Actualités

• Actus Isupfere
• Agenda partagé
• Actualité partagée

Le 17 juin 2022

Soutenance de thèse de Kevin BELLINGUER

Optimisation de l'Intégration de Données Multi-sources dans les Modèles de Prévision Court-terme de la Production Photovoltaïque.

Résumé de la thèse en français

Depuis la révolution industrielle, les émissions de gaz à effet de serre n'ont cessé d'augmenter du fait des activités anthropogéniques, conduisant ainsi au réchauffement climatique. Pour faire face à cette menace pressante, de profonds changements de nos modes de production énergétique sont nécessaires. L'une des principales sources de gaz à effet de serre étant la production d'électricité, les énergies renouvelables constitue une alternative louable au gaz et au fioul. Cependant, l'intégration à large échelle de ces moyens de production occasionne d'importantes contraintes quant à la stabilité du réseau en raison notamment de leur variabilité. Pour y faire face, il est nécessaire de développer des méthodes de prévisions précises et fiables. L'objet de ce sujet de recherche porte sur l'amélioration de la précision des prévisions court-terme de la production photovoltaïque (PV). Pour y parvenir, deux options sont envisageables : (1) se tourner vers des modèles statistiques complexes (e.g. modèles d'apprentissage profond), et/ou (2) augmenter les sources d'information disponibles. Cette première option est majoritairement représentée dans la littérature malgré son opacité. Depuis quelques années, on observe une tendance croissante qui consiste à combiner des sources de données hétérogènes. Ceci est rendu possible grâce à la dispersion spatiale des parcs PV qui fournissent de précieuses informations concernant la situation météorologique des environs, et à l'amélioration des résolutions temporelles et spatiales des observations satellitaires et des sorties de modèles météorologiques. Ce dernier point soulève alors la question suivante : quelle est la meilleure façon d'intégrer plusieurs sources de données dans un modèle de prévision ? Afin d'y répondre, cette thèse vise (1) à améliorer notre compréhension des interactions entre modèles et données d'entrées, (2) à améliorer les performances du modèle et son interprétabilité au travers du prisme de la compréhension physique du processus de conversion de l'irradiance en électricité, et (3) à proposer une architecture de prévision tirant partie des deux précédents points. Afin de remplir les objectifs susmentionnés, nous nous intéressons dans un premier temps à la valeur de l'information grâce au développement d'un modèle capable d'identifier et de corriger des observations de production erronées. Ensuite, un modèle physique intégrant les différents processus intervenant lors de la conversion de l'irradiance en production électrique (e.g. effets d'ombrage, influence de la température sur le rendement) est implémenté. Il est observé que les modèles spatio-temporels utilisés atteignent leurs limites en raison de la trop faible densité spatiale de sites PV à disposition. Pour pallier ce problème, nous nous tournons vers des estimations de l'irradiance obtenues par imagerie satellitaire couplées à une approche sélectionnant les pixels les plus pertinents et les moins redondants. Cette méthodologie est ensuite transposée à des classifications nuageuses obtenues à partir de canaux infrarouges, ce qui permet d'obtenir la position des structures nuageuses pendant la nuit. L'intérêt de telles données pour la prévision en début de matinée est ensuite évalué au regard des observations d'irradiance obtenues par satellite et des prévisions numériques du temps. Finalement, nous comparons deux méthodes d'intégration de l'information. Cette dernière peut être considérée comme une variable explicative ou comme un moyen de conditionner le modèle à l'état atmosphérique, ceci conduisant alors à un modèle adaptatif. Ce conditionnement est réalisé soit avec des données localisées (e.g. irradiance au niveau du site d'intérêt) ou via des données synoptiques (e.g. le champ géopotentiel).

Résumé de la thèse en anglais

Since the industrial revolution, greenhouse gas emissions have increased steadily leading to an anthropogenic global warming. To tackle this threat, substantial reductions in our main processes responsible for these emissions are required. One of the major sources is electricity generation. A significant effort is expected to shift from fossil-fuel based power generation to low-carbon alternatives based on renewable energy sources (RES). Nonetheless, large scale integration of RES is associated with an increase in variability and uncertainty of electricity generation, which may jeopardize the safe and economic operation of the power grid. Fortunately, forecasting solutions are investigated throughout the scientific literature to alleviate the associated risks. The main objective of this thesis is to improve the accuracy of short-term photovoltaic (PV) production forecasting. To do so two options are conceivable: (1) to turn to complex statistical regression tools (e.g. deep learning methods), and/or (2) to extend the range of available sources of information. This first option is widely used in the literature despite a transparency and intelligibility loss. For a few years, we observe a growing tendency to combine heterogenous sources of inputs, this is made possible by the growth of spatially distributed PV plants acting as remote sensors, and the improvement in terms of spatial and temporal resolutions of numerical weather forecasts and satellite-based observations. The key question that needs to be addressed for this last option is: how can we efficiently integrate several sources of information in forecasting models? The main objectives of this PhD are threefold: (1) to improve our understanding of the relationships that exist between inputs and regression tools, (2) to evaluate the use of physics-based knowledge to enhance forecasts interpretability and performance, and (3) to propose a forecasting architecture that makes the best of the conclusions derived from the two previous points. To fulfill the aforementioned goals, first we propose an approach that investigates the value of available information. Thus, a model that identifies and correct erroneous production observations is developed to improve the relevance of the relationship learnt by the statistical models. Then, an irradiance-to-electricity conversion model, that considers the physical processes at stake (e.g. shading effects, thermal dependence of the efficiency), is designed to pre-process irradiance. The power plants at our disposal highlight the limits of spatio-temporal approaches in the case of a network with a low spatially density. To fill this gap, we consider satellite-derived observations. To tackle the issue of dimensionality, a feature selection scheme selects the most relevant and least redundant pixels. This methodology is then transposed to satellite-based observations obtained with infra-red channels, which enables us to assess the position of clouds during the night. The value of such data for early morning forecasts is investigated w.r.t. satellite-derived irradiance observations and numerical weather predictions. Eventually, we compare two different ways of integrating weather information: namely it can be integrated either as an additional explanatory feature or as a means to condition the model learning to the atmospheric state, which leads to adaptive models. This conditioning is performed with local weather information (e.g. irradiance at the site location) or synoptic information (e.g. geopotential fields).

Date de soutenance : vendredi 17 juin 2022 à 14h00
Adresse de soutenance : Mines Paris 1, rue Claude Daunesse 06904 SOPHIA ANTIPOLIS - MOZART
Directeur de thèse : Georges KARINIOTAKIS
Codirecteur : Robin GIRARD
Co-encadrant : Guillaume BONTRON