Le Smart Grid, o reti elettriche intelligenti, sono una soluzione energetica che risponde agli obiettivi di decarbonizzazione, dal momento che consentono una gestione più efficiente dell’energia, facilitando l’integrazione di fonti rinnovabili. La loro attivazione, tuttavia, presenta diverse criticità, alcune di queste riguardano la stabilità della tensione, che potrebbe superare i limiti massimi e minimi fissati. Inoltre, vi è il rischio di sovraccaricare componenti essenziali delle reti elettriche, come linee aeree, cavi e trasformatori.
Il deep learning per la prevenzione dei rischi
Il CNR e l’IMT School for Advanced Studies Lucca hanno elaborato un metodo, basato sull’Intelligenza Artificiale, per identificare stati di stabilità e di instabilità nella tensione delle Smart Grid. L’analisi sperimentale mostra un’accuratezza promettente, dimostrando come il metodo proposto possa essere utilizzato in ambiti reali, per evitare situazioni pericolose. Al fine di identificare stati stabili ed instabili nelle Smart Grid attraverso l’uso del deep learning è stato necessario seguire diversi passaggi. Innanzitutto, per procedere con l’addestramento dei modelli di deep learning, sono stati convertiti i dati in immagini, per rappresentare l’andamento di specifiche metriche. L’operazione è stata eseguita utilizzando un codice Python sviluppato dagli autori prendendo la sequenza temporale per cinque secondi. Dopo aver convertito tutti i dati in immagini, il passo successivo è stato l’addestramento e il testing di diversi modelli di Reti Neurali Convoluzionali (CNN) attraverso l’impiego di iper-parametri, tra cui le dimensioni delle immagini e il tasso di apprendimento, mantenendo costanti questi parametri è stato possibile garantire una valutazione uniforme delle prestazioni.
Scelta e applicazione dell’algoritmo
Concluse le fasi di addestramento e i test per l’identificazione del modello migliore, si è potuto procedere all’utilizzo di tre diversi algoritmi CAM (Class Activation Mapping) per identificare le aree delle immagini più distintive per la classificazione. L’applicazione di questi algoritmi è stata effettuata sul modello ottenuto utilizzando la rete DenseNet e ha generato diverse immagini, nelle quali la mappa di attivazione è stata sovrapposta all’immagine originale. Le heatmap risultanti sono composte da tre colori: blu, giallo e verde. Nel dettaglio le aree in blu rappresentano parti non rilevanti per il modello, mentre quelle in giallo indicano le parti di maggiore interesse. Le aree verdi, invece, rappresentano le zone centrali dell’immagine. In molti casi, tutti gli algoritmi CAM hanno evidenziato le stesse aree come rilevanti per la classificazione. I risultati mostrano che gli algoritmi sono stati in grado di identificare correttamente le classi “stabile” e “instabile” con una precisione del 100%.
