Cerca nel sito per parola chiave

rapporti - Deliverable

Nuovi indicatori di PQ e loro visualizzazione: applicazione ai dati del sistema di monitoraggio QuEEN e verifica di fattibilità della loro implementazione nel sistema

rapporti - Deliverable

Nuovi indicatori di PQ e loro visualizzazione: applicazione ai dati del sistema di monitoraggio QuEEN e verifica di fattibilità della loro implementazione nel sistema

L’attività di ricerca si è concentrata sull’applicazione di nuovi indici alla valutazione dei disturbi di Power Quality (HOS e indici di Cluster), valutandone le potenzialità di caratterizzazione degli eventi registrati dal sistema di monitoraggio QuEEN. È stato inoltre avviato l’aggiornamento del sito QuEEN per l’integrazione di applicativi per analisi avanzate di Power Quality, basati su tecniche di Machine Learning o di Deep Learning, in affiancamento alle visualizzazioni già disponibili.

Il rapporto descrive l’attività svolta per l’individuazione di nuovi indicatori per la valutazione dei disturbi di Power Quality nelle reti di distribuzione in media tensione. Le statistiche di ordine superiore HOS

(Higher-Order Statistics) sono state applicate alla rilevazione e validazione dei buchi di tensione registrati dal sistema di monitoraggio QuEEN. Tra i momenti di ordine superiore la varianza svolge la funzione del valore efficace nella rilevazione degli eventi, mentre skewness e kurtosis permettono di determinare la validità dell’evento. E’ stato anche validato in simulazione un modello della rete di distribuzione, tramite confronto tra i segnali di tensione degli eventi forniti da QuEEN e i risultati delle simulazioni. L’attività esplorativa di confronto delle prestazioni degli indici tradizionali dei buchi di tensione e degli indici di Cluster, condotta a partire dai dati del monitoraggio, ha evidenziato come gli indici N3b e l’indice di Cluster B, possibili “candidati” per un’azione regolatoria, in realtà si equivalgono qualora venissero adottati dei probabili vincoli sulla durata minima degli eventi “da regolare”. Si è inoltre verificato che l’adozione di classificatori basati su tecniche di Deep Learning, per l’identificazione dei falsi buchi di tensione, in affiancamento al criterio attivo in QuEEN, ha un impatto non trascurabile sull’accuratezza di valutazione degli indici, che, per la maggior parte, subiscono un aumento. Questo assunto ha trovato conferma nell’attività di correlazione tra i buchi di tensione e i dati di intervento delle protezioni forniti da UNARETI. Si è potuta verificare l’assunzione, risultato di analisi svolte negli anni sui dati QuEEN, che eventi classificati falsi o non definiti da QuEEN, ma di durata superiore a 90-100 ms, sono per la maggior parte da considerarsi veri. Segue un riassunto degli esiti degli approfondimenti bibliografici fatti sull’impiego delle distribuzioni di probabilità per la valutazione del livello dei disturbi nelle reti. Infine, sono descritti i primi aggiornamenti apportati al sito QuEEN (visualizzazione dei Cluster, classificazioni in base all’origine AT/MT, etc.) e gli esiti dell’analisi di fattibilità che è stata condotta per l’implementazione in QuEEN degli applicativi basati su tecniche di Machine Learning e Deep Learning messi a punto nell’ambito della ricerca.

Progetti

Comments