Stage : Computer vision pour enrichir l'analyse de l'autoconsommation photovoltaïque F/H
Il y a 17 heures
Palaiseau, Ile-de-France
EDF
Temps plein
1 201 € - 1 520 €/an
Gratuit avec email ou Google
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
Gratuit avec email ou Google
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
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. État de l’art des méthodes envisagées et montée en
compétences:
• Se familiariser avec la problématique d’autoconsommation PV dans les séries temporelles et les méthodes développées à la R&D.
• Établir un état de l’art des nouvelles méthodes de computeur vision adaptées aux series temporelles. Bibliographie non exhaustive des modèles :
• (2025) Harnessing Vision Models for Time Series Analysis: A Survey https://arxiv.org/pdf/2502.08869
• (2026) Unlocking Pretrained Vision Transformers for Time Series Classification (https://arxiv.org/abs/2506.08641)
• (2025) From Images to Signals: Are Large Vision Models Useful for Time Series Analysis? (https://arxiv.org/pdf/2505.24030) Prise en main des données :
• Jeu de données comprenant :
• Courbe de charge au pas de temps 30 minutes.
• Données de production photovoltaïque au pas de temps 30 minutes.
• Données d’irradiance solaire.
• Exploration des statistiques descriptives et nettoyage (valeurs aberrantes et manquantes). Mise en oeuvre :
• Implémenter les méthodes identifiées lors de la revue de littérature en Python.
• Adapter ces méthodes à notre usage et à nos données.
• Comparer les performances avec les méthodes existantes de Machine Learning.
Formation:
Etudiant(e)s en écoles d’ingénieur(e)s ou Master 2, spécialisés en Statistiques / Data Science / Deep Learning / IA.
Profil recherché
L’étudiant(e) sera sélectionné(e) sur les compétences suivantes :
• Sens de l'organisation et rigueur.
• Motivation, curiosité et volonté d'apprendre de nouvelles technologies.
• Bonne communication écrite et orale. Compétences techniques : L’étudiant(e) sera amené(e) à mettre en oeuvre des
compétences:
• Data management (gestion, nettoyage, exploration, SQL…).
• Deep Learning pour computer vision
• Python Vous n'avez pas toutes les compétences techniques requises ? Pas de souci Ce qui nous intéresse avant tout, c'est votre envie d'apprendre et de grandir avec nous. Nous recherchons une personne motivée pour rejoindre notre équipe. Dates : Début entre mars et mai 2027 et pour 6 mois. Lieu du stage : EDF Lab Paris-Saclay – Recherches et Développement, 7 Bd Gaspard Monge, 91120 Palaiseau. Contacts : Maëlle KERLEGUER (Ingénieure chercheuse) : maelle.kerleguer@edf.fr Youssef KADHI (Ingénieur Chercheur) : youssef.kadhi@edf.fr Dominique VOIRIN (Chef de Projet) : dominique.voirin@edf.fr Merci d’envoyer un C.
V et une lettre de motivation à ces e-mails. Horaires : 35 h / semaine
• 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. État de l’art des méthodes envisagées et montée en
compétences:
• Se familiariser avec la problématique d’autoconsommation PV dans les séries temporelles et les méthodes développées à la R&D.
• Établir un état de l’art des nouvelles méthodes de computeur vision adaptées aux series temporelles. Bibliographie non exhaustive des modèles :
• (2025) Harnessing Vision Models for Time Series Analysis: A Survey https://arxiv.org/pdf/2502.08869
• (2026) Unlocking Pretrained Vision Transformers for Time Series Classification (https://arxiv.org/abs/2506.08641)
• (2025) From Images to Signals: Are Large Vision Models Useful for Time Series Analysis? (https://arxiv.org/pdf/2505.24030) Prise en main des données :
• Jeu de données comprenant :
• Courbe de charge au pas de temps 30 minutes.
• Données de production photovoltaïque au pas de temps 30 minutes.
• Données d’irradiance solaire.
• Exploration des statistiques descriptives et nettoyage (valeurs aberrantes et manquantes). Mise en oeuvre :
• Implémenter les méthodes identifiées lors de la revue de littérature en Python.
• Adapter ces méthodes à notre usage et à nos données.
• Comparer les performances avec les méthodes existantes de Machine Learning.
Formation:
Etudiant(e)s en écoles d’ingénieur(e)s ou Master 2, spécialisés en Statistiques / Data Science / Deep Learning / IA.
Profil recherché
L’étudiant(e) sera sélectionné(e) sur les compétences suivantes :
• Sens de l'organisation et rigueur.
• Motivation, curiosité et volonté d'apprendre de nouvelles technologies.
• Bonne communication écrite et orale. Compétences techniques : L’étudiant(e) sera amené(e) à mettre en oeuvre des
compétences:
• Data management (gestion, nettoyage, exploration, SQL…).
• Deep Learning pour computer vision
• Python Vous n'avez pas toutes les compétences techniques requises ? Pas de souci Ce qui nous intéresse avant tout, c'est votre envie d'apprendre et de grandir avec nous. Nous recherchons une personne motivée pour rejoindre notre équipe. Dates : Début entre mars et mai 2027 et pour 6 mois. Lieu du stage : EDF Lab Paris-Saclay – Recherches et Développement, 7 Bd Gaspard Monge, 91120 Palaiseau. Contacts : Maëlle KERLEGUER (Ingénieure chercheuse) : maelle.kerleguer@edf.fr Youssef KADHI (Ingénieur Chercheur) : youssef.kadhi@edf.fr Dominique VOIRIN (Chef de Projet) : dominique.voirin@edf.fr Merci d’envoyer un C.
V et une lettre de motivation à ces e-mails. Horaires : 35 h / semaine