Article

À Évry, ShiftElec veut faire parler le compteur électrique des usines

À Évry, ShiftElec veut mesurer la consommation de chaque machine sans multiplier les compteurs. Une étude montre pourquoi l'exercice est difficile.

Illustration - Consommations électriques de machines industrielles

À Évry-Courcouronnes, ShiftElec veut reconnaître la consommation électrique de chaque machine d’une usine à partir d’un seul compteur. Mais des travaux scientifiques présentés le 18 novembre révèlent une difficulté : l’algorithme qui fonctionne le mieux pour une presse à copeaux n’est pas forcément le meilleur pour un four à haute température.

Fondée par Alizée Mesnard, diplômée de Télécom SudParis, la jeune entreprise développe des « capteurs virtuels ». Dans une usine, le compteur principal additionne les consommations de tous les équipements. Pour savoir précisément ce que dépense chacun, il faut normalement installer des instruments de mesure supplémentaires.

ShiftElec propose de les utiliser temporairement, le temps d’entraîner ses modèles d’intelligence artificielle. Ensuite, le logiciel tente de reconstituer la consommation de chaque machine à partir des seules mesures globales. Une estimation algorithmique remplace ainsi une partie des mesures physiques.

Une presse, un four, deux algorithmes différents

Le problème se complique lorsque plusieurs équipements fonctionnent ensemble. Leurs signatures électriques se superposent. Certaines machines s’allument et s’arrêtent franchement ; d’autres modulent leur puissance ou suivent de longs cycles de production.

Pour mesurer cette difficulté, Laiba Asmatullah, Valentin Colliard et Alizée Mesnard, associés à ShiftElec et au laboratoire SAMOVAR de Télécom SudParis, ont comparé dix-sept modèles d’apprentissage profond sur cinq machines d’un jeu de données industriel.

Présentés aux PGMO Days, à EDF Lab Paris-Saclay, leurs résultats ne désignent aucun vainqueur universel. Le modèle BiLSTM obtient le meilleur score moyen, à 0,543 sur l’indicateur TECA, qui évalue la qualité de l’attribution de l’énergie consommée. Mais BiGRU arrive en tête pour la presse à copeaux, et un modèle fondé sur l’attention pour le four à haute température.

Ces chiffres ne sont pas des pourcentages de machines correctement reconnues. Ils proviennent d’essais sur un jeu de données de recherche, pas d’une validation des performances du produit chez ses clients.

Les chercheurs ont également constaté de fortes différences dans le temps nécessaire à l’apprentissage. Dans une expérience distincte, un modèle s’entraînait environ treize fois plus vite qu’un autre. La fréquence des mesures influence aussi les résultats. Pour industrialiser la méthode, il faut donc choisir non seulement un algorithme, mais une manière de mesurer et de l’entraîner adaptée aux équipements rencontrés.

Mesurer pour pouvoir déplacer la consommation

L’intérêt économique apparaît lorsqu’une usine peut identifier les machines dont le fonctionnement est décalable. Faire tourner certains équipements pendant les heures où l’électricité coûte moins cher pourrait réduire la facture, sans nécessairement diminuer la quantité consommée.

Encore faut-il que les cycles de fabrication le permettent et que le contrat électrique rende ces décalages intéressants. Une estimation imprécise de la consommation pourrait aussi conduire à de mauvaises décisions.

Déjà présentée en juin par La Clé Publique parmi trois jeunes entreprises accompagnées par IMT Starter, ShiftElec a depuis été constituée, en septembre 2026, et réunit désormais une dizaine de collaborateurs, selon Télécom SudParis. L’école annonce 80 000 euros de soutien de l’Institut Polytechnique de Paris et 60 000 euros de Bpifrance ; sa fondatrice a également obtenu un prêt d’honneur de 30 000 euros.

Les essais industriels ne datent pas de cet automne. En juin, trois industriels testaient activement la solution et sept autres étaient en phase de démarrage. Télécom SudParis évoque en novembre des premiers clients, sans publier de bilan actualisé ni d’économies mesurées.

Pour ShiftElec, la prochaine difficulté se jouera dans les ateliers de ses clients : attribuer suffisamment précisément la consommation aux bonnes machines pour que les exploitants puissent décider quand les faire fonctionner.

Sources consultées
  1. Fondation Mathématique Jacques Hadamard, PGMO Days 2026Benchmarking Deep Learning Architectures for Industrial Non-Intrusive Load Monitoring: Performance, Training Efficiency, and Granularity
  2. Télécom SudParisD’étudiante à entrepreneure : Alizée Mesnard et l’entrepreneuriat étudiant à Télécom SudParis
  3. Évry-Sénart Sciences et InnovationShiftElec : flexibilité électrique industrielle par l’IA
  4. Fondation Mines-TélécomShiftElec nouvelle bénéficiaire du fonds de prêts d’honneur IMT Industrie & Énergie 4.0
  5. Annonces-Legales.fr / Les ÉchosSHIFTELEC - Constitution SASU - Essonne