Sujet de Thèse

La désagrégation de signaux de consommation électrique est ancienne et relève d'une thématique de recherche plus générale : l'analyse de séries temporelles. Elle est traversée par plusieurs questions comme: (i) prédiction, par exemple de la consommation future par usage, (ii) gestion des valeurs manquantes, par exemple en cas d'une défaillance temporaire d'un appareil de mesure, (iii) clustering, afin de détecter des similarités d'usage entre utilisateurs ayant le même profil, (iv) détection d'anomalies, pour détecter les défaillances de certains appareils électriques ou des événements extrêmes liés à des facteurs exogènes.

Ces modèles ont néanmoins montré leurs limites, notamment à cause de la complexité des usages impliquant un grand nombre d'appareils électriques, sans motif clairement défini même par usage. Par ailleurs, toutes ces méthodes se basent sur des hypothèses implicites de stationnarité et de relation linéaire entre usages et consommation totale mesurée, qui ne sont pas toujours satisfaites, même après prétraitement des données. La communauté scientifique s'est alors attelée à développer des méthodes d'apprentissage statistique qui se veulent plus agnostiques aux modèles classiques de consommation énergétique. Depuis une dizaine d'années, différentes architectures de réseaux de neurones classiques ont ainsi été implémentées afin de prédire de manière purement data driven la consommation électrique par usage. Parmi les utilisées on peut citer les RNNs, LSTMs, transformers. La complexité quadratique du mécanisme d'attention qui est au coeur de l'architecture transformers reste néanmoins un verrou. Les approches hybrides, mixant connaissance experte des données électriques et méthodes data driven sont très prometteuses, et commencent à être investiguées. L'encodage des signaux dans le domaine fréquentiel, comme prétraitement d'entrées dans un transformer a ainsi été introduit très récemment. Il apparaît suite à ces travaux, que la manière d'encoder les signaux électriques à décomposer compte tout autant que la méthode de prédiction (transformers ou autre) des signaux d'intérêt.

De nombreuses questions relatives à la décomposition par usage ont été explorées dans la littérature : la question de la détection de profils d'usagers, qui est essentielle du point de vue des opérateurs énergétiques, afin de proposer des offres de service adaptées. La question de la détection d'un appareil en activité est elle aussi importante car cela est une étape préliminaire pour détecter d'éventuelles anomalies. Elle est néanmoins délicate car très souvent, l'analyse se fait à partir de données basses fréquences qui ne permettent pas de capter les patterns spécifiques à chaque appareil.

Objectifs et résultats attendus Cette thèse répond directement aux enjeux du PTR3 Transition écologique des systèmes énergétiques et industriels pour la neutralité carbone, sous- axe Systèmes énergétiques intégrés et optimisés. L'objectif principal est ici de développer un outil algorithmique capable de désagréger un profil temporel de consommation électro-domestique fourni par un compteur Linky en une série de courbes de charges par usage (chauffage, eau chaude, froid, cuisson, électroménager, mobilité, etc.). Cet outil dépassera l'état de l'art actuel en se fondant sur plusieurs innovations : -Utilisation de la BDD Panel Elecdom, 50 fois plus riche que l'état de l'art des BDD publiques -Intégration de données exogènes (météo, données socio-démographiques et comportementales) pou améliorer la prédiction -Développement d'apprentissage de représentations pour intégrer la physique des consommations -Fourniture, en plus de la prédiction, de l'intervalle de confiance permettant sa certification -Utilisation d'architecture d'apprentissage semi-supervisé pour tirer parti d'une potentielle masse de données Linky

Dans une logique de cohérence avec les objectifs de transition écologique, une analyse de la complexité computationnelle et du coût énergétique des modèles développés sera conduite. Des architectures compactes/ parcimonieuses seront privilégiées, afin d'éviter une utilisation inutile des ressources de calcul et de favoriser un déploiement à grande échelle compatible avec les principes de sobriété numérique. Cet outil de modélisation valide les critères du PTR : il permet l'optimisation et le pilotage intelligent du système énergétique intégré [et] recourt aux technologies du numérique tout en intégrant la physique des systèmes. Les différentes échelles spatiales et temporelles (liées à la physique, la gestion des flux d'énergie, aux échelles d'organisation) sont bien questionnées. L'outil opérationnel servira de pompe d'amorçage pour la constitution d'une base de données « macro » statistiquement représentative (de 104 à106 foyers) de courbes de charges désagrégées par usage. Sa montée en puissance sera envisagée de manière progressive, en fonction des niveaux de confiance obtenus et des garanties apportées en matière de protection des données. L'objectif est de démontrer la faisabilité méthodologique et d'ouvrir la voie à un déploiement ultérieur. La BDD macro sera d'importance majeure pour les acteurs du réseau électrique afin de comprendre, analyser et anticiper les consommations électriques françaises avec une résolution spatiale, temporelle (et dans une moindre mesure sociale) fines.

Pour aider à la montée en puissance efficace et rapide de la BDD macro, certaines innovations sont attendues dans le cadre de ce travail : -Analyse causale des méta-données Panel afin d'identifier les déterminants majeurs de consommation -Définition d'un plan d'expérience pour la poursuite des mesures physiques sur le terrain : consommations manquantes, sous ou sur -représentativité statistique, etc