Vincent Le Guen

Deep learning pour la prévision spatio-temporelle: application à la production photovoltaïque

Les énergies renouvelables sont en forte progression dans le monde ces dernières années. Toutefois, leur variabilité spatiale et temporelle reste un défi pour leur intégration à grande échelle dans les réseaux électriques existants, pour lesquels l'équilibre à tout instant entre production et consommation d'électricité est primordial. L'enjeu réside également dans le pilotage indépendant de parcs photovoltaïques ou éoliens qui peuvent être couplés à des moyens de stockage ou de production supplémentaires, notamment dans les systèmes insulaires isolés. Dans ce contexte, EDF a engagé depuis plusieurs années des travaux sur la prévision de production photovoltaïque, à différents horizons temporels et à l'aide de différentes données d'entrée (modèles météorologiques, images satellites, images au sol, mesures en temps réel). L'amélioration des méthodes de prévision à court terme (de quelques minutes à une heure) est aujourd'hui un enjeu fondamental. La variabilité temporelle à court-terme de la production photovoltaïque est principalement liée à des phénomènes physiques météorologiques, tels que le déplacement des nuages. L'utilisation de caméras au sol hémisphériques est une piste très prometteuse pour suivre les nuages et anticiper les variations brusques de production à quelques minutes. EDF dispose de plusieurs sites instrumentés de caméras hémisphériques et de capteurs de rayonnement solaire (pyranomètres), constituant ainsi une base de données annotées de plusieurs millions d'images du ciel au pas de temps 10s. Par ailleurs, avec la multiplication des installations solaires sur le territoire, la prévision de production d'un site pourra être améliorée par les données de sites voisins ou distants, observant en avance des phénomènes météorologiques en mouvement. Des premiers travaux à EDF ont montré le gain de performance considérable des réseaux de neurones profonds (approche « deep learning ») pour estimer les rayonnements solaires à un instant donné à partir des images au sol, par rapport aux méthodes d'apprentissage précédentes. L'ambition de cette thèse est de faire émerger des architectures de réseaux de neurones adaptées au traitement et à la prévision de phénomènes spatio-temporels. Les données d'entrée seront des images au sol, des images satellite, des sorties de modèles météorologiques ou des remontées de production des parcs. La fusion de ces différentes sources d'informations sera étudiée pour améliorer les prévisions à différents niveaux d'agrégation spatiaux et horizons temporels. Une piste de recherche prometteuse est également d'incorporer de l'information sur la physique des phénomènes météorologiques dans les modèles d'apprentissage basés uniquement sur les données. Afin d'anticiper des variations brusques de production (rampes), une réflexion sera à mener sur la meilleure fonction de perte pour apprendre les architectures de réseaux proposées, la perte quadratique classique étant mal adaptée pour quantifier le retard d'une prédiction. Enfin, la thèse s'attachera à concevoir une méthodologie de prévision de séquence spatio-temporelle la plus générique possible, pouvant d'appliquer à d'autres cas d'usage EDF dans le domaine de l'énergie (par exemple prévision de consommation électrique, d'énergie éolienne, de débit hydraulique, etc) avec des données d'entrée variées.

Thèse Cifre (EDF/Cnam) sous la direction de Nicolas Thome