Soutenance de thèse de Xwégnon AGOUA

Développement de méthodes spatio-temporelles pour la prédiction à court terme de la production photovoltaïque

				Ghislain AGOUA Ghislain AGOUA

Titre anglais : Development of spatio-temporal methods for short term forecasting of photovoltaïc production
Date de soutenance : mercredi 20 décembre 2017 à 14h00
Adresse de soutenance : MINES ParisTech 1 rue Claude Daunesse 06904 SOPHIA ANTIPOLIS - Amphithéâtre Mozart
Directeurs de thèse : Georges KARINIOTAKIS, Robin GIRARD

devant le jury composé de :

Philippe LAURET  Professeur des universités  Université de la Réunion  Rapporteur
Denis ALLARD  Directeur de recherche  INRA  Rapporteur
Valérie MONBET  Professeur  Université de Rennes I  Rapporteur
Virginie DORDONNAT  Ingénieur de recherche  RTE  Examinateur
Paul PONCET  Ingénieur de recherche  ENGIE France Renewables  Examinateur
Georges KARINIOTAKIS  Maître de recherche  MINES ParisTech  Examinateur
Robin GIRARD  Chargé de recherche  MINES ParisTech  Examinateur

 

Mots clés en français : Analyse des séries temporelles,Prévision court terme,Prévision probabiliste,Production photovoltaïque,Energies renouvelables,Smartgrids
Mots clés en anglais : Time-seires analysis,Short-term forecasting,Probabilistic forecasting,Photovoltaïc production,Renewable energies,Smartgrids

Résumé de la thèse en français
L'évolution du contexte énergétique mondial et la lutte contre le changement climatique ont conduit à l'accroissement des capacités de production d'énergie renouvelable. Les énergies renouvelables sont caractérisées par une forte variabilité due à leur dépendance aux conditions météorologiques. La maîtrise de cette variabilité constitue un enjeu important pour les opérateurs du système électrique, mais aussi pour l'atteinte des objectifs européens de réduction des émissions de gaz à effet de serre, d'amélioration de l'efficacité énergétique et de l'augmentation de la part des énergies renouvelables. Dans le cas du photovoltaïque (PV), la maîtrise de la variabilité de la production passe par la mise en place d'outils qui permettent de prévoir la production future des centrales. Ces prévisions contribuent entre autres à l'augmentation du niveau de pénétration du PV, à l'intégration optimale dans le réseau électrique, à l'amélioration de la gestion des centrales PV et à la participation aux marchés de l'électricité. L'objectif de cette thèse est de contribuer à l'amélioration de la prédictibilité à court-terme (moins de 6 heures) de la production PV. Dans un premier temps, nous analysons la variabilité spatio-temporelle de la production PV et proposons une méthode de réduction de la non-stationnarité des séries de production. Nous proposons ensuite un modèle spatio-temporel de prévision déterministe qui exploite les corrélations spatio-temporelles entre les centrales réparties sur une région. Les centrales sont utilisées comme un réseau de capteurs qui permettent d'anticiper les sources de variabilité. Nous proposons aussi une méthode automatique de sélection des variables qui permet de résoudre les problèmes de dimension et de parcimonie du modèle spatio-temporel. Un modèle spatio-temporel probabiliste a aussi été développé aux fins de produire des prévisions performantes non seulement du niveau moyen de la production future mais de toute sa distribution. Enfin nous proposons, un modèle qui exploite les observations d'images satellites pour améliorer la prévision court-terme de la production et une comparaison de l'apport de différentes sources de données sur les performances de prévision.

Résumé de la thèse en anglais
The evolution of the global energy context and the challenges of climate change have led to an increase in the production capacity of renewable energy. Renewable energies are characterized by high variability due to their dependence on meteorological conditions. Controlling this variability is an important challenge for the operators of the electricity systems, but also for achieving the European objectives of reducing greenhouse gas emissions, improving energy efficiency and increasing the share of renewable energies in EU energy consumption. In the case of photovoltaics (PV), the control of the variability of the production requires to predict with minimum errors the future production of the power stations. These forecasts contribute to increasing the level of PV penetration and optimal integration in the power grid, improving PV plant management and participating in electricity markets. The objective of this thesis is to contribute to the improvement of the short-term predictability (less than 6 hours) of PV production. First, we analyze the spatio-temporal variability of PV production and propose a method to reduce the nonstationarity of the production series. We then propose a deterministic prediction model that exploits the spatio-temporal correlations between the power plants of a spatial grid. The power stations are used as a network of sensors to anticipate sources of variability. We also propose an automatic method for selecting variables to solve the dimensionality and sparsity problems of the space-time model. A probabilistic spatio-temporal model has also been developed to produce efficient forecasts not only of the average level of future production but of its entire distribution. Finally, we propose a model that exploits observations of satellite images to improve short-term forecasting of PV production.

 

 

Lire la thèse sur HAL Télecharger la thèse (pdf)

 

Partager

actualité

240 ans de recherche et de formation

Ecole 240 ans de recherche et de formation Vidéo : 240ans de recherche…
> En savoir +

Une présence remarquable du Centre PERSEE à la conférence phare dans le domaine des réseaux électriques IEEE ISGT Europe 2023

International Une présence remarquable du Centre PERSEE à la…   Le groupe ERSEI du Centre PERSEE de Mines Paris…
> En savoir +

Mines Paris plébiscitée par ses étudiantes

Formation Mines Paris plébiscitée par ses étudiantes Mines Paris - PSL, une école qui répond…
> En savoir +

Le MS ENR parmi les meilleures formations françaises « Énergies Renouvelables »

Formation Le MS ENR parmi les meilleures formations… Les élèves du master EnR Le Mastère…
> En savoir +

Femmes de science

Formation Femmes de science Chercheuses confirmées, doctorantes, élèves ou alumni,…
> En savoir +

Quelle école d’ingénieurs a le meilleur réseau LinkedIn ?

Formation Quelle école d’ingénieurs a le…  Mines Paris - PSL au Top 5 du classement LinkedIn 2023…
> En savoir +

+ Toutes les actualités

Mentions légales efil.fr © 2014 Mines Paris - PSL