Il rapporto descrive le attività condotte per ottimizzare l’applicativo di Data Analytics DELFI (DEep Learning for False voltage dips Identification), realizzato per l’analisi avanzata dei dati di Power Quality mediante algoritmi di Deep Learning. L’obiettivo è stato quello di migliorare le prestazioni del modello alla base dell’applicativo, il quale classifica i buchi di tensione in base a diverse tipologie di evento: VERO, FALSO, VERO+FALSO, dove i “falsi” buchi di tensione non sono “veri” disturbi in rete ma abbassamenti della tensione misurata dovuti alla saturazione dei trasformatori di misura in cabina primaria. L’attività svolta ha permesso di migliorare le prestazioni del modello di partenza, rivisto e revisionato per quanto concerne: (i) l’ottimizzazione dei suoi parametri (hyper-parameters); (ii) il volume dei dati utilizzati per l’addestramento dell’algoritmo di Deep Learning; (iii) la scelta della tipologia degli algoritmi di classificazione adottati.

L’efficacia del modello è stata verificata anche sugli andamenti temporali del valore efficace (RMS) delle tensioni associate agli eventi che, a differenza delle forme d’onda, sono normalmente memorizzati di “default” nei sistemi di monitoraggio. L’attività ha portato ad implementare un modello finale (Modello 4), basato sul metodo automatico di ottimizzazione Bayesiano, come esito di un’evoluzione in più tappe del modello di partenza. Il modello ottenuto, opportunamente addestrato su un Training Set costituito dall’80% delle immagini di sequenze RMS associate agli eventi, fornite dal database a disposizione per l’attività, ha fornito una prestazione del 94%, intesa come percentuale di eventi identificati correttamente sul numero totale disponibile.

Il risultato è significativo anche in riferimento alla curva di immunità ai buchi di tensione adottata per apparecchiature di classe 3: gli eventi posti al di sotto della curva sono infatti classificati correttamente con una prestazione del 100% per gli eventi di tipo VERO e VERO+FALSO e del 92% per quelli di tipo FALSO. Il livello di successo raggiunto è importante se confrontato con la prestazione pari all’80% offerta dal criterio attualmente in uso nel sistema di monitoraggio QuEEN e mutuato nel monitoraggio nazionale. Il modello di classificazione identificato potrà essere implementato in futuro sul sistema QuEEN, previo collaudo intensivo su dati di input acquisiti direttamente dal sistema stesso e opportune verifiche di fattibilità.