Description
Date depot: 16 mai 2023
Titre: Apprentissage automatique appliqué pour la prévision de la production d’énergie solaire
Directrice de thèse:
Maria Alejandra ZULUAGA (Eurecom)
Encadrant :
Motonobu KANAGAWA (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Cette thèse de doctorat développe de nouvelles méthodes d'apprentissage automatique pour prédire la production d'énergie solaire et quantifier les incertitudes associées à ces prédictions. À cette fin, nous explorons comment exploiter les données historiques de la production solaire passée et d'autres variables clés dans les modèles d'apprentissage automatique. De plus, nous étudions comment effectuer de manière fiable la quantification de l'incertitude pour mieux éclairer la prise de décision en matière de gestion de l'énergie. En fin de compte, nous visons à contribuer à l'adoption plus large de ressources énergétiques durables en améliorant l'efficacité et la fiabilité globales des systèmes d'énergie solaire.
Résumé dans une autre langue: This PhD thesis develops novel machine-learning methods for predicting solar power generation and quantifying the uncertainties associated with these predictions. For this purpose, we explore how to exploit historical data of past solar generation and other key variables in machine learning models. Additionally, we investigate how to reliably conduct uncertainty quantification to better inform decision-making in energy management. Ultimately, we aim to contribute to the wider adoption of sustainable energy resources by enhancing solar power systems' overall efficiency and reliability
Doctorant.e: Pashmchi Parastoo