Gestion intelligente du suivi des consommations énergétiques de l’IUTLab à l’aide de techniques Machine Learning

L’IRIMAS (Institut de Recherche en Informatique, Mathématiques, Automatique et Signal) est une unité de recherche de l’Université de Haute-Alsace (UHA), basée à Mulhouse. Ses travaux couvrent plusieurs domaines scientifiques, dont l’informatique, le traitement du signal et de l’image, les mathématiques appliquées, et l’automatique.

L’institut regroupe des enseignants-chercheurs et doctorants travaillant sur des problématiques à fort impact industriel et sociétal, notamment en intelligence artificielle, vision par ordinateur, apprentissage automatique, et systèmes embarqués.

Contexte

Les défis qui attendent le secteur de l’énergie sont nombreux : changement climatique, mobilité et transport plus respectueux de l’environnement, production industrielle plus efficiente et durable, contexte socio-économique en crise, escalade des demandes sociétales et contraintes logistiques… Le suivi des consommations au plus près et une gestion intelligente de l’énergie, notamment électrique, par le développement des technologies numériques de type Internet of Things ou IoT sont devenus possibles et cruciaux. Parallèlement, les algorithmes Machine Learning (ML) permettent de gérer et traiter de grands volumes de données qui constituent une opportunité unique pour mieux suivre les consommations et permettre la mise en œuvre d’outils de gestion. L’équipe IMTIS de IRIMAS avec l’IUT de Mulhouse ont développé plusieurs démonstrateurs complets à l’échelle 1:1 pour l’étude des consommations et de la production d’énergie renouvelable. La collecte des données issues de l’ensemble des instruments de mesure est centralisée rendant ainsi possible un suivi en temps réel. L’équipe a pour ambition de développer de nouvelles approches ML pour une stratégie complète d’analyse des consommations électriques et de commande des micro réseaux électriques pour plus d’efficacité et de résilience.

Objectif

L’objectif de ce stage est d’analyser des données de consommation électriques prises à l’IUT de Mulhouse (à l'IUTLab, lieu d’innovation, espace de coworking, basé sur le fonctionnement des FabLab, équipé de plusieurs imprimantes 3D, d’une machine de découpe au laser, de machines d’usinage, d’un stock de cartes de prototypage des familles Arduino et Raspberry Pi, https://www.iutmulhouse.uha.fr/liutlab/) avec un seul point de mesure donc un seul compteur. On parle de mesure non intrusive [1], ou Non-Intrusive Load Monitoring (NILM), lorsqu’avec une seule mesure de la consommation totale, nous voulons savoir quel appareil fonctionne ou pas… Pour des questions de coût, seule la consommation totale est mesurée et transmise à une base de données, ce qui rend essentiel de séparer la consommation d'énergie par appareil. La méthode NILM permet cette séparation, offrant une solution économique pour améliorer la compréhension et l'efficacité. La méthode NILM s'appuie généralement sur la reconnaissance de caractéristiques spécifiques dans les données énergétiques, comme les variations de courant et de tension, pour identifier individuellement les appareils qui consomment. Ceci permettra à terme de développer des compteurs intelligents [2]. Les avancées dans la surveillance NILM se fera à l’aide d’algorithmes ML pour séparer les consommations individuelles des appareils et notamment à l’aide d’apprentissage tels que des CNN [3] et des RNN. Des approches basées sur le principe du Deep Learning ou basées sur des descripteurs et des approches plus classiques [4] pourront être employées et comparées.

Déroulé et résultats attendus

Le stage allie recherche théorique et mise en œuvre pratique d’algorithmes ML pour la surveillance NILM. Dans un premier temps, vous devrez vous familiariser avec les données historisées et rédiger une synthèse bibliographique des techniques NILM fondés sur les algorithmes ML. Ce travail devra identifier les limites actuelles des approches NILM et comment les algorithmes ML permettent de les contourner. Vous devrez aussi identifier dans la littérature des critères pour évaluer leur pertinence. Vous devrez ensuite concevoir et implémenter différents algorithmes ML pour la surveillance NILM à partir de données de l’IUTLab et d’autres bases de données telles que UK-DALE [5]. Vous comparerez la capacité de ces différentes méthodes à produire des séparations des consommations et identifications des appareils à l’aide des critères identifiées dans la littérature. Enfin, le travail pourra être complété par :

• l’intégration de données externes,
• l’utilisation d’un ré-entraînement du ML ou « fine-tuning »,
• la détection et classification d’anomalies de consommation,
• etc.

Références bibliographiques

[1] Basu, K., et al., A comparative study of low sampling non intrusive load dis-aggregation, 42nd Annual Conference of IEEE Industrial Electronics Society (IEEE IECON 2016). 2016: Florence, Italy.

[2] Weißhaar, D., et al., Smart Meters Improved by NILM, in Smart Meters: Artificial Intelligence to Support Proactive Management of Energy Consumption, D. O. Abdeslam, Editor. 2023, Springer International Publishing: Cham. p. 29-54.

[3] Belguermi, Y., G. Hermann, and P. Wira. Enhanced Sequence-to-Sequence NILM Learning using Convolution Variational Auto-Encoders. 51st annual conference of the IEEE Industrial Electronics Society (IECON 2025). 2025. Madrid, Spain.

[4] Houidi, S., et al. Relevant Feature Extraction for Home Appliances Recognition. Electrimacs 2017.pToulouse, France. *

[5] Kelly, J. and W. Knottenbelt, The UK-DALE dataset, domestic appliance-level electricity demand and whole-house demand from five UK homes. Scientific Data, 2015. 2(1): p. 150007.

Nous recherchons un étudiant ou une étudiante en M2 ayant des connaissances en science des données ou en statistiques, avec des connaissances en traitement du signal, et à l’aise avec l’environnement de calcul Matlab.

Nous souhaitons collaborer avec quelqu’un de motivé et rigoureux, capable d'avancer de manière autonome et de communiquer efficacement au sein de l’équipe.