Apprentissage machine fiable pour la centrale électrique virtuelle québécoise

L’apprentissage machine est un outil extrêmement polyvalent qui ne cesse de gagner en popularité à l’ère des données. Il peine pourtant à obtenir l’acceptabilité industrielle en énergie. Traditionnellement, l’apprentissage machine est peu interpré-table, n’offre pas de garanties de performance et est parfois imprévisible; ces particularités nuisent à la confiance qu’on lui accorde et freine son intégration dans un secteur aussi sensible que l’énergie. Dans ce projet, on cherche à développer de nouveaux modèles d’apprentissage machine fiable pour répondre directement aux besoins d’Hilo, la filiale d’Hydro-Québec en charge de monter la centrale virtuelle québécoise. Ces modèles serviront principalement à améliorer l’algorithme de pré-diction de la consommation normale (baseline) des immeubles commerciaux intégrés à la solution Hilo.

Faculty Supervisor:

Antoine Lesage-Landry

Student:

Partner:

Hilo

Discipline:

Engineering

Sector:

Utilities

University:

Polytechnique Montréal

Program: