Soutenance
Jean Thorey (CEREA)
Date et heure : Le 20-09-2017 à 14h00
Type : thèse
Université qui délivre le diplôme : UPMC
Lieu : UPMC - 4 Place Jussieu - Paris - Salle 1525-1-03
Directrice de thèse : Mme. Isabelle Herlin Directeur de recherche (INRIA)
Encadrant de thèse : M. Vivien Mallet Chargé de recherche (INRIA)
Rapporteurs :
Mme. Liliane Bel Professeur (AgroParisTech)
M. Jochen Broecker Professeur (Université de Reading)
Examinateurs :
Mme. Petra Friederichs Professeur (Université de Bonn)
M. Olivier Mestre Chercheur (Météo-France)
M. Olivier Wintenberger Professeur (Université Pierre et Marie Curie)
Encadrant industriel : M. Christophe Chaussin Ingénieur de recherche (EDF R&D)
Thèse présentée en Anglais
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.