Skip to content

README.it_IT.md

Latest commit

 

History

History
1026 lines (681 loc) · 33.4 KB

README.it_IT.md

File metadata and controls

1026 lines (681 loc) · 33.4 KB
Raw

[🇮🇹 Italiano] [🇧🇷 Português] [🇺🇸 English]





⚡️ CDIA Nexus PUC-SP: Centro di Innovazione per Soluzioni Intelligenti di Acqua ed Energia ⚡️ Smart City Laguna IoT, Fortaleza, Brasile ⚡️

Progetto per il monitoraggio, la previsione e l’ottimizzazione del consumo energetico in una casa intelligente, utilizzando IoT e IA. Sviluppato nel contesto della Smart City Laguna – CDIA PUC-SP.





In collaborazione con Planet Smart City, PUC-SP - Scienza dei Dati & IA, ONU Obiettivi di Sviluppo Sostenibile (SDG), Starlink e Proptech Brasile



Connected.4.Good.-.IoT.in.Planet.SmartCity.mp4

📺 Guarda in Full HD su YouTube



Important

⚠️ Avvertenze Importanti




Esplora il Simulatore e supporta il progetto di IA per le Città Intelligenti


⇩💦


Simulatore Smart City Laguna




🌐 Panoramica del Progetto:


Sviluppato dal gruppo CDIA della PUC-SP, questo progetto di estensione mira a ottimizzare i sistemi intelligenti di gestione delle risorse nella Smart City Laguna — combinando tecnologia, sostenibilità e innovazione comunitaria per rafforzare le regioni svantaggiate.

Con una solida base di collaborazione interdisciplinare e cooperazione internazionale, questa iniziativa collega la scienza dei dati ad applicazioni reali per promuovere città resilienti, inclusive e intelligenti.


Planet Smart City:

Fondata nel 2015 da Giovanni Savio e Susanna Marchionni, Planet Smart City guida il movimento globale per abitazioni accessibili, intelligenti e sostenibili. I loro progetti combinano:

  • Progettazione urbana avanzata
  • Tecnologia integrata
  • Iniziative di costruzione comunitaria

⚡️ CDIA Nexus PUC-SP: Hub di Innovazione per Acqua ed Energia Intelligenti

Il CDIA Nexus è un'iniziativa del Gruppo di Scienza dei Dati e Intelligenza Artificiale della PUC-SP, dedicata allo sviluppo di soluzioni applicate di IA e IoT per la gestione intelligente di acqua ed energia.

Questo hub di innovazione integra ricerca applicata, estensione universitaria e impatto sociale, con l'obiettivo di trasformare le comunità attraverso una tecnologia con uno scopo.

Le soluzioni sviluppate sono applicate in contesti reali, come la Smart City Laguna (Fortaleza, Brasile), attraverso progetti in collaborazione con organizzazioni come Planet Smart City, UN-Habitat, Starlink, tra le altre.

Il progetto mira a combinare sostenibilità, inclusione digitale e innovazione sociale, promuovendo città più resilienti, efficienti e incentrate sulle persone.


💥 Dal Codice all’Intuizione: Analisi dei Dati e Supporto alle Decisioni:


Obiettivo del Progetto:

Sviluppare una soluzione basata su scienza dei dati e intelligenza artificiale per monitorare, prevedere e ottimizzare il consumo di energia elettrica in una casa intelligente (Smart City Laguna). Il progetto simula i dati dei sensori per stanza e utilizza il machine learning per anticipare i modelli di consumo e proporre azioni di risparmio.


Dataset:

☞ Tocca qui per accedere al dataset!

È stato utilizzato un dataset simulato, contenente registrazioni giornaliere con le seguenti variabili:

  • Date: Giorno della misurazione
  • KW/H: Consumo totale di energia in kWh
  • Room1, Room2, LivingRoom, Kitchen, Pool: Numero di attivazioni dei sensori per stanza
  • SolarGeneration: Energia generata dai pannelli solari (simulata)

Domanda di Business:


“Come possiamo prevedere il consumo energetico giornaliero in base al comportamento specifico per stanza e, da lì, proporre misure automatizzate per il risparmio e l’efficienza energetica?”


Metodologia e Fasi:



  1. Importazione e visualizzazione dei dati

Lettura del foglio di calcolo utilizzando pandas e validazione dei formati.



  1. Preprocessing
    • Conversione della colonna Date nel formato datetime
    • Creazione della variabile OrdinalDay per la modellazione
    • Calcolo del consumo medio per attivazione per stanza
    • Simulazione della generazione solare e proiezione del consumo futuro



  1. Modellazione Predittiva

È stato addestrato un modello di Regressione Lineare per stimare il consumo (KW/H) in base al totale delle attivazioni per stanza. Include anche la previsione per il giorno successivo.



  1. Visualizzazioni

    • Time series plots with matplotlib/seaborn
    • Ranking of rooms with highest consumption
    • Activation patterns by cluster
    • Interactive dashboard using Streamlit for real-time monitoring (optional)



  1. Esportazione del Report

Generazione automatica di report in PDF con dati rilevanti, grafici e previsioni.



Risultati:

  • Il modello di regressione ha mostrato una buona capacità di prevedere il consumo in base all’attività nelle stanze
  • Soggiorno e Cucina sono stati identificati come le aree a maggiore impatto
  • La Piscina, sebbene attivata raramente, ha mostrato un consumo medio elevato per attivazione — indicando spreco; è stata rimossa dal modello, poiché il progetto Laguna è rivolto all’edilizia sociale e non prevede piscine
  • La generazione solare può compensare significativamente il consumo durante le ore di punta, se gestita correttamente

Conclusioni e Raccomandazioni:

  • Automatizzare lo spegnimento dell'energia nelle aree ad alto utilizzo come soggiorno e cucina per ottenere risparmi immediati
  • Programmare l'utilizzo della piscina per mitigare picchi di consumo non necessari
  • Sfruttare la generazione solare per bilanciare l'uso degli elettrodomestici durante le ore di massima produzione
  • Implementare avvisi quando vengono superati gli obiettivi di consumo giornalieri

Deliverables:

  • Applicazione Streamlit per il monitoraggio in tempo reale dei sensori
  • Report in PDF con metriche di consumo e raccomandazioni
  • Notebook contenente l'intera pipeline dei dati, modello predittivo e analisi visive

Funzionalità:

  • Dashboard in tempo reale che mostra i dati dei sensori per stanza
  • Previsione del consumo energetico giornaliero tramite Regressione Lineare
  • Sensori simulati per stanza (Stanza1, Stanza2, Soggiorno, Cucina)
  • Obiettivo di consumo giornaliero con sistema di avvisi
  • Sistema di aggiornamento automatico usando streamlit_autorefresh
  • Clustering dei pattern di utilizzo tramite KMeans + PCA
  • Esportazione del report in PDF
  • Confronto con la generazione solare simulata

Tecnologie Utilizzate:

  • Python
  • Pandas e NumPy – elaborazione e analisi dei dati
  • Scikit-learn – regressione lineare e KMeans
  • Matplotlib, Seaborn e Plotly – visualizzazioni
  • Streamlit – dashboard interattiva
  • FPDF – generazione di report PDF
  • Pillow – rendering delle immagini della dashboard

Struttura del Progetto:


laguna_city_digital/
├── app.py # Applicazione principale Streamlit
├── consumo_model.pkl # Modello predittivo addestrato
├── cluster_model.pkl # Modello KMeans addestrato
├── dados/
│ └── Consumo_de_Energia_Analise.xlsx # Dati simulati per stanza
├── relatorios/
│ └── relatorio_consumo_YYYY-MM-DD.pdf
├── imagens/
│ ├── grafico_pca.png
│ ├── heatmap_cluster.png
│ └── grafico_regressao.png
└── README.md


Esempi di Visualizzazione:


Prestazioni del Modello:

  • R²: 0,70
  • RMSE: 11.528,06
  • Stanza più influente: Soggiorno (28,21%)

Conclusioni Finali:

Obiettivi di consumo personalizzati

Sistema di allerta in tempo reale

  • Supporto alla sostenibilità energetica urbana
  • Base scalabile per l’implementazione completa di una Smart City

📌 Questa analisi è stata sviluppata utilizzando pratiche di data science applicate al consumo energetico residenziale, con l'obiettivo di supportare il processo decisionale dell'utente finale.


Panoramica della Presentazione:

CDIA Nexus è il progetto finale di estensione accademica e sociale del Gruppo di Scienza dei Dati e Intelligenza Artificiale della PUC-SP, incentrato sull'applicazione di IoT e IA per sistemi intelligenti di acqua ed energia nella Smart City Laguna, uno sviluppo urbano pionieristico a Fortaleza, in Brasile.

Questa iniziativa è stata sviluppata in collaborazione con Planet Smart City, UN-Habitat e Starlink, allineata agli Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite e impegnata in innovazione sociale, inclusione digitale e intelligenza ambientale.


I punti salienti della presentazione:

  • Una Dashboard integrata per il monitoraggio di acqua ed energia
  • Analisi predittiva con modelli di IA
  • Coinvolgimento della comunità attraverso strategie guidate dai dati
  • Approfondimenti sull’implementazione grazie alla connettività Starlink e all’infrastruttura di Planet

“Dati per il Bene. Innovazione con Significato.”


🌟 Collaboratore chiave: Stefano Buono, fisico e imprenditore, ex ricercatore del CERN e fondatore di AAA (venduta a Novartis), attualmente Presidente di LIFTT e CEO di Newcleo (innovazione nucleare pulita).


➢ Visita Planet Smart City - Ufficiale 🇮🇹

➢ Visita Planet Smart City - Brasile 🇧🇷

➢ Visita Planet Smart City - India 🇮🇳


Il Progetto Laguna: Innovazione Sociale Intelligente:

Situata a São Gonçalo do Amarante, Ceará, Fortaleza, Brasile; Smart City Laguna è una città intelligente di punta di Planet in Brasile, con oltre 60 soluzioni intelligenti, tra cui:

  • Wi-Fi pubblico e infrastruttura IoT
  • Mobilità urbana sostenibile e illuminazione
  • Drenaggio delle acque piovane con pavimentazioni permeabili
  • Programmi culturali, educativi e di governance

Al centro di questo ecosistema:

Il Community Manager — un professionista formato dedicato a:

  • Mobilitare la governance partecipativa
  • Promuovere workshop, educazione e coinvolgimento
  • Coltivare la coesione sociale e la gestione a lungo termine

🌎 Partnerships Globali:

Un ringraziamento speciale a Pedro Braida Neto, CEO di Proptech Brazil, per guidare con empatia, rispetto e integrità. Il modo in cui ti dedichi agli altri fa davvero la differenza.


Scrivi a Pedro 📲


Esprimiamo la nostra più sentita gratitudine alle organizzazioni e alle persone che hanno reso possibile l'implementazione del CDIA PUC-SP. Un ringraziamento speciale a:


Organizzazione Contributo
Nazioni Unite (ONU) Finanziamento per l'acquisto di pannelli solari
PUC-SP (CDIA) Progettazione e implementazione di IoT e Intelligenza Artificiale
UN-Habitat Supporto tecnico e quadri etici
Starlink Infrastruttura internet satellitare
Planet Smart City Sviluppo urbano e supporto in loco
Proptech Brazil Implementazione locale e supporto strategico

Esprimiamo inoltre la nostra gratitudine a:

  • I leader locali e i membri della comunità per la fiducia e la continua collaborazione.
  • Il team tecnico multidisciplinare per la dedizione a soluzioni innovative e sostenibili.
  • Tutti coloro che hanno contribuito, direttamente o indirettamente, a dare vita a questa visione.

Insieme, questi partner incarnano un approccio integrato per il raggiungimento degli Obiettivi di Sviluppo Sostenibile, in particolare nelle regioni emergenti. 💙🌎

⚡ CDIA PUC-São Paulo Module: Water & Energy Systems 💦

The Water & Energy Module designed by CDIA focuses on the use of IoT and AI for resource optimization. Key features:

  • Smart sensors for consumption monitoring
  • AI-driven dashboards with predictive alerts
  • Visualizations for community awareness
  • Scalable resource management models

🧑🏼‍🚀 Team Members:

Name Role
Andson Ribeiro Github - Contact
Fabiana 🧬 Campanari Github - Contact Hub
Leonardo X Fernandes Github - Contact
Pedro Vyctor Almeida Github - Contact

💙 Tutti i membri hanno contribuito in modo collaborativo nelle aree tecniche e creative. Fabiana 🧬 Campanari ha anche guidato l'identità del progetto e il linguaggio visivo.


Innovazioni e Attività:

  • Installazione di sensori IoT per il monitoraggio di acqua ed energia
  • Sviluppo di cruscotti predittivi e sistemi di allerta
  • Co-creazione di un'interfaccia di visualizzazione dati per i residenti
  • Implementazione di progetti pilota di energia solare supportati da UN-Habitat
  • Analisi in tempo reale per la pianificazione delle risorse e la sostenibilità

Risultati di Apprendimento:

Il team ha acquisito esperienza pratica in:

  • Design thinking + metodologie partecipative
  • Ricerca sul campo in infrastrutture urbane
  • Machine learning e modellazione dei dati
  • Prototipazione e integrazione di sistemi
  • Fornitura di soluzioni che riflettono i bisogni reali della comunità

Documentazione Visiva:


📷 Galleria Fotografica

  • drone_view_laguna_2025.jpg – Vista aerea della città
  • team_workshop_on_site.jpeg – Attività sul campo con i residenti
  • solar_panels_community.jpeg – Installazione solare supportata dall'ONU
  • iot_dashboard_mockup.png – Anteprima del design del cruscotto

Presentazioni

  • CDIA_Final_Pitch.pdf – Principali intuizioni e risultati
  • UN_SolarInvestment_Laguna.pptx – Presentazione per gli stakeholder
  • IoT_Architecture_Prototype.pptx – Architettura dei sensori e flusso dei dati

Ringraziamenti:

Rivolgiamo un sincero ringraziamento a Pedro di Proptech, la cui guida e competenza sono state fondamentali durante tutto il progetto. Il suo supporto e la sua visione sono stati pilastri essenziali del nostro percorso di sviluppo.


[Dataset Utilizzato]

☞ clicca qui per ottenere il dataset

È stato utilizzato un dataset simulato, contenente registrazioni giornaliere con le seguenti variabili:

  • Data: Giorno della misurazione
  • KW/H: Consumo totale di energia in kWh
  • Quarto1, Quarto2, Sala, Cozinha, Piscina: Numero di attivazioni dei sensori in ogni stanza
  • Geração Solar: Energia generata dai pannelli solari (simulata)

Modellazione Predittiva:

È stato addestrato un modello di [Regressione Lineare] per stimare il consumo (KW/H) in base al numero totale di attivazioni per stanza. È stata inoltre implementata la previsione per il giorno successivo.


Visualizzazioni:

  • Grafici a serie temporali con matplotlib/seaborn.
  • Classifica delle stanze con maggiore consumo.
  • Rappresentazioni delle attivazioni per cluster.
  • Dashboard interattiva Streamlit per la visualizzazione in tempo reale (opzionale).

📓 Pipeline del Codice


Cella 1 — Importazione delle librerie

import locale
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, r2_score, mean_squared_error

Cella 2 — Caricamento dei dati

# Cambia il percorso secondo il tuo ambiente
file_path = "/Users/fabicampanari/Desktop/Project Planet Smart City Laguna/2-CRISP-DM - Project Smart City Laguna/🇧🇷 CRISP-DM_Projeto_Smart_City_Laguna/Consumo_de_Energia_Analise.xlsx"
xls = pd.ExcelFile(file_path)
sheet_names = xls.sheet_names
print(sheet_names)
df = xls.parse('Sheet1')
print(df.head())
df.info()

Cella 3 — Preprocessing delle date

mesi_it = {
    'gen': '01', 'feb': '02', 'mar': '03', 'apr': '04',
    'mag': '05', 'giu': '06', 'lug': '07',
}
df['Data'] = df['Data'].astype(str)
df['Data'] = df['Data'].str.lower().replace(mesi_it, regex=True)
df['Data'] = pd.to_datetime(df['Data'] + '/2025', format='%d/%m/%Y')

Cella 4 — Statistiche descrittive e correlazione

summary = df.describe()
correlation = df.corr(numeric_only=True)
print(summary)
print(correlation)

Cella 5 — [PLOT 1] Distribuzione delle variabili

fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes = axes.flatten()
cols = df.columns[1:7]
for i, col in enumerate(cols):
    sns.histplot(df[col], kde=True, ax=axes[i], bins=10)
    axes[i].set_title(f'Distribuzione - {col}')
    axes[i].set_xlabel(col)
plt.tight_layout()
plt.suptitle("Distribuzione delle Variabili", fontsize=16, y=1.02)
plt.show()

Inserisci qui per visualizzare la distribuzione di consumi e attivazioni.


Cella 6 — [PLOT 2] Consumo totale nel tempo

plt.figure(figsize=(14, 6))
plt.plot(df['Data'], df['KW/H'], label='Consumo Totale (KW/H)', color='blue', linewidth=2)
plt.title('Evoluzione del Consumo Totale di Energia')
plt.xlabel('Data')
plt.ylabel('KW/H')
plt.grid(True)
plt.legend()
plt.tight_layout()
plt.show()

Mostra l’evoluzione del consumo nel tempo.


Cella 7 — Raggruppamento settimanale e [PLOT 3] Attivazioni settimanali per stanza

df['Settimana'] = df['Data'].dt.to_period('W').apply(lambda r: r.start_time)
df_settimana = df.groupby('Settimana')[['Quarto1', 'Quarto2', 'Sala', 'Cozinha', 'Piscina']].sum()
df_settimana.plot(figsize=(12, 6), marker='o')
plt.title('Attivazioni Settimanali per Stanza')
plt.ylabel('Numero di Attivazioni')
plt.xlabel('Settimana')
plt.xticks(rotation=45)
plt.grid(True)
plt.tight_layout()
plt.show()

Mostra la somma delle attivazioni settimanali per stanza.


Cella 8 — [PLOT 4] Correlazione tra attivazioni e consumo

correlazioni = df[['KW/H', 'Quarto1', 'Quarto2', 'Sala', 'Cozinha', 'Piscina']].corr()['KW/H'][1:]
plt.figure(figsize=(10, 5))
sns.barplot(x=correlazioni.index, y=correlazioni.values, palette='Oranges_r')
plt.title('Correlazione tra Attivazioni e Consumo di Energia (kWh)')
plt.ylabel('Correlazione')
plt.xlabel('Stanza')
plt.tight_layout()
plt.show()

Mostra quali stanze impattano maggiormente il consumo totale.


Cella 9 — Modellazione predittiva (Regressione Lineare) e valutazione

X = df[['Quarto1', 'Quarto2', 'Sala', 'Cozinha']]
y = df['KW/H']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
modello = LinearRegression()
modello.fit(X_train, y_train)
y_pred = modello.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Errore quadratico medio (MSE):", round(mse, 2))
print("R²:", round(r2, 2))

Cella 10 — [PLOT 5] Consumo reale vs previsto

plt.figure(figsize=(10, 5))
plt.scatter(y_test, y_pred, alpha=0.7)
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'r--')
plt.xlabel("Consumo reale (kWh)")
plt.ylabel("Consumo previsto (kWh)")
plt.title("Consumo Reale vs Previsto")
plt.grid(True)
plt.tight_layout()
plt.show()

Valuta visivamente le prestazioni del modello predittivo.


Cella 11 — Coefficienti del modello

coefficienti = pd.Series(modello.coef_, index=X.columns)
print("\nContributo di ogni stanza nella previsione (coefficienti):")
print(coefficienti.sort_values(ascending=False))

Mostra il peso di ogni stanza nella previsione del consumo.


Cella 12 — Calcolo percentuali di attivazione per stanza

df['Totale_attivazioni'] = df[['Quarto1', 'Quarto2', 'Sala', 'Cozinha']].sum(axis=1)
for stanza in ['Quarto1', 'Quarto2', 'Sala', 'Cozinha', 'Piscina']:
    df[f'{stanza}_pct'] = df[stanza] / df['Totale_attivazioni']

Cella 13 — [PLOT 6] Metodo del Gomito per KMeans

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
inertia = []
for k in range(1, 10):
    km = KMeans(n_clusters=k, random_state=42)
    km.fit(X_scaled)
    inertia.append(km.inertia_)
plt.figure(figsize=(8,5))
plt.plot(range(1, 10), inertia, marker='o')
plt.title('Metodo del Gomito')
plt.xlabel('Numero di cluster')
plt.ylabel('Inerzia')
plt.grid(True)
plt.show()

Scegli visivamente il numero ideale di cluster.


Cella 14 — KMeans e [PLOT 7] Pairplot dei cluster

kmeans = KMeans(n_clusters=3, random_state=42)
df['Cluster'] = kmeans.fit_predict(X_scaled)
sns.pairplot(df, hue='Cluster', vars=['Quarto1', 'Quarto2', 'Sala', 'Cozinha'], palette='tab10')
plt.suptitle("Pattern di Utilizzo Raggruppati per Cluster", y=1.02)
plt.show()

Visualizza i raggruppamenti dei profili di consumo.


Cella 15 — Profilo medio per cluster e denominazione

col_pcts = [f'{c}_pct' for c in ['Quarto1', 'Quarto2', 'Sala', 'Cozinha']]
profilo_clusters = df.groupby('Cluster')[['Quarto1', 'Quarto2', 'Sala', 'Cozinha', 'KW/H'] + col_pcts].mean()

def denomina_cluster(row):
    media_kw = df['KW/H'].mean()
    if row['KW/H'] < media_kw * 0.75:
        consumo_totale = '🔵 Basso Consumo'
    elif row['KW/H'] > media_kw * 1.25:
        consumo_totale = '🔴 Alto Consumo'
    else:
        consumo_totale = '🟡 Consumo Bilanciato'
    alti = []
    for stanza in ['Quarto1', 'Quarto2', 'Sala', 'Cozinha']:
        media_pct = df[f'{stanza}_pct'].mean()
        if row[f'{stanza}_pct'] > media_pct * 1.2:
            alti.append(stanza)
    if consumo_totale == '🔵 Basso Consumo':
        return consumo_totale
    if consumo_totale == '🟡 Consumo Bilanciato':
        if len(alti) == 0:
            return consumo_totale
        else:
            return f"🟠 Consumo Elevato in {', '.join(alti)}"
    if consumo_totale == '🔴 Alto Consumo':
        if len(alti) == 0:
            return consumo_totale
        else:
            return f"🔴 Alto Consumo (In {', '.join(alti)})"

profilo_clusters['Profilo'] = profilo_clusters.apply(denomina_cluster, axis=1)

Cella 16 — Dizionario raccomandazioni e stampa per cluster

def mappa_profilo_chiave(profilo):
    if profilo == '🔵 Basso Consumo':
        return profilo
    if profilo == '🟡 Consumo Bilanciato':
        return profilo
    if profilo.startswith('🟠 Consumo Elevato'):
        return '🟠 Consumo Elevato'
    if profilo.startswith('🔴 Alto Consumo'):
        if 'In' in profilo:
            idx = profilo.index('In') + 3
            testo = profilo[idx:]
            principale = testo.split(',')[^0].strip()
            if principale in ['Sala']:
                return '🔴 Alto Consumo (Sala/Cozinha)'
            elif principale == 'Cozinha':
                return '🔴 Alto Consumo (Cozinha)'
            else:
                return '🔴 Alto Consumo'
        else:
            return '🔴 Alto Consumo'
    return profilo

raccomandazioni = {
    '🔵 Basso Consumo': [
        "✅ Mantieni le buone pratiche già adottate.",
        "🎁 Offri premi o sconti (gamification).",
        "🔋 Incentiva l'uso di energia solare/microgenerazione."
    ],
    '🟡 Consumo Bilanciato': [
        "🔌 Automatizza lo spegnimento degli apparecchi in orari fissi.",
        "🕵️ Installa sensori di presenza in camere e soggiorno.",
        "📊 Invia report settimanali di confronto dei consumi."
    ],
    '🟠 Consumo Elevato': [
        "🛏️ Automatizza luci ed elettronica nelle stanze a consumo elevato.",
        "🕵️ Installa sensori di presenza specifici.",
        "📊 Monitora l'uso per identificare picchi inutili."
    ],
    '🔴 Alto Consumo (Sala/Cozinha)': [
        "💧 Pianifica la pompa della cucina fuori dagli orari di punta.",
        "💡 Incentiva l'uso consapevole di luci ed elettronica.",
        "🧠 Suggerisci automazione e tariffa bianca."
    ],
    '🔴 Alto Consumo (Cozinha)': [
        "🍳 Controlla gli apparecchi della cucina per consumi eccessivi.",
        "⏰ Controlla gli orari di uso di forno e frigo.",
        "💡 Incentiva l'uso efficiente dell'illuminazione."
    ]
}

for cluster_id, row in profilo_clusters.iterrows():
    print(f"\n=== Cluster {cluster_id} - {row['Profilo']} ===")
    print("📊 Profilo medio di consumo (attivazioni e kWh):")
    print(row[['Quarto1', 'Quarto2', 'Sala', 'Cozinha', 'KW/H']])
    print("\n📈 Percentuale media di attivazioni per stanza (%):")
    print((row[col_pcts] * 100).round(2))
    print("\n💡 Raccomandazioni:")
    chiave = mappa_profilo_chiave(row['Profilo'])
    if chiave in raccomandazioni:
        for rec in raccomandazioni[chiave]:
            print("-", rec)
    else:
        print("- Nessuna raccomandazione specifica per questo profilo.")

Cella 17 — [PLOT 8] Boxplot consumo per cluster

plt.figure(figsize=(7,5))
sns.boxplot(x='Cluster', y='KW/H', data=df)
plt.title('Distribuzione Consumo (KW/H) per Cluster')
plt.show()

Mostra la variazione del consumo per cluster.


Cella 18 — [PLOT 9] Heatmap percentuali per cluster

heatmap_data = profilo_clusters[col_pcts] * 100
plt.figure(figsize=(8, 5))
sns.heatmap(heatmap_data, annot=True, cmap='YlGnBu', fmt=".2f")
plt.title('Percentuale di Attivazioni per Stanza (%)')
plt.xlabel('Stanze')
plt.ylabel('Cluster')
plt.show()

Visualizza la distribuzione delle attivazioni per cluster.


Cella 19 — [PLOT 10] Radar delle stanze per cluster

categorie = ['Quarto1', 'Quarto2', 'Sala', 'Cozinha']
angles = np.linspace(0, 2 * np.pi, len(categorie), endpoint=False).tolist()
angles += angles[:1]
plt.figure(figsize=(10, 8))
for i, row in profilo_clusters.iterrows():
    valori = [row[cat] for cat in categorie]
    valori += valori[:1]
    plt.polar(angles, valori, label=f'Cluster {i}')
plt.xticks(angles[:-1], categorie)
plt.title('Radar delle Stanze per Cluster')
plt.legend()
plt.show()

Confronta il profilo di attivazione di ciascun cluster.


Cella 20 — [PLOT 11] Visualizzazione cluster con PCA


Abbiamo applicato il PCA a scopo dimostrativo, anche con solo due cluster, per mostrare come agisce nella riduzione della dimensionalità e nell’individuazione delle variabili più rilevanti.

Sebbene non essenziale in questo caso, il PCA è utile per dataset con molte colonne o più di due cluster, migliorando prestazioni e visualizzazione dei dati.


pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
df_plot = pd.DataFrame(X_pca, columns=['Componente 1', 'Componente 2'])
df_plot['Cluster'] = df['Cluster']
plt.figure(figsize=(8,6))
for cluster in df_plot['Cluster'].unique():
    plt.scatter(
        df_plot[df_plot['Cluster'] == cluster]['Componente 1'],
        df_plot[df_plot['Cluster'] == cluster]['Componente 2'],
        label=f'Cluster {cluster}'
    )
plt.title('Visualizzazione dei Cluster con PCA')
plt.xlabel('Componente 1')
plt.ylabel('Componente 2')
plt.legend()
plt.grid(True)
plt.show()

Riduce la dimensionalità per visualizzare i cluster in 2D.


📊 Interpretazione dei Grafici e dei Profili

  • Distribuzione delle variabili: Mostra come sono distribuite le attivazioni e i consumi.
  • Evoluzione temporale: Permette di identificare le tendenze di consumo nel corso dei giorni.
  • Attivazioni settimanali: Aiuta a visualizzare i pattern per ambiente.
  • Correlazione: Mostra la forza della relazione tra attivazioni e consumo.
  • Consumo reale vs previsto: Valuta la qualità del modello predittivo.
  • Clusterizzazione: Identifica gruppi con comportamenti simili per raccomandazioni personalizzate.

💡 Raccomandazioni per Profilo

Profilo Principali Raccomandazioni
🔵 Basso Consumo Mantenere buone pratiche, incentivare energia solare, premi/gamification
🟡 Consumo Bilanciato Automatizzare spegnimenti, installare sensori di presenza, report comparativi
🟠 Consumo Elevato Automatizzare luci/elettronica, sensori di presenza specifici, monitorare picchi
🔴 Alto Consumo (Sala/Cucina) Pianificare pompa fuori picco, uso consapevole dell’illuminazione, suggerire automazione e tariffa oraria
🔴 Alto Consumo (Cucina) Verificare apparecchiature, controllare orari di utilizzo, incentivare efficienza dell’illuminazione

🧭 Conclusione

Il progetto consente di identificare i pattern di consumo, prevedere l’uso futuro e raccomandare azioni per una maggiore efficienza energetica, personalizzando le raccomandazioni in base al profilo di utilizzo di ogni abitazione.


Nota:
Adattare il percorso del file Excel (file_path) in base al proprio ambiente.


Questa analisi è stata preparata basandosi sulle pratiche di data science applicate al contesto del consumo energetico residenziale e mira a facilitare il processo decisionale per il cliente finale.



💌 Let the data flow... Ping Us


🛸๋ My Contacts Hub




────────────── ⊹🔭๋ ──────────────

➣➢➤ Back to Top

Copyright 2024 Mindful-AI-Assistants. Codice rilasciato sotto licenza MIT.