Adzuna
Location
Palaiseau, Essonne | France
Job description
Evolution future de la ressource éolienne et intérêt des méthodes de machine learning pour le downscaling statistique du vent Aujourd'hui, plus de la moitié des capacités de production électrique nouvellement installées est d'origine renouvelable. La part de ces énergies renouvelables passera à environ 55 % de l'offre totale d'ici 2050. Le marché de l'éolien offshore connaît une croissance exponentielle, avec un objectif pour l'Europe de porter sa capacité de production éolienne en mer à 300 GW d'ici à 2050. Ce développement massif des énergies renouvelables représente de gros défis pour l'équilibre offre-demande et la stabilité du système électrique. Le système électrique européen est d'ores et déjà confronté à des conditions météo-climatiques particulières qui impactent cet équilibre offre-demande. Des épisodes de faibles vents ont déjà eu lieu sur le nord de l'Europe notamment au Royaume Uni qui a vu sa production éolienne chuter de 32 %. Le même événement a provoqué une baisse de 10 % de facteur de charge éolien français. Ces périodes de faibles vents ont été observées depuis 1980, mais de récentes études montrent un inversement de cette tendance à partir de 2010. Dans un contexte de changement climatique, le dernier rapport de GIEC suggère une baisse du vent moyen en Europe entre 8 et 10 % pour un scénario de réchauffement à 1.5°C et une augmentation des vents forts. Des incertitudes significatives sont encore présentes sur les processus qui pilotent cette baisse future du vent, notamment sur les contributions respectives du changement climatique et de la variabilité interne du climat. Comprendre et anticiper l'évolution future du vent et son impact sur la ressource éolienne est un enjeu important pour préparer le mix électrique de demain, nécessitant le recours aux projections climatiques futures issues des exercices du GIEC et leur adaptation pour des études d'impact à fine échelle. Ces simulations sont issues de modèles climatiques globaux présentant une résolution spatiale de l'ordre de la centaine de km qu'il est primordial d'affiner par des méthodes de descente échelle statistique et dynamique. Dans le cadre de ce stage, on s'intéresse aux méthodes de downscaling statistique permettant d'établir des relations statistiques entre les variables atmosphériques à grande échelle et les variables climatiques locales ou régionales. La méthode utilisée dans ce cadre est la méthode CDFt mais présente des inconvénients pour le traitement des valeurs extrêmes et la cohérence inter-variables. De nouvelles méthodes basées sur les nouvelles techniques de machine/deep learning sont en pleine expansion pour répondre à ces problématiques. En effet, des méthodes comme les réseaux de neurones convolutionnels CNN ou Conv-LSTM ont montré des résultats satisfaisants dans la détermination des liens entre les variables atmosphériques de grande échelle et les variables de surface. Le groupe EDF est l'un des premiers électriciens mondiaux, à la pointe de l'innovation technologique. Le respect de la personne et celui de l'environnement, l'intégrité, la solidarité sont au cœur de nos actions. Face à l'urgence climatique, notre rôle est d'inventer un modèle énergétique qui respecte notre planète. Nous voulons construire un monde où il sera possible de produire une électricité neutre en CO2, grâce au nucléaire et aux énergies renouvelables, conciliant préservation de la planète, bien-être et développement, grâce à l'électricité et à des solutions et services innovants.
Job tags
Salary
