synthese de la reunion du mardi 24/05/2011 a 15h30

SUJET DE THESE
PREVISION A COURT TERME
DE PRODUCTION D’UN PARC EOLIEN
PAR SYSTEME MULTI-AGENT AUTO-ADAPTATIF
ENCADREMENT ET ENVIRONNEMENT
Cette thèse se déroule dans le cadre d’une Convention Industrielle de Formation par la Recherche
(CIFRE) entre la société *SWIFT1 et l’Université Paul Sabatier. Le doctorant travaillera ainsi à la fois
sur un des sites *SWIFT (à Toulouse ou à Grenoble) et à l’Institut de Recherche en Informatique de
Toulouse (IRIT2). Il effectuera des séjours en entreprise d’une à plusieurs semaines en fonction des
besoins.
 Équipe SMAC, IRIT, Université Paul Sabatier. Directrice de thèse : Mme Marie-Pierre Gleizes
 *SWIFT, Toulouse. Responsable scientifique : Mme Morgane Barthod
CONTEXTE ET PROBLEMATIQUE
Le développement des énergies renouvelables fait de la prévision de production un outil de plus en
plus important pour faciliter l'intégration de ces sources d'énergie. Bien gérer leur intermittence est
en effet indispensable au bon fonctionnement du réseau électrique. L’éolien est particulièrement
complexe à prévoir car sa production dépend de nombreux facteurs de natures différentes :
météorologique (ex : vitesse et direction du vent), électromécanique (ex : rendement de la turbine),
topographique (ex : relief et rugosité du terrain), etc.
*SWIFT est une start-up créée en 2015. Née d'un projet de R&D au sein du bureau d'études éolien
Meteolien, elle développe des systèmes de prévision à court terme de la production éolienne,
regroupés sous le nom meteo*swift (Meteorology & Simulation for a Wind Forecasting Tool). Elle
collabore pour cela avec Météo-France, l’Institut de Recherche en Informatique de Toulouse (IRIT) et
le bureau d’études éolien Meteolien.
Le projet de meteo*swift concerne un secteur clé du système énergétique de demain. Il se situe à la
jonction de deux secteurs majeurs et en pleine expansion : les technologies de l’information et les
énergies renouvelables.
1
2
www.meteoswift.fr
www.irit.fr
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
Contexte global
Le projet s’inscrit donc dans le contexte actuel de
transition énergétique, qui diminue la part des
énergies fossiles ou nucléaire et augmente celle
des énergies renouvelables. Ce changement
transforme l’électricité : alors que la production
d’énergie nucléaire est par défaut constante, les
énergies renouvelables sont intermittentes. La
production éolienne est particulièrement
variable. Le défi majeur lié aux énergies
renouvelables est donc de gérer leur
intermittence pour garantir l’équilibre du réseau
électrique. Une solution consiste à informer la
veille les gestionnaires du réseau de la
production prévue le lendemain.
Contexte réglementaire
En France métropolitaine, la réglementation évolue pour s’adapter à ces bouleversements : la loi de
transition énergétique fait porter un enjeu économique sur la prévision, en passant d’un régime
d’obligation d’achat, où le producteur injectait l’électricité quand il le souhaitait, à un système de
marché spot, où le producteur doit faire une offre de vente la veille et s’y tenir sous peine de
pénalités.
Dans les DOM-TOM (Systèmes Electrique Insulaires), les producteurs doivent déjà fournir une offre
de prévision et la respecter sous peine de pénalités financières. Les premiers parcs éoliens couplés à
du stockage entrent également en opération3.
Dans le monde, le système de vente d’électricité la veille pour le lendemain qui sera la règle en
France à partir de 2018 est déjà en place dans d’autres pays (Allemagne, Espagne, Benelux, EtatsUnis, pays scandinaves). De plus en plus de pays tendent à l’adopter : plus efficace pour gérer
l’intermittence des énergies renouvelables, il permet à ces dernières de se développer rapidement
tout en respectant les contraintes du réseau électrique.
Les premiers concernés par ces problématiques sont les exploitants
éoliens, mais l’évolution du marché impliquera aussi les agrégateurs (de
nouveaux acteurs à qui les exploitants peuvent déléguer la vente sur le
marché spot), et les traders d’électricité. Les gestionnaires de réseau et
les responsables d’équilibre (nouveaux acteurs eux aussi, chargés
d’assurer l’équilibre du réseau sur une zone) auront aussi besoin de ces
outils.
À travers ce travail de recherche, *SWIFT souhaite développer la brique technique centrale de son
système de prévision éolienne, qui permettra d’obtenir des prévisions de production électrique à
partir de prévisions météorologiques. L’enjeu est de fournir des prévisions très précises de
production électrique, de quelques heures à quelques jours à l’avance, à l’échelle d’une éolienne,
d’un parc éolien, puis d’une zone géographique plus étendue. Le travail de cette thèse permettra de
développer un système qui intègre les outils de prévision.
3
www.quadran.fr/index.php/fr/actualites/2-projets-innovants-de-quadran-en-guadeloupe-en-video (deuxième vidéo)
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
Système de prévision éolienne tel que commercialisé
Ce travail de thèse se base sur un système multi-agent adaptatif, et s’interfacera avec le reste du
système meteo*swift : la modélisation numérique du site, un autre cœur de système par machine
learning, les prévisions probabilistes, l’Interface Humain-Machine, etc. Le système dans son
ensemble sera défini par un travail de R&D, et développé puis testé sur des parcs éoliens pilotes. Les
données permettant d’entraîner et de calibrer le système multi-agent sont déjà disponibles pour une
dizaine de parcs. Les prévisions du jour J pour les 24 échéances horaires du lendemain devront être
disponibles à 11 heures locales.
Schéma simplifié du système de prévision meteo*swift
ENJEUX
Depuis de nombreuses années, un nombre important d’équipes de recherche nationales et
internationales étudie le concept des Systèmes Multi-Agents (SMA) et l’applique pour résoudre des
problèmes de natures diverses dans différents domaines d’application. Si des systèmes multi-agents
ont été utilisés dans le domaine de l’énergie, ils le sont plutôt pour stocker ou redistribuer de
manière optimale l’énergie dans des réseaux électriques ou des grilles (projet ANR 2010, Winpower
[Crédo, 2013], [Roche, 2013]), pour gérer la maintenance d’un parc éolien [Sahnoun, 2014] ou
encore effectuer des diagnostics [Zaher, 2007]. Si, à notre connaissance, certains projets existent
pour prévoir la production éolienne, les modèles ne sont pas basés sur les systèmes multi-agents
mais sur des modèles probabilistes (comme dans le projet ANR 2014, Forewer). L’utilisation d’une
technologie liée à l’Intelligence Artificielle représente donc une réelle innovation dans le domaine de
la prévision de production éolienne.
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
POURQUOI UTILISER DES SYSTEMES MULTI-AGENTS ADAPTATIFS ?
Calculer des prévisions d’énergie à partir de prévisions de vent peut paraître simple : il suffirait de
suivre la courbe de puissance fournie par chaque constructeur. Cependant, en pratique, les données
observées de vent et de puissance s’écartent fortement de cette courbe théorique. Une méthode
basée sur une courbe de puissance fournie par le constructeur est donc très imprécise.
Exemple de courbe de puissance théorique (courbe gris foncé)
Exemple de courbe de puissance observée
En effet, alors qu’une courbe de puissance théorique ne prend en entrée que la vitesse de vent, la
réalité est plus complexe.
La vitesse de vent qui figure en abscisse d’une courbe de puissance ne
peut pas être approximée directement par une prévision
météorologique. Il s’agit de la composante de la vitesse de vent qui
arrive perpendiculairement à l’éolienne, à la hauteur des pales. Et
comme la surface balayée par les pales couvre en moyenne 80 m
verticaux (de 60 à 140 m de hauteur par exemple), il s’agit en fait de
l’intégrale de cette composante perpendiculaire de la vitesse de vent
sur la surface balayée par les pales.
Il faudrait donc connaître le vent à n’importe quelle hauteur balayée
par les pales, ce qui n’est pas le cas : les prévisions de vent issues de
modèles météorologiques sont fournies à des hauteurs discrètes, au
mieux par pas de 20 m. Il faut donc approximer la variation de vitesse
de vent en fonction de la hauteur avec une courbe de gradient de
vent. La forme de cette courbe dépend alors de la stabilité thermique
de l’air environnant.
Exemple de courbe de gradient de vent
pour une stabilité thermique donnée
Par ailleurs, une prévision météorologique ne fournit jamais le vent au point de l’éolienne mais en
un point de son maillage du territoire, qui peut être distant d’un ou deux kilomètres de l’éolienne en
question. Il faut alors modéliser le parc éolien en fonction de la topographie et rugosité de
l’environnement, des évènements météorologiques qui pourraient influer sur la stabilité de l’air, et
des effets de sillage entre les turbines.
La vitesse de vent fournie par les prévisions météorologiques doit donc faire l’objet de nombreux
traitements avant d’être exploitable dans un calcul de puissance.
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
De plus, l’utilisation de systèmes multi-agents devra permettre de prendre en compte beaucoup plus
de paramètres et de donner des prévisions beaucoup plus précises. En effet, alors qu’une courbe de
puissance classique n’utilise que la vitesse du vent pour calculer la production d’électricité, on
prendra en entrée de nombreux facteurs : vitesse mais aussi direction du vent, énergie cinétique
turbulente, densité de l’air, rafales de vent, etc. La méthode de calcul de la production sera donc
comparable à une courbe de puissance multi-dimensionnelle.
Exemple de courbe de puissance
classique (en deux dimensions)
Exemple de courbe de puissance en trois dimensions, avec la vitesse
et la direction du vent en données d’entrée
D’autre part, passer d’une prévision de vent « exploitable » à une prévision d’électricité éolienne
exige donc de prendre en compte d’autres phénomènes : cut-in, cut-out, hystérésis, bridage sonore,
givre, interventions humaines, etc.
Certains des facteurs influant sur la performance évoluent au cours du temps :
- la rugosité peut changer au fil des saisons en fonction des champs environnants (plantations
hautes l’été, rases l’hiver)
- de nouveaux bâtiments environnants peuvent également modifier la rugosité
- les turbines perdent en rendement au cours de leur vieillissement, et cette perte de
rendement dépend de la fréquence et de la nature des interventions de maintenance
- le voisinage peut faire une demande de bridage sonore à certaines périodes
- etc.
OBJECTIF DE LA THÈSE
Pour prendre en compte correctement tous ces phénomènes variables, il est nécessaire de
construire un système adaptatif, qui n’ait pas besoin d’être reprogrammé explicitement à chaque
modification des conditions d’entrée. Les systèmes multi-agents permettent un apprentissage en
temps réel, et permettent de plus au système de s’améliorer au cours de son fonctionnement.
Un autre défi à relever est la prise en compte du comportement statistique du vent, largement
aléatoire. Le système multi-agent développé devra s’adapter à cette particularité, et fournir des
résultats pertinents malgré la dispersion des résultats pour des données d’entrée similaires.
Si la faisabilité a été démontrée lors d’un premier projet de fin d’études co-encadré par meteo*swift
et l’IRIT [Nigon, 2016], un verrou est en effet perçu sur le traitement de l’incertitude liée aux erreurs
de prévision météorologiques, et à la dispersion des résultats de production pour une même
prévision de vitesse de vent. Le système doit apprendre même dans ces conditions, et fournir des
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
résultats pertinents même à partir de données d’entrée (les prévisions météorologiques) imprécises
et parfois inexactes.
meteo*swift veut, par l’intermédiaire de cette thèse, lever ces verrous et développer des systèmes
multi-agents adaptatifs, qui sont par ailleurs une technologie particulièrement appropriée.
LES SYSTEMES MULTI-AGENTS ADAPTATIFS
Les SMA sont des systèmes composés de plusieurs entités autonomes en interaction que l’on appelle
agents [Wooldridge, 1995], [Ferber, 1999]. La distribution au sein du système de la connaissance, des
calculs, ou encore du contrôle en est la principale caractéristique. Ils appartiennent ainsi à la branche
dite distribuée de l’intelligence artificielle, celle qui s’intéresse à la résolution collective de
problèmes, c’est-à-dire à l’élaboration de comportements au sein d’un collectif menant à la
réalisation d’une tâche globale particulière.
La propriété́ la plus importante d’un agent est son autonomie : il décide lui-même d’agir ou non et de
la nature de ses actions. Cette autonomie sous-entend qu’un agent a des buts qui lui sont propres, et
qu’il peut les privilégier à la résolution d’une requête extérieure. De plus, chaque agent respecte le
principe de localité c’est-à-dire que chaque agent n’a qu’une vue partielle de son environnement. La
fonction globale d’un SMA est réalisée par l’organisation des agents qui le composent. Selon la
complexité́ de la tâche à effectuer par le SMA, il peut être très difficile, voire impossible, de définir
une organisation capable de la réaliser. Une solution se trouve au croisement de l’apprentissage et
de l’autonomie, en laissant aux agents le soin d’apprendre eux-mêmes la meilleure organisation :
c’est l’auto-organisation [Di Marzo Serugendo, 2011].
La théorie des systèmes multi-agents adaptatifs (Adaptive Multi-Agent Systems, AMAS) développée
par l’équipe SMAC inclut l’auto-organisation, qui repose sur l’attitude coopérative des agents
[Georgé, 2011]. Ces propriétés, ainsi que les qualités intrinsèques des SMA, en font une approche
particulièrement intéressante pour le contrôle de systèmes complexes. La théorie des AMAS montre
qu’un système dont les agents sont tous dans un état coopératif est fonctionnellement adéquat
[Glize, 2001]. La coopération s’opère dans un AMAS principalement par la résolution de situations
non coopératives, mais également par une règle de coopération qui incite un agent à aider celui qui
en a le plus besoin. Par exemple, si plusieurs agents désirent une ressource unique, ce n’est pas le
premier arrivé qui est servi, mais l’agent dont la situation est la plus critique. Pour revenir à un état
coopératif, un agent peut agir selon trois moyens : par l’ajustement de ses paramètres de manière
autonome, ou par l’auto-organisation, c’est-à-dire par le changement de ses interactions avec
d’autres agents, ou par l’évolution, c’est-à-dire la création ou l’auto-destruction d’un agent [Gleizes,
2012]. La méthode de conception Adelfe a été́ développée afin de guider le concepteur d’un AMAS
dans ses choix [Bonjean, 2013].
Les SMA auto-organisateurs sont un moyen d’appréhender la complexité des systèmes réels qui
doivent faire face à des situations non prévues et dans lesquels existent des non linéarités, de la
dynamique, des informations distribuées et bruitées. Ces systèmes sont en effet capables
d’apprendre et de s’auto-adapter. Dans beaucoup d’applications réelles, le défi consiste à rendre le
système capable de faire une correspondance entre l’état courant du contexte, dans lequel se trouve
le système, et la fonction à produire. Le contexte correspond aux perceptions que le système a de
son environnement à un instant donné et la fonction correspond à ce que le système produit dans le
contexte donné en entrée. Un SMA auto-adaptatif est capable de mettre en place cette
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
correspondance. L’équipe SMAC a déjà expérimenté ce type de résolution sur des applications : la
prédiction phénotypique à partir de déterminants génomiques et liés à l’environnement [Alameda,
2014], le contrôle de bioprocédés [Videau, 2011], l’optimisation du fonctionnement d’un moteur de
voiture [Boes, 2014], l’apprentissage par un robot [Verstaevel, 2015], et le contrôle d’un système
ambiant [Guivarch, 2012].
Dans le cadre du projet meteo*swift, l’IRIT concevra, à l’aide de SMA auto-adaptatifs, un système de
prévision de la production d’éoliennes. Le système apprendra à prévoir la production à partir de
données provenant de différentes sources (comme la force du vent et la stabilité thermique de l’air)
considérées comme un contexte.
ORGANISATION DES TRAVAUX DE RECHERCHE
Nous programmons une présence permanente du doctorant dans l'entreprise durant les deux
premiers mois pour le sensibiliser à la problématique et pour qu’il s'intègre dans l'entreprise. Pour le
reste de la thèse nous prévoyons une alternance de l'ordre de quelques semaines entre le
laboratoire et l'entreprise. Cette organisation est indicative et sera élaborée en accord avec le
doctorant et l’évolution du projet.
Lors des six premiers mois le doctorant prendra connaissance de la technologie multi-agent et des
travaux antérieurs sur le sujet et réalisera un état de l'art du domaine.
L’année suivante sera consacrée :
-
au développement du système multi-agent adaptatif, avec pour données météo d’entrée des
prévisions déterministes puis de scénarios de prévision provenant des modèles
météorologiques de Météo-France
-
à la comparaison des résultats obtenus avec ceux provenant d’autres méthodes
d’apprentissage automatique, développées par *SWIFT
-
à un test en temps réel de quelques mois auprès de parcs pilotes.
Les six derniers mois de la seconde année et les six premiers mois de la dernière année seront
consacrés :
-
à la poursuite du développement du système, selon une approche itérative de manière à
améliorer le système multi-agent. Cette méthodologie permettra d'avoir un prototype
fonctionnel lors de chacune des étapes de validation.
-
à un second test en temps réel de quelques mois auprès des parcs pilotes
-
à l’étude des propriétés du système telles que la vitesse de convergence ou la résistance au
bruit
-
au développement d’un système de prévision à une échelle plus étendue (région ou pays)
grâce à un algorithme de remontée en échelle.
Les six derniers mois de la troisième année seront consacrés à la rédaction de sa thèse tout en
continuant à publier des articles scientifiques.
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
PROFIL DU CANDIDAT
Votre candidature sera appréciée si :
Vous êtes ingénieur ou diplômé d’un master en informatique, avec d’excellents résultats
Vous avez de l’expérience dans un langage de développement orienté objet (Java, c#, C++)
Vous avez de l’expérience en intelligence artificielle
Vous avez un intérêt pour le monde de la recherche et l’interdisciplinarité
Vous êtes autonome, impliqué, enthousiaste, et apprécierez une ambiance de travail joyeuse
et intense
Vous êtes bricoleur, créatif et appréciez les défis techniques dans des modes de
développement itératifs et agiles
Elle le sera particulièrement si, en plus :
Vous maîtrisez Python
Vous connaissez les systèmes multi-agents
Vous maîtrisez l’anglais à l’écrit
Vous aimez les éoliennes !
Pour candidater, écrivez-nous par mail à [email protected], en joignant :
Votre CV
Une lettre à propos des motivations qui vous poussent à candidater
D’éventuelles lettres de recommandation de vos enseignants ou encadrants (principalement
en master 2)
Une description rapide (max. une page) d’un de vos précédents projets en intelligence
artificielle, en analysant ses forces et faiblesses (n’hésitez pas à joindre un code si vous l’avez)
Un exemple d’implémentation d’une fonction dans le langage de votre choix, pour calculer
les deux derniers chiffres (unités et dizaines) de nn pour n entier très grand. Même si c’est possible
par la puissance brute de calcul, expliquez plutôt comment l’implémenter plus habilement.
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
REFERENCES BIBLIOGRAPHIQUES
[Alameda, 2014] Sébastien Alameda, Carole Bernon, and Jean-Pierre Mano. Agent-Based Model for
Phenotypic Prediction Using Genomic and Environmental Data, Int. Conference on Practical
Applications of Computational Biology and Bioinformatics (PACBB 2014), Salamanca, Vol. 294,
Julio Saez-Rodriguez, Miguel Rocha, Florentino Fdez-Riverola, Juan De Paz Santana (Eds.),
Springer, AISC, p. 1-8, 2014.
[Boes, 2014] Jérémy Boes, Frédéric Migeon, Pierre Glize, and Erwan Salvy, Model-free Optimization
of an Engine Control Unit thanks to Self-Adaptive Multi-Agent Systems, International Conference
on Embedded Real Time Software and Systems (ERTS2), Toulouse, SIA/3AF/SEE, 2014, pp. 350359.
[Bonjean, 2013] Noélie Bonjean, Wafa Mefteh Mejri, Marie-Pierre Gleizes, Christine Maurel, and
Frédéric Migeon. ADELFE 2.0. In: Handbook on Agent-Oriented Design Processes. Massimo
Cossentino, Vincent Hilaire, Ambra Molesini, Valeria Seidita (Eds.), Springer, p. 19-64, 2013.
[Crédo, 2013] M. K. Crédo Paniah, J. Gil-Quijano, and D. Mercier, Systèmes multi-agents pour la
gestion de sources d'énergie renouvelable et de stockage de masse, JFSMA13, pp. 29-38, 2013.
[Di Marzo Serugendo, 2011] Giovanna Di Marzo Serugendo, Marie-Pierre Gleizes, and Anthony
Karageorgos (Eds.), Self-organising Software From Natural to Artificial Adaptation, Springer,
Natural Computing Series, 2011.
[Ferber, 1999] Ferber. J. Multi-Agent Systems. An Introduction to Distributed Artificial Intelligence.
Addison Wesley, London, 1999.
[Georgé, 2011] Jean-Pierre Georgé, Marie-Pierre Gleizes, and Valérie Camps. Cooperation. In: Selforganising Software. G. Di Marzo Serugendo, M-P. Gleizes, A. Karageorgos (Eds.), Springer, p.
193-226 - 2011.
[Gleizes, 2012] Marie-Pierre Gleizes. Self-adaptive Complex Systems. European Workshop on MultiAgent Systems (EUMAS 2011), Maastricht, The Netherlands, Vol. 7541, Massimo Cossentino,
Mickael Kaisers, Karl Tuyls, Gerhard Weiss (Eds.), Springer-Verlag, p. 114-128, 2012.
[Glize, 2001] Pierre Glize. L'adaptation des systèmes à fonctionnalité émergente par autoorganisation coopérative, Habilitation à diriger des recherches, Université Paul Sabatier, juin
2001.
[Guivarch, 2012] Valérian Guivarch, Valérie Camps, and André Péninou, AMADEUS: an adaptive
multi-agent system to learn a user's recurring actions in ambient systems, Advances in
Distributed Computing and Artificial Intelligence Journal, Special Issue 3 (2012).
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif
[Nigon, 2016] Julien Nigon, Estèle Glize, David Dupas, Fabrice Crasnier, and Jérémy Boes, Use Cases
of Pervasive Artificial Intelligence for Smart Cities Challenges, IEEE Workshop on Smart and
Sustainable City, Toulouse, juillet 2016, à paraître.
[Roche, 2013] R. Roche, F. Lauri, B. Blunier, A. Miraoui, and A. Koukam, Multi-Agent Technology for
Power System Control, Power Electronics for Renewable and Distributed Energy Systems, Part of
the series Green Energy and Technology, pp. 567-609, Springer, 2013.
[Sahnoun, 2014] M. Sahnoun, D. Baudry, A. Louis, Modélisation d'un plan de maintenance basé sur
les systèmes multi-agents pour les éoliennes offshore, Conférence Internationale de
MOdélisation, Optimisation et SIMulation (MOSIM'14), Nancy, 2014.
[Verstaevel, 2015] Nicolas Verstaevel, Christine Régis, Marie-Pierre Gleizes, and Fabrice Robert,
Principles and experimentations of self-organizing embedded agents allowing learning from
demonstration in ambient robotic, Procedia Computer Science 52 (2015), N°0, 194-201, The 6th
International Conference on Ambient Systems, Networks and Technologies (ANT-2015).
[Videau, 2011] Sylvain Videau, Carole Bernon, Pierre Glize, and Jean-Louis Uribelarrea, Controlling
bioprocesses using cooperative self-organizing agents, Advances on Practical Applications of
Agents and Multiagent Systems, Springer, 2011, pp. 141-150.
[Wooldridge, 1995] M. Wooldridge and N. R. Jennings, editors. Intelligent Agents - Theories,
Architectures, and Languages. Vol. 890, Lecture Notes in Artificial Intelligence, Springer-Verlag,
January 1995.
[Zaher, 2007] A. S. Zaher, and S. D. J. McArthur, A Multi-Agent Fault Detection System for Wind
Turbine Defect Recognition and Diagnosis, pp. 22-27, Power Tech, 2007, IEEE Lausanne.
Sujet de thèse CIFRE : prévision à court terme de production d’un parc éolien par système multi-agent auto-adaptatif