In questo studio si è applicato un algoritmo statistico di tipo Random Forest per la previsione dei guasti delle linee di distribuzione interrate in area urbana per la città di Milano e Palermo. Negli ultimi anni, infatti, le utilities di distribuzione di energia hanno osservato un aumento significativo della frequenza di disservizi sulle linee elettriche interrate in area urbana. La disponibilità dei dati di guasto e di carico elettrico per la città di Milano forniti da Unareti tra il 2012 e il 2019, ha permesso la messa punto e l’ottimizzazione del sistema predittivo di allerta per questo tipo di disservizio. Di cruciale importanza per evidenziare le correlazioni con i dati di guasto è risultata inoltre la disponibilità di dati meteorologici, non solo atmosferici, ma anche relativi a variabili di temperatura e umidità del suolo, forniti dai modelli di previsione e di rianalisi meteorologica in uso in RSE. Il medesimo algoritmo è stato applicato anche per la previsione dei guasti sulla città di Palermo grazie ai dati storici di guasto forniti da e-distribuzione per il periodo 2010-2019, ma in questo caso l’analisi è stata condotta utilizzando i dati di Actual Load della Sicilia pubblicati da Terna che possono essere considerati una proxy del carico. Si sono considerate tutte le variabili potenzialmente correlate con i dati di guasto, come ad esempio la temperatura di un conduttore interrato ideale percorso da corrente o alcune variabili atmosferiche e i dati di temperatura e umidità del suolo. Per entrambe le città, ha portato un notevole valore aggiunto in termini di scores statistici considerare l’evento con durata di tre giorni, criterio adottato anche da Unareti per la definizione di evento di guasto associato a un’ondata di calore. Sono stati poi considerati gruppi di variabili predittive e le loro medie mobili da 4 a 20 giorni per tener conto dell’importanza delle condizioni pregresse atmosferiche e soprattutto di suolo nella generazione dei guasti. Per la città di Milano si ottiene un sistema ottimale per raggruppamenti di 10 variabili con un R2 di 0.857, mentre per la città di Palermo è risultato pari a 0.798. In generale, si osserva per la città di Milano una maggiore dipendenza dell’algoritmo dalle variabili associate alla domanda di energia, mentre per Palermo le variabili atmosferiche e di suolo hanno una maggiore significatività statistica. I risultati ottenuti permettono la configurazione di un sistema di previsione e allertamento per le due città considerate.