Analyse de séries temporelles multivariées pour une meilleure gestion de la production d’énergies renouvelables


  
Du 01 novembre 2017 au 30 novembre 2020
Auteur
Alizés Énergie (groupe ENGIE) - UNC (ISEA) - Université de La Réunion (LIM)
Financeur(s)
Budget
Membre(s) participant(s)

Ce travail traite du développement de méthodes de « Data Science » (machine learning, fouille de données, intelligence artificielle, big data) pour améliorer la gestion et la production d’énergies renouvelables. Il s’agit plus précisément de s’intéresser aux problèmes de la prévision des pannes des éoliennes et de la prévision du flux solaire pour des fermes photovoltaïques, des enjeux importants pour la production et l’intégration de ces énergies renouvelables. Même si les problématiques sont très différentes, les données générées partagent beaucoup de points communs ce qui laisse envisager la mise en place d’approches génériques pouvant bénéficier aux deux. Dans ces deux applications, une très grande quantité de données est enregistrée quotidiennement pour suivre l’évolution de la production, du matériel et des conditions météos. Ces données se présentent sous la forme de séries temporelles multivariées (numériques et symboliques). Les méthodes existantes sont limitées face à la complexité de telles données spatio-temporelles volumineuses, hétérogènes, et bruitées.

L’objectif de cette thèse est de développer de nouvelles méthodes/algorithmes pour faire de la prédiction à partir de telles données. Nous nous intéresserons plus particulièrement aux approches de classification supervisée à partir de motifs, une classe de méthodes ayant reçu une attention croissante de la communauté ces dernières années.

  • Doctorant : Cyril François
  • Financé par le ministère de l’Enseignement supérieur, de la recherche et  de l’Inovation (contrat doctoral)
  • Co-directions : Nazha Selmaoui-Folcher (UNC, ISEA) et Jean Diata (Université de La Réunion, LIM)
  • Co-encadrements : Frédéric Flouvat (UNC, ISEA) et Dominique Gay (Université de La Réunion, LIM)
  • Partenaires du projet : Alizés Énergie (groupe ENGIE)