Améliorer la fiabilité des algorithmes d'apprentissage profond en vue d'accroitre l'observabilité des installations photovoltaïques en toiture en France

Enhancing the reliability of deep learning algorithms to improve the observability of French rooftop photovoltaic installations

• Auteur / Autrice : Gabriel Kasmi
• Direction : Philippe Blanc
• Type : Projet de thèse
• Discipline(s) : Energétique et génie des procédés
• Date : Inscription en doctorat le 01/04/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Energétique et Procédés
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019)

Mots clés

Mots clés libres

Apprentissage profond

Interprétabilité

Robustesse

Fiabilité

Énergie photovoltaique

Observabilité

Deep learning

Interpretability

Robustness

Reliability

Solar energy

Observability

Résumé

En novembre 2023, la puissance photovoltaïque (PV) installée en France s'élevait à 18,6 GWc, et le gestionnaire du réseau de transport d'électricité (GRT) français ne disposait pas de mesures de production pour 20% du parc, correspondant principalement à des systèmes de petite taille sur toitures. Dans le contexte de décarbonisation du mix électrique, la puissance installée PV continuera de croitre rapidement, aussi le manque d'observabilité du PV risque-t-il compromettre l'intégration du PV dans le système électrique en raison des incertitudes qu'il engendre. Une meilleure connaissance du parc photovoltaïque en toiture, matérialisée par un registre technique national contenant la localisation et les caractéristiques des installations photovoltaïques, est nécessaire pour améliorer l'observabilité du PV. Cette thèse evalue si l'utilisation d'algorithmes d'apprentissage profond et d'orthoimages est une méthode adaptée à la construction d'un registre technique national d'installations photovoltaiques (PV) sur toiture destiné à améliorer l'observabilité de la production PV en France. La thèse discute d'abord des normes de qualité que le registre technique doit satisfaire et introduit une méthode d'évaluation non supervisée pour contrôler l'exactitude du registre en l'absence de données de référence. Deuxièmement, la thèse introduit une nouvelle méthode d'attribution qui permet d'analyser des décisions du modèle en décomposant ses prédictions dans l'espace des ondelettes. La thèse discute de la pertinence de cette décomposition pour évaluer ce que le modèle voit sur l'image d'entrée, comprendre la sensibilité du modèle à des conditions d'acquisition variables, qui affectent la précision et la fiabilité du modèle, et introduire un algorithme robuste et fiable pour cartographier les installations PV sur toiture. Enfin, la pertinence du registre pour améliorer l'observabilité des installations photovoltaïques sur les toits est établie en montrant que des estimations précises et réplicables à grande échelle de la production issue des installations PV sur toiture peuvent être construites à partir du registre et de données météorologiques. Cette thèse apporte des contributions en énergétique et procédés, en montrant comment améliorer l'observabilité du PV toiture et en apprentissage statisitque, en améliorant l'interprétabilité des modèles d'apprentissage profond grâce à une nouvelle méthode d'attribution. Plus généralement, cette thèse souligne les conditions nécessaires à l'utilisation de modèles d'apprentissage profond dans des contextes industriels critiques.

In November 2023, the French photovoltaic (PV) installed capacity stood at 18.6 GWp, and the French electricity transmission system operator (TSO) lacks power measurements for 20% of the fleet, which mostly correspond to small-scale (rooftop) systems. In the context of decarbonizing the electric mix, the PV installed capacity will continue to experience sustained growth in the coming years, and the so-called problem of poor PV observability threatens its long-term integration into the grid due to the uncertainty it creates. A better knowledge of the rooftop PV fleet, embodied in a nationwide technical registry recording the localization and characteristics of the PV installations, is necessary to improve PV observability. This thesis proposes to assess whether deep learning-based remote sensing on orthoimagery is a suitable method for constructing this technical registry. The thesis first discusses the quality standards the technical registry should satisfy and introduces an unsupervised evaluation method to monitor the accuracy of the registry in the absence of ground truth labels. Second, the thesis introduces a new feature attribution method that enables the auditing of the model's decisions by decomposing its predictions into the space-scale domain. The thesis discusses the relevance of this decomposition for assessing what the model sees on the input image, understanding the model's sensitivity to varying acquisition conditions, which are found to affect the model's accuracy and reliability, and introducing a robust and reliable algorithm for mapping rooftop PV installations. Finally, the relevance of the registry for improving rooftop PV observability is established by showing that accurate and scalable estimations of the rooftop PV power production can be derived from the registry and weather data. This thesis features contributions in power systems by showing how to effectively improve rooftop PV observability and in deep learning by improving the interpretability of deep learning models thanks to a new feature attribution method. More generally, this thesis underlines the necessary conditions for using deep learning in critical industrial contexts.