AI per il monitoraggio e la classificazione delle flessibilità energetiche
La Sfida
Le aziende del settore energetico devono gestire e interpretare grandi volumi di dati per ottimizzare l’utilizzo delle risorse e garantire affidabilità operativa.
Artificialy ha sviluppato una soluzione AI per analizzare le cosiddette firme energetiche, ossia lo specifico pattern di consumo energetico di ciascun dispositivo, sia una termopompa, una macchina produttiva o altro. Così è possibile identificare automaticamente i dispositivi connessi e migliorarne la gestione degli stessi.
Il cliente, nello specifico, aveva la necessità di migliorare il monitoraggio delle flessibilità energetiche. In particolare:
un algoritmo di machine learning in grado di analizzare la distribuzione della potenza per verificare la sincronizzazione con i relè;
un modello basato su dati storici e meteorologici per stimare la potenza nominale dei dispositivi;
un modello di classificazione Machine Learning per identificare automaticamente la tipologia di dispositivo (es. boiler, pompa di calore)
La soluzione consente di trasformare dati grezzi in insight operativi, migliorando il controllo e la qualità delle informazioni.
La nostra Soluzione AI
Artificialy ha sviluppato una soluzione che combina algoritmi Machine Learning supervisionati e non per l’analisi automatica delle serie temporali di consumo.
Il sistema:
valuta la sincronizzazione tra consumo e segnali di controllo;
stima la potenza nominale utilizzando dati storici e variabili esterne (es. condizioni meteo);
classifica automaticamente i dispositivi tramite modelli di ML dedicati.
Questo approccio consente di ottenere insight affidabili e scalabili a partire dai dati operativi.
Risultati
Le metriche prese in considerazione sono tutte in crescita e mettono in luce un miglioramento complessivo della qualità dei dati e della capacità di monitoraggio.
I maggiori benefici si rilevano dal punto di vista del risparmio di tempo e della precisione di rilevamento di ciascun elemento, in particolare:
84% di accuratezza nella verifica della sincronizzazione;
90% di recall nell’individuazione di anomalie;
69% di accuratezza nella stima della potenza;
84% di recall per l’identificazione di dati incoerenti;
76% di accuratezza nella classificazione dei dispositivi.
Ti potrebbe interessare anche
AI per l’automazione del routing e delle risposte ai ticket nel customer service
