Contexte et objectifs

• Développer, entraîner et implémenter un modèle basé sur les Transformers (ex. EnergTransformer / EnergFormer) appliqué au NILM (Non Intrusive Load Monitoring) pour la désagrégation énergétique.
• Objectifs précis : identification et quantification de la consommation individuelle des appareils à partir du signal global du compteur, réduction des coûts énergétiques, monitoring intelligent, amélioration de la prédiction énergétique et contribution à la réduction des émissions de CO₂.

Travaux techniques attendus

• Prétraitement des signaux : nettoyage, normalisation, alignement temporel et extraction des séquences temporelles pertinentes à partir des mesures du smart meter.
• Conception d’un pipeline d’entraînement efficace, entraînement et optimisation d’architectures Transformers (Self-Attention, Encoders/Decoders, Long Sequence Modeling) adaptées aux signatures temporelles des appareils.

Architecture et méthodes de modélisation

• Adapter l’architecture Transformer aux spécificités du signal énergétique (patrons multi-échelles, non stationnarité, superposition d’évènements) et proposer des variantes (EnergTransformer / EnergFormer).
• Étudier et implémenter des mécanismes de modélisation temporelle longue, regularisation, et stratégies d’optimisation pour améliorer la détection et la séparation des appareils (frigo, clim, micro-onde, lave-linge, TV, etc.).

Évaluation et validation

• Évaluation comparative par rapport aux travaux existants en NILM sur des métriques pertinentes (erreur d’estimation d’énergie, détection d’évènements, F1, etc.).
• Validation expérimentale sur des jeux de données fournis par l’entreprise (contexte industriel réel : Smart Building, Smart Grid, Home Energy Management System), analyse des performances et recommandations d’intégration.

Livrables et résultats attendus

• Code reproductible, modèle entraîné et documenté, rapport technique détaillé présentant la méthodologie, les expériences, les comparaisons et les conclusions.
• Prototype d’intégration/validation sur les données réelles de l’entreprise et recommandations pour déploiement en contexte industriel.

Candidature

• Pour postuler, envoyez votre CV, lettre de motivation et éventuellement exemples de travaux (repo GitHub, notebooks) à l’adresse : stages@sfmtechnologies.com.
• Sujet / objet recommandé pour l’email : "Candidature — SUJET 4 : Désagrégation supervisée de l’énergie grâce à l’IA (PFE)".