A two-step integrated framework for evaluating the impact of electric mobility

The increasing penetration of electric vehicles (EVs) demands a thorough analysis of their impact on the distribution grid: this thesis addresses the challenge with a two-pronged geo-referenced approach. Firstly, the number of EVs is estimated and geographically mapped using publicly available traffic data and a Machine Learning model trained on a public dataset and implemented on a case study for the traffic in Lombardy region. Secondly, these vehicles are integrated in the distribution network to assess their impact on the power system. Since real grid data is either confidential or overly generalized, a procedure to create a synthetic, geo-referenced grid able to replicate the characteristics of the real network using primarily public data is developed. Lastly, the two frameworks are integrated to analyse the impact of EVs, comparing the results obtained using the real grid with those from the synthetic model developed.

La crescente penetrazione di veicoli elettrici (VE) richiede un'approfondita analisi del loro impatto sulla rete di distribuzione. Questa tesi affronta la sfida presentando un approccio duale geo-referenziato. In una prima procedura il numero di VE è stimato e collocato geograficamente utilizzando dati pubblicamente disponibili e un modello di Machine Learning allenato su di dati pubblici viene implementato su un caso studio del traffico in Lombardia. Successivamente, è necessario integrare i veicoli nella rete di distribuzione per stimare il loro impatto sul sistema. Stante che i dati delle reti reali sono confidenziali o estremamente generici, viene sviluppata una procedura per creare una rete sintetica e geo-referenziata in grado di replicare le caratteristiche della rete reale utilizzando principalmente dati pubblici. Infine, i due metodi vengono integrati per analizzare l'impatto dei VE, comparando i risultati ottenuti sulla rete reale e sul modello sintetico sviluppato.