Contexte
Stage de fin d’études de licence chez Oceantrade Madagascar, sur une plateforme de bornes de recharge électrique. Sujet du mémoire : « Supervision avancée et détection intelligente des fraudes et anomalies dans un système de bornes de recharge électrique ».
Problème
Collecter et transformer les données des bornes, caractériser leur fonctionnement et leurs usages, puis repérer automatiquement les comportements atypiques et anticiper les défaillances.
Approche
- Services backend en Python/FastAPI et pipelines ETL pour collecter et transformer les données des bornes.
- Orchestration des traitements avec Apache Airflow ; échanges interservices avec RabbitMQ.
- Analyse statistique des données OCPP pour caractériser le fonctionnement et les usages des bornes.
- Isolation Forest pour détecter les anomalies et comportements atypiques dans les données opérationnelles.
- Random Forest pour anticiper les défaillances et orienter les interventions de maintenance.
- Contribution aux tests, au débogage et au déploiement de la plateforme.
Stack
- Python
- FastAPI
- ETL
- Apache Airflow
- RabbitMQ
- OCPP
- Isolation Forest
- Random Forest
Statut
Terminé (2025)
Stage terminé en novembre 2025 ; mémoire de licence (diplôme obtenu en 2025).
Ce que j’en retiens
Un modèle de détection d’anomalies ne vaut que par le pipeline qui l’alimente : sans données collectées, transformées et orchestrées proprement, ni Isolation Forest ni Random Forest ne disent quoi que ce soit d’utile.