QUANTIFYING THE CAPACITY VALUE OF WIND POWER IN COMPOSITE POWER SYSTEMS

Abstract

Fornybar kraft er en voksende ressurs, og er en viktig faktor for fremtiden av kraftsystemplanlegging. Det siste tiåret har vindkraft og solcelleanlegg vært den raskeste voksende energiressursen på markedet. Både vindkraft og solcelleanlegg er intermitterende kraftkilder, og er ikke mulig å planlegge i motsetning til vannkraftanlegg og kraft produsert ved å brenne fossilt brensel. For å nøyaktig vurdere bidraget intermitterende fornybare energikilder har på et kraftsystem trengs en metode for å kvantifisere integrasjonen i et eksisterende kraftsystem.

Denne avhandlingen presenterer og forklarer en metode som kvantifiserer Capacity Value (CV) av vindkraftanlegg som integreres i eksisterende sammensatte kraftsystem. Avhandlingen er ment som et bidrag til det pågående Power System Reliability-prosjektet ved Instituttet for Elkraftteknikk ved NTNU. Kraftsystemets probabilistiske natur simuleres ved hjelp av State Sampling-metoden, som er en Monte Carlo Simululerings-metode (MCS), og Capacity Value-markøren Effective Load Carrying Capability (ELCC) er bestemt ved å bruke halvdelingsmetoden (bisection method).

Et internt dataprogram som er i stand til å kvantifisere verdien av ELCC for vindkraftanlegg som integreres i sammensatte kraftsystemer er utviklet som en del av denne avhandlingen. Programmet kan basere ELCC kalkuleringene på to forskjellige pålitelighetsmarkører, LOLE og EENS. Ved å bruke to forskjellige markører for å bestemme ELCC av tillagt kraftproduksjon i sammensatte kraftsystemer er det vist at det produseres forskjellige perspektiver av mulige kraftsystemekspansjoner.

Gjennom et litteraturstudie presenterer avhandlingen en dyptgående forklaring av \newline pålitelighetsstudier av kraftsystemer. Både sekvensielle og ikke-sekvensielle MCS metoder er forklart i detalj. MCS metoden State Sampling er brukt i dataprogrammet utviklet igjennom denne avhandlingen, da denne metoden viste seg å trenge færre simuleringsår for å konvergere mot et resultat enn State Duration- og State Transition-metodene.

Renewable power is a growing resource, and is an important factor in the future of power system planning. The last decade, wind power and solar photovoltaic power has been the largest growing renewable energy source on the market. However, both wind and solar power are intermittent power sources, and are not possible to schedule in contrast to hydro power and power produced by burning fossil fuels. To accurately value the contribution renewable energy sources have on the power system, a method of quantifying their integration into an existing power system is needed.

This thesis presents and explains a method to quantify the Capacity Value (CV) of wind power generation integrated in an existing composite power system. It is intended as an addition to the ongoing Power System Reliability project at the Department of Electrical Power Engineering at NTNU. The power system's probabilistic nature is simulated though the State Sampling Monte Carlo Simulation method, and the CV metric Effective Load Carrying Capability (ELCC) is determined using the bisection method.

An in-house software tool capable of quantifying the ELCC of added wind power generation to an existing composite power system is developed through this thesis work. The tool is able to base the ELCC calculations on two adequacy reliability indices, namely the Loss of Load Expectation (LOLE) and the Expected Energy not Served (EENS). Using two different indices to calculate the ELCC of added generation to a composite power system is shown to present different perspectives on potential power system expansion.

Through a literature review, the thesis presents a comprehensive explanation of Power System Reliability studies. Both sequential and non-sequential Monte Carlo Simulation methods are explained in detail. The State Sampling method is used in the software developed through this thesis work, as it is found to need fewer simulation years to converge on a result compared to the State Duration and State Transmission methods.