Apprentissage Fédéré Hiérarchique pour l'Analyse Privée de la Consommation Énergétique des Ménages // Hierarchical Federated Learning for Privacy-Preserving Household Energy Consumption Analytics

Les compteurs intelligents sont aujourd'hui largement déployés à travers l'Europe, mais la plupart d'entre eux fournissent encore uniquement des relevés globaux de consommation électrique des ménages. Cela empêche les foyers, les fournisseurs d'électricité et les gestionnaires de réseaux de comprendre quels appareils sont à l'origine de la consommation et de mettre en place des interventions ciblées et efficaces sur la demande. La méthode de suivi non intrusif de charges (Non-Intrusive Load Monitoring, NILM) répond à ce problème en décomposant les signaux globaux du foyer en estimations par appareil, grâce à des solutions d'apprentissage automatique (machine learning). Cependant, le passage à l'échelle des solutions NILM reste difficile car (i) les données brutes des compteurs intelligents peuvent être sensibles du point de vue de la vie privée, (ii) l'entraînement de modèles robustes pour des foyers diversifiés nécessite d'apprendre à partir de données distribuées, et (iii) le déploiement pratique exige des modèles efficaces sur le plan computationnel, capables de fonctionner sur des dispositifs légers en périphérie de réseau (edge devices).

Ce projet de thèse en cotutelle entre l'Université d'Exeter et l'Université Paris-Saclay se concentrera sur le développement de stratégies avancées de coordination réseau distribuée et d'architectures de modèles efficaces pour une NILM préservant la confidentialité. L'objectif global est de développer un cadre d'apprentissage fédéré évolutif dans lequel un grand nombre de foyers peuvent contribuer à l'amélioration d'un modèle partagé sans exposer leurs données brutes de consommation, tout en tenant compte de l'hétérogénéité des appareils, des comportements des utilisateurs et des conditions de comptage selon les régions
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Smart meters are now widely deployed across Europe, yet most still provide only aggregate household electricity readings. This limits households, utilities and energy service providers from understanding which appliances drive consumption and from targeting effective demand-side interventions. Non-Intrusive Load Monitoring (NILM) addresses this by disaggregating whole-home signals into appliance-level estimates using machine learning (ML) solutions. However, scaling NILM solutions remains difficult because (i) raw smart-meter data can be privacy sensitive, (ii) training robust models across diverse homes requires learning from distributed data, and (iii) practical deployment demands computationally efficient models that can run on lightweight edge devices.
This Exeter–Université Paris-Saclay joint PhD project will focus on advancing distributed network coordination strategies and effective model architectures for privacy-preserving NILM. The overarching aim is to develop a scalable federated learning framework in which large numbers of households can contribute to the improvement of a shared model without exposing raw consumption data, while still accommodating heterogeneity in appliances, user behaviours, and metering conditions across different regions.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Programme doctoral pour les cotutelles internationales de thèse (ADI)

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

580 Sciences et Technologies de l'Information et de la Communication

L'étudiant doit avoir une solide formation quantitative (par exemple, en ingénierie, en informatique, en science des données ou en mathématiques) et être intéressé par l'application de l'IA aux problèmes énergétiques. Il doit comprendre les concepts fondamentaux de l'apprentissage automatique et, idéalement, avoir une certaine familiarité avec l'apprentissage fédéré.
The student should have a solid quantitative background (e.g., engineering, computer science, data science, or mathematics) and be genuinely interested in applying AI to energy problems. They should understand core machine learning concepts and, ideally, have some familiarity with federated learning.