Il rapporto descrive le attività condotte per la realizzazione dell’applicativo QuEEN PyService, in grado di integrare tecniche avanzate di Power Quality e classificatori innovativi, accedendo direttamente ai dati forniti dal sistema di monitoraggio QuEEN. L’applicativo è stato completamente realizzato in ambiente Python, permettendo l’integrazione automatizzata delle seguenti funzioni: (i) lettura di tutti i buchi di tensione registrati da tutti gli apparati di misura del sistema QuEEN; (ii) generazione dei database contenenti le immagini delle forme d’onda e dei valori efficaci associati ad ogni evento, ed integrazione dei classificatori per la validità e l’origine AT/MT del buco di tensione, basati su tecniche di Deep Learning e sviluppati da RSE nelle precedenti attività di ricerca; (iii) servizi avanzati di analisi di Power Quality. Grazie all’applicativo sviluppato, è stato possibile analizzare i buchi di tensione registrati nel 2019 da 24 apparati di misura, ottenendo un campione statistico di 3355 eventi.

Ognuno di questi eventi è stato caratterizzato con l’applicativo DELFI (DEep Learning for False voltage dips Identification), partendo dall’analisi delle immagini rappresentanti sia le forme d’onda sia i valori efficaci. In questo modo è stata condotta una verifica “a tappeto”, per analizzare le prestazioni dei classificatori sviluppati da RSE. La verifica si è focalizzata sugli eventi sotto la curva di immunità di classe 3 e ha utilizzato il parere di un “operatore esperto”, per confrontare le prestazioni dei classificatori basati sulle tecniche di Deep Learning rispetto al criterio attualmente implementato in QuEEN. Il classificatore DELFI basato sulla lettura delle immagini raffiguranti gli andamenti dei valori efficaci ha ottenuto le prestazioni migliori, identificando correttamente il 98% degli eventi sotto la curva di immunità di classe 3, rispetto al 75,5% ottenuto dal criterio attivo in QuEEN. Successivamente è stato validato anche il classificatore per il riconoscimento dell’origine, sempre basato su tecniche di Deep Learning. La verifica della prestazione del classificatore è stata condotta prendendo come riferimento per il confronto il “metodo globale” di attribuzione dell’origine degli eventi, implementato da RSE in precedenti attività di ricerca. Le prestazioni ottenute, pari al 73% di eventi classificati correttamente, al momento non sono state ritenute soddisfacenti; nello sviluppo dell’attività si integreranno nell’applicativo QuEEN PyService anche le tecniche di analisi di tipo Machine Learning già sviluppate da RSE, per sottoporre anch’esse ad una verifica “a tappeto”.