Progettazione e sviluppo di strategie di intelligenza artificiale per reti elettriche tramite un'infrastruttura di co-simulazione digitale in tempo reale

Le reti elettriche stanno subendo una trasformazione digitale in risposta alla crescente presenza di fonti di energia rinnovabile. Queste fonti richiedono meccanismi avanzati di monitoraggio e controllo, che possono essere ottenuti utilizzando sensori, reti di comunicazione e analisi dei dati. Implementando queste tecnologie digitali, la rete elettrica può essere gestita in modo più intelligente, migliorando l'affidabilità e riducendo il rischio di blackout. Un aspetto importante di questa trasformazione digitale è l'utilizzo della simulazione digitale in tempo reale. Questo consente di testare e convalidare algoritmi di controllo, schemi di protezione e progetti di sistema prima della loro implementazione effettiva nella rete elettrica. Tuttavia, i simulatori digitali in tempo reale hanno risorse limitate e non riescono a gestire la scalabilità spazio-temporale necessaria per riprodurre la scala e la natura distribuita dei sistemi energetici. Per affrontare questa sfida, una soluzione consiste nella distribuzione dello scenario del sistema energetico su più simulatori digitali in tempo reale e nella loro interconnessione. Questo approccio garantisce la scalabilità necessaria per la transizione digitale. Tuttavia, durante le analisi transitorie elettromagnetiche (EMT) in un ambiente di co-simulazione, possono sorgere problemi legati alla sincronizzazione temporale, alla regolazione e allo scambio di dati. Questi problemi causano latenza, instabilità e imprecisioni nell'ambiente di co-simulazione. Per superare queste sfide, questa tesi propone un approccio di co-simulazione localmente distribuito per i sistemi energetici in tempo reale. L'approccio utilizza un Modello di Linea di Trasmissione Distribuita Multi-fase (DTLM) appositamente progettato per le linee di trasmissione multi-fase. La lunghezza minima del DTLM è determinata dalla velocità di propagazione di una linea mono-fase o dalla modalità più lenta nelle linee multi-fase. L'installazione proposta prevede il collegamento di due simulatori digitali in tempo reale utilizzando un collegamento in fibra ottica e il protocollo Aurora 8B/10B, che minimizza la latenza di comunicazione. La latenza di co-simulazione viene assorbita nel tempo di propagazione dell'onda viaggiante del DTLM, risolvendo i problemi di instabilità. Per garantire una regolazione precisa del tempo, l'allineamento e la sincronizzazione nella co-simulazione, l'infrastruttura include lo stack del protocollo di Precision Time Protocol IEEE 1588. L'approccio di co-simulazione localmente distribuito facilita anche lo sviluppo e la convalida di servizi innovativi basati su tecniche di Machine Learning (ML) e Intelligenza Artificiale (AI). Uno layer di applicazione viene implementato su un server che si collega ai simulatori digitali in tempo reale tramite VILLAS framework. Questo layer raccoglie le misurazioni dai simulatori digitali in tempo reale e svolge varie attività di ML e AI, che possono essere combinate e personalizzate in modo flessibile. A titolo dimostrativo, la tesi propone un algoritmo di rilevamento, identificazione e localizzazione dei guasti basato su reti neurali. Le misurazioni come tensioni di linea, correnti e potenza vengono utilizzate come input per il classificatore, e se viene rilevato un guasto, vengono anche inserite nel regressore per la localizzazione. L'algoritmo ottiene risultati di alta qualità, riducendo la necessità di intervento umano durante le condizioni di guasto e aprendo la strada a una gestione più avanzata della rete elettrica.