Studio e sviluppo delle tecniche di scalabilità su dispositivo STM32 per algoritmi di monitoraggio non intrusivo del carico basati su deep learning

Il crescente fabbisogno energetico richiede strumenti efficaci per il monitoraggio e l’ottimizzazione dei consumi. Nella seguente tesi si esplora il porting di algoritmi di Non-Intrusive Load Monitoring (NILM) basati su reti neurali profonde su dispositivo embedded, focalizzandosi su un microcontrollore STM32. L’implementazione sfrutta strumenti software specifici, come STMcubeMX e X-cube-AI per ottimizzare le prestazioni della rete neurale sul dispositivo. Sono state testate varie strategie di ottimizzazione, tra cui compressione e quantizzazione, confrontando le prestazioni ottenute su piattaforma embedded con quelle ottenute testando il modello su PC sfruttando Python e le sue librerie di machine learning. I risultati dimostrano che, nonostante le limitazioni hardware imposte dal microcontrollore, le tecniche proposte consentono di ottenere un equilibrio tra precisione ed efficienza computazionale. L’analisi conclude con valutazioni per la possibile implementazione di modelli multi-appliance, aprendo la strada a sistemi di monitoraggio energetico in ambito domestico su dispositivi a basso consumo.