Linkya · NILM

Mon Home Assistant mesure : TV, PC, réfrigérateur, four, box. La consommation est couverte, appareil par appareil, sauf ce qui n'est pas ou ne peut pas être branché sur une prise connectée. 50 % de ma consommation est classée comme « Consommation Non Suivie ».

Le ballon d'eau chaude est un suspect typique : branché directement au mur, impossible d'y glisser une prise intelligente. Des pinces ampèremétriques permettent de mesurer sans prise, mais nécessitent d'intervenir sur le câblage. Locataire, je ne démonte pas. Il tourne plusieurs fois par jour, consommant quelques kWh à chaque chauffe. C'est probablement mon premier poste de dépense après le chauffage en hiver et je ne le mesure pas.

Le NILM pour Non-Intrusive Load Monitoring : déduire la consommation de chaque appareil à partir du seul signal agrégé du compteur.

Je ne suis pas spécialiste ML : je suis ingénieur. J'ai défriché le sujet en binôme avec l'IA, et c'est la rigueur d'ingénieur qui rend le résultat fiable. Travailler avec l'IA →

Sous le capot, Linkya implémente un modèle Seq2Point sur architecture LSTM/GRU avec mécanisme d'attention.

On n'a rien compris, alors plus simplement :
Seq2Point : on donne au modèle une séquence (une fenêtre de quelques minutes du signal global) et il répond par un seul point : la puissance de l'appareil à l'instant situé au milieu de cette fenêtre.
LSTM / GRU : des mémoires courtes. Le modèle se souvient de ce qui s'est passé juste avant : c'est utile car une chauffe c'est une montée puis un palier puis une descente : c'est l'enchaînement qui fait la signature.
Attention : un projecteur. Le modèle apprend à se concentrer sur les moments qui comptent et à ignorer le reste.

En clair : imaginez une oreille qui apprend à reconnaître la voix d'une personne dans le brouhaha d'une foule. Le compteur Linky « entend » toute la maison d'un coup. On montre au modèle à quoi ressemble le ballon quand il fonctionne et il apprend à la repérer même quand d'autres équipements consomment en même temps.

La plupart des approches NILM s'entraînent sur des datasets publics (UK-DALE, RAE...) : des maisons étrangères, des appareils génériques. Le modèle connaît un ballon moyen, pas le mien. Linkya s'entraîne sur ma maison, mes signatures, mes appareils réels. N'importe quelle installation, n'importe quel pays. La contrepartie : capturer quelques signatures au départ. C'est ce qui rend la détection précise là où les autres approximent.

Côté UX/UI, je voulais quelque chose de simple à utiliser : on visualise le signal global Linky des N derniers jours, on zoome et se déplace facilement dans la courbe afin de repérer les plages de fonctionnement d'un appareil : un pic de puissance régulier, une heure de démarrage planifié (heures creuses pour le chauffe-eau).

On surligne sur la courbe et on les affecte à l'appareil désiré.

Quelques dizaines de signatures suffisent pour un premier entraînement. L'interface est faite pour ça : capturer un cycle prend quelques secondes.

On peut ensuite tester la détection sur le reste de la courbe et affiner les signatures si nécessaire.

Une détection correcte peut être validée par l'utilisateur et transformée en une signature « positive » pour le modèle : il apprend ainsi à mieux reconnaître l'appareil dans le signal Linky.

Une mauvaise détection peut être invalidée par l'utilisateur et transformée en une signature « négative » pour le modèle : il apprend ainsi à ne pas confondre le ballon avec un autre appareil.

Au total j'arrive à plus de 70 signatures en quelques minutes. Assez pour un modèle stable.

Une fois le modèle satisfaisant et l'option activée, Linkya détecte en continu et publie l'état de l'appareil directement dans Home Assistant via MQTT.

Les cycles du chauffe-eau apparaissent clairement aux horaires heures creuses, déclenchement automatique oblige. Quelques détections sortent de ces créneaux : des réchauffes ponctuelles et probablement un ou deux faux positifs. Rien de bloquant. Si le taux monte, quelques signatures supplémentaires et un réentraînement suffisent.

La question se pose naturellement : Linkya gagnerait à devenir une intégration Home Assistant native. Les données viennent de HA, les détections y retournent. L'app à part n'est qu'un intermédiaire.

Le seul point bloquant : l'UI d'annotation. Sélectionner une plage sur la courbe de puissance pour capturer une signature, c'est simple dans une interface web classique. Reproduire cette expérience dans une card Lovelace custom avec sa propre courbe, son JS, son style, c'est une réécriture complète. Faisabilité à évaluer.