Network reconfiguration for loss reduction : an assessment in a smart grid scenario

This thesis assesses the viability as well as performances of optimal network reconfiguration strategies, with the objective of power losses reduction. To achieve this objective, 3 optimization methods are investigated: namely, Genetic Algorithm (GA), Monte Carlo method (MC) and Deterministic Online (DO) algorithm. To compare the effectiveness of mentioned methods, a Key Performance Indicator (KPI) is developed which takes into account both factors that are, level of loss reduction achieved and computational time required. The analysis is performed on the A.S.SE.M. Smart Grid pilot project incentivized by the Italian Regulatory Authority. The key aim of mentioned project is to integrate technological solutions for better management of distribution grid under increasing penetration of Distributed Renewable Energy Sources (DRES). DRES significantly impact the performance of grid and influences even the methods already employed by systems operators for performance enhancement. Therefore, it is of key importance to investigate tools like network reconfiguration in Smart Grid scenarios. This consideration is encompassed in the thesis by introducing a realistic distributed generation penetration involving diverse energy sources: namely photovoltaic, combined heat & power (CHP) and hydro generation. The study also investigates the reconfiguration problem with varying optimization intervals, considering hourly, weekly, monthly and yearly frequencies. It is demonstrated by simulation results that optimal reconfiguration provides significant advantage over conventional behavior of Distribution System Operator. Loss reduction is achieved by devising more homogeneous flow of energy on the grid, consequently improving overall voltage profile and conductors loading on the grid. The methods proposed showed promising potential for the network reconfiguration for the simultaneous improvement of network’s DRES hosting capacity along with loss reduction.

Il presente lavoro di tesi valuta la fattibilità e le prestazioni di differenti strategie di riconfigurazione della rete elettrica, con l’obiettivo di ridurre le perdite di energia. Ai fini dell’ottimizzazione, sono studiati tre distinti metodi di ottimizzazione, vale a dire un Algoritmo Genetico, un metodo Monte Carlo e un algoritmo deterministico in tempo reale. Per confrontare l’efficacia dei metodi di cui sopra, differenti KPI (Key Performance Indicator) sono sviluppati, atti a considerare sia il livello di riduzione delle perdite raggiunto, che il tempo di calcolo richiesto. L’analisi è svolta sulla rete di distribuzione dell’azienda elettrica A.S.SE.M., coinvolta nel progetto pilota Smart Grid incentivato dall’Autorità di regolazione italiana. L’obiettivo chiave del progetto è integrare soluzioni tecnologiche per una migliore gestione della rete di distribuzione soggetta ad una crescente penetrazione di Fonti di Energia Rinnovabili (FER) distribuite. Le FER hanno un impatto significativo sulle performance della rete e sulle metodologie attualmente impiegate dai gestori di rete per il miglioramento delle prestazioni di esercizio. Pertanto, è di fondamentale importanza investigare strumenti come la riconfigurazione di rete all’interno di scenari Smart Grid reali. Questa considerazione è recepita all’interno del lavoro di tesi introducendo una distribuzione realistica di generazione distribuita, che include diverse fonti di energia: fotovoltaica, cogenerazione e idroelettrica. Lo studio affronta il problema della riconfigurazione con diverse cadenze di ottimizzazione dell’assetto di rete: frequenza oraria, settimanale, mensile e annuale. I risultati delle simulazioni dimostrano come il processo di riconfigurazione proposto comporti un vantaggio significativo rispetto alle strategie adottate convenzionalmente dai gestori di rete. La riduzione delle perdite è raggiunta mediante una più omogenea distribuzione dei flussi di energia sulle linee, migliorando conseguentemente i profili di tensione ed il grado di carico dei conduttori. Le metodologie sviluppate mostrano un interessante potenziale anche ai fini del miglioramento simultaneo delle perdite e della capacità di accoglimento della rete (hosting capacity).