Formation

• Doctorat
  • Thèses en cours
  • Sujets de thèse proposés
  • Soutenances à venir
    • Soutenance de these de Kevin BELLINGUER
• Mastères Spécialisés
• Masters
• Cycle Ingénieur Civil
• Corps Technique de l'Etat
• Formation continue et apprentissage
• MIG ALEF
• MOOC

Soutenance de thèse de Kévin BELLINGUER

Optimisation de l'Intégration de Données Multi-sources dans les Modèles de Prévision Court-terme de la Production Photovoltaïque.

Titre anglais : Optimisation of the Use of Multiple Sources of Data in Short-term Photovoltaic Generation Forecasting Models.
Date de soutenance : vendredi 17 juin à 14h00
Adresse de soutenance : Mines Paris PSL - Campus Pierre Laffitte - 1 rue Claude Daunesse - Sophia Antipolis
Directeur de thèse : Georges KARINIOTAKIS
Codirecteur : Robin GIRARD

devant le jury composé de :

Mots clés en français : 
Mots clés en anglais : 

Résumé de la thèse en français
Dans un contexte d’épuisement des ressources naturelles, les sources d’énergies renouvelables jouent un rôle croissant dans le mix de la production électrique. Cependant, une part importante des renouvelables peut compromettre la stabilité du réseau électrique en raison de leurs variabilités. Il est donc primordial de connaître la quantité d’énergie future produite afin d’assurer l’équilibre entre production et consommation. Cette thèse porte sur l’amélioration de la précision des prévisions court-terme de la production photovoltaïque. Pour y parvenir, un couplage entre modèles statistiques et modèles physiques est proposé, en plus d’une architecture permettant de conditionner les modèles à la situation météorologique. En outre, un large éventail de sources d’information est considéré. A cet égard, une analyse approfondie des données permet de mettre en exergue l’information pertinente ainsi que les dépendances spatio-temporelles pouvant exister entre les différentes variables.

Résumé de la thèse en anglais
In a context of natural resources depletion, weather-dependent renewable energy sources play an increasingly important role in the electricity generation mix. Yet, high shares of renewables can jeopardise the safe operation of the power grid due to their variable nature. To address this challenge, it is essential to know the future amount of energy produced to balance production and consumption. In this thesis, we explore two main approaches that aim at improving the accuracy of short-term photovoltaic generation forecasting. The first option is to extend the existing statistical models found in the literature through the coupling with a physics-based model, and by operating a shift from static to weather-adaptive models. The second option lies in extending the range of available sources of information. In this regard, an in-depth quality analysis of production measurements emphasises relevant information, and exhibits the spatio-temporal correlations that may exist between the inputs.