Méthodes de surveillance non intrusives de la consommation énergétique par des méthodes d’apprentissage machine

IFP Energies nouvelles (IFPEN) propose une opportunité de thèse dans le domaine de la surveillance de charge non intrusive (Non-Intrusive Load Monitoring - NILM) appliquée aux environnements industriels. Ce projet vise à développer une méthode innovante utilisant les réseaux de neurones convolutifs (CNN) pour améliorer la précision de la détection des signatures énergétiques des appareils. NILM permet d'analyser la consommation énergétique globale d'un bâtiment et de la décomposer en sous-consommations par appareil sans capteurs individuels. Bien que les méthodes actuelles, telles que l'optimisation combinatoire et la reconnaissance de modèles, aient montré leur efficacité dans des contextes résidentiels, leur application dans des environnements industriels reste peu explorée. Cette thèse vise à combler cette lacune en appliquant les CNN à des données industrielles réelles fournies par un partenaire industriel, tout en utilisant des bases de données publiques pour l'évaluation comparative.
Le doctorant sera intégré à une équipe pluridisciplinaire (procédé et data scientist) et inter-laboratoires IFPEN Dr. Julien Gornay, Dr. Denis Guillaume, Eric Volland, Dr. Aurélie Chataignon et Julien Peyrelon) et G-SCOP (directeur de thèse Dr. Eric Gascard et Zineb Simeu-Abazi Prof. Emérite). Il bénéficiera d'un environnement de recherche stimulant, avec accès à des équipements de laboratoire et des moyens de calcul performants. IFPEN offre également une politique salariale compétitive et encourage la participation à des séminaires et formations dédiés aux doctorants.
Nous recherchons un candidat ayant un diplôme en mathématiques, informatique ou génie chimique, avec des compétences en apprentissage profond et/ou traitement du signal. L'intérêt pour l'optimisation énergétique est un plus. Pour postuler, veuillez soumettre votre CV et une lettre de motivation via notre portail en ligne. Rejoignez-nous pour contribuer à l'innovation dans la gestion énergétique industrielle !

Mots clefs: NILM, décarbonatation de l’industrie, efficacité énergétique, CNN, Machine Learning

• Directeur de thèse    Dr Eric GASCARD, Laboratoire G-SCOP, ORCID : 0000-0003-4332-0752
• Ecole doctorale    Ecole Doctorale Electronique, Electrotechnique, Automatique, Traitement du Signal (ED EEATS), Université Grenoble Alpes
• Encadrant IFPEN    Dr Julien GORNAY, ORCID : 0009-0000-7772-5446
• Localisation du doctorant    IFPEN, Lyon, France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2025 (3 novembre)
• Employeur    IFPEN
• Financement    ANR (PEPR SPLEEN)
• Qualifications    Master en Génie chimique ou génie des procédés
• Connaissances linguistiques    Français niveau C1 et anglais niveau B2 (CECR)
• Autres qualifications    Appétence pour l’informatique et le machine learning

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.