Un framework ibrido a ensemble e spiegabile (XAI) per la rilevazione dell’islanding senza falsi positivi nelle reti di distribuzione

Perché proteggere l’illuminazione è davvero importante

Man mano che abitazioni e cittadine installano più pannelli solari sui tetti, piccole turbine eoliche e altre fonti di energia locale, la nostra rete elettrica diventa più pulita ma anche più complessa. Uno dei rischi più gravi in questo nuovo scenario è l’“islanding”, cioè la condizione in cui un quartiere continua a generare elettricità dopo essere stato scollegato dalla rete principale. Questo articolo presenta un sistema di intelligenza artificiale intelligente in due fasi che mira a individuare l’islanding rapidamente e con affidabilità, evitando interruzioni inutili che infastidiscono i clienti e gravano sulla rete.

Quando un quartiere diventa una propria isola

Immaginate una strada in cui la linea principale è stata disalimentata per manutenzione o a seguito di un guasto, mentre gli impianti fotovoltaici sui tetti continuano a immettere energia nei cablaggi locali. Gli operatori potrebbero pensare che la linea sia morta quando invece è ancora in tensione, e le apparecchiature possono danneggiarsi se la rete viene riconnessa fuori sincronia. A causa di questi rischi per la sicurezza, le normative internazionali richiedono che i generatori locali cessino di alimentare una sezione islanded entro due secondi. I dispositivi di protezione tradizionali monitorano variazioni di tensione o frequenza, oppure disturbano intenzionalmente la rete per osservare la reazione; tuttavia questi metodi o non rilevano alcuni casi di islanding, o scattano troppo spesso durante eventi innocui come l’avviamento di motori o il commutarsi di condensatori. Le utility sono così costrette a un compromesso tra il rischio di non individuare isole pericolose e quello di causare distacchi fastidiosi.

Perché servono strumenti di apprendimento più intelligenti

I ricercatori si sono rivolti all’apprendimento automatico per distinguere l’islanding da altri disturbi imparando i pattern direttamente dai dati. Studi precedenti hanno usato modelli singoli come reti neurali o alberi decisionali che rispondono a una semplice domanda sì/no: “questo è islanding o no?” Il problema è che la categoria “no” comprende molte situazioni diverse — guasti, operazioni di commutazione, comportamento normale della rete — che possono apparire molto simili nelle misure rilevate in un singolo punto della rete. Tarare un unico modello per essere più sensibile riduce la probabilità di perdere un islanding, ma generalmente aumenta il numero di falsi allarmi. Allo stesso modo, tararlo per evitare falsi scatti lo rende più probabile che trascuri un vero islanding. Molti di questi modelli sono inoltre difficili da interpretare, il che rende gli ingegneri di rete riluttanti a fidarsi di essi in ruoli critici di protezione.

Una guardia in due fasi per la rete

Gli autori propongono una strategia diversa: dividere il compito di protezione in due fasi dedicate che lavorano insieme. Nella prima fase, un algoritmo “Isolation Forest” funge da sentinella sempre attiva addestrata solo sul comportamento normale della rete. Il suo compito è molto semplice — lanciare un allarme ogni volta che le misure in ingresso appaiono anomale. Questa fase è tarata per essere estremamente sensibile in modo da catturare fin dalle prime battute quasi ogni deviazione, inclusi casi sottili di islanding. Solo quando viene rilevata tale anomalia si attiva la seconda fase. Qui, un potente modello “XGBoost” esegue un controllo più raffinato, non limitandosi a decidere se l’evento sia islanding o meno, ma classificandolo in diverse categorie come islanding, guasti, commutazioni di condensatori, avviamento di motori e variazioni di carico ordinarie. Insegnando al modello a riconoscere separatamente queste diverse firme, il sistema migliora notevolmente nell’evitare falsi scatti senza ridurre la vigilanza.

Guardare dentro la scatola nera con spiegazioni

Per costruire fiducia in questo decisore automatizzato, il framework usa anche uno strumento di spiegazione chiamato SHAP. Per ogni evento, SHAP calcola quanto diverse caratteristiche — come la velocità di variazione della frequenza di rete, la rapidità dello spostamento di potenza, o la distorsione della tensione — spingano la decisione verso o lontano dall’islanding. In tempo reale, il sistema registra i pochi contributori più importanti così che gli operatori possano vedere perché è stato ordinato l’apertura o la chiusura di un interruttore. Durante i test e la messa a punto, grafici SHAP più dettagliati aiutano i ricercatori a individuare dove il modello si confonde, per esempio quando una commutazione di condensatori imita l’islanding. Queste intuizioni hanno guidato la progettazione di una soglia di confidenza adattativa: il sistema richiede prove più forti prima di scattare quando i pattern appaiono ambigui, e può rilassarsi leggermente quando le evidenze sono chiare e coerenti.

Quanto bene funziona il nuovo sistema

Il team ha testato il proprio approccio su un dataset di microgrid simulato pubblicamente disponibile che include centinaia di esempi di eventi di islanding e non-islanding in molte condizioni operative. Dopo aver estratto sette feature fisicamente significative da brevi finestre di dati di tensione e corrente, hanno addestrato e tarato entrambe le fasi, quindi valutato le prestazioni su casi non visti in precedenza. Il sistema a cascata ha rilevato il 96 percento degli eventi di islanding, il che significa che pochissime isole sono rimaste inosservate nel test, mantenendo al contempo il tasso di falsi allarmi intorno al 2,7 percento. L’accuratezza complessiva ha raggiunto il 96,8 percento, e il metodo ha superato baseline di machine learning a modello singolo e uno schema ibrido tradizionale basato su soglie. Anche quando è stato aggiunto rumore di misura realistico, le prestazioni sono diminuite gradualmente anziché crollare, e il tempo di elaborazione è rimasto sotto i dieci millisecondi — molto più veloce di quanto richiesto dagli standard di rete.

Cosa significa per l’affidabilità quotidiana

Per i non specialisti, il messaggio chiave è che l’articolo presenta un modo pratico per ottenere “il meglio dei due mondi” nella protezione di una rete moderna ricca di rinnovabili. Chiedendo prima “sta succedendo qualcosa di strano?” e solo dopo “esattamente cosa sta succedendo?”, il sistema evita il consueto compromesso tra intercettare ogni islanding pericoloso e prevenire distacchi inutili. Lo strato aggiuntivo di spiegazioni permette agli ingegneri di vedere la logica dietro ogni comando di scatto, trasformando un algoritmo scatola nera in uno strumento che possono ispezionare e perfezionare. Sebbene lo studio si basi su dati simulati e debba essere validato su misure reali, indica una direzione verso un’integrazione più sicura e affidabile di fotovoltaico su tetti, piccoli parchi eolici e altri generatori distribuiti nei sistemi elettrici quotidiani da cui tutti dipendiamo.

Citazione: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Parole chiave: rilevazione islanding, generazione distribuita, apprendimento automatico, protezione dei sistemi elettrici, intelligenza artificiale spiegabile