> Monitoraggio energetico smart:
fotovoltaico e domotica con l'AI

Il monitoraggio energetico smart non è una feature: è la base per trasformare un impianto fotovoltaico da generatore passivo a sistema che impara dai suoi stessi dati. La domanda concreta che mi arriva spesso è: "Ho inverter, prese smart, sensori di temperatura. Come li collego davvero a un'AI che prenda decisioni utili?"

Qui non parliamo di previsioni teoriche, ma di tre livelli di implementazione che funzionano: monitoraggio puro, automazione deterministica, e infine agenti AI che si adattano ai pattern.

# Primo livello: raccolta dati centralizzata

Prima di qualsiasi AI, serve una fonte unica di verità. La maggior parte degli impianti è un arcipelago: inverter che parla Modbus, prese Shelly via HTTP, sensori zigbee su hub separati, app del fornitore che mostra dati diversi da quelli reali.

La soluzione è un collector locale (Raspberry Pi 4, NUC, o container Docker su NAS):

• Inverter: leggi via Modbus TCP o seriale. Estrai potenza istantanea, energia cumulata, tensione DC, stato batteria se presente.
• Carichi smart: API REST/MQTT per prese intelligenti. Log lo stato e il consumo storico.
• Meteo: chiama un'API meteo (openweathermap, weatherapi) per cloud cover, irradianza prevista, temperatura ambiente.
• Database locale: InfluxDB o Prometheus per timeseries. Non riversare tutto sul cloud: latenza, costi, privacy.

Con questo setup, hai dati coerenti ogni 10-30 secondi. Niente statistiche falsate da sincronizzazioni diverse.

# Secondo livello: regole deterministiche

Prima di usare AI, automatizza cosa è deterministico. Se il tuo sistema decide in base a regole semplici, non usare un LLM: usa logica booleana, è più veloce e prevedibile.

Esempi concreti:

• Accendi lavatrice/lavastoviglie quando produzione fotovoltaica > 80% della potenza nominale e meteo prevede almeno 2 ore stabili.
• Ricarica batteria di backup se SOC < 50% e ci sono almeno 4 ore di sole previste prima del tramonto.
• Scalda acqua sanitaria quando eccedenza energetica istantanea > 500W per più di 15 minuti consecutivi.
• Spegni carichi non critici se è nuvoloso e batteria carica < 30%.

Implementa queste regole con Home Assistant, OpenHAB, o uno script Python con if/else. Quando eseguono senza errori per settimane, allora sai che il tuo sistema di raccolta dati è affidabile.

# Terzo livello: agenti AI adattivi

Dopo settimane di dati storici (almeno 2-3 mesi), hai feedback su cosa funziona davvero. Qui entra un modello predittivo:

Predizione della produzione

Un modello regressivo semplice (Gradient Boosting, Random Forest) apprende dai tuoi dati:

• Ora del giorno, stagione, cloud cover, temperatura.
• Output: produzione FV stimata nei prossimi 15/30/60 minuti.

Non serve un LLM per questo. Un modello scikit-learn addestrato localmente su 500 ore di dati reali batte qualsiasi previsione generica.

Pianificazione dinamica dei carichi

Dato che conosci produzione prevista e consumi storici, puoi anticipare:

• "Tra 45 minuti la produzione cala sotto i 500W. Accendi la lavatrice adesso se è disponibile."
• "Domani pomeriggio nuvole persistenti. Ricarica batteria ora se ci sono almeno 3 ore di sole oggi."
• "Questo carico costa 0.35€/kWh se preso da rete, 0€ se usato ora. Conviene aspettare 20 minuti di sole?"

Qui un LLM localmente ridotto (tipo Phi-2 3B, Mistral 7B) può riassumere i dati e spiegare la decisione in linguaggio naturale, ma la logica sottostante rimane deterministica e verificabile. Niente "l'AI decide" in scatola nera.

# Architettura pratica

Componente	Funzione	Stack tipico
Collector	Legge inverter, sensori, meteo. Scrive su DB locale.	Python (pymodbus, requests) su Raspberry Pi / NUC
DB Timeseries	Archivia dati con timestamp. Query rapide su finestre temporali.	InfluxDB v2 (5-10GB anno) o Prometheus
Engine regole	Logica deterministica. Esegue automazioni basate su trigger.	Home Assistant, Node-RED, script Python cron
Modello predittivo	Forecasting produzione FV. Riceve dati orari, predice 60min avanti.	scikit-learn (XGBoost) riaddestrato settimanalmente
LLM locale (opzionale)	Spiega decisioni in naturale. Niente inference su cloud.	Ollama + Mistral 7B, esecuzione locale
Interfaccia utente	Dashboard con metriche, storico, controllo manuale fallback.	Grafana, Home Assistant UI, o custom React

Questo stack costa tra 800 e 2.500 euro una volta (inverter e sensori compresi): niente abbonamenti SaaS, niente dipendenza dal cloud.

# I dati che importano veramente

Non raccogliere tutto. Focalizzati su:

• Potenza istantanea (W): inverter, ogni carico, batteria, rete. Granularità: 10-30 secondi.
• Energia cumulata (kWh): produzione, autoconsumo, prelievo da rete. Giornaliera, settimanale, mensile.
• Meteo: cloud cover (%), temperatura ambiente, velocità vento, previsione ora per ora next 24h.
• Stato batteria: SOC (%), tensione, corrente, temperatura cella se disponibile.
• Tariffe energetiche: prezzo kWh per ora (se su mercato orario).

Tutto il resto (dati di diagnostica dell'inverter, strain sulla rete, ecc.) è secondario: archivialo se puoi, ma non è critico per l'automazione.

# Quando questa soluzione funziona (e quando no)

Questa architettura è ideale se:

• Hai un impianto fotovoltaico con inverter leggibile (Fronius, SMA, Huawei, Growatt).
• I tuoi carichi sono per lo più "shiftabili" (lavatrice, lavastoviglie, riscaldamento, ricarica) non critici (refrigerazione, pompa filtrazione piscina).
• Vuoi massimizzare autoconsumo o guadagni da scambio con rete.
• La tua casa ha una connessione stabile (WiFi o LAN).

NON usarla se:

• L'inverter non espone protocolli leggibili (alcuni modelli vecchi sono blindati).
• I tuoi carichi sono tutti critici: frigorifero, stufa riscaldamento, pompa. Non hai margini per "posticipa".
• La rete è instabile: un riavvio del Raspberry Pi non deve lasciare l'impianto "cieco" per ore.
• Non hai il tempo/competenza per mantenere il codice. Questo non è plug-and-play.

Nel secondo caso, fermati al livello 1-2 (raccolta dati + automazione semplice). È già una vittoria rispetto a niente.

# Costi reali e tempistiche

Hardware iniziale:

• Raspberry Pi 4B (8GB): 100 euro.
• Prese intelligenti (10-15 pezzi): 200-400 euro.
• Sensori di temperatura/umidità: 50-100 euro.
• Cavi, alimentatori, scatole: 100 euro.

Software: open source, zero costi ricorrenti.

Tempistica di setup: 4-8 settimane per raccolta dati + regole funzionanti. Modello predittivo accurato? 8-12 settimane di addestramento (cioè, attendere i dati).

Manutenzione: aggiorna Home Assistant/script Python ogni 2-3 mesi, controlla log settimanalmente. Non è passivo, ma nemmeno impegnativo se fatto bene.

# Prossimi passi concreti

Se hai un impianto FV e vuoi iniziare:

1. Verifica che il tuo inverter esponga dati via Modbus TCP o HTTP. Scarica il datasheet tecnico.
2. Installa Home Assistant su un Raspberry Pi (eseguibile in 30 minuti).
3. Aggiungi l'integrazione Modbus o HTTP dell'inverter (10-15 minuti).
4. Raccogli dati per almeno 2 settimane senza automazione: osserva pattern reali.
5. Scrivi le tue prime 3-4 regole deterministiche. Testale in manuale prima di lasciarle autonome.
6. Dopo 2-3 mesi di dati, valuta un modello predittivo locale se ne vale la pena economicamente.

Se rimani bloccato su un passaggio tecnico, meglio assumere un sviluppatore che conosce Modbus e Python per 1-2 giorni di consulting (indicativamente 500-1500 euro) che buttare soldi in tool SaaS che risolvono il 50% del problema.