8(4): 465-490.
[50] : Ahamad & Kothari, 2000 A practical model for generator maintenance scheduling with
transmission constraints. Electric machines and power systems, 28(6): 501-513.
[51] : Barot & Bhattacharya, 2008 Security coordinated maintenance scheduling in deregulation
based on genco contribution to unserved energy. IEEE Transactions on Power Systems, 23(4): 1871-
1882.
[52] : Froger et al., 2015 Maintenance scheduling in the electricity industry: A literature review.
Elsevier European journal of operational research, 251(2016): 695-706.
[53] : Linder, 2017 Bi-objective generator maintenance scheduling for a national power utility.
Stellenbosch University. (Thesis - PhD).
65
[54] : Al-Farsi et al., 2015 Economic Dispatch in power systems. (In proceedings of the 8th IEEE
GCC Conference and Exhibition (GC-CCE)).Muscat, Oman. p. 1-6)
[55] : Yamayee et al. (1983) A computationally efficient optimal maintenance scheduling method.
IEEE Transactions on Power Apparatus and Systems, 102(2):330-338.
[56] : Dahal, 2004 A review of maintenance scheduling approaches in deregulated power systems.
(In Proceedings of the international conference on power systems (ICPS 2004), kathmandu. Nepal,
p. 565-570).
[57] : Petrowski et al., 2006 Metaheuristics for hard optimisation. Springer.
[58] : Foong et al., 2008 Ant colony optimisation for power plant maintenance scheduling
optimisation five-station hydropower system. Annals of Operations Research, 159(1): 433-450.
[59] : Anandhakumar et al., 2011 Modified ABC algorithm for generator maintenance scheduling.
International Journal of Computer and Electrical Engineering, 3(6): 812.
[60] : Wang & Handschin, 2000 A new genetic algorithm for preventive unit maintenance scheduling
of power systems. International Journal of Electrical Power Energy Systems, 22(5): 343-348.
[61] : Volkanovski et al., 2008 Genetic algorithm optimisation of the maintenance scheduling of
generating units in a power system. Reliability Engineering System Safety, 31(1): 43-53.
[62] : Dahal, & McDonald, 1997 Generator maintenance scheduling of electric power systems using
genetic algorithms with integer representation. In proceedings of conference on genetic algorithms in
engineering systems: innovations and applications.
[63] : Samuel & Rajan, 2013 Hybrid particle swarm optimisation: Evolutionary programming
approach for solving generation maintenance scheduling problem. Scientific Research and Essays,
8(35): 1701-1713.
[64] : Saraiva et al., 2011 A simulated annealing based approach to solve the generator maintenance
scheduling problem. Electric Power Systems Research, 81(7): 1283-1291.
[65] : Satoh & Nara, 1991 Maintenance scheduling by using simulated annealing method (for power
plants). IEEE Transactions on Power Systems, 6(2): 850-857.
[66] : El-Amin et al., 2000). A tabu search algorithm for maintenance scheduling of generating units.
Electric Power Systems Research, 54(2): 91-99
[67] : V. Miranda, D. Srinivasan, L.M. Proenc¸a, Evolutionary computation in power systems, Electr.
Power Energy Syst. 20 (1998) 89-98.
[68] : K.P. Dahal, J.R. McDonald, G.M. Burt, Modern heuristic techniques for scheduling generator
maintenance in power systems, Trans. Inst. Meas. Control 22 (2000) 179–194.
[69] : T. Satoh, K. Nara, Maintenance scheduling by using simulated annealing method, IEEE Trans.
Power Syst. 6 (1991) 850–857.
66
[70] : M. Dorigo, G. Di Caro, and L. M. Gambardella. Ant algorithms for distributed discrete
optimization. Artificial Life, 5(2):137–172, 1999.
[71] : Dorigo, M., Gambardella LM: Ant Colonies for Traveling Salesman Problem. Biosystem 1997:
43(1): 73-81
[72] : M.Dorigo and L.M. Gambardella. Ant colony system: A cooperative learning approach to the
travelling sales man problem. IEEE Transactions on Evolutionary Computation, 1(1):53–66, 1997.
[73] : V. Maniezzo and A. Colorni: The Ant System: Applied to Quadratic Assignment Problems.
IEEE Transactions on Knowledge and Data Engineering, Vol.11, 769-778, 1999.
[74] : T. Stutzle, H. H. Hoos: MAX-MIN Ant System. Elsevier Science, 2000.
[75] : Y. Yare and G. K. Venayagamoorthy, “ Ordonnancement optimal de la maintenance des
générateurs à l'aide d'une optimisation discrète modifiée par essaims de particules.,” IEEE Bulk
Power system Dynamics and Control-VII. Revitalizing Operational Reliability, 2007 iREP
symposium, pg. 1-8, 19-24 August 2007.
[76] : Y. Yare, G. K. Venayagamoorthy and U. O. Aliyu, “ Ordonnancement optimal de la
maintenance des générateurs à l'aide d'un PSO discret modifié,” Accepted paper for IET Journal-
Generation, Transmission and Distribution publication, 2008.
[77] : J. Kennedy and R. Eberhart, “ Optimisation par essaims de particules,” IEEE International
Conference on Neural Networks, 4, pp. 1942-1948, November 1995.
[78] : Y. del Valle, G. K. Venayagamoorthy, S. Mohagheghi, J. Hernandez and R. G. Harley, “
Optimisation par essaims de particules : Concepts de base, variantes et applications dans le système
électrique,” IEEE Transactions on Evolutionary Computation, 12, (2), pp. 171-195, April 2008.
[79] : H. Yoshida, K. Kawata, Y. Fukuyama, S. Takayama and Y. Nakanishi, “ Une optimisation
par essaims de particules pour le contrôle de la puissance réactive et de la tension en tenant compte
de l'évaluation de la sécurité de la tension.,” IEEE Transactions on Power Systems, 12, (4), 2000.
[80] : (Kennedy & Eberhart, 1995) Optimisation par essaims de particules. Actes de ICNN'95-
International Conference on Neural Networks, 1942-1948.
https://doi.org/10.1109/ICNN.1995.488968
[81] : (Goldberg, 1989) Algorithmes génétiques dans la recherche, l'optimisation et l'apprentissage
automatique. Dans Addison Wesley. https://doi.org/10.1007/s10589-009-9261-6
[82] : (Yang, 2008) Algorithmes métaheuristiques inspirés par la nature. Luniver Press.
[83] : (Mansouri et al., 2019) Stratégie hybride de planification des tâches pour l'informatique en
nuage par optimisation par essaims de particules modifiée et théorie floue. Computers and Industrial
Engineering, 130, 597-633. https://doi.org/10.1016/j.cie.2019.03.006
[84] : (Zhou et al., 2018) Un algorithme modifié d'optimisation par essaims de particules pour un
problème d'ordonnancement de machines de traitement par lots avec des temps de libération
67
arbitraires et des tailles de tâches non identiques. Computers and Industrial Engineering, 123, 67-
81. https://doi.org/10.1016/j.cie.2018.06.018
[85] : (Chen & Shi, 2019) Un problème de routage de véhicules à compartiments multiples avec
programme de temps pour la distribution urbaine - Une étude comparative sur les algorithmes
d'optimisation par essaims de particules. Computers and Industrial Engineering, 133, 95-106.
https://doi.org/10.1016/j.cie.2019.05.008.
[86] : (Haddad et al., 2006 ; Yang, 2010) Algorithme HBMO (Honey-Bees Mating Optimization) A
New Heuristic Approach for Water Resources Optimization. Gestion des ressources en eau, 20(5),
661-680. https://doi.org/10.1007/s11269-005-9001-3 ; Un nouvel algorithme métaheuristique
inspiré de la chauve-souris. In N. González, J.R. ; Pelta, D.A. ; Cruz, C. ; Terrazas, G. ; Krasnogor
(Ed.), Nature Inspired Cooperative Strategies for Optimization (pp. 65-74). Springer.
[87] : (Domínguez, 2006 ; Mccafferty, 1991) Ephéméroptères d'Amérique du Sud. Éditeurs
PENSOFT.
[88] : (Allan & Flecker, 1989 ; Peckarsky et al., 2002 ; Spieth, 1940) The mating biology of a mass-
swarming mayfly. Animal Behaviour, 37, 361-371. https://doi.org/10.1016/0003-3472(89)90084-5 .
[89] : (Shi & Eberhart, 1998) Un optimiseur à essaims de particules modifié. Actes de la 1998 IEEE
International Conference on Evolutionary Computation. IEEE World Congress on Computational
Intelligence (Cat.No.98TH8360), 69-73. https://doi.org/10.1109/ICEC.1998.699146
[90] : Handling multiple objectives with particle swarm optimization. IEEE Transactions on
Evolutionary Computation, 8(3), 256–279. https://doi.org/10.1109/TEVC.2004.826067
[91] : (Deb et al., 2002) A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE
Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017
[92] : (Feng et al., 2010 ; Zhang & Li, 2014) Exploratory study of sorting particle swarm optimizer
for multiobjective design optimization. Mathematical and Computer
[93]: https://ledatascientist.com/algorithme-genetique/
[94]:https://blog.stratio.com/swarm-intelligence-metaheuristics-part-2-particle-swarm-optimization/
[95]: https://region-aura.latribune.fr/innovation/innovation-sociale/2018-09-28/fourmi-industrieuse-
le-mythe-tombe-791239.html
[96] : une photo d’éphémères https://ici.radio-canada.ca/nouvelle/792606/ephemere-manne-gimli-
insecte
[97] : une photo d’éphémère male http://www.geocities.ws/chantignole401/ephemere1.html
[98] : une photo d’éphémère femelle https://www.notre-planete.info/photos/1983-ephemere_m
[99] : Yare, Y. et Venayagamoorthy, G. K. 2010, "Optimal- maintenance scheduling of generators
using multiple swarms-MDPSO framework", Engineering Applications of Artificial Intelligence,
Vol. 23, pp. 895-910.
68
Résume :
La programmation efficace de la maintenance des générateurs d'un réseau électrique est très
importante pour le fonctionnement économique et fiable de ce réseau. Il s'agit d'un problème
d'ordonnancement difficile qui continue à représenter un défi pour les techniques d'optimisation
efficaces. Ce mémoire présente l'application des approches méta-heuristiques mayfly sous la forme
d'un problème de programmation en nombres entiers utilisant une fonction objective basée sur la
fiabilité et des contraintes typiques du problème. L'implémentation et les performances de
l’algorithme mayfly pour l'étude du cas test sont discutées. Les résultats obtenus sont prometteurs et
montrent que sont moins sensibles aux variations des paramètres techniques et offrent une alternative
efficace pour résoudre le problème d'ordonnancement de la maintenance des générateurs.
Abstract:
The scheduling of generator maintenance in a power system is very important for the economical
and reliable operation of the system. A difficult scheduling problem continues to be a challenge for
optimization techniques. This memoire presents the application of meta-heuristic approaches mayfly
in the form of an integer-programming problem using an objective function based on reliability and
typical constraints of the problem. The implementation and performance of the mayfly algorithm for
the test case are discussed. The results obtained are promising and show that are less sensitive to
variations in technical parameters and offer an efficient alternative to solve the generator
maintenance-scheduling problem.
69

GOUSMI BAHRIA GSIT Pfe 2021

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

GOUSMI BAHRIA GSIT Pfe 2021

Hochgeladen von

Copyright:

Verfügbare Formate

République Algérienne Démocratique et Populaire

Ministère de l’enseignement Supérieur et de la Recherche Scientifique

Domaine : Sciences et Ttechnologie

Planification Optimale de la Maintenance

Dirigé par : Présenté par :

Année universitaire : 2020/2021

A ma maman qui m’a soutenu et encouragé durant ces années d’études.

Qu’elle trouve ici le témoignage de ma profonde reconnaissance.

A mon père qui a toujours été à mes côtés pour me soutenir et

Que ce travail traduit ma gratitude et mon affection.

tous les moments d’émotion lors de la réalisation de ce travail.

Ils m’ont Chaleureusement supporté et encouragé tout au long de

A ma famille, mes proches (Lamia, Billal )ceux qui me donnent de

Rafik, Ayoub) qui m’ont toujours encouragé, et à qui je

souhaite plus de succès.

A tous ceux que j’aime.

Figure 1.3 Le programme de maintenance qui représente le début et la fin de la maintenance.

Figure 1.4 Le nombre de personnes pour exécuter le programme de maintenance

Figure 1.5 La capacité totale des unités en fonctionnement

Figure 2.1 organigramme des méthodes de résolution des problèmes combinatoires

Figure 2.2 organigramme de la méthode d’optimisation (SA)

Figure 2.3 la méthode d’optimisation algorithme génétique (GA)

Figure 2.4 organigramme de la méthode d’optimisation (GA)

Figure 2.5 le comportement des fourmis réelles dans la nourriture (ACO)

entre le nid et la nourritur

Figure 2.7 l'optimisation par colonies de fourmis (ACO)

Figure 2.8 Organigramme de l'algorithme MDPSO pour le problème GMS

Figure 2.9 comportement social des oiseaux en vol (méthode PSO)

Figure 3.1 éphémères.

Figure 3.2 éphémère mâle

Figure 3.3 éphémère femell

Figure 4.1 Graphe présente les détails des périodes de maintenance

Figure 4.2 La meilleure solution de réserve par rapport aux itération

Figure 4.3 Graphe zoomé de La meilleure solution de réserve

Figure 4.4 La production d’énergie de la meilleure solution par rapport a la semaine de

Figure 4.8 Graphe zoomé de la figure ci-dessus (49 unités).

Tableau 4.2 Périodes de maintenance de la meilleure solution.

Tableau 4.4 Données pour le système 49 unités.

Tableau 4.5 Périodes de maintenance de la meilleure solution (49unités).

l’apparaissions des premières approches scientifiques de la gestion de maintenance [4]. À cette

1.2.2 Les types de maintenance :

En se référant à la définition de la maintenance, nous apercevons deux mots clés : maintenir et

Remise en cause Production normale Dysfonctionnement

Maintenance Maintenance préventive Maintenance corrective

Systématique Conditionnelle Prévisionnelle

Figure 1.1 politique de maintenance et évènements révélateurs

1.2.2.1 La maintenance corrective :

La norme française de normalisation défini la maintenance corrective comme étant un l'ensemble

Par opposition à la maintenance corrective, la maintenance préventive regroupe les opérations de

La maintenance préventive peut être de trois types : systématique, conditionnelle ou encore

La norme française de normalisation a proposé la définition suivante : la maintenance préventive

1.2.2.2.2 Maintenance préventive conditionnelle :

La maintenance préventive conditionnelle est une maintenance préventive subordonnée à un type

La maintenance prévisionnelle est subordonnée à l’analyse de l’évolution surveillée de la

On peut distinguer plusieurs types d’objectifs de la fonction de maintenance :

1.2.4.1 Les objectifs généraux :

Schéma fonctionnel généralisé pour le GMS

1.3.3 Points de vue :

Formulation du problème test de GMS :

Supposons que Ti ⊂ T soit l'ensemble des périodes où la maintenance de l'unité i peut

- Le programme de maintenance : définissent le début de la maintenance au début d'un intervalle et

Figure 1.3 Le programme de maintenance qui représente le début et la fin de la maintenance.

Figure 1.4 Le nombre de personnes pour exécuter le programme de maintenance.