Sviluppo di modelli di rete di distribuzione e di algoritmi per la pianificazione nella transizione energetica = Development of distribution network models and algorithms for planning in the energy transition

L’introduzione di nuove tecnologie e il continuo sviluppo dei sistemi elettrici comportano un aumento delle potenziali criticità che possono influire sulle prestazioni e sulla stabilità delle reti di distribuzione. Nei prossimi anni si prevede un sensibile incremento dei cosiddetti carichi non ordinari, come le colonnine di ricarica per veicoli elettrici e le pompe di calore; a questi si aggiunge la crescente penetrazione di sistemi di generazione distribuita (DG), in particolare alimentati da fonti rinnovabili non programmabili (eolico e fotovoltaico su tutte). Per far fronte a tali sfide, in questa trattazione si propone di realizzare uno strumento di supporto decisionale che, a partire dalle informazioni sulla rete, individui il modo ottimale di posizionare i nuovi carichi e le fonti di generazione all’interno di una rete di distribuzione in media tensione. Lo strumento sviluppato è alla base di un futuro Digital Twin (DT), ovvero la rappresentazione digitale di un sistema fisico reale. Nel caso specifico, è stato costruito il modello virtuale di tre reti di distribuzione (una rappresentativa di un sistema reale e due fornite dai distributori del progetto europeo TWIN-EU), utilizzando i dati topologici elettrici delle reti e le informazioni sui carichi connessi alle cabine secondarie (CS) forniti dai gestori. Il calcolo dei flussi di potenza è stato implementato tramite il metodo del Backward-Forward Sweep (BFS), particolarmente efficace in presenza di reti di distribuzione radiali. Dopo aver valutato l’incremento previsto di queste tipologie di carico e di generazione, attraverso stime riferite all’anno 2030, è stato implementato un algoritmo genetico (GA) con lo scopo di individuare il migliore posizionamento di questi carichi e delle DER all’interno della rete. Il fine è quello di minimizzare le perdite complessive e uniformare la distribuzione di esse tra i diversi utenti. Per raggiungere questo fine, è stato utilizzato come indicatore il valore delle perdite allocate ai nodi, che consente di valutare l’impatto delle diverse configurazioni dei carichi sulle prestazioni della rete. I risultati ottenuti sono stati successivamente confrontati con quelli derivanti da un approccio euristico tradizionale per valutare l’efficacia e la robustezza del metodo proposto. Le simulazioni hanno evidenziato come il metodo basato sul GA consenta di ottenere soluzioni migliori e con maggiore flessibilità rispetto al metodo euristico, offrendo, infatti, la possibilità di affrontare un problema di tipo multi-obiettivo, in cui possono essere soddisfatti contemporaneamente più criteri. Perciò la funzione di fitness del GA è stata creata in modo da assegnare diversi pesi agli obiettivi, che possono essere modificati a seconda di quale obiettivo si voglia favorire, garantendo maggiore flessibilità.?? Tra gli aspetti negativi riscontrati, si osserva come i tempi di calcolo siano nettamente superiori per il GA (intorno a 10 minuti), ma esso è considerabile un problema minore in quanto l’algoritmo lavora sulla pianificazione con un ordine temporale di molteplici anni.