07 / MACHINE LEARNING · ENERGIA
Energy Optimizer Pro
Progetto dimostrativo di analisi energetica degli edifici: dati sintetici, confronto Random Forest, XGBoost e LightGBM per prevedere il carico, suggerimenti a regole con risparmio stimato, API FastAPI e dashboard Streamlit.
Panoramica
Progetto dimostrativo di analisi energetica degli edifici: dati sintetici, confronto Random Forest, XGBoost e LightGBM per prevedere il carico, suggerimenti a regole con risparmio stimato, API FastAPI e dashboard Streamlit.
La sfida
Trasformare serie storiche di consumo in previsioni affidabili e in raccomandazioni leggibili da chi gestisce gli edifici, senza spacciare stime per misure.
Approccio architetturale
Pacchetto Python per dati e modelli, API FastAPI per previsioni e ottimizzazione, dashboard Streamlit (sorgente Next.js privo di manifest); esempi Docker e monitoraggio con Prometheus e Grafana.
La soluzione
Pipeline di preparazione dati, confronto tra Random Forest, XGBoost e LightGBM, motore di suggerimenti basato su regole e una dashboard che mostra consumo reale, previsione e azioni consigliate.
Funzionalità principali
- Previsione del consumo con tre modelli confrontabili
- Suggerimenti a regole con risparmio stimato per ora
- Portafoglio edifici per tipologia e superficie
- API FastAPI e dashboard Streamlit (Next.js solo sorgente)
Direzione tecnologica
I fatti
- Tre modelli a confronto: Random Forest, XGBoost, LightGBM
- Dati sintetici, risparmio stimato per fascia oraria
- API FastAPI e dashboard Streamlit
Prossimo progetto