چکیده
قابلیت Blackstart برای باز وصل سیستم قدرت پس از خاموشی ضروری است. برنامه ریزان باز وصل سیستم توالی های باز وصل را مشخص می کنند تا قدرت راه اندازی از واحدهای Blackstart (BSUها) به واحدهای غیر بلک استارت (NBSUها) را ارائه کنند، بارهای بحرانی را بردارند، و مسیرهای انتقال ضروری را انرژی دار کنند. این مقاله الگوریتم جدیدی را برای بهینه سازی اقدامات باز وصل ارائه می کند. یک الگوریتم جستجوی بهینه ارائه می شود تا برنامه ای را برای راه اندازی واحدهای غیر بلک استارت از طریق مسیرهای انتخاب شده خطوط انتقال مشخص کند. فرض بر این است که قابلیت تولید یک BSU ثابت است، روش به منظور بهینه سازی کل قابلیت-های تولید MWHr سیستم از NBSUها استفاده می کند. برای کاهش پیچیدگی محاسباتی طرح ریزی باز وصل سیستم، مدل ژنراتور جدیدی ارائه می شود که منتج به فرمولاسیون برنامه نویسی عدد صحیح خطی (IP) می شود. خطی بودن فرمولاسیون مسئله IP تضمین می کند که بهینگی جهانی به دست می آید. جریان قدرت بهینه (OPF) به منظور بررسی امکانپذیری اقدامات باز وصل برنامه ریزی شده مورد استفاده قرار می گیرد. موارد تست و بررسی از سیستم باس- IEEE 39، سیستم ایزو نیو انگلند، و سیستم دوک- ایندیانا استفاده می کند تا الگوریتم ارائه شده را اعتبارسنجی کند. شبیه سازی عددی نشان می دهد که روش ارائه شده از نقطه نظر محاسباتی برای موارد سیستم قدرت در دنیای واقعی کارآمد است.
1. مقدمه
اگرچه خاموشی های اصلی سیستم قدرت به ندرت رخ می دهد، خاموشی وسیع برق تهدیدی برای قابلیت اطمینان عملیاتی شبکه است. خاموشی برق عظیم مانند قطعی برق در ماه آگوست سال 2003 در شمال شرقی ایالات متحده [1] و قطع برق در سال 2002 که ناشی از طوفان سندی بود [2]، بر نیاز به استراتژی های باز وصل سیستم قدرت و ابزارهای پشتیبانی تصمیم برای برنامه ریزی باز وصل سیستم تاکید می کند.
abstract
Blackstart capability is essential for power system restoration following a blackout. System restoration planners determine the restoration sequences to provide cranking power from blackstart units (BSUs) to non-blackstart units (NBSUs), pick up critical loads, and energize the necessary transmission paths. This paper proposes a new algorithm for optimization of the restoration actions. An optimal search algorithm is proposed to determine the plan to crank NBSUs through the selected paths of transmission lines. Assuming that the generation capability of a BSU is constant, the method is used to optimize the overall system MWHr generation capabilities from NBSUs. To reduce the computational complexity of system restoration planning, a new generator model is proposed that results in a linear integer programming (IP) formulation. Linearity of the IP problem formulation ensures that the global optimality is achieved. The optimal power flow (OPF) is used to examine the feasibility of planned restoration actions. Test cases from the IEEE 39-bus system, ISO New England system, and Duke-Indiana system are used to validate the proposed algorithm. Numerical simulations demonstrate that the proposed method is computationally efficient for real-world power system cases.
1. Introduction
Although major outages of power systems rarely occur, widespread blackouts are a threat to the grid’s operational reliability. Massive blackouts, such as the August 2003 blackout in Northeastern U.S. [1] and 2012 power outage caused by Hurricane Sandy [2], highlight the need for efficient power system restoration strategies and decision support tools for system restoration planning
چکیده
1. مقدمه
2. قابلیت بلک استارت
3. مدلسازی واحد بر اساس برنامه ریزی عدد صحیح خطی
4. فرمولبندی مسئله بهینه سازی
4.1 فرضیه
4.2 تابع هدف
4.3 محدودیت ها
4.4 ابزار OBC
5. نتایج شبیه سازی
5.1 سیستم 39 باسه IEEE
5.2 سیستم ایزو نیو انگلند
5.3 سیستم دوک- ایندیانا
5.4 ترکیب منابع مختلف بلک استارت در OBC
5.5 آنالیز پیچیدگی محاسباتی مدل ژنراتور مبتنی بر IP و MILP
6. نتیجه گیری ها و آثار آتی
abstract
1. Introduction
2. Blackstart capability
3. Unit modelling based on linear integer programming
4. Formulation of the optimization problem
4.1. Assumption
4.2. Objective function
4.3. Constraints
4.4. OBC tool
5. Simulation results
5.1. IEEE 39-bus system
5.2. ISO New England system
5.3. Duke-Indiana system
5.4. Incorporating different blackstart resources into OBC
5.5. Computational complexity analysis of IP-based and MILP-based generator model
6. Conclusions and future work