Modèles d’apprentissage profond pour l’auto-correction des prévisions météorologiques : application à la prévision de la demande sur le réseau électrique québécois et analyse de l’impact des tendances climatiques

A Hydro-Quebec TransEnergie (HQTE), la prevision de la charge (ou « prevision du MW») en operationnel repose sur de; model es parametriques constitues defonctions modelisantes non lineaires. Ces model es sont alimentes par des observations et des previsions meteorologiques, ces dernieres pouvant etre auto corrigees selon la ten dance observee dans Jes derniere;
heures. S’ils ont fait leur preuve et demeurent performants, on constate une lente degradation de leur capacite a prevoir en toute situation Jes besoins quebecois. Cette degradation est expliquee par plusieurs phenomenes: des changements dans le; comportements sociaux, dans la repartition geographique de la population, dans l’equipement en domotique, dans la composition de l’industrie electro-intensive. Les changements climatiques ont aussi leur part de responsabilite. Dans ce proja: de recherche, nous souhaitons etudier !’integration d’une couche neuronale d’auto-correction des intrants meteorologique; bruts, proposer une interpretation physique de ces modeles, puis analyser leur comportement dans un contexte de changement climatique.

Faculty Supervisor:

Alejandro Di Luca

Student:

Partner:

Hydro-Quebec

Discipline:

Computer science

Sector:

Information and Communications Technology; Artificial Intelligence; Energy and Utilities

University:

Université du Québec à Montréal

Program: