Deployment of distributed generation (DG) is happening at an increasing rate driven by both the need for the reduction of humanity's carbon footprint and economic opportunities. The trend of increasing penetration levels of DG has also introduced interdependence between the responsibilities of system operators and the owners of the generating units. To fully accommodate distributed generation in the system, these interdependencies and the accompanying operational challenges need to be addressed. At the same time, the development of information and communication technologies within power systems has enabled access to immense information collected from the grids, such as the wide-area synchrophasor measurements. To utilize the increasing amounts of collected information and address the challenges of DG integration, novel applications can be developed by using data-driven methodologies.  This thesis aims to investigate if such data-driven approaches are sufficiently reliable, timely and accurate to address the DG integration challenges appearing across the responsibility areas. 

To explore the capabilities of data-driven approaches, two impacts of DG were studied in this thesis. First, different types of islanding detection methods were proposed. The data-driven methods for computing sensitivity parameters as seen from a distribution-level generator were developed and integrated within a proposed local islanding detection method. It was shown that such estimation methods enable a reliable and timely islanding detection by the use of field measurements. Next, synchrophasor-based remote islanding detection methods were developed as a tool for the situational awareness of system operators. It was shown that the dimensionality of the voltage angle measurements can be utilized to distinguish between islanding and other types of events using a data-driven approach. 

The other impact of DG that was addressed is the modelling of distribution networks in dynamic studies of a transmission network. A large number of existing approaches to dynamic modelling were identified pointing to the need for a model structure selection procedure. Thus, a data-driven modelling approach that selects an optimal model structure and evaluates the uncertainty of the models' outputs was proposed. The models' uncertainty was then used to select only informative events for parameter identification and to thereby reduce its computational burden. The performance of the method was demonstrated by using it to derive an optimal equivalent model of a modified CIGRE network.

Through the aforementioned contributions, the thesis shows that the increasing observability of the systems enables data-driven methodologies to address the challenges of DG integration. 

Utbyggnaden av distribuerad generering (DG) sker i en ökande takt, drivet av behovet av att minska mänsklighetens koldioxidavtryck och av ekonomiska möjligheter. Trenden med ökande penetrationsnivåer av DG har också infört ett ömsesidigt beroende mellan aktörerna i elsystsmet, inkluderande både producenter och nätägare. För att fullt ut kunna hantera DG i elsystemet måste dessa ömsesidiga beroenden och de åtföljande operativa utmaningarna åtgärdas. Parallellt med detta har utvecklingen av informations- och kommunikationsteknologier möjliggjort tillgång till enorma mängder data som samlats in från näten exempelvis synkroniserade fasvinkelmätningar. För att utnyttja de ökande mängderna insamlad information och möta utmaningarna med DG-integrationen, kan eventuellt nya applikationer utvecklas med hjälp av datadriven metodik. Denna avhandling syftar till att undersöka om de datadrivna tillvägagångssätten är tillräckligt tillförlitliga, snabba och precisa för att ta itu med de utmaningar som uppkommer på grund av DG-integrationen.

För att utforska fördelarna med datadrivna tillvägagångssätt studeras i denna avhandling två effekter av DG. Först presenterades olika typer av metoder för ödriftsdetektering. Datadrivna metoder för att beräkna känslighetsparametern för en generator på distributionsnivå utvecklades och integrerades i en lokal detekteringsmetod för ödrift. Det visades att sådana uppskattningsmetoder möjliggör en tillräcklig tillförlitlig och snabb detektering av ödrift genom användning av fältmätningar. Därefter utvecklades synkroniserad fasvinkel-baserade metoder för fjärrdetektering av ödrift som ett verktyg för systemoperatörerna. Resultaten visar att dimensionaliteten hos spänningsvinkelmätningarna kan användas för att skilja mellan ödrift och andra typer av händelser även då data-drivna metoder används. 

Den andra effekten av DG som togs upp är modelleringen av distributionsnät för dynamiska studier av transmissionsnät. Ett stort antal befintliga tillvägagångssätt för dynamisk modellering identifierades som pekade på behovet av en automatiserad metod för val av modellstruktur. Således föreslogs en modelleringsmetod som väljer den optimala modellstrukturen och utvärderar osäkerheten i modellernas resultat. Modellernas osäkerhet användes sedan för att endast välja informativa händelser för parameteridentifiering och därmed minska dess beräkningsbörda. Prestandan för den datadrivna metoden demonstrerades genom att härleda en optimal ekvivalent modell av ett modifierat CIGRE-nätverk.

Genom de tidigare nämnda bidragen visas det i avhandlingen att systemens ökande observerbarhet tillsammans med den datadrivna metodiken kan användas för att ta fram applikationer som kan möta utmaningarna med DG-integration.