Data-driven model identification for MPC secondary voltage control : predictive models and simulations with real data matlab implementation

The Italian transmission network is being transformed by the growth of renewable energy and national decarbonization goals, making system stability and optimal voltage profiles essential for reliability and to avoid voltage collapse or service degradation. This thesis proposes and develops an advanced predictive control methodology for Secondary Voltage Regulation (SVR) in the transmission network, based on time-series models such as ARX, ARMAX, ARIMAX, Box–Jenkins, and N4SID. The methodology integrates automatic prefiltering, iterative model tuning, and performance evaluation through RMSE, AIC/BIC, and Fit% indices, validated on real data provided by Terna S.p.A. related to the Sicilian transmission network and to simulated scenarios generated through DIgSILENT models of a generic 14-bus network and a larger network of approximately 300 buses (Sardinian transmission grid). The project methodology follows two phases: a training phase, in which the model is developed using a historical input dataset, and a validation phase, performed on an independent dataset. This approach ensures the separation between calibration and testing data. Robust filtering pre-processing and optimal parameter selection strategies have been implemented to enhance the accuracy and stability of the predictions. The proposed framework supports both single-channel prediction (Single Input Single Output) and multi-channel prediction (Multi Input Multi Output), enabling the analysis of the impact of power variations at multiple network points on voltage dynamics and forecast quality. The obtained results confirm the proposed models can be adopted in an accurate short-term voltage forecasts, enabling proactive secondary regulation that improves system stability, robustness, and service quality. The study further points out that these predictive algorithms have the potential to be integrated into adaptive control schemes, using State-Space (SS) matrices obtained from the models to enable Model Precitive Control (MPC) based strategies in tune with the energy transition objectives.

La rete di trasmissione italiana, spinta dall’integrazione delle rinnovabili e dagli obiettivi di decarbonizzazione, richiede il mantenimento della stabilità e di un profilo di tensione ottimale per garantire affidabilità e prevenire collassi o degrado del servizio. Questa tesi propone e sviluppa una metodologia avanzata di controllo predittivo per la regolazione secondaria della tensione (SVR) nella rete di trasmissione, basata su modelli di serie temporali di tipo: ARX, ARMAX, ARIMAX, Box–Jenkins e N4SID. La metodologia integra una fase di prefiltraggio automatico e la valutazione delle prestazioni qualitative di un metodo tramite indici statistici RMSE, AIC/BIC e Fit% analizzando sia i dati reali forniti dalla società Terna S.p.A. relativi alla rete di trasmissione siciliana, sia a scenari simulati generati tramite modelli DIgSILENT di una rete generica a 14 bus e di una rete più estesa di circa 300 bus, pensata per emulare le caratteristiche elettriche della rete di trasmissione sarda. La metodologia segue un processo in due fasi: una fase di addestramento del modello su una collezione di dati storici di ingresso e una fase di validazione su una collezione di dati indipendenti. Questo approccio garantisce una separazione tra dati di calibrazione e di verifica, implementando tecniche di filtraggio robusto e strategie di selezione ottimale dei parametri per incrementare l’accuratezza e la stabilità delle previsioni. L’architettura proposta consente sia la predizione a singolo canale (Single Input Single Output), sia la predizione multi-canale (Multi Input Multi Output), valutando l’effetto di variazioni di potenza su più punti della rete e il loro impatto sulla dinamica di tensione e sulla qualità delle previsioni. Mediante i risultati ottenuti, si conferma il fatto che tali modelli forniscano previsioni di tensione accurate, robuste ed efficienti a livello funzionale. Inoltre, la loro integrazione con le nuove tecnologie guidate, grazie all’utilizzo delle matrici Spazio-Stato ottenute dagli stessi modelli, secondo schemi di sviluppo MPC è coerente con gli obiettivi di transizione energetica e decarbonizzazione.