Probabilistic Models for Demand Supply Prediction in The Eenergy Sector - École des Ponts ParisTech Accéder directement au contenu
Thèse Année : 2024

Probabilistic Models for Demand Supply Prediction in The Eenergy Sector

Modèles probabilistes pour la prévision de l'offre et de la demande dans le secteur de l'énergie électrique

Muluken Regas Eressa
  • Fonction : Auteur
  • PersonId : 1393469
  • IdRef : 278891233

Résumé

This thesis investigate probabilistic predictive models based on the Gaussian process and deep learning for electricity demand forecasting. As Gaussian processes are kernel-based predictive models, their performance is constrained by the type, number and dimension of the selected kernel. To address these limitations, first it proposes a new Gaussian approximation technique that address the Bayesian computational bottleneck. Second, it proposes a stochastic compositional kernel estimation algorithm using the proposed Gaussian approximation as the underlying model. Third, it follows an iterative procedure using cross-validation for selecting an optimal combinations of kernels that best explain the data generating model. Furthermore, it also tries to address the limitation of maximum likelihood approach which is usually employed in probabilistic deep learning models and yet fails in guaranteeing a minimized interval width and maximized coverage probability for the forecasted points. This thesis proposes a new training algorithm for neural networks. The proposed distribution based lower upper bound estimation algorithm encompasses interval width and coverage probability as quality metrics with adaptive parameters that guarantee the needed performance compared to other alternative techniques. The suggested approaches enhance the deployment of Gaussian and deep learning models in the energy sector. The bound estimation model for a minimized prediction interval and maximized coverage probability, can help potential energy suppliers in sizing generators which will result in a marginal profit gain. In addition, the kernel estimation algorithm can simplify the application of kernel-based learning to those who find kernel selection vague. To the experienced, it can give a preliminary insight into the structure of the kernels that could potentially fit the data. The randomized column sampling technique could offer an alternative method for a fast Gaussian model building and approximation that is scalable to large data. Furthermore, the bound estimation, in addition to providing a forecast distribution to a point estimate neural models, it can also serve as a good starting point to an alternative probabilistic model training in deep neural nets
Cette thèse étudie des modèles prédictifs probabilistes basés sur les processus gaussiens et l'apprentissage en profondeur pour la prévision de la demande d'électricité. Étant donné que les processus gaussiens sont des modèles prédictifs basés sur des noyaux, leur performance est limitée par le type, le nombre et la dimension du noyau sélectionné. Pour répondre à ces limitations, premièrement, elle propose une nouvelle technique d'approximation gaussienne qui aborde le goulot d'étranglement computationnel bayésien. Deuxièmement, elle propose un algorithme d'estimation de noyau compositionnel stochastique en utilisant l'approximation gaussienne proposée comme modèle sous-jacent. Troisièmement, elle suit une procédure itérative utilisant la validation croisée pour sélectionner les meilleures combinaisons de noyaux qui expliquent le mieux le modèle de génération des données. De plus, elle tente également de pallier la limitation de l'approche du maximum de vraisemblance, qui est généralement utilisée dans les modèles probabilistes d'apprentissage en profondeur et qui ne garantit pas nécessairement une largeur d'intervalle minimisée et une probabilité de couverture maximisée pour les points prévus. Cette thèse propose un nouvel algorithme d'entraînement pour les réseaux neuronaux. L'algorithme proposé d'estimation des bornes inférieures et supérieures basé sur la distribution englobe la largeur d'intervalle et la probabilité de couverture en tant que mesures de qualité avec des paramètres adaptatifs garantissant les performances nécessaires par rapport à d'autres techniques alternatives. Les approches suggérées renforcent le déploiement des modèles gaussiens et d'apprentissage en profondeur dans le secteur de l'énergie. Le modèle d'estimation des bornes pour un intervalle de prédiction minimisé et une probabilité de couverture maximisée peut aider les fournisseurs d'énergie potentiels à dimensionner les générateurs, ce qui se traduira par un gain de profit marginal. De plus, l'algorithme d'estimation de noyau peut simplifier l'application de l'apprentissage basé sur les noyaux pour ceux qui trouvent la sélection des noyaux vague. Pour les experts, il peut donner un aperçu préliminaire de la structure des noyaux qui pourraient potentiellement s'adapter aux données. La technique d'échantillonnage aléatoire de colonnes pourrait offrir une méthode alternative pour la construction et l'approximation rapide d'un modèle gaussien, scalable à de grandes données. De plus, l'estimation des bornes, en plus de fournir une distribution de prévision aux modèles neuronaux à estimation de point, peut également servir de point de départ pour une formation de modèle probabiliste alternative dans les réseaux neuronaux profonds
Fichier principal
Vignette du fichier
TH2024UEFL2005.pdf (4.25 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04616659 , version 1 (19-06-2024)

Identifiants

  • HAL Id : tel-04616659 , version 1

Citer

Muluken Regas Eressa. Probabilistic Models for Demand Supply Prediction in The Eenergy Sector. Computer Science [cs]. Université Gustave Eiffel, 2024. English. ⟨NNT : 2024UEFL2005⟩. ⟨tel-04616659⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More