Voltage control design of wind energy harvesting networks

Abstract

Las redes de evacuación de energía eólica han experimentado un gran desarrollo. Además de ser hoy una realidad, estas redes se postulan como la solución para maximizar la integración de esta fuente de energía. Dichas redes, tienen un mayor impacto en la red de transporte, pudiendo proporcionar servicios tales como el control de tensión de manera efectiva. A pesar de la masiva bibliografía relacionada con parques eólicos y su integración en la red, es difícil encontrar trabajos que se centren en redes de evacuación, déficit solventado en esta tesis. La capacidad que estas redes tienen para prestar este servicio depende ampliamente de sus características, por lo que su clasificación es esencial. Dicha clasificación se aborda en función de tres índices teniendo en cuenta también el papel que juegan los transformadores con cambio automático de tomas: la característica PQ, las pérdidas de potencia y los márgenes de tensión dando lugar a tres tipos de redes (A, B y C). Para cada tipo de red, se propone la estrategia de control más adecuada, la cual puede ser implementada a día de hoy sin ningún tipo de coste significativo. Para ello tanto el estudio del régimen permanente como su evolución temporal son necesarios. En este sentido, se han utilizado un amplio abanico de técnicas a lo largo de la tesis: minería de datos (regresión, arboles de decisión, “clustering” …) , algoritmos metaheuríaticos (algoritmo genético, optimización múltiple de enjambre de partículas), programación cuadrático o OPF multi-periodo. En concreto, para el tipo A, se propone una estrategia de minimización de pérdidas basada en simples reglas de control que permiten una mayor comprensión de los flujos por la red. Para ello se propone una nueva variable explicativa (Plossi), las pérdidas de potencia activa desde el parque i hasta el punto de conexión de la red de transporte. Además, para evitar cálculos online se propone la utilización de la potencia activa total de la red como variable explicativa. De esta manera se asemeja el ampliamente conocido factor de potencia (con respecto a una variable global en vez de respecto a la potencia individual de cada parque). Por tanto se obtienen reglas de regresión para determinar la potencia reactiva que tiene que aportar cada parque y árboles de decisión para estimar la toma de cada transformador. Para el tipo B, se propone una estrategia de mínimo impacto en la red transporte. En este caso se han analizado distintas configuraciones de control: control de referencia, control de factor de potencia, control de tensión local (representativo de las directrices actuales de la regulación) y finalmente un control remoto de tensión. Para cada uno de ellos se evalúan los parámetros del control óptimos en el conjunto de escenarios gracias a un OPF multi-periodo obteniendo así controles totalmente autónomos. Comparando las diversas configuraciones se ha comprobado como la mejor alternativa es el control remoto de tensión. Por otro lado se ha visto el adecuado funcionamiento del control de factor de potencia, obteniendo mejores resultados que el control local de tensiones propuesto en diversas regulaciones Finalmente, para el tipo C, se propone un control activo de la tensión asemejando el comportamiento de toda la red de evacuación al de una planta convencional. En este caso se requiere modificar los parámetros del control online al contrario de lo propuesto con anterioridad. Por tanto, un control centralizado distribuye consignas a los distintos elementos de control dependiendo de las condiciones externas y de operación. Este control centralizado se ha desarrollado siguiendo las guías de los controles jerárquicos de tensión implementados en la red de transporte, en concreto en su lazo secundario en donde se determinan las consignas de cada planta cada 10 segundos mediante programación cuadrática. No obstante, se han realizado varias modificaciones para tener en cuenta las características de las redes evaluadas. Además, cualquier diseño de control tiene que tener también en cuenta la coordinación dinámica entre los parques eólicos y los transformadores. Para ello esta tesis propone ajustar offline aquellos parámetros relevantes que afectan a la evolución temporal del control. En concreto estos parámetros son las constantes de tiempo de los controles de los parques y los retrasos intencionados y bandas muertas de los transformadores. Estas últimas no suelen utilizarse para la coordinación aunque no hay ningún impedimento para no hacerlo tal y como se hace en la tesis. Para realizar esta tarea se han utilizados dos conocidos algoritmos metaheurísticos: algoritmo genético, optimización múltiple de enjambre de partículas. El primero proporciona las tendencias de los parámetros de control mientras que el segundo nos facilita toda la frontera de Pareto. Gracias a ello los ajustes se pueden categorizaran en función de las preferencias de los distintos actores involucrados: minimizar los cambios de toma, minimizar el tiempo en que las tensiones sobrepasan los límites o bien minimizar el desvío de tensión en aquellos nudos controlados por los transformadores. Centrándonos en el tipo B, este análisis pone de manifiesto los inconvenientes del control local de tensiones el cual requiere grandes constantes de tiempo para evitar oscilaciones. Por otro lado se evalúa el incremento de cambios de tomas que supone aumentar el control de la red. Por último, esta metodología también se ha aplicado a las redes de tipo C sacando en este caso mayor provecho a la frontera de Pareto.

Specific networks developed solely to harvest wind energy (HNet) are becoming a common scheme. Moreover, it is foreseen that in the near future, they will be the solution adopted for large integration of wind, commanding greater transmission system impact potential. However, despite the huge literature available related to wind farms and their integration, few works focus on these networks, a gap covered in depth by this thesis. These potentials are highly dependent on the HNet characteristics; hence its classification is essential. This is done by analyzing the influence of OLTC transformers based on three relevant indices: PQ chart, power losses, and voltage margins deriving three different HNets types (A, B and C). For each one, the most suitable control strategy is proposed considering simple control schemes which can nowadays be implemented without additional investments. Consequently their steady-state performance and temporal evolution analysis are required. In that sense a wide variety of techniques are used throughout the thesis: data-mining techniques (regressions, clustering, decision trees …), metaheuristic algorithms (genetic algorithms and multiple particle swarm optimization), quadratic programming or multi-period OPF. Specifically, for type A, power loss minimization strategy based on control rules is suggested allowing the understanding of power flows performance within the grid and identifying those wind farms with negligible impact. For that purpose a novel variable, active power losses from wind farm i to the transmission network bus (Plossi), was defined. In addition, to avoid online computations, the total HNet active power has been considered as an explanatory variable resembling the power factor concept (with respect a global magnitude instead of the individual wind farm active power). In that manner, simple regression rules are used to estimate wind farm reactive power, and a classification tree for each transformer is used to estimate their taps. For type B, a minimum HNet impact on the transmission network strategy is suggested analyzing different possible control schemes: reference control, power factor control, local voltage control (representative of the current regulation direction) and remote voltage control. For each control scheme static fit-and-forget settings are obtained thanks to the AC-multi-period OPF and therefore autonomous control schemes are obtained. Comparing these control schemes it has been observed that the best option is a voltage control where wind farms control the voltage at a remote bus. Otherwise, of the localized control schemes that do not require telemetry, power factor control scheme has a better performance contrary to the widespread idea of local voltage control adequacy as many regulation proposals suggest. Finally for type C, a pro-active voltage control (i.e., the whole HNet resembles a conventional power plant) is suggested demanding adaptive static parameters contrarily to what was proposed for the previous HNet types. Hence, a central controller distributes set-point depending on the operational and external conditions. This central controller has been developed following the guidelines of well-known TNet hierarchical voltage control and more specifically in its secondary loop performing and optimization by means of quadratic programming every 10 seconds. Nonetheless, several modifications have been made in accordance with HNet characteristics and the nature of distributed generation such as its variability as are explained throughout the thesis. In addition, any control scheme design should also consider the dynamic coordination of wind farms and cascade OLTC transformers to ensure that such set points redispatche can be harmoniously achieved. In that sense this thesis proposes tuning offline relevant dynamic settings (i.e., settings that affect the control scheme temporal time evolution) to be applied to Type B and C HNets. These settings are wind farms’ controller time constants and for OLTC transformers the time delay and dead band. This last setting is not commonly used with coordination purpose although there is no barrier that impedes its use, as this thesis proposes. For that purpose two well-known metaheuristics algorithms (Genetic algorithm and MOPSO) have been used. On one hand the former provides the settings tendency whereas the latter one provides the whole Pareto frontier; allowing the settings categorization depending on the agents preferences (tap changes minimization, voltage breaches minimization and voltage deviation minimization). Concerning type B, this analysis reinforces the idea of inadequacy of local voltage control scheme owing to the necessity of slow controller action for avoiding oscillations. Finally, a demanding voltage control such as the remote one significantly increases the number of tap changes. Concerning type C, the same method has been employed focusing this time only on the MOPSO algorithm. The results obtained have been expanded clustering the Pareto front obtaining different dynamic settings patterns.