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

EDF; Palaiseau; On-site; EUR 12,000 - 19,000; Full time

Benefits offered by this job

Stage de fin d'études

Job summary

EDF Lab Paris-Saclay recherche un stagiaire pour travailler sur des méthodes de prévision et d’imputation de séries temporelles avec effet causal, en lien avec des données de courbes de charge et des compteurs communicants.

Vous explorerez des méthodes causales, développerez des prototypes en Python (et R ponctuellement), et réaliserez un benchmark suivi de la rédaction d’un rapport et d’un article scientifique. Stage de fin d’études de 6 mois, début février/mars 2027, à Palaiseau.

Qualifications

• Connaissances théoriques en statistique, Machine Learning et en Deep Learning.
• Goût pour la R&D, l’inférence causale et les foundation models.
• Capacité à comprendre et synthétiser des articles complexes.

Responsibilities

• Se familiariser avec les méthodes usuelles d’inférence causale et foundation models.
• Explorer et comparer les méthodes de génération de données synthétiques causales, puis les comparer aux méthodes traditionnelles.
• Porter un regard critique sur ces méthodes et capitaliser les résultats.
• Implémenter les méthodes identifiées en Python et adapter celles en R selon les données.
• Rédiger un rapport technique et contribuer à la rédaction d’un article scientifique.

Skills

Statistiques

Machine Learning

Deep Learning

Économétrie

Data Science

Inférence causale

Python

R

Foundation models

Séries temporelles

Education

Écoles d’ingénieurs ou Master 2

Tools

Python

R

Job description

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 cedépartement, le groupe E7C est spécialisé enanalyse 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 regardcritique sur ces méthodes. Capitaliser ses résultats.

Prise en main des données

Jeu de données public de courbes de chargeavec 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.

La R&D propose ce stage de fin d’études, à destination d’étudiants en écoles d’ingénieurs ou Master 2, spécialisés en Statistique/Data Science/Econométrie/Deep Learning/IA. Ecoles : Ecole Polytechnique, ENSTA, Ecole Nationale des Ponts et Chaussées, IMT Atlantique, CentraleSupélec, Ecole des mines, Télécom Paris, ENSAE, ENSAI, Paris School of Economics et Toulouse School of Economics Compétences : Connaissances théoriques en statistique, Machine Learning et en Deep Learning. Capacité à comprendre et synthétiser des articles complexes. Goût pour la R&D, l’inférence causale et les foundation models.. Modélisation de séries temporelles. L’étudiant sera amené à utiliser principalement le langage de programmation Python et ponctuellement R. Dates : à partir de février/mars 2027 (flexible) et pour 6 mois Lieu du stage : EDF Lab Paris-Saclay – Recherches et Développement, 7 Bd Gaspard Monge, 91120 Palaiseau.

Contacts : Yanis REMMACHE (Ingénieur Chercheur), mail : [e-mail] Philippe CHARPENTIER (Ingénieur Chercheur Expert), mail : [e-mail]

Horaires : 35 h / semaine