Industrie
Plateforme opérationnelle de bout en bout utilisant des modèles de machine learning pour prévoir la production solaire et la charge de chaque site, actualisée toutes les 15 minutes sur trois jours et intégrée aux systèmes de gestion énergétique.
Préparation des données historiques et des données entrantes utilisées pour la prévision de production solaire et de charge, notamment les mesures des sites, les informations météorologiques, l'irradiance et les variables calendaires.
Le pipeline aligne ces différentes séries temporelles sur une base temporelle commune et prépare les données pour l'entraînement des modèles comme pour la génération opérationnelle des prévisions.
Des contrôles permettent d'identifier les données incomplètes, obsolètes ou incohérentes avant leur utilisation par les modèles.
La même logique de préparation est appliquée aux différents problèmes de prévision afin de disposer d'une base cohérente pour l'entraînement, le backtesting et la génération des prévisions.
La plateforme produit séparément des prévisions de production solaire et de charge, avec des modèles configurés pour chaque site et chaque type de mesure.
Les prévisions sont actualisées toutes les 15 minutes et couvrent un horizon de trois jours à la même résolution temporelle.
Les prévisions sont mises à disposition des systèmes de gestion énergétique en aval, où la production et la consommation attendues peuvent être prises en compte dans le pilotage des ressources énergétiques distribuées.
La couche de prévision a ainsi été développée comme une composante d'un système opérationnel plus large, et non comme un modèle isolé.
Développement de modèles distincts pour chaque site et chaque variable à prévoir, afin de prendre en compte les caractéristiques locales de la production solaire et de la charge.
Le framework de modélisation comprenait des modèles de gradient boosting, des modèles linéaires et des références statistiques simples.
Les modèles candidats étaient évalués sur des périodes historiques avant leur déploiement. Les performances étaient comparées entre sites et horizons de prévision à l'aide de métriques d'erreur standard.
Cette approche permettait de sélectionner un modèle adapté à chaque problème de prévision plutôt que d'appliquer systématiquement la même architecture à l'ensemble des sites.
Les modèles pouvaient être réentraînés lorsque de nouvelles données opérationnelles devenaient disponibles ou lorsque le comportement d'un site évoluait, tout en conservant le même workflow de prévision et d'évaluation.
Développement d'outils de suivi permettant de comparer les prévisions aux mesures de production solaire et de charge sur les différents sites et horizons.
Le suivi permettait d'analyser l'évolution des erreurs dans le temps et d'identifier les changements de performance des modèles.
La qualité des données d'entrée et le bon déroulement des prévisions étaient suivis en parallèle des métriques de performance, afin de distinguer les erreurs de prévision des problèmes liés aux données amont.
Des visualisations interactives permettaient d'analyser en détail un site donné ou de comparer le comportement des prévisions entre plusieurs sites.
Les configurations propres aux sites et aux modèles étaient séparées de la logique principale de prévision afin de permettre à une même plateforme de couvrir différents cas de prévision de production solaire et de charge.
Cette organisation limitait les développements spécifiques à chaque site tout en permettant de gérer indépendamment leurs configurations de prévision.
Le travail couvrait le développement des modèles jusqu'à leur exploitation, incluant leur configuration, la génération des prévisions, le suivi des performances, les mises à jour des modèles et l'intégration avec la plateforme de gestion énergétique.
La plateforme était utilisée pour des prévisions opérationnelles et ne se limitait pas à des expérimentations hors ligne.
Développement de bout en bout et modernisation d’une plateforme data couvrant l’ingestion en production, l’analytics engineering, les contrôles qualité et le reporting pour des usages opérationnels, métier et orientés clients.
Prévision spatio-temporelle de la production photovoltaïque régionale à partir de séquences d’images Meteosat, avec un modèle ConvLSTM entraîné et évalué face aux mesures et à une référence de persistance.
Cadre scientifique pour évaluer les prévisions solaires au-delà des métriques d’erreur moyenne, avec le Temporal Distortion Mix et une métrique de rampe pour mesurer les décalages temporels et les variations rapides d’irradiance.
