MACHINE LEARNING E ANALISI DEI BIG DATA PER LA MANUTENZIONE PREDITTIVA DELLE CABINE SECONDARIE

This thesis addresses the topic of predictive maintenance for secondary substations and was developed as part of an internship at the Asset Performance department of A2A. In recent years, distribution system operators have introduced advanced algorithms for asset management in primary substation and medium voltage networks. These tools have enhanced the lifespan and performance of infrastructures, ensuring a more reliable service for end users. However, maintenance strategies for secondary substations still have significant room for improvement. Currently, no specific algorithms exist to prioritize maintenance interventions on the equipment they contain. This gap represents both a challenge and an opportunity, with potential benefits for the continuity and efficiency of the electrical service. This thesis aims to address this need through an in-depth analysis of historical data from secondary substations and work orders related to failures and maintenance events. By applying machine learning algorithms, a predictive maintenance approach has been developed based on the identification of clusters of similar substations, considering their structural and electrical characteristics, the type of assets present, and environmental data. This approach enables the prioritization of maintenance activities on groups of secondary substations containing equipment that have historically experienced a higher number of anomalies. The results obtained demonstrate that using big data and machine learning algorithms can provide an effective solution to optimize secondary substations maintenance, contributing to more efficient management of the electrical system. Furthermore, this work can serve as a starting point for further studies and implementations of machine learning algorithms dedicated to predictive maintenance in the electrical sector, with the potential to extend this approach to other case studies and increasingly complex network management scenarios.

Questo elaborato affronta il tema della manutenzione predittiva delle cabine secondarie ed è stato sviluppato nell’ambito dell’attività di tirocinio svolta presso il dipartimento Asset Performance di A2A. Negli ultimi anni gli operatori della rete di distribuzione hanno introdotto algoritmi avanzati per la gestione degli asset presenti in cabina primaria o nelle reti di media tensione. Tali strumenti hanno consentito di migliorare la durata e le performance delle infrastrutture, garantendo un servizio più affidabile all’utente finale. Tuttavia, le strategie di manutenzione delle cabine secondarie presentano ancora significativi margini di miglioramento, infatti ad oggi non esistono algoritmi specifici per prioritizzare gli interventi manutentivi sulle apparecchiature in esse contenute. Questa carenza costituisce sia una sfida che un'opportunità con potenziali benefici sulla continuità e l'efficienza del servizio elettrico. La tesi si propone di rispondere a questa esigenza attraverso un'analisi approfondita dei dati storici delle cabine secondarie e degli ordini di lavoro relativi a guasti ed eventi manutentivi. Applicando algoritmi di machine learning è stato sviluppato un approccio di manutenzione predittiva basato sull’identificazione di cluster di cabine simili sulla base delle loro caratteristiche strutturali ed elettriche, tipologia di asset presenti e dati ambientali. In questo modo è possibile prioritizzare le attività manutentive sulle tipologie di cabine secondarie contenenti componentistiche che in passato hanno registrato un maggior numero di anomalie. I risultati ottenuti mostrano come l'utilizzo di big data a favore di algoritmi di machine learning possa rappresentare una soluzione efficace per ottimizzare la manutenzione delle cabine secondarie, contribuendo ad una gestione complessivamente più efficiente del sistema elettrico. Inoltre, il lavoro svolto può costituire un punto di partenza per ulteriori studi e implementazioni di algoritmi di machine learning dedicati alla manutenzione predittiva in ambito elettrico, con il potenziale di estendere questo approccio ad altri casi studio e a scenari sempre più complessi di gestione della rete.