Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y DE PARMETROS
EN REDES ELCTRICAS
1999
ndice General
1 Estimacin de Estado en Redes Elctricas
1.1
1.2
1.3
1.4
Introduccin . . . . . . . . . .
Hiptesis y datos de entrada .
Resultados de la estimacin de
Resumen . . . . . . . . . . . .
. . . .
. . . .
estado
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduccin . . . . . . . . . . . . . . . . . .
Mnimos cuadrados ponderados . . . . . . .
Ecuaciones normales con restricciones . . . .
Transformaciones ortogonales . . . . . . . .
Mtodo hbrido . . . . . . . . . . . . . . . .
Mtodo de la matriz aumentada de Hachtel
Mtodo de pseudoinversas . . . . . . . . . .
Mtodo de la matriz aumentada por bloques
Mnimos valores absolutos . . . . . . . . . .
Mnima mediana de cuadrados . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 1
. 2
. 13
. 19
.
.
.
.
.
.
.
.
.
.
.
25
25
28
30
32
33
33
34
36
37
39
40
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Entorno de simulacin . . . . . . . . . . . . . . . . . . . . . . .
Carcter local del efecto de los errores en los parmetros . . . .
Anlisis del nivel de error en las medidas . . . . . . . . . . . . .
Errores en la conductancia y en la susceptancia . . . . . . . . .
Inuencia de los ujos e inyecciones sobre las medidas estimadas
Inuencia de los errores en las medidas sobre la estimacin . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
Copyright P. Zarco & A. Gmez-Expsito
45
47
50
53
58
60
61
64
ii
NDICE GENERAL
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . .
Identicacin de errores en los parmetros . . . . . . . .
Clasicacin de los mtodos de estimacin de parmetros
Estimacin on-line frente a estimacin o-line . . . .
Carcter local de la estimacin de parmetros . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . .
Mtodos basados en el anlisis de sensibilidad residual . .
Mtodos que amplan el vector de estado . . . . . . . . . .
5.3.1 Resolucin mediante ecuaciones normales . . . . . .
5.3.2 Resolucin basada en la teora del ltro de Kalman
Discusin . . . . . . . . . . . . . . . . . . . . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
69
69
69
71
72
73
79
85
85
85
93
93
101
105
108
Introduccin . . . . . . . . . . . . . . . . . . . . . . . .
Estimacin de impedancias o admitancias . . . . . . .
Inuencia del nmero de muestras utilizadas . . . . . .
Relacin con el nivel de error en las medidas . . . . . .
Inuencia del tipo de medidas disponibles . . . . . . .
Estimacin de varios parmetros simultneamente . . .
Optimalidad de los parmetros estimados . . . . . . . .
Resultados del estimador con los parmetros mejorados
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3
Introduccin . . . . . . . . . . . . . . . . . . . .
Observabilidad . . . . . . . . . . . . . . . . . .
7.2.1 Test de observabilidad . . . . . . . . . .
7.2.2 Identicacin de redes observables . . . .
7.2.3 Ubicacin de medidas . . . . . . . . . . .
Errores no gaussianos . . . . . . . . . . . . . . .
7.3.1 Determinacin de la presencia de errores
7.3.2 Identicacin de medidas errneas . . . .
7.3.3 Eliminacin de medidas errneas . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
114
115
117
121
124
125
128
128
133
133
134
136
137
138
139
140
141
143
NDICE GENERAL
7.4
7.5
iii
165
171
ndice de Figuras
1.1
1.2
Error de linealidad. . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Error de reproducibilidad. . . . . . . . . . . . . . . . . . . . . .
1.4
1.5
1.6
3.1
Red IEEE-14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2
Inuencia del error conjunto en la susceptancia y la conductancia de una lnea sobre las medidas: (a): De toda la red (trazo
discontinuo); (b): Adyacentes (trazo continuo). . . . . . . . . . . 51
3.3
3.4
Inuencia del error conjunto en la susceptancia y la conductancia de una lnea sobre las medidas adyacentes para distintas
clases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5
3.6
i
Copyright P. Zarco & A. Gmez-Expsito
ii
NDICE DE FIGURAS
3.7
. 57
. 59
. 61
. 62
. 63
. 64
4.1
4.2
Red IEEE-118. . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Resultado del anlisis de sensibilidad de la lnea que une los
nudos 49 y 51 en la red IEEE-118. . . . . . . . . . . . . . . . . . 78
5.1
5.2
5.3
5.4
6.1
6.2
6.3
6.4
88
93
97
98
NDICE DE FIGURAS
6.5
6.6
6.7
iii
ndice de Tablas
1.1
1.2
6.1
6.2
6.3
6.4
6.5
6.6
6.7
7
9
116
120
120
122
122
127
128
i
Copyright P. Zarco & A. Gmez-Expsito
ii
NDICE DE TABLAS
Captulo 1
Estimacin de Estado en Redes
Elctricas
1.1 Introduccin
Cuando en 1965 se produjo el incidente que dej sin alimentacin de energa
elctrica al nordeste de los Estados Unidos, las empresas elctricas tomaron
conciencia de que deban realizar un gran esfuerzo para desarrollar nuevas
tcnicas en la operacin de los sistemas de potencia que permitieran un elevado
nivel de seguridad en el servicio. Esto dio lugar a que los antiguos mtodos y
herramientas de operacin resultaran inadecuados.
Se comenz a hablar de anlisis de seguridad, ndices de seguridad, mejora de la seguridad, anlisis de estabilidad, optimizacin y se empezaron a
construir nuevos centros de control. Hasta entonces, el control y la decisin
de la operacin se basaban en un sistema de supervisin, que controlaba las
posiciones de los interruptores en las subestaciones, y un sistema separado,
generalmente anlogo al anterior, que controlaba de manera automtica la
generacin y el despacho econmico. Por lo tanto, los nicos datos que el operador tena disponibles en tiempo real eran el estado de los interruptores, la
frecuencia del sistema y el conjunto de medidas de potencia necesarias para el
control de la generacin.
Partiendo de esta situacin el esfuerzo se centr en conseguir cada pocos
segundos la informacin, tanto de los interruptores como de todas las medidas
de la red que se controlaba. Teniendo todos estos valores en tiempo real en
la base de datos era posible comprobar la seguridad continuamente, es decir,
se podan analizar las condiciones de operacin de cada equipo de la red y
Estimacin de Estado
detectar las situaciones anormales y alarmantes de funcionamiento. Este proceso de captacin, deteccin y sealizacin del sistema, junto con la utilizacin
de pantallas grcas y el almacenamiento de todos los eventos, constituy el
sistema de supervisin del control y adquisicin de datos (SCADA en ingls).
Con todo lo anterior, se pens que teniendo la base de datos actualizada
peridicamente, gracias al SCADA, se podra llevar el seguimiento y el control
de la seguridad del sistema con slo introducir las medidas en los programas de
control. Pero no era correcto y fue Schweppe el que reconoci desde el principio
que haba dos problemas fundamentales para la ejecucin de las funciones de
seguridad.
En primer lugar, aunque el nmero de medidas era generalmente muy
grande siempre haba inconsistencias, ya que ciertas medidas desaparecan
temporalmente o haba medidas con errores no gaussianos. En segundo lugar, las nuevas funciones de seguridad necesitaban un punto de partida, es
decir, un reparto de cargas en tiempo real. Como consecuencia de lo primero,
los programas de reparto de cargas que se venan utilizando hasta esas fechas
no se podan utilizar en tiempo real, por lo que no haba forma prctica de
realizar funciones de seguridad.
Schweppe, con la estimacin de estado, resolvi tanto el problema de los
datos como el de la resolucin en tiempo real. Como l dijo, el estimador de
estado es un puricador de datos", utilizando una analoga con la puricacin
de la sangre en el cuerpo humano [13]. Pero es algo ms, el estimador de estado
es un reparto de cargas en tiempo real. Con esto se aseguraba la ejecucin de las
funciones de seguridad en los centros de control y el SCADA era reemplazado
por lo que hoy da se conoce como sistema de gestin de energa (EMS en
ingls).
Telemedidas: Son las que se obtienen en tiempo real desde las remotas de las subestaciones a travs del SCADA. Los datos tpicos
que se incluyen son:
Pseudomedidas: Son valores obtenidos basndose en los datos histricos existentes, por lo que tienen menos precisin que si fuesen
medidos; por ejemplo, la potencia generada en las centrales o la
demanda de las subestaciones.
Pero ocurre que los datos telemedidos contienen errores debido a la inexactitud de la calibracin de los transductores, el efecto de la conversin
analgica-digital, el ruido en los canales de comunicacin, el desequilibrio entre fases, etc., y como se ha comentado previamente, la estimacin de estado es
un proceso que limpia los datos errneos ya que las medidas (ujos, tensiones,
etc.) estn relacionadas entre s mediante las leyes que gobiernan los circuitos
elctricos. Si hay redundancia en el conjunto de medidas (ms medidas que las
necesarias para determinar la condicin de la red), se puede utilizar un proceso
sistemtico que corrija los errores.
La exactitud de las medidas no slo depender del transformador de medida, sino tambin de los transductores y convertidores y se tendr en cuenta
como error de las medidas un nico valor que sea conjuncin de la suma acumulativa de los errores en los dispositivos que intervienen en todo el proceso.
Los parmetros que denen la exactitud de la medida son:
Estimacin de Estado
Estimacin de Estado
Clase
de
precisin
0.1
0.2
0.5
1
3
5
Error de relacin en %
para los valores de
intensidad expresados en %
de la intensidad nominal
1 %
10
20 50 100 120
0.25 0.2
- 0.1 0.1
0.5 0.35 - 0.2 0.2
1.0 0.75 - 0.5 0.5
2.0
1.5
- 1.0 1.0
3
3
5
5
Estimacin de Estado
Clase
0.1
0.2
0.5
1
3
Error de relacin (u %)
0.1
0.2
0.5
1.0
3.0
Desfase min. (u )
5
10
20
40
No especicado
Tabla 1.2: Lmites del error de relacin y del desfase para transformadores de
tensin.
no admiten la clase 5. Tambin hay que tener en cuenta que la norma CEI
y la mayor parte de las normas europeas establecen que los errores indicados
no deben sobrepasarse para una potencia comprendida entre la nominal y su
cuarta parte, con cos = 0.8, mientras que la norma ANSI solamente exige el
cumplimiento de la precisin para una potencia igual a la potencia nominal.
La clase de precisin de un transformador de tensin debe cumplirse en
todas las tensiones comprendidas entre el 80 y el 120 % de la tensin nominal
y a todas las cargas comprendidas entre el 25 y el 100 % de la precisin, bajo un
factor de potencia de 0.8 en retraso. En la Tabla 1.2 se muestran los lmites del
error de relacin y desfase en funcin de la clase de precisin. Estas exigencias
de precisin coinciden para todas las normas.
Hasta ahora se han denido las fuentes de informacin necesarias para el estimador de estado. stas son necesarias para poder llevar a cabo la estimacin,
que se realiza bajo las siguientes hiptesis:
10
Estimacin de Estado
R = E(ee ) =
i2
i2
..
(1.1)
2
m
11
12
Estimacin de Estado
(c) En [35] se propone: Para todas las medidas, a los estados exactos se
les suma un error gaussiano obtenido con un generador de nmeros
aleatorios a partir de la desviacin tpica de cada medida, siendo
sta funcin del fondo de escala y de la clase del aparato de medida.
4. es funcin del valor medido y del fondo de escala:
(a) En [4] se propone:
= 0.0067 V M + 0.00163 F E
(1.2)
siendo:
V M el valor medido.
F E el fondo de escala del aparato de medida.
(b) En [9] se propone:
= 0.015 V M + 0.003 F E
(1.3)
= (0.02 V M + 0.0035 F E)
siendo :
|| 1
F E = 2000 MVA.
(1.4)
13
= 0.012 V M + 0.0035 F E
(1.5)
siendo F E = 20 p.u.
(g) En [33] se propone:
3 = V M + FE
(1.6)
14
Estimacin de Estado
15
Areas no observables
16
Estimacin de Estado
17
Medidas crticas
Por denicin, en estimacin de estado un error en una medida crtica no
puede ser identicado. Por lo tanto, depender del operador la decisin de si
una medida crtica es correcta o no. Por este motivo, en la presentacin de los
resultados de la estimacin de estado, las medidas crticas se identicarn de
un modo especial.
Idealmente, habr suciente redundancia en el conjunto de medidas de
manera que no haya medidas crticas. Con este criterio se asegura la redundancia local en la red pero en la prctica pueden existir varias medidas crticas.
18
Estimacin de Estado
Topologa de la red
En la estimacin de estado se supone que la informacin que se tiene en la
base de datos respecto a la posicin abierta o cerrada de los interruptores y
seccionadores es correcta. Esta suposicin es cierta si es supervisada por medio
del SCADA.
Se pueden producir errores en la estacin remota debido a la prdida de
conexin, a un problema de un cable, un fallo en algn rel, alguna tarjeta,
etc. Estos errores no suelen producirse pero si ocurriesen daran lugar a que
el congurador de la red proporcionase un modelo errneo de sta.
Si el interruptor o seccionador no se supervisa a travs del SCADA, la
actualizacin de su posicin la realiza manualmente el operador tras una serie
de operaciones que el operario de campo realiza. Puede ocurrir que el operador se olvide de actualizar la posicin de los equipos, lo que origina un error
topolgico en la red.
Este problema se puede obviar mediante el preprocesador del estimador de
estado. ste lo que realiza es la vericacin de cada nudo y si el residuo de
las potencias activa y reactiva superan un umbral se emite un mensaje que
avisar al operador. Por lo tanto, si se produce algn error en la informacin
que se tenga de un interruptor, sta se detectara por la correlacin que existe
entre la posicin del interruptor y los ujos de las ramas.
Resumen
19
1.4 Resumen
En este captulo se ha presentado el problema que exista en la operacin de
los sistemas de potencia y el cambio de mentalidad producido hacia los nuevos
sistemas de seguridad. Al producirse este cambio fue cuando emergi con gran
fuerza la estimacin de estado como solucin a los problemas de inconsistencia
y seguridad planteados.
Se han estudiado los datos de entrada necesarios para el estimador de estado (Apartado 1.2), que adems de los datos proporcionados por el SCADA
necesita los valores de los parmetros, la informacin topolgica, el modelo
matemtico del sistema y las pseudomedidas. En este mismo apartado se
han analizado los parmetros que denen la exactitud de la medida y se ha
justicado la utilizacin de la clase como nico parmetro para denirla.
Por ltimo, se han analizado los resultados que se obtienen de la estimacin
de estado (Seccin 1.3), justicndose los motivos para realizarla, as como la
inuencia que tiene sta sobre las funciones de control, el operador y la planicacin. Igualmente se han remarcado las limitaciones que tiene la estimacin
y que deben quedar completamente claras para el operador con objeto de que
ste pueda subsanarlas.
20
Estimacin de Estado
Bibliografa
[1] Abur A., A Bad Data Identication Method for Linear Programming
State Estimation. IEEE Transactions on Power Systems, Vol. 5, No. 3,
pp. 894-901, August 1990.
[2] Abur A., elik M., A Fast Algorithm for the Weighted Least Absolute
Value State Estimation. IEEE Transactions on Power Systems, Vol. 6,
pp. 1-8, February 1991.
[3] Allam M., Laughton M., A General Algorithm for Estimating Power
System Variables and Network Parameters. IEEE PES 1974 Summer
Meeting, Anaheim, CA, Paper C74 331-5, 1974.
[4] Allemong J., Radu L., Sasson A., A Fast and Reliable State Estimation
Algorithm for AEP's New Control Center. IEEE Transactions on Power
Apparatus and Systems, pp. 933-944, April 1982.
[5] Baldick, R., Clements K., Pinjo-Dzigal Z., Davis P., Implementing Nonquadratic Objetive Functions for State Estimation and Bad Data Rejection. IEEE Transactions on Power Systems, Vol. 12, No. 1, pp. 376-382,
February 1997.
[6] elik M., Abur A., A Robust WLAV State Estimator Using Transformations. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp.106-113,
February 1992.
[7] Clements K., Denison O., Ringlee R., The Eects of Measurement NonSimultaneity, Bias and Parameter Uncertainty on Power System State
Estimation. PICA Conference Proceedings, pp. 327-331, June 1973.
[8] Clements K., Ringlee R., Treatment of Parameter Uncertainty in Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Anaheim, Cal., Paper C74 311-7, July 1974.
21
Copyright P. Zarco & A. Gmez-Expsito
22
BIBLIOGRAFA
[9] Clewer B., Irving M., Sterlig M., Topologically Independent State Estimation. IFAC Symposium Power Systems. Modelling and Control Applications, Brussels, pp. 17.1.1.-17.1.13., September 1988.
[10] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.
[11] Dopazo J., Klitin O., Stagg G., Van Slyck L., State Calculation of Power Systems from Line Flow Measurements. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-89, No. 7, pp. 1698-1709, September/October 1970.
[12] Dopazo J., Klitin O., Van Slyck L., State Calculation of Power Systems
from Line Flow Measurements, Part II. PICA Conference Proceedings,
Boston, pp. 341-347, 1971.
[13] Dy Liacco T., The Role and Implementation of State Estimation in an
Energy Management System. Electrical Power & Energy Systems, Vol.
12, No. 2, pp. 75-79, April 1990.
[14] Falco D., de Assis S., Linear Programming State Estimation: Error
Analysis and Gross Error Identication. IEEE Transactions on Power
Systems, Vol. 3, No. 3, pp. 809-815, August 1988.
[15] Gmez A., Estimacin de Estado en Sistemas Elctricos de Potencia.
Automtica e Instrumentacin, No. 155, pp. 185-193, Febrero 1986.
[16] Handschin E., Schweppe F., Kohlas J., Fiechter A., Bad Data Analysis for
Power System State Estimation. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-94, No. 2, pp. 329-337, March/April 1975.
[17] Handschin E., Kliokys E., Transformer Tap Position Estimation and Bad
Data Detection Using Dynamic Signal Modelling. IEEE Transactions on
Power Systems, Vol. 10, No. 2, pp. 810-817, May 1995.
[18] Irving M., Owen R., Sterling M., Power System State Estimation Using
Linear Programming. IEE Proceedings, Vol. 125, pp. 879-885, September
1978.
BIBLIOGRAFA
23
[19] Kotiuga W., Vidyasagar M., Bad Data Rejection Properties of Weighted
Least Absolute Value Techniques Applied to Static State Estimation.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-101, No.
4, pp. 844-853, April 1982.
[20] Larson R., Tinney W., Hajdu L., Piercy D., State Estimation in Power
Systems. Part II: Implementation and Applications. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-89, No. 3, pp. 353-362, March
1970.
[21] Liu W., Wu F., Lun S., Estimation of Parameter Errors from Measurement Residuals in State Estimation. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp. 81-89, February 1992.
[22] Liu W., Lim S., Parameter Error Identication and Estimation in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 10,
No. 1, pp. 200-209, February 1995.
[23] Lo K., Ong P., McColl R., Moatt A., Sulley J., Development of a Static
State Estimator, Part I: Estimation and Bad Data Suppression, Part II:
Bad Data Replacement and Generation of Pseudo-Measurements. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, pp. 24862500, 1983.
[24] Masiello R., Schweppe F., A Tracking Static State Estimator. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-90, pp. 10251033, March/April 1971.
[25] Mayo J., Nievas J., Pastor A., Medidas de Potencia Elctrica: Vatmetros. Automtica e Instrumentacin, No. 155, pp. 135-153, Febrero 1986.
[26] Mili L., Van Cutsem T., Ribbens-Pavella M., Hypothesis Testing Identication: A New Method for Bad Data Analysis in Power System State
Estimation. IEEE Transactions on Power Apparatus and Systems, Vol.
PAS-103, No. 11, pp. 3239-3252, November 1984.
[27] Mili L., Van Cutsem T., Ribbens-Pavella M., Bad Data Identication
Methods in Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, No. 11, pp. 3037-3049, November
1985.
24
BIBLIOGRAFA
[28] Mili L., Phaniraj V., Rousseeuw P., Least Median of Squares Estimation
in Power Systems. IEEE Transactions on Power Systems, Vol. 6, No. 2,
pp. 511-523, May 1991.
[29] Quintana V., Van Cutsem T., Real-Time Processing of Transformer Tap
Positions. Canadian Electrical Engineering Journal, Vol. 12, No. 4, pp.
171-180, 1987.
[30] Quintana V., Van Cutsem T., Power System Network Parameter Estimation. Optimal Control Applications & Methods, Vol. 9, pp. 303-323,
1988.
[31] Ruiz J., Gmez A., A Line-Current Measurement Based State Estimator. IEEE Transactions on Power Systems, Vol. 7, No. 2, pp. 513-519,
May 1992.
[32] Van Cutsem T.,Quintana V., Network Parameter Estimation Using Online Data with Application to Transformer Tap Position Estimation. IEE
Proceedings, Vol. 135, Pt C, No. 1, pp. 31-40, January 1988.
[33] Van Slyck L., Allemong J., Operating Experience with the AEP State
Estimator. IEEE Transactions on Power Systems, Vol. 3, No. 2, pp. 521528, May 1988.
[34] Wu F., Power System State Estimation. Electrical Power & Energy Systems, Vol. 12, No. 2, pp. 80-87, April 1990.
[35] Zarco P., Gmez A., O-line Determination of Network Parameters in
State Estimation. Proceedings 12th. Power System Computation Conference, pp. 1207-1213, Dresden, Germany, August 1996.
Captulo 2
Mtodos de Estimacin de Estado
2.1 Introduccin
El estado de un sistema de potencia hace referencia a su condicin de operacin
y, matemticamente, todas las cantidades se pueden calcular una vez que se
conocen las magnitudes de las tensiones y los desfases de los ngulos. Por lo
tanto, el modelo matemtico de la estimacin de estado se basa en las relaciones
matemticas entre las medidas y las variables de estado.
Sea z el vector de telemedidas, x el vector de variables de estado (tensiones
en los nudos y fase de los ngulos), h las ecuaciones que relacionan las medidas
con las variables de estado y el vector de errores de las medidas. Entonces,
el vector de medidas se modela como [25, 26]:
(2.1)
z = h(x) +
12
R = E{ T } =
22
..
.
2
m
25
Copyright P. Zarco & A. Gmez-Expsito
(2.2)
26
y W = R1 .
En las ecuaciones (2.1), x es el verdadero valor del estado desconocido y,
como los errores son variables aleatorias, las medidas z tambin lo son. Ms
an, z tiene distribucin gaussiana con media h(x) y covarianza R y la funcin
de densidad de probabilidad de z se puede escribir [2]:
1
T
f (z) = ( 2)m |W |(1/2) e 2 [zh(x)] W [zh(x)]
(2.3)
La ejecucin satisfactoria de la estimacin de estado en los modernos sistemas de gestin de energa durante los ltimos aos mediante el mtodo de
mnimos cuadrados ponderados ha incitado a la realizacin de estimadores que
abarcan redes cada vez ms grandes. Esto implica que cada vez sean mayores
los porcentajes de la red externa que se representan.
Con este crecimiento de los sistemas aparecen una serie de problemas que
cuando se trata de otros ms pequeos no existen. Uno de los principales problemas que se crea es el mal condicionamiento numrico. Cuando el sistema se
encuentra mal condicionado aparecen problemas de lentitud en la convergencia
a la solucin as como fallos en dicha convergencia.
El modo de solucionar el problema de la estimacin de estado es mediante una secuencia de puntos x0 , x1 , x2 , . . . En cada iteracin se resuelve una
parte del problema general en el que el siguiente punto xk+1 se calcula a partir del punto xk y del valor del parmetro p (impedancias, tensiones, etc.).
Esto se puede representar mediante la siguiente funcin: x1 = f (x0 , p), x2 =
f (x1 , p), . . . Este proceso converge si xn se aproxima a la solucin x.
Por otro lado, como consecuencia de que un nmero x1 se almacena mediante una aproximacin x1 aparece el error de redondeo que es la diferencia
de ambos nmeros. El efecto del error de redondeo es que en lugar de utilizar
x2 = f (x1 , p), en los clculos se emplea x2 = f (x1 , p ).
Un algoritmo se dice que est mal condicionado si para un (x1 , p) dado, la
diferencia entre f (x1 , p) y f (x1 , p) o entre f (x1 , p) y f (x1 , p ) es grande siendo
x1 y x1 o p y p valores muy prximos y por lo tanto da idea de cmo de
amplicados pueden quedar los errores en la solucin ante errores en los datos
de entrada. El mal condicionamiento ocurre cuando:
Introduccin
27
Estabilidad numrica.
Eciencia computacional.
Complejidad en la realizacin.
28
Insesgado: E(
x) = x .
Suciente: Utiliza toda la informacin estadstica existente en la muestra.
Eciente: Alcanza la cota de Cramer-Rao [16]
!
!T
lnf
(x,
)
lnf
(x,
)
(2.4)
Consistente: xm x si m .
As pues, desde el punto de vista estadstico, es posible armar que, como
mucho, se encontrar un estimador tan bueno como x
, pero no mejor.
29
(2.5)
(2.6)
J(x)
= 0 g(
x) = H T (
x)W [z h(
x)] = 0
x
donde
H(x) =
h(x)
x
(2.7)
(2.8)
es la matriz jacobiano.
Independientemente de la visin estadstica de la funcin J(x) es posible
dar otra interpretacin geomtrica de dicha eleccin. Por analoga con mnimos
cuadrados lineales se puede decir que minimizar dicha funcin es encontrar el
estado que hace que la distancia desde las medidas obtenidas a las medidas
estimadas sea mnima.
La solucin x
de la ecuacin no lineal (2.7) se puede obtener mediante un
mtodo iterativo en el que el vector de estado en la iteracin k-sima es xk y
en cada iteracin se resuelve la ecuacin lineal:
(2.9)
A(x) =
g
x
(2.10)
30
gi
=
xj
2 h(x)
xi xj
!T
h
W [z h(x)]
xi
!T
h
xj
(2.11)
(2.12)
donde
(2.13)
(2.14)
G = UT U
(2.15)
siendo U una matriz triangular superior. Seguidamente se resuelve x mediante eliminacin hacia adelante y sustitucin hacia atrs de
(U T U )x = H T W z
(2.16)
siendo z = z h(x).
31
H
C
#T "
#"
1
k
H
C
"
x =
H
C
#T "
#"
1
k
z
c
(2.18)
siendo c = c(x).
Para valores de k muy elevados, el trmino kC T C es dominante en la matriz,
sin embargo, no suele haber sucientes medidas virtuales como para que la
matriz C sea de rango completo y por tanto sea observable la red. Por lo
tanto, para valores de k grandes, la matriz de coecientes en (2.18) tiende a
ser singular causando problemas de mal condicionamiento.
Para evitar este problema las medidas virtuales se pueden separar de las
telemedidas tratndose como restricciones de igualdad y las medidas z incluirn
solamente las telemedidas y las pseudomedidas, si hay alguna. El problema que
se plantea en este caso ser el de encontrar un estimado del vector de estado x
que minimice la funcin objetivo (2.5) satisfaciendo, adems, las restricciones
c(x) = 0.
Para resolver este problema de minimizacin con restricciones [5, 31] se
puede utilizar el mtodo de los multiplicadores de Lagrange, obtenindose el
estimado x
mediante un procedimiento iterativo en el que la ecuacin linealizada que se resuelve en cada iteracin es:
"
HT W H CT
C
0
Siendo
"
F =
#"
"
H T W z
c
H T W H(x) C T
C
0
(2.19)
(2.20)
F = UT U
(2.21)
(U U )
se obtiene x.
"
H T (x)W z
c
(2.22)
32
= (
z Hx)
(
z Hx)
2
= k
z Hxk
(2.23)
= W 1/2 H
H
z = W 1/2 z
(2.24)
(2.25)
donde
J(x) = (
z Hx)
Q Q(
z Hx)
2
= kQ
z QHxk
= ky1 U xk2 + ky2 k2
donde
"
Q1
Q2
"
z=
y1
y2
(2.27)
(2.28)
es decir
U x = y1
(2.29)
U x = Q1 W 1/2 z
(2.30)
Mtodo hbrido
33
TH
= U T QQT U = U T U
G = HT W H = H
(2.31)
U T U x = H T W z
(2.32)
0
0
C
1
c
1
1
W
H W r = z
0
CT
HT
0
x
0
(2.33)
r = z Hx
(2.34)
siendo:
(2.35)
(2.36)
(2.37)
0
0
C
1
H
K(x) = 0 W
CT
HT
0
(2.38)
34
K = UT U
(2.39)
0
c
T
0
(U U ) r = z
x
0
(2.40)
W 1 H
HT
0
#"
1 W r
x
"
z
0
(2.41)
= W 1/2 H
H
z = W 1/2 z
(2.42)
(2.43)
siendo
minimizar J(x) = rt r
(2.44)
r = Hx
z
(2.45)
de manera que:
Factorizando H
= LU
H
(2.46)
Mtodo de pseudoinversas
35
el problema se reduce a:
minimizar
rt r
sujeto a: r = Ly
z
(2.48)
[LT L] y = LT
z
(2.49)
U x = y
La resolucin con restricciones [9] se puede expresar como:
"
"
x =
(2.51)
L11 0
L21 L22
(2.52)
(2.53)
U x =
w
y
(2.54)
36
0
0
0
C
0 Wi
0
Hi Wi ri
0
0
Wf1 Hf Wf rf
x
C T HiT
HfT
0
c
zi
zf
0
(2.55)
Seguidamente, permutando en la matriz de informacin las las y las columnas que involucran a las restricciones y eliminando de ella HfT :
0
0
Hf
Wf1
1
0
Wi
0
Hi
0
0
0
C
HiT C T HfT Wf Hf
HfT
Wf rf
Wi ri
zf
zi
c
HfT Wf zf
(2.56)
En (2.56) se observa que la ecuacin asociada a los residuos de las medidas de ujos queda desacoplada del resto del sistema, por lo que la ecuacin
matricial que se ha de resolver es:
zi
Wi1 0
Hi
Wi ri
c
0
C
=
0
T
T
T
T
Hf Wf zf
C Hf Wf Hf
Hi
x
(2.57)
37
z = H(x0 )x +
(2.58)
z = z h(x0 )
h
H(x0 ) =
x x=x0
(2.59)
donde
x = x x0
(2.60)
(2.61)
J(x) =
m
X
(2.62)
i=1
Esta funcin objetivo se puede minimizar iterativamente resolviendo el siguiente problema de programacin lineal:
minimizar J(x) =
sujeto a:
m
P
i=1
wi (ui + vi )
donde
(2.63)
38
xu , xv , u, v 0
xu (i) = x(i) si x(i) 0 y 0 en los otros casos
xv (i) = x(i) si x(i) 0 y 0 en los otros casos
u y v son vectores no negativos de dimensin m x 1 tales que min[u(i), v(i)] =
0 y max[u(i), v(i)] = |zi Hi (x0 )x|
El problema de programacin lineal de las ecuaciones (2.63) se puede resolver en dos etapas. En la primera de ellas se obtiene una posible solucin
bsica y en la segunda se realiza la optimizacin iterativamente mediante el
mtodo Simplex hasta encontrar la solucin ptima.
La primera etapa se comienza eligiendo como solucin bsica una matriz
diagonal de dimensin m x m cuyos elementos son 1 -1, dependiendo el signo
del correspondiente elemento del trmino independiente. A continuacin, se
obliga a que la base contenga todas las columnas de H(x0 ). De esta manera
se puede conseguir un conjunto de medidas observables sin que las variables
u(i), v(i) se encuentren en la base resultante.
En el caso de la estimacin de estado, el conjunto de medidas observables
obtenido para una conguracin de medidas particular se puede utilizar para
inicializar el estimador de mnimos valores absolutos siempre que no vare la
conguracin del sistema.
Los pasos a seguir para resolver dicho problema de programacin lineal
utilizando el mtodo Simplex se pueden resumir de la siguiente manera [19]:
1. Elegir una base inicial que determina un conjunto mnimo de medidas
que hacen completamente observable el sistema. Realizar la factorizacin
triangular de la base elegida.
2. Encontrar la solucin bsica, la cual puede ser no resoluble debido a
algn x(i) negativo. Si es as, cmbiese el signo de la correspondiente
columna de H(x0 ).
3. Determinar el costo relativo de las variables no bsicas. Si todos son
negativos, parar; se ha encontrado la solucin ptima. En caso contrario,
elegir la variable con mayor costo relativo negativo para introducirla en
la prxima base.
4. Determinar el trmino pivote (variable que abandonar la base). No
permitir que las variables de estado x abandonen la base.
39
siendo
2
y rW
(k)
es:
rW =
ri
i
(2.64)
m
n+1
k=
+
(2.65)
2
2
es el k-simo residuo cuadrado ponderado, donde el residuo ponderado
r = z z
(2.66)
(2.67)
40
m
En principio, la bsqueda combinatorial incluira
muestras, lo que
n
conduce a tiempos computacionales muy grandes incluso en el caso de pequeos
sistemas. Sin embargo, se pueden considerar solamente un cierto nmero i
de selecciones aleatorias de manera que la probabilidad P de que al menos
una muestra no est contaminada con errores no gaussianos sea prxima a 1
(habitualmente 0.95).
Para hallar la expresin de P en trminos de i, se considera que es la
fraccin de errores no gaussianos entre las m observaciones. Si m es grande,
entonces es la probabilidad de que exista un error no gaussiano. Por lo tanto,
la probabilidad de seleccionar n datos buenos es (1 )n y la probabilidad de
seleccionar i muestras contaminadas de tamao n es (1 (1 )n )k .
Luego
P = 1 (1 (1 )n )k
(2.68)
y para P , n y dados se puede hallar el mnimo nmero de muestras i que
hay que considerar. En la prctica, es deseable no tener solamente un buen
conjunto de muestras, sino varios por lo que se toman 2 x i.
2.11 Resumen
En este captulo se han presentado diversos mtodos para resolver numricamente la estimacin de estado. El primer mtodo analizado (Apartado 2.2) ha
sido el de mnimos cuadrados ponderados, el cual ha sido el ms ampliamente
utilizado debido a sus conocidas propiedades estadsticas.
En las Secciones (2.3 a 2.8) se han mostrado distintos mtodos para solventar el problema del mal condicionamiento numrico que se presenta en la
estimacin de estado. Cada uno de dichos mtodos le da ms prioridad a uno
de los siguientes aspectos:
Estabilidad numrica.
Eciencia computacional.
Complejidad en la realizacin.
Por ltimo, en los Epgrafes 2.9 y 2.10 se han expuesto los mtodos de
resolucin de mnimos valores absolutos y mnima mediana de cuadrados.
Bibliografa
[1] Abur A., elik M., A Fast Algorithm for the Weighted Least Absolute
Value State Estimation. IEEE Transactions on Power Systems, Vol. 6,
pp. 1-8, February 1991.
[2] Allen A., Probability, Statistics, and Queueing Theory: with Computer
Science Applications. Academic Press, Inc., San Diego, California, 1990.
[3] Alvarado F., Tinney W., State Estimation Using Augmented Blocked
Matrices. IEEE Transactions on Power Systems, Vol. 5, No. 3, pp. 911921, August 1990.
[4] Amerongen R., On Convergence Analysis and Convergence Enhancement
of Power System Least-Squares State Estimators. IEEE Transactions on
Power Systems, Paper 95 WM 215-4 PWRS, January 1995.
[5] Aschmoneit F., Peterson N., Adrian E., State Estimation with Equality
Constraints. Tenth PICA Conference Proceedings, Toronto, pp. 427-430,
May 1977.
[6] Barrodale I., Roberts F., An Improved Algorithm for Discrete l1 Linear
Approximation. SIAM Journal on Numerical Analysis, Vol. 10, No. 5,
pp. 839-848, October 1973.
41
Copyright P. Zarco & A. Gmez-Expsito
42
BIBLIOGRAFA
[9] Clements K., Woodzell G., Burchett R., A New Method for Solving Equality-Constrained Power System Static State Estimation. IEEE
Transactions on Power Systems, Vol. 5, No. 4, pp. 1260-1266, November
1990.
[10] Gjelsvik A., Aam S., Holten L., Hachtel's Augmented Matrix Method A Rapid Method Improving Numerical Stability in Power System Static
State Estimation. IEEE Transactions on Power Apparatus and Systems,
Vol. PAS-104, pp. 2987-2993, November 1985.
[11] Gmez A., Martnez J., Romero E., Ruiz J., Durn J., Luque A., Gonzlez
F., Development of a State Estimator Based on Line-Current Measurements. Sociedad Espaola de Estadstica e Investigacin Operativa, Top,
Vol. 2, No. 1, pp. 85-104, 1994.
[12] Gmez A., Abur A., Martnez J., Monroy D., Peas J., Van Cutsem T.,
Power System State Estimation and Security Assessment. EES-UETP
1996 Course Program, Sevilla, June 1996.
[13] Gu J., Clements K., Krumpholz G., Davis P., The Solution of Illconditioned Power System State Estimation Problems Via the Method
of Peters and Wilkinson. PICA Conference Proceedings, Houston, pp.
239-246, May 1983.
[14] Holten L., Gjelsvik A., Aam S., Wu F., Liu W., Comparison of Dierent
Methods for State Estimation. IEEE Transactions on Power Systems,
Vol. 3, pp. 1798-1806, November 1988.
[15] Irving M., Owen R., Sterling M., Power System State Estimation Using
Linear Programming. IEE Proceedings, Vol. 125, pp. 879-885, September
1978.
[16] Kashyap R., Rao A., Dynamic Stochastic Models from Empirical Data.
Academic Press, Inc., San Diego, California, 1976.
[17] Kotiuga W., Vidyasagar M., Bad Data Rejection Properties of Weighted
Least Absolute Value Techniques Applied to Static State Estimation.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-101, No.
4, pp. 844-853, April 1982.
BIBLIOGRAFA
43
[18] Liu W., Wu F., Holten L., Gjelsvik A., Aam S., Computational Issues in
the Hachtel's Augmented Matrix Method for Power System State Estimation. Proceedings 9th. Power System Computation Conference, Lisbon,
September 1987.
[19] Luenberger D., Linear and Nonlinear Programming. Addison-Wesley,
1984.
[20] Mili L., Phaniraj V., Rousseeuw P., Least Median of Squares Estimation
in Power Systems. IEEE Transactions on Power Systems, Vol. 6, No. 2,
pp. 511-523, May 1991.
[21] Monticelli A., Murari C., Wu F., A Hybrid State Estimator: Solving
Normal Equations by Orthogonal Transformations. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-105, No. 2, pp. 3460-3468,
December 1985.
[22] Nucera R., Gilles M., A Blocked Sparse Matrix Formulation for the Solution of Equality-Constrained State Estimation. IEEE Transactions on
Power Systems, Vol. 6, No. 1, pp. 214-224, February 1991.
[23] Peters G., Wilkinson J., The Least Squares Problem and Pseudo-inverse.
The Computer Journal, Vol. 13, No. 4, pp. 1534-1542, 1970.
[24] Rousseeuw P., Leroy A., Robust Regression and Outliner Detection.
John Wiley, 1987.
[25] Schweppe F., Douglas B., Power System Static-State Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-89, pp. 120-135,
1970.
[26] Schweppe F., Handschin E., Static State Estimation in Electric Power
Systems. Proceedings IEEE, Vol. 62, pp. 972-983, July 1974.
[27] Simes-Costa A., Quintana V., A Robust Numerical Technique for Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Vol. PAS-100, pp. 691-698, February 1981.
[28] Simes-Costa A., Quintana V., An Orthogonal Row Processing Algorithm for Power System Sequential State Estimation. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-100, pp. 3791-3800, August
1981.
44
BIBLIOGRAFA
[29] Sun D., Ashley B., Brewer B., Hughes A., Tinney W., Optimal Power
Flow by Newton Approach. IEEE Transactions on Power Apparatus and
Systems, Vol. PAS-103, No. 10, pp. 2864-2880, October 1984.
[30] Wang J., Quintana V., A Decoupled Orthogonal Row Processing Algorithm for Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-103, pp. 2337-2334, August 1984.
[31] Wu F., Liu W., Lun S., Observability Analysis and Bad Data Processing
for State Estimation with Equality Constraints. IEEE Transactions on
Power Systems, Winter Meeting, New Orleans, WM103-5, February 1987.
[32] Wu F., Liu W., Holten L., Gjelsvik A., Aam A., Observability Analysis
and Bad Data Processing for State Estimation using Hachtel's Augmented
Matrix Method. IEEE Transactions on Power Systems, Vol. 3, pp. 604611 May 1988.
Captulo 3
Inuencia de Errores en los
Parmetros sobre la Estimacin
3.1 Introduccin
Los algoritmos de estimacin de estado que habitualmente se utilizan estn
basados en la suposicin de que los parmetros de las lneas (resistencia, reactancia, tomas de los transformadores, etc.) y el estado de los interruptores
son perfectamente conocidos, aunque esto no es del todo correcto.
As, mientras que los errores en los estados de los interruptores afectan
a la topologa de la red produciendo grandes inconsistencias en las medidas
estimadas y pueden ser fcilmente identicables, los errores en las impedancias de las ramas son menos visibles y pueden producir errores en los datos
proporcionados por el estimador continuamente y durante grandes periodos de
tiempo sin que dichos errores se detecten.
Estos errores en los parmetros, tales como:
45
Copyright P. Zarco & A. Gmez-Expsito
46
Una degradacin signicativa de la exactitud de los resultados del estimador de estado y, como consecuencia, de los resultados de los programas
cuyos datos de entrada son los de salida del estimador.
Una deteccin de medidas errneas que realmente no lo son, debido a su
inconsistencia con los parmetros errneos.
Una reduccin de la conanza del operador en el estimador de estado.
Desde el punto de vista del estimador de estado, un error en un parmetro
tiene el mismo efecto que un conjunto de errores correlacionados que actuaran
sobre todas las medidas que afectan a la rama errnea, es decir, las medidas
de ujo sobre la rama y las de inyecciones en los nudos extremos de ella, por
lo que ser de suma importancia su estimacin.
En la literatura existente respecto a la estimacin de parmetros se hace
mencin de la importancia que tiene dicha estimacin con objeto de evitar la
degradacin que se produce en la estimacin de las variables de estado, pero
solamente en [5, 7, 8, 9, 11] se realiza un estudio sobre el efecto que los errores
en dichos parmetros y en las medidas ejercen sobre la solucin del estimador
de estado.
El anlisis realizado en [8, 7] se limita a representar una grca en la que
se muestra el efecto producido, por un lado, por los errores en los parmetros
y, por otro, por los errores en las medidas, sobre la funcin objetivo de la
estimacin de estado. Dicha grca se obtuvo aplicando un error constante a
todos los parmetros de las ramas o a todas las medidas independientemente.
Los resultados obtenidos demuestran que, dependiendo de dicho error, los
errores en los parmetros pueden producir un impacto sobre la estimacin de
estado similar o superior al de los errores en las medidas. Por ello, los errores
en los parmetros no detectados pueden afectar gravemente a la exactitud de
las aplicaciones de seguridad y optimizacin de la red.
Asimismo, en [9] se realiza un anlisis de sensibilidad para considerar los
efectos de ciertos errores sobre la estimacin de estado. En dicho estudio
slo se realiza un nico ensayo sobre tres lneas distintas simultneamente,
Entorno de simulacin
47
Pi =
N
X
j=1
(3.1)
48
Entorno de simulacin
N
X
49
(3.2)
(3.3)
(3.4)
Qi =
j=1
siendo:
En cada nudo se tienen las medidas tanto de las tensiones como de las
inyecciones de potencia activa y reactiva.
En cada rama se tiene informacin de los ujos de potencia, tanto activa
como reactiva, en cada extremo.
Por lo tanto, y ya que la red es de catorce nudos, de cada estado se poseen
ciento veintids medidas y, a no ser que se especique lo contrario, se considerar que los estados tienen el conjunto de medidas completo, es decir,
constan de las ciento veintids medidas indicadas. Dichos estados son los estados exactos por los que atraviesa la red pero que en la realidad nunca son
conocidos debido a los diferentes errores que se introducen en las telemedidas.
Por ello, para realizar la simulacin, a los estados exactos se les ha sumado un
error gaussiano obtenido con un generador de nmeros aleatorios a partir de
la desviacin tpica de cada medida.
Como se dijo en el Epgrafe 1.2, la clase del aparato de medida es el
parmetro que ms inuye en los errores de las medidas y, segn su denicin, es el error mximo con respecto a la seal de plena carga, es decir, de su
fondo de escala. Por ello, el valor de que se ha considerado es funcin del
fondo de escala, habindose considerado:
50
51
52
Figura 3.3: Inuencia del error de una lnea sobre las medidas estimadas a
distintas distancias: Error de las medidas estimadas con error en una lnea /
Error de las medidas estimadas sin error en la lnea.
En dicha gura se muestra cmo a medida que aumenta la distancia a la
lnea que contiene el parmetro errneo dicho cociente tiende a 1, es decir, al
comportamiento como si no existiese dicho error, y ello independientemente
del error en dicho parmetro.
No hay que olvidar que cada uno de los puntos sealados en cada gura
representa el valor medio de la ejecucin de sesenta estimaciones de estado con
diferentes medidas, todo ello para que los estudios realizados y las conclusiones
obtenidas sean estadsticamente signicativos.
53
54
Seguidamente se va a analizar dicha inuencia. Para ello, se van a considerar niveles de errores producidos por transductores de clase 1, 3 y 5, lo
que permitir cubrir un amplio rango de medidas que son superiores a las que
normalmente se encuentran en la vida real. Adems, se considera la clase 0,
que equivale a medidas sin errores, es decir, medidas exactas. Aunque con la
indicacin de la clase del aparato de medida sera suciente para realizar el
estudio, se indican tambin los errores medios de las medidas para una mayor
claridad y comprensin de stas.
Al igual que en la Seccin 3.3 y que en el resto del captulo, cada uno
de los puntos representados en las guras es el valor medio de la ejecucin de
sesenta estimaciones de estado diferentes. Adems, como de dicha seccin se ha
concluido que las medidas relacionadas directamente con la lnea errnea se ven
ms afectadas por dicho error, slo se va a estudiar en este apartado este caso,
ya que el comportamiento que se presenta si se consideran para el anlisis las
medidas de toda la red es similar al que aparece si slo se considera la inuencia
sobre las medidas adyacentes, aunque menos pronunciado. Evidentemente, s
se considera que todas las medidas de la red tienen errores gaussianos.
En la Figura 3.4 se representa la inuencia del error de la susceptancia y
la conductancia conjuntamente cuando slo existe una lnea errnea, sobre las
medidas adyacentes a dicha lnea.
En dicha gura se puede apreciar un notable deterioro a medida que el
error en el parmetro crece, conclusin similar a la obtenida de la Figura 3.2,
la cual se obtuvo con telemedidas de clase 1. Asimismo se aprecia que cuanto
ms exactas son las medidas de las que se dispone, mayor es la inuencia que
tienen los errores en los parmetros.
Esta ltima conclusin se puede apreciar mejor en la Figura 3.5, en la
cual se ha representado la relacin existente entre los errores de las medidas
estimadas y los errores de las telemedidas con objeto de normalizar dichas
curvas y todo ello para distintos errores en el parmetro.
En ella se puede observar que, para la redundancia dada, cuando las telemedidas tienen clase 5, con un error medio en el parmetro de una lnea de un
11 % las medidas estimadas tienen el mismo error que las de partida. Para
telemedidas de clase 3 el valor se reduce a un 7 % y si la clase es 1 se reduce
a solamente un 2 %. Es decir, si la clase de las medidas que se poseen es 1 (lo
que equivale a un error de un 2.2 % para este caso particular), con un error
en un parmetro de tan solo un 2 % se obtiene una estimacin de las medidas
adyacentes tambin de un 2.2 %; por lo tanto, si el error del parmetro fuera
mayor, se obtendran unos valores estimados de las medidas peores que los de
55
Figura 3.5: Inuencia del error de una lnea frente a la relacin entre los errores
de las medidas estimadas y las telemedidas (adyacentes).
56
partida.
Por ltimo, en las Figuras 3.6 y 3.7 se representa el cociente entre el error
de las medidas estimadas cuando existe un error en la susceptancia de una
lnea y el mismo cuando no existe error en dicha lnea a distancias 1 y 2 de la
medida errnea respectivamente.
Figura 3.6: Inuencia del error de una lnea sobre las medidas estimadas a
distancia 1 para distintas clases: Error de las medidas estimadas con error en
una lnea / Error de las medidas estimadas sin error en la lnea.
57
Figura 3.7: Inuencia del error de una lnea sobre las medidas estimadas a
distancia 2 para distintas clases: Error de las medidas estimadas con error en
una lnea / Error de las medidas estimadas sin error en la lnea.
58
59
60
61
Figura 3.9: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes con diferentes tipos de medidas.
62
Figura 3.10: Inuencia sobre las medidas de tensin adyacentes cuando todas
las medidas son exactas excepto las de tensin.
En la Figura 3.11 se muestra la inuencia sobre las medidas de inyeccin,
tanto de activa como de reactiva, pudindose observar que:
63
Figura 3.11: Inuencia sobre las medidas de inyeccin adyacentes cuando todas
las medidas son exactas excepto las de inyeccin.
64
Figura 3.12: Inuencia sobre las medidas de ujo adyacentes cuando todas las
medidas son exactas excepto las de ujo.
3.8 Resumen
En el presente captulo se ha estudiado de un modo sistemtico la inuencia que
los errores en los parmetros tienen sobre la estimacin de estado. Para ello, y
con objeto de que los resultados obtenidos fueran signicativos desde un punto
de vista estadstico, cada una de las pruebas realizadas, y que posteriormente
han sido plasmadas en diferentes guras, representaban el valor medio de la
ejecucin de sesenta estimaciones de estado, considerando una lnea distinta
cada vez. Cada una de ellas representaba el estado existente en un instante
determinado de un da y que previamente haba sido generado.
La red utilizada ha sido la IEEE-14 que consta de veinte ramas, por lo que
al utilizar sesenta estados distintos, cada lnea ha sido ensayada tres veces.
La caracterizacin de los resultados obtenidos se ha realizado a travs de la
clase de los dispositivos de medida, utilizando como ndice comparativo el error
relativo medio de las medidas estimadas (Seccin 3.2).
Primeramente, en el Apartado 3.3 se ha analizado algo que pareca intuitivo, el carcter local del efecto de los errores sobre la estimacin, y que gracias
a las ensayos realizados ha permitido obtener las siguientes conclusiones:
Resumen
65
El deterioro producido sobre las medidas estimadas aumenta notablemente a medida que el error en el parmetro crece.
El error en el parmetro inuye mucho ms sobre las medidas relacionadas directamente con la lnea problemtica que sobre las del resto
de la red.
Los resultados obtenidos son cualitativamente vlidos para cualquier red,
permaneciendo similares las curvas que se reeren a las medidas adyacentes y tendiendo a ser horizontales las que hacen referencia a las medidas de toda la red a medida que crece sta, lo que conrma la localidad
de la inuencia del error en el parmetro.
Los errores de las medidas estimadas cuando existe algn parmetro
errneo tienden a igualarse a los obtenidos cuando no existe dicho parmetro errneo a medida que crece la distancia a la lnea errnea.
Seguidamente se ha estudiado la inuencia que poda tener el nivel de error
en las medidas (Seccin 3.4), concluyndose que:
Cuanto ms exactas son las medidas de las que se dispone, los errores en
los parmetros tienen mayor inuencia sobre las medidas estimadas.
Las conclusiones son vlidas para cualquier red independientemente de
su tamao.
A continuacin, del estudio comparativo de la presencia de errores en la
conductancia o en la susceptancia (Epgrafe 3.5), se ha observado que los errores en la conductancia son menos signicativos que los de la susceptancia.
Debido a que los valores de la conductancia estn sujetos a perturbaciones
peridicas motivadas por cambios en la temperatura, mientras que los de la
susceptancia slo dependen del material del conductor y de la geometra de
la conguracin de la lnea, este resultado obtenido es de suma importancia
y va a permitir que el estudio se centre en la estimacin de las susceptancias
errneas de la red.
En el Apartado 3.6 se ha analizado el efecto producido cuando los conjuntos
de medidas existentes son:
66
habindose concluido que la inuencia del parmetro errneo sobre las medidas
estimadas es mucho mayor cuando se dispone de medidas de ujos de potencia
que cuando se dispone de medidas de inyeccin, siendo en este ltimo caso casi
independiente de los errores de los parmetros.
Por ltimo, en la Seccin 3.7, se ha estudiado la inuencia del parmetro
sobre cada una de las medidas disponibles independientemente, llegndose a
las mismas conclusiones que anteriormente, salvo que:
Bibliografa
[1] Arrillaga J., Arnold C., Harker B., Computer Modelling of Electrical
Power Systems. John Wiley & Sons Ltd., Great Britain, 1983.
[2] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.
[3] Fletcher D., Stadlin W., Transformer Tap Position Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, No. 11,
pp. 3680-3686, November 1983.
[4] Liu W., Lim S., Parameter Error Identication and Estimation in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 10,
No. 1, pp. 200-209, February 1995.
[5] Reig A., lvarez C., Inuence of Network Parameter Errors in State
Estimation Results. Proceedings IASTED Power High Tech'89, pp.199204, Valencia, Spain, 1989.
[6] Ruiz J., Gmez A., Incorporacin de Medidas de Intensidad en Estimacin de Estado. Tesis Doctoral, Departamento de Ingeniera Elctrica
de la Universidad de Sevilla, Sevilla, Junio 1990.
[7] Slutsker I., Mokhtari S., Comprehensive Estimation in Power Systems:
State, Topology and Parameter Estimation. American Power Conference,
Chicago, Illinois, Paper 170, April 1995.
[8] Slutsker I., Clements K., Real Time Recursive Parameter Estimation
in Energy Management Systems. IEEE Transactions on Power Systems,
Vol. 11, No. 3, pp. 1393-1399, August 1996.
67
Copyright P. Zarco & A. Gmez-Expsito
68
BIBLIOGRAFA
[9] Stuart T., Herget C., A Sensitivity Analysis of Weighted Least Squares
State Estimation for Power Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-92, pp. 1696-1701, September/October
1973.
[10] Wallach Y., Calculations and Programs for Power System Networks.
Prentice Hall, 1986.
[11] Zarco P., Gmez A., O-line Determination of Network Parameters in
State Estimation. Proceedings 12th. Power System Computation Conference, pp. 1207-1213, Dresden, Germany, August 1996.
Captulo 4
Estimacin de Parmetros en
Redes Elctricas
4.1 Introduccin
En el Captulo 3 se ha analizado de una forma sistemtica la inuencia de los
errores en los parmetros sobre la estimacin de estado, lo que ha permitido
comprobar la necesidad de estimar los parmetros para poder realizar una
buena estimacin de estado. A pesar de ello, la implantacin de estimadores
de parmetros en los Centros de Control no ha sido profusa, mientras que la
de los estimadores de estado s lo ha sido [6].
Para poder realizar la estimacin de parmetros es necesario identicarlos
previamente mediante uno de los mtodos existentes, procediendo posteriormente a estimar nicamente aqullos que han sido identicados.
En este captulo se va a analizar la identicacin de los parmetros sospechosos y se van a clasicar los distintos mtodos de estimacin de parmetros existentes. Por ltimo, se estudiar el carcter local de la estimacin de
parmetros, cosa que ya se haba apuntado previamente en el Apartado 3.3.
69
Copyright P. Zarco & A. Gmez-Expsito
70
Estimacin de Parmetros
(4.1)
siendo p el valor exacto del parmetro de red, p0 el valor errneo del parmetro
de red (o informacin a priori que de l se tiene) y el subndice s hace referencia
a las medidas involucradas nicamente.
El trmino que aparece entre corchetes en la ecuacin (4.1) acta como un
error adicional de la medida. Si el error del parmetro es bastante grande,
este trmino provocar su deteccin como medida con error no gaussiano y
las medidas estarn entre las que se encuentran con residuos ms grandes
[19, 20, 29]. Este error se puede linealizar de la siguiente forma:
"
hs
hs (x, p0 ) hs (x, p)
ep
p
(4.2)
71
30].
Resolucin basada en la teora del ltro de Kalman [5, 8, 10,
11, 14, 24, 25, 26].
72
Estimacin de Parmetros
Las medidas que han sido capturadas por el sistema SCADA pueden
ser trasladadas a un ordenador dedicado expresamente al proceso de
estimacin de parmetros o a otras actividades que no requieran una
gran rapidez en el procesamiento. De este modo no se intereren las
funciones principales que se llevan a cabo en el centro de control.
73
74
Estimacin de Parmetros
(4.3)
x = G1 H T (x)W [z h(x)]
(4.4)
z = H
x = S(W z)
(4.5)
siendo S la matriz de sensibilidad entre las medidas ponderadas W z y las
medidas estimadas
z:
S = HG1 H T
(4.6)
Cuando z es completamente nulo, salvo en la posicin k-sima, la columna
k-sima de S proporciona los cambios en las medidas estimadas al producirse
una perturbacin en la medida k-sima, por lo que dicha columna se expresa
como:
Sk = Sek
(4.7)
siendo ek un vector columna completamente nulo excepto con un 1 en la posicin k-sima.
Por lo tanto, la columna k-sima de S se puede obtener de:
Sk = HG1 H T ek
(4.8)
Gy = H T ek
(4.9)
75
3. Calcular:
Sk = Hy
(4.10)
76
Estimacin de Parmetros
77
Las medidas que se encuentran lejos de las lneas con algn parmetro
errneo tienen un impacto muy pequeo sobre ella.
No es necesario utilizar ni todas las medidas de las que se disponga ni
toda la red completa para realizar la estimacin de parmetros, sino slo
78
Estimacin de Parmetros
Figura 4.2: Resultado del anlisis de sensibilidad de la lnea que une los nudos
49 y 51 en la red IEEE-118.
Resumen
79
4.6 Resumen
En este captulo se ha analizado la problemtica que presentan los errores en
los parmetros, pudiendo ser stos tanto de lneas como de tomas de transformadores.
Primeramente se ha expuesto la forma en la que los diferentes autores identican los errores de los parmetros (Apartado 4.2), basndose dichos mtodos
en el clculo de los residuos principalmente.
Se han expuesto las clasicaciones que sobre los mtodos de estimacin de
parmetros se han realizado hasta la fecha siendo una de ellas la que resalta la
diferencia ms signicativa de cada uno de los mtodos, como es la ampliacin
o no del vector de estado mediante la introduccin de los parmetros errneos
como variables adicionales (Seccin 4.3):
Las medidas que se encuentran lejos de las lneas con algn parmetro
errneo tienen un impacto muy pequeo sobre ella.
80
Estimacin de Parmetros
Bibliografa
[1] Aboytes F., Cory B., Identication of Measurement, Parameter and Conguration Errors in Static State Estimation. PICA Conference Proceedings, pp. 298-302, June 1975.
[2] Allam M., Laughton M., A General Algorithm for Estimating Power
System Variables and Network Parameters. IEEE PES 1974 Summer
Meeting, Anaheim, CA, Paper C74 331-5, 1974.
[3] Allam M., Laughton M., Static and Dynamic Algorithms for Power System Variable and Parameter Estimation. Proceedings 5th. Power System
Computation Conference, Paper 2.3/11, Cambridge, UK, September 1975.
[4] Alsac O., Vempati N., Stott B., Monticelli A., Generalized State Estimation. IEEE Transactions on Power Systems, Vol. 13, No. 3, pp. 1069-1075,
August 1998.
[5] Arafeh S., Schinzinger R., Estimation Algorithms for Large-Scale Power
Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS98, No. 6, pp. 1968-1977, November/December 1979.
[6] Assadian M., Goddard R., Wayne H., French D., Field Operational Experiences with On Line State Estimator. IEEE Transactions on Power
Systems, Vol. 9, No. 1, pp. 50-58, February 1994.
[7] Clements K., Denison O., Ringlee R., The Eects of Measurement NonSimultaneity, Bias and Parameter Uncertainty on Power System State
Estimation. PICA Conference Proceedings, pp. 327-331, June 1973.
[8] Clements K., Ringlee R., Treatment of Parameter Uncertainty in Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Anaheim, Cal., Paper C74 311-7, July 1974.
81
Copyright P. Zarco & A. Gmez-Expsito
82
BIBLIOGRAFA
[9] Do Coutto, M., Leite A., Falco D., Bibliography on Power System State
Estimation (1968 - 1989). IEEE Transactions on Power Systems, Vol. 5,
No. 3, pp. 950-961, Agosto 1990.
[10] Debs A., Estimation of Steady-State Power System Model Parameters.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-93, No.
5, pp. 1260-1268, September/October 1974.
[11] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.
[12] Fletcher D., Stadlin W., Transformer Tap Position Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, No. 11,
pp. 3680-3686, November 1983.
[13] Gmez A., Abur A., Martnez J., Monroy D., Peas J., Van Cutsem T.,
Power System State Estimation and Security Assessment. EES-UETP
1996 Course Program, Sevilla, June 1996.
[14] Handschin E., Kliokys E., Transformer Tap Position Estimation and Bad
Data Detection Using Dynamic Signal Modelling. IEEE Transactions on
Power Systems, Vol. 10, No. 2, pp. 810-817, May 1995.
[15] Lebow W., Mehra R., Nadira R. Rouhani R., Usoro P., Bhavaraju M., Pal
M., Sobieski D., Optimization of Reactive Volt-Ampere (VAR) Sources
in System Planning. Volume 1: Solution Techniques, Computing Methods, and Results. Electric Power Research Institute (EPRI), Cambridge,
Massachusetts, November 1984.
[16] Liu W., Wu F., Lun S., Estimation of Parameter Errors from Measurement Residuals in State Estimation. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp. 81-89, February 1992.
[17] Liu W., Lim S., Parameter Error Identication and Estimation in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 10,
No. 1, pp. 200-209, February 1995.
[18] Mukherjee B., Fuerst G., Transformer Tap Estimation - Field Experience. IEEE Transactions on Power Apparatus and Systems, Vol. PAS103, No. 6, pp. 1454-1458, June 1984.
BIBLIOGRAFA
83
[19] Quintana V., Van Cutsem T., Real-Time Processing of Transformer Tap
Positions. Canadian Electrical Engineering Journal, Vol. 12, No. 4, pp.
171-180, 1987.
[20] Quintana V., Van Cutsem T., Power System Network Parameter Estimation. Optimal Control Applications & Methods, Vol. 9, pp. 303-323,
1988.
[21] Reig A., lvarez C., O-Line Parameter Estimation Techniques for Network Model Data Tuning. Proceedings IASTED Power High Tech'89,
pp.205-210, Valencia, Spain, 1989.
[22] Schweppe F., Douglas B., Power System Static-State Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-89, pp. 120-135,
1970.
[23] Schweppe F., Handschin E., Static State Estimation in Electric Power
Systems. Proceedings IEEE, Vol. 62, pp. 972-983, July 1974.
[24] Slutsker I., Mokhtari S., Clements K., On-line Parameter Estimation
in Energy Management Systems. American Power Conference, Chicago,
Illinois, Paper 169, April 1995.
[25] Slutsker I., Mokhtari S., Comprehensive Estimation in Power Systems:
State, Topology and Parameter Estimation. American Power Conference,
Chicago, Illinois, Paper 170, April 1995.
[26] Slutsker I., Clements K., Real Time Recursive Parameter Estimation
in Energy Management Systems. IEEE Transactions on Power Systems,
Vol. 11, No. 3, pp. 1393-1399, August 1996.
[27] Smith R., Transformer Tap Estimation at Florida Power Corporation.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, No.
12, pp. 3442-3445, December 1985.
[28] Teixeira P., Brammer S., Rutz W., Merritt W., Salmonsen J., State
Estimation of Voltage and Phase-Shift Transformer Tap Settings. IEEE
Transactions on Power Systems, Vol. 7, No. 3, pp. 1386-1393, August
1992.
84
BIBLIOGRAFA
[29] Van Cutsem T.,Quintana V., Network Parameter Estimation Using Online Data with Application to Transformer Tap Position Estimation. IEE
Proceedings, Vol. 135, Pt C, No. 1, pp. 31-40, January 1988.
[30] Zarco P., Gmez A., O-line Determination of Network Parameters in
State Estimation. Proceedings 12th. Power System Computation Conference, pp. 1207-1213, Dresden, Germany, August 1996.
[31] Zarco P., Gmez A., Estimacin de Parmetros en Redes Elctricas:
Problemtica y Soluciones Adoptadas. 5as Jornadas Hispano-Lusas de
Ingeniera Elctrica, pp.911-918, Salamanca, Espaa, Julio 1997.
Captulo 5
Mtodos de Estimacin de
Parmetros
5.1 Introduccin
En el Captulo 4 se han presentado las diferentes clasicaciones existentes
para la estimacin de parmetros, habindose hecho un especial hincapi en
aqulla que realiza la clasicacin de acuerdo con el mtodo de resolucin de
la ecuacin planteada [26].
A continuacin, se va a proceder a describir los mtodos de estimacin ms
signicativos basndose en dicha clasicacin. Por ltimo, se discutirn las
ventajas e inconvenientes de cada uno de los mtodos.
r = Sr
(5.1)
Sr = I HG1 H T W
85
Copyright P. Zarco & A. Gmez-Expsito
(5.2)
86
donde
G = HT W H
(5.3)
hs
rs = (Sr )ss
p
(5.4)
ep + rs
!T
!1
!T
h
h
h
s
s
s
Ws (Sr )ss
Ws rs
ep =
(5.5)
La resolucin de esta ecuacin no es simple, por lo que se propone el siguiente mtodo. De la ecuacin (5.2) se obtiene:
s =
HsT Ws
hs
p
(5.6)
(5.7)
si =
s
X
hk hk 1
k=1
(5.8)
xi p k2
con i = 1, . . . , l.
Utilizando (5.6) y (5.7), la ecuacin (5.5) queda:
ep
!T
!T
!1
!T
h
h
h
h
s
s
s
s
1
T
=
Ws
Ws H s G H s Ws
Ws rs
!T
!
!T
h
h
h
s
s
s
T
1
=
Ws
s G s
Ws rs
(5.9)
87
Gys = s
ep =
s
X
k=1
hk
p
!2
l
X
1
sj ysj
k2
j=1
s
X
k=1
hk
p
rk
k2
(5.11)
G = LDLT
(5.12)
ep =
s
X
k=1
hk
p
!2
l
X
1
2
ysi
2
k
j=1
obtenindose ys de
s
X
k=1
DL
ys = s
hk
p
rk
k2
(5.13)
(5.14)
ep =
Obtener ep e ir al paso 4.
hs
p
!1
rs
(Sr )ss
(5.15)
88
3. Si no es as:
(a) Calcular
hs
,
p
Vf 6
Vt 6 0
1:T
-
Pf , Qf
jX
Pt , Qt
89
Vf Vt T sen()
X
Vf2 T 2 Vf Vt T cos()
=
X
X
Pf =
(5.16)
Qf
(5.17)
Vf Vt sen()
T
X
"
#
2Vf2 T
Vf Vt cos()
=
T
X
X
Pf =
Qf
(5.18)
(5.19)
|sen()| |cos()|
Vf Vt T 1
(5.20)
(5.21)
|Pf | |Qf |
T
Qf
X
(5.22)
entonces
(5.23)
Utilizando un razonamiento similar, la variacin del ujo de potencia reactiva en el lado de la toma del transformador es:
Qt
T
X
(5.24)
90
91
Considerando que los ujos de potencia activa y reactiva entre dos nudos
son:
V1 V2 sen()
X
V12 V1 V2 cos()
V12 Bc
=
X
X
P12 =
(5.25)
Q12
(5.26)
siendo
Q12 = V12 Bc
(5.27)
(Q12 +
de donde:
V12 Bc )X
P12 X = V1 V2 cos()
+ XQ12 = V1 V2 sen()
Q12
P12 tan() Q12 + V12 Bc
=
X
X
X
(5.28)
(5.29)
(5.30)
92
NT = V T
VBM
VBE
(5.31)
NT =
VBM
VBC
(5.32)
93
VBC
s
En el segundo caso es necesario que en el lado de alta no existan inyecciones o que stas sean conocidas de manera que los ujos del lado de
alta se puedan estimar.
94
estado:
H=
(5.33)
En el caso de que existan medidas asociadas a las tomas de los transformadores que se van a estimar, se aadirn aqullas al vector de medidas y
tanto en la matriz jacobiano como en la matriz de covarianzas de las medidas
aparecern tantas las adicionales como medidas nuevas se hayan aadido al
vector de medidas:
H=
(5.34)
95
m el nmero de medidas.
n el nmero de variables de estado.
np el nmero de parmetros sospechosos.
q el nmero de estimaciones simultneas que se van a procesar.
en el caso de que se utilice una nica estimacin y el nmero de parmetros
sospechosos sea uno, la redundancia es:
K1 =
m
n+1
(5.35)
96
(5.37)
z = [z1 , z2 , ..., zq ]t
(5.38)
y el vector de medidas:
J(x, p) =
m
X
(5.39)
i=1
97
Figura 5.3: Error en la susceptancia estimada de la lnea que une los nudos 7
y 9 en la red IEEE-14 frente al peso relativo del parmetro.
En dicha gura se conrma que:
98
Si los dos signos son diferentes, lo que ocurre para las curvas inferiores,
existe un cierto valor del factor de peso wp para el cual se estima el
parmetro exacto. Sin embargo, si no se elige este factor ptimo, puede
ocurrir que el parmetro estimado sea peor que el que se obtendra si se
hubiese utilizado el valor wp = 0.
La Figura 5.4 es similar a la anterior pero para otra lnea, en particular la
lnea que une los nudos 10 y 11, y otro conjunto de telemedidas distintos (la
clase ha sido tambin 1 pero el error medio de las medidas ha sido 3.80 %).
En este caso el parmetro estimado cuando wp = 0 se encuentra en la parte
inferior de la gura, obtenindose las mismas conclusiones que anteriormente.
La nica salvedad es que cuando antes se refera a la parte superior de la gura
ahora es la inferior y viceversa.
Figura 5.4: Error en la susceptancia estimada de la lnea que une los nudos 10
y 11 en la red IEEE-14 frente al peso relativo del parmetro.
Por lo tanto, y ya que no es posible predecir a priori si el error resultante
para el parmetro ser positivo o negativo, no se puede conocer su factor de
peso ptimo wp .
99
H1
h1p
H2
h2p
H=
(5.40)
..
..
Hq hqp
Sustituyendo en las ecuaciones normales de la estimacin de estado (2.13):
H T W Hx = H T (x)W z
(5.41)
t
G = H WH =
G11
G22
t
g1p
t
g2p
..
g1p
g2p
..
.
gqp
(5.42)
Gqq
t
gqp
Gpp
siendo:
Gii = Hit Wi Hi
gip = Hit Wi hip
Gpp =
q
X
(i = 1, 2, ..., q)
(i = 1, 2, ..., q)
htip Wi hip
(5.43)
(5.44)
(5.45)
i=1
(5.46)
siendo:
bi = Hit Wi zi
bp =
q
X
i=1
htip Wi zi
(i = 1, 2, ..., q)
(5.47)
(5.48)
100
ip
h
zi
gip
bi
=
=
=
=
Wi hip
Wi zi
ip
Hit h
Hit
zi
(5.49)
(5.50)
(5.51)
(5.52)
Gii = Hit Wi Hi
Gii yi = gip
Gii b0i = bi
(5.53)
(5.54)
(5.55)
ip g t yi
Gpp = Gpp + htip h
ip
t
t 0
bp = bp + hip
zi gip bi
(5.56)
(5.57)
2. Obtener p de:
Gpp p = bp
(5.58)
101
102
J=
m
X
(5.61)
k=1
J1 = (p p0 )T Wp (p p0 ) + J
(5.63)
La solucin al problema planteado se obtiene mediante la resolucin iterativa del siguiente algoritmo:
"
xi+1
k (k)
pi+1
k (k)
"
xik (k)
pik (k)
"
i
+ (k)
A1
A2
(5.64)
siendo:
h
Hx (k) =
x xi (k),pi (k)
Hp (k) =
"
i
(k) =
"
Rp,k
p xi (k),pi (k)
k
#1
103
104
El algoritmo de resolucin se basa en que la funcin de densidad de probabilidad de los errores de los parmetros estimados en el tiempo ti , f [p(ti )], la de
las variables de estado, f [x(ti )], y la de los errores de las medidas son gaussianas
con media cero, de manera que, como se puede deducir de la ecuacin (2.3), la
funcin de densidad de probabilidad condicional de z(ti ) sujeta a x(ti ) y p(ti )
es:
1
T
f [z(ti )|x(ti ), p(ti )] = ( 2)m |W |(1/2) e 2 [z(ti )h(x(ti ),p(ti ))] W [z(ti )h(x(ti ),p(ti ))]
(5.65)
Del teorema de Bayes, la funcin de densidad de probabilidad conjunta
de los parmetros y del estado condicionada a las medidas es proporcional al
producto de sus funciones de densidad, de manera que:
f [x(ti ), p(ti )|z(t1 ) . . . z(ti )] = f [z(ti )|x(ti ), p(ti )] f [p(ti )] f [(x(ti )]
(5.66)
[y(ti )] =
1
[z(ti ) h(x(ti ), p(ti ))]T W [z(ti ) h(x(ti ), p(ti ))]
2
1
+ [y(ti ) y(ti )]T Wxp [y(ti ) y(ti )]
(5.67)
2
siendo:
(5.68)
[y(ti )]
= H[y(ti )]T W [z(ti ) h(y(ti ))] + Wxp (ti )[y(ti ) y(ti )] = 0 (5.69)
y(ti )
donde:
H[y(ti )] =
h[y(ti )]
y(ti )]
(5.70)
Wxp (ti ) =
Wx (ti )
0
0
Wp (ti )
(5.71)
Discusin
105
(5.72)
(5.73)
donde:
mp
2
h
[y(t
)]
j
i
i [y(ti )]
[y(ti )k ] =
2
y(ti ) y(ti )=y(ti )k
j=1
i [y(ti )] =
zj (ti ) hj [y(ti )]
Rjj
(5.74)
(5.75)
(5.76)
5.4 Discusin
De todos los mtodos que proponen algoritmos para realizar la estimacin de
parmetros, ya sean de lneas o de tomas de transformadores, slo en algunos
106
de ellos se menciona el error de las medidas, por lo que los resultados presentados en el resto de artculos que tratan dicho problema no tienen una validez
completa debido a que el error de las medidas inuye notoriamente.
As, si un parmetro tiene un error de un 10 % con respecto al valor exacto
de dicho parmetro y mediante uno de los algoritmos propuestos se obtiene un
parmetro estimado con un error de un 2 % respecto al valor exacto, esto no
da ninguna informacin respecto a si el mtodo es bueno o no. Es necesario
conocer adems el error de las telemedidas utilizadas.
Si las telemedidas no tienen error, el algoritmo utilizado para obtener el
parmetro estimado mediante el que se ha obtenido una diferencia de un 2 %
respecto al valor exacto no es bueno, ya que debera obtenerse un valor inferior
al 1 %. Sin embargo, si las telemedidas tienen un error de un 2 % s puede
considerarse bueno el algoritmo utilizado. Todo esto siempre que se disponga
de una redundancia suciente, ya que si sta no lo es, los resultados obtenidos
sern peores.
Respecto a los mtodos, se puede decir que aqullos que aumentan el vector de estado han superado claramente a los que se basan en el anlisis de
sensibilidad residual. No obstante, estos mtodos son necesarios a la hora
de identicar las ramas sospechosas. Tambin es evidente que la utilizacin
de varias muestras de medidas de diferentes instantes, simultnea o secuencialmente, proporciona una forma ms robusta de actualizar la base de datos
[27].
Sin embargo, no est claro que en todas las circunstancias sea mejor usar
un algoritmo de ltro recursivo o el esquema convencional de ecuaciones normales. Puede decirse que el ltro de Kalman es ms til usarlo para estimar
parmetros que varan con el tiempo, mientras que la simplicidad del mtodo de
mnimos cuadrados lo hace ms atractivo para estimar parmetros constantes.
Cualquier mtodo, independientemente de la tcnica utilizada, necesita de
una cierta redundancia de medidas locales, siendo la inuencia de las medidas
de ujo de potencia particularmente relevante mientras que la de las medidas
de inyeccin lo es, en general, menos.
Otro tema controvertido es si se deben estimar solamente unos pocos parmetros seleccionados (incluyendo tomas de transformadores) o si el proceso
de estimacin se debe ir extendiendo adaptativamente hasta incluir todas las
ramas de la red que tengan una adecuada redundancia local. Como para una
redundancia dada los errores de los parmetros estimados son proporcionales
al error medio de las medidas [25], si se dispone de medidas muy exactas, los
valores de los parmetros estimados probablemente sern mejores que los que
Discusin
107
108
5.5 Resumen
Una vez que en el Captulo 4 se han clasicado los mtodos de estimacin de
parmetros, en este captulo se ha procedido a presentar en detalle los mtodos
existentes.
En el Apartado 5.2 se han presentado los mtodos que no amplan el vector
de estado. Estos se basan para su resolucin en el anlisis de los residuos.
Seguidamente, en el Epgrafe 5.3 se han analizado los mtodos que amplan el vector de estado con los parmetros errneos como si fuesen variables
independientes, por lo que se calculan tanto las tensiones y desfases de los
diferentes nudos como los parmetros. Estos mtodos resuelven el sistema de
ecuaciones planteado de dos formas diferentes:
Bibliografa
[1] Allam M., Laughton M., A General Algorithm for Estimating Power
System Variables and Network Parameters. IEEE PES 1974 Summer
Meeting, Anaheim, CA, Paper C74 331-5, 1974.
[2] Allam M., Laughton M., Static and Dynamic Algorithms for Power System Variable and Parameter Estimation. Proceedings 5th. Power System
Computation Conference, Paper 2.3/11, Cambridge, UK, September 1975.
[3] Arafeh S., Schinzinger R., Estimation Algorithms for Large-Scale Power
Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS98, No. 6, pp. 1968-1977, November/December 1979.
[4] Clements K., Denison O., Ringlee R., The Eects of Measurement NonSimultaneity, Bias and Parameter Uncertainty on Power System State
Estimation. PICA Conference Proceedings, pp. 327-331, June 1973.
[5] Clements K., Ringlee R., Treatment of Parameter Uncertainty in Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Anaheim, Cal., Paper C74 311-7, July 1974.
[6] Debs A., Estimation of Steady-State Power System Model Parameters.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-93, No.
5, pp. 1260-1268, September/October 1974.
[7] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.
[8] Fletcher D., Stadlin W., Transformer Tap Position Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, No. 11,
pp. 3680-3686, November 1983.
109
Copyright P. Zarco & A. Gmez-Expsito
110
BIBLIOGRAFA
[9] Handschin E., Schweppe F., Kohlas J., Fiechter A., Bad Data Analysis for
Power System State Estimation. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-94, No. 2, pp. 329-337, March/April 1975.
[10] Handschin E., Kliokys E., Transformer Tap Position Estimation and Bad
Data Detection Using Dynamic Signal Modelling. IEEE Transactions on
Power Systems, Vol. 10, No. 2, pp. 810-817, May 1995.
[11] Liu W., Wu F., Lun S., Estimation of Parameter Errors from Measurement Residuals in State Estimation. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp. 81-89, February 1992.
[12] Liu W., Lim S., Parameter Error Identication and Estimation in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 10,
No. 1, pp. 200-209, February 1995.
[13] Mili L., Van Cutsem T., Ribbens-Pavella M., Hypothesis Testing Identication: A New Method for Bad Data Analysis in Power System State
Estimation. IEEE Transactions on Power Apparatus and Systems, Vol.
PAS-103, No. 11, pp. 3239-3252, November 1984.
[14] Mukherjee B., Fuerst G., Transformer Tap Estimation - Field Experience. IEEE Transactions on Power Apparatus and Systems, Vol. PAS103, No. 6, pp. 1454-1458, June 1984.
[15] Quintana V., Van Cutsem T., Real-Time Processing of Transformer Tap
Positions. Canadian Electrical Engineering Journal, Vol. 12, No. 4, pp.
171-180, 1987.
[16] Quintana V., Van Cutsem T., Power System Network Parameter Estimation. Optimal Control Applications & Methods, Vol. 9, pp. 303-323,
1988.
[17] Reig A., lvarez C., O-Line Parameter Estimation Techniques for Network Model Data Tuning. Proceedings IASTED Power High Tech'89,
pp.205-210, Valencia, Spain, 1989.
[18] Slutsker I., Mokhtari S., Clements K., On-line Parameter Estimation
in Energy Management Systems. American Power Conference, Chicago,
Illinois, Paper 169, April 1995.
BIBLIOGRAFA
111
112
BIBLIOGRAFA
Captulo 6
Resultados Experimentales de la
Estimacin de Estado y de
Parmetros
6.1 Introduccin
En el presente captulo se van a presentar los distintos resultados obtenidos
utilizando el mtodo de estimacin de parmetros y de estado propuesto en
[1] y resuelto numricamente mediante el mtodo de mnimos cuadrados ponderados. Esto es debido a que ese es el mtodo propuesto por los autores y
del cual poseen gran cantidad de resultados experimentales. Adems, el objeto de este captulo es mostrar la funcin de ltro que tiene la estimacin
independientemente del mtodo utilizado.
Hay que tener en cuenta que en dicho mtodo se aumenta el vector de
estado con los parmetros sospechosos y se procesan muestras de diferentes
instantes simultneamente con lo que el problema se reduce a resolver varios
problemas de estimacin de estado a la vez. De esta manera se estiman el
estado y los parmetros sospechosos al mismo tiempo.
Por ello, los resultados experimentales presentados en las grcas son vlidos tanto para la estimacin de estado como la de parmetros, siendo los
resultados obtenidos cuando el error en el parmetro es del 0 % los que se
obtienen al realizar nicamente la estimacin de estado. Todos los resultados
se presentan en las mismas grcas a n de que se observe la gran relacin que
guardan las estimaciones de estado y de parmetros.
Segn las conclusiones obtenidas en el Apartado 4.5, la estimacin de
113
Copyright P. Zarco & A. Gmez-Expsito
parmetros tiene un carcter local, por lo que se va a considerar a la red IEEE14 como una subred en la que se encuentran los parmetros errneos y, por lo
tanto, es ella la que se va a utilizar para mostrar los resultados experimentales
obtenidos.
Asimismo, los resultados que se presentan han sido obtenidos considerando
que el error se encuentra en la susceptancia de la lnea considerada, ya que
segn se vio en el Apartado 3.5, la inuencia del error en la susceptancia
es mucho mayor que cuando ste existe en la conductancia, adems de ser
invariante con el tiempo, lo que representa la base del mtodo propuesto en
[1].
Al igual que se hizo en el Captulo 3, y con objeto de que los resultados
obtenidos sean estadsticamente signicativos, cada una de las pruebas representa el valor medio de la ejecucin de sesenta estimaciones de estado. Adems,
y excepto en los casos en los que expresamente se indique, se va a utilizar una
redundancia de las medidas completa, lo que signica que de cada estado se
poseen ciento veintids medidas distintas.
Dichos estados distintos han sido obtenidos, como se dijo en el Apartado
3.1, a partir de mil ochocientos estados distintos y exactos, que nunca son
conocidos, y a los que se les ha aadido errores gaussianos que simulen el
estado real del sistema.
Por ltimo, para caracterizar los resultados obtenidos se ha utilizado principalmente la clase de los dispositivos de medida, as como el error relativo
medio de las medidas afectadas en las sesenta estimaciones. Adems, el ndice
comparativo adoptado ha sido el error relativo medio de las medidas estimadas.
115
Figura 6.1: Relacin entre el error de las medidas y el error del parmetro
estimado frente al nmero de estados procesados simultneamente.
Nmero de
estados
1
7
Error
parm. (%)
0
10
25
0
10
25
2.8
2.9
2.8
Tabla 6.1: Inuencia del error de la susceptancia de una lnea sobre las medidas
cuando se estima el parmetro.
El ratio utilizado en dicha gura proporciona una cuanticacin de la habilidad del estimador para estimar un parmetro de red, pudindose observar
que a medida que aumenta el nmero de estados procesados simultneamente
la estimacin realizada es mejor. Para poder apreciar mejor dicho resultado,
se ha dibujado la recta de regresin obtenida con los puntos sealados, pudindose apreciar que los resultados obtenidos siguen una correlacin lineal, por
lo que cuanto mayor sea el nmero de estados procesados simultneamente
menor ser el error del parmetro estimado.
Asimismo, en la misma gura se ha representado la inversa de la curva
de regresin, es decir, el cociente entre el error del parmetro estimado y el
error medio de las medidas, la cual es una hiprbola. Esta curva muestra que
a medida que crece el nmero de estimaciones utilizadas simultneamente la
mejora obtenida es menor, observndose adems que en el lmite el error del
parmetro estimado vale cero.
Seguidamente, en la Tabla 6.1 se muestra la inuencia de diversos errores en la susceptancia de una lnea cuando se utilizan en la estimacin del
parmetro uno y siete estados diferentes simultneamente y las medidas del
sistema son de clase 1; se muestra tanto la inuencia sobre las medidas de
toda la red como sobre las medidas adyacentes a la rama, indicndose adems
el error de las medidas utilizadas. Se ha realizado el procesamiento de siete
estados diferentes simultneamente por considerar que la estimacin obtenida
con ellos es sucientemente buena, de acuerdo con la hiprbola representada
en la Figura 6.1.
En dicha tabla se puede observar adems que los estados estimados son
insensibles a los errores en los parmetros, es decir, el error en las medidas
117
Figura 6.2: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando se procesa un estado.
Figura 6.3: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando se procesan siete estados simultneamente.
119
Figura 6.4: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando: (a): No se realiza estimacin de
parmetros; (b): Se estima procesndose siete estados simultneamente.
Cada una de las grcas representa la media de la ejecucin de sesenta
estimaciones de estado.
Clase
5
3
1
0
Tabla 6.2: Errores de las medidas adyacentes utilizadas sin estimar parmetro
y estimndolo.
Nm. estados
7
4
1
(a)
14.26
8.56
2.85
14.20
8.52
2.84
13.53
8.10
2.70
(b)
3.27
1.95
.65
4.38
2.65
.90
8.73
5.27
1.70
(a/b)
4.4
4.4
4.4
3.2
3.2
3.2
1.5
1.5
1.6
Tabla 6.3: Errores de los parmetros estimados para diferentes niveles de errores en las medidas y redundancia completa. (a): Error medio de las telemedidas
(%); (b): Error del parmetro estimado (%).
Hay que hacer notar en esta gura que la no coincidencia de valores cuando
el error en el parmetro es 0 % es debido a que los errores en las medidas usadas
cuando no se estima el parmetro y cuando s se estima es distinto, segn se
aprecia en la Tabla 6.2. Esto es lgico ya que cuando no se estima el parmetro
se utilizan sesenta estados distintos como ya se ha indicado, mientras que
cuando s se estima, el nmero de estados utilizados es siete veces mayor, ya
que para cada estimacin del parmetro se usan siete estados distintos.
Por ltimo, en la Tabla 6.3 se presenta el error del parmetro estimado
y la relacin entre el error medio de las telemedidas y el error del parmetro
estimado, todo ello con diferentes niveles de errores en las medidas, distinto
nmero de estados utilizados simultneamente y redundancia completa.
De los resultados presentados en dicha tabla se puede concluir que:
121
El error del parmetro estimado es proporcional al error medio del conjunto de medidas. As, si se consideran los resultados obtenidos cuando se
realiza la estimacin utilizando siete estados simultneamente, la relacin
que existe entre el error medio de las telemedidas (cociente entre los valores de la columna (a)), es casi igual a la existente entre los errores del
parmetro estimado (cociente entre los valores de la columna (b)).
Resultados similares se obtienen al analizar los valores obtenidos cuando
se realiza la estimacin utilizando cuatro estados simultneamente y uno.
El ratio utilizado, que relaciona el error medio de las medidas y el error del parmetro estimado, slo es funcin del nivel de redundancia
de dichas telemedidas, a juzgar por la constancia de la columna de la
derecha para un mismo nmero de estados.
Clase
0
1
3
5
Error
parm. (%)
0
10
25
0
10
25
0
10
25
0
10
25
Errores medidas
estimadas (%)
0.0
0.0
0.0
1.69
1.69
1.69
5.08
5.08
5.08
8.46
8.46
8.46
Errores medidas
utilizadas (%)
0.0
1.78
5.34
8.90
Tabla 6.4: Inuencia del error de la susceptancia de una lnea cuando slo se
dispone de medidas de tensiones e inyecciones y se estima dicho parmetro.
Clase
0
1
3
5
Error
parm. (%)
0
10
25
0
10
25
0
10
25
0
10
25
Errores medidas
estimadas (%)
0.0
0.0
0.0
1.64
1.64
1.64
4.93
4.93
4.93
8.22
8.22
8.22
Errores medidas
utilizadas (%)
0.0
2.95
8.37
14.73
Tabla 6.5: Inuencia del error de la susceptancia de una lnea cuando slo se
dispone de medidas de tensiones y ujos y se estima dicho parmetro.
123
Figura 6.5: Media del error de las medidas / Error del parmetro estimado
frente al nmero de estados procesados simultneamente con diferente redundancia.
Las tres curvas se han representado en la misma gura para poder analizar
ms claramente su inuencia, pudindose concluir que:
A medida que aumenta el nmero de estados procesados simultneamente la estimacin realizada es mejor.
Las medidas de inyecciones de potencia no son las adecuadas para realizar una buena estimacin, ya que como se vio en al Apartado 3.6
dichas medidas son menos sensibles a los errores en los parmetros que
125
Figura 6.6: Inuencia del error en la susceptancia de cinco lneas sobre las
medidas de toda la red, con distintas clases.
En particular, es digno de destacar la notable inuencia que tiene el aumento del error en los parmetros cuando las telemedidas de las que se dispone
no tienen errores, es decir, son exactas.
Por ltimo, en la Figura 6.7 se muestran los resultados obtenidos cuando
se estiman los parmetros de las cinco lneas errneas utilizando siete estados
diferentes simultneamente.
El hecho de utilizar siete estados diferentes simultneamente, como se hizo
anteriormente, es debido a que se considera que ste es un compromiso bueno
entre la exactitud de la estimacin y el tiempo empleado en el procesamiento.
En dicha gura se puede observar que los estados estimados son insensibles a los errores en los parmetros a pesar de ser cinco las lneas errneas y
encontrarse tan prximas unas de otras.
Figura 6.7: Inuencia del error en las susceptancias de cinco lneas sobre las
medidas de toda la red, con distintas clases, cuando se procesan siete estados
simultneamente.
Parmetro de partida
-8.806
-8.900
-9.000
-9.090
-9.270
127
Parmetro estimado
-8.906
-8.906
-8.906
-8.906
-8.906
Tabla 6.6: Valores estimados del parmetro para distintos valores de partida
de ste.
Parmetro de partida
-8.906
Parmetro estimado
-8.906
Tabla 6.7: Valor estimado del parmetro cuando se parte de un valor estimado
previamente.
6.9 Resumen
En este captulo se han presentado los resultados experimentales obtenidos al
realizar la estimacin de estado y de parmetros.
Dichos resultados se han obtenido utilizando la red IEEE-14 como si se
tratase de una subred en la que se encontrasen las lneas sospechosas objeto
de estudio. Adems, y al igual que se hizo en el Captulo 3, para que los
resultados puedan considerarse vlidos desde un punto de vista estadstico se
Resumen
129
han utilizado para cada uno de los puntos considerados en cada una de las
curvas representadas la media de sesenta estimaciones diferentes.
Lo primero que se ha hecho en este captulo ha sido justicar la utilizacin
de los parmetros de las lneas sospechosas como admitancias con objeto de
realizar una menor manipulacin de las ecuaciones y evitar las posibles singularidades que pudieran presentarse al considerar dichas lneas abiertas (Apartado
6.2).
En el Epgrafe 6.3 se ha analizado la inuencia del nmero de muestras
usadas, habindose obtenido como resultados que:
A medida que aumenta el nmero de estados procesados simultneamente la estimacin realizada es mejor.
Los estados estimados son insensibles a los errores en los parmetros.
Seguidamente, en el Apartado 6.4, se han estudiado los resultados obtenidos
teniendo en cuenta el nivel de error en las medidas, concluyndose que:
El error del parmetro estimado es proporcional al error medio del conjunto de medidas.
La relacin entre el error medio de las medidas y el error del parmetro
estimado slo es funcin del nivel de redundancia de dichas telemedidas.
adems de las conclusiones del Epgrafe 6.3.
A continuacin, al estudiar la inuencia del tipo de medidas disponibles
(Apartado 6.5), se ha obtenido que las medidas de inyecciones de potencia
no son las adecuadas para realizar una buena estimacin, ya que son menos
sensibles a los errores en los parmetros que las medidas de ujos.
En el caso de que existan varios parmetros sospechosos, stos pueden
estimarse conjuntamente, obtenindose unos resultados que son tan buenos
como los obtenidos cuando slo se estimaba un nico parmetro (Seccin 6.6).
Por ltimo, en los Apartados 6.7 y 6.8 se han obtenido unos resultados
sumamente interesantes:
Bibliografa
[1] Zarco P., Gmez A., O-line Determination of Network Parameters in
State Estimation. Proceedings 12th. Power System Computation Conference, pp. 1207-1213, Dresden, Germany, August 1996.
131
Copyright P. Zarco & A. Gmez-Expsito
132
BIBLIOGRAFA
Captulo 7
Aspectos Relacionados con la
Estimacin
7.1 Introduccin
Entre las funciones de cualquier centro de control, una de las ms importantes
es el anlisis de seguridad del sistema. Para llevarla a cabo son necesarios una
serie de mdulos entre los que se encuentran los siguientes:
133
Copyright P. Zarco & A. Gmez-Expsito
134
7.2 Observabilidad
La estimacin de estado procesa un conjunto de medidas redundantes que permite estimar el estado del sistema de potencia. Para ello utiliza las medidas
analgicas junto con la conguracin del sistema proporcionada por el procesador topolgico, los parmetros de la red y quiz alguna pseudomedida. Si
el conjunto de medidas es suciente en nmero y geogrcamente bien distribuidas, el estimador de estado proporcionar un estimado del estado del
sistema y la red ser observable.
Por lo general un sistema se disea para ser observable en la mayora de
las condiciones de operacin, aunque temporalmente puede no serlo debido a
que se produzcan cambios no previstos en la topologa de la red o fallos en los
sistemas de comunicacin.
Un anlisis de observabilidad debe incluir:
Test de observabilidad.
Identicacin de redes observables.
Ubicacin de medidas.
La mayora de los algoritmos de observabilidad se basan en una aproximacin al modelo de red linealizado desacoplado similar al modelo en el que
se analizan separadamente las porciones de la red (P ) y (Q V ). As, en
la prctica se analizan separadamente la observabilidad de (P ) y (Q V ),
ya que en condiciones de operacin normales slo hay un ligero acoplamiento
Observabilidad
135
entre las fases y los ujos de potencia reactiva y entre las tensiones y los ujos
de potencia activa.
Por lo tanto, el vector de estado se puede dividir en
"
x=
(7.1)
zP
zQ
"
hP (, V )
hQ (, V )
"
P
Q
(7.2)
H=
HP HP V
HQ HQV
(7.3)
HP
0
0 HQV
(7.4)
zP = HP + P
0 = CP
(7.6)
(7.7)
136
zQ = HQV V + Q
0 = CQV V
(7.8)
(7.9)
U=
U11 U12
0
0
(7.11)
0
0
C
1
H
K = 0 W
T
T
C
H
0
(7.12)
Observabilidad
137
U11 U12
0
0
#"
1
2
"
U11 1 = U12 2
0
0
(7.13)
(7.14)
138
J =
k
P
i=1
y2i i2
y2i /i2
(7.15)
siendo:
Errores no gaussianos
139
El mtodo comienza utilizando medidas en todos los posibles nudos del sistema y posteriormente se van eliminando sistemticamente las medidas una a
una. Analizando un momento determinado del proceso, la medida que provoca el menor incremento de J y no causa violaciones en las restricciones de
desigualdad es la que se eliminar.
La eliminacin de las medidas nalizar cuando al eliminar alguna de las
que queden se provoque una violacin de las restricciones o cuando se alcance
un nmero de medidas especicado.
Este mtodo tiene dos defectos: las restricciones econmicas no se modelan
directamente y la tcnica de optimizacin es heurstica. Debido a este segundo
defecto, no se garantiza que se llegue a una solucin globalmente ptima.
Basndose en modicaciones y extensiones de este mtodo, en [1] se describe otra metodologa de emplazamiento de las medidas. En lugar de calcular
Py analticamente se utiliza la simulacin de Monte Carlo, ya que el clculo de
Py es muy costoso para sistemas de gran dimensin. El mtodo propuesto se
divide en tres fases.
En la primera fase se utiliza el mtodo de [19] para seleccionar las medidas
que se van a eliminar. Esta fase contina hasta que se alcanza un determinado
nivel de redundancia. En la segunda fase, un determinado nmero de medidas
adicionales se eliminan utilizando el mismo mtodo de eliminacin de la fase
anterior. Esto se realiza con objeto de permitir la reinsercin de medidas en la
tercera fase del algoritmo. En la tercera fase, las medidas se aaden con objeto
de disminuir la sensibilidad de J a la prdida de medidas y datos con errores
no gaussianos. Esta tercera fase contina hasta que el nmero de medidas
aadidas sea igual al de eliminadas en la segunda fase.
Este mtodo se ha usado ampliamente en la red de transporte noruega
habindose obtenido buenos resultados tanto cuando el conjunto de medidas
iniciales como cuando las condiciones de carga cambian. Sin embargo, el mtodo es sensible a la variacin de la topologa de la red, por lo que se recomienda
la utilizacin de puntos de medida adicionales que permitan al sistema de
medidas ser ms robusto ante cambios topolgicos.
Errores en los parmetros tales como posicionamiento incorrecto del intercambiador de tomas, modelado incorrecto de los transformadores o
140
Errores no gaussianos
141
= z h(x)
(7.17)
J(x) se obtiene como suma de los cuadrados de variables aleatorias independientes con distribucin normal cuya media es 0 y su desviacin tpica es
, por lo que J(x) es una 2 de Pearson de k grados de libertad:
2 = 12 + 22 + 32 + . . . + k2
(7.18)
k = mn
n = 2N 1
(7.19)
(7.20)
con
rx = x x
r = z z
donde x
es la variable estimada y z es la medida estimada.
Considerando
z = h(x) +
(7.21)
(7.22)
(7.23)
con
E() = 0
E( T ) = R
(7.24)
(7.25)
142
E(rx ) = 0
E(rx rxT ) = Px = (H T W H)1 = G1
E(rrT ) = Pz = R HG1 H T
(7.26)
(7.27)
(7.28)
ri
rN = q
(Pz )ii
(7.29)
XX
j
T
Hij (H T W H)1
jk Hki
(7.30)
AZ = I
(7.31)
LDLT Z = I LT Z = D1 L1
(7.32)
Z = D1 L1 + T Z
(7.33)
siendo D una matriz diagonal y T una matriz triangular superior cuya diagonal
es cero.
De este razonamiento hay que hacer especial mencin de que:
Errores no gaussianos
143
Zs = D1 + T Z
(7.34)
zii = dii +
zij =
tik zki
(7.35)
tik zkj
(7.36)
siendo k > i, y que para calcular zij es necesario encontrar previamente todos
los elementos zkj con k tal que tik 6= 0.
i2
zin = zie q
(Pz )ii
(zie zi )
siendo:
(7.37)
144
Eliminacin ordenada.
Eliminacin por grupos.
En el primer caso se sustituye la medida cuyo residuo sea mayor y se vuelve
a estimar el estado con la nueva medida. Si la deteccin vuelve a ser positiva
se sustituye la medida que tenga ahora el mayor residuo y as sucesivamente.
En el segundo caso se sustituyen todas las medidas correspondientes a
residuos mayores a un cierto valor.
Errores topolgicos
145
146
no gaussianos de las medidas analgicas pueden hacer que el anlisis de residuos no sea able [23].
Existen las siguientes condiciones sucientes para la no detectabilidad y no
identicabilidad de errores topolgicos:
1. Si una rama es irrelevante, un error topolgico que afecte a dicha rama
no ser detectable [39].
2. La conguracin errnea de una rama irrelevante no es detectable si
todas las medidas relacionadas con ella son crticas o se convierten en
crticas como consecuencia de esa conguracin errnea [11, 39].
3. Si dos ramas forman un par crtico de ramas, entonces un error topolgico
que afecte a dichas ramas no es identicable [11].
Entendindose que:
Errores topolgicos
147
En este mtodo se analiza si los resultados obtenidos con las medidas analgicas
existentes y el estado de los interruptores son consistentes.
En [28, 29] se estiman los ujos de potencia a travs de los interruptores
sospechosos con objeto de evitar la impedancia cero que se encuentra asociada
con ellos. Adems, se incluyen una serie de restricciones de igualdad con objeto
de no disminuir la redundancia existente.
El mtodo propuesto en [13] se basa en los multiplicadores de Lagrange normalizados. El mtodo es similar al utilizado para el procesamiento de errores
no gaussianos.
En [33] se propone un algoritmo que determine un ndice de correlacin
entre las medidas y los elementos sospechosos. ste estar incluido dentro de
una estrategia general basada en las siguientes etapas:
1. Pruebas de validacin realizada en la etapa de preltrado.
2. Pruebas realizadas durante la estimacin.
3. Procesamiento a posteriori que utilice la informacin obtenida en las
etapas anteriores.
Aunque en muchos casos los errores topolgicos se pueden detectar e identicar con los datos que se tienen en la etapa de preltrado, existen situaciones
dudosas que precisan de unos algoritmos ms elaborados que se ejecutarn en
la segunda etapa. Uno de estos algoritmos es el que se presenta en [33] y
con l se pretende conrmar la presencia de una mala conguracin que se
hubiera detectado durante la primera etapa o resolver algn caso de duda que
se hubiese presentado.
El mtodo propuesto trata de cuanticar la correlacin existente entre los
valores identicados como medidas con errores no gaussianos, y que en dicho
artculo se denominan medidas sintomticas, y las medidas que, en unas determinadas condiciones de operacin, se esperan que sean las ms afectadas de
los posibles errores topolgicos y que se denominan medidas sensibles. Estas
medidas se determinan a travs de un anlisis de sensibilidad de los residuos
con respecto a los ujos de los elementos de red. El mtodo propuesto se llevar a cabo cuando se detecte alguna anomala al haber ejecutado las rutinas
de deteccin de errores no gaussianos.
El autor de este mtodo reconoce que existen situaciones dudosas como es
el caso en el que existan varias medidas analgicas errneas y que coincidan con
los sntomas de un error topolgico. Estos casos requerirn alguna estimacin
148
posterior que permita identicar la causa real del problema. Estas estimaciones
posteriores se pueden realizar de una manera metdica segn [27].
En [3] se describe qu errores del estado de los interruptores se pueden
detectar e identicar en presencia de medidas analgicas errneas utilizando
tcnicas de estimacin de estado de mnimos valores absolutos y aplicando
una estimacin en dos etapas tal y como se describe en [30]. El mtodo de
resolucin del estimador de estado de mnimos valores absolutos desarrollado
en dos fases se basa en [2].
Aunque intuitivamente los interruptores se relacionan con ramas con impedancia cero, realmente existen dos casos:
Errores topolgicos
149
Si las medidas adyacentes hacen a k observable, entonces la anterior restriccin constituye una informacin redundante cuyo nico objetivo es renar
el valor estimado de k . Por otro lado, cuando k no es observable, la restriccin
de igualdad propuesta no es til ya que, dependiendo del punto de comienzo
en las iteraciones, se pueden obtener las dos posibles soluciones (multiplicidad
de soluciones). Esto ocurre, por ejemplo, cuando no se miden ni los ujos en
la rama ni las inyecciones en los nudos adyacentes (rama irrelevante). En este
caso, incluso si las tensiones de los nudos extremos de la rama son observables, tanto las inyecciones como el estado abierto o cerrado del interruptor
permanecen indeterminados.
Este mtodo presenta las siguientes ventajas al compararlo con otros propuestos en la literatura:
150
(7.39)
(7.40)
Pi (k) =
Pim + kPij
(7.41)
Qim + kQij
(7.42)
mi,m6=j
Qi (k) =
mi,m6=j
Pij (k)
Pi (k)
=
= Pij
k
k
Qij (k)
Qi (k)
=
= Qij
k
k
(7.44)
(7.45)
(7.46)
Resumen
151
la ecuacin (7.43) es nulo. Adems, como tanto Pij como Qij son prximos a
cero al comienzo de las iteraciones, la matriz jacobiano est mal condicionada
o es singular durante la primera iteracin. Por ello, la nueva variable k solamente se incluir despus de la primera iteracin tal y como se sugiere en
[4].
El mtodo propuesto puede resumirse de la siguiente manera:
7.5 Resumen
En este captulo se han presentado tres aspectos ntimamente relacionados con
la estimacin de estado:
Observabilidad.
Deteccin de errores no gaussianos.
Errores topolgicos.
En el Apartado 7.2 se han estudiado las partes de que consta un anlisis
de observabilidad:
Test de observabilidad.
Identicacin de redes observables.
Ubicacin de medidas.
A continuacin, en la Seccin 7.3 se han analizado las causas que pueden
producir errores no gaussianos y se han estudiado las etapas del anlisis de
errores no gaussianos:
152
Bibliografa
[1] Aam S., Holten L., Gjerde O., Design of the Measurement System for
State Estimation in the Norwegian High Voltage Transmission Network.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-102, pp.
3769-3777, December 1983.
[2] Abur A., elik M., A Fast Algorithm for the Weighted Least Absolute
Value State Estimation. IEEE Transactions on Power Systems, Vol. 6,
pp. 1-8, February 1991.
[3] Abur A., Kim H., elik M., Identifying the Unknown Circuit Breaker
Statuses in Power Networks. IEEE Transactions on Power Systems, Vol.
10, No. 4, pp. 2029-2037, November 1995.
[4] Abur A., Gmez A., Detecting Multiple Solutions in State Estimation in
the Presence of Current Magnitude Measurements. IEEE Transactions
on Power Systems, Vol. 12, No. 1, pp. 370-375, February 1997.
[5] Allam M., Rashed A., Power System Topological Error Detection and
Identication. Electrical Power & Energy Systems, Vol. 2, No. 4, pp.
201-205, October 1980.
[6] Alvarado F., Tinney W., State Estimation Using Augmented Blocked
Matrices. IEEE Transactions on Power Systems, Vol. 5, No. 3, pp. 911921, August 1990.
[7] Ariatti F., Marzio L., Ricci P., Designing State Estimation in View of
Reliability. Proceedings Power System Computation Conference, Paper
2.3/8, September 1975.
[8] Aschmoneit F., Peterson N., Adrian E., State Estimation with Equality
Constraints. Tenth PICA Conference Proceedings, Toronto, pp. 427-430,
May 1977.
153
Copyright P. Zarco & A. Gmez-Expsito
154
BIBLIOGRAFA
[9] Broussolle F., State Estimation in Power Systems: Detecting Bad Data
Through the Sparse Inverse Matrix Method. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-97, pp. 678-682, 1978.
[10] Clements K., Krumpholz G., Davis P., Power System State Estimation
with Measurement Deciency: An Algorithm that Determines the Maximal Observable Subnetwork. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-101, pp. 3044-3052, September 1982.
[11] Clements K., Davis P., Detection and Identication of Topology Errors
in Electric Power Systems. IEEE Transactions on Power Systems, Vol. 3,
No. 4, pp. 1748-1753, November 1988.
[12] Clements K., Observability Methods and Optimal Meter Placement.
Electrical Power & Energy Systems, Vol. 12, No. 2, pp. 88-93, April 1990.
[13] Clements K., Simes-Costa A., Topology Error Identication Using Normalized Lagrange Multipliers. IEEE Transactions on Power Systems, Paper PE-957-PWRS-1-07-1997, 1997.
[14] Dopazo J., Klitin O., Sasson A., State Estimation for Power System
Detection of Gross Measurement Errors. PICA Conference Proceedings,
Minneapolis, 1973.
[15] Edelmann H., A Universal Assessment for the Superior Quality of Distribution of Measuring Points for the State Estimation of High Voltage
Networks. Proceedings Power System Computation Conference, Paper
2.3/7, September 1975.
[16] Gjelsvik A., Aam S., Holten L., Hachtel's Augmented Matrix Method A Rapid Method Improving Numerical Stability in Power System Static
State Estimation. IEEE Transactions on Power Apparatus and Systems,
Vol. PAS-104, pp. 2987-2993, November 1985.
[17] Gmez A., Martnez J., Romero E., Ruiz J., Luque A., An Improved
Topological Observability Algorithm. Proceedings 11th. Power System
Computation Conference, pp. 627-631, Avignon, France, September 1993.
[18] Gmez A., Zarco P., Quintana, V., Accurate Estimation of Circuit Breaker Positions. Proceedings of Large Engineering Systems Conference on
Power Engineering, pp. 11-14, Halifax, Canada, June 1998.
BIBLIOGRAFA
155
[19] Koglin H., Optimal Measuring System for State Estimation. Proceedings
Power System Computation Conference, Paper 2.3/12, September 1975.
[20] Koglin H., Oeding D., Schmitt K., Identication of Topological Errors in
State Estimation. 2nd. PSMC, IEE Durham, pp. 140-144, 1986.
[21] Krumpholz G., Clements K., Davis P., Power System Observability: A
Practical Algorithm Using Network Topology. IEEE Transactions on
Power Apparatus and Systems, Vol. PAS-99, pp. 1534-1542, July/August
1980.
[22] Lugtu R., Hackett D., Liu K., Might D., Power System State Estimation:
Detection of Topological Errors. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-99, No. 6, pp. 2406-2412, November/December
1980.
[23] Mili L., Van Cutsem T., Ribbens-Pavella M., Bad Data Identication
Methods in Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, No. 11, pp. 3037-3049, November
1985.
[24] Monticelli A., Wu F., Network Observability: Identication of Observable Islands and Measurement Placement. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, pp. 1035-1041, May 1985.
[25] Monticelli A., Wu F., Network Observability: Theory. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, pp. 1042-1048,
May 1985.
[26] Monticelli A., Wu F., Observability Analysis for Orthogonal Transformation based State Estimation. IEEE Transactions on Power Systems, Vol.
1, pp. 201-208, February 1986.
[27] Monticelli A., Wu F., Yen M., Multiple Bad Data Identication for State
Estimation by Combinatorial Optimization. IEEE Transactions on Power
Delivery, Vol. 1, No. 3, pp. 361-369, July 1986.
[28] Monticelli A., Garcia A., Modeling Zero Impedance Branches in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 6,
No. 4, pp. 1561-1570, November 1991.
156
BIBLIOGRAFA
[29] Monticelli A., The Impact of Modeling Short Circuit Branches in State
Estimation. IEEE Transactions on Power Systems, Vol. 8, No. 1, pp.
364-370, February 1993.
[30] Monticelli A., Modeling Circuit Breakers in Weighted Least Squares Estimation. IEEE Transactions on Power Systems, Vol. 8, No. 3, pp. 11431149, August 1993.
[31] Mori H., Tsuzuki S., A Fast Method for Topological Observability Analysis Using a Minimum Spanning Tree Technique. IEEE Transactions on
Power Systems, Vol. 6, No. 2, pp. 491-500, May 1991.
[32] Schweppe F., Douglas B., Power System Static-State Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-89, pp. 120-135,
1970.
[33] Simes-Costa A., Leo J., Identication of Topology Errors in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 8,
No. 4, pp. 1531-1538, November 1993.
[34] Singh N., Glavitsch H., Detection and Identication of Topological Errors
in Online Power Analysis. IEEE Transactions on Power Systems, Vol. 6,
No. 1, pp. 324-331, February 1991.
[35] Takahashi, Fagan, Chen, Formation of a Sparse Bus Impedance Matrix.
8th. PICA Conference, Minneapolis, June 1973.
[36] Vempati M., Slutsker I., Tinney W., Enhancements to Givens Rotations
for Power System State Estimation. IEEE Transactions on Power Systems, Vol. 6, No. 2, pp. 842-849, May 1991.
[37] Wood A., Wollenberg B., Power Generation, Operation & Control. John
Wiley & Sons, Inc., 1984.
[38] Wu F., Liu W., Holten L., Gjelsvik A., Aam A., Observability Analysis
and Bad Data Processing for State Estimation using Hachtel's Augmented
Matrix Method. IEEE Transactions on Power Systems, Vol. 3, pp. 604611 May 1988.
[39] Wu F., Liu W., Detection of Topology Errors by State Estimation. IEEE
Transactions on Power Systems, Vol. 4, No. 1, pp. 176-183 February 1989.
BIBLIOGRAFA
157
[40] Zollenkopf K., Sparse Nodal Impedance Matrix Generated by the Bifactorization Method and Applied to Short Circuits Studies. Proceedings
Power System Computation Conference, Cambridge, Paper 3.1/3, 1975.
158
BIBLIOGRAFA
Apndice A
Propiedades Estadsticas de la
Estimacin de Mnimos Cuadrados
A.1 Introduccin
En el Captulo 1 se enumeraron las propiedades deseables que un estimador
deba tener y que, en concreto, el estimado de mxima verosimilitud posea.
En el presente apndice se van a enumerar las propiedades estadsticas que
posee la estimacin de mnimos cuadrados.
12
R = E( T ) =
22
..
.
2
m
159
Copyright P. Zarco & A. Gmez-Expsito
(A.2)
160
Propiedades Estadsticas
E(
x) = x
E(
z ) = E(z) = h(x)
(A.3)
(A.4)
cov(
x) = Px = E[(
x x)(
x x)T ] = G1
cov(
z ) = HG1 H T
(A.5)
(A.6)
3. La funcin objetivo J(
x) tiene la distribucin de una 2 de m n grados
de libertad, siendo adems su esperanza matemtica:
E[J(
x)] = m n
(A.7)
E(r) = 0
(A.9)
y su covarianza:
Propiedades estadsticas
161
rN i =
ri
i (Sr )ii
(A.11)
162
Propiedades Estadsticas
Bibliografa
[1] Gmez A., Estimacin de Estado en Sistemas Elctricos de Potencia.
Automtica e Instrumentacin, No. 155, pp. 185-193, Febrero 1986.
[2] Gmez A., Abur A., Martnez J., Monroy D., Peas J., Van Cutsem T.,
Power System State Estimation and Security Assessment. EES-UETP
1996 Course Program, Sevilla, June 1996.
163
Copyright P. Zarco & A. Gmez-Expsito
164
BIBLIOGRAFA
Apndice B
Elementos de la Matriz Jacobiano
B.1 Introduccin
En este apndice se presentan los elementos que forman la matriz jacobiano,
tanto los que habitualmente existen en cualquier estimacin de estado [1], como
los correspondientes a las nuevas columnas incluidas en la matriz al estimar
los parmetros.
Estas nuevas columnas aparecen como consecuencia de considerar el vector
de estados ampliado con los parmetros sospechosos.
165
Copyright P. Zarco & A. Gmez-Expsito
166
Matriz Jacobiano
(B.1)
(B.2)
N
X
Pi
=
Vj (Gij cos(ij ) + Bij sen(ij )) + Vi Gii
Vi
j=1
(B.3)
Pi
= Vi (Gij cos(ij ) + Bij sen(ij ))
Vj
(B.4)
N
X
Qi
=
Vj (Gij sen(ij ) Bij cos(ij )) Vi Bii
Vi
j=1
(B.5)
Qi
Vj
Pij
Vi
Pij
Vj
Qij
Vi
Qij
Vj
(B.6)
(B.7)
(B.8)
(B.9)
(B.10)
(B.11)
(B.12)
Elementos de la matriz
167
N
X
Pi
=
Vi Vj (Gij sen(ij ) + Bij cos(ij )) Vi2 Bii (B.13)
i
j=1
Pi
= Vi Vj (Gij sen(ij ) Bij cos(ij ))
j
(B.14)
N
X
Qi
=
Vi Vj (Gij cos(ij ) + Bij sen(ij )) Vi2 Gii
i
j=1
(B.15)
Qi
j
Pij
i
Pij
j
Qij
i
Qij
j
(B.16)
(B.17)
(B.18)
(B.19)
(B.20)
= 0
(B.21)
= 0
(B.22)
= Vi Vj sen(ij )
(B.23)
= Vi Vj sen(ji )
(B.24)
= Vi Vj cos(ij ) Vi2
(B.25)
= Vi Vj cos(ji ) Vj2
(B.26)
= Vi Vj sen(ij )
(B.27)
= Vi Vj sen(ji )
(B.28)
168
Matriz Jacobiano
Qij
= Vi Vj cos(ij ) Vi2
Bij0
Qji
= Vi Vj cos(ji ) Vj2
Bij0
(B.29)
(B.30)
= 0
(B.31)
= 0
(B.32)
= Vi Vj cos(ij ) + Vi2
(B.33)
= Vi Vj cos(ji ) + Vj2
(B.34)
= Vi Vj sen(ij )
(B.35)
= Vi Vj sen(ji )
(B.36)
= Vi Vj cos(ij ) + Vi2
(B.37)
= Vi Vj cos(ji ) + Vj2
(B.38)
= Vi Vj sen(ij )
(B.39)
= Vi Vj sen(ji )
(B.40)
Bibliografa
[1] Grainger J., Stevenson W., Anlisis de Sistemas de Potencia. McGrawHill, Mexico D.F., 1995.
169
Copyright P. Zarco & A. Gmez-Expsito
170
BIBLIOGRAFA
Apndice C
Fondos de Escala Utilizados en el
Entorno de Simulacin
C.1 Introduccin
Los fondos de escala utilizados en las simulaciones dependen de los valores
mximos esperados en cada punto de medida. Adems, se han agrupado los
valores en torno a varios de ellos con objeto de disminuir la diversidad de
valores utilizados.
Con estas premisas, en este apndice se presentan los fondos de escala
considerados para las inyecciones en los nudos y los ujos en las ramas, en por
unidad, sobre una base de 100 MVA y siendo vlidos los valores de ujos de
potencia para ambos extremos de la lnea.
171
Copyright P. Zarco & A. Gmez-Expsito
172
Fondos de Escala
Nudo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Inyeccin activa
2.80
0.70
1.15
0.70
0.25
0.60
0.10
0.10
0.60
0.25
0.10
0.10
0.25
0.25
Inyeccin reactiva
0.20
0.65
0.40
0.95
0.40
0.65
0.20
0.40
0.20
0.10
0.10
0.10
0.20
0.20
Tabla C.1: Fondos de escala considerados para los nudos de la red IEEE-14 en
por unidad y sobre una base de 100 MVA.
Nudo inicial
1
2
2
1
2
3
4
5
4
7
4
7
9
6
6
6
9
10
12
13
Nudo nal
2
3
4
5
5
4
5
6
7
8
9
9
10
11
12
13
14
11
13
14
Flujo de activa
2.00
1.00
1.00
1.00
0.65
0.65
1.00
0.65
0.65
0.20
0.65
0.65
0.20
0.25
0.20
0.25
0.20
0.20
0.20
0.20
173
Flujo de reactiva
0.35
0.20
0.20
0.20
0.20
0.20
0.35
0.35
0.35
0.35
0.20
0.20
0.10
0.20
0.10
0.20
0.10
0.10
0.10
0.10
Tabla C.2: Fondos de escala considerados para las ramas de la red IEEE-14
en por unidad y sobre una base de 100 MVA.
174
Fondos de Escala
Nudo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Inyeccin activa
0.80
0.25
0.50
0.50
0.10
0.80
0.25
0.50
0.10
6.00
1.20
0.50
0.50
0.25
1.20
0.50
0.10
0.80
0.80
0.25
0.25
0.25
0.10
0.25
4.00
4.00
1.20
0.25
0.50
0.25
175
Inyeccin reactiva
0.40
0.20
0.20
0.40
0.40
0.10
0.10
0.60
0.10
0.80
0.40
1.20
0.20
0.10
0.40
0.20
1.20
0.40
0.40
0.10
0.10
0.10
0.10
0.40
2.10
1.20
0.40
0.10
0.10
1.20
Tabla C.3: Fondos de escala considerados para los nudos de la red IEEE-118
en por unidad y sobre una base de 100 MVA.
176
Fondos de Escala
Nudo
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Inyeccin activa
0.50
0.80
0.50
0.80
0.50
0.50
0.25
0.25
0.50
0.80
0.50
1.20
0.25
0.25
0.80
0.25
0.50
0.25
2.00
0.25
0.25
0.25
0.50
1.20
1.20
1.20
0.25
0.25
2.00
1.20
Inyeccin reactiva
0.20
0.40
0.20
0.40
0.20
0.40
2.10
2.10
0.20
0.40
0.20
0.60
0.10
0.10
0.20
0.20
0.10
0.10
1.20
0.10
0.10
0.10
0.20
0.40
0.40
0.20
0.10
0.10
0.80
0.10
Tabla C.4: Fondos de escala considerados para los nudos de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Inyeccin activa
2.00
1.20
0.10
0.10
6.00
6.00
0.50
0.10
6.00
1.20
0.10
0.25
0.10
1.20
0.80
1.20
0.80
1.20
0.50
6.00
0.10
0.80
0.25
0.25
0.50
0.50
0.10
0.80
8.00
2.00
177
Inyeccin reactiva
0.20
0.20
1.20
0.60
2.10
2.10
0.10
2.10
1.20
0.40
0.10
0.20
0.10
0.40
0.20
0.40
0.60
0.40
0.20
2.80
2.10
0.20
0.10
0.10
0.40
0.20
0.20
0.20
0.40
0.60
Tabla C.5: Fondos de escala considerados para los nudos de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
178
Fondos de Escala
Nudo
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
Inyeccin activa
0.25
1.20
0.25
0.50
0.80
0.80
0.25
0.50
0.50
4.00
0.50
0.10
0.25
0.50
0.50
0.80
0.80
0.10
0.10
0.50
0.50
0.80
0.10
0.10
0.50
2.00
0.25
0.50
Inyeccin reactiva
0.20
0.10
0.10
0.20
0.40
0.20
0.20
0.10
0.20
2.10
0.20
0.10
0.40
0.40
0.20
0.20
0.10
0.10
0.10
0.40
0.10
0.40
0.10
0.10
0.10
0.60
0.10
0.20
Tabla C.6: Fondos de escala considerados para los nudos de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo inicial
1
1
2
3
3
4
4
5
8
5
6
7
8
8
9
11
11
12
12
12
Nudo nal
2
3
12
5
12
5
11
6
5
11
7
12
9
30
10
12
13
14
16
117
Flujo de activa
0.25
0.60
0.60
1.20
0.25
2.00
1.20
1.20
6.00
1.20
0.60
0.25
6.00
1.20
6.00
0.60
0.60
0.25
0.10
0.60
179
Flujo de reactiva
0.20
0.20
0.40
0.20
0.20
0.40
0.10
0.10
0.80
0.10
0.10
0.10
1.30
1.30
0.80
0.80
0.20
0.10
0.10
0.10
Tabla C.7: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA.
180
Fondos de Escala
Nudo inicial
13
14
15
15
15
16
17
30
17
17
18
19
19
20
21
22
23
23
23
24
Nudo nal
15
15
17
19
33
17
18
17
31
113
19
20
34
21
22
23
24
25
32
70
Flujo de activa
0.10
0.10
4.00
0.25
0.25
0.25
1.20
4.00
0.25
0.10
0.60
0.25
0.10
0.60
0.60
1.20
0.10
4.00
1.20
0.25
Flujo de reactiva
0.10
0.10
0.40
0.20
0.10
0.10
0.40
0.80
0.20
0.20
0.20
0.20
0.20
0.20
0.10
0.10
0.40
0.80
0.20
0.10
Tabla C.8: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo inicial
24
26
25
26
27
27
27
28
29
30
31
32
32
33
34
34
34
35
35
38
Nudo nal
72
25
27
30
28
32
115
29
31
38
32
113
114
37
36
37
43
36
37
37
Flujo de activa
0.10
1.20
2.00
4.00
0.60
0.25
0.60
0.25
0.25
1.20
0.60
0.10
0.25
0.25
0.60
1.20
0.10
0.10
0.60
4.00
181
Flujo de reactiva
0.10
1.30
0.40
0.80
0.10
0.10
0.10
0.10
0.20
0.80
0.20
0.20
0.10
0.20
0.20
0.80
0.10
0.10
0.20
1.30
Tabla C.9: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
182
Fondos de Escala
Nudo inicial
37
37
38
39
40
40
41
42
43
44
45
45
46
46
47
47
48
49
49
49
Nudo nal
39
40
65
40
41
42
42
49
44
45
46
49
47
48
49
69
49
50
51
54
Flujo de activa
1.20
1.20
4.00
0.60
0.60
0.10
0.10
1.20
0.25
0.60
0.60
1.20
0.60
0.25
0.10
1.20
0.60
1.20
1.20
0.60
Flujo de reactiva
0.10
0.20
0.80
0.40
0.10
0.20
0.20
0.40
0.10
0.10
0.10
0.10
0.10
0.10
0.20
0.20
0.10
0.20
0.40
0.20
Tabla C.10: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo inicial
49
49
50
51
51
52
53
54
54
54
55
55
56
56
56
59
59
63
60
60
Nudo nal
66
69
57
52
58
53
54
55
56
59
56
59
57
58
59
60
61
59
61
62
Flujo de activa
4.00
1.20
0.60
0.60
0.60
0.25
0.25
0.10
0.25
1.20
0.10
1.20
0.60
0.25
0.60
1.20
1.20
4.00
2.00
0.25
183
Flujo de reactiva
0.80
0.20
0.20
0.10
0.10
0.10
0.20
0.10
0.20
0.10
0.20
0.10
0.20
0.10
0.10
0.10
0.20
0.80
0.10
0.10
Tabla C.11: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
184
Fondos de Escala
Nudo inicial
61
64
62
62
63
64
65
65
66
68
68
68
69
69
69
70
70
70
71
71
Nudo nal
62
61
66
67
64
65
66
68
67
69
81
116
70
75
77
71
74
75
72
73
Flujo de activa
0.25
0.60
0.60
0.60
4.00
4.00
0.60
0.60
1.20
2.00
1.20
2.00
2.00
2.00
1.20
0.25
0.25
0.10
0.25
0.10
Flujo de reactiva
0.20
0.80
0.20
0.20
0.80
0.80
1.30
0.40
0.20
1.30
0.80
0.80
0.20
0.40
0.40
0.20
0.20
0.20
0.10
0.20
Tabla C.12: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo inicial
74
75
75
76
76
77
77
77
78
79
81
80
80
80
80
82
82
83
83
84
Nudo nal
75
77
118
77
118
78
80
82
79
80
80
96
97
98
99
83
96
84
85
85
Flujo de activa
1.20
0.60
0.60
1.20
0.25
0.25
1.20
0.60
1.20
1.20
1.20
0.60
0.60
0.60
0.60
2.00
0.25
0.60
1.20
1.20
185
Flujo de reactiva
0.10
0.20
0.40
0.40
0.20
0.20
0.40
0.80
0.20
0.80
1.30
0.40
0.40
0.10
0.20
0.80
0.20
0.40
0.40
0.20
Tabla C.13: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
186
Fondos de Escala
Nudo inicial
85
85
85
86
88
89
89
90
91
92
92
92
92
93
94
94
94
95
96
98
Nudo nal
86
88
89
87
89
90
92
91
92
93
94
100
102
94
95
96
100
96
97
100
Flujo de activa
0.25
1.20
2.00
0.10
2.00
4.00
4.00
0.60
0.60
0.60
0.60
0.25
0.60
0.60
0.60
0.10
0.25
0.25
0.25
0.25
Flujo de reactiva
0.10
0.40
0.20
0.20
0.20
0.80
0.80
0.10
0.20
0.20
0.20
0.40
0.20
0.40
0.20
0.10
0.80
0.40
0.40
0.10
Tabla C.14: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo inicial
99
100
100
100
100
101
103
103
103
104
105
105
105
106
108
109
110
110
114
Nudo nal
100
101
103
104
106
102
104
105
110
105
106
107
108
107
109
110
111
112
115
Flujo de activa
0.25
0.10
2.00
1.20
1.20
0.60
0.60
0.60
1.20
0.60
0.25
0.60
0.60
0.60
0.25
0.25
0.60
1.20
0.10
187
Flujo de reactiva
0.10
0.40
0.10
0.20
0.10
0.20
0.20
0.10
0.10
0.10
0.10
0.10
0.20
0.10
0.20
0.20
0.10
0.40
0.10
Tabla C.15: Fondos de escala considerados para las ramas de la red IEEE-118
en por unidad y sobre una base de 100 MVA (continuacin).