[pt] O uso da representação de modelos completos em estudos de sistemas de potência pode levar a indesejados níveis de esforço computacional e imprecisão devido às incertezas e complexidade dos sistemas modernos. Para endereçar este problema de tratabilidade, métodos de redução de redes
buscam criar um modelo simplificado, com dimensão reduzida, de um dado sistema de potência. As técnicas atuais consideram apenas um ponto de operação no processo de redução falhando em desempenho para uma grande variedade de condições operativas. Adicionalmente, a solução para o fluxo de potência CA (não linear) apresenta pior performance computacional, mas melhor precisão quando comparada à sua contraparte linear (solução para fluxo de potência CC). Infelizmente, a aproximação do fluxo de potência CC desconsidera a perda de energia nas linhas e os efeitos das não linearidades devido as mudanças nos níveis de tensão e potências reativas no sistema. Neste contexto, um novo modelo de fluxo de potência equivalente baseado em otimização é proposto. Assim, para superar as limitações relativas
a performance computacional e as imprecisões para multiplos cenários operativos, utilizamos o modelo proposto para produzir um método de redução baseado no fluxo CC, que apresenta bom desempenho em variados pontos operativos. Neste caso, a solução de um problema de otimização linear, que considera múltiplos cenários de fluxo CA ou medições do sistema, determina os parâmetros da rede equivalente. Para garantir a precisão do modelo, consideramos um conjunto de cargas artificiais para representar o
desbalanço entre os cenários observados e a resposta da rede equivalente. Estas cargas artificiais são funções polinomiais do ponto operativo do sistema, e seus coeficientes são cootimizados com os parâmetros da rede reduzida. A Analise de Componentes Pincipais é utilizada para extrair as
componentes relevantes do vetor de cargas que define um ponto operativo, reduzindo a dimensão do modelo, e melhorarando o desempenho out–of–sample. A metodologia é testada contra o equivalente Ward para diferentes condições operativas. Casos de estudo com dados gerados são apresentados
com o objetivo de analisar a capacidade de generalização do modelo para diferentes níveis de ruído. Por fim, um caso de estudo com perfís de carga realísticos oriundos de uma companhia de distribuição brasileira é conduzido no sistema de teste IEEE 118–Bus. / [en] The use of full model representation in power system studies may lead to undesirable levels of computational burden and inaccuracy due to modern system complexities and uncertainties. To address the tractability issue, network reduction methods aim to create a simplified model, with reduced
dimension, of a given power system. Current techniques consider only one operating point in their reduction process, falling short in properly performing for a wide range of operating conditions. Additionally, a nonlinear AC power flow solution features worse computation performance, but better accuracy
when compared against its linearized counterpart (DC power flow solution). Unfortunately, the DC power flow approximation disregards the line losses and nonlinear effects due to changes in voltage levels and reactive power. In this context, we propose a novel optimization–based framework to create
equivalent power flow models. Thus, to overcome the computational performance limitations and imprecision for multiple operating scenarios, we use the proposed framework to produce a DC–based network reduction method that performs well in many operating points. The solution of a linear optimization problem, which considers multiple AC power flow scenarios or network measurements, determines the equivalent network parameters. To ensure modeling accuracy, we consider a set of artificial dynamic loads to represent the mismatch between observed scenarios and the response of the
equivalent. These artificial loads are polynomial functions of the operating point, and their coefficients are co-optimized with the reduced network parameters. Principal Component Analysis (PCA) is used to extract the relevant components of the load vector defining the operating point, reducing the equivalent model dimensionality, and improving out–of–sample performance. We test the methodology against traditional Ward equivalent for different operating conditions. We present case studies with generated data to investigate the model generalization capability for different noise levels. Finally, we conduct a case study based on realistic load profiles from a Brazilian distribution company within the IEEE 118–Bus test system.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:55203 |
| Date | 05 October 2021 |
| Creators | RAUL RIBEIRO DA SILVA |
| Contributors | ALEXANDRE STREET DE AGUIAR |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0023 seconds