Stage :Causal foundation models pour séries temporelles de consommation électrique F/H EDF

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.

 Dans 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.

Nos missions sont de :

1.Mettre en place des panels de clients pour collecter des courbes de charge (globale ou sur des usages spécifiques) : des compétences en sondage, ou en dimensionnement de panels sont alors requises. 

2.Modéliser des profils de consommation.

3.Développer des algorithmes pour faire de l’estimation/prévision de consommation.

4.Estimer l’impact d’une offre ou d’un service sur la consommation des clients.

Ce stage s’inscrit dans un projet, dont l’objectif est de recueillir et valoriser les données clients. Par ailleurs, un volet méthodologique du projet identifie et développe des traitements innovants et créateurs de valeur pour la relation client et les offres à partir des courbes de charge au pas de temps des compteurs communicants (Linky et Gazpar), mais aussi à pas de temps fin (seconde).

Contexte du stage :

Le département SEQUOIA de la R&D a pour ambition de devenir un acteur de référence en matière de foundation models. A ce jour, les méthodes en cours de développement sont spécialisées pour la prévision et l’imputation de séries temporelles (voir par exemple le modèle TS-ICL : https://github.com/EDF-Lab/ts-icl).

Les méthodes d’inférence causale sont fréquemment utilisées pour répondre à des problématiques autour de l’énergie : quel est l’effet d’une rénovation énergétique sur la consommation électrique du client ? Comment réagit le client face aux changements d’offres tarifaires ? Cependant, les algorithmes traditionnels montrent parfois des limites lorsqu’il est question de travailler sur des données de courbes de charge haute fréquence (séries temporelles de consommation électrique individuelles).

Le stage comportera plusieurs phases : 

 État de l’art des méthodes envisagées et montée en compétences :

Se familiariser avec les méthodes usuelles d’inférence causale. Explorer les causal foundation models ainsi que les méthodes de génération de données synthétiques causales associées, les comparer aux algorithmes traditionnels. Porter un regard critique sur ces méthodes. Capitaliser ses résultats.

Prise en main des données

Jeu de données public de courbes de charge avec effet causal simulé. Données de courbes de charge EDF avec effet causal réel et inconnu.

Mise en œuvre

Implémenter les méthodes identifiées lors de la revue de littérature en Python. Certains modèles traditionnels sont codés en R. Adapter ces méthodes à notre usage et à nos données. Réaliser un benchmark des différentes méthodes.

Capitalisation des travaux effectués

Rédaction d'un rapport, code python/R accompagné d'une documentation, co-rédaction d'article scientifique.