Data-driven quantification of PV generation and EV demand uncertainties to study their impact on the power system network

The electric power system network is going through a paradigm shift in power generation and load demand utilisation, with various players acting in power management to boost the economy of the energy market. To incorporate these changes, analysis of the power flow in the network is necessary, predominantly to accommodate the immediate needs of integrating Photovoltaic generating units and Electric vehicle charging infrastructures. The purpose of this thesis is to accurately model photovoltaic generating units and the Electric vehicle charging station uncertainties and to solve critical problems encountered in using these models in probabilistic load flow analysis of the power system network. The data-driven modeling approach is adopted in this work to reduce the assumptions in modeling and in capturing uncertainties accurately, but it poses many challenges in using them. The key issue in using this approach is the availability of data with large sample sizes, as probabilistic load flow techniques such as Monte Carlo simulation demand a large sample set of data. The other important factor is handling non-elementary statistical distributions obtained from the modeled systems in the load flow analysis. In this work, modeling the PV systems for use in the probabilistic load flow is facilitated by repopulating the samples using Nataf’s transformation technique, and later the correlation among the PV generators is considered and included among the modeled sys tems using the Gaussian mixture model and Gaussian copula methodology. To model the Electric vehicle demand uncertainty in the network, measurement data obtained from the smart meters present in the vehicle charging stations are used. The vital charging event data are statistically analyzed, and then electric vehicle load profiles are created, including analyzed uncertainties to study the performance of the grid in the presence of such uncertain electric vehicle user behavior in the network. The stochastic response surface method is widely used in including the correlation among the input variables and accelerating the simulation of probabilistic load flow, but it fails to approximate the results accurately due to high non-linearity involved in the step of copula transformation in approximating the physical input variables and the inner variables of the model. A novel method of probabilistic load flow is proposed in this work by adopting the inclusion of correlation among the input variables and surrogate modeling of the stochastic response in two separate steps. The repopulation of samples required for the load flow is realized with the utilization of the Gaussian Copula and a surrogate model using polynomial chaos expansion is used to precisely approximate the slightly nonlinear input and output relationship of the probabilistic load flow process. The proposed modeling approaches and the novel probabilistic load flow methodology is implemented using different standard test networks such as IEEE 13 bus test feeder network, IEEE 69 bus medium voltage test feeder network, IEEE European low voltage test feeder network, and Non-synthetic European low voltage test network. The obtained results are compared against the standard results of Monte Carlo simulation. The results show the inclusion of correlation among the input random variables of the probabilistic load flow will positively affect improving the accuracy of the simulation. Gaussian copula can handle the non-elementary distributions very well and repopulates the samples by preserving the distribution shape and the correlation among the variables with an error rate < 1%. The proposed novel load flow is delivering a remarkable 50 x speed up in the simulation when compared to the Monte Carlo simulation in reaching the same accuracy. Using the tools and techniques developed in this work, an analysis is presented showing the effects of uncertain Photovoltaic generation and Electric vehicle user demand on the low voltage distribution network in three different time windows. The proposed modeling techniques and the novel probabilistic load flow method are general that can be applied to any dataset and any network of interest.

La rete del sistema elettrico sta attraversando un cambio di paradigma nella generazione di energia e nell’utilizzo della domanda di carico, con vari attori che agiscono nella gestione dell’energia per rilanciare l’economia del mercato energetico. Per recepire questi cambia menti, è necessaria un’analisi del flusso di energia nella rete, principalmente per soddisfare le esigenze immediate di integrazione delle unità di generazione fotovoltaica e delle infras trutture di ricarica dei veicoli elettrici. Lo scopo di questa tesi è quello di modellare accuratamente le unità di generazione fotovoltaica e le incertezze delle stazioni di ricarica dei veicoli elettrici e di risolvere i problemi critici incontrati nell’utilizzo di questi modelli nell’analisi probabilistica del flusso di carico della rete del sistema elettrico. L’approccio di modellazione basata sui dati viene adottato in questo lavoro per ridurre le ipotesi nella modellazione e nel catturare accuratamente le incertezze, ma pone molte sfide nell’utilizzarle. La questione chiave nell’utilizzo di questo approccio è la disponibilità di dati con campioni di grandi dimensioni, poiché le tecniche di flusso di carico probabilistico come la simulazione Monte Carlo richiedono un ampio set di campioni di dati. L’altro fattore importante è la gestione delle distribuzioni statistiche non elementari ottenute dai sistemi modellati nell’analisi del flusso di carico. In questo lavoro, la modellazione dei sistemi fotovoltaici da utilizzare nel flusso di carico probabilistico è facilitata dal ripopolamento dei campioni utilizzando la tecnica di trasformazione di Nataf, e successivamente viene considerata la correlazione tra i generatori fo tovoltaici e inclusa tra i sistemi modellati utilizzando il modello della miscela gaussiana e la copula gaussiana metodologia. Per modellare l’incertezza della domanda dei veicoli elettrici nella rete, vengono utilizzati i dati di misurazione ottenuti dai contatori intelligenti presenti nelle stazioni di ricarica dei veicoli. I dati sugli eventi di carica vitale vengono analizzati statisticamente, quindi vengono creati profili di carico dei veicoli elettrici, comprese le incertezze analizzate per studiare le prestazioni della rete in presenza di tale comportamento incerto degli utenti dei veicoli elettrici nella rete. Il metodo della superficie di risposta stocastica è ampiamente utilizzato per includere la correlazione tra le variabili di input e accelerare la simulazione del flusso di carico probabilistico, ma non riesce ad approssimare accuratamente i risultati a causa ell’elevata non linearità coinvolta nella fase di trasformazione della copula nell’approssimare la fisica variabili di input e le variabili interne del modello. In questo lavoro viene proposto un nuovo metodo di flusso di carico probabilistico adottando l’inclusione della correlazione tra le variabili di input e la modellazione surrogata della risposta stocastica in due fasi separate. Il ripopolamento dei campioni necessari per il flusso di carico viene realizzato con l’utilizzo della copula gaussiana e un modello surrogato che utilizza l’espansione del caos polinomiale viene utilizzato per approssimare con precisione la relazione di input e output leggermente non lineare del processo di flusso di carico probabilistico. Gli approcci di modellazione proposti e la nuova metodologia probabilistica del flusso di carico vengono implementati utilizzando diverse reti di test standard come la rete bus test feeder IEEE 13, la rete bus test feeder media tensione IEEE 69, la rete europea test feeder bassa tensione IEEE e la rete europea non sintetica a bassa tensione rete di prova di tensione. I risultati ottenuti vengono confrontati con i risultati standard della simulazione Monte Carlo. I risultati mostrano che l’inclusione della correlazione tra le variabili casuali di input del flusso di carico probabilistico influenzerà positivamente il miglioramento dell’accuratezza della simulazione. La copula gaussiana può gestire molto bene le distribuzioni non elemen tari e ripopolare i campioni preservando la forma della distribuzione e la correlazione tra le variabili con un tasso di errore < 1%. Il nuovo flusso di carico proposto offre una notev ole velocità 50 x nella simulazione rispetto alla simulazione Monte Carlo nel raggiungere la stessa precisione. Utilizzando gli strumenti e le tecniche sviluppati in questo lavoro, viene presentata un’analisi che mostra gli effetti della generazione fotovoltaico incerta e della domanda degli utenti di veicoli elettrici sulla rete di distribuzione a bassa tensione in tre diverse finestre temporali. Le tecniche di modellazione proposte e il nuovo metodo probabilistico del flusso di carico sono generali che possono essere applicati a qualsiasi set di dati e qualsiasi rete di interesse.