Fast voltage estimation on mv distribution networks through a ML hybrid model

Smart grids are revolutionizing urban life by using sensors and devices to enhance the management of Cyber-Physical Systems (CPSs) like power generation and distribution networks. As an evolution of traditional electrical systems, smart grids integrate diverse physical and computational components, including sensors, controllers, and smart meters, to improve monitoring and control. Accurate and fast computation of system states is crucial for maximizing infrastructure efficiency, reducing energy waste, and minimizing costs and environmental impact. Dynamic power demand requires real-time computation for effective management. Machine Learning (ML) techniques, especially Deep Learning (DL) algorithms and ensemble methods, are essential for extracting information from the vast data collected by smart grid components and meeting the demand for fast and accurate computations in industrial applications. This thesis introduces a novel ML-based approach to solve the load flow problem in real-world scenarios. The solution uses an ensemble strategy by stacking a Graph Convolutional Network (GCN) model with a Gradient Boosted Decision Tree (GBDT) model. This hybrid strategy is designed to estimate node voltages in Medium Voltage (MV) distribution networks, typically derived from power flow computations. The aim is to evaluate whether these techniques offer fast responses for large networks, especially in cases of convergence or scalability challenges. By focusing on node voltage estimation, this approach aims to detect voltage deviations early, enabling timely corrective interventions for voltage regulation. The method achieves an estimation error that meets predefined constraints, thus avoiding penalties from power suppliers and significantly reducing computational time compared to conventional solutions. This rapid response capability is particularly relevant for scenarios challenging to solve with numerical techniques, such as extended and multi-energy networks.

Le smart grid stanno rivoluzionando la vita urbana utilizzando sensori e dispositivi per migliorare la gestione dei CPSs come le reti di generazione e distribuzione dell’energia. Come evoluzione dei sistemi elettrici tradizionali, le smart grid integrano componenti fisici e computazionali diversi, tra cui sensori, controller e contatori intelligenti, per migliorare il monitoraggio e il controllo della rete. Il raggiungimento di risultati accurati e veloci dello stato del sistema sono cruciali per massimizzare l’efficienza delle infrastrutture, ridurre gli sprechi energetici e minimizzare i costi e l’impatto ambientale. La domanda energetica è dinamica e richiede calcoli in tempo reale per il raggiungimento di una gestione efficace. Le tecniche di ML, in particolare gli algoritmi di DL e i metodi ensemble, sono essenziali per estrarre informazioni dalla vasta mole di dati raccolta dai componenti delle smart grid e soddisfare la necessità di calcoli rapidi e accurati nelle applicazioni industriali. Questa tesi introduce un nuovo approccio basato sul ML per risolvere il problema del flusso di carico in scenari reali. La soluzione utilizza una strategia ensemble che unisce un modello GCN con un modello GBDT. Questa strategia ibrida è progettata per stimare le tensioni dei nodi nelle reti di distribuzione a tedia tensione, tipicamente derivate dai calcoli di flusso di potenza. L’obiettivo è valutare se queste tecniche offrono risposte rapide per grandi reti, e se provvedono garanzia di convergenza e scalabilità. Concentrandosi sulla stima della tensione dei nodi, questo approccio mira a rilevare tempestivamente le deviazioni di tensione, consentendo interventi di correzione tempestivi per la regolazione della tensione. Il metodo raggiunge un errore di stima che soddisfa i vincoli predefiniti, evitando così le penalità imposte dai fornitori di energia e riducendo significativamente i tempi di calcolo rispetto alle soluzioni convenzionali. Questa capacità di risposta rapida è particolarmente rilevante per scenari difficili da risolvere con tecniche numeriche, come le reti estese e multi-energetiche.