Améliorer la fiabilité des modèles d'apprentissage profond en vue d'accroitre l'observabilité des installations photovoltaïques en toiture en France
Bibliographic record
Abstract
En novembre 2023, la puissance photovoltaïque (PV) installée en France s'élevait à 18,6 GWc, et le gestionnaire du réseau de transport d'électricité (GRT) français ne disposait pas de mesures de production pour 20% du parc, correspondant pricipalement à des systèmes de petite taille sur toitures. Dans le contexte de décarbonisation du mix électrique, la puissance installée PV continuera de croitre rapidement, aussi le manque d'observabilité du PV risque-t-il compromettre l'intégration du PV dans le système électrique en raison des incertitudes qu'il engendre. Une meilleure connaissance du parc photovoltaïque en toiture, matérialisée par un registre technique national contenant la localisation et les caractéristiques des installations photovoltaïques, est nécessaire pour améliorer l'observabilité du PV. Cette thèse evalue si l'utilisation d'algorithmes d'apprentissage profond et d'orthoimages est une méthode adaptée à la construction d'un registre technique national d'installations photovoltaiques (PV) sur toiture destiné à améliorer l'observabilité de la production PV en France. La thèse discute d'abord des normes de qualité que le registre technique doit satisfaire et introduit une méthode d'évaluation non supervisée pour contrôler l'exactitude du registre en l'absence de données de référence. Deuxièmement, la thèse introduit une nouvelle méthode d'attribution qui permet d'analyser des décisions du modèle en décomposant ses prédictions dans l'espace des ondelettes. La thèse discute de la pertinence de cette décomposition pour évaluer ce que le modèle voit sur l'image d'entrée, comprendre la sensibilité du modèle à des conditions d'acquisition variables, qui affectent la précision et la fiabilité du modèle, et introduire un algorithme robuste et fiable pour cartographier les installations PV sur toiture. Enfin, la pertinence du registre pour améliorer l'observabilité des installations photovoltaïques sur les toits est établie en montrant que des estimations précises et réplicables à grande échelle de la production issue des installations PV sur toiture peuvent être construites à partir du registre et de données météorologiques. Cette thèse apporte des contributions en énergétique et procédés, en montrant comment améliorer l'observabilité du PV toiture et en apprentissage statisitque, en améliorant l'interprétabilité des modèles d'apprentissage profond grâce à une nouvelle méthode d'attribution. Plus généralement, cette thèse souligne les conditions nécessaires à l'utilisation de modèles d'apprentissage profond dans des contextes industriels critiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".