Machine Learning: utilizzare i dati energetici per analisi, previsioni e ottimizzazione

Il Machine Learning come paradigma operativo dell’Intelligenza Artificiale

• differenze tra AI, Machine Learning e Deep Learning, evoluzione storica e pipeline del Machine Learning tradizionale

tipi e tecniche di Machine Learning

• Supervised, Unsupervised, Semi-Supervised e Reinforcement Learning e loro rilevanza nell’energy management

preparazione dei dati energetici

• dati provenienti da smart meter, SCADA, IoT e sistemi meteorologici, data cleaning e feature engineering

modelli di base per l’Energy Management

• regressione, classificazione, clustering e relative applicazioni nel load forecasting, nella demand response e nella previsione della produzione da fonti rinnovabili

Anomaly Detection nei sistemi energetici

• tipologie di anomalie e metodi di individuazione

caso studio pratico

• analisi di un impianto fotovoltaico attraverso una sessione in Python, con sviluppo di un modello previsionale e individuazione delle anomalie