Dall’ultimo rapporto IEA del 2021 si evince come gli edifici siano responsabili del 30% del consumo finale globale di energia e del 27% delle emissioni totali del settore energetico, di cui l’8% è costituito da emissioni dirette negli edifici ed il 19% da emissioni indirette dalla produzione di elettricità e calore utilizzato negli stessi. Tali numeri rappresentano un incremento di quasi il 20% rispetto alla situazione del 2010, in particolare passando da un consumo energetico degli edifici dai 115EJ del 2010 ai 135EJ del 2021. Una delle preoccupazioni principali è data dalle previsioni per il 2050, in cui tali numeri sono destinati a crescere vertiginosamente. Ulteriore aggravamento della situazione è il picco dei costi dell’energia. Per tale motivo l’uso di tecnologie energetiche più efficienti e rinnovabili negli edifici sta accelerando notevolmente, con lo scopo di raggiungere l’obiettivo di “Net Zero Emission” entro il 2050. Per questo obiettivo il prossimo decennio sarà fondamentale per attuare le misure necessarie affinché tutti i nuovi edifici ed il 20% del parco immobiliare esistente siano “zero-carbon-ready” già nel 2030 [1]. Per fare questo, ovviamente, non è sufficiente affidarsi solamente a fonti energetiche rinnovabili, ma è necessario ridurre il consumo energetico stesso, sia per un fattore ambientale che economico. In tale scenario, numerose aziende stanno nascendo in tutto il mondo in questo contesto. Volendo considerare il solo mercato nazionale, stando ai dati ISTAT dell’ultimo censimento disponibile, ovvero quello del 2011, gli edifici attualmente presenti in Italia sono circa 14.5 milioni, di cui circa l’85% sono edifici residenziali e più in particolare circa il 52% sono case singole [2].
In questo contesto, l’obiettivo è di sfruttare la tecnologia ormai presente negli edifici esistenti o di nuova costruzione in modo da poter effettuare monitoraggio e automazione per l’efficientamento energetico. Considerando la grandezza del mercato ed i numeri in gioco molte aziende stanno nascendo anche solamente nell’ambito di vendita di tecnologie hardware adatte allo scopo, come Netatmo, Shelly, Sonoff, ed altre, che creano dispositivi per monitoraggio ed automazione da remoto facilmente installabili, e quindi adatte a piccoli edifici, tipicamente residenziali. Tuttavia, tutte queste aziende non forniscono servizi per l’implementazione di metodologie per l’ottimizzazione dell’efficientamento energetico. Alcune di loro, come ad esempio Netatmo, si limitano a fornire metodologie di base per il controllo climatico, senza pretese di ottimizzazione energetica, ma solo di riduzione del consumo.Il motivo principale è che questo tipo di attività richiede competenze specifiche che sono difficili da reperire, in quanto molto legate alla ricerca scientifica. Il presente startup nasce proprio in questo contesto, ovvero nell’offrire un servizio di monitoraggio, predizione ed automazione per l’efficientamento energetico ottimale sfruttando metodologie avanzate disponibili nel panorama scientifico ed in parte sviluppate nell’attività di ricerca dei proponenti.
Quanto detto fino ad questo punto riguarda il mercato relativo ai sistemi di efficienza energetica, ma è scalabile con altri numeri anche in riferimento ad altri campi applicativi, come il controllo di reti di telecomunicazioni, il monitoraggio strutturale, la classificazione genomica, ed altre affini agli scopi dello startup.
[1] IEA (2022), Buildings, IEA, Paris https://www.iea.org/reports/buildings
[2] ISTAT (2022), http://dati-censimentopopolazione.istat.it/Index.aspx?DataSetCode=DICA_EDIFICIRES
Breve descrizione degli aspetti di innovazione che caratterizzano il business dell’impresa
Le attività di questa startup rappresentano la naturale e necessaria evoluzione di trasferimento tecnologico delle attività di ricerca dei proponenti riguardo l’efficientamento energetico degli edifici.
In particolare, l’idea è quella di sfruttare i dati che vengono collezionati all’interno di un edificio, come temperatura, umidità, CO2, consumo energetico, illuminamento, etc., per creare modelli matematici delle dinamiche dell’edificio sfruttando tecniche che fanno uso combinato di metodi di Machine Learning ed Identificazione. Tali modelli possono poi essere utilizzati sia per fornire previsioni sul comportamento delle dinamiche dell’edificio, come ad esempio predizione della temperatura delle stanze e del consumo energetico, al fine ad esempio di fornire previsioni dei costi, sia per impostare algoritmi di controllo predittivo per ottimizzare il consumo energetico dell’edifico garantendo comfort termico o visivo per gli occupanti.
La stessa tecnica di modellazione e controllo può essere applicata anche in altri ambiti applicativi, come ad esempio il controllo di traffico di reti di telecomunicazioni, in cui i modelli del traffico di una rete possono essere generati a partire dai dati storici di traffico collezionati durante la fornitura del servizio standard. Successivamente questi modelli possono essere utilizzati per controllare dinamicamente ed in modo ottimo l’allocazione di banda e priorità per i vari servizi. Tali approcci possono essere utilizzati anche per il solo scopo di modellazione e quindi predizione, non volto al controllo. Ad esempio, nelle applicazioni di monitoraggio strutturale possono essere ricavati modelli dinamici dell’oscillazione delle strutture a partire dai dati accelerometrici, ed utilizzare tali modelli per rilevare eventuali danni all’interno di strutture, come ponti o edifici. In campo biologico tale modellazione può essere utilizzata per modellare determinate condizioni genomiche, come ad esempio quella legata all’epilessia, ed utilizzare algoritmi di classificazione per individuarne la tipologia.
La principale innovazione consiste nel fatto che la modellazione e l’automazione di sistemi di tale complessità con metodi “classici” è attualmente proibitiva dal punto di vista del tempo, dei costi e delle conoscenze, e le tecniche che la startup propone vanno a superare questo gap.
In particolare, le metodologie che si intende applicare per portare avanti tali attività provengono dalla ricerca scientifica effettuata dai proponenti negli ultimi anni presso l’Università degli Studi dell’Aquila. Molte pubblicazioni su riviste di prestigio [1-5] e conferenze internazionali top-class [6-13] testimoniano la qualità ed il potenziale del lavoro che si vuole intraprendere tramite questa startup.
[1]  
De Rubeis, T., Smarra, F., Gentile, N., D’innocenzo, A., Ambrosini, D., &
Paoletti, D. (2021). Learning lighting models for optimal control of lighting system via experimental and numerical approach. Science and Technology for the Built Environment, 27(8), 1018-1030.
[2] Smarra, F., Di Girolamo, G. D., De Iuliis, V., Jain, A., Mangharam, R., &
D’Innocenzo, A. (2020). Data-driven switching modeling for mpc using regression trees and random forests. Nonlinear Analysis: Hybrid Systems, 36, 100882.
[3] Jain, A., Smarra, F., Behl, M., &
Mangharam, R. (2018). Data-driven model predictive control with regression trees—an application to building energy management. ACM Transactions on Cyber-Physical Systems, 2(1), 1-21.
[4] Smarra, F., Jain, A., De Rubeis, T., Ambrosini, D., D’Innocenzo, A., &
Mangharam, R. (2018). Data-driven model predictive control using random forests for building energy optimization and climate control. Applied energy, 226, 1252-1272.
[5] Behl, M., Smarra, F., &
Mangharam, R. (2016). DR-Advisor: A data-driven demand response recommender system. Applied Energy, 170, 30-46.
[6] Florenzan Reyes, L.F., Smarra, F., D’Innocenzo, A. (2022). Reduced SARX modeling and control via Regression Trees. In Proceedings of the American Control Conference.
[7] Reyes, L. F. F., Smarra, F., Lun, Y. Z., &
D’Innocenzo, A. (2021, June). Learning Markov models of fading channels in wireless control networks: a regression trees based approach. In 2021 29th Mediterranean Conference on Control and Automation (MED) (pp. 232-237). IEEE.
[8] Masti, D., Smarra, F., D’Innocenzo, A., &
Bemporad, A. (2020). Learning affine predictors for MPC of nonlinear systems via artificial neural networks. IFAC-PapersOnLine, 53(2), 5233-5238.
[9] de Rubeis, T., Gentile, N., Smarra, F., D’Innocenzo, A., Ambrosini, D., &
Paoletti, D. (2020). A novel method for daylight harvesting optimization based on lighting simulation and data-driven optimal control. In Proceedings of building simulation 2019: 16th conference of IBPSA (Vol. 16, pp. 1036-1043).
[10] Jain, A., Smarra, F., Reticcioli, E., D’Innocenzo, A., &
Morari, M. (2020). NeurOpt: Neural network based optimization for building energy management and climate control. In Learning for Dynamics and Control (pp. 445-454). PMLR.
[11] Smarra, F., &
D’Innocenzo, A. (2020). Learning Markov Jump Affine Systems via Regression Trees for MPC. IFAC-PapersOnLine, 53(2), 5252-5257.
[12] Smarra, F., Jain, A., Mangharam, R., &
D’Innocenzo, A. (2018). Data-driven switched affine modeling for model predictive control. IFAC-PapersOnLine, 51(16), 199-204.
[13] Jain, A., Smarra, F., &
Mangharam, R. (2017, December). Data predictive control using regression trees and ensemble learning. In 2017 IEEE 56th annual conference on decision and control (CDC) (pp. 4446-4451), IEEE.
