Le smart grid rappresentano un’evoluzione dei sistemi elettrici tradizionali, integrando nuove tecnologie per migliorare il monitoraggio e il controllo delle operazioni del sistema elettrico. In questo contesto, le tecniche di machine learning, in particolare gli algoritmi di deep learning o i metodi ensemble, offrono strumenti preziosi per estrarre informazioni dalla grande quantità di dati raccolti dai componenti delle smart grid.

Inoltre, l’uso di ontologie in grado di rappresentare la topologia delle reti energetiche consente l’applicazione di tecniche di elaborazione e algoritmi di intelligenza artificiale specifici per le strutture a grafo. In questo studio, introduciamo un nuovo approccio basato sul machine learning per la stima delle tensioni dei nodi nelle reti di distribuzione di media tensione, tipicamente derivato tramite il calcolo del power flow.

La nostra soluzione utilizza una strategia ibrida caratterizzata da una combinazione di un modello di Graph Convolutional Network e di un modello Gradient-Boosted Decision Tree. Questo metodo consente di ottenere un errore di stima che rispetta i vincoli di tensione del distributore, ma riduce allo stesso tempo sostanzialmente il tempo di calcolo rispetto alle soluzioni convenzionali.

Il nostro approccio potrebbe essere ancora più rilevante per ottenere risposte rapide in scenari non facilmente risolvibili attraverso tecniche numeriche, come nel caso di reti estese e multi-energy.