Prévision court terme de la production éolienne par Machine learning

Machine learning for short term wind power forecasting

• Auteur / Autrice : Mamadou Dione
• Direction : Éric Matzner-Løber
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 10/06/2020
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en économie et statistique (France)
• Partenaire(s) de recherche : : École nationale de la statistique et de l'administration économique (Palaiseau, Essonne)
• Jury : Président / Présidente : Erwan Le Pennec
• Jury : Examinateurs / Examinatrices : Éric Matzner-Løber, Erwan Le Pennec, François Husson, Sylvain Sardy, Anne Ruiz-Gazen
• Jury : Rapporteurs / Rapporteuses : François Husson, Sylvain Sardy

Mots clés

Mots clés contrôlés

Temps (météorologie) -- Prévision

Énergie éolienne

Apprentissage automatique

Mots clés libres

Apprentissage statistique

Energie éolienne

Prévision court terme

Intervalle de prévision

Machine learning

Wind Power

Short term forecasting

Prediction interval

Résumé

La loi de transition énergétique votée par l’Etat français a des implications précises sur les énergies renouvelables, en particulier sur leur mécanisme de rémunération. Jusqu’en 2015, un contrat d’obligation d’achat permettait de vendre l’électricité d’origine éolienne à un tarif fixe. A partir de 2015 certains parcs éoliens ont commencé à sortir de l’obligation d’achat. En effet, l’énergie éolienne commence à être directement vendue sur le marché par les producteurs à cause de la rupture des contrats d’obligation d’achat. Les gestionnaires de réseaux de distribution et les gestionnaires de réseaux de transport demandent ou même obligent les producteurs à fournir au moins des prévisions de production un jour à l’avance pour rééquilibrer le marché. Une surestimation ou une sous-estimation pourrait être exposée à des pénalités. Il existe donc un besoin énorme de prévisions précises. C’est dans ce contexte que cette thèse a été lancée avec pour objectif de proposer un modèle de prévision de la production des parcs éoliens par apprentissage statistique. Nous disposons de données de production et de mesures réelles du vent ainsi que des données de modèles météorologiques. Nous avons d’abord comparé les performances des modèles GFS et ECMWF et étudié les relations entre ces deux modèles par l’analyse de corrélation canonique. Nous avons ensuite appliqué des modèles de machine learning pour valider un premier modèle de prévision par forêts aléatoires. Nous avons ensuite modélisé la dynamique spatio-temporelle du vent et l’avons intégrée dans le modèle de prévision ce qui a amélioré l’erreur de prévision de 3%. Nous avons aussi étudié la sélection de points de grille par une mesure d’importance de groupe de variables à l’aide des forêts aléatoires. Les intervalles de prévision par forêt aléatoire associés aux prévisions ponctuelles de la production des parcs éoliens sont aussi étudiés. Le modèle de prévisions découlant de ces travaux a été développé pour permettre au Groupe ENGIE d’avoir chaque jour ses propres prévisions pour l’ensemble de ses parcs éoliens.

The energy transition law passed by the French government has specific implications for renewable energies, in particular for their remuneration mechanism. Until 2015, a purchase obligation contract made it possible to sell electricity from wind power at a fixed rate. From 2015 onwards, some wind farms began to be exempted from the purchase obligation. This is because wind energy is starting to be sold directly on the market by the producers because of the breach of the purchase obligation contracts. Distribution system operators and transmission system operators require or even oblige producers to provide at least a production forecast one day in advance in order to rebalance the market. Over- or underestimation could be subject to penalties. There is, therefore, a huge need for accurate forecasts. It is in this context that this thesis was launched with the aim of proposing a model for predicting wind farms production by machine learning. We have production data and real wind measurements as well as data from meteorological models. We first compared the performances of the GFS and ECMWF models and studied the relationships between these two models through canonical correlation analysis. We then applied machine learning models to validate a first random forest prediction model. We then modeled the spatio-temporal wind dynamics and integrated it into the prediction model, which improved the prediction error by 3%. We also studied the selection of grid points by a variable group importance measure using random forests. Random forest prediction intervals associated with point forecasts of wind farm production are also studied. The forecasting model resulting from this work was developed to enable the ENGIE Group to have its own daily forecasts for all its wind farms.