R&D
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.
Préparation de séries temporelles de production photovoltaïque agrégée pour plusieurs départements français, avec calcul de variables de position solaire et normalisation par ciel clair utilisées par le pipeline de prévision.
Traitement de séquences d’images Meteosat Second Generation, extraction des zones géographiques associées à chaque région de prévision et alignement temporel avec les séries de production PV correspondantes.
Développement d’un modèle basé sur ConvLSTM pour apprendre les relations spatio-temporelles entre des séquences successives d’images satellites et la production photovoltaïque régionale.
Les séquences d’images sont combinées à des informations de position solaire afin d’estimer une production PV normalisée par ciel clair.
Mise en place du pipeline PyTorch d’entraînement et de validation pour des volumes importants d’images et de séries temporelles, couvrant la préparation des données, l’entraînement, la sauvegarde des modèles et leur application à de nouvelles périodes.
Les sorties du modèle sont reconverties à l’échelle de la production PV puis comparées aux mesures et à une prévision de persistance à l’aide de métriques de prévision standard.
Le même pipeline de modélisation est évalué pour l’estimation de l’état courant et la prévision à court terme à partir de séquences d’images satellites.
Les expérimentations sont menées sur plusieurs zones géographiques et différentes périodes afin d’évaluer la cohérence de l’approche.
Une prévision de persistance est utilisée comme référence, fournissant un benchmark simple et interprétable pour évaluer le modèle de Deep Learning.
Les modèles entraînés sont appliqués à des périodes mises de côté pour l’évaluation. Les productions PV prédites et mesurées sont ensuite comparées à l’aide de séries temporelles et de métriques synthétiques.
La production photovoltaïque mesurée et prédite est comparée à l’aide de séries temporelles et de nuages de points sur différentes zones et périodes d’évaluation.
Les prévisions sont évaluées avec des métriques d’erreur classiques, notamment MAE, RMSE et nRMSE.
Des diagnostics portant sur l’alignement temporel et les rampes sont également utilisés pour analyser le décalage des prévisions et leur comportement lors de variations rapides de la production solaire.
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.
Simulation de scènes nuageuses en 3D, avec génération de vues depuis le sol et par satellite, afin de tester la reconstruction des nuages et la localisation de leurs ombres au sol pour la prévision solaire.
Fusion de données issues de caméras hémisphériques au sol et de satellites géostationnaires afin de reconstruire les nuages en 3D, d’estimer leurs ombres au sol et d’améliorer la prévision de l’éclairement solaire à très court terme.
PyTorch