Contexte et objectifs

• Projet de désagrégation supervisée de la consommation énergétique (NILM) utilisant des approches IA et deep learning.
• Objectifs détaillés : mettre en place une méthodologie d’évaluation quantitative (MAE, F1 Score appareil, Energy Error, SAE, TAC, etc.), tester et comparer les performances du modèle sur plusieurs datasets NILM fournis ou open-source, valider la robustesse aux différentes résolutions temporelles (30s, 1min, 5min, 15min) et fournir une analyse comparative avec d’autres architectures (CNN, LSTM, Seq2Seq, AutoEncoders, WaveNet).

Compétences requises

• Maîtrise de Python, Machine Learning, Deep Learning et connaissances en Transformers.
• Connaissance en traitement du signal et expérience avec des séries temporelles (prétraitement, débruitage, agrégation temporelle).
• Compétences pratiques souhaitées : PyTorch ou TensorFlow, scikit-learn, pandas, outils de visualisation et gestion d’expérimentations (MLFlow, Weights & Biases, etc.).

Tâches principales et méthodologie

• Développer et implémenter une méthodologie d’évaluation quantitative (implémentation des métriques MAE, F1 par appareil, Energy Error, SAE, TAC, etc.).
• Entraîner et tester des modèles de désagrégation supervisée sur plusieurs datasets NILM (fournis et open-source), comparer architectures baselines (CNN, LSTM, Seq2Seq, AutoEncoders, WaveNet) et architectures basées sur Transformers si pertinent.
• Étudier la robustesse en variant la résolution temporelle (30s, 1min, 5min, 15min) et produire analyses statistiques et visuelles des résultats.

Livrables, durée et contact

• Durée : 6 mois (stage) — prévoir livrables intermédiaires et rapport final reproduisant les expérimentations.
• Livrables attendus : code source reproductible, notebooks d’analyse, jeux de résultats avec métriques, rapport comparatif et recommandations pratiques.
• Nombre de stagiaires requis : 2 (H/F).
• Pour postuler, envoyer votre candidature à stages@sfmtechnologies.com en indiquant comme objet : "Candidature SUJET 4 - Désagrégation supervisée de l’énergie grâce à l’IA".