Deep learning pour la prévision spatio-temporelle-application à la production photovoltaïque

Deep learning for spatio-temporal forecasting - application to solar energy

• Auteur / Autrice : Vincent Le Guen
• Direction : Nicolas Thome
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/11/2021
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre d'études et de recherche en informatique et communications (Paris) - Centre d'études et de recherche en informatique et communications / CEDRIC
• Partenaire(s) de recherche : Equipe de recherche : MSDMA - Méthodes Statistiques de Data-Mining et Apprentissage
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France ; 1794-....)
• Jury : Président / Présidente : Patrick Gallinari
• Jury : Examinateurs / Examinatrices : Nicolas Thome, Patrick Gallinari, Greg Mori, Patrick Pérez, Étienne Mémin, Stéphanie Dubost, Élisa Fromont, Philippe Blanc
• Jury : Rapporteur / Rapporteuse : Greg Mori, Patrick Pérez

Mots clés

Mots clés contrôlés

Électrification photovoltaïque

Réseaux neuronaux (informatique)

Apprentissage profond

Prédictions conformes (informatique)

Mots clés libres

Apprentissage profond

Apprentissage statistique

Pr´evision spatio-temporelle

Pr´evision photovoltaïque

Deep learning

Machine learning

Spatio-temporal forecasting

Solar energy forecasting

Résumé

Cette thèse aborde le problème de la prédiction spatio-temporelle par apprentissageprofond, motivée par la prévision à court-terme de la production photovoltaïque à Electricitéde France (EDF). Nous explorons dans cette thèse deux principales directions de recherche. Lapremière concerne le choix de la fonction de perte pour entraîner les modèles: nous proposonsd’utiliser des critères de forme et de décalage temporel sur les trajectoires prédites. Nousintroduisons la fonction de perte DILATE pour la prévision déterministe et le modèle STRIPEpour la prévision probabiliste. Notre seconde direction de recherche est d’augmenter desmodèles physiques incomplets avec des réseaux de neurones profonds. Pour la prédiction devidéo, nous introduisons le modèle PhyDNet qui sépare une partie de dynamique physique,d’une partie résiduelle qui capture l’information complémentaire, comme la texture et lesdétails, nécessaire à la bonne prédiction. Nous proposons aussi un schéma d’apprentissage,appelé APHYNITY, qui assure une décomposition bien posée et unique entre des modèlesphysiques incomplets et des réseaux de neurones profonds, sous de faibles hypothèses.

This thesis tackles the subject of spatio-temporal forecasting with deep learning.The motivating application at Electricity de France (EDF) is short-term solar energy forecastingwith fisheye images. We explore two main research directions for improving deep forecastingmethods by injecting external physical knowledge. The first direction concerns the role of thetraining loss function. We show that differentiable shape and temporal criteria can be leveragedto improve the performances of existing models. We address both the deterministic contextwith the proposed DILATE loss function and the probabilistic context with the STRIPEmodel. Our second direction is to augment incomplete physical models with deep data-drivennetworks for accurate forecasting. For video prediction, we introduce the PhyDNet modelthat disentangles physical dynamics from residual information necessary for prediction, suchas texture or details. We further propose a learning framework (APHYNITY) that ensures aprincipled and unique linear decomposition between physical and data-driven components undermild assumptions, leading to better forecasting performances and parameter identification.