Machine learning tools for power systems optimal and stable operation
(English) The rapid decarbonization of power systems and the large-scale integration of inverter-based resources (IBRs), high-voltage direct current (HVDC) links, and power-electronics-based technologies are profoundly transforming the dynamic behavior of modern electric grids. These changes introduce new stability challenges, particularly related to small-signal stability, which are not adequately addressed by conventional operational tools. At the same time, system operators face increasing requirements for fast, reliable, and optimal decision-making under highly variable operating conditions. This thesis proposes a comprehensive framework based on machine learning (ML) techniques to support the optimal and stable operation of modern power systems. The core contribution is the development of data-driven surrogate models for small-signal stability assessment and stability performance indicators, enabling their efficient integration into operational decision-making processes. To support this objective, and to address the scarcity of representative training data, an efficient methodology for large-scale synthetic data generation and multidimensional operating space exploration is developed, with particular attention to systems with high penetration of IBRs. Building on these surrogate models, the thesis introduces regression-based small-signal stability constraints that can be embedded into optimization frameworks. In particular, a stability-constrained optimal power flow (SSSC-OPF) formulation is proposed for computing statically feasible and dynamically stable operating points in online operation and operational planning, while a small-signal stability-constrained online feedback optimization (SSSC-OFO) framework is developed to enable continuous, model-free, real-time adjustment of generator dispatch based on measurements. Furthermore, the work addresses the critical role of power electronic converter control by proposing data-driven methods for the selection and assignment of converter control roles in hybrid AC/DC grids. Clustering, dimensionality reduction, and knowledge extraction techniques are employed to identify stability-enhancing control configurations across the system operating space. Finally, a data-driven multi-criteria decision-making framework is presented to support real-time converter control role assignment, combining ML-based performance prediction with operational criteria. Case studies on realistic power system models and academic test systems demonstrate the effectiveness, scalability, and computational advantages of the proposed approaches. Overall, the thesis shows that ML-based tools can significantly enhance the ability of system operators to ensure optimal and small-signal stable operation in future power-electronics-dominated grids. (Català) La ràpida descarbonització dels sistemes elèctrics i la integració a gran escala de recursos basats en inversors (inverter based resources, IBR), enllaços de corrent continu d'alta tensió (high voltage direct current, HVDC) i tecnologies dominades per l'electrònica de potència estan transformant profundament el comportament dinàmic de les xarxes elèctriques modernes. Aquests canvis introdueixen nous reptes d’estabilitat, especialment relacionats amb l’estabilitat de petit senyal, que no són adequadament abordats per les eines operatives convencionals. Al mateix temps, els operadors del sistema s'enfronten a requisits creixents per a una presa de decisions ràpida, fiable i òptima sota condicions d'operació altament variables. Aquesta tesi proposa un marc integral basat en tècniques d'aprenentatge automàtic (machine learning, ML) per donar suport a l'operació òptima i estable dels sistemes elèctrics moderns. La contribució principal és el desenvolupament de models substitutius basats en dades per a l'avaluació de l’estabilitat de petit senyal i dels indicadors de rendiment d’estabilitat, que permeten la seva integració eficient en els processos de presa de decisions operatives. Per gestionar l'escassetat de dades d'entrenament representatives, es desenvolupa una metodologia eficient per a la generació de dades sintètiques a gran escala i l'exploració multidimensional de l'espai operatiu, amb una atenció especial als sistemes amb una elevada penetració d'IBR. A partir d'aquests models substitutius, la tesi introdueix restriccions d'estabilitat de petit senyal basades en una regressió que es poden integrar en marcs d'optimització. En particular, es proposa una formulació de flux òptim de potència amb restriccions d'estabilitat (SSSC-OPF) per calcular punts d'operació estàticament factibles i dinàmicament estables tant en l’operació en línia com en la planificació operativa, mentre que també es desenvolupa un marc d'optimització amb retroalimentació en línia restringida per l'estabilitat de petit senyal (SSSC-OFO) per permetre l'ajustament continu, sense model i en temps real, del repartiment de generació basat en mesures. A més, el treball aborda el paper crític del control dels convertidors electrònics de potència mitjançant la proposta de mètodes basats en dades per a la selecció i assignació dels rols de control dels convertidors en xarxes híbrides AC/DC. S'empren tècniques de clustering, reducció de dimensionalitat i extracció de coneixement per identificar configuracions de control que milloren l'estabilitat al llarg de l'espai d'operació del sistema. Finalment, es presenta un marc de presa de decisions multicriteri basat en dades per donar suport a l'assignació en temps real dels rols de control dels convertidors, combinant la predicció del rendiment basada en ML amb criteris operatius. Els casos d'estudi sobre models realistes de sistemes elèctrics i sistemes de prova acadèmics demostren l'eficàcia, l'escalabilitat i els avantatges computacionals dels enfocaments proposats. En conjunt, la tesi mostra que les eines basades en ML poden millorar significativament la capacitat dels operadors del sistema per garantir una operació òptima i estable en petit senyal en futures xarxes dominades per l'electrònica de potència. (Español) La rápida descarbonización de los sistemas eléctricos y la integración a gran escala de recursos basados en inversores (inverter based resources, IBR), enlaces de corriente continua de alta tensión (high voltage direct current, HVDC) y tecnologías dominadas por la electrónica de potencia están transformando profundamente el comportamiento dinámico de las redes eléctricas modernas. Estos cambios introducen nuevos retos de estabilidad, especialmente relacionados con la estabilidad de pequeña señal, que no son adecuadamente abordados por las herramientas operativas convencionales. Al mismo tiempo, los operadores del sistema se enfrentan a requisitos crecientes para una toma de decisiones rápida, fiable y óptima bajo condiciones de operación altamente variables. Esta tesis propone un marco integral basado en técnicas de aprendizaje automático (machine learning, ML) para apoyar la operación óptima y estable de los sistemas eléctricos modernos. La contribución principal es el desarrollo de modelos sustitutos basados en datos para la evaluación de la estabilidad de pequeña señal y de los indicadores de rendimiento de estabilidad, que permiten su integración eficiente en los procesos de toma de decisiones operativas. Para gestionar la escasez de datos de entrenamiento representativos, se desarrolla una metodología eficiente para la generación de datos sintéticos a gran escala y la exploración multidimensional del espacio operativo, con especial atención a los sistemas con una elevada penetración de IBR. A partir de estos modelos sustitutos, la tesis introduce restricciones de estabilidad de pequeña señal basadas en regresión que pueden integrarse en marcos de optimización. En particular, se propone una formulación de flujo óptimo de potencia con restricciones de estabilidad (SSSC-OPF) para calcular puntos de operación estáticamente factibles y dinámicamente estables tanto en la operación en línea como en la planificación operativa, mientras que también se desarrolla un marco de optimización con retroalimentación en línea restringida por la estabilidad de pequeña señal (SSSC-OFO) para permitir el ajuste continuo, sin modelo y en tiempo real, del reparto de generación basado en medidas. Además, el trabajo aborda el papel crítico del control de los convertidores electrónicos de potencia mediante la propuesta de métodos basados en datos para la selección y asignación de los roles de control de los convertidores en redes híbridas AC/DC. Se emplean técnicas de *clustering*, reducción de dimensionalidad y extracción de conocimiento para identificar configuraciones de control que mejoran la estabilidad a lo largo del espacio de operación del sistema. Finalmente, se presenta un marco de toma de decisiones multicriterio basado en datos para apoyar la asignación en tiempo real de los roles de control de los convertidores, combinando la predicción del rendimiento basada en ML con criterios operativos. Los casos de estudio sobre modelos realistas de sistemas eléctricos y sistemas de prueba académicos demuestran la eficacia, la escalabilidad y las ventajas computacionales de los enfoques propuestos. En conjunto, la tesis muestra que las herramientas basadas en ML pueden mejorar significativamente la capacidad de los operadores del sistema para garantizar una operación óptima y estable en pequeña señal en futuras redes dominadas por la electrónica de potencia.