Stage de recherche - Intelligence Artificielle pour la Modélisation de la Consommation Nette à Paris la Défense - F/H

Description de l'offre

Lieu : Paris la Défense 
Durée et/ou période du stage : 4 à 6 mois dès Janvier 2024 

En tant que stagiaire, vous serez intégré(e) au sein du pôle Pilotage du Système (PilS) de la Direction de la R&D de RTE. Ses principales activités concernent la réalisation d’études prospectives, la fourniture d’expertise sur le fonctionnement des réseaux électriques et le développement d’outils d'étude et d'exploitation du réseau. Il participe à de nombreux projets de recherche internationaux, en particulier Européens.

L’intégration des énergies renouvelables dans le mix énergétique s’accompagne d’une évolution des dynamiques des flux au sein du réseau électrique. En effet, la caractéristique intermittente de ces sources d’énergies rend les flux de plus en plus variables et incertains. De plus, une part importante des parcs éoliens et photovoltaïques sont connectés au réseau de distribution alimentant ainsi directement les demandes de consommation sans passer par le réseau de transport. Or, pour assurer la sécurité du réseau et d’approvisionnement, il est indispensable d’estimer à l’avance les flux qui vont circuler dans les lignes. Dans ce contexte, RTE se doit d’envisager plusieurs approches de prévision d’injection/soutirage nécessaire à l’établissement des programmes de production et la mise en place de la topologie adéquate du réseau de transport, afin de mieux anticiper les flux qui vont effectivement circuler sur le réseau de transport. Il devient alors nécessaire de faire de la prévision de « consommation nette », c’est à dire la demande électrique totale du système moins la production éolienne et solaire.

Les méthodes de prévision de consommation reposent sur des modèles statistiques qui sont particulièrement adapté pour modéliser des phénomènes stationnaires. Cette hypothèse est rarement vérifiée pour la consommation nette. Il convient alors d’utiliser des modèles d’apprentissage automatique. Une nouvelle architecture de réseau de neurones, « les Transformers » a vu le jour en 2017 [1]  qui a révolutionné le traitement automatique du langage (TAL), devenant un pilier fondamental des architectures les plus connues telle que BERT, GPT ou RoBERTa. Leur intérêt principal réside dans leur capacité à créer des couches dites « d’attention » permettant de capturer des relations à longue portée dans les données. Cependant, pour l’utilisation de cette architecture pour des données d’entrée de séries temporelles multidimensionnelles (production éolienne, photovoltaïque, température, vent, ensoleillement), il est nécessaire de les adapter. De récents travaux ont proposé de coupler les transformers avec des architectures de réseau de convolutions de graphe pour adapter les transformers à la modélisation de prévision de consommation nette [2]. L’objectif de ce stage sera donc d’adapter ces travaux aux besoins de modélisation de consommation nette du réseau de transport d’électricité.

 Il sera donc demandé à l’étudiant-stagiaire de :

• Faire un état de l’art des « graph transformer » et leur utilisation pour des séries temporelles multidimensionnelles.
• S’approprier le code de « graph transformer » et l’utiliser pour une application de prévision de consommation nette.
• Montrer l’intérêt de ce type de modélisation en comparant à d’autre types de modèles statistiques. 

Profil recherché