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.