La transizione energetica verso l’utilizzo di fonti di energia rinnovabile richiede un profondo adeguamento tecnologico della rete di distribuzione e trasmissione dell’energia elettrica verso il nuovo concetto di Smart Grid. Le tecniche di monitoraggio non-Intrusivo dei carichi (Non-Intrusive Load Monitoring, NILM) consentono di estrarre i profili di consumo dei singoli elettrodomestici di un impianto elettrico senza l’installazione di dispositivi di misura dedicati e rappresentano un elemento di fondamentale importanza per le utility e gli utenti finali. La tecnologia sviluppata consiste in una piattaforma software basata su algoritmi di intelligenza artificiale in grado di fornire agli utenti informazioni dettagliate sui propri consumi.
Stato del brevetto
DEPOSITATO
Numero di priorità
102017000004554
Data di priorità
17/01/2017
Licenza
INTERNAZIONALE
Mercato
Le tecnologie di monitoraggio non intrusivo del carico (NILM) hanno il potenziale per ridurre il consumo energetico delle abitazioni di circa il 12%. Le tecnologie NILM possono essere utilizzate in vari scenari, come i sistemi di gestione dell’energia, i programmi di Demand-Response, la domotica, il rilevamento e la diagnosi dei guasti e la progettazione degli elettrodomestici. Integrando le tecnologie NILM nei sistemi di Energy Management, è possibile ottimizzare il consumo energetico degli edifici, ridurne i costi e identificare le opportunità di risparmio energetico. Le società di distribuzione dell’energia elettrica possono utilizzare la tecnologia per monitorare il consumo di energia durante i periodi di picco e offrire incentivi per la riduzione del consumo. Anche la domotica può trarre vantaggio dalle tecnologie NILM, automatizzando gli elettrodomestici per migliorare l’efficienza energetica. La tecnologia NILM può anche identificare guasti negli elettrodomestici e supportare il progetto apparecchi più efficienti dal punto di vista energetico, monitorando il consumo di energia e identificando le aree di intervento da migliorare.
Problema
Le tecniche di Non-Intrusive Load Monitoring (NILM) ricadono nell’ambito più ampio delle tecnologie relative alle Smart Grid. La transizione energetica verso fonti di energia rinnovabile richiede un significativo adeguamento delle reti di distribuzione e trasmissione dell’energia elettrica, e le tecniche NILM rappresentano un elemento fondamentale per tale finalità. Alle tecniche NILM, si contrappongono tecniche di monitoraggio intrusive, in cui ogni dispositivo è dotato di un sistema di misura dedicato, e che hanno conseguentemente costi notevolmente maggiori.
La tecnologia NILM proposta utilizza un algoritmo intelligente in grado di estrarre i consumi di energia elettrica dei singoli dispositivi connessi ad un impianto elettrico misurando i valori di potenza attiva e reattiva complessivi dell’impianto. Nella soluzione proposta, viene utilizzato un avanzato algoritmo basato su Deep Learning integrato in una piattaforma software che comprende un server cloud a cui vengono inviati i dati di consumo. Successivamente alla fase di elaborazione, i consumi individuali di ogni elettrodomestico vengono resi disponibili all’utente tramite interfaccia web o mobile. In questo modo, in ambito residenziale, gli utenti sono maggiormente consapevoli dei consumi dei propri dispositivi e sono incentivati ad assumere un comportamento più responsabile e oculato, evitando sprechi, e riducendo i consumi. Inoltre, la tecnologia supporta nell’identificazione di dispositivi che non funzionano in modo ottimale. Queste informazioni possono essere utilizzate per migliorare le prestazioni del dispositivo, con conseguente riduzione del consumo energetico e dei costi associati. Le tecniche NILM consentono alle utility di implementare programmi di Demand-Response in modo più efficace, grazie ad informazioni in tempo reale sull’utilizzo dell’energia in un’abitazione o in un’azienda.
Limiti attuali tecnologie / Soluzioni
Alcune delle principali limitazioni delle attuali tecnologie di monitoraggio non intrusivo dei carichi comprendono:
1. Accuratezza limitata: Le tecnologie NILM non sono sempre precise nell’identificare i singoli apparecchi e il loro consumo energetico. L’accuratezza della tecnologia dipende in larga misura dalla qualità dei dati e dagli algoritmi utilizzati per analizzarli.
2. Problemi di privacy: Le tecnologie NILM si basano sulla raccolta di dati sul consumo energetico degli edifici, il che può sollevare problemi di privacy se i dati vengono utilizzati per monitorare il comportamento degli occupanti.
3. Archiviazione e gestione dei dati: La quantità di dati generati dalle tecnologie NILM può essere significativa e può essere difficile memorizzarli e gestirli in modo efficace.
Nella tecnologia proposta, tali problematiche sono state affrontate utilizzando algoritmi di Deep Learning a complessità ridotta che sfruttano tecniche avanzate come la tensor decomposition, la knowledge distillation, e il pruning dei parametri. In questo modo, la soluzione sviluppata può essere integrata anche in dispositivi edge con risorse limitate che non richiedono il trasferimento dei dati a un server remoto e riducono i problemi di privacy. Inoltre, l’accuratezza è stata migliorata grazie all’impiego di tecniche di misurazione della potenza reattiva e di transfer learning.
Killer Application
La tecnologia NILM (Non-Intrusive Load Monitoring) ha diverse applicazioni potenziali in diversi settori, compreso quello residenziale. Nelle abitazioni, il NILM può aiutare gli utenti a diventare più consapevoli e responsabili nei confronti del consumo energetico, riducendo gli sprechi e promuovendo l’efficienza energetica. La tecnologia può anche rilevare modelli di consumo anomali di singoli elettrodomestici, indicando malfunzionamenti. I sistemi di gestione dell’energia domestica possono utilizzare NILM per programmare gli orari di accensione e spegnimento degli elettrodomestici in base a fattori quali il costo dell’energia e la disponibilità di energia rinnovabile, implementando meccanismi di risposta alla domanda. Inoltre, NILM può supportare i sistemi di Ambient Assisted Living monitorando i consumi e fornendo informazioni relative alle attività di vita quotidiana, che possono indicare possibili situazioni di pericolo basate su modelli di utilizzo anomali.
Tecnologia e nostra soluzione
La tecnologia NILM proposta utilizza la potenza attiva e reattiva per disaggregare il carico elettrico totale in carichi individuali a livello di apparecchio. L’implementazione di questa soluzione viene effettuata su un server cloud utilizzando Kubernetes, MySQL e Redis con il linguaggio di programmazione Python. Kubernetes viene utilizzato per gestire e scalare i diversi componenti del sistema. MySQL è utilizzato per memorizzare i dati storici, mentre Redis è utilizzato per l’elaborazione dei dati in tempo reale.
L’algoritmo utilizza l’apprendimento supervisionato per addestrare un modello di rete neurale profonda sui dati di potenza attiva e reattiva. Il modello viene addestrato su un ampio set di dati di consumo energetico con carichi noti a livello di apparecchi. Il modello addestrato viene poi utilizzato per disaggregare il carico elettrico totale in carichi individuali a livello di apparecchio. Gli utenti possono visualizzare i risultati della disaggregazione sia in una pagina web che in un’applicazione mobile, dove è possibile consultare una disaggregazione dettagliata dei carichi a livello di elettrodomestico e il relativo consumo energetico. Il server cloud fornisce scalabilità e affidabilità alla soluzione NILM. Il server è in grado di gestire grandi volumi di dati sul consumo energetico e di elaborare i dati in tempo reale. L’orchestrazione Kubernetes assicura che il server sia sempre disponibile e in grado di gestire il carico. La tecnologia proposta offre agli utenti un modo semplice e non intrusivo per monitorare il proprio consumo energetico. Fornendo informazioni dettagliate sui singoli apparecchi, gli utenti possono prendere decisioni informate sul loro utilizzo di energia e ridurre il consumo complessivo.
Vantaggi
I vantaggi delle tecniche di monitoraggio non intrusivo dei carichi comprendono l’economicità, la non invasività, l’aumento dell’efficienza energetica, il miglioramento della manutenzione e la possibilità di monitoraggio in tempo reale. Poiché la tecnologia non richiede sistemi di misura individuali per ogni dispositivo, è più conveniente rispetto ai metodi di misurazione tradizionali. Inoltre, non richiede alcuna modifica fisica all’impianto elettrico, il che la rende più interessante e conveniente per i proprietari e gli amministratori di edifici. Identificando i dispositivi e i loro pattern di consumo energetico, i proprietari e i gestori degli edifici possono ottimizzare l’uso dell’energia e ridurre i relativi costi. Queste informazioni possono essere utilizzate anche per effettuare la manutenzione o sostituire i dispositivi difettosi, migliorando l’efficienza e l’affidabilità complessiva dell’impianto elettrico. Grazie alla possibilità di monitoraggio in tempo reale, i proprietari e i gestori degli edifici possono controllare l’utilizzo dell’energia e identificare le aree di miglioramento.
Roadmap
La soluzione implementata necessita di ulteriori sviluppi volti ad aumentare ulteriormente il Technology Readiness Level. In particolare, è necessario sviluppare un sensore per la misurazione della potenza attiva e reattiva in grado di eseguire l’algoritmo di disaggregazione localmente o di interfacciarsi con la piattaforma cloud. Ciò consentirà il monitoraggio e l’analisi in tempo reale dei dati di consumo energetico, permettendo una gestione e un’ottimizzazione più efficiente dell’energia. Inoltre, ulteriori ricerche su tecniche avanzate di apprendimento automatico potrebbero migliorare le prestazioni e l’affidabilità del sistema. Infine, sarà necessario garantire l’interoperabilità con le piattaforme software utilizzate dagli operatori della distribuzione.
TRL