Prognosis and diagnosis of electrical power systems using machine learning methods

L'obiettivo principale dell’attività di ricerca è stato lo sviluppo di un metodo prognostico in grado di rilevare e localizzare i malfunzionamenti in diverse tipologie di sistemi elettrici utilizzando algoritmi di intelligenza artificiale. La base teorica del metodo di monitoraggio proposto è legata alla diagnosi di guasto dei circuiti analogici, in cui il la variazione dei componenti passivi causata dall'invecchiamento (guasto parametrico) comporta una modifica del punto lavoro rispetto alla situazione nominale. Queste nuove condizioni operative vengono dette malfunzionamenti e solitamente precedono il verificarsi un guasto catastrofico. Di conseguenza, rilevare e localizzare i malfunzionamenti consente di prevenire la totale perdita di funzionalità del sistema, diminuendo i tempi di ripristino e aumentando l'affidabilità complessiva. La procedura prognostica sviluppata risulta estremamente versatile e facilmente applicabile a diverse tipologie di sistemi elettrici grazie all’implementazione di una rete neurale feed-forward a valori complessi. Questo permette di considerare numerosi campi d’utilizzo mantenendo tre fasi fondamentali: lo studio dei principali meccanismi di guasto, la selezione delle misure ottimali per la rilevazione di malfunzionamenti e l’adattamento del classificatore neurale. Il principale settore di applicazione preso in considerazione è il monitoraggio delle linee elettriche di trasmissione e distribuzione, dove la localizzazione dei problemi gioca un ruolo fondamentale per organizzare le operazioni di manutenzione e garantire la continuità del servizio. Inoltre, data la crescente integrazione di generatori alimentati da fonti rinnovabili nel sistema elettrico nazionale e l’utilizzo sempre più diffuso di carichi non lineari, è stata considerato l'utilizzo del metodo di monitoraggio su convertitori DC-DC per applicazioni fotovoltaiche e nell’identificazione dei principali disturbi di Power Quality. English Version: The main objective of this research is the development of a prognostic approach capable of detecting and localizing malfunctions in electrical power systems using machine learning methods. The theoretical basis of the monitoring method proposed here is the analysis of analog circuits, in which the variation of the passive components caused by ageing shifts the operating point from the nominal one. These working conditions are called malfunctions and usually precede the occurrence of catastrophic failures. Therefore, the detection and localization of malfunctions allow the prevention of faults, thus decreasing recovery times and increasing the reliability of the system. The prognostic procedure developed in this research can be applied to many different electrical systems and power devices while maintaining three basic steps, which are: the study of the main failure modes and failure mechanisms of the systems under test, the selection of the best measurements for the detection of malfunctions and the development of a classifier based on artificial intelligence. The main field of application presented in this work is the monitoring of electrical transmission and distribution lines, where the localization of problems plays a fundamental role in order to organize maintenance operations. Furthermore, since the recent development of smart grids and smart cities involves the integration of renewable energy sources, battery-powered loads and non-linear loads, the effectiveness of the prognostic procedure is also verified on DC-DC converters and in the field of Power Quality (PQ) analysis.