Contexte et objectif

• Développer, entraîner et implémenter un modèle basé sur les Transformers (EnergTransformer / EnergFormer) appliqué au domaine du NILM (Non Intrusive Load Monitoring) pour la désagrégation énergétique.
• Permettre l’identification et la quantification de la consommation individuelle d’appareils (réfrigérateur, climatisation, micro-onde, lave-linge, TV, etc.) uniquement à partir du signal global du compteur principal dans un contexte industriel (Smart Building, Smart Grid, Home Energy Management System).

Tâches principales et périmètre technique

• Prétraitement des signaux : nettoyage, normalisation, alignement temporel et extraction de séquences temporelles multi-échelles à partir des données de consommation globale fournies par l’entreprise.
• Conception et implémentation d’un pipeline d’entraînement efficace : découpage de fenêtres, construction de jeux d’entraînement/validation/test, gestion des déséquilibres et stratégies d’augmentation/augmentation temporelle.
• Design et expérimentation d’architectures Transformers adaptées à l’énergie (Self-Attention, Encoders/Decoders, long sequence modeling) pour capturer des signatures temporelles complexes et superposées.

Évaluation, optimisation et validation

• Évaluation comparative contre l’état de l’art NILM : métriques d’erreur énergétique, détection d’événements, précision par appareil et courbes temporelles de puissance reconstruites.
• Optimisation du modèle : recherche d’hyperparamètres, régularisation, pruning/distillation ou techniques d’accélération pour déploiement embarqué/inférence temps réel.
• Validation finale sur jeux de données réels fournis par l’entreprise et analyse des gains en termes de monitoring, prédiction énergétique et réduction des coûts/émissions CO₂.

Compétences attendues et outils recommandés

• Compétences en Machine Learning / Deep Learning (notamment Transformers), traitement du signal temporel et séries temporelles.
• Maîtrise de Python et bibliothèques usuelles (PyTorch ou TensorFlow, NumPy, Pandas, scikit-learn) ; connaissances en optimisation et gestion de pipeline d’entraînement.
• Aptitudes expérimentales : définition de protocoles d’évaluation, visualisation des résultats, rédaction de rapports et présentation des conclusions au tuteur industriel.

Livrables attendus

• Code complet et reproductible du modèle et du pipeline d’entraînement, notebooks d’analyse et scripts de prétraitement.
• Rapport détaillé décrivant l’architecture choisie, les expériences, l’évaluation comparative et les recommandations de déploiement.
• Validation expérimentale sur les données fournies par l’entreprise et livrable de modèle optimisé prêt pour intégration ou démonstration.

Contact et candidature

• Pour postuler, envoyer votre candidature (CV + lettre de motivation + éventuels projets/portfolios) à l’adresse suivante : stages@sfmtechnologies.com .
• Utilisez pour l’objet du mail : « Candidature SUJET 4 – Désagrégation supervisée de l’énergie grâce à l’IA (PFE) ».