La crise énergétique actuelle a mis en lumière de profondes vulnérabilités en matière d'approvisionnement énergétique. Cette crise contribue à renforcer et même à exacerber la dépendance de beaucoup de pays aux énergies fossiles. Nombreux gouvernements ont choisi d'affermir leurs politiques énergétiques, particulièrement en accélérant les progrès sur la sobriété énergétique et l'usage des énergies intermittentes (photovoltaïques et éoliennes). L'énergie photovoltaïque a cet avantage de n'émettre que peu de gaz à effet de serre lors de son fonctionnement mais a ses défauts majeurs d'être intermittent et variable. Le stockage énergétique peut pallier la variabilité et l'intermittence de l'énergie solaire, cependant les technologies de stockage les plus performantes s'accompagnent de problématiques liées au coût financier et au recyclage, freinant ainsi leur popularisation. L'utilisation de Systèmes de Management de l'Énergie pour le Résidentiel (SMER) peut répondre aux obstacles de l'énergie solaire en proposant une manière plus intelligente de consommer l'énergie. Développer des SMER est un sujet de recherche très étudié mais leur application au quotidien reste très sporadique. De manière très pratique, les SMER s'appuient souvent sur un réseau de capteurs de mesures permettant d'obtenir des mesures individuelles d'appareil, afin d'identifier les comportements de consommation ; les durées, les préférences horaires ou aussi l'énergie consommée. Cependant, on peut s'interroger sur la complexité d'installation de réseaux de capteurs, la gestion des données, ou aussi sur le coût financier potentiellement important. La désagrégation non-intrusive (ou NILM en anglais) est le procédé qui consiste à séparer une mesure générale en signaux d'appareils à l'aide d'algorithmes. Le but premier du NILM est de réduire les coûts associés à l'installation et à la maintenance du réseau de capteurs car le NILM n'a besoin que d'un seul point de mesure placé sur le général. En matière de NILM, les méthodes utilisant des modèles d'apprentissage profond sont les plus prometteurs, en raison de leurs très bonnes performances. Dans ce travail, nous expérimentons ce type de modèle, et nous constatons l'importance de la diversité des données dans les bases d'apprentissage pour permettre la généralisation du NILM. Parallèlement, la littérature scientifique souligne le manque de données d'apprentissage publiées et fiables pour avoir une solution de NILM généralisée, c'est-à-dire qui marche pour n'importe quelle maison, pour n'importe quelle saison etc… Ce travail propose une nouvelle méthode d'augmentation de données dans le but d'enrichir les bases d'entraînement, et de se rapprocher de cet objectif de généralisation. La méthode est rigoureusement expérimentée et son apport sur la performance des modèles est démontré. La nouvelle technique d'augmentation de données a été ajoutée à l'outil NILMTK, un célèbre outil « open source » dédié à l'évaluation et la comparaison de méthodes de NILM. Le manuscrit accorde une importance particulière à l'application de ces modèles de NILM car il propose d'évaluer quantitativement l'apport du NILM à un SMER. Le cas d'étude consiste à appliquer une planification de charge à des maisons réelles, tirées de données publiques. On se propose d'intégrer un modèle de NILM dans un SMER. Les planifications produites par le SMER avec un NILM intégré se montrent plus adaptées aux usages habituels de chaque foyer, par conséquent l'ajout de cette méthode permettrait une meilleure acceptabilité des SMER. Ce travail apporte deux contributions originales majeures, premièrement le développement d'une méthode d'augmentation de données pour améliorer les modèles de NILM. La technique a été publiée dans le journal SEGAN (Sustainable Energy, Grids and Network). En deuxième lieu, la thèse propose une approche originale pour évaluer quantitativement la contribution du NILM aux SMER.