Transformers can be described as ’slumbering giants’ in the electric power system. This marks transformers to be big and expensive parts of equipment. Calling them slumbering refers to the unused capacity in many of them. Dynamic Transformer Rating (DTR) is a concept to utilize this potential and wind power connected transformers have been identified as a well-fitting application due to the naturally limited capacity factor and the correlation of low ambient temperature and high wind speeds. Previous scientific work and a small number of applied projects show the feasibility and benefits of combining DTR and wind power. Wind power forecasting is a standard procedure for dispatch planning and electricity trading. This thesis project aims at combining both subjects and focuses on providing and analyzing a forecasting tool. At various forecasting steps Machine-Learning (ML) approaches are tested and evaluated. The developed tool is designed for and tested on a case study comprising an existing wind farm and transformer. It is shown that in many, but not all cases an overheating (exceeding of the Hot Spot Temperature (HST) limit) can be predicted. Applying DTR adds a level of uncertainty to wind power forecasts since not only the wind power but also the transformer capacity must be predicted. In this project however the wind power forecast is identified as the main source of uncertainty. / Transformatorer kan beskrivas som ‚sovande jättar‘ i det elektriska systemet eftersom transformatorer karakteriseras som stor och kostsam utrustning. Att kalla dem sovande hänvisar till den oanvända kapaciteten som finns i många. Dynamic Transformer Rating (DTR) är ett koncept för att använda denna potential och transformatorer kopplade till vindkraftsanläggningar blev utnämnd som en passande tillämpning på grund av deras begränsade kapacitetsfaktor och korrelationen mellan låga temperaturer och höga vindhastigheter. Tidigare vetenskapligt arbete och ett fåtal realiserade projekt visar genomförbarhet och fördelarna med kombinationen av DTR och vindkraft. Vindkraftsprognoser är något man vanligen använder inom driftplanering av vindkraftverk och elhandel. Detta examensarbete har som mål att kombinera båda metoderna och fokuserar på att framställa och analysera ett prognosverktyg. Olika tillvägagångssätt testas och evalueras vid de olika stegen som tas. Verktyget är skapat och testat på en fallstudie som i sig är baserad på data från existerande vindkraftverk och transformatorer. Det visar sig att man kan förutsäga överskridandet av Hot spot temperature (HST) vid många tillfällen men inte alla. Tillämpning av DTR lägger till osäkerheter till vinkraftsprognoser för att både kapaciteten på vindkraftverk och på transformatorn måste förutsägas. I detta projekt visade sig vinkraftsprognosen vara den största källan till osäkerhet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-308678 |
| Date | January 2021 |
| Creators | Hartmann, Maximilian |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:895 |
Page generated in 0.002 seconds