The first lecture of the course Complements of Power Electronics will take place on Wednesday, September 17, at 4:00 PM in Room 031. During this session, the overall Project Work on Electric Vehicles will be presented.
Su appuntamento, contattare m.bindi@unifi.it
Marco Bindi ha conseguito la laurea magistrale in Ingegneria Elettrica e Automazione presso l'Università di Firenze, Italia, nel 2018. Dal 2018 al 2019 è stato ricercatore presso il Dipartimento di Ingegneria dell'Informazione dell'Università di Firenze, dove, dal 2019 al 2022, ha ottenuto il dottorato di ricerca nel settore Elettronica, Elettromagnetismo ed Elettrotecnica (EEE). Nel corso del 2023 è stato assegnista di ricerca post-dottorato presso l'Università di Firenze e i suoi interessi di ricerca hanno riguardato le possibili applicazioni degli algoritmi di intelligenza artificiale nella diagnosi di guasto nei sistemi elettrici di potenza, nonché l'analisi simbolica e la simulazione di circuiti analogici. Attualmente ricopre il ruolo di docente a contratto per il corso ‘Circuiti e sistemi per le smart grid’ erogato nell’ambito della Laurea magistrale in Ingegneria Elettrica e dell’Automazione. Attualmente la sua attività di ricerca comprende anche il settore delle smart grid e dell’incentivazione per la diffusione delle fonti energetiche rinnovabili, con particolare interesse riguardo le emergenti Comunità Energetiche Rinnovabili.
L’ing. Marco Bindi afferisce al Dipartimento di Ingegneria dell’Informazione (DINFO) dell’Università degli Studi di Firenze, dove ha conseguito la laurea triennale in Ingegneria Elettronica e delle Telecomunicazioni nel 2015 e, nel 2018, la laurea magistrale in Ingegneria Elettrica e dell’Automazione (curriculum Elettrica).
In occasione della Tesi magistrale ha approfondito le tematiche relative alla diagnosi predittiva dei sistemi elettrici, con particolare riferimento alle linee di trasmissione e di distribuzione. In primo luogo, tale attività è stata focalizzata sulle reti elettriche aeree di alta tensione ed è stata svolta essenzialmente dal punto di vista simulativo in ambiente Matlab-Simulink, integrando specifiche risorse software per l’analisi dei circuiti analogici quali Sapwin e LTspice.
Nel corso del 2019 ha rivestito il ruolo di Assegnista di Ricerca nell'ambito del "Laboratorio Sperimentale di Ateneo" presso l'Università degli Studi di Firenze. Le sue responsabilità hanno compreso la ricerca di soluzioni impiantistiche innovative per la didattica universitaria, lo sviluppo di progettazioni impiantistiche per sistemi elettrici, speciali, di sicurezza e trasmissione dati. Ha lavorato sull’integrazione del progetto elettrico con lo sviluppo architettonico, strutturale ed energetico degli edifici.
Da novembre 2019 a novembre 2022 ha svolto il Dottorato di ricerca presso il Dipartimento di Ingegneria dell'Informazione (DINFO) dell'Università degli Studi di Firenze, Curricula Elettronica, Elettromagnetismo ed Elettrotecnica (EEE). Il suo percorso di dottorato è stato focalizzato sulla ricerca di soluzioni innovative per la prevenzione dei guasti in diverse tipologie di sistemi elettrici. Al fine di sviluppare un metodo di prognosi per le regioni di giunzione utilizzate nelle linee elettriche aeree di alta tensione ha approfondito la conoscenza dei principali algoritmi di machine learning. Tali modelli computazionali sono alla base delle più moderne tecniche di intelligenza artificiale e possono essere utilizzati per risolvere problemi di classificazione, regressione e controllo. Inoltre, è stato attivamente coinvolto nello sviluppo di una rete neurale a valori complessi (Multi-Layer Neural Network with Multi-Valued Neurons) per la classificazione dello stato di salute dei cavi interrati di Media Tensione utilizzati nelle reti di distribuzione e dei convertitori DC-DC comunemente impiegati in applicazioni fotovoltaiche. Infine, ha partecipato allo sviluppo di algoritmi innovativi per la classificazione della Power Quality negli impianti elettrici di bassa tensione.
Durante il corso del 2023 ha ricoperto il ruolo di Assegnista di Ricerca presso l'Università degli Studi di Firenze, nel Dipartimento di Ingegneria dell'Informazione. Il suo focus principale ha riguardato la ricerca e lo sviluppo di prodotti e servizi per Demand Response, Sector Coupling e Smart Charge di Veicoli Elettrici. Questo impegno mira a supportare Comunità Energetiche Rinnovabili e i relativi utenti, con particolare attenzione alla gestione e all'ottimizzazione dell'autoconsumo, affiancato dal monitoraggio dei parametri ambientali.
Nel contesto delle attività accademiche e didattiche, ha ricoperto il ruolo di Collaboratore Coordinato per la didattica presso l'Università degli Studi di Firenze, coordinando le attività didattiche per il corso 'Laboratorio di conversione dell'Energia - Principi di energia elettrica' nell'ambito della Laurea triennale in Ingegneria Gestionale. Le tematiche affrontate hanno riguardato la gestione degli impianti fotovoltaici, il mercato dell'energia e le soluzioni di incentivazione per impianti alimentati da fonti rinnovabili.
Inoltre, ha svolto attività di didattica integrativa in qualità di Cultore della Materia presso l'Università degli Studi di Firenze, contribuendo agli insegnamenti di 'Teoria dei circuiti' per il corso di Laurea triennale in Ingegneria informatica e 'Circuiti e sistemi per le smart grid' per il corso di Laurea magistrale in Ingegneria elettrica e dell’automazione.
Parallelamente, ha svolto attività di docenza nell’ambito del progetto Performance per scuole medie superiori presso l'Istituto Superiore Guglielmo Marconi e l'Istituto Superiore A. Gramsci – J.M. Keynes di Prato. Durante questo periodo ha tenuto lezioni sull'efficienza energetica degli impianti di produzione e degli edifici ad uso civile, focalizzando l’attenzione sulla realizzazione degli Attestati di Prestazione Energetica (APE).
Ha contribuito attivamente alle attività di didattica integrativa presso l'Università degli Studi di Firenze, coprendo insegnamenti dei settori disciplinari ING/IND 31-32-33. Le tematiche affrontate comprendono la modellazione a parametri concentrati e distribuiti di linee elettriche, tecniche di prevenzione dei guasti e l'utilizzo di algoritmi di intelligenza artificiale per il monitoraggio di sistemi elettrici.
Attualmente ricopre il ruolo di docente a contratto per il corso ‘Circuiti e sistemi per le smart grid’ erogato nell’ambito della Laurea magistrale in Ingegneria Elettrica e dell’Automazione.
Principali attività di ricerca:
Princiapli Pubblicazioni:
- Bindi et al., “Power grid monitoring based on Machine Learning and Deep Learning techniques”, in Journal of Autonomous Intelligence, 10.32629/jai.v7i1.1124.
- M. Bindi, M.C. Piccirilli, A. Luchetta, F. Grasso, “A Comprehensive Review of Fault Diagnosis and Prognosis Techniques in High Voltage and Medium Voltage Electrical Power Lines”, in Energies 2023, 16(21), 7317, 10.3390/en16217317.
- M. Bindi, A. Luchetta, G. M. Lozito, C. F. M. Carobbi, F. Grasso and M. C. Piccirilli, "Frequency Characterization of Medium Voltage Cables for Fault Prevention through Multi-Valued Neural Networks and Power Line Communication Technologies," in IEEE Transactions on Power Delivery, doi: 10.1109/TPWRD.2023.3270128.
- Iturrino Garcia, C.A.; Bindi, M.; Corti, F.; Luchetta, A.; Grasso, F.; Paolucci, L.; Piccirilli, M.C.; Aizenberg, I. Power Quality Analysis Based on Machine Learning Methods for Low-Voltage Electrical Distribution Lines. Energies 2023, 16, 3627. https://doi.org/10.3390/en16093627
- M. Bindi, F. Grasso, A. Luchetta and M. C. Piccirilli, "A New Application of Power Line Communication Technologies: Prognosis of Failure in Underground Cables," 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), Maldives, Maldives, 2022, pp. 1-6, doi: 10.1109/ICECCME55909.2022.9988118.
- Bindi et al., "Failure Prevention in DC–DC Converters: Theoretical Approach and Experimental Application on a Zeta Converter," in IEEE Transactions on Industrial Electronics, vol. 70, no. 1, pp. 930-939, Jan. 2023, doi: 10.1109/TIE.2022.3153827.
- M. Bindi et al., "Classification of Power Quality disturbances using Multi-Valued Neural Networks and Convolutional Neural Networks," 2022 International Joint Conference on Neural Networks (IJCNN), Padua, Italy, 2022, pp. 01-08, doi: 10.1109/IJCNN55064.2022.9892536.
- M. Bindi, G. Talluri, G. M. Lozito, A. Luchetta, M. C. Piccirilli and F. Grasso, "Smart monitoring of DC-DC converters," 2022 IEEE International Conference on Environment and Electrical Engineering and 2022 IEEE Industrial and Commercial Power Systems Europe (EEEIC I&CPS Europe), 2022, pp. 1-6, doi: 10.1109/EEEIC/ICPSEurope54979.2022.9854667.
- M. Bindi, A. Luchetta, L. Paolucci, F. Grasso, S. Manetti and M. C. Piccirilli, "Applications of Machine Learning Techniques for the Monitoring of Electrical Transmission and Distribution lines," 2022 18th International Conference on Synthesis, Modeling, Analysis and Simulation Methods and Applications to Circuit Design (SMACD), 2022, pp. 1-4, doi: 10.1109/SMACD55068.2022.9816290.
- Bindi, M.; Piccirilli, M.C.; Luchetta, A.; Grasso, F.; Manetti, S. Testability Evaluation in Time-Variant Circuits: A New Graphical Method. Electronics 2022, 11, 1589. https://doi.org/10.3390/electronics11101589.
- Bindi, M.; Corti, F.; Aizenberg, I.; Grasso, F.; Lozito, G.M.; Luchetta, A.; Piccirilli, M.C.; Reatti, A. Machine Learning-Based Monitoring of DC-DC Converters in Photovoltaic Applications. Algorithms 2022, 15, 74. https://doi.org/10.3390/a15030074.
- Senzi, A., Bindi, M., Cappellini, I. et al. COVID-19 and VILI: developing a mobile app for measurement of mechanical power at a glance. ICMx 9, 6 (2021). https://doi.org/10.1186/s40635-021-00372-0.
- M. Bindi, A. Luchetta, P. A. Scarpino, M. C. Piccirilli, F. Grasso and A. Sturchio, "Assessment of the health status of Medium Voltage lines through a complex neural network," 2021 AEIT International Annual Conference (AEIT), 2021, pp. 1-6, doi: 10.23919/AEIT53387.2021.9627068.
- R Belardi et al 2021 J. Phys.: Conf. Ser. 2022 012007, Thermal Monitoring of Underground Medium Voltage Cables Based on Machine Learning Techniques, DOI: 10.1088/1742-6596/2022/1/012007.
- G. Talluri, M. Bindi, A. Luchetta, F. Grasso, L. Luchetti and L. Paolucci, "Analysis of Power Losses due to Magnetic Shielding for Electric Vehicle Wireless Charging," 2021 IEEE 15th International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG), 2021, pp. 1-6, doi: 10.1109/CPE-POWERENG50821.2021.9501223.
- M. Bindi et al., "Comparison Between PI and Neural Network Controller for Dual Active Bridge Converter," 2021 IEEE 15th International Conference on Compatibility, Power Electronics and Power Engineering (CPE-POWERENG), 2021, pp. 1-6, doi: 10.1109/CPE-POWERENG50821.2021.9501168.
- Aizenberg, I.; Belardi, R.; Bindi, M.; Grasso, F.; Manetti, S.; Luchetta, A.; Piccirilli, M.C. A Neural Network Classifier with Multi-Valued Neurons for Analog Circuit Fault Diagnosis. Electronics 2021, 10, 349. https://doi.org/10.3390/electronics10030349.
- Aizenberg, I.; Belardi, R.; Bindi, M.; Grasso, F.; Manetti, S.; Luchetta, A.; Piccirilli, M.C. Failure Prevention and Malfunction Localization in Underground Medium Voltage Cables. Energies 2021, 14, 85. https://doi.org/10.3390/en14010085.
- R Belardi et al 2020 IOP Conf. Ser.: Earth Environ. Sci. 582 012001, A complex Neural Classifier for the Fault Prognosis and Diagnosis of Overhead Electrical Lines, DOI: 10.1088/1755-1315/582/1/012001.
- M. Bindi, I. Aizenberg, R. Belardi, F. Grasso, A. Luchetta, S. Manetti, M.C. Piccirilli "Neural Network-Based Fault Diagnosis of Joints in High Voltage Electrical Lines", Advances in Science, Technology and Engineering Systems Journal, vol. 5, no. 4, pp. 488-498 (2020).
- M. Bindi, F. Grasso, A. Luchetta, S. Manetti and M. C. Piccirilli, "Smart Monitoring and Fault Diagnosis of Joints in High Voltage Electrical Transmission Lines," 2019 6th International Conference on Soft Computing & Machine Intelligence (ISCMI), 2019, pp. 40-44, doi: 10.1109/ISCMI47871.2019.9004307.
- I. Aizenberg, M. Bindi, F. Grasso, A. Luchetta, S. Manetti and M. C. Piccirilli, "Testability Analysis in Neural Network Based Fault Diagnosis of DC-DC Converter," 2019 IEEE 5th International forum on Research and Technology for Society and Industry (RTSI), 2019, pp. 265-268, doi: 10.1109/RTSI.2019.8895583.
- M. Bindi et al 2019 J. Phys.: Conf. Ser. 1304 012006, Modeling and Diagnosis of Joints in High Voltage Electrical Transmission Lines, DOI: 10.1088/1742-6596/1304/1/012006
Legenda
