Negli ultimi anni l’instabilità di tensione è stata responsabile di molti dei maggiori black-out avvenuti in diversi stati sia europei che al di fuori del continente; non sempre il fenomeno causato da contingency quali la perdita di un’importante linea di trasmissione o di un generatore, ma spesso tali “scatti” sono stati conseguenza di condizioni in cui la rete, con inadeguati supporti di potenza reattiva, risultava già sovraccaricata. Assistendo ad un continuo incremento della richiesta di carico, cui non fa seguito un adeguato irrobustimento della rete, si rende sempre più necessario migliorare il sistema di controllo della tensione, specialmente con l’avvento del mercato dell’energia elettrica. In particolare, assume un’importanza fondamentale la conoscenza della “stabilità” del punto di funzionamento del sistema e della sua distanza (esprimibile indifferentemente in MW o in Mvar) dall’instabilità di tensione. Tale problematica è stata affrontata nel corso degli ultimi anni con interesse crescente, portando allo sviluppo di molti lavori; tuttavia, le attuali procedure di analisi della sicurezza della rete richiedono un onere computazionale non compatibile con i brevi tempi disponibili ad effettuare manovre ed interventi sulla rete. Con questa ricerca, si vuole proporre uno strumento qualitativo, ma robusto ed affidabile, che risulti applicabile per la valutazione, eseguita “in linea”, della sicurezza della rete. Per raggiungere tale obiettivo, sono state sfruttate le potenzialità di alcune tecniche d’intelligenza artificiale, testate ed applicate su dati ricavati da 15 situazioni di carico dell’anno 2001, differenti sia per orario che per sollecitazione della rete, in modo da possedere un quadro sufficientemente generale e generalizzabile). Utilizzando il programma Vosta sviluppato dal Politecnico di Milano e dall’Università degli Studi di Pavia in collaborazione con il CESI, è stato possibile simulare rampe di carico portando il sistema al collasso ed ottenendo, per ogni punto di funzionamento utilizzato, una stima della distanza dall’instabilità di tensione. In ognuno di tali punti, sfruttando sia metodi di sensitivity sia la decomposizione ai valori singolari della matrice inversa delle equazioni di power-flow, è stato possibile calcolare i valori di alcuni indici correlabili con la distanza dall’instabilità di tensione. Come si è potuto appurare, nessuno di essi risulta sufficientemente affidabile per individuare con precisione lo stato complessivo di funzionamento del sistema (la maggior parte di essi ha mostrato caratteristiche interessanti e comportamenti regolari solo in range limitati, con evidente mancanza di generalità).

Inoltre si sono spesso riscontrati dati affetti da errore, ossia valori anomali ottenuti in condizioni di funzionamento atipiche o particolarmente gravose in cui alcuni elementi, raggiungendo i propri limiti di capability, hanno introdotto delle non linearità nel sistema corrompendo il processo di definizione e di ottenimento degli indicatori. Per poter gestire efficacemente tali dati, si è pensato di sfruttare le potenzialità della logica fuzzy. Introdotta nel 1965 da un matematico americano di origine persiana (Lofti Zadeh) come la naturale estensione della logica booleana; si è ormai affermata come linguaggio dell’intelligenza artificiale grazie alle sue qualità intrinseche di gestione di input incerti, vaghi, parzialmente fuorvianti o addirittura affetti da errore. I maggiori successi si sono riscontrati in sistemi di controllo, di cui si avesse scarsa conoscenza del modello grazie alla definizione di semplici regole qualitative. I sistemi fuzzy si basano su tre operazioni distinte: • la fuzzificazione, ossia la trasformazione da valori numerici detti “crisp” in variabili fuzzy • la manipolazione interna di tali insiemi (implicazione logica) • la defuzzificazione, ossia l’operazione inversa all’iniziale che consente di ottenere un risultato numerico. Purtroppo l’operazione iniziale presuppone una conoscenza precisa e profonda dei range di validità di ogni parametro utilizzato. Anche un esperto non sarebbe in grado di inserire adeguatamente tali parametri, per questo la logica fuzzy viene spesso abbinata a sistemi intelligenti capaci da imparare da situazioni precedenti o dall’allenamento. In questo rapporto saranno affrontati due metodi di ricerca di tali parametri, in modo da ricavare un modello che sia effettivamente valido e da garantire un confronto tra due tecniche che attualmente riscontrano sempre maggiore successo e popolarità: le reti neurali e gli algoritmi genetici. La sinergia tra logica fuzzy e reti neurali dà origine alle reti neuro-fuzzy, metodologia ormai affermatasi che vanta innumerevoli campi di sviluppo e di ricerca. Queste hanno il grande pregio di non necessitare di un algoritmo in un cui vengano codificate tutte le operazioni, ma solo di alcuni dati di allenamento che permettano un apprendimento ed una gestione autonoma delle regole interne. L’utilizzo delle reti neuro- fuzzy sarà valutato proprio in virtù delle loro capacità di apprendimento autonomo. Gli algoritmi genetici, invece, hanno il pregio di essere estremamente semplici ed immediati. Il loro utilizzo consente l’ottimizzazione di ogni singolo parametro che interviene nel processo di inferenza fuzzy, ed è per tale motivo che verrà considerato anche tale approccio. Il seguente rapporto presenta la prima parte dello studio (la seconda parte è presentata nell’altro rapporto CESI 04502108) ed è articolato in due sezioni: • nella prima sezione vengono riportate le basi teoriche che descrivono le proprietà delle metodologie di soft computing utilizzate; • nella seconda sezione vengono riportati i modelli ed i risultati ottenuti dall’applicazione delle tecniche neuro-fuzzy (motore inferenziale fuzzy ottimizzato tramite reti neurali supervisionate).