Contexte et objectifs

• Sujet : Désagrégation supervisée de l’énergie (NILM) par IA, avec comparaison et validation sur multiples datasets.
• Objectifs principaux : 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, et valider la robustesse aux différentes résolutions temporelles (30s, 1min, 5min, 15min).

Tâches et méthodologie attendues

• Développer et entraîner des modèles basés sur des architectures récentes (Transformers, Deep Learning) et utiliser des techniques de traitement du signal pour la prétraitement des séries temporelles.
• Implémenter une méthodologie d’évaluation quantitative complète incluant MAE, F1 Score par appareil, Energy Error, SAE, TAC, etc., et produire des jeux de résultats comparatifs.

Comparaisons et validation

• Tester le modèle proposé sur plusieurs jeux de données NILM (fournis par le laboratoire ou open-source) et comparer aux approches existantes : CNN, LSTM, Seq2Seq, AutoEncoders, WaveNet.
• Évaluer la robustesse du modèle sur différentes résolutions temporelles (30s, 1min, 5min, 15min) et documenter l’impact de la résolution sur les performances.

Compétences requises et livrables

• Compétences demandées : Python, Machine Learning, Deep Learning, Transformers, connaissance en traitement du signal.
• Livrables attendus : code source reproductible, rapports d’évaluation (métriques chiffrées et visualisations), analyse comparative avec autres modèles, recommandations pour déploiement ou poursuite de recherche.

Informations pratiques

• Nombre de stagiaires requis : 2.
• Durée : 6 mois.
• Pour postuler, envoyer votre candidature à : stages@sfmtechnologies.com .