Uno studio pubblicato su Applied Energy propone un metodo di machine learning bayesiano e causale per stimare i consumi delle pompe di calore a partire da dati di smart meter non etichettati.
Luca Massidda e Marino Marrocu, ricercatori del CRS4 nel settore Visual and Data-intensive Computing (ViDiC), hanno recentemente sviluppato un nuovo approccio per l’analisi dei consumi energetici domestici a partire dai dati dei contatori intelligenti.
L’articolo, intitolato “Beyond labels: Bayesian and causal heat pump disaggregation from unlabeled smart meter data” e pubblicato sulla rivista Applied Energy, introduce un metodo che consente di stimare il contributo delle pompe di calore al consumo elettrico complessivo senza ricorrere a dati etichettati o a sensori dedicati. L’approccio si basa su una rete neurale profonda a doppia testa — addestrata con tecniche di transfer learning su dati provenienti da centinaia di abitazioni — combinata con modellazione probabilistica bayesiana e strumenti di analisi causale. Questo insieme innovativo di tecniche di machine learning consente di affrontare l’incertezza intrinseca nei dati reali e di distinguere in modo robusto i diversi fattori che influenzano i consumi energetici, come le condizioni ambientali e i comportamenti degli utenti.
Sul piano metodologico, il lavoro appartiene al filone delle tecniche di load disaggregation (o non-intrusive load monitoring), che mirano a scomporre il consumo energetico aggregato di un edificio nelle sue componenti. La possibilità di operare su dati non etichettati rappresenta qui un elemento di particolare rilevanza: i modelli possono essere applicati direttamente su dati reali provenienti da contatori intelligenti, senza necessità di campagne di misura invasive né di etichettatura manuale dei consumi, tipicamente richiesta dai tradizionali metodi di machine learning supervisionato.
Il nuovo articolo è l’ultimo di una serie di contributi dello stesso gruppo di lavoro dedicati all’analisi energetica degli edifici residenziali con tecniche di intelligenza artificiale. Un precedente studio pubblicato su Applied Energy aveva proposto un metodo basato su causal machine learning per la previsione del carico termico in comunità energetiche residenziali, dimostrando la possibilità di disaggregare i consumi termici aggregati senza misure dirette delle singole utenze. Un successivo lavoro pubblicato su Energy and AI ha mostrato come le stime del carico termico ottenute con tecniche analoghe possano essere direttamente utilizzate per la previsione della flessibilità della domanda e per la simulazione di interventi di demand response, aprendo la strada a un utilizzo operativo di questi metodi da parte degli aggregatori di flessibilità.
Questa linea di ricerca rientra nelle attività del settore Visual and Data-intensive Computing del CRS4, dedicato all’analisi e alla modellazione di grandi quantità di dati complessi, con applicazioni nel dominio dell’energia e dei sistemi intelligenti. Disporre di strumenti affidabili in questo ambito è particolarmente rilevante nel contesto della transizione energetica: può contribuire a diminuire i consumi, a migliorare la gestione delle reti elettriche e a supportare politiche energetiche più efficienti.
Questo lavoro è stato supportato dal PNRR ICSC National Research Centre for High Performance Computing, Big Data and Quantum Computing (CN00000013), nell’ambito del programma NRRP MUR finanziato da NextGenerationEU, e dalla Regione Autonoma della Sardegna attraverso il progetto XDATA (RAS Art. 9, LR 20/2015).
DOI: 10.1016/j.apenergy.2026.127684
