Unité mixte de recherche 7235

A long term weather-state simulation method for forecasting of intermittent energy production

La bonne modélisation d’événements météorologiques est un élément essentiel dans les décisions d’investissement et opérationnelles des systèmes électriques, en particulier dans le contexte d’une forte pénétration des énergies renouvelables. Les systèmes météorologiques sont caractérisés par des distributions non-normales, de l’auto-corrélation et des corrélations croisées, ainsi que des cycles suivant diverses échelles temporelles (journalière et saisonnière). Dans cet article, nous proposons un cadre méthodologique simple utilisant les concepts de météo-type ainsi que les chaînes de Markov cachées afin de calculer la probabilité de long-terme de n’importe quelle séquence d’événements météorologiques joints. Utilisant les méthodes du clustering afin d’identifier des météo-types dans les données, nous décomposons l’arbre des séquences de long-terme d’événements météorologiques en sous-arbres indépendants. Cette procédure accélère fortement les calculs et permet de mesurer la probabilité jointe d’ensemble de séquences météorologiques individuelles. Notre méthode propose une approche simple et efficace permettant d’élaborer différents scénarios météorologiques dynamiques pouvant être utilisés comme input des modèles d’optimisation utilisés pour dimensionner les systèmes électriques et d’étudier le comportement dynamiques des technologies de stockage. Nous illustrons notre méthode en utilisant des données météorologiques de la région Auvergne Rhône-Alpes sur la période 2010-2019 et discutons les résultats obtenus.[en]Modelling time-varying weather events is a pivotal element in investment and operational decisions for electricity production systems, especially concerning renewables. Weather systems are characterized by non-normal distributions, autocorrelation and cross-correlations, in addition to cycles following various time scales (seasonal and daily). In this work, we propose a simple framework using weather-type and Hidden Markov Model (HMM) literature that allows computing the long-term probability of any joint weather sequence. Using clustering methods to identify weather-state clusters in the data and deriving their stationary transition probabilities, we decompose long-term tree-shaped sequences of weather events into independent subtrees. This greatly fastens computations and allows calculating the joint probability of sets of individual weather variable sequences. Our method provides a simple yet valuable technique for elaborating weather sequence scenarios that can be used for calibrating weather-related stochastic optimization problems and studying the dynamic behaviour of storage units. We illustrate it taking the case of the French region Auvergne Rhône-Alpes and discuss the results obtained.[/en]

AGENDA

jeudi 8 décembre 2022

Lunch

Georges Prat

12h - 13h, salle 110

Modeling ex-ante risk premiums in the oil market

lundi 12 décembre 2022

Law, Institutions and Economics in Nanterre (LIEN)

Clément Brébion (Copenhagen BS)

En salle 614 et en distanciel

Unemployment Insurance Eligibility and Employment Duration

mardi 13 décembre 2022

Développement Durable Environnement et Energie (DDEE)

Nicolas Astier (Paris School of Economics)

16h-17h

Riding together: eliciting travelers’ preferences for long-distance carpooling

mercredi 14 décembre 2022

Économies du monde musulman

Mohamed Touati Tliba (École Supérieure de Commerce, Alger)

The scientific wealth of nations with special reference to MENA region: a cross-country productivity analysis of academic research

jeudi 15 décembre 2022

Doctorants

Pablo Aguilar Perez

TBA

jeudi 15 décembre 2022

Groupe de travail « Intelligence artificielle »

Matthieu Lapaty (UPMC)

TBA

jeudi 15 décembre 2022

Groupe de travail Economie Comportementale

Magali Dumontet

TBA

jeudi 5 janvier 2023

Lunch

Mehdi Aït-Hamlat, Florian Baudoin, Tanguy Bonnet

Nouveaux doctorants

Inscription aux Newsletters