Voltage regulation in distribution networks in the presence of distributed generation and electric vehicles : LVR and E-OLTC with machine learning approach

This thesis makes use of machine learning (ML) algorithms to solve problems in the electric power systems. The specific issue tackled here is voltage regulation in MV networks with high penetration of distributed generation (DG) and electric vehicles, using Electronic On Load Tap Changers (E-OLTC) and Line Voltage Regulators (LVR). This thesis contains two studycases, hence, two MV feeders are built from scratch using PowerFactory software. One of them is fictive while the other one is based on a real life feeder. The process starts with creating hourly characteristics of loads and photovoltaic systems (PVs) of the feeder. That is done by collecting and processing millions of datapoints. For the PVs irradiation the data comes from PVGIS tools, while for the load characteristics, the data is based on real yearly curves which are then adapted accordingly. After modelling the feeders and preparing the characteristics, two Quasi-Dynamic (Q-D) simulations are run for a period of 2-years in hourly steps (17520 load flows). One Q-D analysis is done without employing automatic tap changers, while the other is done using automatic tap changers. The results of the Q-D simulations offer information on correct tap positions of transformers given various inputs, which are loads and PV productions. The last step is to use these results and build a Multi-Output Deep Neural Network (DNN). The DNN, using forward propagation and backward propagation, will be able to learn by fitting the inputs to the relevant outputs. This way, in the future the DNN will be able to predict the correct tap positions of transformers in the feeder (outputs), only knowing the loads and PV productions (inputs). After the machine learning algorithm is trained, it will then be tested with a set of inputs it has not seen before. Although this thesis does not address other voltage regulation methods, the DNN model is flexible in a manner that allows to potentially include them in the future with ease. Various software tools are used in this study, some of them are PowerFactory, Python (lib. Pandas, Tensorflow/Keras, Scikitlearn etc.), Matlab etc.

Questa tesi utilizza algoritmi di machine learning (ML) per risolvere problemi nei sistemi di alimentazione elettrica. La questione specifica qui affrontata è la regolazione della tensione nelle reti MT ad alta penetrazione della generazione distribuita (DG) e dei veicoli elettrici, mediante l'utilizzo di commutatori elettronici sotto carico (E-OLTC) e regolatori di tensione di linea (LVR). Questa tesi contiene due casi di studio, quindi, due alimentatori MV sono costruiti da zero utilizzando il software PowerFactory. Uno di questi è fittizio mentre l'altro si basa su un alimentatore di vita reale. Il processo inizia con la creazione delle caratteristiche orarie dei carichi e degli impianti fotovoltaici (PV) dell'alimentatore. Ciò viene fatto raccogliendo ed elaborando milioni di punti dati. Per l'irraggiamento PV i dati provengono da strumenti PVGIS, mentre per le caratteristiche di carico i dati si basano su curve annuali reali che vengono poi adattate di conseguenza. Dopo aver modellato gli alimentatori e preparato le caratteristiche, vengono eseguite due simulazioni Quasi-Dynamic (Q-D) per un periodo di 2 anni in fasi orarie (17520 flussi di carico). Un'analisi Q-D viene eseguita senza l'utilizzo di commutatori di presa automatici, mentre l'altra viene eseguita utilizzando commutatori di presa automatici. I risultati delle simulazioni Q-D offrono informazioni sulle corrette posizioni di presa dei trasformatori dati i vari ingressi, che sono carichi e produzioni fotovoltaiche. L'ultimo passaggio consiste nell'utilizzare questi risultati e creare una rete neurale profonda multi-output (DNN). Il DNN, utilizzando la propagazione in avanti e la propagazione all'indietro, sarà in grado di apprendere adattando gli input agli output pertinenti. In questo modo, in futuro il DNN sarà in grado di prevedere le corrette posizioni di presa dei trasformatori nell'alimentatore (uscite), conoscendo solo i carichi e le produzioni fotovoltaiche (ingressi). Dopo che l'algoritmo di apprendimento automatico è stato addestrato, verrà quindi testato con una serie di input che non ha mai visto prima. Sebbene questa tesi non affronti altri metodi di regolazione della tensione, il modello DNN è flessibile in un modo che consente di includerli potenzialmente in futuro con facilità. In questo studio vengono utilizzati vari strumenti software, alcuni dei quali sono PowerFactory, Python (lib. Pandas, Tensorflow/Keras, Scikitlearn ecc.), Matlab ecc.