Stage : Computer vision pour enrichir l'analyse de l'autoconsommation photovoltaïque F/H

Environnement de travail :
Le département SEQUOIA (Services, Economie, Questions hUmaines, Outils innovants et IA) de la R&D, intervient en appui de la direction Marketing de la Branche Commerce d’EDF.
Au sein de ce département, le groupe E7C est spécialisé en analyse de données de consommation, et en modélisation statistique dans le but de concevoir des nouvelles offres de fourniture ou des services.
Plus précisément, nos missions sont de :
• Implémenter des modèles statistiques pour répondre aux problématiques du réseau électrique
• Modéliser des profils de consommation.
• Développer des algorithmes pour faire de l’estimation/prévision de consommation.
• Estimer l’impact d’une offre ou d’un service sur la consommation des clients.

Contexte du stage :
Afin d’éviter les risques de blackout du réseau électrique, il est crucial d'assurer en temps réel un équilibre entre la production et la consommation d’énergie. Dans un contexte d'intégration croissante des énergies renouvelables dans le mix énergétique, il est nécessaire de mettre à disposition des solutions de flexibilité pour nos clients : consommer davantage lorsque la production d'énergies renouvelables est élevée et consommer moins lors de baisses de production. Ainsi, il devient essentiel de détecter et d’estimer la déformation de la courbe de consommation d’un client liée à l’autoconsommation photovoltaïque.
Depuis quelques années l’augmentation de l’autoconsommation photovoltaïque ajoute de l’incertitude sur le réseau électrique. En effet certains clients installent des panneaux solaires, ce qui déforme leur courbe de consommation électrique, une évolution qu’EDF a besoin de connaître et d’anticiper pour continuer son activité sur le territoire français. Des modèles permettant de détecter la présence d’autoconsommation chez les clients, puis d’estimer le volume photovoltaïque autoconsommé ont été développés dans notre équipe.
Ce stage sera l’occasion d’implémenter des méthodes de Deep Learning sur ce sujet et de challenger l’existant, en transformant des séries temporelles en image (heatmap) pour faire de la computer vision. Aussi, le modèle développé devra apporter l’information de la date de l’installation photovoltaïque chez un client.

Enfin, une dernière partie optionnelle du stage, plus exploratoire, consistera à adapter les modèles de Deep Learning développés à des clients ayant du photovoltaïque et des batteries, l’objectif est d’étudier l’impact des batteries sur la courbe de consommation d’un client.