02 StateEstimation R3

ESTIMACIÓN DE ESTADO
A. J. Conejo
&
several
distinguished students
Univ. Castilla – La Mancha

Octuber 2008
1
Estimación de estado
0. Referencias
1. Introducción
2. Ejemplo
3. Formulación y resolución del problema
3.1 El caso lineal
3.2 El caso no lineal
4. Estimación de máxima verosimilitud
5. Observabilidad
6. Identificación y detección de medidas erróneas
2
Bibliografía
1) A. Gómez Expósito, A. J. Conejo, C.

Cañizares. “Electric Energy Systems.
Analysis and Operation”. CRC Press, Boca
Raton, Florida, 2008.
2) A. Abur, A. Gómez Expósito. “Power

System State Estimation. Theory and
Implementation”. Dekker, New York, 2004.
3
Estimación de Estado
Planteamiento
4
Introducción
• SCADA: Sistema de Supervisión, Control y Adquisición

de Datos.
• Algunas funciones de un sistema SCADA:
 Obtener datos relevantes del sistema supervisado.
 Mantener una base de datos consistente.
 Informar al personal encargado del estado del
sistema.
• EMS: Sistema de gestión de energía.
5
Introducción
Estimación de las variables de estado (módulos y

ángulos de las tensiones) de una red de energía
eléctrica empleando medidas no exactas pero con un
cierto grado de redundancia.
Se aborda la estimación de estado como un problema

estático: todas las medidas corresponden a una
“fotografía” del sistema, esto es, son simultáneas.
6
Introducción
• Se utilizan medidas redundantes para mejorar
la estimación.
• Medidas:
1. Flujos de P y Q.
2. Inyecciones de P y Q.
3. Módulos de tensiones.
4. Módulos de corrientes (poco frecuentes en
redes de transporte).
• Otras medidas: virtuales (sin error) y pseudo-

medidas (imprecisas).
7
Introducción
Funciones:
1. Prefiltrado de medidas. Descartar medidas claramente
erróneas.
2. Procesador topológico. Obtener el modelo de la red
conocido el estado de interruptores y seccionadores.
3. Análisis de observabilidad. Determinar la disponibilidad
de medidas para obtener una estimación total (o parcial)
de las variables de estado de la red.
4. Estimación de estado. Estado más probable del sistema.
5. Procesador de medidas erróneas. Detectar e identificar la
existencia de posibles errores en las medidas.
8
Introducción
Datos variables
Datos fijos
Estado de
interruptores
Medidas
PREFILTRADO ANÁLISIS
TOPOLÓGICO
ESTIMACIÓN ANÁLISIS
ESTADO OBSERVABILIDAD
Zonas no observables
DETECCIÓN ELIMINACIÓN
ERRORES ERRORES
Alarmas
Estado estimado del sistema Medidas erróneas
(flujos, tensiones, etc...)
Interfaz hombre-máquina
9
Ejemplo. DC
Estimar los ángulos de tensión en los nudos
Valores de las reactancias en unitarias
(Base 100 MVA)

X12  0.2
X13  0.4
X 23  0.25
referencia
10
Ejemplo. DC
Medidores del flujo de potencia activa por las líneas.

Localización M12 , M13 , M32 .
Uno de los
medidores es
redundante
11
Ejemplo. DC
Sólo dos mediciones (exactas): M13 , M32
M13  5 MW  0.05 pu , M32  40 MW  0.4 pu

1
P13  δ1  δ3   M13  0.05 pu
x13
1
P32  δ3  δ 2   M32  0.40 pu
x 23
2 variables de estado: δ1, δ 2 , ( δ3  0 , referencia )

2 medidores: M13 , M32
12
Ejemplo. DC
Solución exacta:
δ 2  0.1
δ1  0.02
δ3  0
13
Ejemplo. DC
Solución empleando las mediciones M13 y M32 :
M13  0.06 pu , M32  0.37 pu
M 13
δ 2  0.0925
δ1  0.024
δ3  0
M12 = 58.25 MW  60 MW
14
Ejemplo. DC
Solución empleando mediciones M12 y M32 :

M12  0.62 pu , M32  0.37 pu
δ 2  0.0925
δ1  0.0315
δ3  0
M13  7.875 MW  5 MW
15
Formulación del problema
Se considera que las medidas son erróneas:
zm  zr  η
Valor medido Error de medición
Valor real
Sea x el vector de variables de estado. Si se expresan

las medidas en función de las variables de estado, se
tiene:
z  h(x)  η
m
16
• Debido a los errores, no se conocen los valores reales

de las variables de estado, y sólo es posible
estimarlos.
• El método de los mínimos cuadrados ponderados

permite obtener la mejor estimación posible para las
variables de estado si los errores de las medidas
cumplen ciertas propiedades estadísticas.
17
Mínimos cuadrados ponderados (WLS):
Minimizar x J(x) Errores cuadráticos
medios
 
N 2
J(x)   w ii z m
i  hi (x)
i 1
Más peso a las

mejores medidas
w ii Peso asignado a la medida i
m Número de medidas
J(x) Error (función objetivo)
18

J(x)  z  hx  z 
 hx 
T
m m
W
 w 11 
 w 
W 22 
  
 
 w mm 
z m Vector de medidas m 1

h(x) Funciones de cálculo de medidas m 1
W Matriz de pesos para los errores de medición m m
x Variables de estado (su número es n)
19
Resolución del problema
En el mínimo, deben cumplirse las condiciones de

optimalidad de primer orden. En este caso:
Jx 
x
 
 0  2HT x  W z m  hx   0
hx 
donde : Hx  
x
20
Se quiere encontrar el valor de x que satisface la ecuación

no lineal anterior. Mediante Newton-Raphson se resuelve en
cada iteración (k) el siguiente sistema de ecuaciones
normales linealizadas (donde se ignoran las segundas
derivadas):
     
G xk Δx k  HT xk W z - h( xk ) (E1)
donde Gx   HT x WH(x) se denomina matriz de ganancia.
21
Si H es de rango completo entonces G es definida positiva y

el sistema (E1) tiene solución única.
1. Inicializar x0 con el perfil plano (k=0).

2. Obtener H(xk) y calcular G(xk).
     
3. Resolver el sistema G x k Δx k  HT x k W z - h(x k ) .
4. Actualizar el vector de estado x k 1  x k  Δx k.
5. Si alguno de los elementos de Dx es mayor que una
tolerancia predeterminada, se vuelve al paso 2, si no,
parar.
22
Resolución del problema. Caso lineal
• Si h(x) es lineal se simplifica la resolución del

problema.
• El estimador en este caso se obtiene
directamente (no iterativamente) como:
Jx 
x
 
 0  2HT W z m  Hx  0  x  G1HT W z m
- Si n  m : x̂  G1HT Wz m , más medidasque variables de estado

- Si n  m : x̂  H1zm , justo el número de medidasnecesario
- Si n  m : sistemano observable
23
2 variables de estado: δ1 , δ 2
n<m
3 medidores: M12 , M13 , M32
M12 M13 M32

zm 0.62 0.06 0.37
w 104 104 104
24
5 δ1  5 δ 2   5  5
 
hδ    2,5 δ1  , H  2,5 0  G( x )  HT WH
  4 δ 2   0  4
104 0 0  0,62
 
W   0 104 0 , zm  0,06
 0 0 10 4
0,37
 
δ̂  G1HT Wz m
 0,0286  0,02
δ̂    δREAL   
  0,0943   0,1
25
M12 M13 M32

zm 0.62 0.06 0.37
w 104 106 104
Mejor medidor
10 4 0 0 
   0,0241  0,02 
W   0 10 6 0  δ̂    δREAL   
 0 4  0,0970   0,1
 0 10 
δ̂  G 1HT Wz m
26
Optimización directa
 
N 2
Minimizar
x
 w ii z m
i  hi (x)
i 1
ij  pij 
1. Medición de flujo de potencia activa pm
ij  qij 
2. Medición de flujo de potencia reactiva qm
i  vi
3. Medición de tensión v m
4. Inyecciones pm
i - pi (·)
qm
i - qi (·)
Problema de optimización no lineal sin restricciones

27
Las potencias activa y reactiva en el nudo i “hacia” el
nudo j de cualquier línea de transporte ij pueden
expresarse en función de las variables de estado.
Zijθij es la impedancia de la línea de transporte ij,

v i δi y v j δ j las tensiones de los nudos i y j
respectivamente.
 es el conjunto de los índices de todos los nudos y

 i el conjunto de nudos conectados al nudo i
28
La potencia activa ij viene dada por:
v i2
cos θij  δi  δ j 
viv j
pij   cosθij 
z ij z ij
La potencia reactiva ij viene dada por:
v i2
sen θij  δi  δ j 
viv j
qij   senθij 
z ij z ij
29
El problema de estimación de estado tiene la siguiente

estructura
v 
2
Minimizar v i ,δ i  iΩ
w v
i i  vm
i
p  
2

iΩ jΩi
w p
ij ij  pm
ij
q   q 
2

iΩ jΩi
w q
ij ij
m
ij
Las constantes w iv , w pij , w ijq modelan la calidad del medidor
30
Ejemplos
31
Ejemplo
Sistema de 2 nudos conectados por una línea de transporte de

reactancia x = 0.15 pu.
Las medidas de tensión en los nudos 1 y 2 son respectivamente
1.07 y 1.01 puV.
Las medidas de potencia activa son respectivamente 0.83 y 0.81
puW.
Las medidas de potencia reactiva son respectivamente 0.73 y
0.58 puVar.
Considerando el origen de ángulos en el nudo 2, se estima el
estado del sistema.
(todos los medidores tienen la misma precisión)
32
Ejemplo
El problema a resolver tiene la siguiente forma:
v1,v 2 ,δ1

Minimizar e  v1  v 1  v
m 2
2 v 2
m 2

2 2
1 m  1 2 1 m 
 1 2
v v senδ1  p12    1
v  v v
1 2 cosδ1  q12  
x  x x 
2 2
1 m  1 1 2 m 
 v1v 2senδ1  p 21    v1v 2cosδ1  v 2  q21 
x  x x 
33
Ejemplo
Sustituyendo las mediciones el problema tiene la forma
Minimizar
v1,v 2 ,δ1

e  v - 1.07
1
 2  v2 - 2
1.01
 1
0.15 1 2 1
2
v v senδ - 0.83 
0.15
 
1 2
v -
1
1

v v cosδ - 0,73
0.15 1 2 1
2
 -1
0.15 1 2 1
2
v v senδ  0.81 
-1
0.15
 
v v cosδ 
1 2 1
1 2
v  0,58
0.15 2
2
34
Estimación de estado. Ejemplo
Un fichero GAMS para resolver el problema se muestra a continuación
scalars
x Reactancia de la linea /0.15/
*mediciones
v1m Tension medida en el nudo 1 /1.07/
p12m Potencia activa medida en el nudo 1 /0.83/
q12m Potencia reactiva medida en el nudo 1 /0.73/
p21m Potencia activa medida en el nudo 2 /0.81/
q21m Potencia reactiva medida en el nudo 2 /0.58/;
variables
v1 Modulo de la tension en el nudo 1. Valor exacto: 1.0966
d1 Argumento de la tension en el nudo 2. Valor exacto: 0.1097
e Error cuadratico medio;
equations
error Ecuacion del error cuadratico medio;
*Definicion de la ecuacion del error cuadratico medio
error .. e =e= sqr(v1-v1m) + sqr(v2-v2m) +
sqr((1/x)*v1*v2*sin(d1)-p12m) +
sqr((1/x)*(sqr(v1)-v1*v2*cos(d1))-q12m) +
sqr((1/x)*v1*v2*sin(d1)-p21m) +
sqr((1/x)*(-sqr(v2)+v1*v2*cos(d1))-q21m);
model estimo /all/;
solve estimo using nlp minimizing e;
35
Ejemplo
LOWER LEVEL UPPER MARGINAL
---- VAR v1 -INF 1.088 +INF -1.185E-8

---- VAR v2 -INF 0.994 +INF 7.6054E-9
---- VAR d1 -INF 0.114 +INF -1.043E-8
---- VAR e -INF 7.9359E-4 +INF .

d1 Argumento de la tension en el nudo 1. Valor exacto: 0.1097
e Error cuadratico medio
36
Ejemplo
Red de 6 nudos: Wood & Wollenberg, pg. 477
37
Formulación del problema. Caso no lineal
Datos de los
medidores:
Wood & Wollenberg, pg. 478
38
Formulación del problema. Caso no lineal
Resultados de la
estimación:
Wood & Wollenberg, pg. 480
39
Ejemplo
Topología
40
Ejemplo
Los datos medidos son los siguientes:
Magnitud Valor p.u. Varianza

V1 0.95 10-3 Sabemos también
Que X12 = X13 = X23 = 0.1j
V2 1.02 10-3
V3 1.03 10-3
P12 1 10-2
Q21 -0.4 10-2
P13 0.8 10-2
Q31 -0.2 10-2
41
Ejemplo
Resolución
• Vector de estado:
El estado de la red viene definido por las tensiones en los
nudos:
Vi δi , salvo el ángulo del slack que es: δ slack  0 , así:
 x1   V1 
x  V 
 2  2
x   x 3    V3 
   
x
 4 δ
 2

x 5  
δ3 
42
Ejemplo
• Vector de medidas:
 V1   0.95 
V   
 2  1 . 02 
 V3   1.03 
   
z   P12    1.00 
Q 21   0.40
   
 P13   0.80 
Q    0.2 
 31   
43
Ejemplo
• Matriz de pesos:
1000 0 0 0 0 0 
 0 1000 0 0 0 0 0 
 
 0 0 1000 0 0 0 0 
W   0 0 0 100 0 0 0 

 0 0 0 0 100 0 0 
 
 0 0 0 0 0 100 0 
 0 0 0 0 0 0 100 
44
Ejemplo
• El vector que relaciona las medidas con el vector de

estado es:
 x1 
 x2 
 
 x3 
 x1x 2 
 sin(  x 4 ) 
X
h( x )    x 
 2 x cos(  x )  x 
 X 1 4 2

 x1x 3 
 sin(  x 5 ) 
X
 x 
 3 x1 cos(  x 5 )  x 3 
 X 
45
Ejemplo
hi
• Matriz Jacobiana, Hij  :
x j
 1 0 0 0 0 
 0 1 0 0 0 
 
 0 0 1 0 0 
 x2 x1  x1x 2 
X sen (  x 4 ) sen (  x 4 ) 0 cos( x 4 ) 0 
X X
H( x )    x 2  x1 cosx 4   2x 2  x1x 2 
 cos( x 4 ) 0 sen( x 4 ) 0 
 X X X 
 3 sen(  x ) 
cos( x 5 )
x x x x
0 1
sen(  x 5 ) 0 1 3
X 5
X X 
 x3  x1 cosx 5   2x 3  x1x 3 
 cos( x ) 0 0 sen( x 5 
)
 X 5
X X 
46
Ejemplo
1. Inicialización de x0 :
x 0  1 1 1 0 0 T
2. Obtención de H(xk) y cálculo de G(xk).
-Vector de relación entre medidas y estado:
h( x 0 )  1 1 1 0 0
T
0 0
47
Ejemplo
- Matriz Jacobiana:
 1 0 0 0 0 
 0 1 0 0 0 
 
 0 0 1 0 0 
H( x 0 )   0 0 0  10 0 

 10 10 0 0 0 
 
 0 0 0 0  10 
 10 0 10 0 0 
48
Ejemplo
- Matriz de Ganancia:
 21  10  10 0 0 
 10 11 0 0 0
 
G( x )  H WH  10   10
0 T 3
0 11 0 0 
 
 0 0 0 10 0 
 0 0 0 0 10 
49
Ejemplo
- Vector de residuos:
r(x)  z - h(x)
 0.0500 
 0.0200 
 
 0.0300 
r( x 0 )  z  h( x 0 )   1.0000 
 0.4000 
 
 0 . 8000 
 0.2000 
50
Ejemplo
3. Resolución del sistema

 
G( x k )Dx k  HT ( x K )W z  h( x k )
Los incrementos que se obtienen para la primera iteración son:
 0.0177 
 0.0184 
1 T
 
Dx  G H Wr   0.0007 
0
 
  0 . 1000 
 0.0800 
51
Ejemplo
4. Actualización del vector de estado:

La nueva estimación del estado es:
x k 1  x k  Dx k
 1.0177 
 0.9816 
 
x  x  Dx   1.0007 
1 0 0
 
  0 . 1000 
 0.0800 
52
Ejemplo
5. Repetir el proceso hasta que todos los elementos

de Dx sean menores que una tolerancia de 0.001.
 Para resolver el problema computacionalmente se ha usado

Matlab.
 Matlab:
- Bucle While: se itera hasta conseguir que Dx cumpla el criterio de convergencia.
- Se obtiene:
• vector de estado estimado
• vector de residuo
• función objetivo
• número de iteraciones
53
Ejemplo
 Solución:
J(x) V1 V2 V3 δ2 δ3
Matlab 7.8062 1.0216 0.9800 1.0013 -0.0996 -0.0781
54
Ejemplo
Mediante MATLAB realizamos las iteraciones:
x= 1.0215 ; 0.9800 ; 1.0014 ; -0.0996 ; -0.0781

Con los residuos:
r 1 2 3 4
V1 -0.0500 -0.0677 -0.0714 -0.0715
V2 0.0200 0.0384 0.0401 0.0400
V3 0.0300 0.0293 0.0287 0.0286
P12 1.0000 0.0027 0.0043 0.0043
Q21 -0.4000 -0.0950 -0.0427 -0.0428
P13 0.8000 -0.0139 0.0024 0.0023
Q31 -0.2000 -0.0615 -0.0293 -0.0293
55
Ejemplo
Resolución con GAMS:
scalars
x reactancias de todas las lineas /0.1/
*mediciones
v1m tension medida del nudo 1 /0.95/
p12m potencia activa medida en el nudo 1 /1.00/
q21m potencia reactiva medida en el nudo 2 /0.4/
p13m potencia activa medida en el nudo 1 /0.8/
q31m potencia reactiva medida en el nudo 3 /0.2/
sg1 varianza 1 /0.001/
sg2 varianza 2 /0.01/;
variables
v1 modulo de la tension en el nudo 1. Valor exacto:1.0216
d2 argumento de la tension en el nudo 2. Valor exacto:-0.0996
d3 argumneto de la tension en el nudo 3. Valor exacto:-0.0781
e error cuadratico medio;
56
Ejemplo
equations
error ecuacion del error cuadratico medio;
error.. e =e= 1/sg1*(sqr(v1-v1m))+1/sg1*(sqr(v2-v2m))+
1/sg1*(sqr(v3-v3m))+
1/sg2*(sqr((1/x)*v1*v2*sin(d2)-p12m))+
1/sg2*(sqr((1/x)*v1*v3*sin(d3)-p13m))+
1/sg2*(sqr((1/x)*(-sqr(v2)+v1*v2*cos(d2))-q21m))+
1/sg2*(sqr((1/x)*(-sqr(v3)+v1*v3*cos(d3))-q31m));
model estimo /all/;
solve estimo using nlp minimizing e;
57
Ejemplo
Los resultados que devuelve GAMS son
---- VAR v1 -INF 1.022 +INF 8.2392E-9

---- VAR v2 -INF 0.980 +INF -3.839E-9
---- VAR v3 -INF 1.001 +INF -4.782E-9
---- VAR d2 -INF -0.100 +INF -2.068E-9
---- VAR d3 -INF -0.078 +INF -2.375E-9
---- VAR e -INF 7.806 +INF .
58
Ejemplo
Comparación:
Variable Resultado Analítico GAMS Error
V1 1.0215p.u. 1.022p.u. 0.04%
V2 0.9800p.u. 0.980p.u. 0.00%
V3 1.0014p.u. 1.001p.u. 0.04%
δ2 -0.0996 -0.100 0.40%
δ3 -0.0781 -0.078 0.13%
59
Ejemplo 2
Estima el estado en el Magnitud Valor p.u Varianza

sentido de los mínimos V1 1.05 10-3
cuadrados: V2 1 10-3
1. Considerando V3 0.95 10-3
medidas de potencia de
peso elevado en los nudos P3 1 10-2
de transito. Q3 0.2 10-2
2. Incorporando la
información de potencias
de los nudos de transito
como restricciones de
igualdad. One Two Three
60
Ejemplo 2
• El ejercicio se ha resuelto de dos formas.
• En primer lugar mediante Matlab, para ello tan solo

hay que crear un programa que realice la resolución
de las ecuaciones normales.
• Después con la herramienta matemática para

optimización GAMS.
61
Ejemplo 2
• Resolución en Matlab (caso 1):

La matriz W:
10 3 0 0 0 0 0 0 
 3 
 0 10 0 0 0 0 0 
 0 0 10 3 0 0 0 0 
 
W 0 0 0 10 6 0 0 0 
 0 0 0 0 10 6 0 0 
 2 
 0 0 0 0 0 10 0 
 0 0 10 2 
 0 0 0 0
62
Ejemplo 2
Z es:
 V1  1.05 
V   1 
 2  
 V3  0.95  Las medidas P2 y Q2 son virtuales
Z   P2    0  (el nudo 2 es un nudo de transito)
Q 2   0 
   
P
 3  1 
Q 3   0.2 
63
Ejemplo 2
El vector h(x):
 x1 
 x2 
 
 x3 
 
h( x )   - 10((x1  x2  sin(x4)) + (x2  x3  sin(x4 - x5))) 
 10  x2((x1  cos(x4) - x2) - (x2 - x3  cos(x4 - x5)))
 
 10x2  x3  sin(x4 - x5) 
 10x3  (x2  cosx4 - x5) - x3) 
64
Ejemplo 2
• Se refina el estado de la forma siguiente:
G  HT WH 

  Dx k  G 1HT Wr  x k 1  x k  Dx k
r( x k )  z  h( x )

• Se repetirán estos pasos de forma iterativa, hasta

alcanzar un Δx inferior a |0.00001|
65
Ejemplo 2
Estimación obtenida en cada iteración:
Iteración 1 2 3 4
V1 1.025000 1.035781 1.035794 1.035793
0.996133
V2 0.999999 0.996001 0.995999
0.974999 0.966660
V3 0.966443 0.966440
-0.099999
d2 -0.097648 -0.0977013 -0.097702
-0.199999 -0.202269
d3 -0.202438 -0.202440
66
Ejemplo 2
• La solución se alcaza tras 4 iteraciones

• Los resultados finales son (Caso 1):
Estimación Residuo
V1 1.035794 0.014205
V2 0.996001 0.003998
V3 0.966443 -0.016443
d2 -0.0977013 -0.006335
d3 -0.202438 -0.032906
67
Ejemplo 2
• Resolución mediante GAMS (caso 1) (sin pesos):

scalars
*mediciones
v2m Tension medida en el nudo 2 /1/
p2m Potencia activa medida en el nudo 2 /0/
q2m Potencia reactiva medida en el nudo 2 /0/
variables
d2 Argumento de la tension en el nudo 2. Valor exacto: -0.0100
68
Ejemplo 2

equations
error Ecuacion del error cuadratico medio;
error .. e =e= sqr(v1-v1m) + sqr(v2-v2m) + sqr(v3-v3m) +
sqr(((-1/x)*v1*v2*sin(d2)+(-1/x)*v2*v3*sin(d2-d3))-p2m) +
sqr(((1/x)*v2*(v1*cos(d2)-v2)-((1/x)*v2*(v2-v3*cos(d2-d3))))-q2m) +
sqr((1/x)*v2*v3*sin(d2-d3)-p3m) +
sqr((1/x)*v3*(v2*cos(d2-d3)-v3)-q3m);
model estimo /all/;
SOLVE estimo USING nlp MINIMIZING e;
display v1.L,v2.L,v3.L,d2.L,d3.L;
69
Ejemplo 2
• Resolución mediante GAMS (caso 1):

La solución encontrada al problema ha sido de:
error Ecuación del error cuadrático medio
---- VAR v1 -INF 1.033 +INF EPS

---- VAR v2 -INF 0.996 +INF 1.8628E-8
---- VAR v3 -INF 0.970 +INF -1.837E-8
---- VAR d2 -INF -0.097 +INF -1.350E-8
---- VAR d3 -INF -0.201 +INF 9.2908E-9
70
Ejemplo 2
• A continuación se comparan los valores obtenidos en

GAMS y en Matlab para el caso 1:
Matlab GAMS
V1 1.035794 1.033
V2 0.996001 0.996
V3 0.966443 0.970
d2 -0.0977013 -0.097
d3 -0.202438 -0.201
71
Ejemplo 2
• Resolución del ejercicio en el caso 2.
• En esta ocasión las medidas virtuales ya no

aparecen en el vector de medidas, ahora aparecen
como restricciones de igualdad en el problema de
minimización.
• Esta variante se realiza porque el problema

planteado en el caso 1, puede sufrir problemas
numéricos por el mal escalamiento de los
coeficientes del sistema de ecuaciones.
72
Ejemplo 2
 V1  1.05 
V   1 
 2  
Z   V3   0.95 
   
P
 3  1 
Q 3   0.2 
 x1 
 x2 
 
El vector h(x) queda: h( x )   x3 
 
 10x2  x3  sin(x4 - x5) 
10x3  (x2  cosx4 - x5) - x3) 
73
Ejemplo 2
El vector de restricciones:
 - 10  ((x1 x2  sin(x4)) + (x2  x3  sin(x4 - x5))) 

c 
10  x2  ((x1  cos(x4) - x2) - (x2 - x3  cos(x4 - x5)))
74
Ejemplo 2
• En este caso se debe resolver el sistema siguiente:
HT WH C T  Dx k  HT Wr k 

   k 
 C 0        c( x ) 
• Siendo C la matriz jacobiana de las restricciones y λ los

multiplicadores de Lagrange para cada una de las
restricciones
75
Ejemplo 2
• Obsérvese la estimación obtenida en cada iteración:
Iteración 1 2 3 4
V1 1.025000 1.035781 1.035794 1.035793
0.996133
V2 1 0.996001 0.995999
0.975 0.966660
V3 0.966443 0.966440
-0.1
δ2 -0.097648 -0.0977013 -0.097702
δ3 -0.2 -0.202269
-0.202438 -0.202440
76
Ejemplo 2
• La solución se alcaza tras 4 iteraciones

• Los resultados finales son (Caso 2):
Estimación Residuo
V1 1.035794 0.014205
V2 0.996001 0.003998
V3 0.966443 -0.016443
d2 -0.0977013 -0.006335
d3 -0.202438 -0.032906
77
Ejemplo 2
• La resolución mediante GAMS (Caso 2) (sin pesos):
scalars
*mediciones
v2m Tension medida en el nudo 2 /1/
q2m Potencia reactiva medida en el nudo 2 /0/
Variables
78
Ejemplo 2
equations
error Ecuacion del error cuadratico medio
R1 Restriccion 1
R2 Restriccion 2;
error .. e =e= sqr(v1-v1m) + sqr(v2-v2m) + sqr(v3-v3m) +
sqr((1/x)*v2*v3*sin(d2-d3)-p3m) +
sqr((1/x)*v3*(v2*cos(d2-d3)-v3)-q3m);
R1 .. ((-1/x)*v1*v2*sin(d2)+(-1/x)*v2*v3*sin(d2-d3)-p2m)=E=0;
R2 .. ((1/x)*v2*(v1*cos(d2)-v2)-((1/x)*v2*(v2-v3*cos(d2-d3)))-q2m)=E=0;
model estimo /all/;

SOLVE estimo USING nlp MINIMIZING e;
display v1.L,v2.L,v3.L,d2.L,d3.L;
79
Ejemplo 2
• La solución obtenida en GAMS (caso 2):
error Ecuación del error cuadrático medio

R1 Restricción 1
R2 Restricción 2
---- VAR v1 -INF 1.032 +INF -1.290E-8

---- VAR v2 -INF 0.996 +INF .
---- VAR v3 -INF 0.970 +INF 1.3559E-8
---- VAR d2 -INF -0.097 +INF .
---- VAR d3 -INF -0.201 +INF -4.461E-9
80
Ejemplo 2
• Comparación de los resultados obtenidos en los 2 casos:
CASO 1 CASO 2
Matlab GAMS Matlab GAMS
V1 1.035794 1.033 1.035794 1.032
V2 0.996001 0.996 0.996001 0.996
V3 0.966443 0.970 0.966443 0.970
δ2 -0.097701 -0.097 -0.097701 -0.097
δ3 -0.202438 -0.201 -0.202438 -0.201

81
Ejemplo 2
• Como se puede ver en la tabla, los

resultados obtenidos con los dos
planteamientos del problema son similares.
82
Máxima Verosimilitud
83
Máxima verosimilitud
• Maximizar la probabilidad de que los valores

estimados se correspondan con los valores
reales de las variables de estado (criterio de
máxima verosimilitud).
84
Modelo de medidas
Se considera que el error cometido por cada aparato de
medida es una variable aleatoria gausiana de media
nula y desviación típica , esto es
 
FDP z m

1
exp 

  zm  zr 
2


σ 2π  2σ 2 
 
Los medidores no tienen sesgo
Si  grande  Medición poco precisa

FDP η 
Si  pequeña  Medición precisa
η
0 σ 2σ 3σ
85
Modelo de medidas
El valor medido zm se encuentra con una probabilidad

de 0.99 aproximadamente en el intervalo
z r
 3σ , z r  3σ 
El área bajo la campana normal entre zr–3 y zr +3 es el

99%.
86
Modelo de medidas
• 1  es una “medida” de la precisión de la medida en
2
cuestión.
• A medida que 1  es mayor, la medida en cuestión es
2
más precisa y será conveniente darle mayor importancia

relativa frente a otras medidas.
1 σ12 
 
1 σ2
2
W  R -1   
  
 2 
 1 σ m
87
La función de densidad (variable aleatoria normal) del

error de la medida i es
 
f ei x  
m 1
exp

  z m
i  h i x 2


σ i 2π  2σ i
2 
 
La función de densidad del error del conjunto de m

medidas (supuestas independientes) es
     
f em x   f e1m x   f em2 x    f em 
m x  
88
El logaritmo de la función de densidad del error del

conjunto de m medidas es
1 m  zmi  hi x   m
2
   
m m
log f em x    log f emi x        log2   logi
i1 2 i1  i  2
i 1

constante
89
Probabilidad
El estimador de Máxima
Probabilidad
máxima verosimilitud máxima verosimilitud
es el que maximiza la
probabilidad del error
conjunto.
Error
90
Maximizar la probabilidad es:
Maximizarx 
log f em x  
Y equivale a:
 
m
zi  hi x 
1 m

2
Minimizarx
i1 2i
2
La estimación de máxima verosimilitud se corresponde

con la estimación por mínimos cuadrados ponderados.
91
Observabilidad
92
Análisis de Observabilidad
Objetivo
Dentro del proceso de estimación de estado de un

sistema eléctrico, una de las funciones que hay que
llevar a cabo es la determinación de la disponibilidad de
medidas para obtener una estimación total (o parcial) de
la red.
93
Si del resultado del análisis se llega a que nuestro

sistema es:
- Observable: suficientes medidas para estimar a

partir de ellas todas las variable de estado (V,δ).
- No observable: existen zonas observables llamadas

islas.
94
Inspección previa
Conociendo el número de variables de estado n y la

cantidad de mediciones de que disponemos m:
1) m<n el sistema directamente es no observable;

2) m=n no hay redundancia;
3) m>n hay m-n medidas redundantes.
Para los casos 2 y 3 dependiendo de las medidas disponibles, y

de la topología del sistema, el sistema puede ser o no
observable.
95
Información útil
En casos concretos, un sistema se puede convertir en

observable, mediante el empleo de pseudomedidas:
- Valores de estimaciones previas.
- Valores no medidos pero conocidos (P, Q=0 en nudos de

trámites).
- Valores “inventados”, pero coherentes (Vi=1). A estos valores se

les denomina pseudomedidas.
96
Procedimiento
Partiendo de un sistema con N nudos (n=2N-1 variables

de estado), y m mediciones disponibles:
 z1   h1( x1, x 2 ,... x n ) 

z   h ( x , x ,... x ) 
z   2 ; h( x )   2 1 2 n 
; H( x )   x h( x )
     
   
z m   m 1 2
h ( x , x , ... x n 
)
97
Procedimiento
Para el análisis de observabilidad podemos decir que:
h( x )  z
Además si un sistema es observable como no lineal,

seguirá siéndolo si se linealiza. Haciendo esto:
H·x  z
98
Procedimiento
Estructura de H
m
H·x  z medidas
H
es un sistema de
ecuaciones lineales
n
Variables de estado
99
Procedimiento
La solución general de un sistema de ecuaciones es:
H·x  z x  x Par  N·
Donde,
- xPar es una solución particular,
- N es al núcleo de la matriz del sistema
- ρ es un vector de coeficientes.
100
Procedimiento
De la expresión anterior se deduce que para que la

solución sea única, el núcleo debe ser cero, i.e.
x i UNICA  Nij  0 ; i, j
Si esto ocurre, la solución es la particular y el

sistema es observable.
101
Algoritmo
Para el caso de estimación de estado podemos

proceder con el siguiente algoritmo:
1) Obtener la matriz H.
 h1( x1, x 2 ,... x n ) 

 h ( x , x ,... x )  El Jacobiano de h(x) para el sistema
h( x )   2 1 2 n  linealizado en torno a un punto de
   funcionamiento, será directamente
  H(x), evaluado en dicho punto.
hm ( x1, x 2 ,... x n )
102
Algoritmo
Como el análisis de observabilidad es previo a la

estimación de estado, no conocemos el punto de
funcionamiento.
Para evaluarlo, podemos plantear dos opciones:
103
Algoritmo
a) Usar el perfil plano de tensiones  Vi  1, di  0 i

Puede no ser conveniente: pérdida de información en
el Jacobiano, (por las fases nulas) afectando al análisis de
la observabilidad.
b) Usar valores que podrían ser reales (coherentes ), pero

distintos del perfil plano:
Vi  [0.95 , 1.05] di  [, ], di  0 i
104
Algoritmo
2) Calcular N  matriz núcleo de la matriz del sistema H,

en MatLab N=null(H);
3) Comprobar por columnas NT

A) una columna llena de ceros  variable observable.
B) en caso contrario  variable no observable.
C) matriz nula  sistema observable.
Fin del algoritmo.
105
Observabilidad
Ejemplo
Análisis de la Observabilidad y Estimación de

Estado
V3
3
Q31
P13 Xij=0.1j  i, j
V1
1
V2
Q21
Red con tres nudos 106

Observabilidad
Ejemplo
Las magnitudes medidas en el sistema y la

información de los medidores es la siguiente:

V1 0.95 10-3
V2 1.02 10-3
V3 1.03 10-3
P12 1 10-2
Q21 -0.4 10-2
P13 0.8 10-2
Q31 -0.2 10-2
107
Observabilidad
Ejemplo
El estado de la red estará dado por U1  V10, U2  V2 δ2, U3  V3 δ3
 x1 
 x2 
 
 x3 
 x1   V1   x1x 2 
x  V   sen(  x 4 ) 
 2  2  X 12 
x  x 3    V3  h(x)    x 2 
    X [x 1 cos (  x 4  x 2 )
x 4  δ 2   12

 x 5  δ 3   x x 
1 3
sen(  x 5 )
 X13 
 x3 
 [x1 cos (  x 5  x 3 )
 X13 
108
Observabilidad
Ejemplo
hi
La matriz Jacobiana de h(x): Hij=
x j
 1 0 0 0 0 
 0 1 0 0 0 
 
 0 0 1 0 0 
 x2 x1  x1x 2 
X sen (  x 4 ) sen(  x 4 ) 0 cos( x 4 ) 0 
X X12
 12 12

H( x )   x 2  [ x1 cos( x 4 )  2x 2 ] x1x 2 
cos( x 4 ) 0 sen( x 4 ) 0
 X12 X12 X12 
x x1  x1x 2 
 3 sen(  x 5 ) 0 sen(  x 5 ) 0 cos(  x 5 )
 13
X X13 X13 
  x3  [ x1 cos( x 5 )  2x 3 ] x1x 3 
 X cos( x 5 ) 0 0 sen( x 5 ) 
 13 X13 X13 
109
Observabilidad
Ejemplo
Aplicamos el algoritmo propuesto:
1) Evaluación de la matriz H. No conocemos el punto

de funcionamiento, entonces tomamos un punto
posible distinto del perfil plano:
x fun  [1.01 0.98 0.98 0.2 0 .3]T
Para comparar, obtenemos la matriz H, para este

punto y además para el perfil plano,
x 0  [1 1 1 0 0]T
110
Observabilidad
Ejemplo
El resultado obtenido es el siguiente:
 1 0 0 0 0   1 0 0 0 0 
 0  0 0 
1 0 0 0  
1 0 0

 
 0 0 1 0 0   0 0 1 0 0 

H( x fun )    1.95  2.03 0  9.80 0 
 H( x 0 )   0 0 0  10 0 

  9.61 9.60 0 1.99 0   10 10 0 0 0 

   
 2 . 89 0  3 . 01 0  9 . 55  0 0 0 0  10 
 
 9.36 0 9.86 0 2.95   10 0 10 0 0 
En algunos términos las diferencias son importantes,

esto puede afectar el análisis de la observabilidad.
111
Observabilidad
Ejemplo
2) Calculamos el núcleo de la matriz H(xfun)  N
3) Comprobamos por columnas NT

Empleando MatLab
» N_t=null(H)'
N_t =
Empty matrix: 0-by-5
»
El núcleo es vacío, por tanto el sistema es

observable.
112
Observabilidad
Ejemplo
Tenemos dos medidas redundantes
¿Qué pasa si reducimos el número de medidores?
- Eliminamos Q31 V3
NT  Empty matrix: 0-by-5 Q31

1
P13
- El estado continúa siendo P12
V1
observable Q21
2
V2
113
Observabilidad
Ejemplo
V3
- Si eliminamos además P13

Q31
NT  [ 0 0 0 0 1 ]
la variable θ3 pasa a ser 1 P13
no observable
V1
P12
Resultado coherente, pues del nudo 3

Q21
Solo dispondremos información del 2
módulo de su tensión: esta “incomunicado” V2
114
Observabilidad
Ejemplo
Una vez que sabemos que es observable con las

medidas originales, estimamos el estado. Para
resolver el problema empleamos:
- Ecuaciones normales, resueltas con MatLab.
- Minimización del error cuadrático mediante

GAMS.
115
Ecuaciones Normales
Ejemplo
Ya conocemos la forma de h(x) y H(x); Podemos

resolver el problema mediante Newton-Raphson de la
siguiente manera:
G( x k )Dx k  HT ( x k )W[z  h( x k )]
donde G( x k )  HT ( x k )WH( x k )
k 1
y actualizamos x  x  Dx
k
116
Ecuaciones normales
Ejemplo
Imponiendo un tolerancia de 10-3 para Dx el resultado es:
Iteración 1 2 3 4 Dx 4 ·10 3
V1 1 1.0177 1.0214 1.0214 0.1005
V2 1 0.9816 0.9799 0.9799 0.1173
V3 1 1.0007 1.0013 1.0013 0.0995
Θ2 0 -0.1000 -0.0966 -0.0996 0.0209
Θ3 0 -0.0800 -0.0781 -0.0781 0.0014
117
GAMS
Ejemplo
La estructura del programa es:
118
GAMS
Ejemplo
La solución, tras ejecutar el programa es:
119
Ejemplo
Si comparamos ambas:
Solución V1 V2 V3 δ 2 (rad) δ 3 (rad)
MatLab 1.0214 0.9799 1.0013 -0.0966 -0.0781
GAMS 1.022 0.980 1.001 -0.103 -0.078
120
Ejemplo
Análisis Final
Perfil plano:
x 0  [1 1 1 0 0]T  H( x 0 )
El perfil plano es útil, pues nos desacopla variables “poco

relacionadas”, y nos ayuda a distinguir sistemas observables
“analíticamente”, cuya estimación es posible, pero que conduce a
malos resultados en la estimación.
121
Ejemplo
Análisis Final
Demostramos esto con el ejemplo anterior:
V3 3
Q31
1
Xij=0.1j  i, j
P13
V1
Q21
V2 2
122
Ejemplo
Análisis final
Sabemos que el los sistemas de energía eléctrica existe
una fuerte dependencia entre algunas variables, por
ejemplo:
Pδ QV
Si en el sistema anterior eliminamos la medida de

potencia activa P13 la información que nos queda
relacionada con el nudo 3 es:
V3 Q31
123
Ejemplo
Análisis Final
Comprobamos la observabilidad empleando el perfil plano y el estado
estimado con todas las medidas dadas en el enunciado original. El
Jacobiano para ambos casos queda:
 1 0 0 0 0   1 0 0 0 0 
 0 1 0 0 0   0 1 0 0 0 
   
 0 0 1 0 0   0 0 1 0 0 
H( x fun )   0.98 1.02 0  9.95 0

 H0 ( x )   0 0 0  10 0 

 9.75 9.43 0  0.99 0   10 10 0 0 0 
   
 0 . 78 0 0 . 79 0  10 . 19   0 0 0 0  10 
 9.98 0 9.84 0  0.7976   10 0 10 0 0 
Los Jacobianos que usamos son sin la fila 5 (P13)
124
Ejemplo
Análisis Final
Si obtenemos el núcleo de ambas matrices:
 Con perfil plano: NT  [ 0 0 0 0 1 ]

la variable θ3 NO es observable
 Con el estado estimado: NT  Empty matrix: 0-by-5

la variable θ3 SÍ es observable
¿Qué resultado es el apropiado?
125
Ejemplo
Análisis Final
Si intentamos estimar el estado por ejemplo con
GAMS, el resultado es el siguiente:
La fase del nudo 3 es nula  no hay flujo de

potencia del nudo 1 al 3  Resultado incoherente.
126
Ejemplo
Análisis Final
En este caso el resultado de la observabilidad dado

por el perfil plano es adecuado:
- Aunque el sistema es “analíticamente observable”

(hay medidas suficientes para estimar estado), la
fase δ3 es estimable a través de Q13 y V3 que son
medidas “poco relacionadas” con δ3 y esto nos
conducen a un resultado no fiable.
- El perfil plano nos proporciona un análisis correcto,

porque lleva al mínimo esa dependencia, dando como
resultado que el sistema es no observable.
127
Medidas Erróneas
128
Medidas erróneas
• A pesar del filtrado previo de las medidas erróneas, es

posible que se escapen aquellas medidas cuyo error no
sigue una distribución Normal.
• Detección de medidas erróneas: Test x2 .

• Identificación de medidas erróneas: Test del mayor
residuo normalizado.
129
Medidas erróneas. Test x2
Jx  : es una variable aleatoria x2 con K grados de

libertad si todos los errores son variables aleatorias
con distribución normal.
K  N  n : el número de grados de libertad es igual al
número de medidas menos el número de
variables de estado.
Jx   K : la media.
σ Jx   2K : la desviación típica.
Si J(x) es grande probablemente habrá medidas erróneas.

130
Formalmente:
PJx   t j   α
• Si se fija α (e.g. 0.01) dado que J(x) es una x2

con K grados de libertad, puede determinarse tj
• Si el valor de J(x) obtenido en el proceso de

estimación es menor que tj no hay medidas
erróneas con un nivel de certidumbre de 1α
131
132
Pasos del test:
1. Estimar y calcular la función objetivo J(x), donde x es el
estado estimado
2. Buscar en la tabla de distribución de la x2 para K grados

de libertad el valor correspondiente a la probabilidad a.
Sea tj este valor, donde
PJx   t j   α
3. Comprobar si J(x)  tj. Si es así, entonces hay alguna

medida errónea. Si no, las medidas no son sospechosas
de contener errores con certidumbre 1-α
133
Medidas erróneas. Ejemplo del Test x2
Para el ejemplo de 6 nudos se tiene:
N  62
  K  51 α  0.01  t j  76.6
n  11 
Si Jx̂   40.33 no hay medidas erróneas con un

nivel de certidumbre del 99 %
Si Jx̂   207.94 sí hay medidas erróneas con un

nivel de certidumbre del 99 %
Si hay medidas erróneas, hay que detectarlas

134
Medidas erróneas. Ejemplo del Test x2
135
Detección e identificación de datos
erróneos.
• Existen medidas cuyos errores son considerables

pero no lo suficientemente grandes para ser
detectados en el prefiltrado.
• Estas medidas deterioran la calidad de la

estimación por lo que conviene identificarlas y
eliminarlas.
136
Detección e identificación de datos
erróneos
Los métodos empleados se basan en las dos propiedades
siguientes de los estimadores de mínimos cuadrados, que se
cumplen cuando todas las medidas son gaussianas:
1. El escalar J(x) sigue una distribución x 2 de m-n grados de

libertad, siendo x el estado estimado.
2. Los residuos, r = z-h(x), siguen una distribución N(0,Ω),donde

Ω es su matriz de covarianzas:
 
1
Ω  R  H HTR 1H HT
ri
Por tanto los residuos normalizados: ri 
N
Ωii
son N(0,1).
137
Detección de medidas erróneas
Si existe una sola medida errónea ésta provoca el

mayor residuo normalizado en valor absoluto. Este
resultado es válido para múltiples medidas erróneas
siempre que la interacción entre las mismas sea
despreciable.
138
Detección de medidas erróneas
2
Si el test x detecta la presencia de errores, se procede a
calcular los residuos normalizados para su detección y
eliminación.
Se repite el ciclo de estimación, detección y eliminación

hasta que todos los residuos tengan un valor acorde a la
distribución N(0,1),p.e., |riN| < 3.
Para que una medida errónea sea identificable es

necesario m>n+1.
139
Medidas erróneas
Test del mayor residuo normalizado
 
PDF rin
i  hi
zm est
rin 
σ ri
rin
Valor real
140
Ejemplo
riN sigue una distribución normal N(0,1), para un

test del 95% de confianza se tiene:
• Si |riN| >1.6449  zim es errónea

• Si |riN| <1.6449  zim no es
errónea
141
Ejemplo
Matriz de covarianzas:
 0.6612 -0.3203 -0.3148 -0.0343 0.3431 0.3218 

-0.0252
-0.3203 0.5933 -0.2976 0.0635 -0.6355 -0.0238 0.3043 
 
-0.3148 -0.2976 0.6124 -0.0319 0.3188 0.0490 -0.6260 
Ω  10 3  -0.0343 0.0635 -0.0319 0.0068 -0.0680 -0.0025 0.0326 

 0.3431 -0.6355 0.3188 -0.0680 0.6808 0.0255 -0.3260 
 
-0.0252 -0.0238 0.0490 -0.0025 0.0255 0.0039 -0.0501
 0.3218 0.3043 -0.6260 0.0326 -0.3260 -0.0501 0.6400 
142
Ejemplo
Vector de residuos y vector de residuos normalizados:

 - 0.0715  -2.7806 
 0.0400   1.6406 
   
 0.0286   1.1557 
r   0.0043  r N  i   1.6611 
r
Ωii
 - 0.0433   -1.6599 
   
 0.0023   1 .1733 
 - 0.0299   -1.1806 
Puesto que |r1N| >1.6449  La medida de tensión en

el nudo 1 es errónea.
143
Ejemplo
• Estimar el mejor estado usando los mínimos cuadrados

ponderados una vez se ha descartado la medida V1
identificada como errónea.
V3
V2 1.02 10-3
tres
M13 V3 1.03 10-3
P12 1 10-2
Q21 -0.4 10-2

M12
V1
P13 0.8 10-2
dos
Q31 -0.2 10-2
V2
Reactancias de las líneas: X12,X13,X23 = 0.1
144
Ejemplo
Resolución
• Vector de estado:
El estado de la red viene definido por las tensiones en los
nudos:
Vi δi , salvo el ángulo del slack que es: δ slack  0 , así:
 x1   V1 
x  V 
 2  2
x   x 3    V3 
   
x
 4 δ
 2

x 5  
δ3 
145
Ejemplo
• Vector de medidas:
 V2   1.02 
 V   1.03 
 3  
 P12   1.00 
z  
Q
 21    0 . 40 
 P13   0.80 
   
 31  
Q  0 . 2 
• La medida identificada como errónea ha sido V1 

 V1 se descarta
146
Ejemplo
1000 0 0 0 0 0 
 0 1000 0 0 0 0 
 
 0 0 100 0 0 0 
• Matriz de pesos: W 
 0 0 0 100 0 0 
 0 0 0 0 100 0 
 
 0 0 0 0 0 100 
• El vector que relaciona las medidas con el vector de

estado es:  x2 
 x3 
 
 x x 
1 2
sin(  x 4 )
 X 
h( x )    x 2 x1 cos(  x 4 )  x 2 
 
 X 
x1x 3
 sin(  x 5 ) 
 X 
 x3 
 X x cos(  x )  x 
3 
1 5
 147
Ejemplo
hi
• Matriz Jacobiana, Hij  :
x j
 0 1 0 0 0 
 0 0 1 0 0 
x x1  x1x 2 
 sen(  x 4 )
2
sen(  x 4 ) 0 cos( x 4 ) 0 
X X X 

H( x )   2 cos( x 4 )
x  x 1 cos  x 4   2 x 2  0
x x
1 2
sen( x 4 ) 0 
 X X X 
 x3 x1  x1x 3 
 sen(  x 5 ) 0 sen(  x 5 ) 0 cos( x 5 )
 X X X 
 x
 3 cos( x ) 0
 x 1 cos  x 5   2 x 3  0
x x
1 3
sen( x 5 ) 
 X 5
X X 
148
Ejemplo
1. Inicialización de x0 :
x 0  1 1 1 0 0 T
2. Obtención de H(xk) y cálculo de G(xk).
-Vector de relación entre medidas y estado:
h( x 0 )  1 1 0 0 0 0 T
149
Ejemplo
 0 1 0 0 0 
 0 0 1 0 0 
 
 0 0 0  10 0 
- Matriz Jacobiana: H( x 0 )   
  10 10 0 0 0 
 0 0 0 0  10 
 
  10 0 10 0 0 
 20  10  10 0 0 
 10 11 0 0 0
 
- Matriz de Ganancia: G( x )  H WH  10   10 0
0 T 3
11 0 0 
 
 0 0 0 10 0 
 0 0 0 0 10 
150
Ejemplo
- Vector de residuos:
r(x)  z - h(x)
 0.0200 
 0.0300 
 
 1.0000 
r( x )  z  h( x )  
0 0

  0 . 4000 
 0.8000 
 
  0 . 2000 
151
Ejemplo

3. Resolución del sistema G( x k )Dx k  HT ( x K )W z  h( x k ) 
Los incrementos que se obtienen para la primera iteración son:
 0.0550 
 0.0155 
1 T
 
Dx  G H Wr   0.0345 
0
 
  0 . 1000 
 0.0800 
4. Actualización del vector de estado: x k 1  x k  Dx k

 1.0550 
 1.0155 
 
La nueva estimación del estado es: x  x  Dx   1.0345 
1 0 0
 
  0 . 1000 
 0.0800 
152
Ejemplo
5. Repetir el proceso hasta que todos los elementos

de Dx sean menores que una tolerancia de 0.001.
 Para resolver el problema computacionalmente se han usado

dos programas: Matlab y Gams.
 Matlab:
- Bucle While: se itera hasta conseguir que Dx cumpla el criterio de convergencia.
- Se obtiene:
• vector de estado estimado
• vector de residuo
• función objetivo
• número de iteraciones
153
Ejemplo
 Solución:
J(x) V1 V2 V3 δ2 δ3
Matlab 0.0644 1.0581 1.0147 1.0355 -0.0932 -0.0731
Gams 0.0645 1.0581 1.0147 1.0355 -0.0932 -0.0731
154
Ejemplo
Finalmente se puede comprobar si alguna medida

debe ser clasificada de nuevo como errónea.
2
• J(x) sigue una distribución χ de 1 grado de libertad.
• Intervalo de confianza del 95% :

α  0.05  1  α  0.95  t  3.8415
• Puesto que:
J(x) = 0.0645 < 3.8415  No hay medidas erróneas con
certidumbre del 95%.
155
Ejemplo
• Vector de residuos y vector de residuos normalizados:

 0.0053   0.2540 
- 0.0055  
  -0.2536 
 
0.0007  ri  0.3616 
r  r 
N
 
 - 0.0058  Ωii  -0.2650 
- 0.0001   -0.0814 
   
0.0052   0.2432 
Puesto que |riN| <1.6449  Concluimos que no hay

ninguna medida errónea.
156

02 StateEstimation R3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

02 StateEstimation R3

Cargado por

Copyright:

Formatos disponibles

ESTIMACIÓN DE ESTADO

Univ. Castilla – La Mancha

1) A. Gómez Expósito, A. J. Conejo, C.

2) A. Abur, A. Gómez Expósito. “Power

• SCADA: Sistema de Supervisión, Control y Adquisición

Estimación de las variables de estado (módulos y

Se aborda la estimación de estado como un problema

• Otras medidas: virtuales (sin error) y pseudo-

Valores de las reactancias en unitarias

(Base 100 MVA)

Medidores del flujo de potencia activa por las líneas.

Sólo dos mediciones (exactas): M13 , M32

M13  5 MW  0.05 pu , M32  40 MW  0.4 pu

2 variables de estado: δ1, δ 2 , ( δ3  0 , referencia )

Solución empleando mediciones M12 y M32 :

Se considera que las medidas son erróneas:

Sea x el vector de variables de estado. Si se expresan

• Debido a los errores, no se conocen los valores reales

• El método de los mínimos cuadrados ponderados

Más peso a las

z m Vector de medidas m 1

En el mínimo, deben cumplirse las condiciones de

Se quiere encontrar el valor de x que satisface la ecuación

donde Gx   HT x WH(x) se denomina matriz de ganancia.

Si H es de rango completo entonces G es definida positiva y

1. Inicializar x0 con el perfil plano (k=0).

• Si h(x) es lineal se simplifica la resolución del

- Si n  m : x̂  G1HT Wz m , más medidasque variables de estado

M12 M13 M32

M12 M13 M32

Problema de optimización no lineal sin restricciones

Zijθij es la impedancia de la línea de transporte ij,

 es el conjunto de los índices de todos los nudos y

La potencia activa ij viene dada por:

La potencia reactiva ij viene dada por:

El problema de estimación de estado tiene la siguiente

Las constantes w iv , w pij , w ijq modelan la calidad del medidor

Sistema de 2 nudos conectados por una línea de transporte de

El problema a resolver tiene la siguiente forma:

Sustituyendo las mediciones el problema tiene la forma

LOWER LEVEL UPPER MARGINAL

---- VAR v1 -INF 1.088 +INF -1.185E-8

v1 Modulo de la tension en el nudo 1. Valor exacto: 1.0966

Wood & Wollenberg, pg. 478

Wood & Wollenberg, pg. 480

Magnitud Valor p.u. Varianza

Q21 -0.4 10-2

P13 0.8 10-2

Q31 -0.2 10-2

• El vector que relaciona las medidas con el vector de

2. Obtención de H(xk) y cálculo de G(xk).

-Vector de relación entre medidas y estado:

3. Resolución del sistema

Los incrementos que se obtienen para la primera iteración son:

4. Actualización del vector de estado:

5. Repetir el proceso hasta que todos los elementos

 Para resolver el problema computacionalmente se ha usado

Matlab 7.8062 1.0216 0.9800 1.0013 -0.0996 -0.0781

x= 1.0215 ; 0.9800 ; 1.0014 ; -0.0996 ; -0.0781

Los resultados que devuelve GAMS son

LOWER LEVEL UPPER MARGINAL

---- VAR v1 -INF 1.022 +INF 8.2392E-9

Variable Resultado Analítico GAMS Error