A Study on Seasonal Hourly Estimation of Transmission Congestion with High Wind Power Penetrations

Abstract

The transition to renewable energy sources has led to the widespread adoption of wind power generation in pursuit of carbon neutrality. However, the potential for transmission congestion is growing due to disparities in the construction periods of wind turbines and the transmission network. Given that this congestion can lead to curtailments, it becomes essential to estimate and address it through transmission congestion estimation. Moreover, assessing the impact of wind power on power systems poses challenges with conventional analysis methods, mainly due to the variability and uncertainty inherent in wind power. Consequently, there is a need for power system analysis methods that can accommodate variability and uncertainty. The improvement of wind power forecasting accuracy and the construction of the transmission network are methods for addressing transmission congestion. Enhancing the accuracy of short-term wind power forecasting can increase the utilization of flexible resources to adapt to the variability and uncertainty of renewable energy. Additionally, probabilistic power system analysis identifies areas requiring transmission network reinforcement to accommodate the increasing share of renewable energy. Therefore, this paper introduces a rolling long short-term memory (R-LSTM) based short-term wind power output forecasting model to estimate 24-hour seasonal transmission congestion. The R-LSTM model, incorporating a recursive strategy for data updates, demonstrated higher accuracy than LSTM when using wind farm F data from Jeju power system. The forecasting results were utilized for 24-hour transmission congestion estimation. To encompass variability and uncertainty, probabilistic transmission congestion estimation was perfomed using seasonal hourly wind farms and electricity demand scenarios. This study employed data from seven wind farms and electricity demand data from Jeju Island to create 16,000 scenarios. Kernel density estimation (KDE) was employed to estimate the probability density function (PDF) of wind farms and demand. Markov Chain Monte Carlo (MCMC) sampling, specifically the Metropolis-Hastings algorithm, was used to generate seasonal hourly scenarios for wind farms and electricity demand based on the estimated PDFs. Power flow calculations and N-1 contingency analyses were conducted using PSS/E and Python. Based on the results, congestion components were analyzed to identify probability of seasonal hourly transmission congestion.;탄소중립 달성을 위해 재생에너지로의 에너지 전환이 필요함에 따라 풍력 발전원의 보급률이 증가하고 있다. 그러나 풍력 발전기와 송전망의 건설 기간 간의 차이 등으로 인해 송전 혼잡의 발생 가능성이 커지고 있다. 이러한 송전 혼잡은 출력제한의 원인이 되므로 송전 혼잡 추정을 통한 해소가 필요하다. 또한, 풍력 발전원의 변동성 및 불확실성으로 인해 기존의 전력계통 해석 방법으로는 풍력 발전의 영향을 검토하는 데 한계가 있으므로 변동성 및 불확실성을 고려한 계통해석 방법이 필요하다. 송전 혼잡을 해소하는 방법에는 단기적으로는 단기 풍력 예측의 정확도 향상과 장기적인 방법으로는 송전망 건설이 있다. 단기 풍력 예측의 정확도를 향상하여 재생에너지의 변동성 및 불확실성에 유연하게 대응할 수 있는 유연성 자원들의 활용을 높일 수 있으며, 다수의 시나리오를 사용한 확률론적 계통 해석을 통해 재생에너지 증가에 따른 송전망 보강이 필요한 곳을 파악할 수 있다. 따라서 본 논문에서는 24시간 계절별 송전 혼잡을 추정하기 위해 rolling long short-term memory (R-LSTM) 기반의 단기 풍력 발전 출력 예측 모델을 연구한다. R-LSTM 모델은 LSTM 모델에 데이터 업데이트 기법인 recursive strategy를 사용한 예측 모델을 의미한다. 또한 변동성 및 불확실성을 고려하기 위해 계시별 풍력발전출력 및 전력 수요 시나리오를 사용하여 확률론적으로 송전 혼잡을 추정한다. 제주도의 7개 풍력발전단지와 전력 수요 데이터를 사용하며 이를 기반으로 계시별 시나리오를 생성한다. 시나리오를 생성하기 위해 비모수적 방법의 하나인 kernel density estimation (KDE)로 풍력발전단지 및 전력 수요의 확률밀도함수(probability density function, PDF)를 추정한다. 추정된 계시별 PDF에서 Markov Chain Monte Carlo (MCMC) 샘플링 기법 중 Metropolis-Hasting 알고리즘을 사용하여 제주도 풍력발전단지 및 전력 수요의 계시별 시나리오를 생성한다. 생성된 풍력 및 수요시나리오 및 24시간 풍력 예측 결과를 제주전력계통에 적용하였으며, PSS/E 및 Python을 사용하여 정상상태 조류계산 및 주요 상정고장 해석을 수행하였다. 이를 기반으로 혼잡 성분을 분석하고, 혼잡 성분에 대해 계시별 송전 혼잡을 추정하였다.