A method to classify substation load profiles based on PCA

This thesis is about a method to classify MV/LV substation load profiles based on principle component analysis (PCA) method, considering the real daily load data from the UNARETI company in Milan. The classification model includes five steps: 1) Loading raw load profiles: in this step time series are refined and simplified. 2) Data preparation: this step includes four processes: defining and deleting the bad data, normalizing data, the data interpolation and outlier detecting. A method that combines PCHIP and ARMA is applied to deal with the boundary issues. 3) Data simplifying with PCA method: PCA method is used to extract the main components, in order to decrease the dimension of the data. 4) Load profile classification: MV/LV substations are classified in 8 groups based on the first 3 components. 5) Result applications. By analyzing the load customers classifying in Milan, it can be concluded that 1) The main 3 components of daily load profile are: the activity factor, the air conditioner factor and the holiday factor. 2) After the classification, 8 types of substations have been identified but only four result to be common. Type 1 customers have the character of uniform activities, high airconditioner occupancy, low holiday differences, for example commercial center; Type 2 customers have the character of non-uniform activities, high airconditioner occupancy, low holiday differences; Type 3 customers have the character of non-uniform activities, low airconditioner occupancy, high holiday differences; Type 4 customers have the character of uniform activities, low airconditioner occupancy, high holiday differences.

Questa tesi tratta un metodo per classificare i profili di carico delle cabine secondarie MT, basato sull’analisi delle componenti principali (PCA). La procedura di classificazione si articola su cinque passaggi: 1) Caricamento dei profili di carico: in questa fase la base dati viene omogeneizzata e semplificata. 2) Preparazione dei dati: questa fase include quattro processi: identificazione e ed eliminazione delle serie non valide, normalizzazione dei dati, interpolazione dei dati e rilevamento dei valori anomali. Una combinazione di Piecewise Cubic Hermite Interpolating Polynomial (PCHIP) e Autoregressive Moving-Average (ARMA) viene applicato per l’interpolazione dei dati agli estremi della serie. 3) Semplificazione dei dati tramite PCA. La PCA che viene utilizzata per estrarre le componenti principali, al fine di ridurre la dimensione dati base. 4) Classificazione dei profili di carico: le cabine secondarie vengono classificate in 8 gruppi sulla base delle prime 3 componenti principali 5) Interpretazione dei risultati. Analizzando i risultati della classificazione, si può ipotizzare che: 1) Le prime 3 componenti principali rappresentano: il fattore presenza/assenza di attivita, il fattore di condizionamento estivo e il fattore carico feriale/festivo. 2) Definendo 8 tipologie di profilo, solo quattro risultano significative. I clienti di “tipo 1” sono caratterizzati da una uniforme attivita durante tutto l’anno, forte utilizzo del condizionamento estivo, limitata differenza tra carico feriale e festivo; i clienti di “tipo 2” sono caratterizzati da una riduzione dell’attivita durante il periodo agostano, forte utilizzo del condizionamento estivo, limitata differenza tra carico feriale e festivo; i clienti di “tipo 3” catatterizzati da una riduzione dell’attivita durante il periodo agostano, basso utilizo del condizionamento estivo, sensibile differenza tra carico feriale e festivo; i clienti di “tipo 4” caratterizzati da una uniforme attivita durante tutto l’anno, basso utilizzo del condizionamento estivo, sensibile differenza tra carico feriale e festive.