Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 4

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 2

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 3

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 1

Lecture

Lancement de la Chaire DEEP unissant HUTCHINSON, l'ESPCI et MINES ParisTech

+ Toutes les vidéos

Partager

PERSEE- 01 Prévision à court-terme de la production des centrales virtuelles à base d'énergies renouvelables météo-dépendantes.

PERSEE- 01 Prévision à court-terme de la production des centrales virtuelles à base d'énergies renouvelables météo-dépendantes.

Forecasting methods for the power output of virtual power plants based on weather-dependent renewable generation

Proposition de thèse

Spécialité

Energétique et Procédés

Ecole doctorale

SMI - Sciences des Métiers de l'Ingénieur

Directeur de thèse

KARINIOTAKIS Georges

Co-directeur de thèse

GIRARD Robin

Unité de recherche

Energétique et Procédés

Contact
Site Webhttp://www.persee.mines-paristech.fr
Mots-clés

Statistique, Photovoltaïque, Eolien, Modelisation spatio-temporelle, Prévision, Systèmes électriques intelligents

Statistics, Photovoltaics, Wind, Spatio-temporal modeling, Forecasting, Smart Grid

Résumé

La thèse se focalisera sur la prévision des centrales connectées au réseau plutôt que sur la prévision du PV diffus (résidentiel) ou des centrales solaires thermiques. A cette heure, la performance des approches de prévision existantes dans la littérature est jugée non satisfaisante par les industriels. L'amélioration de la prévisibilité à différentes échelles spatiales et temporelles reste donc une priorité de recherche nécessaire pour la transition vers des systèmes électriques avec une forte pénétration EnR.

NR

Contexte

Contexte et enjeux : Aujourd'hui, l'industrie de l'énergie photovoltaïque (PV) et éolienne pour la production d'électricité est en pleine expansion en Europe. La production des centrales éoliennes, photovoltaïques ou hydrauliques au fil de l'eau (EnR) par nature fluctuante, pose des difficultés de gestion aux opérateurs des systèmes électriques. Cette situation devient critique lorsqu'un niveau de pénétration élevé est atteint. La prédiction de la production EnR à un horizon de quelques minutes à quelques jours contribue notablement à l'amélioration de la gestion des centrales EnR et à leur intégration optimale dans le réseau électrique. Dans ce contexte, l'enjeu est de proposer des approches performantes de prévision capables de répondre aux besoins opérationnels des industriels concernés. Parallèlement, l'augmentation du nombre de centrales EnR en service permet une augmentation de l'observabilité de la situation atmosphérique, dont il est possible de tenir compte pour améliorer les prédictions.

Encadrement

co-encadrant externe : Guillaume BONTRON (CNR)

Domaine(s)

'401' 'Mathématiques et leurs interactions' '1007' 'Génie électrique'

Profil candidat

Merci d'envoyer votre candidature avant le 30/06/2018 à :
georges.kariniotakis@mines-paristech.fr
robin.girard@mines-paristech.fr

Thanks to send your application before 30/06/2018 to :
georges.kariniotakis@mines-paristech.fr
robin.girard@mines-paristech.fr

Résultat attendu

Résultats attendus : Dans cette thèse on s'attend à mieux comprendre et modéliser la variabilité de la production EnR à différentes échelles de temps et à rapprocher un peu plus les statistiques spatio-temporelles de la météorologie et de l'énergie. Vis-à-vis du partenaire industriel de cette thèse, le développement d'algorithmes de prévision améliorant les outils existants et implémentés par CNR est attendu.

Objectif

Objectifs scientifiques : Le premier objectif de la thèse est l'élaboration de méthodes statistiques spatio-temporelles de prévision de la production EnR à court terme (quelques heures à quelques jours) et à très court terme (quelques minutes à quelques heures). L'originalité du travail ici pour faire ces prévisions résidera dans l'utilisation d'observations de production répartie sur le territoire et d'images satellites ou radar. Dans le cas de la production PV, les images satellites doivent permettre d'intégrer le suivi du mouvement des nuages dans le modèle de prédiction, tandis que dans le cas de la production éolienne, il s'agira plutôt d'utiliser des données de radars Doppler pour détecter et suivre l'arrivée d'un changement de régime de vent. Les approches de prévision existantes sont principalement déterministes. Ici, une approche probabiliste sera proposée intégrant les différents types de données disponibles. Elle prendra en compte d'une manière incrémentale, en plus des informations classiquement considérées dans l'état de l'art, des informations de nature spatio-temporelle : des mesures géographiquement distribuées, des champs de prévisions météo issues de modèles numériques météorologiques. L'apport de l'information issue d'images satellites, d'images du ciel et de radars sera évalué par la mise en place d'un modèle intégrant la dynamique de mouvement des nuages. Le dernier objectif est de proposer une méthode de prévision probabiliste d'un ensemble de centrales EnR (éoliennes, PV mais aussi Petites Centrales Hydroélectrique – dites PCH - au fil de l'eau), formant une centrale virtuelle. Un enjeu majeur du travail de recherche proposé repose sur a nécessité d'une approche de modélisation probabiliste capable de prendre en compte des grandes quantités de données comme entrées et ce, d'une manière évolutive (i.e. du fait de l'augmentation du nombre de centrales EnR) et robuste (i.e. ayant la capacité de supporter des « lacunes » dans les données d'entrée). Il est aussi intéressant de pouvoir produire des prévisions via un modèle unique à la fois pour le très court-terme et le court-terme afin de simplifier la chaine de modélisation. Habituellement dans l'état de l'art, des modèles dédiés sont proposés pour chaque groupe d'horizons introduisant des discontinuités. Finalement, l'un des objectifs globaux est d'avoir des prévisions probabilistes adaptées à de nouveaux types d'application comme la fourniture de services système où des quantiles très fiables sont nécessaires pour des niveaux de probabilité bas.

Références

NR

Type financement

Concours pour un contrat doctoral

Partenariat/contrat

Contrat Doctoral

Retour à la liste des propositions

actualité

Le Rapport d'activité 2017 est en ligne

Formation Le Rapport d'activité 2017 est en ligne « L'ambition de MINES ParisTech : former des…
> En savoir +

Pluie de récompenses pour le CGS

Formation Pluie de récompenses pour le CGS La FNEGE, qui célèbre cette année ses 50 ans, organise la…
> En savoir +

Paula Perez-Lopez lauréate Asgard 2018

Formation Paula Perez-Lopez lauréate Asgard 2018 Paula Perez-Lopez , assistante de recherche au centre O.I.E…
> En savoir +

Engagement et Résistance

Formation Engagement et Résistance Sollicitée par le Souvenir français en janvier 2018, MINES ParisTech a relevé le défi de…
> En savoir +

Concours étudiant sur les réseaux électriques intelligents

Formation Concours étudiant sur les réseaux électriques… Cette année, deux équipes du Mastère spécialisé en…
> En savoir +

+ Toutes les actualités

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Formation
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |