Adaptive topology-aware genetic algorithm (ATAGA) for distribution network reconfiguration: a planning-oriented case study on the Aosta Valley grid

This thesis proposes a planning-oriented optimization framework for the reconfiguration of distribution networks (DNR), developed in collaboration with DEVAL S.p.A., the electricity Distribution System Operator (DSO) for the autonomous region of Aosta Valley. The main objective is to reduce active power losses and minimize the number of switching operations, focusing on a case study concerning the area of Aosta city served by the Ponte-Pietra Primary Substation (PS). All simulation and validation activities were carried out on a digital twin of the network, developed in the DIgSILENT PowerFactory environment and automated via its Python API interface. The work begins with an exploratory phase based on rule-based strategies, meaning network configurations generated by applying predefined switching rules without the use of optimization algorithms. Four predefined switching profiles were tested: two stochastic (Single-Random and Full-Random) and two deterministic (Step Profile and Top-Hat Profile). Although not designed for optimization, this stage enabled the development of an automated workflow in Python, provided a clearer understanding of the problem’s intrinsic variability, and highlighted the limitations of fixed-rule approaches in handling the combinatorial complexity of the task. These insights ultimately motivated the shift toward more flexible and effective metaheuristic optimization methods. A central contribution of this work is the initial adoption of a reduced switching domain, defined as "switch pairs", each consisting of a normally open switch and its complementary normally closed counterpart, both located within the same secondary substation. The activation of a switch pair corresponds to a coordinated operation: closing the open switch followed by opening the closed one, reconfiguring the network while maintaining a topologically valid --- i.e., radial and connected --- state. This abstraction implicitly ensures topological feasibility, eliminating the need for explicit constraints in the optimization problem. Additionally, it significantly reduces the dimensionality of the search space, resulting in a simplified overall formulation. To explore the set of feasible configurations, a Genetic Algorithm (GA) was employed, implemented in Python using the DEAP library and tuned via Optuna. The algorithm operates on the basis of a fitness function that balances active power loss reduction with the number of switching operations required. To extend the framework to annual planning while limiting computational demands, a $k$-means clustering algorithm was applied to group days with similar consumption and generation profiles. Each cluster was represented by a single representative day, on which the optimization was performed. The optimal switching configuration obtained was then assigned to all other days within the same cluster. This enabled a single quasi-dynamic annual simulation, where each day was assigned the switching pattern of its corresponding cluster, capturing temporal variability with a reduced number of optimization runs. To generalize and validate the methodology, two additional algorithms were developed: a Tabu Search heuristic and a Topology-Aware Genetic Algorithm (TAGA), both operating on the full set of network switches. TAGA was then extended into an adaptive variant, ATAGA, capable of restoring supply even under partially disconnected or faulted conditions. Although the switch pair-based genetic algorithm represents a robust and sound choice, capable of delivering good results with lower complexity and reduced execution time, ATAGA represents the most advanced and forward-looking result of this thesis. Its adaptive design enables operation under both standard and degraded conditions. Moreover, ATAGA presents a promising direction for future development --- yet to be fully explored --- by potentially operating within the switch-pair domain, reducing the parameter space compared to full-switch approaches, potentially accelerating convergence while preserving the algorithm’s flexibility and generalization capabilities. The proposed framework is modular and extensible, offering DSOs a robust decision-support tool suitable for both operational planning and emergency scenarios. Although the models are not yet integrated into production-ready software, this remains a concrete path for future development.

Nel presente lavoro di tesi si propone una metodologia di ottimizzazione orientata alla pianificazione per la riconfigurazione delle reti di distribuzione (DNR), sviluppata in collaborazione con DEVAL S.p.A., il distributore di energia elettrica (DSO) della Regione autonoma Valle d’Aosta. L’obiettivo principale è la riduzione delle perdite di potenza attiva e la minimizzazione del numero di manovre di rete, con riferimento al caso studio relativo all’area della città di Aosta servita dalla Cabina Primaria di Ponte-Pietra. Le attività di simulazione e validazione sono state condotte su un "digital twin" (gemello digitale) della rete, realizzato in ambiente DIgSILENT PowerFactory e automatizzato tramite interfaccia API in linguaggio Python. Il lavoro si apre con una fase esplorativa basata su strategie rule-based, ovvero configurazioni di rete ottenute applicando regole di manovra definite a priori, senza alcun processo di ottimizzazione automatica. Sono stati testati quattro profili di switching predefiniti: due casuali (Single-Random e Full-Random) e due deterministici (Step Profile e Top-Hat Profile). Pur non essendo orientata all’ottimizzazione, questa fase ha permesso di sviluppare un flusso di lavoro automatizzato in Python, comprendere più a fondo la variabilità intrinseca del problema e mettere in evidenza i limiti dei metodi basati su regole fisse nel gestire la complessità combinatoria della rete. Queste considerazioni hanno infine motivato il passaggio a tecniche di ottimizzazione più flessibili ed efficaci, basate su approcci metaeuristici. Un contributo centrale di questo lavoro è stato l’impiego iniziale di un dominio ridotto di interruttori, definito come "switch pairs" (coppie di interruttori), ciascuna composta da un interruttore normalmente aperto e uno complementare normalmente chiuso, entrambi localizzati all’interno della stessa cabina secondaria. L’attivazione di una coppia corrisponde a una manovra coordinata --- chiusura dell’interruttore aperto seguita dall’apertura di quello chiuso --- che riconfigura la rete mantenendola in uno stato topologicamente valido, ovvero radiale e connesso. Questa rappresentazione consente di garantire la validità topologica in modo implicito, evitando la necessità di vincoli espliciti all’interno del problema di ottimizzazione. Inoltre, riduce significativamente la dimensionalità dello spazio di ricerca, semplificando la formulazione complessiva. Per esplorare le configurazioni ammissibili, è stato impiegato un Algoritmo Genetico (GA), implementato in Python tramite la libreria DEAP e ottimizzato nei suoi iperparametri mediante Optuna. L’algoritmo opera sulla base di una funzione obiettivo che bilancia la riduzione delle perdite di potenza attiva con il numero di manovre necessarie. Per estendere il framework alla pianificazione annuale, riducendo il carico computazionale associato all’ottimizzazione di ogni singolo giorno, è stato adottato un algoritmo di clustering $k$-means per raggruppare i giorni con profili simili di consumo e generazione. Ogni cluster è stato rappresentato da un giorno tipo, sul quale è stata condotta l’ottimizzazione. Le configurazioni ottimali così ottenute sono state poi assegnate a tutti gli altri giorni del rispettivo cluster. Ciò ha permesso di effettuare un’unica simulazione annuale quasi dinamica, in cui a ogni giorno è stato associato il profilo di switching corrispondente al proprio cluster, riuscendo così a cogliere la variabilità temporale con un numero limitato di ottimizzazioni. Per validare e generalizzare la metodologia proposta, sono stati sviluppati due ulteriori algoritmi: un’euristica di tipo Tabu Search e un Algoritmo Genetico Topology-Aware (TAGA), entrambi operanti sull’intero insieme di interruttori della rete. TAGA è stato successivamente esteso nella sua variante adattiva, ATAGA, in grado di ripristinare l’alimentazione anche in condizioni di rete parzialmente disalimentata o guasta. Sebbene l’algoritmo genetico basato su coppie di interruttori rappresenti una scelta solida e sensata, in grado di offrire buoni risultati con una complessità inferiore e tempi di esecuzione contenuti, ATAGA costituisce il risultato più avanzato e proiettato verso il futuro di questa tesi. La sua struttura adattiva consente il funzionamento sia in condizioni ordinarie che in scenari di rete fortemente alterati rispetto all’assetto standard. Inoltre, ATAGA apre una promettente direzione di sviluppo --- ancora da esplorare --- legata alla possibilità di operare all’interno del dominio delle switch pairs, riducendo lo spazio dei parametri rispetto agli approcci basati su tutti gli interruttori, accelerando potenzialmente la convergenza dell’algoritmo, pur mantenendo la flessibilità e la capacità di generalizzazione del metodo. Il framework proposto è modulare ed estensibile, offrendo ai DSO uno strumento robusto di supporto decisionale, utile tanto nella pianificazione operativa quanto nella gestione di scenari di emergenza. Sebbene i modelli sviluppati non siano ancora stati integrati in un pacchetto software pronto per l’utilizzo industriale, questa rappresenta una prospettiva concreta per sviluppi futuri.