L’article d’Adrien Petralia, doctorant à la R&D d'EDF, a été retenu pour être présenté à la conférence VLDB (Very Large Databases), une conférence de premier plan dans le domaine de l’analyse de données et de l'intelligence artificielle. Ses travaux portent sur la détection des équipements électriques dans les courbes de charge issues des compteurs communicants Linky.
Connaissez-vous l'auteur ?
De formation ingénieur en mathématiques appliquées et modélisation, Adrien Petralia rejoint la R&D d’EDF en 2022 pour entreprendre une thèse. Au sein de l’équipe « Analyse des consommations et offres de fourniture » , il travaille sur la caractérisation des courbes de charge des clients particuliers dans l’objectif de leur proposer des conseils personnalisés pour mieux maîtriser leur consommation. En août 2024, il présentera ses travaux de thèse à la 50ème édition de la conférence VLDB.
Participation à la conférence Very Large Databases
ADF & TransApp : Une architecture basée sur les Transformers pour la détection des appareils électriques à partir des consommations des compteurs intelligents
Pourquoi le groupe EDF s’intéresse à ce sujet ?
La Direction Commerce du groupe EDF propose un service de coaching énergétique à destination des clients particuliers afin qu’ils puissent :
- Suivre l’évolution de leur consommation
- Identifier les principaux postes de dépense énergétique
- Bénéficier de conseils personnalisés pour optimiser leurs consommations (réduire, décaler les consommations) et leur logement (rénovation, renouvellement d’équipements, pilotage d’usages), leur permettant ainsi de réaliser des économies d’énergie.
Ce service s'inscrit dans la feuille de route « Energy management » de la DMCP (Direction Marketing Clients Particuliers) dont l'ambition est de faire du groupe EDF un leader de la fourniture d'économie d'énergie. Aujourd’hui installé dans plus de 35 millions de foyers français, le compteur Linky permet d’accéder, avec le consentement du client, à sa courbe de charge au pas de temps 30 min, qui constitue un précieux allié pour mieux connaître ses habitudes de consommation et l’accompagner dans la sobriété énergétique.
Publication
L'un des principaux défis de la thèse d’Adrien est de faire parler les courbes de charge, en particulier, détecter la présence ou l'absence des différents appareils électriques dans les foyers des clients.
La détection d’appareils peut être considérée comme un problème de classification de séries temporelles. Cependant, l’importante quantité de données à traiter, combinée à la longueur et à la variabilité des séries de consommation électrique, pose des difficultés lors de la phase d'entraînement.
Cet article propose une nouvelle architecture, qui utilise des sous-séquences de la série de consommation du client pour détecter la présence ou l'absence des appareils. De plus, l'article présente un classifieur de séries temporelles basé sur des Transformers : des modèles de Deep Learning très performants utilisés fréquemment dans les modèles de langage (comme GPT - Generative Pre-trained Transformer).
Ce classifieur se distingue par sa construction en deux étapes :
- Dans un premier temps, le modèle est entraîné de manière auto-supervisée, c’est-à-dire qu’il apprend à partir de données pour lesquelles on ne connaît pas la présence ou l’absence des équipements, ce qui est très souvent le cas. Cet « auto-apprentissage » permet d’extraire automatiquement des caractéristiques et des motifs pertinents des courbes de charge ce qui permet d’améliorer considérablement la capacité du classifieur à détecter les appareils : il sait s’adapter à de nouvelles tâches et à de nouvelles données.
- Ensuite, l'architecture pré-entraînée est ré-entraînée et appliquée à différents cas de détection d’appareils en utilisant des données pour lesquelles la présence des équipements est connue.
Cette architecture a été testée sur deux jeux de données réels présentant une grande diversité d'appareils électriques. Les résultats sont très prometteurs : ils montrent des performances de détection supérieures à plusieurs modèles de l’état de l’art, ainsi que des temps de calcul très compétitifs.
Quelles sont les perspectives de valorisation de ces travaux pour le groupe EDF ?
Pour fournir des conseils personnalisés aux clients, il est nécessaire de connaître les équipements électriques qui composent leurs foyers. Actuellement, la méthode pour recueillir les informations sur le logement des clients consiste à remplir un questionnaire de connaissance. Cela peut s’avérer long et sujet à des erreurs. Les travaux de cette thèse permettent de surmonter ces difficultés car la méthode développée détecte les appareils directement à partir de la courbe de charge : elle permet de corriger les éventuelles erreurs, et, à l’avenir, de compléter le profil de connaissance à la place du client. Ce dernier pourra alors simplement le valider et bénéficier de son programme de coaching énergétique.
Co-auteurs de la publication
- Philippe Charpentier : ingénieur-chercheur expert à la R&D d’EDF
- Themis Palpanas : LIPADE (Laboratoire d'informatique de Paris Descartes) - Université Paris Cité
Domaine de la publication
Détection d’usages, consommation clients, courbe de charge
La conférence Very Large Databases
VLDB est une conférence annuelle de rang A* organisée par la fondation à but non lucratif Very Large Data Base Endowment Inc. Elle couvre les domaines de recherche suivants : gestion, exploration, confidentialité et sécurité des données, architectures de bases de données, machine learning et intelligence artificielle. La 50ème édition aura lieu du 26 au 30 août 2024, à Guangzhou (Chine).