Optimization methodologies for planning Electric Vehicle Charging infrastructure in distribution grids

This thesis investigates the optimal planning of electric vehicle charging stations (EVCS) in electrical distribution networks. It addresses the main challenges of large-scale electric vehicles (EVs) integration, including voltage deviation, power losses, feeder congestion, and hosting capacity limitations, while considering technical, economic, and operational aspects relevant to distribution system operators (DSOs), investors, and end users. Four optimization methodologies, linear programming (LP), genetic algorithm (GA), particle swarm optimization (PSO), and deep deterministic policy gradient (DDPG), were implemented through an automated PowerFactory-Python co-simulation framework. This environment executed thousands of real power-flow iterations, allowing the learning and evolutionary algorithms to progressively identify optimal solutions and reproduce a realistic planning process on the CIGRÉ 20 kV benchmark network. The setup integrated stochastic EV charging behaviour, distributed generation, and operational constraints. Results show that effective EVCS planning improves network performance by enhancing hosting capacity and voltage stability. Among the tested methods, GA achieved the highest capacity utilization, PSO offered the best balance between allocation and convergence, and DDPG demonstrated a fast adaptive learning. Hybrid approaches combining deterministic and heuristic techniques proved most effective for large-scale applications. Overall, the research confirms that EVCS planning is a complex, multi-objective problem that requires integrating deterministic optimization, metaheuristic exploration, and learning-based adaptation. The proposed framework provides practical guidance for developing sustainable, reliable, and data-driven EV infrastructure aligned with smart-grid and decarbonization goals.

La presente tesi analizza la pianificazione ottimale delle stazioni di ricarica per veicoli elettrici (EVCS) nelle reti di distribuzione. Il lavoro affronta le principali sfide legate all’integrazione su larga scala dei veicoli elettrici, tra cui deviazioni di tensione, perdite di potenza, congestione delle linee e limitazioni della capacità di accoglienza, considerando gli aspetti tecnici, economici e operativi rilevanti per gli operatori di rete (DSO), gli investitori e gli utenti finali. Sono state implementate quattro metodologie di ottimizzazione: programmazione lineare (LP), algoritmi genetico (GA), particle swarm optimization (PSO) e deep deterministic policy gradient (DDPG), applicate attraverso un ambiente di co-simulazione automatizzato PowerFactory-Python. Sono state eseguite migliaia di iterazioni di power flow, permettendo agli algoritmi di identificare progressivamente le soluzioni ottimali e di riprodurre un processo realistico di pianificazione della rete sul sistema di riferimento CIGRÉ a 20 kV. L’impianto di simulazione ha integrato il comportamento stocastico della ricarica dei veicoli elettrici, la generazione distribuita e i vincoli operativi.. I risultati mostrano che una pianificazione efficace delle EVCS migliora le prestazioni della rete, aumentando la capacità di accoglienza e la stabilità della tensione. Tra i metodi analizzati, l’Algoritmo Genetico ha raggiunto la massima utilizzazione della capacità, la PSO ha offerto il miglior equilibrio tra allocazione e convergenza, mentre il DDPG ha mostrato un apprendimento adattivo rapido. Le strategie ibride, che combinano approcci deterministici ed euristici, si sono rivelate le più efficaci per applicazioni su larga scala. Nel complesso, la ricerca conferma che la pianificazione delle stazioni di ricarica è un problema complesso e multi-obiettivo che richiede l’integrazione di ottimizzazione deterministica, esplorazione metaeuristica e adattamento basato sull’apprendimento. Il framework proposto fornisce indicazioni pratiche per lo sviluppo di infrastrutture di ricarica sostenibili, affidabili e basate sui dati, in linea con l’evoluzione delle smart grid e con gli obiettivi di decarbonizzazione.