Data Science for Resilience

Terna è uno dei principali Transmission System Operator (TSO) europei e gestisce in Italia la rete elettrica in alta tensione, una delle più moderne e tecnologiche in Europa. Svolge un ruolo centrale nel processo di transizione energetica verso fonti eco-compatibili, garantendo un approvvigionamento sicuro ed efficiente a famiglie e imprese. 

Nel suo piano di ammodernamento della rete di trasmissione nazionale, Terna ha installato sistemi di sensoristica, monitoraggio e diagnostica, per efficientare le attività di controllo da remoto dei propri asset (stazioni e linee elettriche) e intende avvalersi di soluzioni di Digital Sustainable Asset , che facciano leva su approcci data-driven, per digitalizzare sia asset che processi aziendali.

Infatti, riteniamo che la trasformazione del dato in informazione sia un passaggio chiave che permetterà di migliorare molti aspetti aziendali sia al livello di efficientamento e sicurezza degli asset, sia a livello di strategia aziendale . 

Tra i pilastri tecnologici abilitatori della digitalizzazione degli asset in particolare, vi sono la Platformization, la Cloud Strategy e l’Artificial Intelligence Strategy. 

Il percorso evolutivo dei sistemi e delle piattaforme di Gruppo è proiettato verso una nuova prospettiva che consenta a Terna di avvalersi di tecnologie all’avanguardia per introdurre nuove modalità di lavoro in differenti ambiti, ma in particolare nello sviluppare una capacità di proiettare in maniera predittiva e prescrittiva la necessità degli interventi sulla rete.

Per cogliere a pieno il potenziale offerto dalle nuove tecnologie, ovvero nuove capacità di elaborazione che siano altamente scalabili, che adottino metodologie nuove di apprendimento sui dati e di ottimizzazione spinta, non si può prescindere dal considerare oggi un modello di business che capitalizzi gli asset e abiliti allo stesso tempo l’implementazione e adozione di nuove capabilities tecnologiche per consentire di superare i limiti di interoperabilità e di rispondere sempre più rapidamente a fenomeni degenerativi degli asset stessi.

In tale ambito, al fine di indirizzare correttamente il cambiamento operativo e culturale verso una evoluzione digitale, Terna è alla ricerca di soluzioni negli ambiti di ricerca descritti in seguito.

La ricerca è mirata a soluzioni ad alto profilo tecnologico in grado di elaborare modelli e algoritmi di data analytics basati su un approccio “what if” , che possano sfruttare il dato per guidare Terna con un approccio Data Driven nei seguenti ambiti:

• Data Analytics a supporto delle decisioni: modelli in grado di prioritizzare le attività di manutenzione o di monitoraggio in base alla criticità rilevata a partire dalla sensoristica installata sul campo, con lo scopo individuare i punti più sensibili dell’infrastruttura attraverso l’utilizzo di simulazioni che facciano confronti tra diversi scenari operativi di manutenzione, nell’ottica di migliorare la resilienza e l’efficienza della rete elettrica.

• Data Analytics per forecasting investimenti: modello per la comparazione di scenari finanziari, nell’ottica di guidare le decisioni strategiche e di investire economicamente su tecnologie che possano ottimizzare la gestione dei costi.

• Data Analytics per previsioni meteoclimatiche: modelli Machine Learning in grado di stimare l'evoluzione di diverse variabili meteo-climatiche partendo da un approccio data driven che tengono conto dell'intensificarsi di eventi meteorologici estremi, con lo scopo di definire mappe climatiche su diversi orizzonti temporali, nell' ottica di guidare la pianificazione di interventi per l'incremento della resilienza della rete di trasmissione.

Ricerchiamo inoltre soluzioni di artificial Intelligence per la ricostruzione e il riconoscimento delle immagini delle apparecchiature e componenti di Stazioni Elettriche in Alta Tensione  in grado di identificare e notificare immediatamente anomalie concordate riconosciute attraverso analisi di immagini, identificare una sotto campionatura delle immagini che non infici i risultati dell’algoritmo di identificazione allo scopo di velocizzare sia la parte di elaborazione che di storage e scartare immagini non idonee all’identificazione.