AI-Enhanced Decision Support for Photovoltaic Installations: from Rooftop Data Processing to Techno-Economic Prioritization

This thesis presents the work carried out during an internship at Energico srl, an innovative startup operating in the field of Renewable Energy Communities (RECs) and photovoltaic installation services. The internship focused on the development of a comparator tool that supports users in evaluating and selecting solar panel installation offers. The system integrates several technological components: Google’s Solar API to analyze roof characteristics such as orientation, inclination, and usable area; a refinement process to merge similar roof segments and incorporate user input; and an OCR-based pipeline to extract consumption data directly from utility bills. By combining these inputs, the platform ranks installation offers from multiple providers according to economic suitability. Building upon this foundation, the thesis explores the design and implementation of an artificial intelligence model to improve roof's data extraction, hence the accuracy of the proposal ranking. This approach seeks to create a more holistic decision-support tool that empowers households to adopt renewable energy solutions with greater confidence, while promoting sustainability and responsible energy consumption.

In questa tesi è presentato il lavoro svolto durante lo stage presso Energico srl, una startup innovativa operante nel campo delle Comunità Energetiche Rinnovabili (CER) e dei servizi di installazione di impianti fotovoltaici. Lo stage si è concentrato sullo sviluppo di uno strumento comparatore che supporta gli utenti nella valutazione e selezione delle offerte di installazione di pannelli solari. Il sistema integra diverse tecnologie, tra cui: Google Solar API per l'analisi delle caratteristiche del tetto come orientamento, inclinazione e area utilizzabile; un processo di pulizia e miglioramento dei segmenti del tetto che include anche input da parte dell'utente; e una pipeline basata su OCR per l'estrazione dei dati di consumo direttamente dalle bollette energetiche. Combinando questi input, la piattaforma classifica le offerte di installazione provenienti da diversi fornitori in base alla loro idoneità economica. Partendo da questa base, la tesi esplora anche il design e la realizzazione di un modello di intelligenza artificiale per migliorare l'estrazione dei dati del tetto, e quindi l'accuratezza della classificazione delle proposte. Questo approccio mira a creare uno strumento di supporto decisionale più completo che consenta alle famiglie di adottare soluzioni energetiche rinnovabili con maggiore fiducia, promuovendo al contempo la sostenibilità e il consumo responsabile di energia.