AI-driven methods for harmonic analysis and prediction in electric railway systems

This project focuses on developing machine learning models for predicting Total Harmonic Distortion (THD) in railway power systems. Two models were employed: a traditional Artificial Neural Network (ANN) and a Group Method of Data Handling - Artificial Neural Network (GMDH-ANN). The primary goal was to create a reliable and accurate model capable of predicting THD in real-time, aiding in system monitoring and maintenance. Both models were evaluated using key metrics such as Root Mean Squared Error (RMSE) and R-squared (R²) to assess their performance on training and test datasets. The GMDH-ANN outperformed the traditional ANN, achieving lower RMSE and higher R² values, owing to its dynamic architecture that evolves based on data complexity. This adaptability allowed the GMDH-ANN to generalize better to unseen data and exhibit superior robustness to noise and outliers. However, the increased computational complexity and longer training times associated with the GMDH-ANN present challenges for real-time deployment. Additionally, the limited size and variety of the dataset highlighted the need for further data collection to improve model generalization under diverse operating conditions. Future work will focus on real-time deployment, expanding the dataset, and exploring advanced architectures such as **Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) models. Furthermore, efforts will be made to improve model interpretability through explainable AI techniques and optimize the hyperparameter tuning process using Bayesian Optimization and Genetic Algorithms. The findings demonstrate that while the GMDH-ANN shows significant potential for THD prediction, there remains considerable room for improvement in terms of scalability, efficiency, and deployment in real-world railway systems.

Questo progetto si concentra sullo sviluppo di modelli di apprendimento automatico per la previsione della Distorsione Armonica Totale (THD) nei sistemi di alimentazione ferroviaria. Sono stati impiegati due modelli: una tradizionale Rete Neurale Artificiale (ANN) e una Rete Neurale Artificiale con Metodo di Manipolazione dei Dati di Gruppo (GMDH-ANN). L'obiettivo principale era creare un modello affidabile e accurato in grado di prevedere la THD in tempo reale, facilitando il monitoraggio e la manutenzione del sistema. Entrambi i modelli sono stati valutati utilizzando metriche chiave come Root Mean Squared Error (RMSE) e R-quadrato (R²) per valutare le loro prestazioni su set di dati di addestramento e di test. Il modello GMDH-ANN ha superato l'ANN tradizionale, ottenendo valori di RMSE inferiori e valori di R² più elevati, grazie alla sua architettura dinamica che si evolve in base alla complessità dei dati. Questa adattabilità ha permesso al GMDH-ANN di generalizzare meglio i dati non visti e di mostrare una maggiore robustezza al rumore e ai valori anomali. Tuttavia, la maggiore complessità computazionale e i tempi di addestramento più lunghi associati al GMDH-ANN presentano sfide per la distribuzione in tempo reale. Inoltre, la dimensione limitata e la varietà del set di dati hanno evidenziato la necessità di raccogliere ulteriori dati per migliorare la generalizzazione del modello in condizioni operative diverse. Il lavoro futuro si concentrerà sulla distribuzione in tempo reale, sull'espansione del set di dati e sull'esplorazione di architetture avanzate come le Reti Neurali Ricorrenti (RNNs) e i modelli Long Short-Term Memory (LSTM). Inoltre, si faranno sforzi per migliorare l'interpretabilità del modello attraverso tecniche di intelligenza artificiale spiegabile e ottimizzare il processo di tuning degli iperparametri utilizzando la Ottimizzazione Bayesiana e gli Algoritmi Genetici. I risultati dimostrano che, sebbene il modello GMDH-ANN mostri un notevole potenziale per la previsione della THD, ci sia ancora un margine significativo di miglioramento in termini di scalabilità, efficienza e distribuzione nei sistemi ferroviari reali.