Données textuelles pour la modélisation avancée des dynamiques de la demande et des prix d'électricité

Textual Data for Advanced Modelling of Electricity Demand and Price Dynamics

• Auteur / Autrice : Yun Bai
• Direction : Andréa Michiorri
• Type : Thèse de doctorat
• Discipline(s) : Energétique et génie des procédés
• Date : Soutenance le 16/04/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre Procédés, Énergies Renouvelables et Systèmes Énergétiques. Sophia-Antipolis
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Georges Kariniotakis
• Jury : Examinateurs / Examinatrices : Andréa Michiorri, Benoit Delinchant, Francesco Ravazzolo, Fei Teng, Angela Russo
• Jury : Rapporteurs / Rapporteuses : Benoit Delinchant, Francesco Ravazzolo
• DOI : 10.70675/20937489z5773z43c9z9f56zef410177249c

Mots clés

Mots clés contrôlés

Réseaux électriques intelligents

Traitement automatique du langage naturel

Apprentissage automatique

Électricité -- Consommation

Électricité

Mots clés libres

Prévision de l'électricité

Apprentissage automatique

Traitement du langage naturel

Analyse des textes sociaux

Explication des caractéristiques

Gestion des incertitudes

Electricity forecasting

Natural language processing

Social text analysis

Machine learning

Feature explanation

Uncertainty management

Résumé

Malgré la maturité croissante des systèmes électriques et des marchés actuels, ils sont toujours confrontés à de nombreux risques incertains, tels que des changements soudains de la demande d’électricité en raison d’évènements spéciaux. Dans ce contexte, l’utilisation des technologies de l’apprentissage automatique et du traitement du langage naturel (NLP) pour une modélisation intégrée afin de répondre aux incertitudes des systèmes électriques présente un potentiel significatif.Cette thèse revisite les modèles de prévision de l’électricité traditionnels, en explorant le potentiel d’utilisation des informations intégrées dans les textes sociaux et en investiguant des méthodes de prévision multimodales pour améliorer la robustesse et l’intelligence décisionnelle des systèmes électriques. Elle conçoit un nouveau cadre de prévision d'électricité qui permet l’acquisition, la modélisation et l’interprétation des connaissances issues des textes sociaux afin d'améliorer les prévisions de l’électricité.Pour extraire des connaissances de vastes quantités de textes, diverses techniques d’intégration de texte, d’extraction de caractéristiques et de sélection de caractéristiques ont été développées. Pour modéliser ces connaissances, la thèse améliore les méthodes d’apprentissage automatique en prenant en compte les prévisions déterministes et probabilistes. Pour expliquer l’impact de ces connaissances sur les systèmes électriques, différentes approches basées sur la corrélation et la causalité sont conçues, fournissant une image complète de la relation entre le système électrique, la société et l’économie.Les méthodes proposées ont été validées a` travers des expériences menées dans différents pays, langues, niveaux et objectifs. En résumé, les résultats de recherche de cette thèse contribuent à renforcer la capacité des systèmes électriques à faire face aux incertitudes et a` promouvoir le développement intelligent des systèmes électriques.

Despite the increasing maturity of current power systems and markets, they still face numerous uncertain risks, such as sudden changes in electricity demand due to special events. In this context, leveraging machine learning and natural lan-guage processing (NLP) technologies for integrated modelling to address uncertainties in power systems holds significant promise.This thesis revisits traditional power forecasting models, exploring the potential of using information embedded in social texts and investigates multimodal forecasting methods to enhance the robustness and decision-making intelligence of power systems. It designs a novel power forecasting framework that enables the acquisition, modelling, and interpretation of social text knowledge to improve power forecasting.To extract knowledge from vast amounts of text, various text embedding, feature extraction, and feature selection tech-niques have been developed. For modelling this knowledge, the thesis enhances machine learning methods by consider-ing both deterministic and probabilistic forecasting. To explain the impact of this knowledge on power systems, different approaches based on correlation and causality are designed, providing a comprehensive picture of the power-social-economic relationship.The proposed methods have been validated through experiments across different countries, languages, levels, and ob-jectives. In summary, the research findings of this thesis contribute to strengthening the capability of power systems to cope with uncertainties and promote the intelligent development of power systems.