🛝 L'Energy Manager Conversazionale

Middleware intelligente tra ottimizzazione algoritmica (EMHASS) e interazione umana (LangGraph AI)

1 / 10

Trasformare la gestione energetica residenziale da una dashboard complessa a una conversazione naturale e dinamica.
Obiettivo: Massimizzare l'autoconsumo (Fotovoltaico, Batteria, Pompa di Calore, Carichi Differibili) senza rigidità operative.

2 / 10

La Sfida Attuale: I software di ottimizzazione pura (come EMHASS) sono eccellenti nei calcoli matematici, ma rigidi davanti agli imprevisti quotidiani dell'utente.
Il Limite delle Dashboard: Controllare grafici e impostare scheduler manuali è un compito frustrante per l'utente comune.
L'Opportunità: Unire l'accuratezza dei modelli predittivi orari con la flessibilità di un agente AI che comprende i bisogni in tempo reale.

3 / 10

Hub Domotico: Home Assistant centralizza metriche di consumo, produzione e stato dei dispositivi.
Il Core (Middleware + Validator): Un modulo orario che aggiorna i piani EMHASS e "traduce" la teoria matematica in azioni reali sull'impianto.
Il Controllo di Sicurezza: Il Validator fa da scudo, adattando le proposte teoriche dell'ottimizzatore ai vincoli fisici dell'hardware e dell'utenza prima di attivare i relè.

4 / 10

Intercettazione Pipeline: Un componente custom di Home Assistant cattura il flusso vocale/chat standard e lo devia verso l'agente AI.
L'Intelligenza: L'agente è sviluppato in LangGraph per gestire flussi conversazionali complessi, cambi di contesto e memoria a breve termine.
Integrazione ha-mcp: L'agente non "parla" e basta; interroga e modifica lo stato di Home Assistant usando l'architettura standard Model Context Protocol.

5 / 10

Scenario A (Modifica Piani): L'utente dice: "Ho bisogno dell'auto per le 15, manteniamo l'obiettivo?". L'agente verifica tramite MCP, propone di posticipare la lavatrice e ricalcola il SoC finale.
Scenario B (Saturazione Energia): L'utente chiede: "Oggi siamo in obiettivo? Posso accendere altro?". L'agente risponde: "Sì, c'è un surplus stimato di 2kWh tra le 14 e les 16, vuoi che attivi il secondo carico?".
Interazione Bidirezionale: Non solo risposte, ma suggerimenti proattivi basati sulle previsioni meteo e di consumo del giorno dopo.
In una prima fase sarà l'utente a modificare/controllare l'aggiornamento della pianificazione via dashboard.

6 / 10

Edge AI: Migrazione a LLM locali (es. Llama 3 via Ollama) per azzerare la latenza e proteggere la privacy dei dati domestici.
UI Dinamica Accompagnatoria: Generazione di micro-card visive temporanee nella chat per confermare visivamente lo spostamento dei carichi.
Apprendimento Predittivo: LangGraph impara le routine dell'utente per proporre ottimizzazioni prima ancora che vengano richieste.

7 / 10

Latenza di Risposta

Il giro Voce ➔ HA Component ➔ LangGraph ➔ MCP/EMHASS ➔ Risposta richiede diversi secondi.

✔ Mitigazione: Risposte intermedie di cortesia ("Sto verificando i dati di produzione...").

Allucinazioni ed Esecuzione Comandi

Un LLM potrebbe interpretare male ed eseguire comandi errati sull'hardware.

✔ Mitigazione: Il Validator agisce come sandbox rigida; l'agente può solo "proporre" modifiche, mai bypassare i limiti fisici.

8 / 10

Instabilità dei Cicli di Ottimizzazione

Modifiche continue via chat rischiano di mandare in loop i calcoli orari di EMHASS.

✔ Mitigazione: Sistema di Cool-down (max 1 variazione di piano ogni 30 min) e consolidamento dati.

Dipendenza dalla Connessione (Resilienza)

L'interruzione di Internet blocca l'agente cloud e l'interazione vocale avanzata.

✔ Mitigazione: Fallback su automazioni standard locali di Home Assistant per la continuità operativa.