Thèse Apprentissage Fédéré Hiérarchique pour l'Analyse Privée de la Consommation Énergétique des Ménages H/F - 75

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire des Signaux et Systèmes
Direction de la thèse : Mohamad ASSAAD
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-22T23:59:59

Les compteurs intelligents sont aujourd'hui largement déployés à travers l'Europe, mais la plupart d'entre eux fournissent encore uniquement des relevés globaux de consommation électrique des ménages. Cela empêche les foyers, les fournisseurs d'électricité et les gestionnaires de réseaux de comprendre quels appareils sont à l'origine de la consommation et de mettre en place des interventions ciblées et efficaces sur la demande. La méthode de suivi non intrusif de charges (Non-Intrusive Load Monitoring, NILM) répond à ce problème en décomposant les signaux globaux du foyer en estimations par appareil, grâce à des solutions d'apprentissage automatique (machine learning). Cependant, le passage à l'échelle des solutions NILM reste difficile car (i) les données brutes des compteurs intelligents peuvent être sensibles du point de vue de la vie privée, (ii) l'entraînement de modèles robustes pour des foyers diversifiés nécessite d'apprendre à partir de données distribuées, et (iii) le déploiement pratique exige des modèles efficaces sur le plan computationnel, capables de fonctionner sur des dispositifs légers en périphérie de réseau (edge devices).

Ce projet de thèse en cotutelle entre l'Université d'Exeter et l'Université Paris-Saclay se concentrera sur le développement de stratégies avancées de coordination réseau distribuée et d'architectures de modèles efficaces pour une NILM préservant la confidentialité. L'objectif global est de développer un cadre d'apprentissage fédéré évolutif dans lequel un grand nombre de foyers peuvent contribuer à l'amélioration d'un modèle partagé sans exposer leurs données brutes de consommation, tout en tenant compte de l'hétérogénéité des appareils, des comportements des utilisateurs et des conditions de comptage selon les régions

Smart meters are now widely deployed across Europe, yet most still provide only aggregate household electricity readings. This limits households, utilities and energy service providers from understanding which appliances drive consumption and from targeting effective demand-side interventions. Non-Intrusive Load Monitoring (NILM) addresses this by disaggregating whole-home signals into appliance-level estimates using machine learning (ML) solutions. However, scaling NILM solutions remains difficult because (i) raw smart-meter data can be privacy sensitive, (ii) training robust models across diverse homes requires learning from distributed data, and (iii) practical deployment demands computationally efficient models that can run on lightweight edge devices.

The project will deliver three tightly linked research strands:
1. Federated NILM learning algorithms. Develop federated learning (FL) schemes tailored to NILM, including client selection and weighting, robust aggregation under heterogeneous data distributions, and communication-efficient update strategies. Privacy will be ensured through rigorous mechanisms such as secure aggregation and/or differentially private updates, with explicit evaluation of the accuracy-privacy trade-off.
2. Distributed network and system design. Design the learning topology and protocols linking household clients to one or more regional (potentially hierarchical) aggregators. This work will consider timeliness constraints to avoid receiving stale information. This can be done by considering new metrics such as Age of Information or Age of Incorrect Information in the learning design, which have not been considered before in this area. In addition, bandwidth constraints, asynchronous updates, fault tolerance, and participation incentives will be considered, with the goal of ensuring the system remains stable and effective as the client population scales.
3. Efficient NILM model structures. Create ML models suitable for federated learning and edge deployment, balancing disaggregation accuracy against memory and compute constraints. Approaches may include lightweight architectures, modular designs that combine shared representations with personalised components, and automated architecture or configuration search to identify optimal models under realistic device and communication constraints.
The final phase will prototype the proposed methods within a representative smart-metering pipeline and evaluate them using real whole-home datasets and, where possible, hardware-in-the-loop or gateway deployments. The project will engage with local smart metering and energy service companies in the UK and France to keep requirements grounded and to maximise impact, setting up a clear route towards deployable privacy-preserving energy analytics across European settings.