Des modèles conçus et évalués avec méthode, puis intégrés aux systèmes opérationnels et suivis en production.
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.
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.
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.
PyTorch