Negli ultimi anni, il sistema di monitoraggio QuEEN ha potenziato le sue funzionalità integrando alcuni criteri innovativi per valutare sia la validità che l’origine dei buchi di tensione mediante tecniche di Deep Learning e Machine Learning. In particolare, il classificatore DELFI (Deep Learning for False voltage dip Identification) ha ottenuto risultati promettenti nella valutazione della validità degli eventi rispetto a quelli perseguiti dal criterio storicamente utilizzato basato sulla stima della seconda armonica.

In precedenti lavori degli autori, l’influenza di alcune caratteristiche delle reti sulle prestazioni dei buchi di tensione è stata valutata mediante analisi di regressione lineare multipla (MLR) applicata a statistiche di eventi la cui validità è stata verificata con il criterio della seconda armonica. In questo lavoro, le analisi MLR sono state eseguite su statistiche convalidate con DELFI, ovvero con i dati registrati da QuEEN nei periodi 2018-2020 e 2021-2023.

Nell’analisi MLR sono stati utilizzati come variabili esplicative lo stato del neutro, l’area geografica e la lunghezza delle linee aeree, mentre sono stati adottati tre indici di prestazione dei buchi di tensione come variabili di risposta (vale a dire, numero totale di eventi e numero totale di eventi verificatisi rispettivamente sotto la curva di immunità di classe 2 e di classe 3).

Considerando solo gli eventi validi per DELFI, è stata osservata una maggiore influenza dell’area geografica specifica sugli indici di conteggio, con un impatto maggiore per gli indici associati a una maggiore gravità.