The purpose of this thesis was to examine how futureinvestments in new techniques such as solar cellsystems, electric vehicle chargers and energy storageat end costumers would affect the rural electricitygrid based on two future scenarios. The main issuepredicted with investments in this new technology atend users are over utilization of the electricitygrid if the new technique is not used in a proper wayin order to avoid high power peaks. By studying real electricity consumption as it appearstoday and adding charging of an electric vehicleaccording to the two scenarios (with our withoutenergy storage and solar cell electricity production)new usage patterns could be determined. Theseusage patterns could then be inserted insimulations of three real electricity grids for studiesof the effect on the electricity grids. The conclusion is that the electricity grids ingeneral are oversized regarding thermal loading whilstthe fuses at the end costumer need to be reinforced inorder to not get over utilized in the scenario where noenergy storage was implemented. Only one of the gridswas shown to be over utilized when all customers wasequipped with the new techniques and the grid wasdensified. Otherwise, in the other grids and scenariosonly some conductors were over utilized. However, whatwas shown to be a problem was the voltage drop at theend customer’s facilities which was higher than theallowed value of 5%.According to this the grid was shownto be over utilized. As a final conclusion it can be shown that the voltagedrop decides the design of the grids and that thepower grid companies probably should consider newpossible business strategies.

Transportsektorn står inför en omställning från förbränningsfordon till eldrivna fordon. Detta är en åtgärd för att minska koldioxidutsläppet inom transportsektorn och därmed reducera klimatpåverkan. Syftet med studien är att undersöka hur en ökad effektanvändning i form av elbilsladdning påverkar Gävles lokala elnät samt hur olika laddtekniker påverkar elnätet. Bakgrunden till studien grundar sig att elnätsföretaget vill öka medvetenheten om hur elnätets beredskap ser ut för en ökad elbilsladdning. Att undersöka elbilsladdningens påverkan på elnätet är av stor nytta för elnätsföretaget, men även andra som undersöker elbilsladdnings påverkan i elnätet kan ha användning för studien. Ämnet elbilsladdning är mycket aktuellt och många studier undersöker olika delar som berör elbilsladdning. Tidigare studier undersöker även olika typer av laddtekniker och hur smart laddning minska påverkan i elnätet. Smart laddning kan anpassa elbilsladdningen genom att styra den efter olika styrsignaler och sammankoppla hela elnätet. Denna studie undersöker delar av Gävles lokala elnät genom att simulera befintliga mätvärden lågspänningsnätet samt olika typer av elbilsladdning. Studien analyserar effektanvändningen av befintliga mätdata samt belastningsström och spänningsfall i elnätet med varierande lastprofiler i fyra olika områden. Resultatet för denna studie visar att elbilsladdning påverkar elnätet, vilket beror på vilken typ av laddteknik som används samt dimensioneringen av elnätet. Studien visar att elanvändningen i området idag har effekttoppar på eftermiddag och kväll när kunderna består av villakunder men att effekttoppen kan vara mitt på dagen där det finns industrier. Med elbilsladdning ökar belastningen samt spänningsfallet i nätet och en del av säkringarna i nätet löser ut. Laddning med 11 kW mellan kl. 16:00-19:00 samt laddning med effektvakt på 13,8 kW ger störst belastning och spänningsfall. Laddning utan styrning är den laddteknik som påverkar elnätet mest men laddning med effektvakt orsakar också problem. Laddning med 5,5 kW mellan kl. 23:00-06:00 samt när endast 50% av alla kunder laddar med 11 kW mellan kl. 16:00-19:00 är de scenarion som påverkar elnätet minst. Laddning med en låg effekt under natten när grundlasten är som lägst är den laddteknik som är mest gynnsam för elnätet. Studien visar även att nätet klarar en högre belastning av elbilsladdning inom en snar framtid om endast en del av kunderna i nätet använder elfordon. / The transport sector is facing a transition from combustion engine vehicles to electric vehicles. Through this action the carbon dioxide emissions in the transport sector can be reduced. The purpose of this study is to observe how an increased power use from electric vehicle charging (EVC) affects the local electricity grid in Gävle. The study also addresses how different charging techniques affect the electricity grid. The background of this study is to the increase awareness of the capacity of the electricity grid. There is a need from the electricity grid company to look over the impact on the grid from EVC. This could also be useful for others looking over the impact on the electricity grid from EVC. This is a hot topic and lots of other studies look over the different aspects of EVC. Previous studies also examine different types of charging techniques and how smart charging reduces the negative impact on the electricity grid. Smart charging is a way to adjust the EVC by regulating it after different parameters and connecting the entire electrical grid. This study simulates existing measured values of the low-voltage grid in Gävle and various types of EVC. This study examines the power use of existing measurement data as well as load current and voltage drops in the electricity grid with different load profiles in four different areas. Results from this study shot that EVC affects the electricity grid, to what extent depends on the type of charging technology used and the dimensions of the electricity grid. The study shows that electricity use in the area has power peaks in the afternoon and evening with residential customers, but power peaks tend to be in the middle of the day if there are industries in the area. EVC increase the load on the electricity grid, causes voltage drops and a few fuses in the grid to be triggered. Charging with 11 kW between 16:00-19:00 and charging with a power monitor of 13.8 kW create the greatest voltage drops and highest load on the grid. Charging without means of control affects the electricity grid the most but charging with a power monitor also creates problems. Charging with 5.5 kW between 23:00-06:00 as well as when only 50 % of all customers charge with 11 kW between 16:00-19:00 impacts the grid the least. Charging with low power during the night when the base load is at its lowest is the charging technology that is most favorable for the electricity grid. Results also show that the grid can handle a higher load of EVC in the near future if only some of the customers in the network start using electric vehicles.

Detta examensarbete har utförts på uppdrag av Terco. Tercos PST 2220Transmission Line and Distribution Module fungerar som en fysisk modellav ett verkligt transmissions- eller distributionsnät där fem olika typer av nätmed avseende på längd, spänningsnivå och skenbar effekt är möjliga. Idagfinns ett behov av en modell där användaren kan ställa in dessa parametrarså att modellen mer precist kan spegla vilka egenskaper det specifika nätethar. Här undersöks hur längden och dess inverkan på en ledning kan varierasi en modell.En presentation av hur transmissions- och distributionsnät fungerar ochbeskrivs teoretiskt lägger grunden till den modell och de två approximationersom kan beskriva ett helt näts egenskaper.Då R, L och C komponenterna behöver kunna varieras för att fysisktkunna realisera denna teoretiska modell undersöks vilka metoder som dettakan genomföras på. För detta undersöks två tillvägagångssätt, kaskadkopp-lad pi-modell och variabel aktiv-passiv reaktans.Flera aspekter som utrymme, kostnad och variabilitet gör att varia-bel aktiv-passiv reaktans är att föredra. Dess funktion som en varierbarspänningskälla, uppbyggd av switchar styrda med reglerteknik och puls-breddsmodulering gör att komponenterna R, L och C och dess egenskaperoch inverkan på en transmissionslinje kan åstadkommas. Resultatet är attde nödvändiga R,L,C komponenterna går att variera i storlek för att kunnaingå i en varierbar transmissionsledningsmodell.Resultatet och målen säkerställs med simuleringar där variabel aktiv-passiv reaktans visas kunna vidareutvecklas och praktiskt testas för att mo-dellera transmissions- och distributionsnät med olika längd. Nyckelord. Variabilitet, Inverterare, Impedans, DC-AC, Pulsbreddsmodu-lering, Övertoner, Transmissionsledning, Spänningsfall, Reaktiv effekt. / This diploma work has been carried out on behalf of Terco. TercosPST 2220 Transmission Line and Distribution Module works as a physicalmodel of a real transmission and distribution grid where five different typesof networks based on length, voltage and apparent effect are available. Thereis today a need of a model where the user self can adjust these parameters sothat the model more precisely can reflect the characteristics that the specificgrid has. Here it’s investigated how the length and its impact on a line canbe varied in a model.A presentation of how the transmission and distribution grid works andare described theoretically provides the basics for the different models thatcan describe a whole network and its properties.Since the R, L and C components needs to be able to be varied to be ableto physically realize this theoretical model, the different methods that thiscan be realized through are investigated. Two approaches are investigated,the cascaded pi-model and variable active-passive reactance (VAPAR).A number of aspects like space, cost and variability makes the variableactive-passive reactance the most suited solution. Its function as a variablevoltage source, made out of an four switches, operated with control techno-logy and pulse width modulation, makes it possible to imitate R, L and Csproperties and effect on a transmission line. The result is that the necessaryR,L,C components are made adjustable in order to be incorporated in aadjustable transmission lin model.The result and the goal are verified with simulations where variableactive-passive reactance is proved able for further development and practicaltests to model transmission and distribution lines with different length. Keywords. Variability, Inverter, Impedance, DC-AC, Pulse width modula-tion, Harmonics, H-bridge, Transmission line, Voltage drop, Reactive effect.

Accurate estimation of voltage drop (IR drop), in Application-Specific Integrated Circuits (ASICs) is a critical challenge, which impacts their performance and power consumption. As technology advances and die sizes shrink, predicting IR drop fast and accurate becomes increasingly challenging. This thesis focuses on exploring the application of Machine Learning (ML) algorithms, including Extreme Gradient Boosting (XGBoost), Convolutional Neural Network (CNN) and Graph Neural Network (GNN), to address this problem. Traditional methods of estimating IR drop using commercial tools are time consuming, especially for complex designs with millions of transistors. To overcome that, ML algorithms are investigated for their ability to provide fast and accurate IR drop estimation. This thesis utilizes electrical, timing and physical features of the ASIC design as input to train the ML models. The scalability of the selected features allows for their effective application across various ASIC designs with very few adjustments. Experimental results demonstrate the advantages of ML models over commercial tools, offering significant improvements in prediction speed. Notably, GNNs, such as Graph Convolutional Network (GCN) models showed promising performance with low prediction errors in voltage drop estimation. The incorporation of graph-structures models opens new fields of research for accurate IR drop prediction. The conclusions drawn emphasize the effectiveness of ML algorithms in accurately estimating IR drop, thereby optimizing ASIC design efficiency. The application of ML models enables faster predictions and noticeably reducing calculation time. This contributes to enhancing energy efficiency and minimizing environmental impact through optimised power circuits. Future work can focus on exploring the scalability of the models by training on a smaller portion of the circuit and extrapolating predictions to the entire design seems promising for more efficient and accurate IR drop estimation in complex ASIC designs. These advantages present new opportunities in the field and extend the capabilities of ML algorithms in the task of IR drop prediction. / Noggrann uppskattning av spänningsfallet (IR-fall), i ASIC är en kritisk utmaning som påverkar deras prestanda och strömförbrukning. När tekniken går framåt och formstorlekarna krymper, blir det allt svårare att förutsäga IR-fall snabbt och exakt. Denna avhandling fokuserar på att utforska tillämpningen av ML-algoritmer, inklusive XGBoost, CNN och GNN, för att lösa detta problem. Traditionella metoder för att uppskatta IR-fall med kommersiella verktyg är tidskrävande, särskilt för komplexa konstruktioner med miljontals transistorer. För att övervinna det undersöks ML-algoritmer för deras förmåga att ge snabb och exakt IR-falluppskattning. Denna avhandling använder elektriska, timing och fysiska egenskaper hos ASIC-designen som input för att träna ML-modellerna. Skalbarheten hos de valda funktionerna möjliggör deras effektiva tillämpning över olika ASIC-designer med mycket få justeringar. Experimentella resultat visar fördelarna med ML-modeller jämfört med kommersiella verktyg, och erbjuder betydande förbättringar i förutsägelsehastighet. Noterbart är att GNNs, såsom GCN-modeller, visade lovande prestanda med låga prediktionsfel vid uppskattning av spänningsfall. Införandet av grafstrukturmodeller öppnar nya forskningsfält för exakt IRfallförutsägelse. De slutsatser som dras betonar effektiviteten hos MLalgoritmer för att noggrant uppskatta IR-fall, och därigenom optimera ASICdesigneffektiviteten. Tillämpningen av ML-modeller möjliggör snabbare förutsägelser och märkbart minskad beräkningstid. Detta bidrar till att förbättra energieffektiviteten och minimera miljöpåverkan genom optimerade kraftkretsar. Framtida arbete kan fokusera på att utforska skalbarheten hos modellerna genom att träna på en mindre del av kretsen och att extrapolera förutsägelser till hela designen verkar lovande för mer effektiv och exakt IR-falluppskattning i komplexa ASIC-designer. Dessa fördelar ger nya möjligheter inom området och utökar kapaciteten hos ML-algoritmer i uppgiften att förutsäga IR-fall.