Questo documento presenta l’integrazione di tecniche avanzate di machine learning nel sistema di monitoraggio QuEEN della rete italiana di distribuzione. Questo sistema ha lo scopo di monitorare i buchi di tensione nella rete di distribuzione italiana principalmente a fini di rilievo e ricerca. Per ogni evento registrato, il sistema è in grado di valutarne automaticamente la tensione residua e la durata partendo dai corrispondenti valori efficaci di tensione e attribuire ad ogni evento la “validità” (invalidando eventuali falsi eventi causati dalla saturazione dei trasformatori di tensione) e la “origine” (monte/valle della misura punto) mediante procedure e algoritmi appropriati (tecniche attuali). Negli ultimi anni, invece, RSE ha proposto nuove soluzioni per migliorare gli algoritmi per l’attribuzione della validità e dell’origine dell’evento: il classificatore DELFI (DEep Learning for False voltage dips Identification) e il classificatore FExWaveS + SVM (Features Extraction Waveform Segmentation + Support Vector Machine). Queste funzionalità avanzate sono state recentemente integrate nel sistema di monitoraggio grazie allo strumento software QuEEN PyService. In questo lavoro è stato effettuato per la prima volta un uso intensivo di queste tecniche avanzate su un numero significativo di siti monitorati (150) a partire dai dati registrati tra il 2018 e il 2021. Inoltre, il confronto tra tecniche innovative e criteri attualmente è stato effettuato anche a livello macroregionale. Le nuove tecniche hanno dimostrato di avere un impatto non trascurabile sul numero dei buchi di tensione gravosi, confermando una distribuzione di questi eventi non omogenea tra le macroaree italiane.