Thèse soutenue

Apprentissage multitâche pour la prévision de la consommation électrique
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Benjamin Dubois
Direction : Jean-François Delmas
Type : Thèse de doctorat
Discipline(s) : Mathématiques
Date : Soutenance le 02/12/2019
Etablissement(s) : Paris Est
Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Centre d'enseignement et de recherche en mathématiques et calcul scientifique (Champs-sur-Marne, Seine-et-Marne) - Centre d'Enseignement et de Recherche en Mathématiques et Calcul Scientifique / CERMICS
Jury : Président / Présidente : Jean-Michel Poggi
Examinateurs / Examinatrices : Jean-François Delmas, Mathilde Mougeot, Peter Richtarik, Virginie Dordonnat, Guillaume Obozinski
Rapporteurs / Rapporteuses : Mathilde Mougeot, Peter Richtarik

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

Nous étudions la prévision du jour pour le lendemain de la consommation électrique agrégée à la maille des points de livraison, à partir des informations calendaires, des prévisions météorologiques et des valeurs récentes de ces séries temporelles. Ce travail s’inscrit dans un domaine de recherche plus large, qui participe à la modernisation du système électrique français. Avec la pénétration des énergies renouvelables et l’apparition de nouveaux modes de consommation, le besoin d’améliorer la qualité des prévisions au niveau local devient de plus en plus pressant. Acteur central du système électrique, le Gestionnaire du Réseau de Transport (GRT) est responsable de l’équilibre offre-demande et assure en permanence la fluidité de la circulation d’électricité sur le réseau haute tension. La prévision de la consommation est donc pour lui une problématique de recherche centrale. Le développement d’algorithmes modernes de Machine Learning, l’augmentation des capacités de calcul et la disponibilité de grandes bases de données électriques et météorologiques laissent entrevoir de nouvelles opportunités.Après une analyse exploratoire de la base de données et une étude de la littérature portant sur la prévision de la consommation électrique, nous considérons la possibilité d’étendre et d’adapter les modèles utilisés pour la prévision à des mailles plus larges comme les régions ou le pays. Cela nous permet de souligner les comportements plus hétérogènes au niveau des points de livraison de ces séries temporelles. L’ensemble des expériences est organisé autour d’une dichotomie entre des modèles à différents noeuds du réseau appris de façon indépendante ou bien couplée. Plus précisément, nous justifions une approche multi-tâches de ces prévisions avec les similarités entre les courbes aux différents noeuds du réseau, qui vise à améliorer la vitesse d’apprentissage de ces modèles ainsi que leur capacité à généraliser.Nous séparons l’approche multi-tâches en trois questions. Quelles composantes des modèles est-il pertinent de coupler ? Quelles améliorations ce couplage peut-il apporter ? Comment évaluer la pertinence de l’approche multi-tâches dans le cadre de la prévision de la consommation électrique ?Nous envisageons trois couplages possibles des modèles de prévision, fondés respectivement sur un clustering des coefficients des modèles, une hypothèse de rang faible sur la matrice de coefficients, et une mesure de la cohérence des prévisions à différents niveaux d’agrégation. Empiriquement, nous montrons le caractère contingent du grand nombre de coefficients des modèles appris indépendamment et confirmons l’intérêt de coupler les fonctions objectifs à minimiser ainsi que les paramètres des modèles au cours de leur apprentissage