CATALOGO TECNOLOGIE CRS4

MICE

Monitoraggio Intelligente dei Consumi Energetici

Soluzione scalabile per l’analisi dei consumi energetici residenziali

Contesto

La crescente penetrazione delle fonti rinnovabili intermittenti rende essenziale la gestione attiva della domanda elettrica residenziale.

Carichi flessibili come elettrodomestici programmabili e impianti di riscaldamento e raffrescamento rappresentano una risorsa strategica per l’equilibrio della rete, ma identificarli e quantificarne la flessibilità richiede tipicamente sensori dedicati o sub-metering costosi.

I contatori intelligenti di seconda generazione, oggi largamente diffusi, offrono un’alternativa: i dati di consumo aggregato che misurano contengono informazioni sufficienti per stimare il contributo dei singoli carichi flessibili, senza infrastrutture aggiuntive.

Manca tuttavia una soluzione scalabile che sfrutti questi dati in modo non intrusivo, adattabile a utenze eterogenee e operativa con minima interazione dell’utente.

Cosa propone MICE

L’applicazione è una soluzione facilmente scalabile per l’analisi dei consumi energetici residenziali, che trasforma i dati già disponibili dei contatori intelligenti in informazioni ad alto valore per la gestione più efficiente e sostenibile della domanda di energia.

Grazie a un approccio non invasivo basato sull’intelligenza artificiale, è in grado di identificare e quantificare i carichi flessibili senza necessità di nuove infrastrutture e con un’interazione minima con l’utente.

In particolare, il sistema analizza i dati di consumo aggregato dei contatori intelligenti per identificare e quantificare i carichi flessibili residenziali, seguendo due direttive complementari:

per gli elettrodomestici programmabili (lavatrici, lavastoviglie), utilizza reti neurali convoluzionali pre-addestrate e affinate tramite interazione minima con l’utente: bastano poche etichettature di attivazioni — ottenibili tramite una semplice app — per adattare il modello alla specifica utenza. I dati richiesti hanno risoluzione al minuto, compatibile con i contatori di seconda generazione.
per i carichi termici (pompe di calore), adotta un approccio completamente non supervisionato: una rete neurale a doppia testa con separazione causale delle feature produce distribuzioni di probabilità sul consumo termico, affinate tramite dati aggregati dell’utenza target senza alcuna etichetta. Gli output probabilistici calibrati supportano sistemi automatici di regolazione del carico con gestione esplicita del livello di comfort.

Tratti innovativi

Stima della flessibilità della domanda residenziale utilizzando esclusivamente dati da contatori intelligenti, senza sensori aggiuntivi o sub-metering
Per i carichi termici: approccio completamente non supervisionato, senza etichette a nessun livello — né in training né in adattamento alla specifica utenza — con output probabilistici calibrati per la gestione del rischio di comfort
Separazione causale delle feature (temporali → carico base; meteorologiche → carico termico) che migliora l'identificabilità del segnale in assenza di supervisione
Per gli elettrodomestici programmabili: adattamento a nuove utenze con interazione utente minima (3–7 attivazioni etichettate), senza sub-metering e con dati a risoluzione al minuto
Performance competitive rispetto ai modelli supervisionati dello stato dell'arte in scenari di trasferimento cross-dominio

Potenziali utenti

Aziende energetiche e distributori (programmi di demand response, tariffazione dinamica, profilazione della clientela
Aggregatori di flessibilità e operatori del mercato dei servizi di dispacciamento
Fornitori di piattaforme per la casa intelligente e sistemi di building management
Società di servizi energetici — ESCO (ottimizzazione energetica basata sui dati)
Consumatori residenziali e prosumer (visibilità e controllo sui propri consumi flessibili).

Settori d’impatto

Mercati dell’energia e servizi di dispacciamento (stima e aggregazione della flessibilità residenziale)
Gestione energetica residenziale (monitoraggio granulare e ottimizzazione dei carichi flessibili)
Reti intelligenti e demand response (identificazione e attivazione di risorse di flessibilità distribuita)
Sostenibilità e decarbonizzazione (supporto all’integrazione delle rinnovabili tramite gestione attiva della domanda)
IoT e domotica (livello analitico per sistemi di automazione attenti al consumo)

Valore economico e sociale

Implementazione del sistema demand-response → monetizzazione della flessibilità
Zero-label / zero-hardware → scalabilità su larga scala
Utilizzo delle infrastrutture esistenti → elevato ritorno sull’investimento
Riduzione dei costi di rete → valore aggiunto per le utility
Sostenibilità ambientale.

Ulteriori risorse e informazioni

Luca Massidda, Marino Marrocu, Simone Manca. Non-Intrusive Load Disaggregation by Convolutional Neural Network and Multilabel Classification. Applied Sciences, 10(4), 1454, 2020. https://doi.org/10.3390/app10041454
Marco Manolo Manca, Luca Massidda. Deep Learning Based Non-Intrusive Load Monitoring with Low Resolution Data from Smart Meters. Communications in Applied and Industrial Mathematics, 13(1), 39–56, 2022. https://doi.org/10.2478/caim-2022-0004
Luca Massidda, Marino Marrocu. A Bayesian Approach to Unsupervised, Non-Intrusive Load Disaggregation. Sensors, 22(12), 4481, 2022. https://doi.org/10.3390/s22124481
Luca Massidda, Marino Marrocu. Total and Thermal Load Forecasting in Residential Communities through Probabilistic Methods and Causal Machine Learning. Applied Energy, 351, 121783, 2023. https://doi.org/10.1016/j.apenergy.2023.121783
Gabriella Pusceddu, Simone Manca, Luca Massidda. Fine-Tuning Non-Intrusive Load Monitoring Model Through User Interaction: A Practical Approach to Appliance Recognition with Limited Labeled Data. Applied Energy, 391, 125943, 2025. https://doi.org/10.1016/j.apenergy.2025.125943
Luca Massidda, Marino Marrocu. Beyond Labels: Bayesian and Causal Heat Pump Disaggregation from Unlabeled Smart Meter Data. Applied Energy, 412, 127684, 2026. https://doi.org/10.1016/j.apenergy.2026.127684

Categoria

Tematica:
ICT

Dominio:
Efficienza energetica

Area specializzazione:
Sistemi energetici intelligenti

Area specializzazione:
Domotica

Status

Tipologia di innovazione:
incrementale

Tipologia di prodotto:
demo, software

Tecnologie emergenti adottate: Artificial Intelligence (AI) / Machine Learning; Transfer Learning; Smart meter analytics; Bayesian inference; High Performance Computing.

Stadio di sviluppo tecnologico:
TRL 4-5

Limitazioni:

Elettrodomestici: richiede dati a risoluzione del minuto, ottenibili con un analizzatore della powerline communication dei contatori intelligenti, o con un semplice pulse counter per tutti i moderni contatori;
Carichi termici: validato su clima a dominanza di riscaldamento; trasferibilità a climi a dominanza di raffrescamento non ancora verificata; la performance degrada con bassa quota termica sul carico aggregato.

Caratteristiche di Proprietà intellettuale:
Codice proprietario

Eventuali partner di sviluppo:
No

Keywords

NILM
Energy disaggregation
Deep learnin
Smart meters
Transfer learning
Energy analytics platforms
Predictive maintenance systems

Contatti

Responsabile Luca Massidda
– collaborazioni industriali
– progetti pilota e dimostratori
– trasferimento tecnologico (licensing)

Per informazioni: valorisation@crs4.it

Date

Ultimo aggiornamento: 25/03/2026