Thèse soutenue

Deep learning pour la prévision spatio-temporelle-application à la production photovoltaïque
FR  |  
EN
Accès à la thèse
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
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
Equipe de recherche : MSDMA - Méthodes Statistiques de Data-Mining et Apprentissage
établissement de préparation de la thèse : Conservatoire national des arts et métiers (France ; 1794-....)
Jury : Président / Présidente : Patrick Gallinari
Examinateurs / Examinatrices : Nicolas Thome, Patrick Gallinari, Greg Mori, Patrick Pérez, Étienne Mémin, Stéphanie Dubost, Élisa Fromont, Philippe Blanc
Rapporteurs / Rapporteuses : Greg Mori, Patrick Pérez

Résumé

FR  |  
EN

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.