Fault analysis of a complex electrical distribution system with Bayesian networks and Markov chains

In several contexts, companies and institutions may have to deal with complex systems, with an infrastructure composed of an extended network of components that interact with each other. The more the system grows over time, the harder becomes to keep track of the correlations among the components and of the overall model of the system. Knowing these correlations is relevant when some anomalies occur, because failures and unexpected behaviours of some components can affect other components, causing the propagation of irregularities. These situations are often characterized by the presence of an high quantity of data, which can be used to directly learn a model of the system without the help of an human expert. In this work, we focus on a complex and distributed electrical infrastructure and we build data-driven models with the aim of identifying correlations between electrical components that represent what happens before or after some irregularities reported by the system. We consider two types of models, namely Bayesian networks and Markov chains, and through the thesis we will discuss their effectiveness, propose context-specific improvements, and show recurrent patterns they were able to find between the components of the electrical infrastructure we consider.

Non è insolito che aziende o grandi organizzazioni abbiano a che fare con sistemi complessi, per esempio con infrastrutture composte da una estesa rete di componenti che interagiscono l'uno con l'altro. Più il sistema si sviluppa con il tempo, più diventa difficile tener traccia delle correlazioni tra i componenti e mantenere un modello complessivo del suo funzionamento. Queste correlazioni diventano rilevanti quando si presentano delle anomalie, in quanto guasti e comportamenti inaspettati di alcuni componenti possono influenzarne altri, causando una propagazione di irregolarità. In genere, in queste situazioni, vi è la disponibilità di una grande quantità di dati, che possono essere usati per apprendere un modello del sistema senza l'ausilio di esperti. In questo lavoro, ci concentriamo su una infrastruttura elettrica complessa e distribuita e proponiamo metodi per costruire modelli delle correlazioni fra i componenti elettrici a partire dai dati. In particolare, i modelli rappresentano cosa succede prima o dopo le irregolarità riportate dal sistema. Consideriamo due classi di modelli, reti Bayesiane e catene di Markov, e, nel corso della tesi, discuteremo della loro efficacia, implementando miglioramenti pensati per il nostro contesto e mostrando diverse regolarità fra i componenti della specifica infrastruttura elettrica considerata che sono stati in grado di identificare.