Extraire des insights et construire des modèles prédictifs à partir des données en utilisant les statistiques, le machine learning et la programmation
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.
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.
Industrialisation d’un logiciel destiné aux experts CND, combinant recalage des signaux, DTW et détection statistique d’anomalies afin de cibler les signaux atypiques à examiner en priorité lors des contrôles de générateurs de vapeur.
À la croisée de la biodiversité et de l’énergie éolienne, ce projet analyse le comportement des oiseaux autour des turbines à partir de détections par caméra et de trajectoires radar 3D. Il étudie leurs déplacements, leurs réactions à l’effarouchement acoustique et l’influence de la météo et du fonctionnement des éoliennes.
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.
SQL
