FR3078802A1 - Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire - Google Patents

Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire Download PDF

Info

Publication number
FR3078802A1
FR3078802A1 FR1851971A FR1851971A FR3078802A1 FR 3078802 A1 FR3078802 A1 FR 3078802A1 FR 1851971 A FR1851971 A FR 1851971A FR 1851971 A FR1851971 A FR 1851971A FR 3078802 A1 FR3078802 A1 FR 3078802A1
Authority
FR
France
Prior art keywords
neural network
convolutional neural
images
series
energy production
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1851971A
Other languages
English (en)
Other versions
FR3078802B1 (fr
Inventor
Vincent Le Guen
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electricite de France SA
Original Assignee
Electricite de France SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electricite de France SA filed Critical Electricite de France SA
Priority to FR1851971A priority Critical patent/FR3078802B1/fr
Priority to EP19703758.3A priority patent/EP3762872A1/fr
Priority to US16/975,892 priority patent/US12001938B2/en
Priority to PCT/EP2019/053670 priority patent/WO2019170384A1/fr
Publication of FR3078802A1 publication Critical patent/FR3078802A1/fr
Application granted granted Critical
Publication of FR3078802B1 publication Critical patent/FR3078802B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)
  • Photovoltaic Devices (AREA)

Abstract

L'invention concerne un procédé d'estimation d'au moins un indicateur de production d'énergie d'un système de production d'énergie solaire, comprenant : - réception (503) d'au moins une image obtenue à partir d'un dispositif d'acquisition d'images à champ large, - traitement (504 ; 505) de ladite image obtenue par au moins un réseau de neurones convolutionnel comprenant au moins deux couches pour respectivement l'application d'un filtre de convolution à ladite image reçue et l'estimation d'un indicateur de production d'énergie.

Description

Réseau de neurones convolutionnel pour l’estimation d’un indicateur de production d’énergie solaire
La présente invention concerne le domaine de l’estimation ou de la prévision à court-terme de la production d’énergie électrique par des cellules photovoltaïques.
En particulier, l’invention concerne l’estimation du rayonnement solaire actuel et/ou futur exploitable pour la production d’énergie et plus particulièrement de l’estimation de paramètres de rayonnement et/ou la prévision de leur évolution par analyse d’images de la couverture nuageuse (nébulosité, qui influe sur le rayonnement exploitable).
En raison de la part grandissante de la production photovoltaïque, se pose la question de l’intégration à grande échelle de cette source d’énergie intermittente dans les réseaux électriques existants.
Une estimation améliorée de la production photovoltaïque représente un avantage pour le producteur et pour le gestionnaire du réseau afin d’assurer l’équilibre entre consommation et production, ce qui garantit la sécurité et la stabilité du système électrique.
En particulier, ces estimations ou prévisions permettent d’optimiser le fonctionnement de systèmes mixtes combinant production photovoltaïque et systèmes de stockage (batteries) ou autre moyens de production (par exemple, l’anticipation ou la détection d’une chute de production permet une mise en route adaptée de batteries).
L’estimation du flux de rayonnement solaire est généralement réalisée par un dispositif comportant un capteur de type pyranomètre. Un tel capteur est relativement coûteux et n’est de plus pas adapté à la prévision.
Il peut alors être remplacé par une caméra avec une optique à champ large, aussi appelée « fisheye » qui permet un panoramique hémisphérique (à 360°).
L’estimation à un instant tO peut être réalisée à partir d’une seule image acquise.
L’estimation à un instant futur (prévision) de paramètres d’irradiation peut requérir l’acquisition d’une pluralité d’images.
Dans les méthodes connues de l’art antérieur, cette pluralité d’images est prétraitée pour calculer des paramètres caractéristiques de l’évolution de la nébulosité. Les données ainsi obtenues sont ensuite traitées pour obtenir les paramètres ciblés. Le traitement peut notamment être effectué par un réseau de neurones.
Pour être exploitable par ces méthodes, l’image capturée (ou les images), qui est déformée (image hémisphérique projetée sur un plan bidimensionnel correspondant au plan du capteur) doit être préalablement corrigée (transformation pour passer à un repère bidimensionnel orthonormé). Une telle correction nécessite une calibration préalable du dispositif d’acquisition d’images à l’aide d’une mire, calibration qui est préférentiellement réalisée sur le site d’exploitation du capteur.
C’est par exemple le cas de la solution proposée par le document « Surface solar irradiance estimation with low-cost fish-eye caméra », Charlotte Gauchet et Al, workshop « Remote Sensing Measurements for Renewable Energy », May 2012, Risoe, Denmark. Cette publication présente différentes étapes nécessaires pour établir la relation entre les images capturées et les paramètres d’irradiation :
- Calibration géométrique et radiométrique d’une caméra fisheye ;
- Segmentation des pixels des images en cinq classes : ciel clair, nuages sombres, nuages lumineux, centre du soleil, région périsolaire dite circumsolaire ;
- Détermination de modèles de régression pour l’estimation du rayonnement solaire global, direct et diffus à partir de la segmentation des images hémisphériques du ciel.
Dans le document “Sun-Tracking imaging System for intra-hour DNI forecasts, Chu Li, Coimbra, Renewable Energy, 2016, il est proposé d’utiliser des images Fisheye et un MLP “Multi-Layer Perception”. Toutefois, les données d’entrée sont des indicateurs extraits des images, et il y a donc un prétraitement des images et une phase de définition d’indicateurs par un expert.
La présente invention vient améliorer la situation.
Un premier aspect de l’invention concerne un procédé d’estimation d’au moins un indicateur de production d’énergie d’un système de production d’énergie solaire, comprenant :
- réception d’au moins une image obtenue à partir d’un dispositif d’acquisition d’images à champ large,
- traitement de l’image obtenue par au moins un réseau de neurones convolutionnel comprenant au moins deux couches pour respectivement l’application d’un filtre de convolution à l’image reçue et l’estimation d’un indicateur de production d’énergie.
Le traitement par un réseau convolutionnel permet avantageusement de s’affranchir d’une étape préalable de calibration du dispositif d’acquisition d’images ou de transformation de l’image obtenue par le dispositif.
Selon un mode de réalisation, l’image obtenue peut être acquise par le dispositif d’acquisition d’images à champ large à un instant t et l’indicateur de production d’énergie peut être estimé à l’instant t correspondant à l’instant d’acquisition de l’image obtenue.
Le procédé selon ce mode de réalisation permet ainsi l’estimation en temps réel de l’indicateur de production d’énergie.
Selon un mode de réalisation, une série d’images peut être obtenue à partir du dispositif d’acquisition d’images à champ large, les images de la série peuvent être traitées séquentiellement par un réseau de neurones convolutionnel récurrent et l’indicateur de production d’énergie peut être prédit pour un instant t ultérieur à l’acquisition de la série d’images.
Le procédé selon ce mode de réalisation permet ainsi l’estimation (ou prédiction) d’indicateurs futurs de production d’énergie, ce qui peut permettre avantageusement d’optimiser la répartition de l’énergie électrique dans un réseau par exemple.
En complément, le réseau de neurones convolutionnel peut être un réseau de neurones convolutionnel récurrent, les images de la série peuvent être traitées par un premier traitement par le réseau de neurones convolutionnel récurrent afin d’obtenir un vecteur de contexte, le vecteur de contexte étant soumis à un deuxième traitement par un réseau de neurones non convolutionnel récurent pour obtenir l’indicateur de production d’énergie. L’application du filtre de convolution peut être mise en œuvre dans le réseau de neurones convolutionnel récurent et l’estimation de l’indicateur de production d’énergie peut être mise en œuvre dans le réseau de neurones nonconvolutionnel récurent.
Un tel mode de réalisation permet une estimation précise de l’évolution de l’indicateur de production d’énergie solaire.
En complément ou en variante, le réseau de neurones convolutionnel récurrent peut être de type Long Short Term Memory, LSTM.
Le réseau de neurones convolutionnel récurrent est aussi appelé réseau encodeur dans une architecture de type encodeur/décodeur.
En complément ou en variante, le réseau de neurones nonconvolutionnel récurent peut être de type Long Short Term Memory, LSTM.
Le réseau de neurones non-convolutionnel récurrent est aussi appelé réseau décodeur dans une architecture de type encodeur/décodeur.
Selon un mode de réalisation, l’image obtenue à partir du dispositif d’acquisition d’images à champ large peut être obtenue par :
- acquisition d’une série d’images par le capteur d’image à champ large ; et
- application d’un algorithme de flot optique à la série d’images acquise afin de prédire ladite image obtenue, l’image obtenue correspondant à un instant t ultérieur à la série d’images acquise.
Ainsi, la prédiction de l’image future peut être réalisée en amont du dispositif d’estimation, qui peut ainsi être à la fois utilisé sur des images directement acquises ou sur des images prédites.
Selon un mode de réalisation, l’image obtenue à partir du dispositif d’acquisition d’images à champ large peut être obtenue par :
- acquisition d’une série d’images par le dispositif d’acquisition d’images à champ large ; et
- traitement de la série d’images par un autre réseau de neurones convolutionnel pour prédire ladite image obtenue, l’image obtenue correspondant à un instant t ultérieur à la série d’images acquise.
Ainsi, la prédiction de l’image future peut être réalisée en amont du dispositif d’estimation, qui peut ainsi être à la fois utilisé sur des images directement acquises ou sur des images prédites.
Selon un mode de réalisation, le traitement par le réseau de neurones convolutionnel comprend au moins :
- une première couche pour l’application de filtres de convolution ; et
- une deuxième couche de sous-échantillonnage en sortie de la première couche.
La première couche permet de dupliquer l’image autant de fois qu’il y a de plans caractéristiques, ou « feature maps », et la deuxième couche permet de réduire la taille de ces plans.
En complément, le traitement par le réseau de neurones convolutionnel peut comprendre plusieurs paires de première et deuxième couches successives.
Le fait d’avoir plusieurs paires permet de capturer des formes à différents niveaux de granularité.
En complément ou en variante, la couche pour l’estimation de l’indicateur de production d’énergie peut comprendre le traitement par un neurone suivi de l’application d’une fonction d’activation linéaire.
Selon un mode de réalisation, au moins un indicateur de production d’énergie peut comprendre l’un parmi, ou une combinaison parmi :
- un paramètre d’irradiation horizontale globale ;
- un paramètre d’irradiation horizontale diffuse ; ou
- un paramètre d’irradiation normale directe.
Ces paramètres sont représentatifs de la production d’énergie solaire et sont à ce titre pertinents à prendre en compte.
Un deuxième aspect de l’invention concerne un programme d'ordinateur comprenant une série d'instructions qui, lorsqu'elles sont exécutées par un processeur, mettent en œuvre les étapes d’un procédé selon le premier aspect de l’invention.
Un troisième aspect de l’invention concerne un dispositif d’estimation d’au moins un indicateur de production d’énergie d’un système de production d’énergie solaire, comprenant :
- une interface de réception d’au moins une image obtenue à partir d’un dispositif d’acquisition d’images à champ large,
- un processeur configuré pour le traitement de ladite image acquise par au moins un réseau de neurones convolutionnel comprenant au moins deux couches pour respectivement l’application d’un filtre de convolution à ladite image reçue et l’estimation d’un indicateur de production d’énergie
Un quatrième aspect de l’invention concerne un système comprenant un dispositif d’acquisition d’images à champ large apte à communiquer avec un dispositif d’estimation selon le troisième aspect de l’invention.
D’autres caractéristiques et avantages de l’invention apparaîtront à l’examen de la description détaillée ci-après, et des dessins annexés sur lesquels:
- la figure 1 présente un système selon un mode de réalisation de l’invention;
- la figure 2 présente une couche de convolution appliquée à une image selon un mode de réalisation de l’invention ;
- la figure 3 illustre les différentes couches d’un réseau de neurones convolutionnel selon un mode de réalisation de l’invention ;
- la figure 4 illustre le fonctionnement d’un neurone d’un réseau de neurones selon un mode de réalisation de l’invention ;
- la figure 5 est un diagramme illustrant les étapes d’un procédé d’estimation selon un mode de réalisation de l’invention ;
- la figure 6 illustre schématiquement le principe d’un réseau récurrent ;
- la figure 7 illustre un ensemble de réseaux de neurones pour la prédiction d’un indicateur de production d’énergie solaire selon un mode de réalisation de l’invention ;
- la figure 8 illustre la structure d’un dispositif d’estimation selon un mode de réalisation de l’invention.
La figure 1 illustre un système d’estimation d’au moins un indicateur de production d’énergie d’un système de production d’énergie solaire selon un mode de réalisation de l’invention.
Le système d’estimation peut être préférentiellement situé à proximité du système de production d’énergie solaire. Le système de production d’énergie solaire n’est pas représenté sur la figure 1.
Le système comprend un dispositif d’acquisition d’images à champ large 100, tel qu’une caméra fisheye par exemple.
Chaque image capturée par le dispositif d’acquisition 100 peut être transmise à un dispositif d’estimation 102 selon l’invention, ou, selon d’autres modes de réalisation, à un dispositif de prédiction optionnel 101, lui-même relié au dispositif d’estimation 102.
Que le dispositif d’estimation 102 reçoive une ou des images directement depuis le dispositif d’acquisition 100 ou depuis le dispositif de prédiction, la ou les images reçues sont considérées comme obtenues à partir du dispositif d’acquisition 100.
Le dispositif d’estimation 102 est configuré pour mettre en œuvre un procédé selon l’invention, tel que décrit plus en détails dans ce qui suit.
L’invention repose sur l’utilisation d’un dispositif d’acquisition d’images à champ large en combinaison avec un dispositif d’estimation intégrant un réseau de neurones profond de type convolutionnel, aussi appelé CNN pour « convolutional neural network » en anglais.
Le dispositif d’acquisition 100 peut être fixe ou mobile et peut acquérir des images à une fréquence donnée, ou sur déclenchement ponctuel. Par exemple, le dispositif d’acquisition 100 peut acquérir des images toutes les dix secondes. Aucune restriction n’est attachée à la fréquence d’acquisition des images.
Un réseau de type CNN peut comporter une première couche de traitement, ou couche de convolution, qui permet de traiter l’image obtenue du dispositif d’acquisition 100 ou du dispositif de prédiction 101. La couche de convolution peut traiter l’image obtenue, par groupe de pixels.
Le réseau de type CNN peut comprendre plusieurs couches de traitement (de convolution), et comprend en outre une couche chargée d’extraire une estimation d’au moins un indicateur de production d’énergie solaire, tel qu’une estimation de rayonnement solaire.
L’indicateur peut être :
- un paramètre représentatif de la production électrique issue du dispositif de production d’énergie tel qu’un panneau solaire placé au sol à proximité du système d’estimation ;
- un paramètre représentatif de l’irradiation solaire en Watt/m2, qui peut se décomposer en trois composantes :
o l’irradiation globale horizontale ou GHI pour « Global Horizontal Irradiance » ;
o l’irradiation diffuse horizontale ou DHI pour « Diffuse Horizontal Irrandiance » ;
o l’irradiance directe normale ou DNI pour « Direct Normal Irradiance » ;
- un paramètre relatif au toute autre variable météorologique déductible à partir d’images, telle que la couverture nuageuse, la météo, etc.
En parallèle, afin d’évaluer la précision du dispositif d’estimation et afin de réaliser la phase d’apprentissage du réseau de neurones convolutionnel, il peut être prévu de mesurer en parallèle, au même pas de temps (à la même fréquence qu’une fréquence d’acquisition des images), le rayonnement solaire au moyen d’un capteur de rayonnement, tel qu’un SunTracker (de type Solys2™ par exemple), ou un pyranomètre (de type SPN1 par exemple).
L’utilisation d’un réseau de type CNN permet de s’affranchir de la nécessité d’avoir une calibration du dispositif d’acquisition ainsi que de la nécessité de transformer l’image numérique obtenue depuis le dispositif d’acquisition.
La figure 2 illustre le principe de la convolution et présente le résultat de l’application d’un filtre de convolution 201 à une image 200 comprenant des pixels 203.
L’image 200 représentée a une taille de 8*8=64 pixels et peut être l’image obtenue à partir du dispositif d’acquisition 100.
Le filtre de convolution 201 est de taille 3*3 et est donc appliqué à chaque matrice de 3*3 pixels de l’image 200 pour calculer un pixel résultant 204 de l’image résultante 202.
Plusieurs filtres de convolution peuvent être appliqués à une image afin de dupliquer l’image en plusieurs plans de caractéristiques ou « feature maps ».
La figure 3 illustre les différentes sous-étapes correspondant à une étape d’application d’un réseau de neurone convolutionnel à une image.
En particulier, un réseau de type convolutionnel LeNet-5 généralement utilisé dans la reconnaissance d’images de chiffres (de 0 à 9, d’où les dix neurones dans la dernière couche), est illustré afin de présenter le principe général d’un réseau de neurones convolutionnel.
De telles images de chiffres ont ici une taille d’entrée de 32*32 pixels (images en noir et blanc).
Des filtres de convolutions de taille 5*5 pixels sont appliqués afin d’obtenir une série de plan caractéristiques, par exemple 6 plans de caractéristiques, de taille 28*28 pixels après la première couche de convolution 301.
Ainsi, dans un tel exemple, il y a 6*28*28 neurones dans la première couche de convolution et 6*5*5 poids à apprendre. A cet effet, le réseau de neurones convolutionnel peut être construit par apprentissage à partir de traitement d’un ensemble d’images et par comparaison avec les données obtenues par le capteur de rayonnement ou par le pyranomètre, lors d’une étape préalable non décrite davantage ci-après.
Une sous-étape de sous-échantillonnage, ou couche de souséchantillonnage, appelée « sub-sampling » ou « max pooling », peut être appliquée aux plans de caractéristiques 301 afin de réduire la dimension de l’image. Dans l’exemple de la figure 3, la taille de plans de caractéristiques 301 est divisée par 2 afin d’obtenir des plans sous-échantillonnés 302 de 14*14 pixels.
Chaque pixel d’un plan sous-échantillonné 302 peut être calculé comme la somme ou le maximum (ou n’importe quelle fonction) des 2*2=4 pixels correspondants dans le plan de caractéristique 301 dont il est issu, la somme ou le maximum étant multiplié par un poids déterminé lors de la phase d’apprentissage.
Des fonctions d’activation non-linéaires peuvent être introduites entre les couches, par exemple après chaque couche de convolution. Un exemple de fonction non-linéaire peut être une fonction de type « REctified Linear Unit » RELU.
Plusieurs paires de couches de convolution et de souséchantillonnage peuvent être utilisées, comme illustré sur la Figure 3, dans lequel une couche additionnelle de convolution est appliquée aux plans souséchantillonnés 302 afin d’obtenir 16 plans de caractéristiques de taille 10*10 pixels, qui sont eux-mêmes sous-échantillonnés pour obtenir 16 plans souséchantillonnés de taille 5*5 pixels.
L’enchaînement de plusieurs paires de couches de convolution et de sous-échantillonnage permet de capturer des formes à différents niveaux de granularité, invariantes par translation.
Après la ou les paires de couches de convolution et de souséchantillonnage, des couches dites « entièrement connectées », utilisées dans les réseaux de neurones, peuvent être ajoutées. Une couche entièrement connectée est une couche dont chaque neurone est connecté à tous les neurones de la couche précédente. Une couche de convolution n’appartient donc pas à ce type de couche
La figure 3 présente une première couche entièrement connectée permettant d’obtenir 120 valeurs, puis une deuxième couche entièrement connectée permettant d’obtenir 84 valeurs et enfin une troisième couche entièrement connectée permettant d’obtenir 10 valeurs qui sont les dix sorties du réseau de neurones convolutionnel (et qui indiquent, dans l’exemple considéré, la reconnaissance ou non d’un chiffre donné). Les couches entièrement connectées permettent de relier les formes capturées aux informations que l’on cherche à prédire avec le réseau de neurones convolutionnel.
Dans un réseau de neurones convolutionnel, une succession de plusieurs couches de convolution, suivies de fonctions d’activation nonlinéaires, permet de construire progressivement une représentation de plus en plus abstraite des données d’entrée. A titre d’exemple, si le réseau de neurones convolutionnel prend en entrée une image de voiture, la première couche de convolution peut permettre de détecter des lignes ou des contours. Puis ces éléments sont combinés entre eux par les couches suivantes et une couche va détecter le concept plus abstrait de roue, et la dernière couche permet d’identifier le concept de voiture.
Le principe d’un réseau de neurones convolutionnel illustré sur la figure 3 peut être avantageusement utilisé dans le contexte de l’estimation d’un indicateur de production d’énergie. Dans ce cas, la dernière couche « entièrement connectée » retourne une unique valeur et est une couche d’estimation d’un indicateur de production d’énergie.
Préalablement à la phase d’apprentissage statistique, des images sont acquises et les mesures de rayonnements correspondantes acquises par le capteur de rayonnement ou le pyranomètre, sont stockées en parallèle.
Comme décrit précédemment, l’utilisation d’un réseau de neurones convolutionnel permet de s’affranchir de prérequis tel que la calibration de la caméra et de prétraitements tels que la définition des indicateurs, la segmentation des images, comparativement aux procédés existants n’utilisant pas de réseau de neurones de type convolutionnel.
La Figure 4 illustre un neurone d’une couche de traitement d’un réseau de neurones.
Un réseau de neurones est en général composé d’une succession de couches dont chacune prend en entrées les sorties de la couche précédente.
Chaque couche i est composée de Nj neurones, prenant leurs entrées sur les NΜ neurones de la couche précédentes i-1. Un neurone calcule une somme pondérée de ses entrées puis applique une fonction d’activation non linéaire, telle qu’une fonction sigmoïde ou une tangente hyperbolique, afin d’obtenir une valeur de sortie. Les poids des pondérations constituent des paramètres qui sont optimisés lors de la phase d’apprentissage.
Sur la figure 4, le neurone illustré applique des pondérations 402.1 402.n aux valeurs d’entrée respectives 401.1 - 401.n. Les valeurs pondérées sont ensuite soumises à une fonction de combinaison 403.
Une fonction d’activation non-linéaire 405 est ensuite appliquée en fonction d’une valeur seuil 404 pour obtenir la valeur de sortie 406 du neurone.
Le principe d’un réseau de neurones de type convolutionnel est d’appliquer des transformations à une image en prenant en compte sa structure bidimensionnelle au moyen de filtres de convolution.
Par exemple, un filtre de convolution de taille 3*3 pixels appliqué à une image réalise un lissage de l’image en transformant chaque pixel par une combinaison linéaire des valeurs de ses voisins. Un même filtre est appliqué à toute l’image, en se déplaçant sur l’image de gauche à droite et de haut en bas par exemple, pour calculer les valeurs de sortie.
Selon l’invention, le choix de l’architecture du réseau de neurones convolutionnel peut être fait :
- manuellement : il est déterminé un nombre de couches de convolutions, un nombre de filtres par couche, les fonctions d’activation, les méthodes de régularisation et de normalisation. Aucune restriction n’est attachée à l’architecture déterminée qui dépend du cahier des charges fixés et du degré de précision souhaité ;
- par utilisation d’une architecture déjà existante, en la transposant à l’estimation d’un indicateur de production d’énergie (apprentissage de transfert, ou « transfer learning »). Des architectures de réseaux de neurones performants sont connus, peuvent comprendre des millions de paramètres à entraîner, peuvent comprendre jusqu’à 150 couches (pour le réseau ResNet par exemple) et peuvent être entraînés durant plusieurs semaines sur des unités de traitement graphique, ou « Graphies Processing Unit » GP U. De tels réseaux pré-entraînés peuvent ainsi être mis à profit afin d’estimer un indicateur de production d’énergie solaire.
Selon un mode de réalisation, la présente invention peut prévoir l’utilisation d’un réseau de type ResNet dont les paramètres sont entraînés sur une base d’apprentissage (des images obtenues par un dispositif d’images à champ large en association avec des mesures d’un indicateur de production d’énergie, notamment d’irradiation. Un tel réseau peut comprendre jusqu’à 152 couches et plus de 60 millions de paramètres à optimiser. Par exemple, l’invention a été implémentée sur un réseau de type ResNet de 51 couches et comprenant plus de 23 millions de paramètres.
La figure 5 est un diagramme illustrant les étapes d’un procédé d’estimation d’au moins un indicateur de production d’énergie solaire selon plusieurs modes de réalisation de l’invention.
Les étapes 500 à 502 permettant l’apprentissage du réseau de neurones récurrent sont préalables aux étapes 503 à 505.
A une étape 500, une série d’images est acquise. Une telle série d’images peuvent être acquises par un unique dispositif d’acquisition d’images ou par plusieurs. En parallèle de l’acquisition des images, des mesures de l’indicateur de production d’énergie solaire à évaluer (ou des indicateurs) sont effectuées à une étape 501. Chaque mesure correspond temporellement à l’acquisition de l’une des images de l’étape 500.
A une étape 502, les paramètres du réseau de neurones convolutionnel sont déterminés par apprentissage à partir des données acquises aux étapes 500 et 501, et afin de déterminer un ou plusieurs indicateurs de production d’énergie solaire. Comme décrit précédemment, le réseau de neurones convolutionnel peut être défini manuellement ou peut tirer parti d’une architecture déjà existante.
Une fois la phase d’apprentissage achevée, le réseau de neurones convolutionnel dont les paramètres ont été déterminés peut être utilisé pour déterminer l’indicateur de production d’énergie solaire.
A cet effet, à une étape 503, le dispositif d’estimation 102 reçoit une image obtenue à partir du dispositif d’acquisition d’images à champ large.
A une étape 504, l’image obtenue est traitée par le réseau de neurones convolutionnel issu des étapes 500 à 502, afin d’obtenir à une étape 505 l’indicateur de production d’énergie.
Les étapes 503 à 505 recouvrent plusieurs modes de réalisation de l’invention, selon que l’indicateur de production d’énergie soit une valeur instantanée (présente) ou une valeur prédite pour un instant futur.
Selon un premier mode de réalisation, l’image obtenue est acquise par le dispositif d’acquisition d’images à champ large 100 à un instant t et l’image est traitée par le réseau de neurones convolutionnel pour estimer l’indicateur de production d’énergie à l’instant t, correspondant à l’instant d’acquisition de l’image obtenu.
Ainsi, dans ce premier mode de réalisation, le procédé estime l’indicateur correspondant à une unique image. L’indicateur est donc représentatif du rayonnement solaire à l’instant d’acquisition de cette image.
Selon un deuxième mode de réalisation, une série d’images est obtenue à partir du dispositif d’acquisition d’images à champ large 100, les images de la série étant traitées séquentiellement par un réseau de neurones convolutionnel récurrent. Dans ce cas, l’indicateur de production d’énergie peut être prédit pour un instant t (strictement) ultérieur à l’acquisition de la série d’images.
L’utilisation d’une série d’images, acquises à différents instants, permet de prendre en compte l’aspect temporel de l’évolution du rayonnement (par exemple du déplacement de la couche nuageuse).
L’invention propose l’utilisation d’un réseau de neurones convolutionnel de type récurrent pour traiter une série d’images.
De même que les réseaux convolutionnels sont conçus comme une spécialisation dans le traitement des images, les réseaux récurrents sont une spécialisation pour le traitement de données séquentielles.
Le principe d’un réseau récurrent est de permettre de garder en mémoire l’ordre dans lequel les exemples (les images dans le cadre de la présente invention) sont présentés en entrée du réseau lors de la phase d’apprentissage, notamment lors de l’étape 502 discutée ci-avant. Ainsi, lors de la phase d’apprentissage, un réseau récurrent ne prend pas en entrée des exemples indépendants les uns des autres, mais des séries ou séquences d’exemples, une séquence d’exemples étant par exemple numérotée de 1 à T (x1, x2, ... xT).
La figure 6 illustre schématiquement le principe d’un réseau récurrent.
Le réseau comprend une couche d’entrée avec un vecteur x décrivant chaque exemple et des cycles sont introduits dans les connexions entre les neurones s. La sortie du réseau est notée o.
Le bouclage W rendant le réseau récurrent est détaillé sur la partie droite de la figure 6.
Les exemples d’une séquence xt_i, xt, xt+i, sont présentés un par un dans l’ordre de leur numérotation, les valeurs s des neurones constituant alors un état courant du réseau de neurones. Ainsi, la sortie ot du réseau pour le neurone st ne dépend pas seulement du vecteur d’entrée xt, mais aussi de l’état du réseau à l’instant t-1, donc de celui à tous les instants précédents.
Une variante des réseaux récurrents dits « simples » comme décrits en référence à la figure 6, est le réseau LSTM pour « Long Short Term Memory ».
Un bloc ou cellule LSTM est composé d’un état, d’une porte d’entrée, d’une porte de sortie et d’une porte d’oubli. Le vecteur d’état à l’instant t représente l’état courant de la séquence d’exemples en sachant les états passés, d’où le nom de « mémoire ». L’évolution de cette mémoire est régie par les trois portes, représentées par des poids à apprendre. Les réseaux LSTM ont initialement été développés afin de régler les problèmes d’apprentissage (« vanishing gradients ») des réseaux récurrents « simples » lorsqu’ils sont appliqués à des séquences longues.
Le traitement d’une série d’images selon l’invention peut impliquer l’architecture représentée en référence à la figure 7.
Une telle architecture peut être appelée encodeur/décodeur (ou, dans la littérature, « sequence to sequence » utilisée notamment dans des applications de traduction de texte d’une langue à une autre).
L’architecture présente un premier réseau de neurones convolutionnel récurrent 700 de type LSTM qui prend en entrée une série d’images 704 acquises à des instants différents, et traite chacune d’entre elles par un réseau convolutionnel (CNN sur la figure 7). Les informations issues des réseaux de neurones convolutionnels CNN sont entrées dans un réseau récurrent de type LSTM. En fin de séquence LSTM, le vecteur d’état du réseau LSTM, ou vecteur contexte, référencé 701, est la représentation de ce que le premier réseau convolutionnel récurrent 700 a appris de la série d’images (par exemple un vecteur décrivant la manière dont se déplacent les nuages).
Le principe général du fonctionnement d’un réseau LSTM est connu et ne sera pas décrit davantage dans la présente demande.
Le premier réseau récurrent (convolutionnel) 700 peut ainsi être appelé réseau récurrent encodeur.
Le vecteur de contexte 701 est utilisé en entrée d’un deuxième réseau récurrent, non convolutionnel, 702, appelé réseau récurrent décodeur. Le réseau récurrent décodeur 702 utilise le vecteur de contexte 701 pour estimer les indicateurs de production d’énergie solaire aux pas de temps futurs t0+H, t0+2H et t0+3H par exemple, t0 étant l’instant d’acquisition de la série d’images 704.
Selon un troisième mode de réalisation visant, comme pour le deuxième mode, à estimer une valeur future de l’indicateur, les étapes suivantes sont mises en œuvres :
- acquisition d’une série d’images par le capteur d’image à champ large 200 ; et
- application d’un algorithme de flot optique à la série d’images acquise, par le dispositif de prédiction 101 illustré en référence à la figure 1, pour déterminer une image future correspondant à un instant tO ultérieur à l’acquisition de la série d’images. L’image future est ensuite transmise au dispositif d’estimation 102 pour estimation de l’indicateur de production d’énergie solaire à l’instant t0.
Une telle méthode consiste ainsi à calculer le flot optique entre images successives (par exemple, estimation du déplacement des nuages) et propagation de ce mouvement pour prédire une image future à t0+H, t0 correspondant à l’acquisition de la série d’images. Le dispositif d’estimation 102 applique ensuite le procédé présenté ci-avant à l’image future pour obtenir l’estimation de l’indicateur de production d’énergie solaire.
Selon un quatrième mode de réalisation visant, comme pour le deuxième mode et pour le troisième mode, à estimer une valeur future de l’indicateur, les étapes suivantes sont mises en œuvres :
- acquisition d’une série d’images par le dispositif d’acquisition d’images à champ large 200 ; et
- traitement de la série d’images par un autre réseau de neurones convolutionnel (non représenté sur les figures et pouvant être implémenté dans le dispositif de prédiction 101 de la figure 1) pour déterminer une image future correspondant à un instant tO ultérieur à l’acquisition de la série d’images. L’image future est ensuite transmise au dispositif d’estimation 102 pour estimation de l’indicateur de production d’énergie solaire à l’instant t0.
Ainsi, selon ce quatrième mode de réalisation, au lieu de calculer le flot optique pour prédire une ou plusieurs images futures, il est possible d’utiliser des réseaux de neurones qui prédisent directement la ou les images futures. Il s’agit de la même architecture de réseau de neurones que celle présentée précédemment, sauf que les sorties sont les images futures (et non le ou les indicateurs). Le dispositif 102 traite ensuite les images futures comme décrit ci-avant.
La figure 8 illustre la structure du dispositif d’estimation 102 selon un mode de réalisation de l’invention.
Le dispositif d’estimation 102 comprend une mémoire vive 803 et un processeur 802 pour stocker des instructions permettant la mise en œuvre des étapes 503 à 505 du procédé décrit ci-avant. Le dispositif comporte aussi optionnellement une base de données 804 pour le stockage de données destinées à être conservées après l’application du procédé. La base de données 804 peut en outre stocker le ou les réseaux de neurones, récurrents et non-récurrents, ainsi que leurs paramètres respectifs.
Le dispositif d’estimation 102 comporte en outre une interface d’entrée 801 destinée à recevoir les images issues du dispositif de prédiction 101 ou du dispositif d’acquisition d’images à champ large 100, et une interface de sortie 805 apte à fournir en sortie l’indicateur de production d’énergie solaire.
Le procédé selon l’invention a été mis en œuvre dans un réseau de type Resnet avec des paramètres pré-entraînes sur la base ImageNet, dont les dernières couches ont été modifiées pour réaliser l’estimation du rayonnement solaire.
Le réseau utilisé prend en entrée une image couleur de taille 224*224*3 (les images issues de la caméra sont centrées et redimensionnées à cette taille). En effet, trois canaux sont utilisés pour représenter l’image couleur : rouge, vert et bleu. Un premier bloc appelé ResnetConv comprend un réseau Resnet et l’ensemble des couches de convolution. Les dernières couches du réseau Resnet servant à réaliser une classification entre 1000 classes d’objets, elles ont été retirées selon l’invention afin d’ajouter à la place des couches pour faire la régression du rayonnement à savoir :
- une couche dite de « drop out » qui est une régularisation qui consiste à mettre les neurones d’entrée à 0 avec une probabilité de 0,5 ;
- une couche entièrement connectée de dix neurones suivie d’une fonction d’activation ReLU ;
- une couche entièrement connectée à un neurone suivie d’une fonction d’activation linéaire, qui donne l’indicateur de rayonnement en sortie.
Ce réseau a été entraîné sur un historique de plusieurs millions 10 d’images et de mesures de rayonnement sur site expérimental entre 2012 et 2015. La base de validation est constituée des images de l’année 2016 sur le même site.
Les résultats obtenus montrent une forte réduction de l’erreur entre les estimations et les mesures comparativement aux méthodes de l’art 15 antérieur.

Claims (15)

  1. REVENDICATIONS
    1. Procédé d’estimation d’au moins un indicateur de production d’énergie d’un système de production d’énergie solaire, comprenant :
    - réception (503) d’au moins une image obtenue à partir d’un dispositif d’acquisition d’images à champ large (100),
    - traitement (504 ; 505) de ladite image obtenue par au moins un réseau de neurones convolutionnel comprenant au moins deux couches pour respectivement l’application d’un filtre de convolution à ladite image reçue et l’estimation d’un indicateur de production d’énergie.
  2. 2. Procédé selon la revendication 1, dans lequel l’image obtenue est acquise par le dispositif d’acquisition d’images à champ large (100) à un instant t et dans lequel l’indicateur de production d’énergie est estimé à l’instant t correspondant à l’instant d’acquisition de l’image obtenue.
  3. 3. Procédé selon la revendication 1, dans lequel une série d’images est obtenue à partir du dispositif d’acquisition d’images à champ large (100), dans lequel les images de la série sont traitées séquentiellement par un réseau de neurones convolutionnel récurrent et dans lequel l’indicateur de production d’énergie est prédit pour un instant t ultérieur à l’acquisition de la série d’images.
  4. 4. Procédé selon la revendication 3, dans lequel le réseau de neurones convolutionnel est un réseau de neurones convolutionnel récurrent, dans lequel les images de la série sont traitées par un premier traitement par le réseau de neurones convolutionnel récurrent afin d’obtenir un vecteur de contexte, ledit vecteur de contexte étant soumis à un deuxième traitement par un réseau de neurones non-convolutionnel récurent pour obtenir l’indicateur de production d’énergie ;
    l’application du filtre de convolution étant mise en oeuvre dans le réseau de neurones convolutionnel récurent et l’estimation de l’indicateur de production d’énergie étant mise en œuvre dans le réseau de neurones non20 convolutionnel récurent.
  5. 5. Procédé selon la revendication 3 ou 4, dans lequel le réseau de neurones convolutionnel récurrent est de type Long Short Term Memory, LSTM.
  6. 6. Procédé selon la revendication 4 et la revendication 5, dans lequel le réseau de neurones non-convolutionnel récurent est de type Long Short Term Memory, LSTM.
  7. 7. Procédé selon la revendication 1, dans lequel l’image obtenue à partir du dispositif d’acquisition d’images à champ large est obtenue par :
    - acquisition d’une série d’images par le capteur d’image à champ large ; et
    - application d’un algorithme de flot optique à la série d’images acquise afin de prédire ladite image obtenue, l’image obtenue correspondant à un instant t ultérieur à la série d’images acquise.
  8. 8. Procédé selon la revendication 1, dans lequel l’image obtenue à partir du dispositif d’acquisition d’images à champ large est obtenue par :
    - acquisition d’une série d’images par le dispositif d’acquisition d’images à champ large ; et
    - traitement de la série d’images par un autre réseau de neurones convolutionnel pour prédire ladite image obtenue, l’image obtenue correspondant à un instant t ultérieur à la série d’images acquise.
  9. 9. Procédé selon l’une des revendications précédentes, dans lequel le traitement par le réseau de neurones convolutionnel comprend au moins :
    - une première couche pour l’application de filtres de convolution ;
    - une deuxième couche de sous-échantillonnage en sortie de la première couche.
  10. 10. Procédé selon la revendication 9, dans lequel le traitement par le réseau de neurones convolutionnel comprend plusieurs paires de première et deuxième couches successives.
  11. 11. Procédé selon la revendication 9 ou 10, dans lequel la couche pour l’estimation de l’indicateur de production d’énergie comprend le traitement par un neurone suivi de l’application d’une fonction d’activation linéaire.
  12. 12. Procédé selon l’une des revendications précédentes, dans lequel l’au moins un indicateur de production d’énergie comprend l’un parmi, ou une combinaison parmi :
    - un paramètre d’irradiation horizontale globale ;
    - un paramètre d’irradiation horizontale diffuse ; ou
    - un paramètre d’irradiation normale directe.
  13. 13. Programme d'ordinateur comprenant une série d'instructions qui, lorsqu'elles sont exécutées par un processeur, mettent en œuvre les étapes d’un procédé selon l'une des revendications 1 à 12.
  14. 14. Dispositif d’estimation (102) d’au moins un indicateur de production d’énergie d’un système de production d’énergie solaire, comprenant :
    - une interface de réception (801) d’au moins une image obtenue à partir d’un dispositif d’acquisition d’images à champ large,
    - un processeur (802) configuré pour le traitement de ladite image acquise par au moins un réseau de neurones convolutionnel comprenant au moins deux couches pour respectivement l’application d’un filtre de convolution à ladite image reçue et l’estimation d’un indicateur de production d’énergie
  15. 15. Système comprenant un dispositif d’acquisition d’images à champ large (100) apte à communiquer avec un dispositif d’estimation (102) selon la revendication 14.
FR1851971A 2018-03-07 2018-03-07 Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire Active FR3078802B1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
FR1851971A FR3078802B1 (fr) 2018-03-07 2018-03-07 Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire
EP19703758.3A EP3762872A1 (fr) 2018-03-07 2019-02-14 Réseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'énergie solaire
US16/975,892 US12001938B2 (en) 2018-03-07 2019-02-14 Convolutional neural network for estimating a solar energy production indicator
PCT/EP2019/053670 WO2019170384A1 (fr) 2018-03-07 2019-02-14 Réseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'énergie solaire

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1851971 2018-03-07
FR1851971A FR3078802B1 (fr) 2018-03-07 2018-03-07 Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire

Publications (2)

Publication Number Publication Date
FR3078802A1 true FR3078802A1 (fr) 2019-09-13
FR3078802B1 FR3078802B1 (fr) 2020-10-30

Family

ID=62873435

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1851971A Active FR3078802B1 (fr) 2018-03-07 2018-03-07 Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire

Country Status (4)

Country Link
US (1) US12001938B2 (fr)
EP (1) EP3762872A1 (fr)
FR (1) FR3078802B1 (fr)
WO (1) WO2019170384A1 (fr)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11693378B2 (en) * 2019-03-01 2023-07-04 Alliance For Sustainable Energy, Llc Image-based solar estimates
CN114037901B (zh) * 2021-10-25 2023-06-20 河海大学 光伏发电预测导向的实时卫星近红外图像推算方法
CN114662807B (zh) * 2022-05-26 2022-10-14 国网浙江省电力有限公司电力科学研究院 基于序列编码重构的多尺度区域光伏出力预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017178806A1 (fr) * 2016-04-11 2017-10-19 Magic Pony Technology Limited Estimation de mouvement par apprentissage machine
WO2017193172A1 (fr) * 2016-05-11 2017-11-16 Commonwealth Scientific And Industrial Research Organisation Prévision d'énergie solaire

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GENSLER ANDRE ET AL: "Deep Learning for solar power forecasting - An approach using AutoEncoder and LSTM Neural Networks", 2016 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC), IEEE, 9 October 2016 (2016-10-09), pages 2858 - 2865, XP033060577, DOI: 10.1109/SMC.2016.7844673 *
INMAN RICH H ET AL: "Solar forecasting methods for renewable energy integration", PROGRESS IN ENERGY AND COMBUSTION SCIENCE, vol. 39, no. 6, 26 July 2013 (2013-07-26), pages 535 - 576, XP028764771, ISSN: 0360-1285, DOI: 10.1016/J.PECS.2013.06.002 *
RICHARDSON WALTER ET AL: "Machine learning versus ray-tracing to forecast irradiance for an edge-computing SkyImager", 2017 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEM APPLICATION TO POWER SYSTEMS (ISAP), IEEE, 17 September 2017 (2017-09-17), pages 1 - 6, XP033230640, DOI: 10.1109/ISAP.2017.8071425 *
SACHIN MEHTA ET AL: "DeepSolarEye: Power Loss Prediction and Weakly Supervised Soiling Localization via Fully Convolutional Networks for Solar Panels", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 10 October 2017 (2017-10-10), XP080827783 *

Also Published As

Publication number Publication date
US12001938B2 (en) 2024-06-04
US20210004661A1 (en) 2021-01-07
FR3078802B1 (fr) 2020-10-30
EP3762872A1 (fr) 2021-01-13
WO2019170384A1 (fr) 2019-09-12

Similar Documents

Publication Publication Date Title
CN102792671B (zh) 用于图像采集和转换的方法和装置
EP3762872A1 (fr) Réseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'énergie solaire
AU2018426277B2 (en) Solar irradiation prediction using deep learning with end-to- end training
Anushka et al. Lens less cameras for face detection and verification
CN112802076A (zh) 反射图像生成模型及反射去除模型的训练方法
Song et al. A novel sky image-based solar irradiance nowcasting model with convolutional block attention mechanism
AU2018427959A1 (en) Method and machine readable storage medium of classifying a near sun sky image
CN110942097A (zh) 基于单像素探测器的免成像分类方法和系统
WO2022112722A1 (fr) Procédé de détection d'installations photovoltaïques sur une image par apprentissage profond
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
Yuzer et al. Deep learning model for regional solar radiation estimation using satellite images
CN114332993A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
FR3019408A1 (fr) Procede de prevision de rayonnement solaire au sol au voisinage d'un site
FR3028114A1 (fr) Procede de diagnostic d'un systeme photovoltaique
Crisosto Autoregressive neural network for cloud concentration forecast from hemispheric sky images
CN115731115A (zh) 一种数据处理方法以及装置
EP2825995B1 (fr) Système pour déterminer l'identification d'un appareil photographique a partir d'une photographie et procédé mis en oeuvre dans un tel système
FR3131988A1 (fr) Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique
EP3380947B1 (fr) Procédé et dispositif de prévision de nébulosité par traitement statistique de données sélectionnées par analyse spatiale
EP3311365B1 (fr) Procédé d'estimation et de prévision d'indicateur de production d'énergie d'un système solaire
FR3143160A1 (fr) Procédé de prévision d’une séquence d’images par intelligence artificielle et son architecture de réseau de neurones
US20220295030A1 (en) Automatic white balance correction for digital images using multi-hypothesis classification
CN116882564A (zh) 一种超短期辐照度预测方法及装置
CN118211734A (zh) 一种基于图像处理和多模态数据融合的短期辐照度预测方法、装置及存储介质
EP4322061A1 (fr) Dispositif électronique et procédé de traitement de données comportant au moins un modèle d'intelligence artificielle auto-adaptatif avec apprentissage local, système électronique et programme d'ordinateur associés

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20190913

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

PLFP Fee payment

Year of fee payment: 7