L’ED SISMI propose le sujet de thèse suivant :

Intitulé du sujet : Observateurs de modèles multi-sinusoïdaux instationnaires pour le suivi énergétique électrique (NILM- Non Intrusive Load Monitoring)

Ce projet serait sous la direction de Sébastien CAUET du LIAS à l’Université de Poitiers

Co-directeurs renseignés : Afzal Chamroo /

Les financements sont : bourse ministérielle

Le début de la thèse est prévu pour : 10/2022

Mots clés du sujet : Suivi de perturbations, systèmes multi-fréquentiels harmoniques, suivi énergétique de systèmes

Présentation du sujet : Le suivi énergétique des consommations électriques (NILM- Non intrusive load monitoring) est une préoccupation actuelle dans notre société.
En effet, il est nécessaire de suivre nos consommations électriques et pouvoir identifier des surconsommations qui peuvent être le signe d’une future défaillance. Dans notre contexte d’étude, la contrainte est d’utiliser un seul point de mesures électriques pour dissocier plusieurs consommateurs (désagrégations de charges).
Pour y parvenir, le doctorant utilisera les outils de l’automatique, du génie électrique et du machine Learning (physical deep Learning) pour élaborer des solutions. Les algorithmes seront testés sur un dispositif expérimental dont dispose le laboratoire LIAS.

Objectifs : Il s’agit de mettre en oeuvre des algorithmes de suivi énergétique à base d’observateurs – et de modèles multi-fréquentiels dans un contexte d’étude expérimental.

Description du sujet : Le suivi énergétique des consommations électriques (NILM- Non intrusive load monitoring) est une préoccupation actuelle dans notre société. Il est nécessaire de suivre nos consommations électriques et pouvoir identifier des surconsommations qui peuvent être le signe d’une future défaillance. La contrainte est d’utiliser un seul point de mesures électriques pour dissocier plusieurs consommateurs (désagrégations de charges).
Des premiers résultats dans la littérature concerne essentiellement le secteur résidentiel (consommation des ménages, suivi de l’activité à domicile pour les personnes dépendantes…).
Dans cette thèse, nous nous placerons dans un contexte de suivi des consommations industrielles qui sont, à majeures parties, issues des consommations des moteurs électriques (pompage, climatisation, ventilation, compression…).
L’identification des signatures des consommations demandent des outils permettant le suivi temps réel de perturbations multi-fréquentielles complexes (il est important d’extraire une information pseudo-sinusoïdale avec plusieurs composantes fréquentielles de manière instantanée).

Cette information est variante dans le temps (instationnaire) vis-à-vis de ses amplitudes, phases ou fréquences et peut apparaitre et disparaitre transitoirement.

L’objectif de cette thèse consiste à s’appuyer sur des outils de l’automatique afin de développer et mettre en œuvre plusieurs stratégies de suivi des modèles multi-harmoniques et instationnaires. L’étudiant.e commencera à partir de publications récentes dans le domaine et développera des outils d’analyse, de détection et d’observations afin de faire de l’estimation et le suivi des consommations électriques.
Il est envisager d’évaluer des solutions à base de machine Learning et/ou de physical deep learning.

Les algorithmes mis en œuvre dans cette thèse seront validés expérimentalement sur les bancs du laboratoire LIAS.

Compétences acquises à l’issue de la thèse : – Maitriser des algorithmes issus d’observateurs et de techniques de suivi multi-fréquentielles;
– Savoir mener des expérimentations sur banc de machines électriques;
– Faire l’acquisition et le traitement de données issus de bancs industriels;
– Savoir mettre en oeuvre des solutions issus du machine Learning et du physical deep Learning.

Présentation de l’équipe d’accueil : Le LIAS (Laboratoire d’Informatique et d’Automatique pour les Systèmes) représente 35 enseignants chercheurs issus des disciplines de l’Automatique, du Génie électrique et de l’Informatique. Il a été créé depuis le 1er janvier 2012, suite à la fusion des laboratoires du LAII (Laboratoire d’Automatique et d’Informatique Industrielle) et du LISI (Laboratoire d’Informatique Scientifique et Industrielle).

Que ce soit sur les nouveaux modes de propulsion, sur la gestion d’énergie, sur le traitement des eaux, sur la modélisation informatique des systèmes complexes ou sur l’optimisation des systèmes temps réel, les complémentarités disciplinaires de l’Automatique, du Génie Electrique et de l’Informatique apportent une plus-value au traitement de ces applications qui relèvent toutes de l’ingénierie.

Le LIAS est composé de trois équipes :

Ingénierie Des Données et des Modèles ;
Systèmes Embarqués Temps Réel ;
Automatique & Système.

Compétences souhaitées pour les candidats : Automatique,
Génie électrique,
Connaissance du machine learning et deep learning serait un plus
Bonne maitre de l’Anglais.

Pour plus d’informations et pour candidater, merci de contacter :

Date de dépôt : 07/01/2022 à 16 h 44 min