Stage - détection d'anomalies à partir des données de production photovoltaïque - h/f

Activités

Pour développer des modèles de détection de sous-performance des systèmes photovoltaïques (PV) en utilisant des algorithmes d’apprentissage automatique, il est nécessaire de disposer d'une base de données étiquetée complète des sites PV surveillés. Toutefois, puisque ces données ne sont pas facilement disponibles, l'alternative consiste à générer des données synthétiques de sous-performance en utilisant les données de tension, de courant, de puissance AC/DC, et des données météorologiques.

Dans ce cadre, l'outil interne de TotalEnergies, SolarOPS, sera utilisé pour générer des données synthétiques de sous-performance. Plus précisément, dans ce projet, vous aurez l'occasion de :
- Développer un code pour modifier de manière systématique les paramètres du modèle physique de SolarOPS
- Générer des données synthétiques de sous-performance PV basées sur une revue de la littérature, en utilisant SolarOPS
- Utiliser divers modèles de Machine Learning pour identifier les signatures spécifiques de sous-performance
- Développer une bibliothèque Python contenant des signatures de sous-performance PV et des algorithmes pour leur détection.

Vous aurez également l'opportunité de poursuivre un doctorat avec un Institut de Recherche à Saclay dans le cadre d’une collaboration industrielle.

Contexte et environnement

Afin de concrétiser l'ambition de TotalEnergies de devenir un acteur majeur des énergies renouvelables, les équipes R&D Solaire et Numérique proposent d'étudier des approches numériques visant à maximiser la production de leurs centrales solaires. Vous travaillerez au sein du pôle R&D de Saclay entouré d'experts en systèmes photovoltaïques et d'experts en apprentissage automatique. Vous partagerez votre travail avec les acteurs R&D de TotalEnergies.