Teknisk notat. Optimal styring af fremtidige distributionsnet. Indhold

Transkript

1 Teknisk notat Dok. ansvarlig: JME Sekretær: SLS Sagsnr.: s Doknr: d Udgivelsesdato: Optimal styring af fremtidige distributionsnet Formålet med dette notat er at præsentere algoritmer til optimal styring og regulering af effekt og spænding i mellem- og lavspændingsnet, som kan benyttes i fremtidens distributionsnet. Styringsalgoritmerne vi præsenterer i dette notat er beregnet til at regulere effekt og spænding i nettet under en hoved- eller netstation, og de benytter alle tilgængelige håndtag (viklingskobler, reaktiv effekt fra alle tilgængelige enheder, samt aktiv effekt fra både produktions- og forbrugsenheder) til at reducere tab, forhindre overbelastning og regulere spændingen. Notatet henvender sig til teknisk personale, som arbejder med eller har interesse i smartgridløsninger og -teknologier. Notatet er tænkt som en opsummering af det arbejde der foregår på forsknings- og udviklingsniveau, og som vil kunne være en mulig løsning for netselskaber inden for de næste år. Indhold Elektrificering og decentral produktion udfordrer elnettet... 2 Der er brug for intelligent styring og koordinering... 2 Effekt- og spændingsregulering skal koordineres... 2 Optimerende styringsalgoritmer løser opgaven... 2 Fra forskning til demonstration... 3 ipower viser fordelene ved optimerende styringsalgoritmer... 3 Simuleringer i et dansk lavspændingsnet... 3 Bedre spændingsregulering og lavere tab... 5 IDE4L viser praktisk implementering... 6 Indbyggede rutiner tager hensyn til forskellige situationer... 6 Algoritmen testes i praksis... 7 Scenarie 1: Belastning og produktion som i dag... 8 Scenarie 2: Øget decentral produktion Konklusion Referencer... 13

2 Elektrificering og decentral produktion udfordrer elnettet Fremtidens distributionsnet vil unægtelig være anderledes, end de er i dag. Stigende elektrificering af både opvarmning og persontransport og mere decentral produktion vil dels øge belastningen, dels gøre det sværere at forudsige belastningen i nettet og dermed give anledning til flere udfordringer ved dimensionering og drift af distributionsnettet. Samtidig med denne udvikling vil udviklingen af nye teknologier give mulighed for bedre overvågning og styring af nettet og dermed danne basis for løsninger på de kommende udfordringer. Der er brug for intelligent styring og koordinering Den stigende variation i belastningen vil især give udfordringer med overholdelse af spændingsgrænser og dermed øge behovet for spændingsregulering. Flere enheder skal dermed bidrage til spændingsregulering, og der kan være behov for styring af forbrug og produktion i nettet. De simple og ukoordinerede styringsalgoritmer, som viklingskoblere og andre netkomponenter reguleres efter i dag, vil sandsynligvis ikke kunne løfte opgaven. Der vil derfor blive behov for, at der implementeres en mere intelligent styring, og at styringen af de enkelte enheder koordineres for at opnå den maksimale effekt af enhedernes reguleringsområde og for at undgå, at de modarbejder hinanden. Den nye intelligente styring skal via de enheder den styrer - være i stand til at regulere spændingen inden for spændingsgrænserne og dermed øge mængden af decentral produktion, der kan tilsluttes nettet samtidig med, at den sikrer overholdelse af nettets strømgrænser. Intelligent styring kan endda anvendes til at reducere nettabene i de perioder, hvor der ikke er udfordringer med spændingen. Effekt- og spændingsregulering skal koordineres Med den stigende fokus på smartgrid-løsninger og inddragelse af stadigt flere enheder til styring af effekt- og spændingsregulering er der også kommet et stigende behov for at koordinere styringen af disse enheder. I et distributionsnet hvor aktiv og reaktiv effekt bruges til at overholde strøm- og spændingsgrænser er det ikke længere muligt at se på effekt- og spændingsregulering hver for sig, da den ene uvægerligt vil påvirke den anden. Styringsalgoritmen skal derfor kende sammenhængen mellem spænding og effekt (aktiv og reaktiv) i nettet. Optimerende styringsalgoritmer løser opgaven Koordinering af effekt- og spændingsregulering er en kompleks opgave, som kan løses med optimerende styringsalgoritmer. Disse har mange styrker, som egner sig specielt godt til løsning af komplekse opgaver, fx kan nævnes: - Kan håndtere mange beslutningsvariabler samtidig - Begrænsninger kan udtrykkes eksplicit - Kan håndtere og opfylde flere mål på samme tid - Kan balancere modstridende mål Ulempen ved optimerende styringsalgoritmer er, at de kræver meget regnekraft, og som et resultat af dette er de langsomme ikke mindst fordi de oftest anvendes til at løse meget svære opgaver. 2

3 Kompleksiteten af algoritmerne og kravene til regnekraft har betydet, at optimerende styringsalgoritmer i mange år kun har været anvendt akademisk. Elforsyningen har været et af de områder, hvor det har været særligt udfordrende at anvende algoritmerne. Dette skyldes i høj grad elnettets kompleksitet og størrelse. Fra forskning til demonstration Inden for de sidste par år er optimerende algoritmer til styring af distributionsnet kommet et skridt nærmere praktisk anvendelighed. Forsknings- og demonstrationsprojekterne ipower (dansk) og IDE4L (europæisk) har udviklet og demonstreret optimerende styringsalgoritmer til distributionsnet med fleksibelt forbrug og produktion. Mens ipower havde en mere akademisk tilgang med algoritmer tilsigtet brug i simuleringer, var IDE4L fokuseret på en praktisk implementering af algoritmerne til brug i felt-demonstrationer i virkelige net. IDE4L har dermed taget et stort skridt mod praktisk anvendelighed, da de algoritmer, der er udviklet i projektet, er i stand til at håndtere problemer, som kan opstå i praksis, f.eks. manglende målinger. ipower viser fordelene ved optimerende styringsalgoritmer I ipower er fordele og potentiale ved brug af optimerende styringsalgoritmer undersøgt. Helt konkret er der fokus på at koordinere de tilgængelige styringsmuligheder for at opnå optimal spændingsregulering og minimere tabene i nettet samtidig med, at de tilgængelige styringsmuligheder benyttes til økonomisk optimering. I optimeringen er følgende mål medtaget: - Spændingen skal være så tæt på referenceværdi som muligt. - Nettabene skal være så lave som muligt. - Styringen skal være så økonomisk/billig som muligt. (Udtrykt ved forskellige omkostninger for brug af trinkobler, aktiv effekt fra forbrug, nedregulering af produktion og reaktiv effekt) Disse 3 mål er balanceret ved brug af vægtningsfaktorer, som udtrykker en omkostning for hvert mål. For brug af de forskellige styringsmuligheder og for nettab kan disse vægtningsfaktorer relateres til den faktiske driftsomkostning, mens det for spændingsreguleringen er et mere abstrakt begreb, som udelukkende bruges til at fortælle styringsalgoritmen, hvordan den skal balancere mellem de 3 mål. Simuleringer i et dansk lavspændingsnet Styringsalgoritmen er simuleret med et lavspændingsnet, hvor elbiler og solceller er tilføjet, således at der er fleksibelt forbrug og produktion i nettet. I simuleringsmodellen er det også antaget, at trinkobleren i netstationens transformer kan skifte trin under belastning hvilket kræver en anden nettransformer end den, der normalt findes i en netstation. I simuleringen er spændingsfaldet på mellemspændingsradialen medtaget, således at spændingen på højspændingssiden af nettransformeren varierer som i et virkeligt net. Figur 1 viser lavspændingsnettet, som er brugt til simuleringen. 3

4 Figur 1 Dansk lavspændingsudføring brugt i ipower. Fem forskellige scenarier er undersøgt og sammenlignet. Alle scenarier simulerer en periode på 5 dage. De 5 scenarier er: 1. Sc1: Ingen styring. 2. Sc2: Trinkobler regulerer automatisk efter spændingen i yderste kabelskab. 3. Sc3: Den optimerende styringsalgoritme regulerer spændingen ved hjælp af aktiv og reaktiv effekt fra fleksibelt forbrug og produktion, men uden trinkobler. 4. Sc4: Den optimerende styringsalgoritme regulerer spændingen med alle tilgængelige ressourcer (trinkobler, samt aktiv og reaktiv effekt fra fleksibelt forbrug og produktion). 5. Sc5: Samme som scenarie 4, men med en anden økonomisk vægtning af trinkobler, hvor denne er billigere at benytte end i scenarie 4. Resultaterne er vist i Figur 2 og Tabel 1. I Figur 2 sammenlignes spændingsreguleringen i de første 4 scenarier. Som det fremgår af Figur 2, opnås den bedste spændingsregulering i scenarie 4. Umiddelbart ser det ud til, at trinkobleren har den største effekt på spændingsreguleringen. Her er det dog vigtigt at huske, at den optimerende styringsalgoritme også tager hensyn til omkostningerne, hvilket til dels begrænser dens brug af fleksibelt forbrug og produktion i scenarie 3, mens den i scenarie 4 har mere frihed til at optimere på parametrene, da den også kan benytte sig af trinkobleren. 4

5 Sc1 Sc2 Sc3 Sc4 Figur 2 Spændingsregulering for scenarie 1-4. Billedet viser spændingsvariationen i yderste kabelskab. Røde streger angiver medianen, blå rektangler viser 95 % fraktilen, og sorte streger angiver mindste og største spænding. Bedre spændingsregulering og lavere tab Sammenholdes resultaterne i Figur 2 med Tabel 1, fås et mere detaljeret billede af scenarierne. I tabellen er vist omkostninger for fleksibelt forbrug og produktion (relativt til scenarie 3), nettab (relativt til scenarie 2) og antal gange trinkobleren aktiveres. I Tabel 1 kan vi tydeligt se, at den optimerende styringsalgoritme reducerer nettabene. Vi kan også se, at den gør dette mere effektivt i scenarie 4 og 5, hvor den også har mulighed for at benytte trinkobleren. Scenarierne 4 og 5 viser, hvordan algoritmen balancerer brugen af trinkobleren med brugen af fleksibelt forbrug og produktion ud fra pris. Når trinkobleren er billigere at bruge (scenarie 5), benytter algoritmen den oftere, og bruger fleksibelt forbrug og produktion mindre. Både nettabene og effektiviteten af spændingsreguleringen er næsten ens i de to scenarier. Omkostninger for fleksibelt forbrug/produktion Nettab Antal trinkoblinger Sc2-1 9 Sc3 1 0,86 - Sc4 0,91 0,82 4 Sc5 0,76 0,83 7 Tabel 1 Omkostninger for fleksibelt forbrug/produktion, nettab og antal trinkoblinger for scenarie 2-5. Resultaterne viser, at den optimerende styringsalgoritme kan opnå bedre spændingsregulering, lavere nettab og lavere driftsomkostning end den simplere løsning med en automatiseret trinkobler. Yderligere detaljer og resultater kan findes i [1]. 5

6 IDE4L viser praktisk implementering I IDE4L-projektet er der også udviklet en optimerende styringsalgoritme. Denne algoritme er udviklet til at være i drift i rigtige net og er derfor noget mere omfattende end den styringsalgoritme, som blev benyttet i ipower. Der er bl.a. taget hensyn til, at algoritmen skal køre i realtid, og at der kan forekomme praktiske problemer (disse beskrives senere i dokumentet). Den grundlæggende optimerende styringsalgoritme har følgende mål: - Spændingen skal være så tæt på referenceværdi som muligt. - Nettabene skal være så lave som muligt. - Driftsomkostningerne skal minimeres. (Udtrykt ved forskellige omkostninger for brug af trinkobler, aktiv effekt til forbrug og nedregulering af produktion). Der er ikke sat mål for udveksling af reaktiv effekt med det overliggende net. Omkostningen for at benytte reaktiv effekt til regulering er antaget til at være nul. Indbyggede rutiner tager hensyn til forskellige situationer Ud over den grundlæggende optimerende styringsalgoritme er der opbygget en række ekstra rutiner til at håndtere forskellige udfordringer, som kan opstå i praksis. Der er specifikt taget hensyn til følgende situationer: 1. Manglende input til styringsalgoritmen. Styringsalgoritmen kræver input fra tilstandsestimering. Hvis resultaterne fra tilstandsestimering ikke er tilgængelige, kører styringsalgoritmen ikke optimeringsrutinen. Den giver derimod en alarm og forsøger at få kontakt med tilstandsestimeringen igen. Efter en periode uden kontakt med tilstandsestimeringen, sætter styringsalgoritmen alle kontrolsignaler til en forudindstillet værdi. 2. Algoritmen kan ikke finde en løsning. Der kan være tilfælde, hvor optimeringsrutinen ikke kan finde en løsning. Dette kan skyldes manglende konvergens eller utilstrækkelige kontrolressourcer. I disse situationer forsøger algoritmen først nogle fejlløsningsteknikker for optimeringsrutinen, som øger sandsynligheden for konvergens. Hvis der stadig ikke kan findes en løsning, så logges fejlen, og algoritmen undersøger, om nettet er i en acceptabel tilstand med de nuværende kontrolsignaler. Hvis nettet er i en acceptabel tilstand, stopper algoritmen og venter til næste kørsel. Hvis nettet ikke er i en acceptabel tilstand, køres en regelbaseret algoritme. Denne algoritme konvergerer altid, men løsningen er ikke nødvendigvis acceptabel. Efter denne algoritme tjekkes det derfor, om de nye kontrolsignaler er acceptable. Hvis ja, så benyttes disse. Hvis nettets tilstand heller ikke er acceptabel efter den regelbaserede algoritme, gives en alarm, og algoritmen forespørger højereliggende styringsenheder (fx kontrolcentret) om hjælp og venter så på næste kørsel. Efter en periode uden en løsning med acceptabel nettilstand, sættes alle kontrolsignaler til en forudindstillet værdi. 6

7 3. Der er en fejl i nettet. I tilfælde hvor der er en aktiv fejl i nettet, kører algoritmen ikke. Dette forudsætter, at algoritmen får signal om, at der er en fejl i nettet. Når fejlen er bortkoblet, vender algoritmen tilbage til normal drift. Mens nettet er i en N-1 situation, er det muligt at køre algoritmen med andre grænseværdier for strøm og spænding. Ud over dette tjekker algoritmen også altid (også under normal drift), om ændringen i kontrolsignalerne til fleksibelt forbrug og produktion er under en foruddefineret tærskelværdi. Dette gøres, fordi det ikke giver mening at sende nye kontrolsignaler til forbrug og produktion, hvis ændringen er så lille, at den ikke har praktisk indflydelse på nettets tilstand. Algoritmen testes i praksis Styringsalgoritmen er implementeret i praksis sammen med tilstandsestimeringen. Begge dele er implementeret, så de er kompatible med EN og CIM-standarderne. Styringsalgoritmen er blevet testet på rigtigt hardware med rigtige signaler dog med et simuleret net. Selve nettet er blevet simuleret i et RTDS(Real Time Data Simulation)-system, som emulerede det rigtige net, som styringsalgoritmen skulle arbejde i. Algoritmen er også demonstreret i det virkelige net, men resultaterne fra denne demonstration er meget begrænsede på grund af forsinkelser i IDE4L-projektet. I det følgende vises resultaterne fra RTDS simuleringerne, og de meget begrænsede resultater fra demonstrationen i det virkelige net gennemgås i den endelige konklusion. Figur 3 viser det net, som styringsalgoritmen er testet i. Det er en let simplificeret udgave af det italienske net, som styringsalgoritmen skulle demonstreres i. Simplificeringen skyldes begrænsninger i RTDS-systemet. MV PS PL PL LV 1070 SS Figur 3 Mellem- og lavspændingsnet brugt til test af optimerende styringsalgoritme i IDE4L. Der er lavet en række test af styringsalgoritmen, hvor denne sammenlignes med situationen uden styring og med lokal styring af den automatiserede trinkobler i netstationen (fast skinnespænding). I det følgende vises resultaterne af et par af disse test. I testene er der brugt det hændelsesforløb, som vises i Tabel 2. 7

8 Tid Decentral Produktion Belastning (Solceller) 0 s 100 % Minimum 50 s 30 % Minimum 230 s 30 % Maksimum 410 s 100 % Maksimum 600 s Testen slutter Testen slutter Tabel 2 Hændelsesforløb for test af algoritme. For at sammenligne styringsalgoritmen med situationen med lokal styring og ingen styring er der defineret key performance indikatorer (KPI er). Disse KPI er ser blandt andet på nettab, antal trinkoblinger, antal kommandoer til solcellerne, samt på hvor længe spændingen er uden for spændingsgrænserne. Scenarie 1: Belastning og produktion som i dag I dette scenarie er belastning og produktion som i det rigtige net i dag. Maksimum- og minimumbelastning og -produktion er bestemt på baggrund af målinger fra fjernaflæste elmålere. Tabel 3 viser KPI er for dette scenarie. KPI Ingen/Lokal styring Optimerende styringsalgoritme Nettab [kws] Trinkoblinger [Antal] 0 0 Q-kommandoer [Antal] 0 7 Overspænding varighed [s] 0 0 Overspænding volumen [pu*s] 0 0 Tabel 3 KPI er for første scenarie (belastning og produktion som i dag). Spændingen i lavspændingsnettet for dette scenarie er vist i Figur 4. 8

9 Figur 4 Minimum- og maksimumspænding i lavspændingsnettet i første scenarie med styringsalgoritme (CVC) og ingen/lokal styring (Local+DB). Som det fremgår af Figur 4, er der ingen udfordringer med spændingen i dette scenarie. Styringsalgoritmen bruger derfor styringen til at reducere nettabene. Dette gøres ved at hæve spændingen i nettet, så den ligger tættere på den øvre spændingsgrænse og ved at benytte reaktiv effektkompensering fra den decentrale produktion (solceller). Den reaktive effekt fra solcellerne er vist på Figur 5. Figur 5 Reaktiv effekt fra solceller i scenarie 1 med styringsalgoritme (CVC). 9

10 Scenarie 2: Øget decentral produktion I dette scenarie øges produktionen til 3 gange den oprindelige. I scenariet er der udfordringer med at holde spændingen inden for spændingsgrænserne. Figur 6 viser spændingen i situationen uden styring. Som det fremgår af figuren, forekommer der overspænding i dele af nettet i de perioder, hvor den decentrale produktion er på 100 % (starten og slutningen af testen). Figur 6 Spændinger i lavspændingsnettet i andet scenarie med ingen/lokal styring (Base). Situationen med lokal styring af den automatiserede trinkobler ser ud på præcis samme måde, da den lokale styring kun måler på nettransformerens lavspændingsskinne og derfor ikke kan se, at der er overspænding i dele af nettet. Dette betyder, at den lokale styring ikke korrigerer for overspændingen, og spændingen fortsætter med at ligge over den øvre spændingsgrænse, så længe den decentrale produktion er på 100 %. 10

11 Figur 7 Resultater fra andet scenarie med styringsalgoritme. Øverst: Spændinger i lavspændingsnettet. Midt: Reaktiv effekt fra solceller. Nederst: Nettransformerens trinindstilling. På Figur 7 vises spændingen i situationen med styringsalgoritmen. Allerede i starten af simuleringen har styringsalgoritmen benyttet reaktiv effekt fra solcellerne til at sørge for, at der ikke forekommer overspænding nogen steder i nettet. I den efterfølgende periode, hvor produktionen er reduceret, og der derfor ikke er problemer med spændingen, reducerer styringsalgoritmen nettabene. Ligesom i den første test sker dette ved at hæve spændingen ved brug af trinkobleren og reaktiv effekt fra solcellerne. 11

12 Der opstår overspænding i dele af nettet ca. 7 minutter inde i testen, idet solcellerne igen begynder at producere med maksimal effekt. Styringsalgoritmen tager dog hurtigt hånd om dette ved brug af den automatiserede trinkobler og reaktiv effekt fra solcellerne. Konklusion Resultaterne af de to forsknings- og demonstrationsprojekter ipower og IDE4L viser, at optimerende styringsalgoritmer kan reducere nettabene i perioder, hvor spændingen ikke er udfordret. ipower viste dette på et mere akademisk plan, mens IDE4L viste dette i praktiske test med rigtige komponenter. I ipower var reduktionen af nettab omkring 15 %, og i IDE4L var reduktionen omkring 10 %. Både ipower og IDE4L viste, at optimerende styringsalgoritmer kan give bedre spændingsregulering end simplere løsninger, og at de kan sikre, at spændingen holdes inden for grænserne i de perioder, hvor denne er udfordret. Dette skyldes dels, at de kan koordinere brugen af flere forskellige styringsmuligheder, dels at de benytter tilstandsestimering, som giver et langt bedre indblik i nettets tilstand, end en enkelt lokal måling til en lokal styring kan give. IDE4L demonstrerede projektets optimerende styringsalgoritme i et virkeligt net. Denne demonstration viste, at spændingen i nettet blev holdt inden for grænserne, mens algoritmen kørte, og at algoritmen regulerede den reaktive effekt fra solcellerne i nettet. Desværre blev der ikke lavet en baseline, som disse resultater kunne evalueres op imod, hvorfor det ikke er muligt at sige, om styringsalgoritmen fik reduceret tabene i nettet eller forbedret spændingen. Demonstrationen viste endvidere, at styringsalgoritmen fortsatte med at fungere ved forskellige praktiske udfordringer og håndterede disse som forventet. Mere information om den optimerende styringsalgoritme, inklusiv simuleringer og test kan findes i [2]-[5]. Projekterne ipower og IDE4L fortæller os, at optimerende styringsalgoritmer er på et så modent udviklingsstadie, at leverandører af kontrolsystemer til netselskaber bør være bekendt med disse. Fremadrettet bør der udføres flere test af optimerende styringsalgoritmer i virkelige net, så der kan opbygges praktisk erfaring med brug af dem i distributionsnet, og så de næste skridt mod egentlige produkter kan tages. Samtidigt bør generel viden om optimerende styringsalgoritmer udbredes til netselskaberne, således at de i samarbejde med leverandører kan udvikle og implementere de applikationer, som giver dem det største udbytte i forbindelse med drift og udvikling af distributionsnettene. 12

13 Referencer [1] Han, Xue et al. "Coordinated voltage control scheme for distribution grid with on-load tapchanger and distributed energy resources in a market context". Proceedings of th IEEE IES Annual Conference (IECON'15). IEEE [2] Deliverable 5.2/3: Congestion Management in Distribution Networks, IDEAL GRID FOR ALL (IDE4L), September [3] Kulmala, Anna et al. Hierarchical and Distributed Control Concept for Distribution Network Congestion Management. IET Generation, Transmission & Distribution. [4] Hannu Reponen, Coordinated Voltage Control in Real Time Simulations of Distribution Network with Distributed Energy Resources, MSc Thesis, Maj 2016 [5] Deliverable 7.2: Overall Final Demonstration Report, IDEAL GRID FOR ALL (IDE4L), Oktober