Modellizzazione guasti ad alta impedenza

Europe will be subject in the coming years to major changes in the energy sector, according to the plan called “REPowerEu” the goal is to reduce greenhouse gas emissions by 55% by 2030 and achieve climate neutrality by 2050. To meet these goals, it is essential to increase the adoption of renewable energy sources in the areas of power generation, industry, and transportation. This future scenario foresees an increasingly complex power system, which makes it essential to invest in the modernization of the electrical grid infrastructure and its management to ensure proper, stable, and cost-effective operation. This thesis work is placed under the topic of digitization of the electrical system with an emphasis on supporting the development of artificial intelligence-based methodologies for electrical fault detection. A specific type of fault affecting power distribution lines is studied, the high impedance fault caused by the contact of a live shaft with phase conductors. This fault poses numerous problems for local power distributors due to the difficulty in its detection by protective devices and because of its danger to human health and electrical infrastructure as it can also lead to serious forest fires. The development of these new fault detection methodologies often struggles with the lack of datasets: faults are not very frequent, and measurements are rarely made accessible; field experiments for generating data are very expensive. A way to bypass these difficulties is to create models that simulate the characteristics of faults, this is precisely what was done within this thesis. A model for the single-phase fault caused by vegetation contact will be exposed, it provides the fault current trend as a function of moisture content and line voltage, thus enabling fundamental data generation for the training phase of fault detection algorithms based on artificial intelligence. The model is shown and developed for a single vegetation species, but the same methodology can be applied to different types of trees.

Nei prossimi anni l'Europa sarà soggetta a grandi cambiamenti nel settore energetico: secondo il piano denominato "REPowerEu", l'obiettivo è ridurre le emissioni di gas serra del 55% entro il 2030 e raggiungere la neutralità climatica entro il 2050. Per raggiungere questi obiettivi, è essenziale aumentare l'adozione di fonti energetiche rinnovabili nei settori della produzione di energia, dell'industria e dei trasporti. Questo scenario futuro prevede un sistema elettrico sempre più complesso, che rende essenziale investire nella modernizzazione dell'infrastruttura della rete elettrica e della sua gestione per garantire un funzionamento corretto, stabile ed economico. Questo lavoro di tesi si colloca nell'ambito della digitalizzazione del sistema elettrico, con particolare attenzione al supporto dello sviluppo di metodologie basate sull'intelligenza artificiale per il rilevamento dei guasti elettrici. Viene studiato un tipo specifico di guasto che interessa le linee di distribuzione elettrica, il guasto ad alta impedenza causato dal contatto di un albero sotto tensione con i conduttori di fase. Questo guasto pone numerosi problemi ai distributori locali di energia elettrica per la difficoltà di rilevamento da parte dei dispositivi di protezione e per la sua pericolosità per la salute umana e per le infrastrutture elettriche, in quanto può anche portare a gravi incendi boschivi. Lo sviluppo di queste nuove metodologie di rilevamento dei guasti spesso si scontra con la mancanza di dataset: i guasti non sono molto frequenti e le misure sono raramente accessibili; gli esperimenti sul campo per generare dati sono molto costosi. Un modo per aggirare queste difficoltà è quello di creare modelli che simulino le caratteristiche dei guasti, come è stato fatto in questa tesi. Verrà esposto un modello per il guasto monofase causato dal contatto con la vegetazione, che fornisce l'andamento della corrente di guasto in funzione del contenuto di umidità e della tensione di linea, consentendo così di generare dati fondamentali per la fase di addestramento di algoritmi di rilevamento dei guasti basati sull'intelligenza artificiale. Il modello viene mostrato e sviluppato per una singola specie di vegetazione, ma la stessa metodologia può essere applicata a diversi tipi di alberi.