Progetto · Corso di Internet of Things

Smart Home Energy
Demand Prediction

Un'applicazione IoT per la previsione del consumo energetico domestico tramite Machine Learning.

Autori: Mara Montinari, Giuseppe Ruberto
Corso: Internet of Things
Docente: Prof. Luigi Patrono
Tutor: Giuseppe Del Fiore
Anno Accademico: 2018/2019

Introduzione

Contesto

Crescente bisogno di ottimizzazione energetica nelle abitazioni.

Problema

Come prevedere il consumo energetico giornaliero di una casa?

Obiettivo

Sviluppare un sistema basato su Machine Learning per stimare la domanda energetica e supportare decisioni consapevoli.

Analisi dei requisiti

Requisiti funzionali

Previsione del consumo giornaliero
Acquisizione dati in tempo reale e storici
Pulizia e trasformazione dei dati
Valutazione delle prestazioni dei modelli di M.L.
Predizione del consumo energetico tramite un modello di M.L.
Visualizzazione interattiva dei risultati

Requisiti non funzionali

Accuratezza del modello (R² > 0.8)
Tempi di risposta rapidi per le previsioni
Interfaccia utente semplice e intuitiva

Tecnologie

FrameworkStreamlit, per la creazione dell'interfaccia utente.

LinguaggioPython

pandasManipolazione e analisi dei dati.

numpyCalcolo numerico e gestione di array.

XGBoostAlgoritmo di machine learning specifico utilizzato per le previsioni.

joblibSalvataggio e caricamento del modello pre-addestrato.

scikit-learnPre-elaborazione dei dati e selezione dei modelli.

Dati istantanei dalla casa (Home Assistant)

sensor.termostat_temperature26.6 °C

sensor.termostat_humidity63.1 %

sensor.quadro_primo_piano_channel_1_power89.41 W

Scarica dati storici da API

ParametroConsumo abitazione (W)

Data inizio → fine2025/09/23

Scarica dati

Proposta

Home Assistant API
Tomorrow.io API
Historical Dataset

→

Data AcquisitionModulo

→

Pre-processingModulo

→

Prediction · XGBoostModulo

→

Visualization · StreamlitModulo

Acquisizione dati

Dati storici (dataset fornito)
Dati in tempo reale (API Home Assistant)
Dati meteorologici (API Tomorrow.io)

Pre-elaborazione

Pulizia e integrazione dei dati utilizzando datasets esterni
Feature engineering

Predizione

Addestramento dei modelli di M.L. (Random Forest, XGBoost, CatBoost)

Visualizzazione

Interfaccia utente realizzata con Streamlit
Metriche dei 3 modelli e scelta del migliore
Valutazione delle previsioni

Integrazione dataset esterni

Integrazione di dataset esterni: Smart Home Energy Consumption Optimization, Energy Weather Raw Data, Energy-consumption-prediction, Smart Home Energy Consumption, Dataset Smart Home (2013–2017).

Fonte dati
Fonte	Abitazioni	Localizzazione	Periodo	Record dopo cleaning
Dataset fornito (Lecce)	1	Lecce	2023–2024	~8.000
Smart Home Energy Consumption Optimization	10	Vari stati europei	2020	~40.000
Energy Weather Raw Data	1	Messico	Nov 2022 – Feb 2024	~20.000
Energy-consumption-prediction	10	Vari stati europei	2019	~15.000
Smart Home Energy Consumption	39	USA	2018	~100.000
UMass Smart* (A–H)	8	USA	2013–2017	~200.000

Colonne del dataset unificato
Colonna	Descrizione
Datetime	Timestamp (ora)
EnergyConsumption	Consumo (W)
Temperature	Temperatura (°C)
Humidity	Umidità (%)
Hour	Ora del giorno in cui è stato rilevato il consumo
Day_of_week	Giorno della settimana (0 = Lunedì … 6 = Domenica)
Month	Mese in cui è stato rilevato il consumo
Day_of_year	Giorno dell'anno (1–365)
Week_of_year	Settimana dell'anno (1–52)
Is_weekend	Campo binario: weekend (giorni 4, 5, 6) = 1, altrimenti 0

Data pre-processing

Pulizia, accorpamento, ridenominazione dei dati e colonne dei vari dataset utilizzati.
Creazione di un dataset unico (file_ripulito.csv) utilizzato come input per i modelli.

Dettagli

Data fusion

Combinazione dei dati da diverse fonti.

Modellazione

Addestramento e validazione di tre modelli:

Random Forest
XGBoost
CatBoost

Salvataggio del modello

Il modello addestrato e testato migliore viene salvato utilizzando joblib per essere riutilizzato.

Validazione e metriche

Addestramento sul singolo file fornito
Modello	R²	MSE (kW)	RMSE (kW)	MAPE
Random Forest	0.4750	27.72	5.26	3.77
XGBoost	0.4551	28.77	5.36	3.87
CatBoost	0.4472	29.18	5.40	3.90

Addestramento su file_ripulito.csv
Modello	R²	MSE (kW)	RMSE (kW)	MAPE
Random Forest	0.8226	3.81	1.97	0.19
XGBoost	0.8302	3.71	1.93	0.19
CatBoost	0.8277	3.76	1.94	0.22

Risultati attesi: R² superiore a 0.8, in linea con i requisiti non funzionali.

Confronto consumo reale vs predetto (giornaliero) — modello addestrato sul solo file fornito

Confronto consumo reale vs predetto — modello addestrato con file_ripulito.csv

Interfaccia grafica e dashboard

Interfaccia grafica realizzata con Streamlit, articolata in tre viste principali.

Predizione consumo energetico manuale

Temperatura media (°C)22.00

Temperatura min / max18.00 / 26.00

Umidità media (%)50.00

Data previsione2025/09/23

Predici consumo giornaliero

Consumo energetico previsto per il 2025-09-23: 6.87 kWh

Predizione da meteo città (giornaliera)

CittàLecce

Data inizio → fine2025/09/23 → 25

Predici consumo energetico giornaliero

2025-09-238.9278 kWh

2025-09-246.8961 kWh

2025-09-257.3284 kWh

Previsione consumo giornaliero

Reale vs predetto sugli ultimi giorni selezionati.

2025-09-204.82 → 4.09

2025-09-214.54 → 3.92

2025-09-223.96 → 3.90

2025-09-230.66 → 3.30

2025-09-24— → 7.78

Conclusioni e sviluppi futuri

Conclusioni

Il progetto ha dimostrato l'efficacia del Machine Learning e dell'IoT per la gestione energetica domestica.
L'integrazione di dati in tempo reale migliora la precisione delle previsioni.

Sviluppi futuri

Sviluppo di un sistema di notifiche per avvisi in tempo reale.
Integrazione con altri tipi di sensori (es. vento, luminosità, numero di occupanti…).
Ottimizzazione del modello per prestazioni ancora migliori.

Smart Home EnergyDemand Prediction