Ranujan

Mission: Réaliser des prévisions probabilistes de l’irradiation solaire afin d’anticiper la production d’énergie solaire dans le cadre de la transition énergétique

Tâches:
-Collecte des données internes (données provenant des capteurs des stations photovoltaïque de TotalEnergies) et des données externes (simulations des valeurs d’irradiance réalisées à partir de modèle physique, dites Numerical Weather Prediction)
-Nettoyage des données (traitement des valeurs aberrantes, doublons, des valeurs manquantes, traitement des heures et données, concaténation des données internes et externes),Normalisation des données pour combler la saisonnalité de l’irradiance solaire
-Étude descriptive avec la corrélation entre les simulations des modèles physiques et la valeur réelle de l’irradiance
-Combinaisons des simulations à l’aide des modèles de régressions et géométriques (la valeur d’irradiance observée représente la variable cible (target) et les valeurs d’irradiance simulées représentent les variables explicatives (features)) pour trouver une simulation optimale en utilisant différentes métriques
-Recherche bibliographique sur les prévisions probabilistes et les modèles de machine learning associés
-Assister à des séminaires sur le thème de l’énergie renouvelable et de la Data Science
-Réalisation des prévisions probabilistes de l’irradiance sur une journée à l’aide du modèle Natural -Gradient Boosting (NGBoost) et évaluation des résultats
-Réunion hebdomadaire avec l’équipe Digital pour suivre la progression des projets (Méthode de Scrum)

Environnement fonctionnel : Méthode d’Agile (Scrum), Combinaison des prévisions, Régression linéaire, Prévision probabiliste, Data Visualisation, Statistiques descriptives, Machine Learning, Méthode d’optimisation, Régularisation (norme L1), métrique (MAE, RMSE, skill score, CRPS, NRMSE)

Environnement technique : Azure Databricks, R, Python

Contexte: Étude de l’impact de la multicolinéarité sur le surajustement des données dans des problèmes de survie et automatisation des sorties SAS sous format Word

Tâches:
-Modélisation (Modèle de Cox, Régularisation : Lasso et Elastic-net) : 3 modèles, un sans la pénalité, un avec la pénalité Lasso et un dernier avec la pénalité Elastic-net
-Simuler des jeux de données en faisant varier des paramètres comme l’importance d’une certaine dans les données 5 fois (51 variables, 5000 observations) afin de créer de la multicolinéarité, sous R
-Importer des données et étude statistiques (corrélation), sous Python
-Évaluation des performances de chaque modèles avec la métrique C-index
-Automatisation des sorties SAS sous format Word en utilisant des MACRO initialement implémentés et en les améliorant

Environnement fonctionnel : Modèle de Cox, Régularisation, Statistique descriptive, Data visualisation

Environnement technique : Python, R, SAS, Google Colab