Graph-Based Connectivity and Information Model for Optimizing Distribution Network Management in SPEN

Abstract

Este trabajo presenta un grafo de conocimiento multinivel para redes de distribución eléctrica, que integra en un único modelo la estructura de los activos, su contexto geoespacial y los indicadores socioeconómicos de las zonas que abastecen. Un proceso ETL reproducible (extracción, transformación y carga) integra datos de múltiples fuentes heterogéneas, estandariza formatos y vincula los registros a una ontología. El resultado es un grafo conectado que permite realizar análisis y visualizaciones avanzadas entre dominios. El sistema se despliega en dos configuraciones: una instancia de Neo4j en Docker para desarrollo y una implementación de Amazon Neptune en la nube privada segura de Scottish Power Energy Networks (SPEN).

Varios análisis y un caso de estudio demuestran la capacidad del modelo para relacionar datos técnicos de la red con su contexto social y geográfico. Entre los ejemplos se incluyen la identificación de hogares rurales con demanda muy baja en áreas de alta privación, la evaluación de la accesibilidad a cargadores de vehículos eléctricos a partir de los tiempos de viaje en la red viaria y la generación de puntuaciones compuestas de criticidad de activos que equilibran la fiabilidad técnica con la vulnerabilidad social.

El grafo constituye una base sólida, extensible y reproducible para la planificación de la red con criterios de equidad. Sus limitaciones incluyen la ausencia de ciertos parámetros eléctricos y la dependencia de conjuntos de datos abiertos con distintos niveles de detalle y completitud. El trabajo futuro incorporará datos operativos en tiempo real, mejorará la resolución espacial de los indicadores socioeconómicos y validará el enfoque en redes de mayor tamaño y con topologías malladas, avanzando progresivamente hacia el desarrollo de gemelos digitales precisos de sistemas de distribución eléctrica.This thesis presents a multi-layer knowledge graph for electricity distribution networks, integrating asset structure, geospatial context, and socio-economic indicators into a unified analytical model. A reproducible ETL (extract, transform, load) pipeline ingests data from multiple heterogeneous sources, standardises formats, and maps records to an ontology, producing a connected graph suitable for advanced cross-domain analysis and visualisation. The system is deployed in two configurations: a Dockerised Neo4j instance for development and an Amazon Neptune deployment within Scottish Power Energy Network’s (SPEN) secure private cloud.

Several analyses and a case study demonstrate the model’s ability to link technical network data with social and spatial context. Examples include identifying rural households with very low demand in high-deprivation areas, assessing electric-vehicle charger accessibility using road-network travel times, and generating composite asset criticality scores that balance technical reliability and social vulnerability considerations.

The graph offers a robust, extensible, and reproducible foundation for equity-focused network planning and decision-making. Limitations include the absence of certain electrical parameters and reliance on open datasets with differing levels of detail and completeness. Future work will incorporate real-time operational data, improve the spatial resolution of socio-economic indicators, and validate the approach on larger, meshed networks, moving progressively towards the development of accurate digital twins for electricity distribution systems.