Deep learning for spatio-temporal forecasting - application to solar energy
Apprentissage profond pour la prédiction spatio-temporelle - application à l'énergie solaire
Résumé
This thesis tackles the subject of spatio-temporal forecasting with deep learning. The motivating application at Electricity de France (EDF) is short-term solar energy forecasting with fisheye images. We explore two main research directions for improving deep forecasting methods by injecting external physical knowledge. The first direction concerns the role of the training loss function. We show that differentiable shape and temporal criteria can be leveraged to improve the performances of existing models. We address both the deterministic context with the proposed DILATE loss function and the probabilistic context with the STRIPE model. Our second direction is to augment incomplete physical models with deep data-driven networks for accurate forecasting. For video prediction, we introduce the PhyDNet model that disentangles physical dynamics from residual information necessary for prediction, such as texture or details. We further propose a learning framework (APHYNITY) that ensures a principled and unique linear decomposition between physical and data-driven components under mild assumptions, leading to better forecasting performances and parameter identification.
Cette thèse aborde le problème de la prédiction spatio-temporelle par apprentissage profond, motivée par la prévision à court-terme de la production photovoltaïque à Electricité de France (EDF). Nous explorons dans cette thèse deux principales directions de recherche. La première concerne le choix de la fonction de perte pour entraîner les modèles: nous proposons d’utiliser des critères de forme et de décalage temporel sur les trajectoires prédites. Nous introduisons la fonction de perte DILATE pour la prévision déterministe et le modèle STRIPE pour la prévision probabiliste. Notre seconde direction de recherche est d’augmenter des modèles physiques incomplets avec des réseaux de neurones profonds. Pour la prédiction de vidéo, 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 les détails, nécessaire à la bonne prédiction. Nous proposons aussi un schéma d’apprentissage, appelé APHYNITY, qui assure une décomposition bien posée et unique entre des modèles physiques incomplets et des réseaux de neurones profonds, sous de faibles hypothèses.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|