TaDa Srl è una startup che, attraverso l’analisi dei dati di consumo energetico aggregato, consente un monitoraggio consapevole dei consumi domestici e degli elettrodomestici presenti in casa. L'obiettivo del progetto è quello di sviluppare, sotto la guida del team interno di TaDa, un algoritmo per la disaggregazione dei consumi elettrici (NILM) per consentire la stima dello stato di attivazione e il consumo dei singoli elettrodomestici senza l'installazione di sensori dedicati su ogni presa. Dopo una prima fase di implementazione di un approccio consolidato in letteratura, il progetto ha esplorato tecniche unsupervised per superare la principale barriera del settore: la scarsità di dataset reali annotati e la variabilità tra ambienti domestici diversi.
Supervised Learning
Nella prima fase del progetto abbiamo implementato un’architettura consolidata in letteratura, basata su una Convolutional Neural Network (CNN) integrata con un layer di Temporal Pooling per l’inclusione del contesto temporale nel riconoscimento degli stati di attivazione.
Deliverables:
- Report sullo stato dell’arte delle tecniche PIML più rilevanti.
Stima del consumo del frigorifero
Il frigorifero contribuisce in modo stabile al carico base (consumo notturno/standby), ma la sua attivazione è spesso "mascherata" dall'uso concomitante di elettrodomestici a più alto consumo. Ignorarlo comporta un errore sistematico nella stima globale.
Sono state sviluppate due metodologie complementari:
- Data-driven:basato sulla combinazione di misurazioni reali con dataset pubblici
- Model-based:algoritmo euristico basato sull'isolamento del consumo aggregato notturno.
Deliverables:
- Moduli di stima ibrida (Data-driven + Model-based).
Unsupervised Learning
Nell’ultima fase di progetto, abbiamo sviluppato un approccio completamente non supervisionato, per fare fronte alla scarsa reperibilità del dato e alle differenze tra il dato in letteratura e le misurazioni reali. La metodologia sviluppata analizza il consumo aggregato, estrae le finestre temporali di attivazione "eventi" e le proietta in uno spazio vettoriale (Embedding). In questo spazio, eventi simili (stesso elettrodomestico) tendono a raggrupparsi in cluster distinti, permettendo la classificazione automatica.
Deliverables:
- Modulo di Event Detection, Embedding e Clustering.
Il modello supervisionato ha ottime performance sia sui dati testati in letteratura sia sui dati reali, ma la generalizzazione su nuovi utenti "unseen data" evidenzia la necessità di tecniche di domain adaptation. L'approccio non supervisionato ha mostrato risultati promettenti in ambiente sperimentale; l'attuale architettura dell'embedder pone le basi per sviluppi futuri, pur richiedendo oggi un fine-tuning specifico per utente. L’architettura sviluppata nella prima fase del progetto è il primo prototipo su cui oggi è costruita l’architettura della piattaforma TaDa come componente operativa del sistema di disaggregazione dei consumi.
Pubblicazioni
Project Manager | Senior AI Research Engineer
AIRIC
Tommaso
Bianchi
AI Research Scientist
AIRIC
Gianmarco
Genalti
AI Research Scientist
AIRIC
Davide
Fabroni
Founder & Data Scientist
TaDa
Federico
Ungolo
Data Scientist
TaDa
Eugenia
Villa
Data Scientist
TaDa
Gabriele
Iacono
