Statistical Post-Processing Methods And Their Implementation On The Ensemble Prediction Systems For Forecasting Temperature In The Use Of The French Electric Consumption
Les propriétés statistiques de correction des prévisions de température et leur application au système des prévisions d'ensemble (SPE) de Météo France
par Adriana Geanina GOGONEL (CUCU) sous la direction de Avner BAR-HEN et de Jérôme COLLET
Thèse de doctorat en Statistiques
ED 386 Sciences Mathematiques de Paris Centre

Soutenue le mardi 27 novembre 2012 à Université Paris Descartes ( Paris 5 )

Sujets
  • Statistique mathématique
  • Temps (météorologie) -- Prévision
  • Valeurs extrêmes, Théorie des

Les thèses de doctorat soutenues à Université Paris Cité sont déposées au format électronique

Consultation de la thèse sur d’autres sites :

TEL (Version intégrale de la thèse (pdf))
Theses.fr (Version intégrale de la thèse (pdf))

Description en anglais
Description en français
Mots clés
Prévisions de température,Systèmes de prévisions d'ensemble,Méthode du meilleur membre,Critères de validation des SPE,Théorie des valeurs extremes,Modèles de mélange,Regréssion quantile
Resumé
L'objectif des travaux de la thèse est d'étudier les propriétés statistiques de correction des prévisionsde température et de les appliquer au système des prévisions d'ensemble (SPE) de MétéoFrance. Ce SPE est utilisé dans la gestion du système électrique, à EDF R&D, il contient 51membres (prévisions par pas de temps) et fournit des prévisions à 14 jours. La thèse comportetrois parties. Dans la première partie on présente les SPE, dont le principe est de faire tournerplusieurs scénarios du même modèle avec des données d'entrée légèrement différentes pour simulerl'incertitude. On propose après des méthodes statistiques (la méthode du meilleur membre etla méthode bayésienne) que l'on implémente pour améliorer la précision ou la fiabilité du SPEdont nous disposons et nous mettons en place des critères de comparaison des résultats. Dansla deuxième partie nous présentons la théorie des valeurs extrêmes et les modèles de mélange etnous proposons des modèles de mélange contenant le modèle présenté dans la première partieet des fonctions de distributions des extrêmes. Dans la troisième partie nous introduisons larégression quantile pour mieux estimer les queues de distribution.