Mercredi 20 septembre 2017 à 14h: soutenance de thèse de Jean Thorey - Prévision d’ensemble par agrégation séquentielle appliquée à la prévision de production d’énergie photovoltaïque

Titre de la thèse: Prévision d’ensemble par agrégation séquentielle appliquée à la prévision de production d’énergie photovoltaïque

Lieu de la soutenance : Salle 101, couloir 15-25, UPMC, 4 place Jussieu 75005 Paris

Jury:

• Isabelle Herlin, Directeur de recherche (INRIA), directrice de thèse
• Vivien Mallet, Chargé de recherche (INRIA), encadrant de thèse
• Liliane Bel, Professeur (AgroParisTech), rapporteur
• Jochen Broecker, Professeur (Université de Reading), rapporteur
• Petra Friederichs, Professeur (Université de Bonn), examinateur
• Olivier Mestre, Chercheur (Météo-France), examinateur
• Olivier Wintenberger, Professeur (Université Pierre et Marie Curie), examinateur
• Christophe Chaussin, Ingénieur de recherche (EDF R&D), encadrant industriel

Résumé :

Notre principal objectif est d’améliorer la qualité des prévisions de production d’énergie photovoltaïque (PV). Ces prévisions sont imparfaites à cause des incertitudes météorologiques et de l’imprécision des modèles statistiques convertissant les prévisions météorologiques en prévisions de production d’énergie. Grâce à une ou plusieurs prévisions météorologiques, nous générons de multiples prévisions de production PV et nous construisons une combinaison linéaire de ces prévisions de production. La minimisation du Continuous Ranked Probability Score (CRPS) permet de calibrer statistiquement la combinaison de ces prévisions, et délivre une prévision probabiliste sous la forme d’une fonction de répartition empirique pondérée. Dans ce contexte, nous proposons une étude du biais du CRPS et une étude des propriétés des scores propres pouvant se décomposer en somme de scores pondérés par seuil ou en somme de scores pondérés par quantile. Des techniques d’apprentissage séquentiel sont mises en oeuvre pour réaliser cette minimisation. Ces techniques fournissent des garanties théoriques de robustesse en termes de qualité de prévision, sous des hypothèses minimes. Ces méthodes sont appliquées à la prévision d’ensoleillement et à la prévision de production PV, fondée sur des prévisions météorologiques à haute résolution et sur des ensembles de prévisions classiques.