Reactive Power Considerations in Reliability Assessment of Power Systems

Abstract

Formålet med denne avhandlingen er å implementere en ikke-sekvensiell Monte Carlo-simuleringsmetode med bruk av AC optimal lastflyt i Python. Videre implementeres en metode som tar hensyn til reaktiv effekt i pålitelighetsstudier for kraftsystemer.

Spenningsproblemer er en økende utfordring i kraftsystemet, blant annet grunnet mer fornybar energiproduksjon, samt økt belastning i nettet generelt. Spenning og reaktiv effekt interagerer tett, og lite oppmerksomhet har blitt gitt dette aspektet i pålitelighetsstudier. Kun et fåtall offentlig publiserte kilder undersøker temaet, der enda færre presenterer metodologien på en transparent måte. Et formål med arbeidet utført i forbindelse med denne masteroppgaven er å bidra med en reproduserbar metode for å differensiere lastkutt forårsaket av mangel på aktiv effekt, fra lastkutt forårsaket av mangel på reaktiv effekt. Dette er representert av pålitelighetsindekser som spesifikt tar hensyn til reaktiv effekt. En detaljert beskrivelse av den metoden er også presentert, med nødvendige endringer og antagelser. I tillegg er en filtreringsmetode utviklet, der identiske systemtilstander filtreres ut for å effektivisere simuleringene.

To dataverktøy er utviklet i Python fra grunnen av til formålet. Den første for å validere den grunnleggende metoden for pålitelighetsanalyse, anvendt på testsystemene Roy Billinton Test System (RBTS) og IEEE-Reliability Test System (IEEE RTS). Den andre er utviklet for å validere metoden for pålitelighetsanalyse med hensyn på reaktiv effekt, og er anvendt på det modifiserte testsystemet IEEE 30-bus System. Valideringen er utført ved analyse av resultater, og ved direkte sammenligning av pålitelighetsindekser fra de respektive metodologiske kildene i litteraturen.

Det utviklede dataverktøyet til den grunnleggende metoden for pålitelighetsanalyse i Python ble verifisert. Tilsvarende dataverktøy i MATLAB, tilgjengelig ved Institutt for elkraftteknikk på NTNU, er brukt til utvikling og verifisering av Python-koden. En rutineforskjell mellom verktøyene brukt til å løse systemtilstandene ble observert. Likevel er de gjennomgående likhetene mellom resultatene et bevis på at den adapterte metoden er reproduserbar.

I tillegg ble det verifisert at aktivt lastkutt forårsaket av mangel på aktiv effekt kan differensieres fra aktivt lastkutt forårsaket av mangel på reaktiv effekt.

Pålitelighetsanalyse med hensyn på reaktiv effekt viste seg også å kunne identifisere optimal plassering av reaktiv kompensering i kraftsystemet. Dette bidrar med verdifull informasjon til systemplanleggere og systemoperatører.

Metoden for å filtrere ut identiske systemtilstander ble implementert på alle tre testsystemer. Det ble observert at antall systemtilstander som ble vurdert av systemløsningsverktøyet ble merkbart redusert.

The objective of this thesis is to implement a non-sequential Monte Carlo Simulation method with an AC optimal power flow approach in Python, for assessing the reliability of composite power systems. Further, the work concerns the implementation of a suitable method to account for reactive power considerations in composite system adequacy assessment in power system reliability studies.

Voltage issues in the power system are a growing concern due to, among other reasons, an increase in renewable power sources and heavier loaded systems. Voltage and reactive power are tightly interleaved, and little attention has been paid to the reactive power aspect in the field of power system reliability. Only a few publicly available sources investigate the topic, and even fewer provide a transparent method for replication that can enable further improvements. As such, one of the goals of this thesis work is to synthesise a reproducible method that distinctly differentiates between the curtailment due to active power shortage and the curtailment due to reactive power shortage in power system reliability studies. This includes presenting additional reliability indices based on an analytical method utilising optimal power flow, which takes reactive power considerations into account. A detailed description of the methodological approach with the necessary adaptations and assumptions is presented. In addition, a duplicate contingency state filtering technique is developed to increase the efficiency of the simulations.

Two scripts are developed in Python from the ground up to assess the so-called reactive power considerations (RPC) method. The first one relates to the standard composite system adequacy assessment, applied to the Roy Billinton Test System (RBTS) and the IEEE-Reliability Test System (IEEE RTS). The second one relates to the incorporation of exclusive reactive power considerations in the first one, and is applied to a modified IEEE 30-bus system. The validation is done through investigation of the results as well as a comparison of the obtained reliability indices with the ones available from respective methodological sources in the literature.

In the standard composite system adequacy assessment, the success of the developed Python scripts was verified. In-house composite system adequacy scripts in MATLAB, available at the Department of Electric Power Engineering, were used in the development and verification of the Python code. A difference in the contingency solver routine was observed. However, the overall similarities between the reliability indices provide a proof of reproducibility of the adapted method.

The active power curtailment due to active power shortage was found to be differentiable from the curtailment caused by reactive power shortage.

It was also found that the reactive power considerations method could identify optimal locations for additional reactive power sources in the power system, ultimately giving valuable information to system planners and system operators.

The duplicate contingency state filter technique was implemented on all the three test systems, where it was found that it is possible to reduce the number of states considered by the contingency solver. As a consequence, a decrease in computational time was observed.