Supervised learning for optimal investment planning in active distribution networks

Abstract

(English) Due to the exponential growth of electric vehicles and distributed generation in distribution networks, potential congestion in power lines, transformers, and voltage deviations is expected to increase in the coming years. For this reason, the development of modern distribution planning strategies to strengthen grid infrastructure needs to be studied, considering its dynamics and impacts.

This thesis proposes a simulation-based optimization model for active distribution network expansion, capturing nonlinear complexities through AC power flows, voltage stability, and operational constraints. The formulation includes an objective function, constraints, and both traditional and flexible planning actions, focusing on determining the optimal battery power and capacity over projected horizons to defer infrastructure investments.

Additionally, this thesis reviews and compares smart grid measurement devices based on their technical specifications and potential applications in distribution network operation and planning. A recurrent neural network model is also presented for medium- and long-term load forecasting using historical consumption data from medium-voltage (MV) transformer stations. This forecasting model was later integrated with an investment planning model to compare passive and flexible reinforcement actions in a real case study in Spain.

Finally, supervised learning models (Random Forest, XGBoost, LSTM, and SVM) were trained using the proposed optimization model to predict and minimize investment costs, thereby identifying the most effective approach for DSO planning applications. This methodology was tested on a CINELDI network under various electric vehicle charging expansion scenarios and is intended for use in connection request applications.

(Català) A causa del creixement exponencial dels vehicles elèctrics i de la generació distribuïda a les xarxes de distribució, s'espera que la congestió potencial en les línies elèctriques, els transformadors i les desviacions de tensió augmenti en els pròxims anys. Per aquest motiu, cal estudiar el desenvolupament d'estratègies de planificació de distribució modernes per reforçar la infraestructura de la xarxa, tenint en compte la seva dinàmica i els seus impactes.

Aquesta tesi proposa un model d'optimització basat en simulació per a l'expansió de xarxes de distribució activa, capturant les complexitats no lineals a través de fluxos de potència en corrent altern (AC), estabilitat de tensió i restriccions operatives. La formulació inclou una funció objectiu, restriccions i accions de planificació tradicionals i flexibles, amb un enfocament en la determinació de la potència i la capacitat òptimes de les bateries en horitzons projectats per posposar inversions en infraestructures.

Aquesta tesi també revisa i compara dispositius de mesura de xarxes intel·ligents segons les seves especificacions tècniques i les aplicacions potencials en l'operació i planificació de xarxes de distribució. A més, es presenta un model de xarxa neuronal recurrent per a la previsió de càrrega a mitjà i llarg termini, utilitzant dades històriques de consum d'estacions transformadores de mitjana tensió. Posteriorment, aquest model de previsió es va integrar amb un model de planificació d'inversions per comparar accions de reforç passives i flexibles en un cas d'estudi real a Espanya. Finalment, es van entrenar models d'aprenentatge supervisat (Random Forest, XGBoost, LSTM i SVM) amb el model d'optimització proposat per predir i minimitzar els costos d'inversió, identificant així l'enfocament més efectiu per a aplicacions de planificació de DSO. Aquesta metodologia es va provar en una xarxa CINELDI sota diversos escenaris d'expansió de càrrega de vehicles elèctrics i està destinada a ser utilitzada en aplicacions de sol·licitud de connexió.

(Español) Debido al crecimiento exponencial de los vehículos eléctricos y de la generación distribuida en las redes de distribución, se prevé que en los próximos años aumenten la congestión en las líneas eléctricas y los transformadores, así como las desviaciones de tensión. Por este motivo, es necesario estudiar estrategias de planificación para reforzar la infraestructura de la red, considerando la dinámica y flexibilidad del sistema.

Esta tesis propone un modelo de optimización basado en simulación para la expansión activa de la red de distribución, considerando flujos de potencia dinámicos, estabilidad de tensión y restricciones operativas. La formulación incluye una función objetivo, restricciones y variables de decisión tanto tradicionales como flexibles. La variable de decisión flexible está orientada a determinar la potencia y la capacidad óptimas de una batería en escenarios futuros, con el fin de posponer las inversiones en la infraestructura.

Asimismo, se revisan y comparan dispositivos de medición de redes inteligentes según sus especificaciones técnicas y aplicaciones potenciales en la operación y planificación de redes de distribución. Además, se presenta un modelo de red neuronal recurrente para la previsión de carga a medio y largo plazo, utilizando datos históricos de consumo de estaciones transformadoras de media tensión. Posteriormente, este modelo de previsión se integró con un modelo de planificación de inversiones para comparar acciones de refuerzo pasivas y flexibles en un caso de estudio real en España.

Por último, se entrenaron varios modelos de aprendizaje supervisado (Random Forest, XGBoost, LSTM y SVM) junto con el modelo de optimización para predecir y minimizar los costes de inversión, identificando así el enfoque más eficaz en la planificación de los DSO. Esta metodología se aplicó a una red CINELDI bajo distintos escenarios de expansión de la recarga de vehículos eléctricos y está pensada para su uso en solicitudes de conexión.