A Data-Driven framework for probabilistic optimal power flow in electrical grids with renewable sources

In recent times, the rapid growth in usage of photovoltaic (PV) energy and electric vehicles (EV) has been heavily reshaping the operational functioning of electrical distribution networks by increasing the overall uncertainty level. This work provides an analysis of a network characterized by the integration of distributed energy resources (DERs) with the goal of understanding the roles of these units across different load scenarios, assuming they are allowed to adapt their operation to the network state as permitted by recent technical regulations that support or mandate controllability of small-scale generators (such as inverter-based DERs). The methodology adopted for the analysis relies on the Probabilistic Optimal Power Flow (POPF) integrated within the Monte Carlo simulations framework, where probability density distributions of residential loads in the network are estimated under different conditions and then used as inputs of the POPF to determine the optimal response of DERs in time and load-varying scenarios. These results will serve as a reference for the next part of this work, where the focus shifts to estimating load distributions using Kernel Density Estimation (KDE) and copula-based modeling. Synthetic load profiles will be generated with those approaches, making sure they represent real data well enough, and then new DER distributions will be computed as outputs of the same POPF methodology applied previously. The goal is to obtain results which are comparable to those based on real data, thereby enabling future analyses under a wide range of network scenarios while still preserving a high degree of realism. In conclusion, this work provides a robust foundation for uncertainty-aware grids with DER integration analysis and hints at future development of synthetic and realistic consumption scenarios with the flexibility to incorporate an even wider range of load types.

Negli ultimi tempi, la rapida diffusione dell’energia fotovoltaica (PV) e dei veicoli elettrici (EV) ha profondamente trasformato il funzionamento operativo delle reti di distribuzione elettrica, aumentandone il livello di incertezza. Questa tesi propone l’analisi di una rete caratterizzata dall’integrazione di risorse energetiche distribuite (DER), con l’obiettivo di comprendere il ruolo di queste unità in diversi scenari di carico, assumendo che esse possano adattare il proprio funzionamento allo stato della rete, come consentito dalle recenti normative che supportano o impongono la controllabilità dei generatori di piccola scala. La metodologia adottata in questa tesi si basa sull’utilizzo del Probabilistic Optimal Power Flow (POPF), integrato in un framework di simulazione Monte Carlo. In questo contesto, le densità di probabilità dei carichi residenziali presenti nella rete vengono prima stimate e poi impiegate come input del POPF, al fine di determinare in uscita la risposta ottimale delle DER in diversi scenari che differiscono per variabilità temporale e di carico. Tali risultati saranno poi utilizzati come riferimento per la parte successiva di questa tesi, in cui l’attenzione si sposterà sulle distribuzioni dei carichi, le quali verranno stimate tramite tecniche di Kernel Density Estimation (KDE) e modellazione basata su copule. Profili di carico sintetici verranno generati a partire dalle distribuzioni stimate e nuovi output delle DER saranno calcolati utilizzando lo stesso processo di POPF applicato in precedenza. L’obiettivo è quello di ottenere risultati comparabili a quelli ottenuti attraverso dati reali, aprendo così possibilità di analisi future in un’ampia gamma di scenari di rete differenti, pur mantenendo un elevato grado di realismo.