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

Abstract

Los operadores de redes de distribución eléctrica deben equilibrar el desafío técnico de mantener redes fiables con la responsabilidad social de garantizar resultados justos para las comunidades a las que prestan servicio. Alcanzar este objetivo resulta complejo, dado que los datos sobre activos de red, información geográfica y factores sociales suelen encontrarse fragmentados en diferentes formatos y sistemas. Este proyecto presenta un sistema de grafos de conocimiento que integra tres tipos de información: (i) la topología de los activos de la red, (ii) el contexto geoespacial y (iii) los indicadores socioeconómicos. Para construirlo, se emplea un proceso ETL reproducible que estandariza y enlaza estos datos heterogéneos mediante una ontología de dominio, dando lugar a un grafo escalable y consultable que facilita el análisis interdisciplinar. El marco se despliega en dos entornos: una instancia local de Neo4j para desarrollo y pruebas, y una implementación empresarial segura en la nube privada de Scottish Power Energy Networks (SPEN) mediante Amazon Web Services Neptune. La utilidad del sistema se demuestra mediante caso de estudio que abarcan: (i) la identificación de hogares rurales con baja demanda eléctrica en zonas de alta privación social, (ii) la evaluación de la accesibilidad a cargadores de vehículos eléctricos a partir de tiempos de viaje por la red viaria y (iii) el cálculo de niveles de criticidad de activos que combinan fiabilidad técnica y vulnerabilidad social. Los resultados evidencian que el marco propuesto constituye una base práctica, transparente y verificable para la planificación y operación de redes con criterios de equidad, a la vez que ofrece un soporte sólido para evaluar e impulsar decisiones de inversión que equilibren resiliencia y justicia social.

Electricity distribution network operators must balance the technical challenge of maintaining reliable networks with the social responsibility of delivering fair outcomes for the communities they serve. Achieving this is difficult because data on network assets, geography, and social factors are often fragmented across different formats and systems. This paper presents a knowledge graph framework that unifies three layers of information: (i) asset topology, (ii) geospatial context, and (iii) socio-economic indicators. A reproducible ETL pipeline standardises and links these heterogeneous datasets to a domain ontology, producing a scalable, queryable graph that supports cross-domain analysis across spatial granularities. The framework is deployed in two environments: a local Neo4j instance for development and testing, and a secure enterprise deployment on Scottish Power Energy Networks’ (SPEN) private cloud using Amazon Web Services Neptune. Its value is demonstrated through case studies, including: (i) identifying rural households with low electricity demand in high-deprivation areas, (ii) assessing accessibility of electric vehicle chargers using road-network travel times, and (iii) calculating asset-criticality scores that combine technical reliability with social vulnerability. The results show that the framework provides a practical, transparent, and auditable foundation for equity-aware network planning and operation, while offering a powerful basis for evaluating policy options and guiding investment decisions that balance resilience and fairness.