Cerca nel sito per parola chiave

rapporti - Deliverable

Analisi ed elaborazione di serie temporali di dati di esercizio e diagnostici del sistema elettrico

rapporti - Deliverable

Analisi ed elaborazione di serie temporali di dati di esercizio e diagnostici del sistema elettrico

Il documento descrive l’applicazione di tecniche data driven in casi d’uso relativi al dominio elettroenergetico.
Sono state utilizzate tecnologie deep learning per il riconoscimento di scariche su isolatori, reinforcement learning per un controllo ottimale del variatore sotto carico, graph analytics e graph machine learning per operazioni di analisi di reti di distribuzione, infine tecniche di big data streaming per algoritmi di previsione a breve termine basati su flussi continui di dati.

Il seguente rapporto fornisce risultati concreti di come le tecniche di analisi di serie temporali, in particolare quelle basate sull’intelligenza artificiale, possano essere di aiuto al sistema elettro-energetico, favorendo il miglioramento dei processi di pianificazione ed esercizio previsti dalle utility. Obiettivo principale è dimostrare come gli approcci data driven possano aiutare le utility nel loro compito quotidiano di fornire reti sempre più resilienti. L’attività di questa annualità si è concentrata su casi d’uso concreti con applicazione di tecniche data driven per risolvere problemi che solitamente vengono affrontati con l’utilizzo di grandi risorse umane (es. analisi immagini e/o video), oppure con algoritmi che forniscono risultati sufficienti per rispettare requisiti normativi (es. variatore sotto carico) ma non efficienti dal punto di vista economico e/o prestazionale, oppure impiegano analisi di previsione a breve termine che non tengono conto del possibile cambio di contesto fornito da situazioni di emergenza, come pandemie e catastrofi ambientali).
È stata sviluppata una pipeline per l’analisi di profili giornalieri di potenza attiva delle cabine secondarie di Milano, in grado di prendere come input qualsiasi tipologia di dataset di serie temporali e fornire in output la classificazione di profili temporali in diversi cluster. L’attività sull’analisi dei video provenienti dall’esperimento LANPRIS per il riconoscimento delle scariche superficiali sugli isolatori dell’alta tensione è proseguita utilizzando tecniche di Computer Vision e tecniche di Deep Learning.
L’analisi dei dati sulla rete di distribuzione MT di Milano gestita da Unareti durante l’epidemia di Covid- 19 è stata estesa a tutto l’anno 2020, integrando l’analisi sulla potenza reattiva e l’incidenza dei guasti sulla rete di distribuzione, con lo scopo di investigare un possibile legame tra le caratteristiche delle interruzioni e l’andamento delle variabili elettriche o meteorologiche (es. ondate di calore).
Si è affrontato un esempio concreto di applicazione di tecniche di machine learning alla risoluzione di un problema pratico considerando la gestione del variatore sotto carico (VSC) di una cabina primaria.
L’algoritmo è stato valutato simulando la rete MT di Vobarno, gestita da Unareti.
Riguardo a modelli di previsione basati sul streaming di dati è stato approfondito il modello di previsione dell’occupazione dei sistemi di ricarica di veicoli elettrici, studiando l’influenza di alcuni parametri del modello sul risultato della previsione e predisposta l’architettura per un sistema di previsione di guasti sulla rete di distribuzione che integra flussi continui di dati con informazioni semantiche sulla rete. La modellizzazione a grafo di reti energetiche e l’applicazione di tecniche di graph analytics e graph machine learning sono state utilizzate per operazioni di classificazione e regressione su intere reti energetiche. Sono stati approfonditi gli algoritmi per la risoluzione del powerflow basati sui grafi, per favorire un più esteso confronto tra metodi tradizionali e metodi innovativi basati sui grafi.

Comments