Machine Learning pour estimation de la consommation de vapeur d'une unité industrielle à partir de sa signature de sa consommation électrique.

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Machine Learning pour estimation de la consommation de vapeur d'une unité industrielle à partir de sa signature de sa consommation électrique.

La décarbonation de l'industrie est un enjeu majeur du XXIème siècle et passe par une meilleure connaissance et maîtrise des émissions de CO2eq de ses sites de production. Certaines entreprises ont bien compris les enjeux liés à cette décarbonation et ont lancé des actions pour identifier leurs sources d'émissions de gaz à effet de serre et ainsi mettre en place des actions adéquates pour réduire leur empreinte carbone.

Le stage s’inscrit dans le cadre du projet DCarbo (PEPR SPLEEN) qui a pour objectif de chercher à définir, pour plusieurs types de systèmes de production, la structure appropriée d'acquisition et de collecte des données pertinentes, et à la mise en place d’outils associés d'aide à la décision pour la décarbonation.

Objectifs du stage :

Les équipements et procédés industriels présentent généralement des régimes de fonctionnement qui se traduisent par des variations mesurables de leurs grandeurs électriques. Les tensions, courants et puissances des trois phases peuvent ainsi contenir des informations indirectes sur l’état de fonctionnement de l’unité et, potentiellement, sur sa demande en vapeur.

L’approche proposée s’inspire notamment des méthodes de Non-Intrusive Load Monitoring (NILM) et d’Electrical Signature Analysis, dans lesquelles les caractéristiques électriques sont exploitées afin d’identifier des états de fonctionnement ou des profils de consommation. Le stage propose d’étendre ce principe à l’estimation d’un autre vecteur énergétique en développant des modèles capables d’apprendre la relation entre la signature électrique d’une unité et sa consommation de vapeur.

L’unité étudiée constitue un cas particulièrement favorable pour cette analyse, car sa consommation de vapeur peut être isolée. Ces mesures pourront ainsi être utilisées comme données de référence pour l’apprentissage, la validation et l’évaluation des modèles développés.

Le stage s’inscrit donc à l’interface entre l’apprentissage automatique, l’analyse de séries temporelles, le load monitoring et le soft sensing, avec pour objectif de déterminer dans quelle mesure la consommation de vapeur d’un procédé industriel peut être estimée à partir de ses seules mesures électriques.

Liste de tâches :

• Tâche 1 – Analyse exploratoire, prétraitement et synchronisation des données
  Analyser les séries temporelles disponibles, assurer leur nettoyage, leur synchronisation et leur mise en forme. Étudier les relations entre les tensions, courants, puissances et autres grandeurs électriques disponibles et la consommation de vapeur.
• Tâche 2 – Extraction et sélection des caractéristiques pertinentes
  Identifier les informations les plus représentatives de la signature électrique de l’unité à partir des mesures disponibles. Étudier différentes représentations des signaux dans les domaines temporel et statistique, ainsi que l’utilisation éventuelle de fenêtres temporelles afin de caractériser les différents régimes de fonctionnement et leur relation avec la consommation de vapeur.
• Tâche 3 – Développement et comparaison des modèles d’apprentissage automatique
  Identifier les méthodes et architectures d’apprentissage automatique les plus adaptées. Implémenter et comparer plusieurs approches, allant de modèles de référence simples à des méthodes plus avancées.
• Tâche 4 – Validation expérimentale et analyse des performances
  Tester les modèles développés sur des données industrielles réelles et comparer les estimations obtenues aux mesures réelles de consommation de vapeur. Évaluer les performances à l’aide de métriques adaptées, analyser la robustesse et la capacité de généralisation des différentes approches.

Profil recherché :

Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur : 

• Maîtrise des techniques en Machine Learning ;
• Expériences en Data Science ;
• Maîtrise de Python et de bibliothèques scientifiques telles que NumPy, Pandas, Scikit-learn, Matplotlib ;
• Esprit d’analyse et capacité à interpréter les résultats au-delà des seules performances des modèles ;
• Curiosité et aptitude au dialogue avec des experts d’autres disciplines et capacité à structurer et communiquer des résultats techniques ;
• Bonnes compétences rédactionnelles et de communication en anglais.

Autres informations :

Transports : IFP Energies Nouvelles – Solaize est situé à 20 km au Sud de Lyon. Le site est accessible en transports en commun :  des navettes TCL relient le site aux stations de métros les plus proches aux heures d’arrivée et sortie du bureau (matin et soir).

Restauration : IFPEN Lyon propose un restaurant pour son personnel.

Stage rémunéré

__________________________________________________________________________________________

Machine learning for estimating the steam consumption of an industrial unit based on its electricity consumption signature

Context :

Industrial decarbonization is a major challenge of the 21st century, requiring a better understanding and management of CO2-equivalent emissions from production sites. Some companies have fully grasped the stakes involved and have initiated measures to identify their greenhouse gas emission sources, thereby implementing appropriate actions to reduce their carbon footprint.

This internship is part of the DCarbo project (PEPR SPLEEN), which aims to define the appropriate structure for acquiring and collecting relevant data across various types of production systems, and to develop associated decision-support tools for decarbonization.

Description :

Industrial equipment and processes typically exhibit operating modes that result in measurable variations in their electrical parameters. Consequently, three-phase voltage, current, and power readings can contain indirect information regarding the unit's operating state and, potentially, its steam demand.

The proposed approach draws on methods such as Non-Intrusive Load Monitoring (NILM) and Electrical Signature Analysis, which leverage electrical characteristics to identify operating states or consumption profiles. This internship aims to extend this principle to the estimation of a different energy vector by developing models capable of learning the relationship between a unit’s electrical signature and its steam consumption.

The unit under study presents a particularly favorable case for this analysis, as its steam consumption can be isolated. These measurements can thus serve as reference data for training, validating, and evaluating the developed models.

The internship therefore sits at the intersection of machine learning, time-series analysis, load monitoring, and soft sensing, with the objective of determining the extent to which an industrial process's steam consumption can be estimated based solely on electrical measurements.

List of tasks:

• Task 1 – Exploratory analysis, preprocessing, and data synchronization

Analyze available time-series data; ensure data cleaning, synchronization, and formatting. Investigate the relationships between steam consumption and available electrical parameters (voltage, current, power, etc.).

• Task 2 – Extraction and selection of relevant features

Identify the information that best characterizes the unit's electrical signature based on available measurements. Explore various signal representations (time-domain, statistical) and the potential use of time windows to characterize different operating modes and their relationship with steam consumption.

• Task 3 – Development and comparison of machine learning models

Identify the most suitable machine learning methods and architectures. Implement and compare several approaches, ranging from simple baseline models to more advanced methods.

• Task 4 – Experimental validation and performance analysis

Test the developed models using real industrial data and compare the resulting estimates with actual steam consumption measurements. Evaluate performance using appropriate metrics, and analyze the robustness and generalization capability of the different approaches.

Required profile :

Master’s (M2) or final-year engineering school student:

• Expertise in machine learning techniques;
• Experience in data science;
• Proficiency in Python and scientific libraries such as NumPy, Pandas, Scikit-learn, and Matplotlib;
• Analytical mindset and the ability to interpret results beyond mere model performance;
• Curiosity, an aptitude for communicating with experts from other disciplines, and the ability to structure and present technical results;
• Strong written and verbal communication skills in English;
• French is highly desirable.