Optimal Allocation and Sizing of STATCOM for Power System Dynamic Performance Enhancement

Deregulation and liberalization of the electricity markets, fundamentally changing patterns in production, as well as an ever-increasing power demand and pronounced environmental awareness lead to significant challenges for today’s utilities. Studies of recent blackouts revealed an intricate relationship existing between insufficient reactive power support and unreliable system operation. Besides, the disappearance of large central generating units in some countries introduces a strong demand for strategic implementation of devices providing enhanced control actions concerning the dynamic security and performance of power systems during emergencies. The question, however, is not only to determine, if a compliant system state can be reached in such frameworks, but rather to find out, how this can be achieved in a cost-optimal fashion. This study is therefore devoted to the problem of joint optimal determination of location and size of multiple dynamic VAr sources. It develops an integrated multi-contingency approach using STATCOM that rigorously exploits technical requirements while ensuring optimality of investments. First, a set of credible disturbances is filtered out through an alternative formulation of contingency severity index (CSI). Recent heuristic Mean-Variance Mapping optimization (MVMO) algorithm is then applied in combination with an intervention scheme ensuring efficient utilization of computational resources, which is essential due to consideration of the full dynamic system model. A so called Trajectory Violation Integral (TVI) is introduced to determine solution’s feasibility and continuously control the evolutionary search process. The methodology is applied to the IEEE New England 39-Bus test system while PowerFactory and Matlab software packages are used. Fast and robust communication is realized by an user-written C++-interface. The results show sensitivities of STATCOM allocation with respect to three major factors, including: fault clearing time, transient voltage requirements and dynamic load portion. Finally, cost versus dynamic performance benefit is further improved by introducing a method that explicitly makes use of economies of scale: large devices are preferred over smaller ones attained from the optimization by proper adjustment of voltage control droop characteristics. An adaptive search space modification ensures that the iterative concentration proceeds in a controlled and reasonable way.
Die Deregulierung und Liberalisierung der Energiemärkte, eine sich grundlegend wandelnde Erzeugungsstruktur, sowie der stetig zunehmende Bedarf nach elektrischer Energie bei gleichzeitig ausgeprägtem Umweltbewusstsein der Bevölkerung stellen die Netzbetreiber vor erheblichen Herausforderungen. <br> Studien von neulich eingetretenen Blackouts deuten darauf hin, dass sich eine unzuverlässige Betriebsweise in näherem Zusammenhang bringen lässt mit der unzureichenden Bereitstellung von Blindleistung. Daneben besteht in einigen Ländern durch den Wegfall konventioneller Großkraftwerke die starke Notwendigkeit, strategisch Maßnahmen vorzusehen, welche das dynamische Verhalten, und damit insbesondere die betriebliche Sicherheit im Falle von Störereignissen, d.h. Netzfehlern, betreffen. <br> Grundsätzlich stellt sich jedoch nicht allein die Frage, ob sich angesichts dieser Rahmenbedingungen ein den technischen Regeln entsprechender Systemzustand herbeiführen lässt, sondern zunehmend auch, wie dies mit Blick auf ein ganzheitliches Optimum umzusetzen ist. Daher widmet sich diese Untersuchung der Frage zur gleichzeitigen und optimalen Bestimmung von Einbauort sowie Größe mehrerer Einrichtungen für die dynamische Blindleistungskompensation. <br> Es wird ein integrierter Mehrfehler-Ansatz unter Verwendung von STATCOMs entwickelt, der die auferlegten technischen Anforderungen auf kostenoptimale Weise einzuhalten im Stande ist. Nachdem ein Satz kritischer Fehler festgelegt worden ist, wird das kürzlich vorgestellte heuristische Mean-Variance Mapping Optimierungsverfahren (MVMO) angewandt und kombiniert mit einer Interventionsstrategie, welche effizienten Nutzen von den vorhandenen Rechenkapazitäten macht. Letzteres stellt einen entscheidenden Aspekt dar, da das vollständig ausmodellierte Elektroenergiesystem zum Einsatz kommt. Weiterhin wird eine integrale Größe eingeführt, welche einerseits die technische Machbarkeit eines MVMO-Vorschlags aufzeigt, als auch den Suchprozess in kontinuierliche Weise steuert. Angewandt auf das IEEE New England 39 Knoten Testnetz, liefern die Ergebnisse anschaulich Sensitivitäten der vorgeschlagenen Installationen bezüglich Fehlerklärungsdauer, Strenge der Spannungsanforderung, sowie dem Anteil der dynamischen Last an der Gesamtlast. PowerFactory und Matlab werden verwendet, wobei eine selbstentwickelte C++-Schnittstelle der schnellen und robusten Kommunikation dient. <br> Schließlich lässt sich das Kosten-Nutzen-Verhältnis der dynamischen Blindleistungs-bereitstellung weiter verbessern, indem explizit von den sich ergebenden Skaleneffekten Gebrauch gemacht wird: große STATCOM-Einheiten werden begünstigt gegenüber kleineren durch angemessene Anpassung der Spannungsstatiken in den zugehörigen Reglern. Dabei stellt eine adaptive Anpassung des Suchraumes sicher, dass der iterative Prozess in koordinierter und begründeter Weise abläuft.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten