Appel à candidature pour un projet de thèse : Utilisation de techniques d'apprentissage automatique et statistique pour la prédiction de rayonnement solaire

Titre de la thèse : Utilisation de techniques d'apprentissage automatique et statistique pour la prédiction de rayonnement solaire.

Résumé : L’insertion des Energies Renouvelables sur les réseaux îliens non interconnectés est un enjeu majeur pour réduire les factures énergétiques et environnementales. Leur caractère fatal empêche le producteur de piloter sa production et ainsi handicape leur intégration. Ce projet propose de contribuer à la problématique de l'intermittence des énergies photovoltaïques en étudiant les techniques d'apprentissage automatiques et statistiques

Problématique : L’insertion des Energies Renouvelables (EnR) sur les réseaux électriques îliens non interconnectés est un enjeu majeur pour accroître, d’une part, leurs indépendances énergétiques et d’autre part, réduire les factures énergétiques et environnementales. Cependant, la sûreté d'un réseau électrique insulaire peut être mise à mal lorsque la proportion d’EnR intermittente injectée sur le réseau dépasse un certain seuil. Leur caractère fatal empêche le producteur de piloter sa production et ainsi handicape leur intégration dans les réseaux électriques. Un seuil réglementaire de 30% a ainsi été fixé par décret. Le projet de recherche propose de contribuer à la problématique de l'intermittence et de l'imprévisibilité des énergies photovoltaïques.

Mention du Doctorat : Énergétique (section 62)

Domaine scientifique principal : Énergies Renouvelables 

Domaines scientifiques secondaires : Statistiques, Informatique , Intelligence Artificielle. 

Connaissances et compétences requises : Traitement de données – Méthodes statistiques - Utilisation de matlab – Phénomènes météorologiques – Energies Photovoltaïques

Directeur / Co-Directeur : Christophe PAOLI / Cyril VOYANT

Début : septembre 2015

Financement : Projet TILOS, environ 1630 € net/mois pendant 3 ans 

Lieu : Corte, Ajaccio

Contrat : Contrat doctoral (école doctorale "Environnement et société ") 

Association des doctorants : Pro-Doc

Pour plus d'information, n'hésitez pas à m'envoyer un email à : christophe.paoli@univ-corse.fr - cyril.voyant@univ-corse.fr (pour candidater envoyer une lettre de motivation et un CV). 

>>>>>>>>>>>>> Télécharger la fiche complète <<<<<<<<<<<<<<<<<

Nouveau papier accepté dans la revue "Energy"

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Energy" éditée par Elsevier.

Title of the paper: Estimation of 5-min time-step data of tilted solar global irradiation using ANN model

Authors: K. Dahmani, R. Dizene, G. Notton, C. Paoli, ML Nivet, C. Voyant

Abstract: Converting measured horizontal global solar irradiance in tilted ones is a difficult task, particularly for a small time-step and for not-averaged data. Conventional methods (statistical, correlation,…) are not always efficient with time-step less than one hour; thus, we chose to use an Artificial Neural Network (ANN) to realize this conversion applied to 5-min solar radiation data of Bouzareah, Algeria. The ANN is developed and optimized using two years of solar data; the nRMSE is around 8% for the optimal configuration, which corresponds to a very good accuracy for such a short time-step.

Sources: http://www.journals.elsevier.com/energy/ (Impact Factor: 3.65).

Nouveau papier accepté dans la revue "Solar Energy"

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Solar Energy" éditée par Elsevier.

Title of the paper: Time series modeling and large scale global solar radiation forecasting from geostationary satellites data

Authors: Cyril Voyant, Pierrick Haurant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet.

Abstract: When a territory is poorly instrumented, geostationary satellites data can be useful to predict global solar radiation. In this paper, we use geostationary satellites data to generate 2-D time series of solar radiation for the next hour. The results presented in this paper relate to a particular territory, the Corsica Island, but as data used are available for the entire surface of the globe, our method can be easily exploited to another place. Indeed 2-D hourly time series are extracted from the HelioClim-3 surface solar irradiation database treated by the Heliosat-2 model. Each point of the map have been used as training data and inputs of artificial neural networks (ANN) and as inputs for two persistence models (scaled or not). Comparisons between these models and clear sky estimations were proceeded to evaluate the performances. We found a normalized root mean square error (nRMSE) close to 16.5% for the two best predictors (scaled persistence and ANN) equivalent to 35-45% related to ground measurements. Finally in order to validate our 2-D predictions maps, we introduce a new error metric called the gamma index which is a criterion for comparing data from two matrixes in medical physics. As first results, we found that in winter and spring, scaled persistence gives the best results (gamma index test passing rate is respectively 67.7% and 86%), in autumn simple persistence is the best predictor (95.3%) and ANN is the best in summer (99.8%).

Sources: http://www.journals.elsevier.com/solar-energy/ (Impact Factor: 2.95).

Nouveau papier accepté dans la revue "Meteorological Applications"

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Meteorological Applications" éditée par Willey.

Title of the paper: 24-hours ahead global irradiation forecasting using Multi-Layer Perceptron

Authors:  Cyril Voyant, Prisca Randimbivololona, Marie-Laure Nivet, Christophe Paoli, Marc Muselli

Abstract:  The grid integration of variable renewable energy sources implies that their effective production could be predicted, at different times ahead. In the case of solar plants, the driving factor is the global solar irradiation (sum of direct and diffuse solar radiation projected on a plane (Wh/m²)). This paper focuses on the 24-hours ahead forecast of global solar irradiation (i.e. hourly solar irradiation prediction for the day after). A method based on artificial intelligence using Artificial Neural Network (ANN) is reported. The ANN hereafter considered is a Multi-Layer Perceptron (MLP) applied to a pre-treated time series (TS). Two architectures are tested; it is shown that the most relevant is based on a multi-output MLP using endogenous and exogenous input data. A real case 2-years TS is computed and the MLP results are compared with both a statistical approach (AutoRegressive-Moving Average model; ARMA) and a reference persistent approach. Results show that the prediction error estimate (nRMSE) can be reduced by 1.3 points with an ANN compared to ARMA and by 7.8 points compared to the naïve persistence.

Sources: http://www.wiley.com

Nouveau papier accepté dans la revue Renewable Energy

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Renewable Energy" éditée par Elsevier.

Title of the paper: Hybrid methodology for hourly global radiation forecasting in Mediterranean area

Authors: Cyril Voyant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet

Abstract:  The renewable energies prediction and particularly global radiation forecasting is a challenge studied by a growing number of research teams. This paper proposes an original technique to model the insolation time series based on combining Artificial Neural Network (ANN) and Auto-Regressive and Moving Average (ARMA) model. While ANN by its non-linear nature is effective to predict cloudy days, ARMA techniques are more dedicated to sunny days without cloud occurrences. Thus, three hybrids models are suggested: the first proposes simply to use ARMA for 6 months in spring and summer and to use an optimized ANN for the other part of the year; the second model is equivalent to the first but with a seasonal learning; the last model depends on the error occurred the previous hour. These models were used to forecast the hourly global radiation for five places in Mediterranean area. The forecasting performance was compared among several models: the 3 above mentioned models, the best ANN and ARMA for each location. In the best configuration, the coupling of ANN and ARMA allows an improvement of more than 1%, with a maximum in autumn (3.4%) and a minimum in winter (0.9%) where ANN alone is the best.

Keywords: Time series, Artificial neural networks, ARMA, Prediction, Global radiation, Hybrid model

Sources: http://www.elsevier.com

Papier accepté dans la revue Renewable Energy

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Renewable Energy" éditée par Elsevier.

Title of the paper: Neural network approach to estimate 10-min solar global irradiation values on tilted planes

Authors: Gilles Notton, Christophe Paoli, Liliana Ivanova, Siyana Vasileva, Marie Laure Nivet.

Abstract: Calculation of solar global irradiation on tilted planes from only horizontal global one is particularly difficult when the time step is small. We used an Artificial Neural Network (ANN) to realize this conversion at a 10-min time step. The ANN is developed and optimized using five years of solar data and the accuracy of the optimal configuration is around 9% for the RMSE and around 5.5% for the RMAE i.e. similar or slightly lower than the errors obtained with empirical correlations available in the literature and used for the estimation of hourly data.


Keywords: Solar irradiation, Artificial Neural Network, Estimation.

Sources: http://www.elsevier.com

Visite des responsables du projet CORSiCA à l'université de Corse le Mardi 14 février 2012

CORSiCA est un projet visant la création d'un "Centre d’Observation Régional pour la Surveillance du Climat et de l’environnement Atmosphérique et océanographique en Méditerranée occidentale". Il consiste à développer une plate-forme instrumentale multi sites de mesures dédiées aux études atmosphériques et océanographiques en Corse dans le cadre du « chantier Méditerranée » dénommé « MISTRALS » (Mediterranean Integrated STudies at Regional And Local Scales, http://www.mistrals-home.org) et plus particulièrement dans le cadre des programmes HyMeX et ChArMEx. HyMEx (Hydrological cycle in the Mediterranean Experiment, http://www.hymex.org) a pour objectifs d'améliorer la caractérisation et la compréhension du cycle de l'eau sur le bassin Méditerranéen ; ChArMEx (Chemistry-Aerosol Mediterranean Experiment, http://charmex.lsce.ipsl.fr) a pour but de dresser le bilan actuel et futur de l’environnement chimique atmosphérique (espèces particulaires et réactives gazeuses à vie courte) du bassin méditerranéen, et de ses impacts régionaux sur le climat, la qualité de l’air, et la biogéochimie marine.

Ainsi les responsables du projet CORSiCA présenteront son état d’avancement le Mardi 14 février 2012, Amphithéâtre Jean Nicoli Bât Culombu, et proposeront des pistes de collaborations avec les chercheurs de l'université de Corse. Voici le programme :

• 14:00 - 14:15 : présentation générale du projet CORSiCA [D. Lambert]
• 14:15 - 14:45 : présentation générale de ChArMEx et aperçu des activités et collaborations en Corse [F. Dulac, M. Mallet]. Thématiques de collaborations possibles : pollution sur la production d'énergie solaire par diminution du rayonnement incident ; prévision de la qualité de l'air locale et l'influence du transport à grande distance et des écoulements locaux ; études liées aux émissions par les feux ; liens avec la santé, etc...
• 14:45 - 15:15 : présentation générale de HyMeX et aperçu des activités et collaborations en Corse [S. Coquillat, D. Lambert, J.-P. Pinty]. Thématiques de collaborations possibles : études des risques d'inondations ou de vent violent ; intérêt pour le potentiel éolien, l'agriculture ; étude des feux de forêt ; ingénierie (solaire, traitement du signal, transmission de données) ; lien avec les SHS, etc...
• 15:15 - 15:30 : présentation des activités du SPE prévues dans le projet CORSiCA [C. Paoli, X. Silvani]
• 15:30 - 16:00 : discussion sur les ouvertures et collaborations envisageables en Corse à l'UCPP et hors Université.

Venir à la réunion :

Afficher Laboratoire SPE sur une carte plus grande

Papier accepté dans la revue Energy

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Energy" éditée par Elsevier.

Title of the paper :  Numerical Weather Prediction (NWP) and hybrid ARMA/ANN model to predict global radiation

Authors : Cyril Voyant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet

Abstract :  We propose in this paper an original technique to predict global radiation using a hybrid ARMA/ANN model and data issued from a numerical Weather Prediction Model (NWP). We particularly look at the Multi-Layer Perceptron. After optimizing our architecture with NWP and endogenous data previously made stationary and using an innovative pre-input layer selection method, we combined it to an ARMA model from a rule based on the analysis of hourly data series. This model has been used to forecast the hourly global radiation for five places in Mediterranean area. Our technique outperforms classical models for all the places. The nRMSE for our hybrid model ANN/ARMA is 14.9% compared to 26.2% for the naïve persistence predictor. Note that in the stand alone ANN case the nRMSE is 18.4%. Finally, in order to discuss the reliability of the forecaster outputs, a complementary study concerning the confidence interval of each prediction is proposed.

Keywords: Time Series forecasting, hybrid, Artificial Neural Networks, ARMA, Stationarity.

Sources :  http://www.elsevier.com

Excellente année 2012 ! Paci è saluta !

Soutenance de thèse de M. C. Voyant : prédiction de rayonnement solaire avec réseaux de neurones artificiels

M. C. Voyant soutiendra publiquement sa thèse pour l’obtention du grade de docteur en énergétique, mention "énergétique, génie des procédés" le 16 Novembre 2011 à 14H au Centre G. Peri à Vignola Ajaccio.

Titre : Prédiction de séries temporelles de rayonnement solaire global et de production d’énergie photovoltaïque à partir de réseaux de neurones artificiels.

Résumé : La Corse faisant partie des petits réseaux insulaires non-interconnectés, son approvisionnement énergétique est très particulier. En effet, comme toutes les autres îles, elle doit se suffire à elle-même. Une solution souvent adoptée pour pallier à cet isolement, consiste à recourir aux énergies renouvelables. Cependant, à cause de leur caractère intermittent, elles ne sont insérées que de manière limitée au sein des réseaux électriques. Il est nécessaire d’utiliser en parallèle d’autres moyens de production d’énergie, avec comme principale difficulté, la gestion optimale de la bascule entre ces deux types d’énergie. Cette étude s’inscrit dans le cadre de la prédiction de la ressource solaire et photovoltaïque dans le but de quantifier l’énergie disponible et de permettre une gestion optimale de la transition entre énergies intermittentes et conventionnelles. Tout au long de ces travaux, nous avons ainsi testé différentes techniques de prédiction sur quatre horizons susceptibles d’intéresser un gestionnaire de réseau : j+1, h+24, h+1 et m+5. A l’issue de toutes ces manipulations, nous pouvons conclure que suivant l’horizon considéré, la hiérarchisation des différents prédicteurs fluctue. On retiendra ainsi, que pour l’horizon j+1, il est intéressant d’utiliser une approche à base de réseaux de neurones en prenant soin de stationnariser les séries temporelles et d’utiliser des variables exogènes. Pour l’horizon h+1, une méthodologie hybride couplant la robustesse des modèles autorégressifs et la non-linéarité des modèles connexionnistes permet d’obtenir des résultats très satisfaisants. Pour le cas h+24, les réseaux de neurones à sorties multiples donnent de très bons résultats. Concernant l’horizon m+5, les conclusions sont moins catégoriques. Ainsi, même si les réseaux de neurones sont les plus performants, la simplicité et les résultats d’une approche basée sur la persistance, nous conduisent à préconiser principalement ce prédicteur. L’ensemble des méthodologies proposées et des résultats obtenus sont complémentaires avec les travaux de prédiction bibliographiques étudiés. Les méthodologies développées pourraient à terme être reprises comme éléments de prédiction dans des outils globaux de contrôle et de commande des systèmes énergétiques.

Mots clés : prédiction, rayonnement global, réseau de neurones, photovoltaïque, séries temporelles, stationnarité

Le manuscrit est disponible en ligne : http://cyril-voyant.univ-corse.fr

Papier accepté pour pour la 10th International Conference on Environment and Electrical Engineering 2011 - Roma (Italy)

Une première communication sur la thématique de la prédiction de pics de pollution vient d'être acceptée au congrès IEEE "10th International Conference on Environment and Electrical Engineering" qui se déroulera à Roma (Italy) du 08 au 11 mai 2011.

Title of the paper : A neural network model forecasting for prediction of hourly ozone concentration in Corsica

Authors : Christophe Paoli, Gilles Notton, Marie-Laure Nivet, Michel Padovani and Jean-Luc Savelli.

Abstract : This paper presents the first results of a research project aimed at building a pollution peaks predictor using Artificial Neural Networks (ANNs) with data measured locally. We focus more particularly on the ozone concentration prediction in the Corsica Island at horizon “h+1”. We mainly look at the Multi-Layer Perceptron (MLP) network which is the most used of ANNs architectures both in the Environment domain and in the time series forecasting. We have demonstrated that an optimized MLP with endogenous, exogenous and time indicator inputs can forecast hourly ozone concentration with acceptable accuracy. The final results indicate that our predictor has an average Mean Absolute Percentage Error (MAPE) equal to 10.5%. Knowing that the devices measurement accuracy is around 10%, these results are considered as very convincing by “Qualitair Corse”, regional organization responsible for monitoring air quality. We have also tested in "real conditions" our predictor: indeed, several ozone pollution peaks occurred during the months of June and August 2010. While PREV'AIR, the national air quality forecasting and mapping system, cannot predict the August’s peaks, it appears that our optimized MLP is able to predict them in both cases.

Source : http://eeeic.eu/

Appel à candidature pour un projet de thèse : prédiction de polluants

Appel à candidature terminé. 

Pour plus d'information, n'hésitez pas à m'envoyer un email : christophe.paoli@univ-corse.fr.

Possibilité de stage rémunéré bac+5 à partir de mars/avril.

Sujet de la thèse : Prévision des concentrations de polluants atmosphériques en Corse.

Résumé : Ce projet de thèse vise l’étude de la prévision de la qualité de l’air et le développement d’un outil statistique et informatique de prévision à court terme à partir de données provenant de stations de mesure appartenant au réseau Qualitair Corse et Météo-France.

Présentation : Cette étude fait suite à l’encadrement de deux stages de Master dont les objectifs étaient d’effectuer une étude complète sur le thème de la prévision de la qualité de l’air, et d’initier un projet de construction d’un modèle statistique de prévision. Ainsi l’association agréée Qualitair Corse en collaboration avec l’université de Corse/UMR CNRS UMR 6134 propose de poursuivre ces études dans le cadre d’une thèse de doctorat. En effet, à des fins de complémentarité avec les modèles à grande échelle tels que PREV'AIR, Qualitair Corse a ressenti le besoin de disposer d'un outil de prédiction de pics de pollution à court terme, à partir de données provenant de stations de mesure appartenant à son réseau mais aussi à celui de Météo-France. Suite à la collaboration avec le SPE UMR 6134, les porteurs de ce projet se sont orientés vers l’utilisation de techniques d'intelligence artificielle afin de concevoir un tel outil. Ces techniques ont été utilisées avec succès dans le cadre du projet EnR pour prédire le rayonnement solaire. Avant l'utilisation de ces techniques, il sera essentiel de procéder à un état de l’art, aussi complet que possible de la littérature sur le sujet et sur les techniques de prévision de pics de pollution. En effet, il sera important de comparer ces techniques au prédicteur construit à l’issue de ce projet. Suite à cette étude, nous pensons être en mesure de développer un outil logiciel permettant de prévoir les pics de pollution pour la région de la Corse sur tous les sites avec des données, mais aussi sur des sites ne possédant pas de données. En ce qui concerne ce dernier point, nous pensons combiner réseaux de neurones artificiels et systèmes d'information géographiques. Un ou plusieurs experts associés de l'INSU avec une expérience dans ce domaine seront sollicités afin de guider les membres de ce projet.
. 

Mention du Doctorat : Energetique et génie des procédés
Domaine scientifique principal  : Énergies renouvelables
Domaines scientifiques secondaires : Climat, étude des gaz à effet de serre 
Connaissances et compétences requises : Statistiques et Réseaux de Neurones Artificiels, Connaissance de la programmation MatLab et procédurale, Théorie des séries temporelles, Notions de la problématique liée aux polluants atmosphériques.  


Directeur : Gilles Notton, Université de Corse 
Co-directeur : Christophe Paoli, Université de Corse
Entreprise : Qualitair Corse
Début : septembre 2011
Financement : bourse ADEC/CTC envisagée, environ 1800 € net/mois pendant 3 ans
Lieu : Corte, Qualitair Corse

Papier accepté dans la revue Energy

Un nouveau papier auquel j'ai collaboré vient d'être accepté pour publication dans la revue "Energy" éditée par Elsevier.

Title of the paper : Optimization of an artificial neural network dedicated to the multivariate forecasting of daily global radiation

Authors : Cyril Voyant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet

Abstract :  This paper presents an application of Artificial Neural Networks (ANNs) to predict daily solar radiation. We look at the Multi-Layer Perceptron (MLP) network which is the most used of ANNs architectures. In previous studies, we have developed an ad-hoc time series preprocessing and optimized a MLP with endogenous inputs in order to forecast the solar radiation on a horizontal surface. We propose in this paper to study the contribution of exogenous meteorological data (multivariate method) as time series to our optimized MLP and compare with different forecasting methods: a naïve forecaster (persistence), ARIMA reference predictor, an ANN with preprocessing using only endogenous inputs (univariate method) and an ANN with preprocessing using endogenous and exogenous inputs. The use of exogenous data generates an nRMSE decrease between 0.5% and 1% for two stations during 2006 and 2007 (Corsica Island, France). The prediction results are also relevant for the concrete case of a tilted PV wall (1.175 kWp). The addition of endogenous and exogenous data allows a 1% decrease of the nRMSE over a 6 months-cloudy period for the power production. While the use of exogenous data shows an interest in winter, endogenous data as inputs on a preprocessed ANN seem sufficient in summer.

Keywords: Time series forecasting; Processing; Artificial neural networks; PV plant; Energy prediction; Stationarity

Sources :  http://www.elsevier.com

Papier accepté dans la revue Solar Energy

Un de nos papiers vient d'être accepté pour publication dans la revue "Solar Energy" de l'"International Solar Energy Society", éditée par Elsevier.

Title of the paper : Forecasting of preprocessed daily solar radiation time series using neural networks

Authors : Christophe Paoli, Cyril Voyant, Marc Muselli, Marie-Laure Nivet

Abstract :  In this paper, we present an application of Artificial Neural Networks (ANNs) in the renewable energy domain. We particularly look at the Multi-Layer Perceptron (MLP) network which has been the most used of ANNs architectures both in the renewable energy domain and in the time series forecasting. We have used a MLP and an ad-hoc time series preprocessing to develop a methodology for the daily prediction of global solar radiation on a horizontal surface. First results are promising with nRMSE ~ 21% and RMSE ~ 3.59 MJ/m². The optimized MLP presents predictions similar to or even better than conventional and reference methods such as ARIMA techniques, Bayesian inference, Markov chains and k-Nearest-Neighbors. Moreover we found that the data preprocessing approach proposed can reduce significantly forecasting errors of about 6% compared to conventional prediction methods such as Markov chains or Bayes inferences. The simulator proposed has been obtained using 19 years of available data from the meteorological station of Ajaccio (Corsica Island, France, 41°55'N, 8°44'E, 4 m above mean sea level). The predicted whole methodology has been validated on a 1.175 kWc mono-Si PV power grid. Six prediction methods (ANN, clear sky model, combination …) allow to predict the best daily DC PV power production at horizon d+1. The cumulated DC PV energy on a 6-months period shows a great agreement between simulated and measured data (R² > 0.99 and nRMSE < 2%).

Keywords: Time Series Forecasting, Preprocessing, Artificial Neural Networks, PV Plant Energy Prediction.

Sources :  http://www.elsevier.com

Contrat de collaboration de recherche avec Qualitair Corse

Un contrat de collaboration de recherche nous liant avec l'association agréée Qualitair Corse vient d'être officialisé. Les objectifs de ce projet sont d’effectuer une étude complète sur le thème de la prévision de la qualité de l’air, et d’étudier la faisabilité d’un outil statistique et informatique de prévision. Le planning suivant a été envisagé :

• Étude de la théorie des séries temporelles et de leurs prédictions
• Bilan des techniques disponibles quant à la prévision des pics de pollution
• Comparaison avec les réseaux de neurones artificiels
• Analyse et traitement des données
• Définition d’un benchmark et des expériences à réaliser
• Analyse et interprétation des expériences
• Bilan et synthèse de la comparaison des expériences

En savoir plus :

• Qualitair Corse 
• Laboratoire SPE CNRS UMR 6134  

Presentation for the 9th International Conference on Environment and Electrical Engineering

Presentation for the 9th International Conference on Environment and Electrical Engineering

233 papiers ont été soumis, 141 sélectionnés, 25 pays représentés

View more presentations from Christophe Paoli.

Papier accepté pour '25th European Photovoltaic Solar Energy Conference and Exhibition

Un nouveau papier auquel j'ai collaboré vient d'être accepté au congrès suivant "25th European Photovoltaic Solar Energy Conference and Exhibition", à Valence, Espagne. 

Title of the paper : Optimization of an artificial neural network (ANN) dedicated to the daily global radiation and PV plant production forecasting using exogenous data 

Authors : Cyril Voyant, Marc Muselli, Christophe Paoli, Marie-Laure Nivet

Abstract :  In this paper, we present an application of Artificial Neural Networks (ANNs) in the renewable energy domain. We particularly look at the Multi-Layer Perceptron (MLP) network which has been the most used of ANNs architectures both in the renewable energy domain and in the time series forecasting. We have used a MLP and an ad-hoc time series preprocessing to develop a methodology for the daily prediction of global solar radiation on a horizontal surface and a 1.175 kWp PV plant production. Different forecasting methods are compared: a naïve forecaster like persistence, an ANN with preprocessing using only endogenous inputs and an ANN with preprocessing using endogenous and exogenous inputs (like temperature, pressure, nebulosity, insulation, wind speed and direction etc.). The endogenous case is easily computed: the use of Partial Auto Correlation Factor (PACF) allows to optimize the number of lag time to consider. For the exogenous variables, we have applied a Pearson correlation coefficient method to optimize the number of considered input neurons. Although intuitively the use of meteorological data in the input layer of the MLP can only increase the quality of prediction, the obtained results are relatively mixed. The use of exogenous data generates a decrease of nRMSE between 0.5% and 1% for the both studied locations. The absolute error (RMSE) is decreased by 52 Wh/m²/day in the simple endogenous case and 335 Wh/m²/day for the persistence forecast. The results are similar to the concrete case of a tilted PV wall (1.175 kWp), endogenous and exogenous data ANN inputs allow decreasing the nRMSE by 1% on a 6 months-cloudy period for the DC power production (January-June). Moreover, the use of exogenous data shows an interest only in cloudy period (winter season). In summer, endogenous data as inputs on a preprocessed ANN are sufficient. By comparison to a naïve forecaster as persistence, an ANN with endo and exogenous data improves the DC electrical power energy prediction by 9% (nRMSE). Next step of this work will drive to shorter horizons; power predictor of meteorological data should have a greater impact.

Keywords: Time Series Forecasting, Preprocessing, Artificial Neural Networks, PV Plant Energy Prediction.

Sources :  http://www.photovoltaic-conference.com 

Papier accepté pour la Ninth International Conference on Environment and Electrical Engineering 2010 - Prague (Czech Republic)

Un nouveau papier auquel j'ai collaboré, vient d'être accepté au congrès suivant "9th International Conference on Environment and Electrical Engineering" qui se déroulera à Prague (Czech Republic) du 16 au 19 mai 2010.

Title of the paper : Use of exogenous data to improve an artificial neural networks dedicated to daily global radiation forecasting

Authors : Christophe Paoli, Cyril Voyant, Marc Muselli, and Marie-Laure Nivet

Abstract : This paper presents an application of Artificial Neural Networks (ANNs) in the renewable energy domain and, more particularly, to predict solar energy. We look at the Multi-Layer Perceptron (MLP) network which has been the most used of ANNs architectures both in the renewable energy domain and in the time series forecasting. In previous studies, we have demonstrated that an optimized ANN with endogenous inputs can forecast the solar radiation on a horizontal surface with acceptable errors. Thus we propose to study the contribution of exogenous meteorological data to our optimized MLP and compare with different forecasting methods used previously: a naïve forecaster like persistence and an ANN with preprocessing using only endogenous inputs. Although intuitively the use of meteorological data may increase the quality of prediction, the obtained results are relatively mixed. The use of exogenous data generates a decrease of nRMSE between 0.5% and 1% for the two studied locations. The absolute error (RMSE) is decreased by 52 Wh/m²/day in the simple endogenous case and 335 Wh/m²/day for the persistence forecast.

Source : http://eeeic.eu/

Offre de stage : Prédiction de pics de pollution atmosphérique

Cette proposition fait suite à un stage dont les objectifs étaient d'effectuer une étude complète sur le thème de la prévision de la qualité de l'air, et d'initier un projet de construction d'un modèle statistique de prévision. Ainsi l'association agréée Qualitair Corse en collaboration avec l'université de Corse/UMR CNRS UMR 6134 propose de poursuivre cette étude réalisée de juin 2009 à septembre 2009. Les techniques d'Intelligence Artificielle ont été utilisées avec succès dans le cadre du projet EnR pour la prédiction de l'ensoleillement. Nous souhaitons ainsi les étendre à la problématique de la prédiction de pics de pollution atmosphérique.

Un descriptif complet est disponible >>> ICI et ci-dessous.

A noter que cette étude entre dans le cadre du programme « Chantier Méditerranée » et de l’axe ChArMEx, initiative de l’INSU.

Sources :

http://www.qualitaircorse.org

http://spe.univ-corse.fr

Poster awrads lors de la 24th European Photovoltaic Solar Energy Conference and Exhibition

Un papier, auquel j'ai collaboré, avait été accepté lors de la '24th European Photovoltaic Solar Energy Conference and Exhibition', à Hamburg. Nous venons d'apprendre que notre poster a reçu le prix du 'Poster Award' lors de la session 5 intitulée « PV SYSTEMS » : C. Voyant, M. Muselli, C. Paoli, M.L. Nivet, P. Poggi and P. Haurant - “Predictability of PV Power Grid Performance on Insular Sites without Weather Stations: Use of Artificial Neural Networks”

Le poster est téléchargeable ici :
Poster awrads lors de la 24th European Photovoltaic Solar Energy Conference and Exhibition

Lire le résumé de notre papier


Sources :
http://www.photovoltaic-conference.com
http://spe.univ-corse.fr

Papier accepté pour ICIC'09 : 2009 International Conference on Intelligent C...

Un nouveau papier vient d'être accepté au sein d'une conférence dans le domaine de l'intelligence artificielle. Il s'agit de la ICIC'09 : "2009 International Conference on Intelligent Computing", co-sponsorisé par "IEEE Computational Intelligence Society" et "International Neural Network Society". Notre papier (cf ci-dessous : titre, auteurs et résumé) apparaitra dans les "proceedings" (Collection de communications scientifiques) de la conférence qui seront publiés au sein de Springer Verlag, incluant Lecture Notes in Computer Sciences (LNCS)/Lecture Notes in Artificial Intelligence (LNAI)/Lecture Notes in Bioinformatics (LNBI)/ Communications in Computer and Information Science (CCIS).

Title of the paper: Solar radiation forecasting using ad-hoc time series preprocessing and neural networks.

Authors : Christophe Paoli, Cyril Voyant, Marc Muselli, Marie-Laure Nivet.

Abstract: In this paper, we present an application of neural networks in the renewable energy domain. We have developed a methodology for the daily prediction of global solar radiation on a horizontal surface. We use an ad-hoc time series preprocessing and a Multi-Layer Perceptron (MLP) in order to predict solar radiation at daily horizon. First results are promising with nRMSE < 21% and RMSE < 998 Wh/m². Our optimized MLP presents prediction similar to or even better than conventional methods such as ARIMA techniques, Bayesian inference, Markov chains and k-Nearest-Neighbors approximators. Moreover we found that our data preprocessing approach can reduce significantly forecasting errors.

Source
http://www.ic-ic.org