Résumé 127 :
Sélection automatique de composantes dans les modèles additifs par des méthodes de régression pénalisée
Thouvenot, Vincent ; Antoniadis, Anestis ; Brossat, Xavier ; Goude, Yannig ; Poggi, Jean-Michel
EDF/Univ. Orsay
L’électricité ne se stockant pas aisément, EDF a besoin d’outils performants de prévision de consommation et de production. Les modèles additifs non paramétriques peuvent être utilisés pour réaliser la prévision de consommation, car ils sont suffisamment souples pour capturer les non-linéarités de ces données et sans souffrir du fléau de la dimension. En plus du problème d’équilibre production-consommation, EDF connait plusieurs évolutions majeures, dont le développement de nouvelles technologies de mesure, qui permettent à EDF d’étudier les mailles locales du réseau électrique. L'agrégation des prévisions locales peut permettre d'améliorer les prévisions globales et permettre de répondre à des problématiques d'optimisation du réseau. Ceci implique la modélisation d’un grand nombre de séries chronologiques et multiplie le nombre de covariables potentielles. Il y a donc un besoin de méthodes automatiques de sélection et d’estimation de ces modèles additifs. Pour cela, nous utilisons deux méthodes de régression pénalisée, l’une consistante en sélection (Group LASSO), l’autre en estimation (P-Splines). Nous illustrons sur des simulations et sur une application réelle deux procédures différentes combinant ces deux méthodes d’estimation pénalisée.