Un mirage dans le réservoir : pourquoi les centrales hydroélectriques se vident ✛ ✎

Original: "How optimistic inflow forecasts distort dispatch, prices, and contracts in hydro-dominated power systems: evidence from Brazil"
arXiv:2607.00504 · 2026-07-01 · arXiv non-exclusive · analyse indépendante · 3 min
Surestimer les pluies à venir pousse à vider l'eau inutilement, puis elle manque au pire moment.

Pendant des décennies, un mirage a trompé les barrages brésiliens. Les programmes informatiques qui pilotent 160 centrales hydroélectriques voyaient des rivières pleines là où l'eau baissait déjà. Près de 60 % de l'électricité du pays dépend des pluies, et quand l'intelligence artificielle annonce des averses abondantes, les opérateurs lâchent l'eau à travers les turbines sans compter. Mais les pluies ne venaient pas — les prévisions mentaient systématiquement en faveur de l'abondance. C'est comme dans le désert : on voit un lac, on s'approche, et il n'y a que du sable.

En 2021, ce mirage a coûté près de 4 milliards de dollars aux Brésiliens : quand l'eau a manqué, il a fallu brûler en urgence du carburant coûteux dans les centrales thermiques.

À la base, il y a une simple arithmétique de la valeur de l'eau. Chaque mètre cube économisé aujourd'hui fait économiser de l'argent demain, car la saison des pluies laisse place à la sécheresse. Le programme d'optimisation (planification des coûts) calcule ce bénéfice. S'il s'attend à de fortes pluies, la valeur de l'eau diminue — et on la relâche. Les scientifiques ont testé cette auto-illusion en trois étapes. D'abord, sur des exemples jouets, ils ont montré qu'une surestimation même minime des prévisions réduit à néant l'incitation à stocker l'eau. Ensuite, sur des données réelles couvrant 12 ans, ils ont constaté que les mois où les prévisions étaient faussement optimistes correspondaient à des niveaux de réservoirs planifiés anormalement élevés. Enfin, ils ont mené une simulation numérique avec des milliers de réalisations météorologiques aléatoires (méthode de Monte-Carlo). Dans cette simulation, le temps évoluait comme un processus stochastique où chaque étape ne dépend que de la précédente — les chaînes de Markov, nommées d'après Andrey Markov. Deux stratégies ont été comparées : l'une entraînée sur des prévisions biaisées, l'autre avec une inférence bayésienne pour purger l'erreur systématique. À l'avenir, de telles corrections pourraient être intégrées directement dans les algorithmes d'apprentissage automatique et reliées à la théorie du contrôle du réseau électrique.

Le résultat est comme un réveil après une illusion d'optique. Sans correction, le niveau moyen des réservoirs en fin de sécheresse chutait d'un tiers par rapport aux besoins du pays. Les centrales thermiques coûteuses étaient mises en marche tardivement, faisant grimper les prix de 34 %. La probabilité de se retrouver sans électricité bondissait à 10,3 % — soit des délestages en cascade presque un jour sur dix — contre 0,9 % avec une stratégie honnête.

Une seule correction — remplacer la moyenne à long terme des apports par une valeur fiable — a redonné de la stabilité au système et augmenté de 17 % la propension des centrales hydroélectriques à vendre de l'énergie par contrats à long terme.

Le mirage disparaît quand on apporte de la clarté aux prévisions. L'eau dans les réservoirs retrouve sa vraie valeur, et les Brésiliens retrouvent la lumière sans surcoût.

Rien qu'en 2021, les Brésiliens ont payé 3,8 milliards de dollars de trop à cause de la mise en marche tardive des centrales thermiques — le prix d'un mirage informatique.

w = -\frac{\partial Q}{\partial v}
La valeur de l'eau est égale à la dérivée partielle négative de la fonction des coûts futurs par rapport au volume d'eau stockée.
Notions
probabilistic forecast Warm water volume Forecast lead distribution a priori IRI