PyTorch fournit le calcul tensoriel et la différentiation automatique nécessaires au développement de modèles de Deep Learning sur CPU ou GPU. Sa souplesse convient aux architectures neuronales spécifiques, aux pipelines d’entraînement expérimentaux et aux modèles combinant images, séquences ou séries temporelles.
Des modèles conçus et évalués avec méthode, puis intégrés aux systèmes opérationnels et suivis en production.
Extraire des insights et construire des modèles prédictifs à partir des données en utilisant les statistiques, le machine learning et la programmation
Des métriques fiables et des outils d’analyse pour suivre les performances, comprendre les écarts et guider les décisions.
Applique des méthodes scientifiques rigoureuses pour explorer, tester et valider des idées basées sur les données.
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.
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.
