Development of a methodology for evaluation of impact of interannual and long-term variabilities of solar resources on the analysis of financial risk of a photovoltaic solar plants
Notice bibliographique
Résumé
Cette thèse se propose de contribuer à la caractérisation des variations de long terme de l’éclairement, dans un contexte d’analyse de risque financier de grandes centrales solaires photovoltaïques. L’utilisation d’indicateurs statistiques (e.g. P90) et de l’hypothèse de stationnarité temporelle de l’éclairement a été questionnée. Cela a mené à une caractérisation fine des variations de long terme de l’éclairement grâce à un outil de décomposition temps-fréquence développé au cours de cette thèse. Nous avons distingué trois classes de variabilité : la variabilité intra-annuelle, la variabilité annuelle à décennale, et la variabilité multi-décennale. Pour la première classe, l’utilisation de quatre ans de données historiques est suffisante pour prendre en compte de manière correcte l’ensemble des variations de l’éclairement. Pour la seconde classe, l’utilisation de 30 années de données historiques est recommandée. Pour la variabilité multi-décennale, l’utilisation de plus de 30 années de données est préconisée. Les trois classes de variabilité ont été analysées pour des bases de données de natures diverses : mesures de long terme du réseau GEBA, données satellitales CLARA-A2, données de ré-analyse MERRA-2, et données issues du modèle climatique IPSL-CM6A-LR. Une grande diversité des structures de variabilité en fonction de la base de données considérée a été observée.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».