A Estimação de Estado em Redes de Transporte de Energia

FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO
A ESTIMAO DE ESTADO EM REDES DE TRANSPORTE DE ENERGIA COM DETECO E IDENTIFICAO DE ANOMALIAS
Roque Filipe Mesquita Brando

Licenciado em Engenharia de Automao e Controlo pela Universidade Moderna do Porto
Dissertao submetida para satisfao parcial dos requisitos do grau de mestre em Engenharia Electrotcnica e de Computadores (rea de especializao de Sistemas de Energia)
Dissertao realizada sob a orientao da Professora Doutora Isabel Maria Marques Alves Ferreira, do Departamento de Engenharia Electrotcnica e de Computadores da Faculdade de Engenharia do Porto e co-orientao do Professor Doutor Jos Antnio Beleza Carvalho, do Departamento de Engenharia Electrotcnica do Instituto Superior de Engenharia do Porto
Porto, Janeiro de 2005
Labor omnia vincit improbus (O trabalho persistente tudo vence, Virglio)
minha esposa Zita. Ao Gonalo ou Francisca que em breve far parte da famlia.
Agradecimentos
Desejo expressar o meu profundo agradecimento minha orientadora cientfica, Prof Doutora Isabel Maria Marques Alves Ferreira, pela disponibilidade demonstrada ao longo do tempo, pelos incentivos, orientaes e sugestes essenciais elaborao desta dissertao.
Ao Prof. Doutor Jos Antnio Beleza Carvalho, orientador do grupo de disciplinas de sistemas de energia do ISEP, a amizade, a lealdade, a disponibilidade e o apoio constante, as sugestes e os incentivos fulcrais para a passagem das dificuldades. Sem ele nada disto teria sido possvel. minha famlia que apesar das dificuldades, tudo fizeram para que eu nunca desistisse.
Resumo
Este trabalho de investigao analisa o problema da Estimao de Estado de Sistemas Elctricos de Energia. O estimador de estado processa um conjunto redundante de medidas com o objectivo de estimar o estado de uma rede elctrica de energia. Medidas lgicas e analgicas so teletransmitidas para os centros de controlo. As medidas lgicas so utilizadas pelo processador de topologia para determinar a configurao do sistema. As medidas analgicas so usadas juntamente com a informao proveniente do processador de topologia, com os parmetros da rede e por vezes com algumas pseudomedidas como dados iniciais do processo de estimao de estado. Se o conjunto de medidas for suficiente para tornar a estimao de estado possvel, ento a rede diz-se observvel. Perdas temporrias da observabilidade da rede podem acontecer devido a mudanas repentinas da topologia da rede ou a falhas do sistema de telecomunicaes. Para garantir preciso na estimativa de estado obtida, fundamental dotar o estimador de estado de uma rotina de deteco e identificao de erros grosseiros, que eventualmente podero afectar as medidas a serem processadas. Genericamente pode afirmar-se que as tcnicas de estimao de estado se dividem em dois grandes grupos: estimao esttica e estimao dinmica. A estimao esttica baseia-se no pressuposto de que o ponto de funcionamento do sistema se pode considerar aproximadamente constante para pequenos intervalos de tempo. Estes mtodos no consideram portanto a evoluo temporal do vector de estado do sistema. A estimao dinmica est normalmente associada a estudos em tempo real da segurana dinmica das redes elctricas de energia. Estes mtodos recorrem habitualmente a algoritmos baseados no filtro de Kalman, no entanto, a utilizao destes algoritmos apresenta dois tipos de
dificuldades: a elevada dimenso dos problemas a analisar e a exigncia de um reduzido tempo de execuo. O presente trabalho pode considerar-se dividido em trs partes fundamentais. Na primeira parte feita uma abordagem formulao matemtica do problema e faz-se referncia aos algoritmos mais utilizados. Na segunda parte apresentam-se e discutem-se algumas das metodologias mais utilizadas para a deteco e identificao de erros grosseiros. Na terceira parte, descreve-se o algoritmo implementado para anlise de estimao de estado de um SEE com deteco e identificao de erros grosseiros e discutem-se os resultados obtidos.
VI
Abstract
This research work studies the problem of State Estimation in Electric Power Systems. State estimation processes a set of redundant measurements to estimate the state of the power system. Logic and analogic measurements are telemeters to the control centre. Logic measurements are used in topology processor to determine the system configuration. The state estimator uses a set of analog measurements along with the system configuration supplied by the topology processor, network parameters and if necessary some pseudo measurements as input of state estimation process. If the set of measurements is sufficient to make the state estimation possible, thus the network is observable. Temporary unobservability may still occur due to unanticipated network topology changes or failures in the telecommunications systems. To guarantee the accuracy of state estimation results, its necessary to provide the state estimator with a routine of detection and identification of anomalies that may eventually affect the measures. Generically its possible to say that state estimation techniques are divided in two main groups: static estimation and dynamic estimation. Static estimation is based in the presupposition that system function point can be considered constant for small time periods. These methods dont take in attention the temporal evolution of system state vector. Dynamic estimation is normally associated with studies on the dynamic safety of electric power systems networks in real time. These methods are based on the Kalman filter algorithm; however the implementation of these algorithms brings two kinds of difficulties: the wide scale of problem to be analysed and, simultaneously, the need of reduced time of execution.
The work developed during the writing of this thesis can be divided in three main areas. In the first one, the state estimation process is presented as well as some usual approaches to solve it. Second part is about the bad data detection and identification problem and some methods to deal with this are discussed. In the third and last part of the work, an algorithm for state estimation of an electric power system with bad data detection and identification routines is described and analysed.
VIII
ndice
1. Introduo.. 3 1.1 -Introduo ......................................................................................................... 3 1.2 -Objectivo e estrutura da dissertao................................................... 5
2. A Estimao de Estado aplicada a SEE.. 9 2.1 - Introduo..... 9
2.1.1 -Sistemas de Superviso e Controlo.... 14 2.2 - Modelizao da rede... 15 2.2.1 - Introduo. 15 2.2.2 - Modelo de representao das linhas e transformadores 17 2.3 - Preciso das medidas.. 18 2.4 - Medidas e equaes de medida.. 22 2.4.1 -Introduo............. 22 2.4.2 - Tipos de medidas. 23 2.4.3 - Equaes de medida.. 24 2.5 -Algoritmos de Estimao de Estado... 25 2.5.1 - Estimao de Estado Clssica........... 25
2.5.1.1 -Aproximao Clssica Algoritmo Base..... 25 2.5.1.2 -Mtodo das equaes normais com restries...... 31 2.5.1.3 -Mtodo de Hachtel. .. 33 2.5.1.4 -Mtodo de Factorizao Ortogonal... 33 2.5.1.5 -Mtodo de Peter Wilkinson.......... 34 2.5.1.6 -Mtodo WLAV.. 35 2.5.1.7 -Estimao de Estado baseada na lgica Fuzzy. 37 2.5.1.8 -Modelos desacoplados aplicados estimao de estado... 39 2.5.2 -Estimao de Estado Dinmica. 47 2.6 -Concluses...... 51
3. Erros Grosseiros Metodologias de Deteco e Identificao.... 55 3.1 Introduo. 55 3.2 Objectivos da rotina de deteco e identificao de erros grosseiros.......... 56 3.3 Erros que afectam o estimador de estado. 58 3.4 Definio de erro grosseiro de medida. 59 3.5 Deteco de erros grosseiros 61 3.5.1 Introduo. 61 3.5.2 Teste do J(x).. 63 3.5.3 Teste dos resduos normalizados e dos resduos ponderados 64 3.5.4 Teste da amplitude do erro grosseiro 65 3.6 Identificao de erros grosseiros.. 66 3.6.1 Identificao por eliminao 66 3.6.2 Identificao por critrios no-quadrticos.. 68
X
3.6.3 Identificao por teste de hipteses. 71 3.7 Concluses........................ 72
4 Resultados Computacionais 77 4.1 Introduo 77 4.2 Mtodos de simulao usados... 78 4.2.1 Algoritmos implementados... 80 4.2.2 Estrutura da matriz Jacobiana H(x).. 82 4.3 Redes de teste. 86
4.3.1 Configuraes de medidas... 90 4.4 Parmetros em anlise..... 92 4.5 Apresentao dos resultados... 93 4.5.1 Anlise dos resultados.. 97 4.6 Deteco de erros grosseiros...................... 99
4.6.1 Identificao por eliminao. 112 4.6.2 Gerao de pseudomedidas...................... 114 4.7 Concluses..... 118
5 Concluso. 122
Bibliografia. 125
Apndice A Propriedades do estimador WLS / determinao das matrizes covarincia 134

XI
) na presena de erros grosseiros 137 Apndice B Comportamento de r e J ( x
Apndice C Resduos Normalizados e Resduos Ponderados. 140 Apndice D Linearizao das equaes de medida. 142 Apndice E Dados da Rede de 24 barramentos........................... 145 Apndice F Dados da Rede de 118 barramentos. 147
XII
Lista de Figuras
Figura 2.1 - Conceito de Estimao de Estado (EE) 11 Figura 2.2 - Esquema bsico de um estimador de estado esttico.. Figura 2.3 - Funcionamento do estimador de estado esttico. 13 15
Figura 2.4 - Equivalente em de uma linha.. 17 Figura 2.5 - Modelo matemtico equivalente de um transformador 18 Figura 2.6 - Cadeia de transmisso de medidas 19 Figura 2.7 - Estimao de Estado pelo mtodo de Gauss 29 Figura 2.8 - Algoritmo de estimao de estado integrando conceitos de lgica fuzzy 38 Figura 2.9 - Fluxograma de um estimador desacoplado (FDSE)............ Figura 2.10 - Etapas de previso e filtragem de um estimador dinmico baseado no filtro de Kalman 50 Figura 3.1 - Regies de aceitao e rejeio associadas a um teste unilateral............ Figura 3.2 - Funes de custo no quadrticas utilizadas nos estimadores BDS(Bad Data Supression).... Figura 3.3 - Relao entre os termos de e Gii# para diversas funes de custo no quadrticas.. 70 Figura 3.4 - Fluxograma sucinto do procedimento HTI 72 69 62 46
Figura 4.1 - Estrutura do processo implementado 79 Figura 4.2 - Sistema de teste de 24 barramentos. Figura 4.3 Sistema de teste de 118 barramentos.. Figura 4.4 - Estimao de estado Integral vs Desacoplada. Tempo de processamento. 96 Figura 4.5 - Estimao de estado Integral vs Desacoplada.
)..................... 96 Funo Objectivo J( x
88 89
Figura 4.6 - Estimao de estado Integral vs Desacoplada. Erro mdio do vector estado estimado................
Figura 4.7 - Nmero de medidas relacionadas com as medidas afectadas por erros
97
grosseiros em cada configurao de medida........... 106 Figura 4.8 - Comparao dos erros de estimao no vector de estado. 118
XIV
Lista de Tabelas
Tabela 2.1 - Equaes do filtro de Kalman. 48 Tabela 2.2 - Equaes das etapas de previso e filtragem.. 49
Tabela 3.1 - Tabela de deciso para um teste de hipteses. 62 Tabela 4.1 - Dados da rede de 24 barramentos 87 Tabela 4.2 - Dados da rede de 118 barramentos.. 87 Tabela 4.3 - Dados dos sistemas de teste......................... 87 Tabela 4.4 - Configurao de medida da rede A (Conf.1) .. 90 Tabela 4.5 - Configurao de medida da rede A (Conf.2) .. 91 Tabela 4.6 - Configurao de medida da rede B (conf.1)... 91
Tabela 4.7 - Configurao de medida da rede B (Conf.2)... 92 Tabela 4.8 - Resultados da estimao - verso integral.. 93
Tabela 4.9 - Resultados estatsticos da estimao - verso integral............ 94 Tabela 4.10 - Resultados da estimao - verso desacoplada.. 94 Tabela 4.11 - Resultados estatsticos da estimao - verso desacoplada.. 94
Tabela 4.12 - Resultados da estimao - verso integral.. 94 Tabela 4.13 - Resultados estatsticos da estimao - verso integral.. 95 Tabela 4.14 - Resultados da estimao - verso desacoplada. 95
Tabela 4.15 - Resultados estatsticos da estimao - verso desacoplada.. Tabela 4.16 - Deteco de um erro grosseiro com amplitude varivel na
95
medida V17...100 Tabela 4.17 - Deteco de um erro grosseiro com amplitude varivel na medida P2 101 Tabela 4.18 - Deteco de um erro grosseiro com amplitude varivel na medida Q1-5..102 Tabela 4.19 - Deteco de um erro grosseiro com amplitude varivel na medida V17.. 103 Tabela 4.20 Deteco de um erro grosseiro com amplitude varivel na medida P2 104 Tabela 4.21 - Deteco de um erro grosseiro com amplitude varivel na medida Q1-5. 105
) e J R ( x ) na presena Tabela 4.22 - Evoluo do valor dos ndices J ( x ) , J A ( x
de um erro grosseiro com amplitude varivel na medida V17... 108

) e J R ( x ) na presena de um Tabela 4.23 - Evoluo do valor dos ndices J ( x ) , J A ( x
erro grosseiro com amplitude varivel na medida P2. 109

) e J R ( x ) na presena de um Tabela 4.24 - Evoluo do valor dos ndices J ( x ) , J A ( x
erro grosseiro com amplitude varivel na medida Q1-5.. 110

2 Tabela 4.25 - Valores de J ( x ) e J ( x ) / .. 111
112 Tabela 4.26 - Resduos normalizados de maior amplitude 1 ciclo

2 Tabela 4.27 - Valores de J ( x ) e J ( x ) / 2 ciclo.. 112
Tabela 4.28 - Resduos normalizados de maior amplitude 2 ciclo. 112

2 Tabela 4.29 - Valores de J ( x 113 ) e J ( x ) / 3 ciclo
Tabela 4.30 - Resduos normalizados de maior amplitude 3 ciclo.. 113
XVI
2 Tabela 4.31 - Valores de J ( x ) e J ( x ) / 4 ciclo 113
Tabela 4.32 - Preciso das medidas geradas para a medida V18.... 115 Tabela 4.33 - Preciso das medidas geradas para a medida P1-2. 115 Tabela 4.34 - Preciso das medidas geradas para a medida Q10-12.. 115
2 Tabela 4.35 - Valores de J ( x ) e J ( x ) / 2 ciclo 116

2 Tabela 4.37 - Valores de J ( x ) e J ( x ) / 3 ciclo.. 116

2 Tabela 4.39 - Valores de J ( x ) e J ( x ) / 3 ciclo. 117
Tabela 4.40 - Erros de estimao (mdio e mximo) no vector de estado. 117 Tabela A.1 - Vectores x, h, r e respectivas matrizes covarincia 136 Tabela E.1 - Dados e resultados do trnsito de potncias.145 Tabela E.2 - Dados das Linhas e transformadores.. 146 Tabela F.1 - Dados e resultados do trnsito de potncias.... 147 Tabela F.2 - Dados das Linhas e transformadores.. 150
XVII
Lista de Smbolos e Abreviaturas
De uma forma geral, todos os smbolos utilizados encontram-se definidos e caracterizados no prprio local do texto em que so referidos pela primeira vez. No entanto, por forma a facilitar a leitura desta dissertao, apresenta-se a lista dos smbolos e abreviaturas mais utilizados. Relativamente notao adoptada na estimao de estado esttica de Sistemas Elctricos de Energia deve salientar-se que, qualquer grandeza estimada ser afectada por um acento circunflexo (^).
x:
: x
Vector de estado do Sistema Elctrico de Energia, x = [ T,VT ] T Estimativa do vector de estado x Fase da tenso no barramento i Mdulo da tenso no barramento i Matriz das admitncias da rede Elemento da linha i, coluna j de Y, Y ij = G ij + jB ij Potncia activa injectada no barramento i Potncia reactiva injectada no barramento i Trnsito de potncia activa no ramo que liga os barramentos i e j Trnsito de potncia reactiva no ramo que liga os barramentos i e j Vector das medidas efectuadas no sistema Vector de medidas activas Vector de medidas reactivas
i : Vi : Y: Y ij : Pi: Qi: P ij : Q ij : z: zP : zQ :
h(.) : hP(.) : hQ(.) : H:
Vector das funes no lineares que relacionam as medidas com as variveis de estado Vector das funes no lineares que relacionam as medidas activas com as variveis de estado Vector das funes no lineares que relacionam as medidas reactivas com as variveis de estado Matriz Jacobiana de h relativamente a x Matriz Jacobiana de f relativamente a x Matriz Jacobiana de hP relativamente a Matriz Jacobiana de hP relativamente a V Matriz Jacobiana de hQ relativamente a Matriz Jacobiana de hQ relativamente a V Matriz de ganho (algoritmo de Gauss) Matriz covarincia do rudo de medida, R = diag(i) Matriz covarincia do rudo que afecta as medidas activas zP Matriz covarincia do rudo que afecta as medidas reactivas zQ Vector do rudo total de medida Vector do rudo (normal) de medida Vector dos erros grosseiros de medida Nmero de barramentos da rede Nmero total de medidas efectuadas na rede Nmero total de medidas do tipo Pij e Pi Nmero total de medidas do tipo Qij, Qii e V Nmero de variveis de estado do sistema, n = 2N-1 Redundncia de medida, = m / n Funo de custo Vector dos resduos de medida Vector dos resduos normalizados de medida Vector dos resduos ponderados de medida Matriz sensibilidade dos resduos aos erros de medida Matriz covarincia do erro de estimao para o vector x
XIX
f : x HP : HPV : HQ : HQV : G: R: RP : RQ : e: v: b: N: m: m1 : m2 : n: : J(x): r: rN : rW : W: :
f: E[a] : cov(a) : var(a) :

|| a || :
Erro de estimao para f, ou seja das variveis de estado x e das medidas h Valor esperado de a Matriz covarincia de a Varincia de a Norma do vector a Elemento i do vector a covarincia x
ai ou (ai):
a~N(a , x ):Varivel aleatria gaussiana (normal) de valor mdio a e matriz a~ 2 :

2 a :
Varivel aleatria com distribuio qui-quadrado

2 Valor de uma varivel aleatria x com distribuio 2 tal que prob x a =a
prob[x ] : Probabilidade de os valores da varivel aleatria x serem inferiores a Na : fdp x : AT : A-1 : r(A) : detA : diag(ai): I: O(x) : : :
h m :
Valor de uma varivel aleatria x com distribuio normal reduzida (x~N(0,1)) tal que prob[x Na ] Funo densidade de probabilidade da varivel aleatria x Matriz transposta de A Matriz inversa de A Caracterstica da matriz A Determinante da matriz A Matriz diagonal cujo termo (i,j) igual a ai Matriz identidade Infinitsimo de ordem superior a x Probabilidade de incorrer num erro tipo I (teste de hipteses) Probabilidade de incorrer num erro tipo II (teste de hipteses) Erro mdio das grandezas medidas. Valor mdio da diferena entre as medidas efectuadas e as medidas estimadas.
m :
V m :
Erro mdio da estimativa de . Erro mdio da estimativa de V. Nmero de iteraes necessrias obteno da convergncia Grandeza relativa etapa de previso Grandeza relativa etapa de filtragem
XX
Nit :
.(k | k-1) : .( k | k ) :
K: Matriz de ganho do filtro de Kalman ~ (k | k 1) z (k | k 1) : Vector das inovaes, ~ z (k | k 1) = z (k ) z

SEE : WLS : WLAV : FDSE : IBE : NQC : HTI : URT : BDS : CC : EMS : AGC : OPF : SCADA: Sistema Elctrico de Energia Mtodo dos mnimos quadrados ponderados Mtodo dos mnimos valores absolutos ponderados Estimador de estado desacoplado Metodologia de identificao de erros grosseiros por eliminao Metodologia de identificao de erros grosseiros por critrios no quadrticos Metodologia de identificao de erros grosseiros por teste de hiptese Unidade terminal remota Mtodo de supresso de erros grosseiros Centro de controlo Sistemas de Gesto de Energia Controlo Automtico da Produo Fluxo de potncia ptimo Sistemas de superviso, controlo e aquisio de dados
XXI
CAPTULO 1 INTRODUO
A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias
Captulo 1
Captulo 1
INTRODUO
1.1- DEFINIO DO PROBLEMA
A elevada complexidade das redes de transporte de energia, aliada necessidade de uma elevada continuidade de servio, faz dos estimadores de estado (EE) parte essencial de qualquer Centro de Controlo e Conduo (CC). Pedro Zarco e Antnio Gmez Expsito consideram num artigo publicado recentemente [1], a estimao de estado como sendo o rgo vital desses centros de controlo. A optimalidade de qualquer outra funo executada nos centros de controlo, tal como a anlise de segurana, o despacho econmico ou os fluxos de potncia ptimos (OPF), est fortemente ligada preciso dos resultados obtidos pelo estimador de estado.
A funo dos CC monitorizar, controlar e optimizar os Sistemas Elctricos de Energia (SEE) recorrendo ao uso da cada vez mais avanada tecnologia informtica. Para que um CC funcione perfeitamente, necessrio que tenha a cada momento, informao fidedigna sobre o estado da rede que controla. Essa informao obtida recorrendo aos sistemas SCADA que em conjunto com os estimadores de estado, constroem bases de dados fidedignas que traduzam o estado do sistema elctrico de energia a controlar.
A estimao de estado recorre a um conjunto redundante de medidas efectuadas na rede e a informao sobre a topologia da mesma, para estimar o real estado do sistema.
Captulo 1
Dependendo da qualidade das medidas e do estimador, essa informao mais ou menos fivel.
Um aspecto importante para que o algoritmo de estimao de estado fornea boas estimativas para as variveis de estado a redundncia dos seus dados. Com um nvel de medidas adequado, consegue-se manter a observabilidade da rede, garantir a qualidade dos resultados e assim a confiabilidade nos mesmos. Uma outra vantagem da redundncia dos dados a possibilidade que se tem de tratar da deteco, identificao e at mesmo da eliminao das medidas afectadas por erros grosseiros.
Da anlise do pargrafo anterior, podemos concluir que qualquer processo prtico de implementao da funo de estimao de estado s ter sucesso se existir um razovel nmero de medidas que garantam a to desejada redundncia de informao. No entanto, para que haja uma elevada redundncia de medidas necessrio na realidade, equipamento para fazer a aquisio e transmisso dos dados. Assim sendo, o aumento da redundncia est fortemente ligado ao aumento dos custos investimento.
Como se sabe, o recurso a medidas analgicas efectuadas por aparelhos que esto sujeitos a erros e a sua transmisso para os centros de controlo, tornam o conjunto das medidas exposto a rudos e erros. Esses erros tm um impacto severo na qualidade da informao disponibilizada pelo estimador de estado [2]. Assim, para que a informao obtida da rede possa ser devidamente processada pelo estimador de estado, ter que ser necessariamente accionada uma rotina de deteco e identificao de possveis erros grosseiros nos dados.
Poderemos ento considerar, que a EE contm aplicaes responsveis pela construo de uma base de dados completa e confivel que ser usada em funes de segurana e optimizao.
Captulo 1
1.2- OBJECTIVO E ESTRUTURA DA DISSERTAO
O trabalho aqui apresentado est relacionado com o controlo de Sistemas Elctricos de Energia, cujo principal objectivo assegurar a conduo do sistema dentro de normas de segurana preestabelecidas, sem descurar as questes econmicas e as cada vez mais importantes questes de qualidade de servio. Para tal, necessrio possuir a cada momento informao fidedigna sobre o verdadeiro estado do sistema.
A informao que chega aos centros de controlo atravs do sistema de aquisio de dados no suficiente, nem fivel, para assegurar o conhecimento do estado do sistema. Assim, funo dos algoritmos de estimao de estado o processamento da informao com o objectivo primordial de obteno em tempo real, de uma base de dados completa, coerente e fivel do SEE.
As cada vez maiores exigncias colocadas aos centros de controlo, levam a que os algoritmos clssicos de estimao de estado, actualmente implementados, apresentem algumas dificuldades de resposta. A possibilidade de uso de metodologias de estimao dinmica acarreta dificuldades a nvel de tempos de processamento e recursos computacionais. Metodologias de processamento paralelo e distribudo, bem como a aplicao da lgica fuzzy tm vindo a ser desenvolvidas, de forma a garantir uma cada vez melhor conduo da rede por parte dos centros de controlo.
O objectivo desta tese foi desenvolver um algoritmo para estimar o estado de um SEE, com possibilidade de deteco e identificao de erros grosseiros. O presente trabalho encontra-se desenvolvido por cinco captulos, sendo esta introduo o primeiro deles.
No segundo captulo analisado o problema da estimao de estado de um sistema elctrico de energia, fazendo-se referncia aos mtodos normalmente usados na sua anlise;
Captulo 1
O terceiro captulo aborda o problema da deteco e identificao de erros grosseiros nas medidas, utilizadas na estimao de estado esttica de SEE.
No quarto captulo so apresentados e analisados os resultados obtidos pelos algoritmos de estimao de estado implementados, de acordo com as diferentes configuraes de medidas e tipos de redes usadas para simulao. So tambm apresentados resultados sobre metodologias de deteco, identificao e correco de erros grosseiros.
No quinto captulo so apresentadas concluses relativas ao trabalho desenvolvido e sugerem-se perspectivas de prosseguimento da investigao nesta rea.
Esta dissertao finalizada com a apresentao de um conjunto de Apndices com informaes complementares.
CAPTULO 2 A ESTIMAO DE ESTADO APLICADA A SISTEMAS ELCTRICOS DE ENERGIA
Captulo 2
Captulo 2
A ESTIMAO DE ESTADO APLICADA A SISTEMAS ELCTRICOS DE ENERGIA
2.1- INTRODUO
Com o objectivo de melhorar a qualidade de servio e pelas cada vez mais importantes questes de carcter econmico, assiste-se actualmente a uma rpida evoluo ao nvel do controlo e operao das redes de transporte de energia, bem como interligao de pequenas rede isoladas, formando assim redes de maior dimenso. Fazendo uso de recursos computacionais cada vez mais avanados, foi possvel instalar nos centros de controlo e conduo (CC), sistemas de superviso, controlo e aquisio de dados vulgarmente conhecidos pela sigla SCADA ("Supervisory Control and Data Acquisition"), que para alm de fornecerem ao operador algumas informaes sobre a rede supervisionada, incorporavam algumas funes especficas como por exemplo, o controlo automtico da produo (AGC), o controlo de frequncia e o despacho econmico. A introduo de um nmero cada vez maior de funes nos sistemas SCADA fez, com que se evolusse para os modernos EMS ou Sistemas de Gesto de Energia. A funo do Estimador de Estado, que uma parte integrante dos referidos EMS, a monitorizao da rede no pressuposto de que as variaes de carga e produo so feitas
Captulo 2
lentamente, podendo assim ser modelizada como uma rede em regime de funcionamento quase esttico. A informao resultante do estimador de estado, permite ao operador do sistema ter, com alguma preciso, informaes sobre o valor complexo das tenses em todos os barramentos da rede, conhecer os trnsitos de potncias activas e reactivas em todas linhas, as potncias geradas nos diferentes barramentos bem como todo um conjunto de informao relevante para o controlo dos sistemas elctricos de energia. Os resultados da estimao de estado podem ser usados off-line, no treino dos operadores para a realizao de aces de controlo aquando da ocorrncia de situaes anmalas, pois permitem simular aproximadamente cenrios reais de funcionamento. Uma outra aplicao permitir a elaborao de estudos sobre a preciso e localizao dos aparelhos de medida a colocar na rede, bem como a comparao de diferentes configuraes de medida que possibilitam uma melhoria substancial das caractersticas de deteco e identificao de erros grosseiros. O uso on line das informaes obtidas pela estimao de estado permitem, a criao de bases de dados fiveis e imprescindveis correcta operao de qualquer Sistema Elctrico de Energia (SEE). Recorrendo a estas bases de dados, o sistema pode fornecer ao operador da rede informaes sobre: anlise de contingncias, as reservas de produo e estimativas das potncias nas linhas; defeitos do sistema e a sua possvel localizao; anlise de segurana. A grande vantagem da estimao de estado permitir obter uma base de dados coerente e fivel de todo o sistema, recorrendo a um conjunto redundante de medidas, obtidas fundamentalmente a partir da rede por teletransmisso. Basicamente, essas medidas so: - os mdulos das tenses efectuadas em determinados barramentos; - as potncias activas e reactivas injectadas;
10
Captulo 2
- os fluxos de potncia nas linhas. Essas bases de dados no podem ser criadas directamente pelas teletransmisses das grandezas medidas que chegam aos centros de controlo, porque: No vivel efectuar a medio de todas as grandezas da rede uma vez que algumas das medies esto limitadas devido a questes tcnicas (ex. as fases das tenses) e porque tambm o custo inerente aquisio de equipamento considervel; As medidas teletransmitidas ao centro de controlo contm rudo introduzido pela cadeia de transmisso e por isso no podem ser consideradas coerentes; As medidas recolhidas podem no ser totalmente fiveis porque existe o risco de terem sido efectuadas por aparelhos em funcionamento defeituoso. A figura seguinte, demonstra de uma forma simplificada, o conceito de EE.
Perturbaes Variveis do Sistema Real Sistema (x) Sistema de Medida Medidas (z) Vector de Estado Operador Erros (e)
Aces de Controlo
) Estimado ( x
Estimao de Estado
Figura 2.1 Conceito de Estimao de Estado (EE). sobre o sistema elctrico real, que est a ser estudado e do qual no se conhecem todas as informaes, que o operador do sistema ter que actuar. As aces de controlo tomadas, tero que ser as mais indicadas para cada situao, pois como se est a actuar a um nvel primrio da cadeia de energia, uma aco de controlo mal executada ao nvel da rede de transporte, pode deixar sem fornecimento de energia milhares de consumidores, ou provocar reaces da rede a jusante difceis de controlar.
11
Captulo 2
Como no existe informao sobre toda a rede e alguma da informao existente pode estar contaminada por perturbaes, criado um vector de incgnitas do sistema (variveis de estado do sistema) que formado pelos mdulos e fases das tenses de todos os barramentos da rede, com excepo do barramento de referncia sobre o qual se estipula que a fase da tenso de zero radianos. As medidas efectuadas na rede so funes no lineares das variveis de estado o que conduzir necessidade de uma posterior linearizao das equaes de medida. A funo do estimador relacionar toda a informao disponvel e obter uma estimativa de todas as variveis de estado do sistema. Com esta informao e atendendo ao modelo matemtico que caracteriza a rede, fcil obter outras informaes relevantes. De uma forma geral, a estrutura de um algoritmo de estimao de estado esttica composto por quatro blocos fundamentais, tal como ilustra a figura 2.2, sendo eles: Pr-filtragem; Anlise de observabilidade; Filtragem; Deteco de anomalias. Durante a etapa da pr-filtragem o algoritmo de estimao de estado dever actuar de forma a assegurar a coerncia das medidas. No caso de serem detectados erros grosseiros nas medidas, elas devero ser eliminadas. De seguida ser executada uma anlise de observabilidade da rede, com o objectivo de assegurar que possvel a obteno de uma primeira estimativa do estado do sistema como um todo. Caso a rede seja no observvel, possvel recorrer a pseudomedidas. A etapa de filtragem tem como objectivo a determinao, baseada na informao disponvel, de uma soluo para o vector de estado do sistema. Por ltimo, na fase da deteco de anomalias, sero executados testes (normalmente estatsticos) para avaliar a existncia ou no, de erros grosseiros nas medidas. Em caso afirmativo, elas tero que ser identificadas e corrigidas.
12
Captulo 2
TELEMEDIDAS
TELESSINALIZAES
PR-FILTRAGEM
PROCESSADOR TOPOLGICO
ALTERAO DA CONFIGURAO DA REDE NO
SIM
PSEUDOMEDIDAS
NO
SISTEMA OBSERVVEL? BASE DE DADOS
SIM FILTRAGEM
DETECO DE ANOMALIAS OUTRAS APLICAES ERROS TOPOLGICOS SIM
ACES CORRECTIVAS
NO
SIM
ERROS GROSSEIROS NAS MEDIDAS
NO SADA DE RESULTADOS
Figura 2.2 - Esquema bsico de um estimador de estado esttico.
13
Captulo 2
2.1.1 Sistemas de Superviso e Controlo O desempenho dos actuais sistemas de energia elctrica est altamente dependente do desempenho dos Centros de Controlo e Conduo pelo que eles assumem uma importncia mpar para a qualidade de servio [3]. A eficincia destes centros s possvel se existirem sistemas capazes de fornecerem informaes rpidas e fidedignas sobre a rede. Os sistemas SCADA assumem um papel essencial nos sistemas de superviso e controlo das redes elctricas [4]. Os dados que caracterizam um determinado estado de funcionamento do sistema de energia so fornecidos ao CC em tempo real atravs de um sistema SCADA [5]. A aquisio e transmisso dos dados feita de forma cclica adquirindo bastante importncia o tempo que o sistema SCADA demora a fazer um ciclo de aquisio de medidas. Um sistema SCADA na sua forma mais simples constitudo apenas por uma unidade central e por uma unidade remota terminal (URT). No entanto, quando se aplica este tipo de sistemas s redes elctricas de energia, devemos considerar um sistema SCADA de maior dimenso, composto por mais do que uma unidade central e por muitas unidades remotas. As URT devero ser colocadas nas centrais e subestaes com o objectivo de obter a informao e codific-la de forma a poder ser transmitida ao CC. As URT devero tambm ter a capacidade de receber e processar as ordens enviadas pela unidade central. Um outro equipamento constituinte de um sistema SCADA e que assume um papel preponderante, o sistema de comunicao. A transmisso dos dados dever ser possvel nos dois sentidos (CC URT, URT CC) sendo a velocidade de transmisso um aspecto importante pois dela depende o ciclo de tempo de um sistema SCADA. Existem vrias tecnologias de comunicao implementadas, das quais se destacam as seguintes: Linhas telefnicas; Transmisso por correntes portadoras; Transmisso por feixes hertezianos; Transmisso por fibras pticas.

14
Captulo 2
Qualquer que seja o canal de transmisso implementado, ele ter que garantir a fiabilidade da transmisso dos dados.
2.2 MODELIZAO DA REDE
2.2.1 Introduo A principal funo de um algoritmo de estimao de estado a obteno de uma

) , do verdadeiro estado do sistema (x), por forma a tornar mais eficientes estimativa fivel, ( x
as aces de controlo. Para que esse objectivo seja atingido, o estimador de estado usa numerosos tipos de informaes existentes nos centros de controlo. A figura seguinte pretende representar a estrutura utilizada para simular o modo de funcionamento de um estimador de estado esttico.
Estado real do sistema
Equaes de Medida
h(x)
z=h(x)+e Estimador Estado +

) (x
Seleco das medidas
Gerador de rudo
Figura. 2.3 Funcionamento do estimador de estado esttico. Como se pode verificar, a informao sobre o estado do sistema elctrico em anlise, sobre as medidas efectuadas bem como sobre o rudo a que essas medidas esto sujeitas, servem de entrada ao estimador de estado.
15
Captulo 2
O algoritmo de estimao de estado permite obter, aps processamento da informao disponvel, o vector de estado estimado do sistema, que fornece o valor estimado das tenses, em mdulo e fase, nos diferentes barramentos. Adoptando a formulao em coordenadas polares, podemos definir os vrios vectores usados pelo estimador de estado. O vector das variveis de estado, x, formado pelas fases e mdulos da tenso de todos os barramentos, com excepo da fase do barramento de referncia que considerada nula. Por convenincia da representao dos vectores, iremos considerar o barramento 1 como sendo o barramento de referncia de um sistema de N barramentos. Assim, xT = [2, 3, ......,N, V1, V2,......,VN] com:
E i = Vi i , dim( x ) = 2N 1 = n
(2.1)
Como o vector de estado no directamente acessvel, uma estimativa para x obtida usando para tal o vector das medidas z, de dimenso m e representado da seguinte forma: zT = [Pi,.......,Qi, .......,Pij, .......,Qij, .......,Vi,.......] em que: Pi - representa a potncia activa injectada nos barramentos; Qi - representa a potncia reactiva injectada nos barramentos; Pij - representa os fluxos de potncias activa nas linhas; Qij - representa os fluxos de potncias reactiva nas linhas; Vi representa os mdulos de tenso nos barramentos. (2.2)
Estas medidas podem exprimir-se em funo do vector de estado atravs da seguinte equao no linear: z = h(x) + e
(2.3)
16
Captulo 2
em que: h(x) representa o vector das funes no lineares que relacionam o verdadeiro estado do sistema com os valores ideais das medidas, a partir da matriz das admitncias da rede. x vector de estado do sistema, com dimenses n. e vector de variveis aleatrias que representam o erro das medidas. Para caracterizar uma dada configurao de medida, em relao a um maior ou menor nmero de medidas consideradas, habitual definir o valor da redundncia de medida () como:
= m n
(2.4)
isto , o quociente entre o nmero de medidas utilizadas pelo estimador (m) e o nmero de variveis de estado (n). normal assumir valores no intervalo entre 1,5< < 2,5. A possibilidade de se usar redundncias superiores a 1 permite que se faa uma filtragem do rudo de medida [6].
2.2.2 Modelo de representao das linhas e transformadores. Nos SEE, a interligao entre barramentos efectuada por linhas ou por transformadores. Como estes elementos so parte integrante de qualquer rede, necessrio modeliz-los matematicamente. As figuras seguintes representam os equivalentes matemticos desses elementos.
i
Ei
yij
Ej
yij,0
yij,0
Figura.2.4 - Equivalente em de uma linha

17
Captulo 2
O parmetro yij, representa a admitncia da linha e yij,0 modeliza metade da susceptncia shunt da linha que liga o barramento i ao barramento j.
Ei
1:aij
yij
Ej
(aij-1)yij
(1/aij -1)yij
Figura 2.5 - Modelo matemtico equivalente de um transformador. Quando se pretende representar um transformador com razo de transformao aij, yij representa a admitncia nominal do transformador dividida pela razo de transformao. Em srie com yij est representado um transformador ideal.
2.3- PRECISO DAS MEDIDAS

A preciso (i) das diferentes medidas obtidas ao longo do SEE, afectada pelos diversos componentes do sistema de aquisio e transmisso de informao. Apesar de existirem melhorias substanciais em termos de preciso dos aparelhos que constituem esses sistemas, isso tambm se traduz, na maioria dos casos, num acrscimo do investimento, continuando a existir nos referidos sistemas de aquisio e transmisso de dados, aparelhos com diferentes precises. A Figura 2.6 representa os elementos constituintes de uma cadeia de medida clssica, susceptveis de influenciar os dados que so recebidos no centro de controlo, nomeadamente: os transformadores de intensidade (TI) e de tenso (TP); os conversores de potncia: recebem a corrente e a tenso alternadas provenientes dos TI e TP e fornecem uma corrente contnua de reduzida amplitude, proporcional potncia activa (reactiva) correspondente;
18
Captulo 2
os conversores analgico / digital; os meios de transmisso da informao digital.
No final, cada medida que chega ao centro de controlo afectada por um erro que dependente do erro individual de cada elemento da cadeia de medida. Condutor de fase
V(t) i(t)
TI TP A
Modem
D transmisso de medidas
Modem
Centro de Controlo
Figura 2.6 Cadeia de transmisso de medidas
Para que a estimao de estado seja credvel, ter que contemplar a existncia destes erros na informao a processar. Para tal atribudo um peso (wi=1/i) s medidas recebidas no centro de controlo, que depende da classe de preciso dos diferentes aparelhos usados no processo de medio e teletransmisso dos dados. Como seria de esperar, aparelhos com maior classe de preciso tero que ter um peso maior no processo de estimao tendo por isso um i mais pequeno (na ordem dos 0,001), o caso das medidas de tenso. s medidas obtidas por aparelhos menos precisos, caso das medidas de potncia, lhes atribudo um menor peso no processo de estimao. A totalidade das diferentes fontes de erro existentes deveriam ser modelizadas e obtida a composio das correspondentes distribuies de probabilidade. Como esta modelizao de enorme dificuldade [7], normal introduzir algumas hipteses simplificativas.
19
Captulo 2
Assim, considera-se que a generalidade das componentes do erro total em anlise, podem ser modelizadas como variveis aleatrias gaussianas independentes. O erro total ser tambm uma varivel aleatria gaussiana cuja mdia (varincia) a soma das mdias (varincias) das componentes. Note-se que se um rudo de medida apresenta uma mdia no nula, esse valor mdio deve ser calculado e subtrado sistematicamente ao valor obtido para a medida correspondente. Na prtica, pequenas variaes dos valores atribudos a i, no afectam significativamente a qualidade da estimativa obtida [8], no entanto, deve salientar-se que: se o desvio padro atribudo for nitidamente inferior ao verdadeiro valor, ento ir ser atribudo um peso excessivamente elevado medida correspondente, o que resulta numa diminuio da preciso da estimativa obtida. Alm disso, na fase de deteco de erros grosseiros essa medida poder ser indevidamente seleccionada. se o desvio padro (i) atribudo a um erro de medida for nitidamente superior ao respectivo verdadeiro valor, a medida correspondente rejeitada numericamente, podendo por isso diminuir a preciso da estimao obtida em zonas de reduzida redundncia local;
As expresses habitualmente usadas no clculo do desvio padro para os diferentes tipos de medidas so as seguintes:
Medidas de Potncia = k1.|S| + k2.FS (2.5)
em que | S |= P 2 + Q 2 representa o verdadeiro valor da potncia aparente. Na prtica este valor no conhecido e substitudo pelo valor medido de P e Q. A constante FS representa o valor de fim de escala do aparelho correspondente. Os valores atribudos a k1 e
20
Captulo 2
k2 dependem das caractersticas da cadeia de medida. Os valores habitualmente considerados e referidos na literatura costumam ser k1 = 0,012 e k2 = 0,0035. Outra expresso usada para o clculo do desvio padro a seguinte: = k3.FS
(2.6)
em que FS tem o mesmo significado que na equao anterior. Esta frmula pode assumir outro aspecto, obtendo-se como funo da potncia nominal da aparelhagem correspondente (SN) e da respectiva classe de preciso (c). Considere-se fixado o mximo valor possvel para a amplitude do erro de medida: emax = c. FS em que o valor de FS ligeiramente superior a SN, por exemplo: FS = k SN com 1 < k < 1,2 (2.8) (2.7)
Atendendo a que se admite o erro de medida gaussiano, pode considerar-se que o seu valor absoluto mximo emax trs vezes superior ao respectivo desvio padro, e assim:
= c .k .S N 3
(2.9)
Medidas de tenso = k4VNOM (2.10)
em que VNOM a tenso nominal do barramento considerado. Habitualmente, o valor atribudo a k4 0,002.
21
Captulo 2
Relativamente s pseudomedidas, os correspondentes valores do desvio padro () dependem ainda dos modelos adoptados para as cargas, das previses utilizadas, etc., podendo por isso tomar valores bastante superiores.
2.4 - MEDIDAS E EQUAES DE MEDIDA
2.4.1 Introduo Como foi referido anteriormente, para que se possa usar o estimador de estado, necessrio priori, possuir um conjunto de informaes sobre a rede. Essas informaes passam, essencialmente, pela obteno de um conjunto redundante de medidas obtidas da rede, pelo conhecimento rigoroso dos parmetros da mesma, e fundamentalmente da sua topologia. O conjunto das medidas analgicas e lgicas usado pelo algoritmo de estimao de estado por forma a obter uma estimativa fivel do estado do sistema [9]. Na estimao de estado, o vector das medidas composto por medidas dos mdulos das tenses, por trnsitos de potncia activa e reactiva nas linhas, por potncias activas e reactivas injectadas em certos barramentos e eventualmente nalguns casos por medidas de correntes nas linhas. Como as equaes de medidas so funes no lineares do vector de estado, necessrio lineariz-las em torno de um ponto inicial, sendo a soluo final obtida atravs de um processamento iterativo. Um outro aspecto importante definir a configurao de medidas e avaliar se as medidas disponveis so suficientes para garantir a observabilidade da rede. Uma escolha adequada do conjunto de medidas introduz melhorias ao nvel da deteco e identificao de erros grosseiros. Existem publicadas algumas solues desenvolvidas para resoluo deste problema [10, 11, 12]. As medidas usadas no processo de estimao de estado da rede so, como seria de esperar, afectadas por erros. No entanto, o uso de modernos processos de sincronizao via satlite recorrendo ao uso do GPS, fez com que o vector de medidas alcanasse uma preciso tal, que o torna uma fonte valiosa de informao [13].
22
Captulo 2
2.4.2 Tipos de medidas Os centros de controlo devero ter nas suas bases de dados, as medidas recolhidas da rede num dado instante. Essas medidas podem ser classificadas em diversas categorias, como se demonstra no esquema seguinte. Medidas da rede em tempo real Analgicas Medidas Lgicas Pseudomedidas Medidas virtuais
As medidas analgicas englobam os valores registados para os mdulos de tenso, trnsitos de potncia activa e reactiva e potncias activas e reactivas injectadas. Este tipo de medidas pode ainda ser dividido em trs subtipos: Medidas em tempo real: so medidas efectuadas ciclicamente em vrios pontos da rede e transmitidas ao centro de controlo; Pseudomedidas: so valores que priori, e com alguma preciso, podemos atribuir a certas variveis do sistema. Estes valores podero ser obtidos recorrendo aos registos histricos dessas variveis, a previses de carga a curto prazo ou at mesmo experincia do operador; Medidas virtuais: correspondem s potncias injectadas (de valor nulo) em barramentos sem gerao e sem carga. Estas medidas esto disponveis sem qualquer custo em equipamentos de medida ou transmisso, no estando assim sujeitas aos erros introduzidos por esses equipamentos.
23
Captulo 2
As medidas lgicas englobam a informao relativa ao estado de interruptores e disjuntores (aberto/fechado). Estas medidas so utilizadas pelo processador de topologia para determinar a configurao da rede.
2.4.3 Equaes de medida De acordo com o modelo adoptado, as equaes de medida usadas para efectuar a estimao de estado, so as seguintes: a) Fluxos de potncia nas linhas,
Pij = Vi 2 Gij aij + ViV j (Gij cos ij + Bij sen ij )
(2.11)
Qij = Vi 2 ( Bij aij y ij , 0 ) + ViV j (Gij sen ij Bij cos ij )

b) Potncias injectadas nos barramentos,
Pi = Vi V j ( Gij cos ij + Bij sen ij )
j =1 N
(2.12)
(2.13) (2.14)
Qi = Vi V j ( Gij sen ij Bij cos ij )

j =1
em que: Yij = Gij + jBij = -yij : elemento ij da matriz das admitncias da rede; yij,0 = j yij,0 ij = i j : representa a diferena entre as fases das tenses dos barramentos i e j. c) Medidas de tenso. Estas medidas exprimem-se directamente em funo do elemento correspondente do vector de estado, isto , hk(x) = xj.
24
Captulo 2
2.5- ALGORITMOS DE ESTIMAO DE ESTADO

2.5.1. Estimao de estado esttica
2.5.1.1 Aproximao Clssica - Algoritmo Base
A aproximao clssica mais usada na resoluo de problemas de estimao de estado baseada no mtodo dos mnimos quadrados ponderados (WLS), em que os diferentes tipos de medidas usados, so diferenciados atravs da atribuio de pesos, de acordo com o grau de confiana correspondente. Considerando z, de dimenso (m x 1), como sendo o vector que contm o conjunto das medidas, x o vector das variveis de estado (n x 1), h o vector que representa a relao matemtica entre as medidas e as variveis de estado (m x n) e e, o vector dos erros (rudo) de medida (m x 1), temos: z = h(x) + e (2.15)
O vector do rudo (e) normalmente modelizado estatisticamente da seguinte forma: e ~ N ( 0,R ) com R = diag(i2 ) (2.16)
em que i representa o desvio padro do rudo da medida i. A matriz covarincia R diagonal porque se admitir que as componentes de e so no correlacionadas. De salientar que o vector e, simula apenas, a presena de rudo nas medidas. No representa a presena de erros grosseiros.
25
Captulo 2
A obteno da estimativa para o vector de estado do sistema, pelo mtodo WLS

que (mnimos quadrados ponderados), consiste na determinao de um vector x = x
minimize a seguinte funo objectivo:

J ( x ) = [z h( x )]T R 1 [z h( x )]
(2.17)
Essa estimativa deve necessariamente satisfazer o seguinte sistema de n equaes no lineares:
J ( x) x
x= x
) R 1 [z h( x )] = 0 = 2 H T ( x
(2.18)
) a matriz jacobiana de h(x) avaliada para x = x , isto : em que H ( x
)= H( x
h( x ) |x = x x
H ij =
hi x j
i = 1,......,m; j = 1,.......,n
(2.19)
Devido no linearidade do vector das equaes das medidas h(x), a soluo do sistema de equaes (2.18) ser obtida por recurso a um processo iterativo [14]. A equao geral deste processo iterativo a seguinte:
G (k )[x(k + 1) x(k )] = H T [x(k )]R 1 [z h( x(k ))]
k= 0,1,2,...
(2.20)
em que x(0) a estimativa inicial para arranque do processo iterativo, k indica o nmero da iterao e G a matriz de ganho, seleccionada de modo a assegurar uma boa convergncia do processo. Seja:
g [x( k )] = H T [x( k )]R 1 [z h( x( k ))]
(2.21)
ento, se o processo iterativo definido em (2.20) convergir pode-se concluir que:

26
Captulo 2
lim g [x( k )] = 0
(2.22)
e portanto que a soluo procurada foi efectivamente encontrada. A seleco da matriz de ganho G(k) deve ser feita atendendo aos seguintes aspectos: G(k) deve no ser singular para todo o k, permitindo a determinao de uma soluo para o sistema de equaes lineares (2.20), em cada iterao. A escolha da matriz G influencia o nmero de iteraes necessrias convergncia mas no a soluo obtida (admitindo que o processo iterativo converge). A situao altera-se, porm, se forem tambm introduzidas modificaes na expresso de g(x), e neste caso a soluo obtida poder ser efectivamente diferente. Na literatura encontram-se referncias a diferentes mtodos que se baseiam na seleco de distintas matrizes de ganho [15], como por exemplo: a) Mtodo do Gradiente
G( k ) = ( k ) I , ( k ) > 0
(2.23)
b) Mtodo de Newton
1 2 J ( x) 2 x
G (k ) =
x= x(k )
(2.24)
sendo a matriz hessiana de J(x),
2J( x ) x 2
, dada por:
27
Captulo 2
m T 2 hi ( x) 1 2 J ( x) 1 [ ] = 2 H ( x ) R H ( x ) R z h ( x ) ii i i x 2 x 2 i =1
(2.25)
c) Mtodo de Gauss
G( k ) = H T ( x )R 1 H ( x ) |x = x( k )
(2.26)
este mtodo resulta duma simplificao do mtodo de Newton, considerando para efeito de avaliao de
2J( x ) x 2
, que a matriz H independente de x.
Obtm-se ento o seguinte processo iterativo:
H T [x( k )]R 1 H [x( k )] [x( k + 1 ) x( k )] = H T [x( k )]R 1 [z h( x( k ))]
k= 0, 1, 2, (2.27)
A experincia adquirida na estimao de estado de SEE permite afirmar que o algoritmo de Gauss, proposto inicialmente por Schweppe [14], se adapta bem ao problema a resolver. Na Figura 2.7 apresenta-se um fluxograma do mtodo de Gauss para minimizao de J(x) [16].
28
Captulo 2
OBTENO DE DADOS Leitura da Topologia da Rede Leitura dos Parmetros da Rede Leitura da Configurao de Medida Leitura do Vector das Medidas (z) Leitura do Desvio Padro dos Erros de Medida
k=0
INICIALIZAO DAS TENSES
CALCULAR
h(xk)
CALCULAR
Z - h(xk)
CONSTRUIR O JACOBIANO
H(xk) k=k+1
CALCULAR
Gk = H(xk)T.R-1. H(xk)
CALCULAR
xk = (Gk)-1.H(xk)T.R-1.[Z - h(xk)]
CALCULAR
xk+1 = xk + xk
No
| x| < e ?
Sim SADA RESULTADOS
FIM
Figura 2.7 Estimao de Estado pelo mtodo de Gauss

29
Captulo 2
O algoritmo apresentado possui algumas caractersticas importantes, entre as quais se salientam a robustez, porque de um modo geral este algoritmo converge para diferentes situaes de carga e para diferentes configuraes de medidas e configuraes da rede [16]; a forte relao entre a matriz de ganho e a matriz covarincia da estimao, o que permite tirar partido do esforo de clculo relativo resoluo das equaes de estimao, para posterior anlise da qualidade da estimativa obtida e tratamento dos erros grosseiros e a rapidez de clculo em comparao com o mtodo de Newton, pois no necessrio
2 hi proceder ao clculo das diferentes matrizes hessianas, 2 ; x
A introduo de determinadas simplificaes permitir desenvolver algumas variantes ao algoritmo de Gauss, visando uma reduo do tempo de processamento e da ocupao de memria.
Soluo Inicial
Os valores de inicializao das tenses que determinam o arranque do processo iterativo apresentado no algoritmo da Figura 2.7, exige a definio da estimativa inicial x(0) do vector de estado do sistema. No caso de uma solicitao repetitiva do estimador de estado, o vector x(0) poder ser escolhido num dado instante, de dois modos distintos: 1. se no tiver havido alteraes significativas no estado da rede desde a ltima vez que o programa de estimao de estado foi executado, a soluo obtida nesse momento ser a escolha adequada para x(0). Os estimadores estticos que utilizam este mtodo designam-se por estimadores seguidores. 2. se o estimador estiver numa fase de inicializao, ou se tiver ocorrido uma alterao importante da topologia da rede, a estimativa inicial x(0) corresponder ao ponto de funcionamento nominal (isto , |V| = 1 p.u. e = 0 rad. para todos os barramentos).
30
Captulo 2
Critrio de paragem
Relativamente ao critrio de paragem do processo iterativo, normal encontrar trs tipos de solues diferentes: 1. Critrio baseado nas variaes sucessivas de x
maxi i ( k ) i ( k 1 ) < maxi Vi ( k ) Vi ( k 1 ) < V i = 1,...., N 1 i = 1,...., N
(2.28) (2.29)
2. Critrio baseado nas variaes sucessivas de J

J ( x( k )) J ( x( k 1 )) < J
(2.30)
3. Critrio baseado na anulao do gradiente de J

maxi g i ( x( k )) < g i = 1,....,n
(2.31)
O critrio mais frequentemente utilizado na estimao de estado dos SEE, o baseado nas variaes sucessivas de x (Figura 2.7) e, como tal, ser o critrio adoptado nesta dissertao.
2.5.1.2 Mtodo das Equaes Normais com restries.
Um dos tipos de medidas que podem ser usados na estimao de estado dos SEE, so as medidas virtuais (potncias injectadas de valor nulo em barramentos sem gerao e sem carga). Como no esto afectadas por erros de medida, podem ser incorporadas no processo de estimao sendo-lhes atribudo um peso elevado (assume-se que elas so bastante precisas). No entanto, a presena de medidas com um peso to elevado, leva a problemas de
31
Captulo 2
convergncia do processo. Efectivamente, se dividir-mos o vector das medidas em duas partes, telemedidas (z =h(x) + e) e medidas virtuais (c(x)=0), a matriz jacobiana ter tambm que ser dividida em duas submatrizes, H e C. Assim, a equao G(x) x = HT(x)Wz, transformada em [HTH + rCTC ] x=HTz + rCTc (2.32)
em que r representa a relao entre o peso atribudo s medidas virtuais e s telemedidas. Quando os valores de r so muito elevados o termo rCTC da matriz dos coeficientes domina, o que causa problemas de convergncia devido singularidade da matriz. Uma forma de ultrapassar este problema separar as medidas virtuais das outras medidas, e trat-las como restries de igualdade [17]. Ento, a funo objectivo : min J(x) = [z-h(x)]T W[z-h(x)], sujeita restrio de igualdade, c(x)=0 Para resolver o problema de minimizao com restries pode ser usado o mtodo dos multiplicadores de Lagrange, sendo o vector de estado estimado ( x ) obtido por um processo iterativo, que resolve a seguinte equao linear:
H T ( x )WH ( x) C T ( x) x H T ( x)Wz = 0 C ( x) c
(2.33)
(2.34)
em que
z = z - h(x), c = -c(x)
x = xi para a i-sima iterao.

32
Captulo 2
2.5.1.3 Mtodo de HACHTEL (matriz aumentada)
O problema de minimizao com restries equacionado no ponto anterior, pode ser resolvido recorrendo ao mtodo de Hachtel [17], que em cada iterao resolve a seguinte equao:
0 C 1 c 0 1 1 0 W H W r = z 0 C T H T 0 x
(2.35)
em que H e C so as matrizes jacobianas obtidas a partir de:

H= h c ( x) e C = ( x) x x
(2.36)
z = z - h(x), c = -c(x), r = z - Hx , um parmetro usado para controlar a
estabilidade numrica do problema [18] e o multiplicador de Lagrange.

0 C 0 1 A matriz H , representa a matriz dos coeficientes aumentada. 0 W C T H T 0
A cada iterao as variveis a calcular so ' = --1, r' = -1Wr e x.
2.5.1.4 Mtodo de factorizao ortogonal
O objectivo do mtodo dos mnimos quadrados ponderados linear [17] , em cada iterao, minimizar a seguinte equao:
J(x) = [z - Hx]TW[z - Hx] ~ ~ = [ ~ z - H x]T [ ~ z - H x]
(2.37)
33
Captulo 2
~ = || ~ z - H x ||2
z = W z . considerando H = W H e ~ ~
~ R Seja Q uma matriz ortogonal, isto QTQ=I, ento Q H = , em que R uma matriz 0
triangular superior. Ento a funo objectivo fica:

~ ~ z - H x]TQTQ [ ~ z - H x] J(x) = [ ~ ~ = || Q ~ z - Q H x ||2
= || y1 - Rx ||2 + || y2 ||2
z = 1. em que Q ~ y 2
y
(2.38)
O valor mnimo da funo objectivo ocorre quando Rx = y1.
2.5.1.5 Mtodo de Peter Wilkinson
Este mtodo foi aplicado estimao de estado dos SEE na dcada de 80 por Gu, Clements, Krumpholtz e Davis, referncia [19]. Este mtodo executa uma minimizao por mnimos quadrados num problema que resulta duma transformao do problema inicial. Esta transformao consiste na factorizao da matriz A = W 1 / 2 H ( x) em duas matrizes L e
U, em que L (m x n) uma matriz trapezoidal inferior e U (m x n) uma matriz triangular superior, no singular.
A = W 1 / 2 H ( x) = LU
(2.39)
Fazendo y = Ux, o problema da estimao de estado solucionado resolvendo o problema dos mnimos quadrados cuja funo objectivo :
34
Captulo 2
min suj a:
rTr
r = Ly W 1 / 2 z
Para determinar y, devemos resolver a equao seguinte: ( LT L) y = LT W 1 / 2 z (2.40)
A soluo do problema original finalmente obtida resolvendo o sistema de equaes y=Ux em que U triangular superior. Na abordagem de Clements, Woodzell e Buckhett [20] a factorizao da matriz A, necessria aplicao deste mtodo estimao de estado dos SEE, obtida pela expresso seguinte.
C ( x) L11 0 A= 1 / 2 = U L L W H ( x ) 21 22
(2.41)
A resoluo do problema original baseia-se no seguinte procedimento sequencial: L11w = 0

L22 L22 y = L22 W 1 / 2 z
T T
(2.42)
(2.43)
w Ux = y
(2.44)
2.5.1.6 WLAV
O mtodo WLAV (Weighted Sum of the Absolute Value) habitualmente formulado do seguinte modo:
35
Captulo 2
min J ( x) = wi ri
i =1
(2.45)
sujeito a z = h(x) + r (2.46)
em que z representa o vector das medidas com dimenso m x 1, x o vector das variveis de estado e tem dimenso n x 1 e h o vector das equaes no lineares que relacionam as medidas com as variveis de estado, com dimenso m x 1. O peso atribudo a cada medida depende da preciso da mesma. Tal como em outros mtodos, atribui-se um peso maior s medidas mais precisas. O significado de m e n mantm-se o mesmo que tem sido atribudo ao longo deste captulo. Uma aproximao de primeira ordem equao (2.46) em torno do ponto de funcionamento
x 0 , dado por:
z = H( x 0 ) x + r em que z = z - h( x 0 ) , x = x - x 0
h( x 0 ) H (x ) = x
0
(2.47)
e portanto r = z H ( x 0 ) x A minimizao de J(x) obtida resolvendo uma sequncia de problemas de programao linear, atravs de sucessivas linearizaes de h(x), introduzindo variveis de folga [21]. Assim, a formulao final ser:
36
Captulo 2
min
J k = wi ( s 2 i 1 s 2 i )
i =1
(2.48)
sujeito a
( x k ) [H ( x ) MU ] = [z k ] , s
k
com (x)k, s 0
(2.49)
em que k o ndice da sequncia , s o vector das variveis de folga e tem dimenso 2m x 1, ri = s2i-1 - s2i (i=1,...m) e
1 1 0 0 U = 0 0 0 0 0 0 1 1L 0 0 0 0 O 0 0 0 0 L 1 1 0L0
(2.50)
2.5.1.7 Estimao de Estado baseada na Lgica Fuzzy
O algoritmo que aqui se vai descrever um algoritmo hbrido, que combina o estimador WLS com conceitos da lgica fuzzy. Informao mais detalhada sobre esta aproximao pode ser encontrada em [22]. Diversas contribuies importantes sobre a aplicao da lgica fuzzy estimao de estado, podem tambm ser consultadas em [23, 24, 25]. Este algoritmo hbrido, uma variante do estimador de Kalman [22] e baseado na seguinte relao:
(k ) ptimo = x (k ) + (1 ) z (k ), x k = 1,2,..., m
O valor ptimo da estimao controlado pelo parmetro , que representa o peso dado estimao de estado obtida atravs do mtodo WLS. O valor de pode ser determinado pelas varincias dos resduos ou por conhecimento do funcionamento do sistema. Num sistema em que a relao sinal/rudo seja elevada, o valor a atribuir a dever
37
Captulo 2
ser elevado para que as alteraes transitrias do vector das medidas (z(k)) sejam ignoradas. Neste caso, o estimador fuzzy ser, de uma forma geral, preciso e os resduos sero pequenos. Um valor pequeno a atribuir a dever ser escolhido numa situao inversa descrita anteriormente. Se o sistema variar ao longo do espectro residual, adapta-se s alteraes permitindo a obteno estimaes de estado ptimas [22]. A figura (2.8) apresenta o algoritmo usado. De salientar que devem ser usadas as formas e variaes normalmente usadas quando se lida com conjuntos fuzzy, isto , formas triangulares ou trapezoidais e variaes entre 0 e 1.
INICIO
z(k)
OBTENO DOS DADOS
Fuzzy R ,
Calcular x(k) atravs do mtodo WLS
Calcular os resduos, R
Calcular Estimador fuzzy Calcular X ( k ) = X ( k ) WLS + (1 ) Z ( k )
X(k)ptimo
Figura 2.8- Algoritmo de estimao de estado integrando conceitos de lgica fuzzy.
38
Captulo 2
2.5.1.8 Mtodos desacoplados aplicados estimao de estado.
Considerando que o estimador de estado deve ser executado periodicamente em modo on-line e que um sistema elctrico de energia apresenta, normalmente, uma dimenso elevada, qualquer simplificao que permita a diminuio do tempo de processamento desejvel. Na realidade a aplicao do mtodo WLS na estimao de estado de um sistema com N barramentos, leva manipulao de um sistema de equaes no lineares com dimenso 2N-1. Se para resoluo do problema for aplicado o algoritmo de Gauss (2.27), em cada iterao ser necessria a construo e resoluo de um sistema linear com a dimenso 2N-1. No entanto possvel reduzir o volume de clculo tirando partido das seguintes caractersticas do problema: diminuio da complexidade do sistema de equaes a solucionar, substituindo-o por sistemas de dimenso menor (algoritmos desacoplados) ou recorrendo a algoritmos baseados na utilizao de uma matriz de ganho constante; - esparsidade e simetria das matrizes envolvidas. A verso simplificada mais comum de um estimador de estado baseada no desacoplamento das partes activa e reactiva do vector das medidas. A aplicao deste tipo de simplificaes, j anteriormente usado nos estudos de fluxos de cargas [26, 27, 28], baseia-se na fraca relao existente entre as potncias activas e o mdulo da tenso, por um lado, e entre as potncias reactivas e a fase da tenso, por outro. Este tipo de desacoplamento torna-se mais evidente quando os ramos da rede apresentam uma relao elevada para o valor de
xij rij
, em que os parmetros xij e rij so respectivamente
a reactncia e a resistncia srie do ramo ij, ou quando o ponto de funcionamento da rede prximo do ponto de funcionamento nominal (|V|=1p.u. e =0 rad.).
39
Captulo 2
Aplicando este tipo de desacoplamento aos algoritmos de estimao de estado, as simplificaes que da resultam permitem tornar estes algoritmos bastante mais rpidos. Considere-se ento, o modelo das medidas (2.15) dividido nas partes activa e reactiva, isto :
z P hP ( x ) e P z = = + eQ hQ ( x) zQ
(2.51)
em que: zP subvector de z correspondente s medidas de trnsito de potncia activa nas linhas e potncia activa injectada. zQ subvector de z correspondente s medidas de trnsito de potncia reactiva nas linhas e potncia reactiva injectada. A diviso correspondente da matriz covarincia R :
RP | 0 R = 0 | RQ
(2.52)
Considere-se tambm os sub vectores V(k) e (k) do vector de estado x(k), relativos respectivamente aos mdulos e fases das tenses:
x T ( k ) = [ T (k ) V T (k )]
(2.53)
De acordo com as subdivises estabelecidas para o vector das medidas z e para o vector de estado x, a matriz jacobiana H(x) e a matriz de ganho G(x) podem ser divididas em quatro submatrizes do seguinte modo:
40
Captulo 2
H P | H PV H ( x) = | H Q | H QV
(2.54)
Ga | GaV G ( x) = | Gr | GrV
em que:
(2.55)
1 1 T T Ga = H P R P H P + H Q RQ H Q
(2.56) (2.57) (2.58) (2.59)
1 1 T T GaV = H P R P H PV + H Q RQ H QV
1 1 T T G r = H PV RP H P + H QV RQ H Q
T T 1 1 GrV = H PV RP H PV + H QV RQ H QV
Relativamente ao vector g(x) dado por (2.21) e correspondente ao segundo membro do processo iterativo descrito pela equao (2.26), podemos represent-lo de um modo simplificado como:
g ( x) = H T R 1 ( z h) = [gT
T ] gV T
(2.60)
sendo:
1 1 T T g = H P R P [z P hP ] + H Q RQ [z Q hQ ]
(2.61)
41
Captulo 2
1 1 T T g V = H PV RP [z P hP ] + H QV RQ [z Q hQ ]
(2.62)
Admitindo como vlidos os pressupostos em que se baseia o princpio do desacoplamento, consideram-se as seguintes aproximaes:
cos ik 1 , Gik sen ik << Bik cos ik
(2.63)
donde resulta:
H Q << H P e H PV << H QV
(2.64)
em que |H| representa o mdulo dos elementos de H. A matriz jacobiana H ento aproximada pelas duas submatrizes HP e HQV:
H P | 0 H ( x) = | 0 | H QV
(2.65)
O objectivo do desacoplamento a substituio do sistema de equaes lineares (2.27) de dimenso n = 2N-1, por dois sistemas de dimenso N-1 e N respectivamente:
G a [ (k ), V (k )] [ (k + 1) ( k )] = g [ (k ), V (k )] G rV [ (k ), V (k )][V (k + 1) V (k )] = g V [ (k ), V (k )]
( N 1) (N )
(2.66) (2.67)
42
Captulo 2
Como se pode verificar, as vantagens desta substituio em termos de tempo de processamento e memria ocupada so significativas. Para melhorar a convergncia normal introduzir aps resoluo do primeiro subsistema, o novo valor do subvector de estado correspondente no outro subsistema, isto :
G rV [ (k + 1), V (k )] [V (k + 1) V (k )] = g V [ (k + 1), V ( k )]
(2.68)
Todos os estimadores de estado desacoplados propostos na literatura admitem GaV e Gr = 0, surgindo no entanto variantes que se distinguem pelo grau de simplificao considerado para as expresses de Ga (2.56), GrV (2.59), g (2.61) e gV (2.62). As mais frequentemente referidas so: Estimadores de matriz de ganho desacoplados. Nestes estimadores o desacoplamento introduzido a nvel da matriz de ganho, mas os segundos membros das equaes (2.66) e (2.67) mantm-se inalterados. Para este tipo de estimadores, possvel encontrar duas abordagens ao mtodo: o no desacoplamento da matriz H no clculo de Ga e GrV . Este estimador caracteriza-se por: Ga: completa e dada por (2.56) GrV : completa e dada por (2.59) GaV e Gr = 0 g: completo e dado por (2.61) gV : completo e dado por (2.62) desacoplamento da matriz H no clculo de Ga e GrV . Este estimador caracterizase por:
1 T Ga: H P R P H P
43
Captulo 2
1 T GrV : H QV RQ H QV
GaV e Gr = 0 g: completo e dado por (2.61) gV : completo e dado por (2.62) Estimadores completamente desacoplados.
Nestes estimadores a matriz jacobiana H desacoplada, quer para o clculo da matriz de ganho quer para a determinao dos segundos membros das equaes (2.66) e (2.67). As relaes em que se baseia este estimador so as seguintes:
1 T Ga: H P R P H P 1 T RQ H QV GrV : H QV
GaV e Gr = 0
1 T g: H P R P [z P hP ]
gV : H
T QV
R [z Q hQ ]
1 Q
(2.69) (2.70)
Estimadores linearizados por aplicao do modelo DC.
Tal como na abordagem utilizada nos algoritmos de trnsitos de potncias, a aplicao das simplificaes utilizadas pelo modelo DC, ajudam a simplificar o processo e melhoram em muitos casos as caractersticas de convergncia dos estimadores desacoplados. As simplificaes consideradas so as seguintes: Vi 1p.u., (i ); desprezar as resistncias srie dos diferentes ramos.
O que se traduz no facto da matriz jacobiana se tornar independente do vector de estado do sistema. Admitindo tambm que a submatriz HP avaliada desprezando as resistncias srie, pelo que os elementos das matrizes HP e HQ ou coincidem com os parmetros da linha ou,
44
Captulo 2
so uma combinao linear desses parmetros [27, 28]. Assim, pode evitar-se o clculo explcito e o armazenamento dos elementos dessas matrizes. Nestas condies, o processo recursivo traduzido pelas equaes (2.66) e (2.67) poder escrever-se como:
1 1 T T (k + 1) = (k ) + [H P RP HP ] HP RP [z P hP ( (k ),V (k ))] 1
(2.71) (2.72)
T T 1 1 V (k + 1) = V (k ) + [H Q RQ HQ ] HQ RQ [z Q hQ ( (k + 1),V (k ))] 1
em que as sub matrizes de ganho G e GV , dadas por:

1 T G = H P RP HP 1 T GV = H Q RQ HQ
(2.73) (2.74)
so calculadas, factorizadas e armazenadas apenas uma vez no incio do processo iterativo, o que resulta numa considervel reduo do tempo de execuo relativamente ao algoritmo WLS bsico.
No que respeita aos algoritmos desacoplados deve-se salientar que qualquer modificao introduzida no termo independente (segundo membro) do processo iterativo descrito pela equao (2.27), modifica a soluo para a qual o algoritmo converge. A soluo obtida no mais ptima, no sentido de minimizar a funo J(x). Esto neste caso os estimadores completamente desacoplados e os que utilizam os algoritmos com base no modelo DC. Por outro lado os estimadores de matriz de ganho desacoplada, que mantm intacto o termo independente de (2.27), convergem para a mesma soluo do algoritmo base (Gauss). O diagrama de fluxo de um estimador completamente desacoplado apresentado na figura 2.9.
45
Captulo 2
OBTENO DE DADOS Leitura Leitura Leitura Leitura da Topologia da Rede dos Parmetros da Rede da Configurao de Medida do Desvio Padro dos Erros de Medida
LEITURA DO VECTOR DAS MEDIDAS: zP , zQ
CLCULO DE:
GP = HTP.R-1P.HP
CLCULO DE:
GQ = HTQ.R-1Q.HQ
FACTORIZAO DE:
GP , GQ
INICIALIZAO DE x: = 0rad. , V = 1p.u.
k=0 A=0 R =0
k=k+1
CLCULO DE:
^ gq = HTP.R-1P.(zP-hP(x ))
OBTENO DE:
^ = G-1P .g
^ ACTUALIZAO DE ^ ^ ^ +
A=0
No
| | <
Sim
A=1
No CLCULO DE: ^ gV = HTQ.R-1Q.(zQ-hQ ( x ))
R=1
OBTENO DE:
^ V = G-1Q .gV
^ ACTUALIZAO DE V ^ V ^ ^ V + V Sim
R=0
No
| V | <
Sim
R=1
No
A=1
Sim SADA DE RESULTADOS
FIM
Figura 2.9 Fluxograma de um estimador desacoplado (FDSE) [16].

46
Captulo 2
2.5.2. Estimao de estado dinmica
Os sistemas elctricos so, como seria de esperar, variantes no tempo. Assim sendo, uma abordagem esttica para a obteno do vector de estado pode no ser satisfatria [29]. Por esse motivo, houve a tendncia para o desenvolvimento de estimadores que explorassem as caractersticas de evoluo no tempo do vector de estado (x). O objectivo de um estimador de estado dinmico passa pela determinao do estado do sistema no presente momento e pela previso do estado do sistema em momentos futuros. Para tal recorre a dois tipos de informao distintas: dados brutos que chegam a intervalos de tempo regulares ao centro de conduo da rede elctrica; conhecimento do passado do sistema e com isso a possibilidade de prever a sua evoluo futura. Este tipo de estimadores recorrem frequentemente ao uso de algoritmos baseados nos filtros de Kalman (EKF - "Extended Kalman Filter") e a possibilidade de construir uma base de dados preditiva que vai permitir a deteco antecipada de anomalias, com base no vector das inovaes, ~ z (k ) . Os algoritmos de estimao dinmica baseados no filtro de Kalman, desenvolvem-se em duas etapas: a etapa de previso e a etapa de filtragem. durante a etapa de previso, que se procede ao calculo do vector das inovaes normalizado, ~ z N . Depois disso necessrio determinar quais as componentes de ~ z N com valor absoluto superior a um determinado limiar de deteco, *. Se todos os componentes do referido vector forem inferiores a *, ento pode concluir-se que no foram encontradas anomalias no funcionamento do sistema elctrico em anlise.
47
Captulo 2
Na segunda etapa, procede-se filtragem das medidas recolhidas no instante k, aps

(k k ) e a matriz determinao da matriz ganho K(k). Obtm-se o estado filtrado x
covarincia do erro de estimao (k|k), a partir das seguintes equaes:

K (k ) = (k k 1) H T (k ) [H ( k ) (k k 1) H T ( k ) + R (k ) ] (k k )= x (k k 1) + K (k ) [z (k )h( x (k k 1), k )] x
1
(2.75)
(2.76)
e
(k k ) = [I K (k ) H (k ) ](k k 1)
(2.77)
com
H (k ) = h x x= x (k k 1)
As tabelas seguintes sumarizam as equaes do filtro de Kalman. Tabela 2.1 Equaes do filtro de Kalman Estado Modelos Medidas
x(k + 1) = f ( x(k ), k ) + d ( x(k ), k ) w(k )
E [w(k )] = 0; E w(k ) wT (k ) = Q(k ) kl
z (k ) = h( x(k ), k ) + v(k )
E [v(k )] = 0; E v(k )v T (l ) = R(k ) kl
E v(k ) w T (l ) = 0 ( 0 0) x0 = x ;
k ,l 0 = ( 0 0)
Condies Iniciais
E [v(k ) x T (l )] = 0 ; E [w(k ) x T (0)] = 0 , k
48
Captulo 2
Tabela 2.2 Equaes das etapas de previso e filtragem

(k k 1) = f ( x (k 1 k 1), k 1) x
Previso
(k k 1)
= F (k 1) (k 1 k 1) F T (k 1) + D(k 1)Q(k 1) D T (k 1)
F (k 1) =
f x
( k 1 k 1) x= x
(k 1 k 1), k 1) D(k 1) = d ( x
K (k ) = (k k 1)H T (k) H (k)(k k 1)H T (k) + R(k)
Filtragem
(k k ) = x x (k k 1) + K(k)[z(k) H (k) x (k | k 1)]
(k k )
= [I K(k)H (k)](k k 1)
H (k ) = h x
( k k 1) x= x
O vector das inovaes calculado a partir de

(k | k 1) = z (k ) z (k | k 1) z (k | k 1)) = z ( k ) h( x
(2.78)
Na figura 2.10 podemos ver o encadeamento entre as fases de previso e filtragem neste tipo de algoritmo. Os estimadores baseados no filtro de Kalman tm como grande inconveniente a sua elevada complexidade que se traduz depois no aumento do tempo de processamento e em maiores necessidades em termos de recursos computacionais. A abordagem hierrquica ao problema da estimao de estado dinmica que permita uma diminuio de complexidade, bem como um processo de aquisio e processamento de dados que permita aliviar o esforo de clculo so reas onde se tem vindo a desenvolver intensa investigao [30, 31, 32].
49
Captulo 2
A EE dinmica uma ferramenta capaz de fornecer informaes sobre o estado do sistema no momento actual e em momentos futuros, o que torna este mtodo muito importante quando se pretende uma superviso eficiente, econmica e segura de um sistema elctrico. A capacidade de previso pode ser considerada a grande vantagem em relao aos estimadores estticos [31].
Clculo de: (k + 1 | k ) x
(k + 1 | k ) = F (k ) (k | k ) F T (k ) + Q (k )
Clculo de:
K (k + 1) = (k + 1 k ) H T (k + 1) H (k + 1)(k + 1 k ) H T (k + 1)+ R(k + 1) H (k + 1) = h x

( k +1 k ) x= x
z (k+1) Disponvel
Aguarda novo conjunto de medidas
S Pr-processamento de erros ( z ( k | k 1))
Clculo de:
K (k + 1) = (k + 1 k ) H T (k + 1) H (k + 1)(k + 1 k ) H T (k + 1)+ R(k + 1) H (k + 1) = h x

( k +1 k ) x= x
Ps-processamento de erros
50
Captulo 2
Aces correctivas
Detectado algum erro N
k = k+1
k = kmax
FIM
Figura 2.10 Etapas de previso e filtragem de um estimador dinmico baseado no filtro de Kalman.
2.6- CONCLUSES
A estimao de estado nos dias de hoje uma ferramenta essencial nos modernos centros de controlo de SEE. As aces de controlo efectuadas nos SEE tm por objectivo garantir a segurana na conduo e explorao do sistema bem como, assegurar as exigncias de uma elevada continuidade de servio. Estes objectivos esto intimamente ligados qualidade da informao disponvel na base de dados existente nos centros de controlo. O desenvolvimento desta base de dados, constitui a principal finalidade para o desenvolvimento e implementao de algoritmos de estimao de estado nos centros de controlo dos SEE. A funo do algoritmo de estimao de estado estimar o valor da fase e mdulo das tenses em todos os barramentos constituintes do SEE. Para que a estimao seja possvel necessrio obter informaes da estrutura e parmetros da rede, mas especialmente um conjunto redundante de medidas efectuadas no sistema, obtidas de um modo geral por teletransmisso, e que chegam aos centros de controlo atravs de um sistema de superviso, controlo e aquisio de dados denominado de SCADA.
51
Captulo 2
Uma outra funo importante da estimao de estado a de compensar a possvel ausncia de medidas, que poder acontecer devido a falhas no sistema de aquisio e transmisso e tambm a possvel contaminao por erros grosseiros das medidas disponveis para processamento. Neste captulo fez-se uma abordagem constituio dos SEE e dos sistemas de superviso, controlo e aquisio de dados, bem como uma anlise detalhada do mtodo WLS, j que neste mtodo que se baseiam a generalidade dos algoritmos de estimao de estado desenvolvidos. Fez-se tambm referncia s principais simplificaes que podem ser introduzidas no mtodo WLS e uma compilao de vrios algoritmos propostos na literatura para resoluo das equaes de estimao procurando garantir uma maior estabilidade numrica face ao mtodo WLS [17, 18, 19, 21]. Fez-se tambm neste captulo, uma pequena referncia aos estimadores baseados na lgica fuzzy [22, 23, 24, 25] e aos estimadores dinmicos [29, 31, 32]. Estes ltimos baseiam-se na determinao de um modelo que descreva aproximadamente a evoluo no tempo do vector de estado do sistema e as estimativas so obtidas habitualmente recorrendo a algoritmos baseados no filtro de Kalman.
52
CAPTULO 3 ERROS GROSSEIROS - METODOLOGIAS DE DETECO E IDENTIFICAO
54
Captulo 3
Captulo 3
ERROS GROSSEIROS - METODOLOGIAS DE DETECO E IDENTIFICAO
3.1- INTRODUO
A Estimao de Estado quando aplicada aos SEE, usa informaes que provm na sua maioria do equipamento de medida instalado no sistema [33], informao essa que chega aos centros de controlo atravs do respectivo sistema SCADA. Para assegurar o bom funcionamento do estimador de estado, fundamental garantir a sua capacidade no s para detectar e identificar medidas afectadas por erros grosseiros, mas tambm para filtrar toda a informao disponvel fornecendo uma base de dados completa, coerente e fivel que ficar disponvel para posterior processamento. A informao que chega aos Centros de Controlo, dever assentar em medidas fiveis, por forma a que o operador do sistema possa tomar as decises mais apropriadas para assegurar o bom funcionamento do sistema elctrico. No entanto, se as medidas recolhidas estiverem contaminadas por erros grosseiros, isso ir afectar a qualidade da estimao de estado obtida. Para tentar evitar que isso acontea, realizada uma aco preliminar de verificao das medidas, com o objectivo de filtrar a maior parte dos erros grosseiros que as possam afectar. Contudo, esses testes preliminares no so suficientes, e podem continuar a existir medidas contaminadas por erros grosseiros que entrem no processo de estimao de estado. As possveis causas para a existncia desses erros podero assentar no mau
55
Captulo 3
funcionamento dos transdutores ou na existncia de intermitncias nas comunicaes. Assim, justifica-se a necessidade de implementar uma rotina de deteco e identificao de erros grosseiros como parte integrante do prprio estimador de estado. Ao longo dos anos foram desenvolvidos mtodos que permitem aos estimadores de estado, uma abordagem eficiente ao problema da existncia de medidas contaminadas por erros. Esses mtodos podem ser agrupados em trs tipos: Mtodos de identificao por eliminao; Mtodos que usam critrios no quadrticos; Mtodos de identificao por teste de hipteses. Normalmente, os mtodos mais utilizados na realizao desta tarefa, baseiam-se em duas etapas, a primeira a deteco de erros e a segunda a identificao da, ou das, medidas afectadas por esses erros. Mais recentemente, tm vindo a ser desenvolvidos algoritmos baseados em redes neuronais para resoluo deste problema. Os resultados tm sido satisfatrios mas a preciso dos mesmos est fortemente ligada adequao dos conjuntos de treino e arquitectura da rede neuronal seleccionada [34]. Neste captulo efectuada uma anlise ao problema da deteco e identificao dos erros grosseiros.
3.2- OBJECTIVO DA ROTINA DE DETECO E IDENTIFICAO DE ERROS GROSSEIROS.

Como foi visto no captulo anterior, os mtodos de estimao de estado esto fortemente dependentes da qualidade do vector das medidas. Assim, se o vector das medidas estiver afectado por erros grosseiros, os resultados devolvidos pelo estimador no
56
Captulo 3
sero fiveis. Normalmente a influncia desses erros faz-se notar na convergncia do algoritmo e na preciso da estimativa obtida. O principal objectivo da rotina de deteco e identificao de erros grosseiros eliminar o efeito destes sobre o vector de estado estimado. Outros objectivos podem ser considerados, tais como, a possibilidade de fornecer ao operador do sistema a lista de medidas afectadas por erros grosseiros, permitindo-lhe a localizao do equipamento de medida que poder eventualmente no estar a funcionar correctamente. Esta fase crucial de qualquer estimador, dever culminar com a apresentao de uma estimativa fivel para o vector de estado, obtida no menor tempo possvel e possibilitar a criao de uma lista com a indicao de todas as medidas afectadas por erros grosseiros. De salientar que esta rotina dever ser optimizada em termos de tempo de processamento, para possibilitar a utilizao do estimador de estado em tempo real. O processamento de erros grosseiros vai ento assentar em trs etapas distintas: Deteco Identificao Correco Na primeira fase, feita a verificao da existncia, ou no, de erros grosseiros no vector das medidas. Aps a deteco da existncia de erros nas medidas, a fase seguinte tem como objectivo a identificao das medidas afectadas pelos erros. A ltima fase serve para corrigir as medidas identificadas anteriormente. Essa correco pode passar pela simples eliminao das medidas ou pela sua substituio por valores previamente conhecidos ou por estimativas do seu verdadeiro valor; esta ltima
57
Captulo 3
soluo torna-se necessria sempre que a medida afectada seja uma medida importante em termos de observabilidade da rede.
3.3- ERROS QUE AFECTAM O ESTIMADOR DE ESTADO
Os erros que mais frequentemente afectam as medidas usadas no processo de estimao de estado so de vrios tipos e encontram-se representados no seguinte esquema. - de medida.
Erros - na topologia da rede; - de modelizao - nos parmetros da rede; - no rudo da medida.
Os erros de medida so essencialmente devidos ao mau funcionamento dos aparelhos de medida, dos canais de comunicao, ou ainda quando as medidas so efectuadas durante a ocorrncia de fenmenos transitrios. A maior parte deste tipo de erros, normalmente de grande amplitude, so detectados na fase de pr processamento da informao, no entanto alguns deles podero chegar fase de estimao. Os erros de modelizao resultam, como o prprio nome indica, do uso de modelos matemticos no adequados aos reais parmetros da rede. Como demonstra o esquema anterior, eles podem ser divididos em vrias categorias, que sero descritas seguidamente. - Os erros topolgicos resultam de informao incorrecta das telessinalizaes acerca do verdadeiro estado (aberto/fechado) de interruptores e disjuntores que determinam a estrutura da rede e a configurao de medida;
58
Captulo 3
- Os erros nos parmetros da rede resultam de incorreces na informao disponibilizada pelos fabricantes (sobre impedncias das linhas e/ou transformadores), erros de m calibrao dos aparelhos de medida, erros de clculo ou erros devidos a alteraes fsicas ocorridas durante o funcionamento da rede. Estes erros tambm podem resultar de deficientes valores assumidos para as tomadas dos transformadores com regulao em carga [2]; - Os erros na modelizao do rudo de medida resultam de incorreces nos valores assumidos para a preciso dos diferentes aparelhos de medida. Estes erros podem afectar seriamente o tratamento estatstico das medidas.
3.4- DEFINIO DE ERRO GROSSEIRO DE MEDIDA

O vector das medidas, amplamente descrito no captulo anterior, normalmente modelizado da seguinte forma, quando contm erros grosseiros: z = h(x) + v + g em que: v representa o rudo de medida normal (v ~ N(0,R)) g representa os erros grosseiros (vector cujas nicas componentes no nulas so as que simulam os erros grosseiros). O vector v, modelizado como uma varivel aleatria. O valor de g, considerado como uma grandeza determinstica de valor desconhecido e pode ser interpretado como um desvio do rudo de medida. (3.1)
Deste modo, os erros grosseiros afectam apenas o valor mdio do rudo de medida (e) de um valor igual a g, no modificando nem a respectiva densidade de probabilidade que se mantm gaussiana, nem alteram a correspondente matriz covarincia R, ou seja:
59
Captulo 3
Na ausncia de erros grosseiros e = v ~ N (0,R) (3.2)
Na presena de erros grosseiros e=v+g e = ~ N (v, R) (3.3) (3.4)
Esta modelizao do erro, facilita o estudo das alteraes provocadas pela existncia de erros grosseiros, no entanto normal considerar o erro de medida como sendo um valor nico obtido pela juno de v e g, obtendo-se o modelo habitual para o vector das medidas: z = h(x) + e com e = [ei], sendo:
ei = vi ~ N (0, i2 ) , se a medida i no estiver afectada por um erro grosseiro;
(3.5)
ei indeterminado, caso contrrio. O vector do rudo (e) na ausncia de erros grosseiros, modelizado da seguinte forma: e ~ N ( 0,R ) com R = diag(i2 ) i = 1,.......m (3.6)
Por anlise desta expresso, possvel determinar, para uma dada probabilidade P, um intervalo [-ki , ki] que tem uma probabilidade P de incluir o erro de medida ei. Usualmente, o valor a atribuir a k 3, podendo estabelecer-se que existe um erro grosseiro a afectar a medida i sempre que ei estiver fora dos limites do intervalo [-3i , 3i].
60
Captulo 3
3.5- DETECO DE ERROS GROSSEIROS
3.5.1 Introduo As metodologias de deteco de erros grosseiros mais usadas, baseiam-se fundamentalmente na teoria dos testes de hipteses [35, 36, 37]. Neste mtodo, so formuladas hipteses relativas s propriedades estatsticas, das variveis aleatrias envolvidas. Quando se fala em mtodos de deteco de erros, necessrio ter a percepo de que existem algumas conjugaes tpicas de erros. Assim, podemos distinguir trs casos: Caso 1 - A existncia de apenas um erro grosseiro no vector das medidas; Caso 2 - Vrios erros grosseiros mas no correlacionados; Caso 3 - Vrios erros grosseiros correlacionados. Enquanto que no caso 1, a existncia de uma nica medida errada, facilita a etapa seguinte que a identificao da medida infectada, os casos 2 e 3 tornam essa identificao um pouco mais problemtica. A deteco dos erros grosseiros poder ser feita recorrendo a um dos seguintes testes, ou conjugao de alguns deles:
) Teste do J( x

Testes dos resduos normalizados (rN) e dos resduos ponderados (rW) Teste da amplitude do erro grosseiro Teste de hipteses
Enquanto que o primeiro um teste unicamente utilizado para a deteco, os outros servem tambm para identificao da medida em erro.
61
Captulo 3
O teste de deteco de erros grosseiros ento formulado com base em duas hipteses: H0: ausncia de erros grosseiros H1: presena de erros grosseiros A metodologia utilizada para verificar qual das duas hipteses verdadeira consiste em estimar o estado da rede considerando que H0 verdadeira, e seguidamente verificar a
) e veracidade desta hiptese atravs da anlise dos resultados da estimao de estado (J( x
r). Na tabela 3.1 esto representados os diferentes resultados possveis associados a um teste de hipteses. Na figura 3.1 representam-se as regies rejeio e aceitao associadas a um teste de hipteses unilateral [38]. Tabela 3.1- Tabela de deciso para um teste de hipteses Hiptese Verdadeira Deciso Aceitar H0 Rejeitar H0 H0 Deciso correcta p = 1- Erro tipo I p= H1 Erro tipo II p= Deciso correcta p = 1-
fdp
H0 VERDADEIRA H1 VERDADEIRA
(1-)
(1-)

REGIO DE ACEITAO

REGIO DE REJEIO
Figura 3.1 Regies de aceitao e rejeio associadas a um teste unilateral

62
Captulo 3
Para a realizao dos testes de hipteses necessrio fixar-se previamente um valor para o nvel de significncia do teste. Este nvel, normalmente representado por , traduz a probabilidade de falso alarme, isto , a probabilidade de se cometer o erro de rejeitar uma hiptese quando ela verdadeira (erro do tipo I). Um outro tipo de erro pode acontecer no decurso de um teste de hiptese: rejeitar a hiptese alternativa H1 (isto , aceitar H0) quando H1 verdadeira (erro do tipo II). A probabilidade de se incorrer no erro do tipo II, habitualmente representada por . A diferena (1-) designa-se por potncia do teste e, traduz a probabilidade de rejeitar H0 quando esta hiptese de facto falsa.
) 3.5.2 Teste do J( x
Uma vez que a soma dos quadrados de variveis aleatrias independentes com distribuio normal, segue uma distribuio 2 [46], ento considerando como verdadeira a
) definida como: hiptese H0 (no existem erros grosseiros), a varivel aleatria J ( x
J (x ) = wii ri 2
i =1
(3.7)
Apresenta tambm distribuio qui-quadrado (2), sendo os graus de liberdade obtidos pela diferena entre o nmero de medidas (m) e o nmero de variveis de estado (n) e portanto, com valor mdio e varincia dado pelas equaes (B.4) e (B.5) do apndice B. Porm,
J( x ) deixar de apresentar distribuio 2 se estiver presente uma medida suficientemente
errada que faa com que o vector de rudo da medida (e) deixe de ter distribuio normal com valor mdio nulo e matriz covarincia R. Aps se ter definido um limiar de deteco 21- para um teste unilateral, associado a uma probabilidade de falso alarme ( situa-se habitualmente no intervalo [0,01, 0,1], a deciso
) a seguinte: a tomar face ao valor assumido por J( x
2 Aceitar H0 se J ( x ) 1 2 x ) > 1 Rejeitar H0 se J (
63
Captulo 3
Quando o nmero de graus de liberdade for superior a 30, pode-se considerar que a varivel
) apresenta uma distribuio normal (N(m-n, 2(m-n))). Considerando uma aleatria J( x
probabilidade de falso alarme, , igual anterior, dever-se- aceitar a hiptese H0 se:

)(m n) J( x N 1 2( m n )
(3.8)
Como seria de prever, a no ocorrncia desta condio implica a rejeio da hiptese.
3.5.3 Testes dos resduos normalizados (rN) e dos resduos ponderados (rW)
Considerando a hiptese H0 verdadeira, o vector dos resduos r obedece a uma distribuio gaussiana N(0,WR), como se demonstra no apndice C. Assim, e considerando a definio de resduos normalizados (C.7) obtm-se: rNi ~ N(0,1) (3.9)
Considerando a probabilidade de falso alarme , definido um limiar de deteco N1-/2(considera-se / 2 porque se trata de um teste bilateral). Ento, e para o resduo de cada medida, devemos: Aceitar H0 se Rejeitar H0 se
rNi N 1 / 2 , rNi > N 1 / 2 ,
para todo i =1,.....,m, para algum i =1,.....,m.
Como se pode compreender, este um mtodo que exige algum esforo computacional, resultante do clculo dos resduos normalizados. Como j foi dito anteriormente, o tempo gasto no processamento um dos aspectos mais importantes em qualquer processo de estimao, pois pode inviabilizar o seu uso na anlise de sistemas em tempo real.
64
Captulo 3
Devido a essas imposies, possvel utilizar um mtodo aproximado que requer menor esforo computacional e que se baseia no vector dos resduos ponderados rW (apndice C). Este tambm um teste bilateral, com uma estrutura anloga do teste rN. Depois de obtidos os diferentes valores de rWi i = 1,......m (C.6) e fixado um limiar de deteco , o processo de deciso o seguinte: Aceitar H0 se rWi , para todo o i =1,.....,m, Rejeitar H0 se
rWi > , para algum i =1,.....,m.
Uma particularidade deste mtodo a existncia de diferentes valores de para os vrios resduos, pois depende do valor assumido pelo Wii respectivo. Realmente comparar rWi a equivalente a comparar rNi a / Wii .
3.5.4 Teste da amplitude do erro grosseiro Depois de obtida a estimativa inicial do vector de estado do sistema, pode detectar-se a existncia de erros grosseiros calculando-se os resduos normalizados associados a cada medida e considerando-se como susceptvel de estar contaminada com um erro grosseiro a medida a que corresponda um resduo normalizado com uma amplitude consideravelmente superior aos restante. No entanto, sabe-se j que, de um modo geral, a amplitude de um determinado resduo no pode ser considerada como um indicador seguro da presena ou ausncia de um erro grosseiro na medida correspondente. Esta situao agrava-se na presena de erros grosseiros mltiplos correlacionados.
65
Captulo 3
3.6- IDENTIFICAO DE ERROS GROSSEIROS

Aps a execuo da etapa da deteco de erros grosseiros e no caso de o resultado indicar a existncia de erros no vector das medidas, torna-se imperativo a execuo de um processo que identifique as medidas em erro [39]. Qualquer rotina de identificao dever ser capaz de executar trs funes essenciais, que so: Localizar; Corrigir; Informar.

A primeira funo bvia, pois o mtodo utilizado para identificao dever localizar eficazmente os erros grosseiros ou indicar uma lista com as medidas afectadas pelos mesmos. Aps a localizao da(s) medida(s), a rotina dever eliminar o efeitos dos erros grosseiros. Sempre que no for possvel identificar as medidas afectadas, essa informao ter que ser dada ao operador, devendo ser elaborada uma lista com as medidas suspeitas. Existem vrias formas de fazer a identificao desses erros, as grandes diferenas entre as vrias tcnicas, reside na forma de eliminar os erros e de corrigir as bases de dados. Uma outra diferena assenta nas grandezas usadas na identificao dos erros grosseiros.
3.6.1 Identificao por eliminao (IBE) Neste mtodo feita uma anlise dos resduos (normalizados ou ponderados). Assim, se a operao de deteco indicar que existem erros grosseiros nas medidas, dever ser organizada uma lista com os resduos que dar informao sobre as medidas suspeitas.
66
Captulo 3
Maior resduo implica mais probabilidade de a medida correspondente, estar infectada por um erro grosseiro. Depois devero ser realizadas operaes cclicas de eliminao, estimao e deteco at que a operao de deteco informe que j no existem erros grosseiros nas medidas. Quando s existe uma medida afectada por erros grosseiros, este mtodo eficiente pois, essa medida causar o resduo mais elevado que ser imediatamente eliminado do vector das medidas. No entanto, outros problemas podero surgir quando ocorrem as seguintes situaes: 1. Existncia de erros mltiplos no correlacionados; 2. Existncia de erros mltiplos correlacionados. Uma variante desta metodologia consiste na eliminao por grupos de medidas. Como a relao entre a maior amplitude dos resduos e a contaminao por erros grosseiros das respectivas medidas no necessariamente verdadeira, opta-se por eliminar grupos de medidas suspeitas. Seguidamente, essas medidas so reintroduzidas uma a uma. Sempre que o teste de deteco fornea um resultado positivo, a medida correspondente considerada em erro e eliminada do vector das medidas. Uma desvantagem deste mtodo a necessidade de verificao da observabilidade da rede pois, ao eliminar um grupo de medidas a estimao de estado poder no ser possvel devido no observabilidade da rede. Na situao 2, o problema agrava-se pois, para alm das dificuldades descritas anteriormente, acresce ainda a possibilidade de no ser possvel efectuar a deteco de erros grosseiros devido a um processo de camuflagem dos mesmos que faz com que o teste dos resduos d negativo. Um outro problema a eliminao intempestiva de medidas no afectadas por erros grosseiros levando diminuio da redundncia e consequentemente diminuio da eficcia dos testes de deteco e ao aumento da correlao dos resduos; Esta metodologia tem uma desvantagem que reside no facto de necessitar de inverter a matriz ganho sempre que se faz um ciclo de eliminao-estimao. No entanto, este
67
Captulo 3
esforo de clculo poder ser atenuado atravs da aplicao de mtodos eficientes de reduo do volume de clculo.
3.6.2 Identificao por critrios no-quadrticos (NQC) Este mtodo executa a identificao e eliminao dos erros grosseiros, no como uma funo complementar estimao de estado, mas sim como parte integrante do processo de estimao de estado. Isto , quando apresentada uma soluo para o vector de estado, essa soluo j vem eliminada de erros grosseiros nas medidas. O processo consiste em fazer diminuir o peso das medidas em que o resduo mantm ou adquire um valor elevado. Para tal, necessrio definir um valor limite, . Quanto maior for o afastamento do valor do resduo relativamente a esse limite, menor dever ser a influncia da medida responsvel pelo resduo no processo de estimao de estado. As medidas que forem classificadas como afectadas por erros grosseiros, so aquelas que no final da estimao de estado apresentam um resduo de elevada amplitude, isto , so aquelas medidas que foram rejeitadas pelo estimador de estado [16]. Como se pode verificar, a deteco e a identificao de erros grosseiros, bem como a correco da estimativa obtida para o vector de estado do sistema, so realizadas simultaneamente num processo nico. A metodologia NQC baseia-se na minimizao da seguinte funo de custo no quadrtica:
m ri J ( x ) = gi i =1 i
(3.10)
em que:
ri = z i hi ( x )
(3.11)
distinguindo-se diferentes variantes na aplicao da metodologia NQC pelas funes gi seleccionadas, como se demonstra na Figura 3.2.
68
Captulo 3
Q Quadrtico QL Quadrtico-linear
QT Quadrtico-tangente QC Quadrtico-constante
QR Quadrtico-raiz quadrada Limiar de transio
Figura 3.2 - Funes de custo no quadrticas utilizadas nos estimadores BDS(Bad Data Supression) A minimizao da funo custo (3.10) por aplicao do mtodo de Gauss resulta num processo iterativo com a seguinte forma:
x( k + 1 ) = x( k ) + 1 ( x( k ))H T ( x( k ))R 1G # ( x( k ))( x( k ))
(3.12) (3.13) (3.14)
em que:
( x( k )) = H T ( x( k ))G # ( x( k ))R 1G # ( x( k ))H ( x( k )) h( x ) x ( x ) r
H ( x( k )) =
x = x( k )
G # ( x( k )) =
x = x( k )
(3.15)
69
Captulo 3
e k o contador de iteraes. Se a amplitude dos resduos for inferior ao limiar de transio ( ), a matriz G#, que uma matriz diagonal, reduz-se matriz identidade, e o estimador BDS coincide com o estimador WLS. Verificando-se a ocorrncia de erros grosseiros nas medidas processadas, alguns dos elementos Gii# da matriz G# assumiro um valor diferente da unidade, como se pode verificar na Figura 3.3.
CRITRIO
QUADRTICO
i ri
ri
se
ri
i
Gii#
1

se
ri
i
QUADRTICO-TANGENTE
r i sign ( ri ) 2 i 1 i
1/ 2
se
ri
i
>
ri 2
1 / 2
se
ri
i
>
ri
QUADRTICO-RAIZ QUADRADA
se
ri
i
se
ri
i
r i sign ( ri ) 4 i
1/ 2
1/ 2
se
ri
i
>
ri
1 / 2
r 4 i i
1/ 2
1/ 2
se
ri
i
>
ri
QUADRTICO-LINEAR
se
ri
i
se
ri
i
i sign ( ri )
ri
1/ 2
se
ri
i
>
1 ri 2
1 / 2
se
ri
i
>
ri
QUADRTICO-CONSTANTE
se
ri
i
se
ri
i
se
ri
i
>
se
ri
i
>
Figura 3.3 Relao entre os termos de e Gii# para diversas funes de custo no quadrticas.
70
Captulo 3
Os critrios no quadrticos fazem variar em cada iterao o peso atribudo s diferentes medidas em funo do valor assumido pelos resduos correspondentes. Assim, para | ri | / i < , o coeficiente de ponderao da medida (1 / 2) igual ao utilizado pelo critrio quadrtico; para | ri | / i > verifica-se que quanto maior o resduo, menor o peso atribudo respectiva medida e portanto maior o grau de rejeio correspondente. Pode-se concluir tambm que o valor pr definido , usado como limite inferior e define o o ponto de mudana do critrio quadrtico para o no quadrtico.
3.6.3 Identificao por testes de hiptese (HTI)
Este mtodo essencialmente, um mtodo de estimao dos erros de medida e interpretao estatstica das estimativas obtidas, tendo como objectivo identificar com preciso as medidas afectadas por erros grosseiros. Este mtodo analisa as estimativas dos erros de medida das medidas suspeitas s, que so calculadas a partir duma adequada subdiviso da equao r=We, sendo utilizado um modelo linear. Recorrendo s propriedades estatsticas de cada uma das componentes de s realizado um teste de identificao individual que permite decidir se a medida est ou no afectada por um erro grosseiro As hipteses a propor so as seguintes: H0: A medida i est afectada por um erro grosseiro H1: A medida i uma medida vlida
Terminado o processo de identificao, as medidas consideradas em erro so as medidas eliminadas.
71
Captulo 3
O fluxograma deste mtodo o seguinte:
Seleccionar um conjunto de medidas suspeitas. (s)
Estimar os erros de medida (es)
Para cada medida testar: H 0 / H1
Se H0 verdadeira eliminar a medida respectiva.
Estimar o estado da rede.
Figura 3.4 - Fluxograma sucinto do procedimento HTI.
3.7 CONCLUSES
A estimao de estado tem por finalidade o clculo do verdadeiro valor das variveis de estado do SEE, a partir da informao disponvel na base de dados. Contudo, toda a informao que o algoritmo de estimao de estado processa pode estar sujeita a erros, nomeadamente erros grosseiros que afectam as medidas e podem ser provocados por funcionamento defeituoso dos aparelhos de medio e transmisso. Este tipo de problemas pode afectar gravemente a qualidade da estimativa obtida. Assim sendo, torna-se indispensvel a implementao de rotinas que detectem e identifiquem a existncia de erros grosseiros evitando a contaminao por esses mesmos erros, da estimativa de estado fornecida pelo estimador.
72
Captulo 3
Uma outra vantagem da existncia de um esquema de deteco e identificao de erros a possibilidade de criao de uma base de dados com a lista de medidas afectadas por erros grosseiros, auxiliando o operador do sistema na localizao do equipamento de medida que apresente um funcionamento deficiente. Neste captulo, fez-se uma breve referncia aos diferentes tipos de erros que podem afectar o estimador de estado. Foi ainda efectuada uma anlise aprofundada dos principais mtodos actualmente utilizados na deteco e identificao de erros grosseiros no mbito da estimao de estado esttica de SEE. A deteco de erros grosseiros baseada na formulao de testes de hiptese (H0: ausncia de erros grosseiros / H1: presena de erros grosseiros), definidos a partir da caracterizao estatstica das variveis envolvidas. Neste captulo foram estudados vrios testes de hiptese, nomeadamente os testes do J ( x ) , do rN e do rW .
) o mais utilizado, em detrimento dos outros dois, contudo no o O teste do J ( x
mais eficiente na presena de redes de elevada dimenso. A escolha entre o teste rN e o teste rW resulta de um compromisso entre a simplicidade de implementao e a fiabilidade dos resultados obtidos. Na fase de identificao de erros grosseiros, as rotinas implementadas para o efeito tero que possuir a capacidade de executar trs funes essenciais: - Localizar; - Corrigir; - Informar. Para esse efeito podero ser usadas trs diferentes metodologias: Identificao por eliminao (IBE) Identificao por critrios no quadrticos (NQC) Identificao por testes de hipteses (HTI)
73
Captulo 3
O mtodo IBE baseia-se no vector dos resduos e sempre que exista a informao de existncia de erros grosseiros, criada uma lista de medidas suspeitas de estarem afectadas baseada no vector dos resduos normalizados ou ponderados. Seguidamente so realizados ciclos sucessivos eliminao-estimao-deteco at que a rotina de deteco indique que j no existem erros grosseiros. Como de prever este mtodo acarreta um elevado peso computacional. Na metodologia NQC, o processo de identificao-eliminao dos erros grosseiros parte integrante do mtodo de estimao de estado propriamente dito. analisado o vector dos resduos normalizados ou ponderados quanto amplitude de cada elemento e atribudo um peso menor medida responsvel pelo maior resduo. A finalizar foi analisada sucintamente a metodologia de identificao por testes de hipteses (HTI), que assenta num critrio individual, particularizado para cada medida suspeita. Neste mtodo as variveis em anlise, so as estimativas dos erros de medida das medidas suspeitas s, que so calculadas a partir da utilizao de um modelo linear, contrariamente aos mtodos anteriores que recorriam anlise dos resduos das medidas. Fazendo uso das propriedades estatsticas de cada uma das componentes de s realizado um teste de identificao individual que permite decidir se a medida est ou no afectada por um erro grosseiro.
74
CAPTULO 4 RESULTADOS COMPUTACIONAIS
76
Captulo 4
Captulo 4
RESULTADOS COMPUTACIONAIS
4.1 INTRODUO
No captulo que agora se inicia sero apresentados e analisados alguns resultados obtidos pela simulao de dois algoritmos convencionais de estimao de estado, baseados no mtodo dos mnimos quadrados ponderados (WLS). O primeiro o algoritmo de GaussNewton, o segundo o algoritmo desacoplado MDE (Model Decoupled Estimator). Ambos os mtodos foram descritos no captulo 2. Para as simulaes foram usados dois sistemas de teste, um de pequena dimenso, "IEEE 24 barramentos" e um outro de dimenso elevada, "IEEE 118 barramentos". Os dados destes sistemas apresentam-se nos Apndices E e F respectivamente. O estado real do sistema obtido recorrendo ao clculo de um trnsito de potncias para o sistema em anlise, da se retiram os valores, assumidos como reais, para a fase e amplitude da tenso em todos os barramentos do sistema. Este trnsito de potncias foi efectuado recorrendo ao software PowerWorld Simulator. Os algoritmos de estimao de estado implementados foram programados em MATLAB instalado num computador com processador Pentium Mobile a 1,7 GHz e sistema operativo Windows XP.
77
Captulo 4
De seguida sero apresentados os mtodos usados para efectuar a estimao de estado, bem como uma descrio das redes de testes usadas. No final ser feita uma anlise dos resultados obtidos e elaboradas as respectivas concluses.
4.2 MTODOS DE SIMULAO USADOS
O diagrama seguinte ilustra a sequncia do processo, desde a obteno do estado real do sistema (trnsito de potncias) at apresentao do vector de estado estimado.
INCIO
SISTEMA DE TESTE A ESTUDAR
PowerWorld Simulator TRNSITO DE POTNCIAS
OBTENO DO PSEUDO ESTADO DO SISTEMA
CONSTRUO DO VECTOR DE MEDIDAS MATLAB
78
Captulo 4
ESTIMAO DE ESTADO
DETECO DE ERROS GROSSEIRO
VECTOR DE ESTADO ESTIMADO
FIM
Figura. 4.1- Estrutura do processo implementado. Para que se possa dar incio ao processo de estimao de estado, necessrio obter um conjunto redundante de medidas obtidas da rede de teste. Essas informaes foram simuladas recorrendo a um programa que executa trnsitos de potncia, nomeadamente o PowerWorld Simulator. Aps o tratamento dessa informao, foram ento programados, em linguagem Matlab, os dois algoritmos de estimao de estado j anteriormente referidos.
79
Captulo 4
4.2.1 Algoritmos implementados O primeiro algoritmo a ser implementado foi o de Gauss-Newton, o qual irei denominar de algoritmo de estimao de estado na verso integral. Para a programao deste algoritmo foram seguidos os seguintes passos: 1. Elaborao do vector de medidas - z Construo da matriz de ponderao das medidas - W 2. Inicializao do vector de estado - x = 0 rad V = 1 pu 3. Construo do vector das equaes de medida - h(x) 4. Construo da matriz jacobiana - H(x) 5. Construo e inverso da matriz de ganho - G e G-1 6. Clculo dos incrementos do vector de estado - x 7. Verificao da convergncia - x 8. Actualizao do vector de estado - x k+1 9. Voltar ao passo 3. Este processo pra quando no passo 7 for assinalada uma 'flag', que indique que o processo atingiu a convergncia. Essa convergncia atingida quando todos os incrementos ao vector
80
Captulo 4
de estado calculados na mesma iterao, forem inferiores a um valor pr estabelecido, , que no algoritmo programado assumiu o valor 0,001. O outro algoritmo implementado foi o MDE e que pode ser resumido pela seguinte sequncia de passos: 1. Elaborao do vector de medidas activas - za Elaborao do vector de medidas reactivas - zr Construo da matriz de ponderao das medidas activas Wa Construo da matriz de ponderao das medidas reactivas - Wr 2. Inicializao do vector de estado- x = 0 rad V = 1 pu 3. Clculo e inverso da matriz ganho das medidas activas - Ga e Ga-1 Clculo e inverso da matriz ganho das medidas reactivas Gr e Gr-1 4. Clculo da submatriz HP 5. Clculo dos incrementos a efectuar s fases das tenses - 6. Verificao da convergncia - 7. Actualizao das fases das tenses - k+1 8. Clculo da submatriz HQV 9. Clculo dos incrementos a efectuar aos mdulos das tenses - V 10. Verificao da convergncia - V
81
Captulo 4
11. Actualizao dos mdulos das tenses - V k+1 12. Voltar ao passo 4. Uma das diferenas deste mtodo em relao ao anterior, que a matriz ganho calculada e invertida uma nica vez, sendo depois mantida constante em todo o processo. O processo termina quando na mesma iterao, todos os incrementos feitos s fases e aos mdulos das tenses forem inferiores a 0,001. Os fluxogramas destes dois algoritmos foram apresentados no captulo 2, nas figuras 2.7 e 2.9.
4.2.2 Estrutura da matriz jacobiana - H(x) Como referido no ponto anterior, um dos assuntos que merece alguma importncia aquando da programao do algoritmo de estimao de estado, a estrutura e organizao da matriz jacobiana. Na obteno dos resultados que frente sero apresentados, foi implementado um algoritmo em que a matriz jacobiana H(x), pode ser dividida em quatro submatrizes, assumindo a seguinte forma: N-1 N
Pij | m1 L L | L N-1 N Pi | m1 H P | H PV | Q ij H( x ) = | | = m2 L L | L H Q | H QV Q i | m2 L L | L V i |
L Pi V Q ij V L Q i V L V i V
V
Pij
(4.1)
82
Captulo 4
em que: N m1 m2 nmero total de barramentos nmero total de medidas do tipo Pij e Pi nmero total de medidas do tipo Qij e Qi e Vi
m = m1 + m2 - nmero total de medidas disponveis Assim sendo, as submatrizes tm a seguinte forma e dimenso:
hP hP V
hQ hQ V
H P = H PV =
H Q = H QV =
, com dimenso (m1 x (N-1)) , com dimenso (m1 x N) , com dimenso (m2 x (N-1)) , com dimenso (m2 x N)
As expresses correspondentes aos diferentes elementos da matriz jacobiana so as seguintes:
Pij = ViV j Gij senij + Bij cos ij i Pij Pij = ViV j Gij senij Bij cos ij j
(4.2) (4.3)
Pij = 2a ij GijVi + V j Gij cos ij + Bij senij V i Pij V Pij V = Vi Gij cos ij + Bij senij j
(4.4) (4.5)
83
Captulo 4
N Pi V = i V j Gij sen ij + Bij cos ij j =1 Pi i j i Pi = ViV j Gij senij Bij cos ij j
(4.6) (4.7)
N Pi = 2GiiVi + V j Gij cos ij + Bij senij V i j =1 Pi j i V P i V = Vi Gij cos ij + Bij senij j
(4.8) (4.9)
Qij = ViV j Gij cos ij + Bij senij i Qij Qij = ViV j Gij cos ij Bij senij j
) ) )
(4.10) (4.11)
Qij = 2Vi ( a ij Bij y ij ,0 ) + V j Gij senij Bij cos ij V Qij i V Qij V = Vi Gij senij Bij cos ij j
(4.12) (4.13)
N Qi = Vi V j Gij cos ij + Bij senij i j =1 Qi j i Q i = ViV j Gij cos ij Bij senij j
(4.14) (4.15)
N Qi B V = + 2 V j Gij senij Bij cos ij ii i V j =1 Qi i j i V Qi V = Vi Gij senij Bij cos ij j
(4.16) (4.17)
84
Captulo 4
Vi V i =0 j
(4.18)
1 Vi V 0
i= j i j
(4.19)
Um outro processo que foi necessrio programar nos algoritmos de estimao de estado implementados, foi o da construo e inverso da matriz ganho (G). Essa matriz dada, como j vimos no captulo 2, pela equao (2.26) e efectivamente, partindo dessa expresso obtemos:
1 Gij = ( H T ) ik Rkk ( H T ) jk k =1
(4.20)
A matriz G uma matriz simtrica. Por outro lado, o nmero de elementos no nulos da matriz H bastante reduzido. Este facto resulta de cada medida envolver um nmero relativamente restrito de variveis de estado (topologicamente prximas da medida) dando assim origem a um pequeno nmero de derivadas parciais no nulas. Assim: a medida do mdulo da tenso no barramento i envolve apenas a varivel de estado Vi e d origem a um nico elemento no nulo na linha correspondente da matriz H; a medida do trnsito de potncia (activa ou reactiva) na linha ligando os barramentos i e j envolve apenas as variveis de estado relativas a esses barramentos e a linha correspondente de H no ter mais de quatro elementos no nulos; a medida da potncia injectada (activa ou reactiva) no barramento i envolve as variveis de estado deste barramento e de todos os barramentos extremidade de linhas incidentes no barramento i. Assim, a linha correspondente H no ter
85
Captulo 4
mais de 2l+2 elementos no nulos, em que l representa o nmero de linhas incidentes no barramento i. Como a matriz jacobiana H muito esparsa, isso induz a que G seja tambm uma matriz esparsa embora em menor grau do que H. Efectivamente a partir da equao (4.20) podemos concluir que Gij 0 se, e s se, existir pelo menos uma medida k que envolva simultaneamente as variveis aleatrias i e j. Atendendo a que cada medida envolve apenas as variveis de estado dos barramentos adjacentes, muitos elementos de G sero nulos. Em contrapartida, os elementos da diagonal principal da matriz de ganho assumem valores estritamente positivos. Um dos objectivos principais do estimador de estado consiste na possibilidade de poder ser usado para processamento em tempo real. Para tal, ter que ser feita uma eficiente ocupao do sistema de memria e minimizao do tempo de processamento. Uma forma possvel de realizao deste objectivo passa pelo maior aproveitamento possvel das caractersticas de simetria e esparsidade das matrizes envolvidas.
4.3 REDES DE TESTE

Para a elaborao das simulaes e respectiva obteno de resultados, foram escolhidos dois sistemas de teste do IEEE, sobre os quais se conhecem todas as informaes necessrias simulao. As redes usadas foram a de 24 barramentos e a de 118 barramentos. A diferente dimenso das redes foi escolhida para se poder comparar a variao no tempo gasto no processamento da estimao de estado. Algumas caractersticas das redes so apresentadas nas tabelas seguintes. As informaes referentes s linhas e barramentos bem como os resultados dos trnsitos de potncia encontram-se nos apndices E e F para as redes de 24 e 118 barramentos, respectivamente.
86
Captulo 4
Rede de 24 barramentos Tabela 4.1 Dados da rede de 24 barramentos Barramentos 24 Linhas 29 PT's 5 Geradores Cargas 11 17
Rede de 118 barramentos Tabela 4.2 Dados da rede de 118 barramentos Barramentos 118 Linhas 170 PT's 9 Geradores Cargas 54 91
Para cada um destes sistemas de teste foram simuladas duas situaes correspondentes a redundncias de medida diferentes. Essa redundncia, que foi j definida pela equao 2.4, toma valores superiores a 1, por forma a ser possvel fazer uma filtragem do rudo de medida. As redundncias aplicadas a cada sistema de teste encontram-se sintetizados na tabela 4.3.
Tabela 4.3 - Dados dos sistemas de teste Teste Rede A Rede A Rede B Rede B Redundncia 1.5 2.5 2.27 3.2 N de medidas 71 118 535 752
87
Captulo 4
A estrutura das redes de teste utilizadas encontra-se representada nas figuras seguintes.
Figura 4.2- Sistema de teste de 24 barramentos
A Estimao de Estado em Redes de Transporte de Energia com Deteco de Anomalias
88
Captulo 4
Figura 4.3- Sistema de teste de 118 barramentos

89
Captulo 4
4.3.1 Configuraes de medida Como foi j referido anteriormente, foram usadas duas configuraes de medida, para cada sistema de teste, na execuo da estimao de estado. O verdadeiro valor das medidas foi encontrado atravs do resultado obtido pelo programa que executa o trnsito de potncias. Ao verdadeiro valor das medidas foi, ainda, adicionado um valor aleatrio que varia entre -0,001 e 0,001 para as medidas de tenso e entre -0,01 e 0,01 para as medidas de potncia , que pretende simular o rudo que contamina cada medida que chega ao centro de controlo. As configuraes de medidas foram escolhidas tendo como preocupao a observabilidade da rede, por esse motivo na rede de teste de 118 barramentos, a redundncia menor de 2.27 pois, ao usar menos medidas a rede tornava-se inobservvel. Um resumo das configuraes de medidas usadas, encontra-se nas tabelas 4.4, 4.5, 4.6 e 4.7, sendo as duas primeiras referentes rede A e as restantes referentes rede B.
Tabela 4.4 - Configurao de medida da rede A (Conf.1) Tipos de medidas Potncia activa Potncia reactiva Tenso TOTAL N de barramentos 24 Pij Pi TOTAL Qij Qi TOTAL Vi N de Medidas 25 7 32 25 7 32 7 71 Redundncia 1,5
90
Captulo 4
Tabela 4.5 - Configurao de medida da rede A (Conf.2) Tipos de medidas Potncia activa Pij Pi TOTAL Qij Qi TOTAL Vi N de Medidas 32 18 50 32 18 50 18 118 Redundncia 2,5
Potncia reactiva Tenso TOTAL
N de barramentos 24
Tabela 4.6 - Configurao de medida da rede B (conf.1) Tipos de medidas Potncia activa Potncia reactiva Tenso TOTAL N de barramentos 118 Pij Pi TOTAL Qij Qi TOTAL Vi N de Medidas 179 59 238 179 59 238 59 535 Redundncia 2,27
91
Captulo 4
Tabela 4.7 - Configurao de medida da rede B (Conf.2) Tipos de medidas Potncia activa Pij Pi TOTAL Qij Qi TOTAL Vi N de Medidas 212 105 317 212 105 317 118 752 Redundncia 3,2
Potncia reactiva Tenso TOTAL
N de barramentos 118
4.4 - PARMETROS EM ANLISE

A anlise do desempenho dos algoritmos implementados, foi efectuada para todas as configuraes de medida na presena e ausncia de erros grosseiros. Os aspectos que estaro na base da avaliao do desempenho do estimador de estado sero: Nmero de iteraes - Nit; Tempo de processamento - t(s); Valor da funo objectivo - J ( x ) ; Erro mximo das grandezas medidas;
h ) = max z h(x max

Erro mdio das grandezas medidas; i ) z i h( x

i =1 m
h med
, m = n de medidas
Erro mximo e mdio do valor estimado para as fases das tenses;
92
Captulo 4
N 1
med =
| | i i
i =1
N 1
N
| max = max | i i
Erro mximo e mdio do valor estimado para os mdulos das tenses.

V med =
| | Vi V i
i =1
V | max = max | Vi V i
sendo N o nmero de barramentos. Para todas as simulaes efectuadas foi considerado um factor de convergncia de 0,001 pu para os mdulos e 0,001 rad. para as fases das tenses.
4.5 - APRESENTAO DOS RESULTADOS

Para simplificao na apresentao dos resultados optou-se por seguir o seguinte critrio: 1 - Apresentao dos resultados da rede de 14 barramentos -verso integral - tabela 4.8 e 4.9. 2 - Apresentao dos resultados da rede de 14 barramentos -verso desacoplada tabela 4.10 e 4.11. 3 - Apresentao dos resultados da rede de 118 barramentos -verso integral - tabela 4.12 e 4.13. 4 - Apresentao dos resultados da rede de 118 barramentos -verso desacoplada tabela 4.14 e 4.15. Para alm das tabelas sero tambm apresentados alguns grficos comparativos dos parmetros em anlise. Tabela 4.8 - Resultados da estimao - verso integral Configurao de medidas REDE A Conf.1 Conf.2 t(s) 0,11 0,11 Nit 3 3
J (x )
28,12 62,15
93
Captulo 4
Tabela 4.9 - Resultados estatsticos da estimao - verso integral Configurao de medidas REDE A Conf.1 Conf.2
h h V V max (pu) med (pu) max (rad) med (rad) max (pu) med (pu)
0,0193 0,0223
3,866E-03 1,489E-03 3,908E-04 4,800E-03 9,625E-04 4,227E-03 9,914E-04 3,490E-04 3,200E-03 5,958E-04
Tabela 4.10 - Resultados da estimao - verso desacoplada Configurao de medidas REDE A Conf.1 Conf.2 t(s) 0,14 0,14 Nit 4 4
J (x )
28,77 62,83
Tabela 4.11 - Resultados estatsticos da estimao - verso desacoplada Configurao de medidas REDE A Conf.1 Conf.2
0,0202 0,0231
3,841E-03 1,615E-03 3,557E-04 4,800E-03 9,625E-04 4,244E-03 8,914E-04 2,846E-04 3,200E-03 6,000E-04
Tabela 4.12 - Resultados da estimao - verso integral Configurao de medidas REDE B Conf.1 Conf.2 t(s) 1,1 1,8 Nit 3 3
J (x )
202,17 278,14
94
Captulo 4
Tabela 4.13 - Resultados estatsticos da estimao - verso integral Configurao de medidas REDE B Conf.1 Conf.2
0,0331 0,0400
3,220E-03 1,157E-03 3,753E-04 9,100E-03 4,440E-04 3,340E-03 1,220E-03 3,157E-04 9,500E-03 3,042E-04
Tabela 4.14 - Resultados da estimao - verso desacoplada Configurao de medidas REDE B Conf.1 Conf.2 t(s) 0,5 0,9 Nit 5 8
J (x )
349,14 481,95
Tabela 4.15 - Resultados estatsticos da estimao - verso desacoplada Configurao de medidas REDE B Conf.1 Conf.2
0,0877 0,0945
3,628E-03 3,650E-03 4,108E-04 9,100E-03 4,788E-04 3,857E-03 5,850E-03 4,447E-04 9,500E-03 3,313E-04
Seguidamente so apresentados alguns grficos que comparam os resultados obtidos pelos estimadores de estado implementados. Com os resultados obtidos pela simulao da rede de teste de 24 barramentos, sero elaborados grficos que demonstrem o diferente comportamento que os dois algoritmos apresentam em termos de tempo de processamento at a convergncia ser atingida, bem como a evoluo da funo objectivo devido variao do nmero de medidas. Com o sistema de teste de 118 barramentos ser construdo um grfico que relaciona a variao do erro mdio do vector de estado estimado para os dois algoritmos e para as duas configuraes de medida.
95
Captulo 4
t(s)
0.2 0.15 0.1 0.05 0 Conf.1 0.12 0.1
0.16 0.13 verso Integral verso desacoplada
Rede A
Conf.2
Configuraes de medida
Figura 4.4 - Estimao de estado Integral vs Desacoplada. Tempo de processamento.
) J (x
70 60 50 40 30 20 10 0
62.15 62.83 verso integral 28.12 28.8 verso desacoplada
Conf.1
Conf.2
Rede A
Configuraes de medida
). Figura 4.5 - Estimao de estado Integral vs Desacoplada. Funo Objectivo J( x
Da anlise das figuras 4.4 e 4.5 torna-se legtimo efectuar as seguintes concluses: A verso desacoplada bastante mais rpida a atingir a convergncia, sendo o tempo de processamento, aproximadamente metade do usado pela verso integral. Esta caracterstica deve-se ao facto da no necessidade de, a cada iterao, inverter a matriz ganho.
A verso integral a que melhor resolve o problema de minimizao da funo objectivo.Sendo a referida funo definida pela equao 3.7, podemos ento afirmar que esta verso conduz a resduos de medida de menor amplitude.
96
Captulo 4
6.00E-04 5.00E-04 4.00E-04 3.00E-04 2.00E-04 1.00E-04 0.00E+00 Conf.1 Conf.2 teta mdio(V.Integral) mdio (V. Integral) teta mdio(V.Desacoplada) mdio (V. Desacoplada) V mdio(V.Integral) V mdio (V. Integral) V mdio(V.Desacoplada) V mdio (V. Desacoplada)
Rede B
Figura 4.6 - Estimao de estado Integral vs Desacoplada. Erro mdio do vector de estado estimado. Da figura 4.6 conclui-se que o vector de estado estimado atravs da verso desacoplada apresenta alguma depreciao em termos de preciso quando comparado com a verso integral. possvel ainda verificar que o erro mdio diminui com o aumento da redundncia das medidas. No entanto o aumento exagerado do nmero de medidas levanta problemas com o tempo de processamento.
4.5.1 Anlise dos resultados Analisando as vrias tabelas e grficos que traduzem os resultados obtidos pelos algoritmos implementados, podemos concluir que ambos tm vantagens e desvantagens na sua utilizao. Torna-se por demais evidente que executar a estimao de estado usando o algoritmo na sua verso integral, produz resultados muito aproximados aos valores reais. De acordo com as tabelas e grficos apresentados, verifica-se que os erros mdios das grandezas estimadas so bastante pequenos. No alheio a esta caracterstica o facto de no serem efectuadas grandes simplificaes ao processo de estimao. No entanto, quando na presena de redes
97
Captulo 4
de elevada dimenso e principalmente quando a redundncia das medidas elevada, o tempo de processamento aumenta consideravelmente, podendo mesmo impedir a sua utilizao online. Dado que o estimador de estado dever ser executado peridicamente e em modo online, qualquer simplificao que possa baixar o tempo de processamento desejvel, mesmo que isso leve a uma ligeira perda de preciso dos resultados. Isso o que acontece com o uso da verso desacoplada. Como se pode verificar pelos resultados, a preciso dos valores estimados um pouco menor, mas o tempo de processamento aproximadamente metade. Isto porque necessrio realizar menos de metade das operaes em comparao com a verso integral e tambm porque as matrizes de ganho so construdas e factorizadas apenas uma vez. Quanto ao nmero de iteraes, verifica-se que aumentam na verso desacoplada, no sendo isso um aspecto muito significativo visto que o tempo gasto por iterao considervelmente menor. Um outro aspecto que pode ser alvo de anlise a influncia da redundncia das medidas na preciso do estimador. Pela anlise dos resultados verifica-se que os erros mdios so bastante pequenos para as duas redundncias de medida usadas nas duas redes de teste, no se notando muito a influncia deste factor. No entanto, os vectores de medidas usados apresentam um equilibrio entre os vrios tipos de medidas, podendo ser esse o factor que leva similaridade dos resultados obtidos. O aspecto da redundncia de medida pode ser importante tambm na fase de deteco dos erros grosseiros, pois a existncia de um maior nmero de medidas prximas da medida afectada por um erro grosseiro leva a uma menor influncia desse erro grosseiro no vector estimado e por isso a sua influncia s se far sentir para amplitudes superiores desse mesmo erro, sendo nessa altura detectado pela rotina correspondente. Isto pode ser comprovado pelos resultados apresentados no captulo seguinte.
98
Captulo 4
4.6 - DETECO DE ERROS GROSSEIROS

Como j explicado em captulos anteriores, qualquer algoritmo de estimao de estado dever possuir uma rotina para deteco e identificao de erros grosseiros eventualmente presentes no vector das medidas. Apesar de existir uma filtragem prvia que elimina muitas das inconsistncias do conjunto de medidas, alguns erros podero escapar a essa rotina de pr-filtragem. Assim, aproveitando as propriedades estatsticas do vector dos resduos podem-se implementar os mtodos de deteco e identificao de erros grosseiros j analisados no captulo 3. O algoritmo desenvolvido e que serve de base a este trabalho, recorre ao mtodo da funo objectivo, J ( x ) para efectuar a deteco de erros grosseiros e executa a identificao pelo mtodo do maior resduo normalizado do vector de medidas. Para efectuar a anlise da deteco dos erros grosseiros foi utilizada a rede de 24 barramentos (Rede A). Na rede de maior dimenso o comportamento do estimador semelhante. Foram tambm usadas as duas configuraes de medida para que se possa tirar concluses sobre a influncia do nmero de medidas na deteco dos erros grosseiros. Para avaliar a capacidade de deteco pelo mtodo J ( x ) , foram simulados trs tipos de erros grosseiros, um nas medidas de tenso, outro nas medidas de potncia injectada e um terceiro nas medidas de fluxo de potncia. Para cada um dos erros, fez-se variar a sua amplitude no intervalo -20 a 20, obtendo-se a estimativa do estado do sistema e o correspondente valor da funo objectivo, J ( x ) , para cada nvel de erro grosseiro considerado. As medidas utilizadas para simular os erros foram as seguintes: V17 P2 Q1-5 Os resultados so apresentados nas tabelas seguintes.
99
Captulo 4
TAB.4.16 Deteco de um erro grosseiro com amplitude varivel na medida V17.
MEDIDA: V17 Amplitude do erro grosseiro

20x 15x 10x 9x 8x 7x 6x 5x 4x 3x 2x 1x 0 -1x -2x -3x -4x -5x -6x -7x -8x -9x -10x -15x -20x
J (x )
334,20 204,44 110,18 95,59 82,42 70,66 60,33 51,41 43,91 37,84 33,18 29,94 28,12 27,72 28,73 31,17 35,02 40,29 46,99 55,09 64,62 75,57 87,93 171,02 289,56
2 J (x ) /
rN
17,526 13,315 9,104 8,202 7,420 6,578 5,736 4,894 4,052 3,210 2,368 1,526 0,684 0,158 1,000 1,842 2,684 3,526 4,367 5,209 6,051 6,893 7,734 11,943 16,151
rN / N1-/2
8,941 (D) 6,793 (D) 4,645 (D) 4,185 (D) 3,786 (D) 3,356 (D) 2,926 (D) 2,497 (D) 2,067 (D) 1,638 (D) 1,208 (D) 0,778 0,349 0,081 0,510 0,939 1,369 (D) 1,799 (D) 2,228 (D) 2,657 (D) 3,087 (D) 3,517 (D) 3,946 (D) 6,093 (D) 8,240 (D)
7,772 (D) 4,754 (D) 2,563 (D) 2,223 (D) 1,917 (D) 1,643 (D) 1,403 (D) 1,196 (D) 1,021 (D) 0,880 0,772 0,696 0,654 0,645 0,668 0,725 0,814 0,937 1,093 (D) 1,281 (D) 1,503 (D) 1,757 (D) 2,045 (D) 3,977 (D) 6,734 (D)
20,99 = 43,0 = N1-/2 = 1,96 Graus de liberdade = 24 Redundncia = 1,5 (D) indica deteco de erros grosseiros
100
Captulo 4
TAB.4.17 Deteco de um erro grosseiro com amplitude varivel na medida P2.
MEDIDA: P2
Amplitude do erro grosseiro

J (x )
151,53 96,46 57,54 51,68 46,49 41,93 38,02 34,76 32,14 30,16 28,84 28,16 28,12 28,72 29,98 31,89 34,44 37,63 41,47 45,96 51,09 56,87 63,30 105,13 163,11
2 J (x ) /
rN
11,45 8,305 5,464 4,896 4,328 3,759 3,191 2,623 2,055 1,487 0,919 0,350 0,218 0,786 1,354 1,923 2,491 3,059 3,627 4,196 4,764 5,332 5,901 8,742 11,584
rN / N1-/2
5,686 (D) 4,237 (D) 2,788 (D) 2,498 (D) 2,208 (D) 1,918 (D) 1,628 (D) 1,338 (D) 1,048 (D) 0,759 0,469 0,179 0,111 0,401 0,691 0,981 1,271 (D) 1,561 (D) 1,851 (D) 2,141 (D) 2,431 (D) 2,721 (D) 3,010 (D) 4,460 (D) 5,910 (D)
3,524 (D) 2,243 (D) 1,338 (D) 1,202 (D) 1,092 (D) 0,975 0,884 0,808 0,747 0,701 0,671 0,653 0,654 0,668 0,697 0,742 0,801 0,875 0,964 1,069 (D) 1,188 (D) 1,322 (D) 1,472 (D) 2,445 (D) 3,793 (D)
101
Captulo 4
TAB.4.18 Deteco de um erro grosseiro com amplitude varivel na medida Q1-5.
MEDIDA: Q1-5

J (x )
183,81 109,96 59,36 52,03 45,64 40,18 35,65 32,06 29,40 27,68 26,89 27,03 28,12 30,14 33,09 36,98 41,81 47,58 54,29 61,94 70,52 80,04 90,51 156,95 246,95
2 J (x ) /
rN
12,522 9,111 5,696 5,013 4,330 3,647 2,963 2,280 1,596 0,912 0,229 0,455 1,139 1,823 2,508 3,192 3,876 4,561 5,245 5,930 6,615 7,300 7,985 11,411 14,840
rN / N1-/2
6,389 (D) 4,648 (D) 2,906 (D) 2,558 (D) 2,209 (D) 1,861 (D) 1,512 (D) 1,163 (D) 0,814 0,466 0,117 0,232 0,581 0,930 1,279 (D) 1,629 (D) 1,978 (D) 2,327 (D) 2,676 (D) 3,026 (D) 3,375 (D) 3,724 (D) 4,074 (D) 5,822 (D) 7,571 (D)
4,275 (D) 2,487 (D) 1,380 (D) 1,210 (D) 1,061 (D) 0,934 0,829 0,746 0,684 0,644 0,625 0,629 0,654 0,701 0,769 0,860 0,972 1,107 (D) 1,263 (D) 1,440 (D) 1,640 (D) 1,861 (D) 2,105 (D) 3,650 (D) 5,743 (D)
102
Captulo 4
TAB.4.19 Deteco de um erro grosseiro com amplitude varivel na medida V17.
MEDIDA: V17

J (x )
424,92 267,76 154,92 137,66 122,18 108,48 96,54 86,38 77,99 71,37 66,52 63,45 62,15 62,62 64,86 68,87 74,66 82,22 91,55 102,65 115,52 130,17 146,59 255,25 408,21
2 J (x ) /
rN
19,064 14,358 9,653 8,711 7,770 6,829 5,888 4,947 4,006 3,065 2,123 1,182 0,241 0,700 1,641 2,582 3,523 4,464 5,405 6,347 7,288 8,229 9,170 13,875 18,580
rN / N1-/2
9,727 (D) 7,326 (D) 4,925 (D) 4,445 (D) 3,964 (D) 3,484 (D) 3,004 (D) 2,524 (D) 2,044 (D) 1,564 (D) 1,083 (D) 0,603 0,123 0,357 0,837 1,317 (D) 1,798 (D) 2,278 (D) 2,758 (D) 3,238 (D) 3,718 (D) 4,198 (D) 4,678 (D) 7,079 (D) 9,480 (D)
4,191 (D) 2,641 (D) 1,528 (D) 1,357 (D) 1,205 (D) 1,069 (D) 0,952 0,852 0,769 0,704 0,656 0,626 0,613 0,617 0,639 0,659 0,736 0,811 0,903 1,012 (D) 1,139 (D) 1,284 (D) 1,446 (D) 2,517 (D) 4,026 (D)
103
Captulo 4
TAB.4.20 Deteco de um erro grosseiro com amplitude varivel na medida P2.
MEDIDA: P2

J (x )
187,87 128,15 87,29 81,38 76,22 71,82 68,18 65,28 63,15 61,77 61,14 61,27 62,15 63,78 66,18 69,32 73,22 77,88 83,29 89,46 96,38 104,06 112,49 165,99 238,38
2 J (x ) /
rN
11,303 8,232 5,161 4,547 3,932 3,318 2,704 2,089 1,475 0,860 0,246 0,368 0,983 1,597 2,212 2,826 3,441 4,055 4,670 5,284 5,899 6,514 7,128 10,201 13,275
rN / N1-/2
5,767 (D) 4,200 (D) 2,633 (D) 2,320 (D) 2,006 (D) 1,693 (D) 1,379 (D) 1,066 (D) 0,752 0,439 0,126 0,188 0,501 0,815 1,128 (D) 1,442 (D) 1,756 (D) 2,069 (D) 2,383 (D) 2,696 (D) 3,010 (D) 3,323 (D) 3,637 (D) 5,205 (D) 6,773 (D)
1,853 (D) 1,264 (D)* 0,861 0,803 0,752 0,708 0,672 0,643 0,623 0,609 0,603 0,604 0,613 0,629 0,653 0,684 0,722 0,768 0,821 0,882 0,950 1,026 (D) 1,109 (D) 1,637 (D) 2,356 (D)
* - A deteco foi conseguida para 12x.
20,99 = 101,4 = N1-/2 = 1,96 Graus de liberdade = 71 Redundncia = 2,5 (D) indica deteco de erros gorosseiros
104
Captulo 4
TAB.4.21 Deteco de um erro grosseiro com amplitude varivel na medida Q1-5.
MEDIDA: Q1-5

J (x )
275,06 177,38 109,30 99,24 90,37 82,69 76,19 70,88 66,75 53,82 62,07 61,52 62,15 63,97 66,98 71,18 76,57 83,16 90,93 99,90 110,06 121,41 133,95 214,57 325,07
2 J (x ) /
rN
14,588 10,742 6,894 6,125 5,355 4,585 3,815 3,045 2,275 1,505 0,734 0,036 0,807 1,577 2,348 3,118 3,889 4,660 5,431 6,202 6,973 7,744 8,515 12,372 16,231
rN / N1-/2
7,443 (D) 5,481 (D) 3,518 (D) 3,125 (D) 2,732 (D) 2,339 (D) 1,946 (D) 1,554 (D) 1,161 (D) 0,768 0,375 0,018 0,411 0,805 1,198 (D) 1,591 (D) 1,984 (D) 2,377 (D) 2,771 (D) 3,164 (D) 3,558 (D) 3,951 (D) 4,344 (D) 6,312 (D) 8,281 (D)
2,713 (D) 1,749 (D) 1,078 (D) 0,979 0,891 0,815 0,751 0,699 0,658 0,531 0,612 0,608 0,613 0,631 0,661 0,702 0,755 0,820 0,897 0,985 1,085 (D) 1,197 (D) 1,321 (D) 2,116 (D) 3,206 (D)
105
Captulo 4
Analisando os resultados apresentados nas tabelas anteriores, podemos concluir que a rotina de deteco de erros grosseiros nas medidas pelo mtodo J ( x ) tem um melhor desempenho quando os erros ocorrem nas medidas de tenso. Isso pode ser explicado com o maior peso que atribudo no processo de estimao pelo mtodo dos mnimos quadrados ponderados, a este tipo de medidas. Quando os erros ocorrem nas medidas de potncia injectada ou fluxos de potncia nas linhas, a rotina no to eficiente, sendo necessrias amplitudes de erros grosseiros superiores para que possam ser detectados. Uma outra evidncia a influncia da redundncia das medidas no desempenho da rotina de deteco. Como se pode observar pelas tabelas 4.19, 4.20 e 4.21, a simulao dos erros grosseiros nas mesmas medidas originou que s fossem detectados para amplitudes superiores. Uma das explicaes para esse facto pode ser a existncia de um maior nmero de medidas junto das medidas afectadas pelos erros grosseiros. O grfico seguinte indica a quantidade de medidas existente em cada uma das configuraes de medidas, relacionadas com aquelas nas quais foram simulados os erros grosseiros.
40 35 30 25 20 15 10 5 0 V17 22
33 31 28 31
38
Conf.1 Conf.2
Conf.2 Conf.1 P2 Q1-5
Figura 4.7 Nmero de medidas relacionadas com as medidas afectadas por erros grosseiros em cada configurao de medida.
106
Captulo 4
Como se pode observar o nmero de medidas efectuadas nos barramentos onde se simularam os erros grosseiros e em barramentos vizinhos aumentou na configurao 2 (Conf.2), levando a uma menor influncia da medida afectada no clculo da funo objectivo ( J ( x ) ) que serve de base deteco de erros grosseiros nas medidas em erro. Se for usado o mtodo dos resduos normalizados para efectuar a deteco de erros grosseiros nas medidas e considerando uma probabilidade de falso alarme () de 10%, podese concluir com base nos resultados apresentados pelas tabelas anteriores, que este tipo de teste apresenta uma melhor eficincia pois consegue detectar a presena do erro grosseiro para um menor valor da amplitude deste. De salientar que para a simulao dos resultados anteriormente descritos, foi considerada a presena de apenas uma medida afectada por erro grosseiro. Nessas condies, a amplitude do resduo identificou sempre correctamente a medida afectada. Este mtodo de deteco pode tambm ser aplicado verso desacoplada isto porque,
) ) e outra reactiva o J (x ) pode ser tambm desacoplado numa componente activa ( J A ( x ) ). Este desacoplamento do ndice J ( x ( J R (x ) torna-se vantajoso na fase de identificao
pois, no caso de haver um erro grosseiro, a componente que obtiver maior valor, indica o tipo de medida afectada pelo erro, levando a uma mais rpida identificao da medida. Como se pode verificar pelas tabelas 4.22, 4.23 e 4.24, a componente activa ou reactiva do
J (x ) vai variar de acordo com o tipo de medida afectada por erro grosseiro. Estas tabelas
foram elaboradas com base na configurao de medida (Conf.1) da rede de 24 barramentos. Este procedimento foi efectuado para as duas configuraes de medida das duas redes de teste e considerando a estimao de estado efectuada pela verso integral e desacoplada, tendo-se verificado um comportamento semelhante.
107
Captulo 4
) e J R ( x ) na presena de um erro TAB.4.22 Evoluo do valor dos ndices J ( x ) , J A ( x
grosseiro com amplitude varivel na medida V17.
MEDIDA: V17 Amplitude do erro grosseiro

J (x )
334,20 204,44 110,18 95,59 82,42 70,66 60,33 51,41 43,91 37,84 33,18 29,94 28,12 27,72 28,73 31,17 35,02 40,29 46,99 55,09 64,62 75,57 87,93 171,02 289,56
) J A (x
5,57 5,55 5,53 5,52 5,52 5,50 5,50 5,50 5,49 5,49 5,49 5,48 5,48 5,48 5,48 5,48 5,49 5,49 5,50 5,50 5,50 5,51 5,51 5,55 5,57
) J R (x
328,63 198,89 104,65 90,07 76,90 65,16 54,83 45,91 38,42 32,35 27,71 24,46 22,64 22,24 23,25 25,69 29,53 34,80 41,49 49,59 59,12 70,06 82,42 165,47 283,99
108
Captulo 4
grosseiro com amplitude varivel na medida P2.
MEDIDA: P2

J (x )
151,53 96,46 57,54 51,68 46,49 41,93 38,02 34,76 32,14 30,16 28,84 28,16 28,12 28,72 29,98 31,89 34,44 37,63 41,47 45,96 51,09 56,87 63,30 105,13 163,11
) J A (x
126,29 71,71 33,98 28,31 23,18 18,68 14,89 11,68 9,13 7,20 5,95 5,59 5,48 6,29 7,74 9,83 12,57 15,94 19,96 24,62 29,92 35,77 42,46 85,04 143,69
) J R (x
25,24 24,75 23,56 23,37 23,31 23,25 23,13 23,08 23,01 22,96 22,89 22,67 22,64 22,43 22,24 22,06 21,87 21,69 21,51 21,34 21,17 21,10 20,84 20,09 19,42
109
Captulo 4
grosseiro com amplitude varivel na medida Q1-5.
MEDIDA: Q1-5

J (x )
183,81 109,96 59,36 52,03 45,64 40,18 35,65 32,06 29,40 27,68 26,89 27,03 28,12 30,14 33,09 36,98 41,81 47,58 54,29 61,94 70,52 80,04 90,51 156,95 246,95
) J A (x
5,00 5,09 5,37 5,40 5,44 5,46 5,48 5,50 5,51 5,52 5,51 5,50 5,48 5,48 5,45 5,41 5,38 5,34 5,29 5,25 5,18 5,11 5,05 4,62 4,03
) J R (x
178,81 104,87 53,99 46,63 40,20 34,72 30,17 26,56 23,89 22,16 21,38 21,53 22,64 24,66 27,64 31,57 36,43 42,24 49,00 56,69 65,34 74,93 85,46 152,33 242,92
110
Captulo 4
Quando a rotina de deteco informa que existem medidas afectadas por erros grosseiros, na realidade no se tem conhecimento, partida, de quantas medidas esto afectadas. Por esse motivo, importante para alm de detectar a presena ou no de erros grosseiros, poder identific-los. O processo de identificao, j referido no captulo 3, pode basear-se em vrios mtodos. O mtodo escolhido para implementao nesta tese foi o dos resduos normalizados. Quando s existe uma medida afectada por erro grosseiro este mtodo j mostrou ser eficaz. De seguida ser avaliado o desempenho do mesmo mtodo na presena de mais do que uma medida afectada de erros grosseiro. Para isso, simulou-se a presena de erros grosseiros nas medidas P1-2, Q10-12 e V18 de amplitude igual respectivamente a 20i, 15i e 30i.
) , a realizao do teste do J ( x Obtida a primeira estimativa do estado do sistema ( x )
detectou a presena de pelo menos uma medida afectada por erro grosseiro (Tabela 4.25). Seguidamente sero calculados os resduos normalizados (Tabela 4.26) sendo apresentados os cinco resduos normalizados de maior amplitude. Aps a primeira identificao das possveis medidas afectadas por erros grosseiros, existem vrias formas de lidar com esse problema. Uma delas a eliminao da medida responsvel pelo maior resduo e de seguida voltar a estimar o estado do sistema sem essa medida. Este procedimento dever ser executado at que o teste do J ( x ) no detecte a presena de erros grosseiros. Outro mtodo consiste na substituio das medidas identificadas, por pseudomedidas. Estes dois mtodos sero implementados de seguida e no final sero retiradas as concluses.
2 Tabela 4.25 Valores de J ( x ) e J ( x ) /
J (x )
2 J (x ) /
1 ciclo 20,99 = 43,0 (D) indica deteco
1048,1
24,37 (D)
111
Captulo 4
Tabela 4.26 Resduos normalizados de maior amplitude 1 ciclo Medida Amplitude do resduo normalizado V18 27,21 Q10-12 15,00 P1-2 14,65 P2 9,27 P1-3 9,03
4.6.1 Identificao por eliminao O mtodo proposto ir fazer a cada ciclo de estimao deteco/identificao reestimao, a eliminao da medida responsvel pelo maior resduo. O processo repete-se at que no sejam detectados erros grosseiros, estando os resultados obtidos nos diferentes ciclos indicados nas tabelas 4.27, 4.28, 4.29, 4.30 e 4.31.
- 2 ciclo - eliminada a medida V18

2 Tabela 4.27 Valores de J ( x ) e J ( x ) / 2 ciclo
J (x )
2 J (x ) /
2 ciclo 20,99 = 43,0
306,9
7,13 (D)
(D) indica deteco de erros grosseiros
Tabela 4.28 Resduos normalizados de maior amplitude 2 ciclo Medida Amplitude do resduo normalizado P1-2 14,67 P1-3 9,17 P1 9,16 P2 9,15 Q10-12 8,67
112
Captulo 4
- 3 ciclo - eliminada a medida P1-2

J (x )
2 J (x ) /
3 ciclo 20,99 = 43,0
91,6
2,13 (D)
(D) indica deteco de erros grosseiros Tabela 4.30 Resduos normalizados de maior amplitude 3 ciclo Medida Amplitude do resduo normalizado Q10-12 8,75 P10-12 8,31 V6 4,26 Q12-13 4,16 V17 4,11
- 4 ciclo - eliminada a medida Q10-12

J (x )
2 J (x ) /
4 ciclo 20,99 = 43,0
27,3
0,63
Neste ciclo o teste do J ( x ) no detectou a presena de erros grosseiros nas medidas. Como se pode verificar, o mtodo detectou e identificou correctamente as medidas afectadas pelos erros grosseiros, no entanto a eliminao de medidas que podero, ou no estar afectadas por erros grosseiros leva diminuio da redundncia de medidas e a um aumento do correlacionamento dos resduos. Estes factos tm como consequncia a diminuio da eficcia do teste de deteco e a possibilidade de tornar a rede inobservvel
113
Captulo 4
4.6.2 Gerao de pseudomedidas As pseudomedidas so valores que com alguma preciso se podem atribuir a certas medidas do sistema. Elas podero ser obtidas recorrendo a valores das medidas respectivas guardadas em bases de dados, por recurso a previses de carga a curto prazo ou at mesmo experincia do operador. Uma outra forma de gerar um valor mais preciso para a medida afectada por erro pode ser determinada custa de uma frmula baseada na matriz covarincia dos resduos. O novo valor a usar para a medida em erro ( z in ) poder ser obtido de:
z in = z im
i2
cov(rii )
( z im z ic )
(4.21)
em que:
z im
- Valor atribudo a zi, na qual foi posteriormente detectada a presena de um erro grosseiro.
z ic
- Valor de zi calculado a partir dos valores estimados inicialmente para V e . - Varincia associada ao rudo de medida de zi.
cov(rii ) - Elemento i da diagonal principal da matriz covarincia dos resduos.
A eficcia deste mtodo de gerao de pseudomedidas, foi comprovada pela realizao de diversos testes. Nas tabelas 4.32, 4.33 e 4.34 encontram-se compilados os resultados obtidos. Da anlise dos resultados pode concluir-se que os valores gerados para as pseudomedidas so muito prximos dos verdadeiros valores das grandezas medidas e consequentemente a estimativa do estado do sistema aps reestimao ser fivel.
114
Captulo 4
Tabela 4.32 Preciso das medidas geradas para a medida V18.

Medida Amplitude do erro grosseiro 20x 15x V18 7x -7x -15x -20x Verdadeiro valor (pu) 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 Valor medido (pu) 1,0200 1,015 1,0070 0,9930 0,9850 0,9800 Valor estimado (pu) 1,0060 1,0044 1,0020 0,9978 0,9954 0,9939 Valor gerado (pu) 0,9999 0,9998 0,9998 0,9998 0,9998 0,9999
Tabela 4.33 Preciso das medidas geradas para a medida P1-2.

Medida Amplitude do erro grosseiro 20x 15x P1-2 7x -7x -15x -20x Verdadeiro valor (pu) 0,0742 0,0742 0,0742 0,0742 0,0742 0,0742 Valor medido (pu) 0,2742 0,2242 0,1442 0,0042 -0,0758 -0,1258 Valor estimado (pu) 0,1701 0,1147 0,1042 0,0333 -0,0072 -0,0325 Valor gerado (pu) 0,0632 0,0630 0,0631 0,0631 0,0631 0,0631
Tabela 4.34 Preciso das medidas geradas para a medida Q10-12.

Medida Amplitude do erro grosseiro 20x 15x Q10-12 7x -7x -15x -20x Verdadeiro valor (pu) 0,0843 0,0843 0,0843 0,0843 0,0843 0,0843 Valor medido (pu) 0,2843 0,2343 0,1543 0,0143 -0,0657 -0,1157 Valor estimado (pu) 0,2229 0,1876 0,1313 0,0333 -0,0222 -0,0568 Valor gerado (pu) 0,0761 0,0860 0,0773 0,0770 0,0767 0,0762
De seguida ser demonstrado o comportamento do algoritmo desenvolvido, na presena de mais do que uma medida afectada por erros grosseiros. As medidas afectadas e as amplitudes dos erros grosseiros sero os mesmo que foram usados no ponto 4.6.1.
115
Captulo 4
Os resultados do primeiro ciclo de estimao - deteco esto representados nas tabelas 4.25 e 4.26.
- 2 ciclo - Corrigir a medida V18 O valor gerado para a medida V18 foi 0,9976 pu
J (x )
2 J (x ) /
2 ciclo 20,99 = 43,0
317
7,37 (D)
Tabela 4.36 Resduos normalizados de maior amplitude 2 ciclo Medida Amplitude do resduo normalizado P1-2 14,78 P2 9,33 P1-3 9,10 P1 9,09 Q10-12 8,03
- 3 ciclo - Corrigir a medida P1-2 O valor gerado para a medida P1-2 foi 0,0637 pu
J (x )
2 J (x ) /
3 ciclo 20,99 = 43,0
98
2,37 (D)

116
Captulo 4
Tabela 4.38 Resduos normalizados de maior amplitude 3 ciclo Medida Amplitude do resduo normalizado Q10-12 8,10 V6 4,90 Q16 4,15 Q12-13 3,90 Q11-13 3,85
- 4 ciclo - Corrigir a medida Q10-12 O valor gerado para a medida Q10-12 foi 0,0855 pu
J (x )
2 J (x ) /
4 ciclo 20,99 = 43,0
31,2
0,72
Uma comparao da preciso das estimativas obtidas pode avaliar-se pela anlise da figura 4.8 e da tabela 4.40 onde esto representados os erros mdios e mximo na estimao do vector de estado. Foram comparadas as estimativas considerando: - o vector de medidas sem erros grosseiros; - o vector de medidas sem as medidas identificadas como erradas (Medidas eliminadas); - o vector de medidas com as medidas identificadas corrigidas (Medidas corrigidas).
Tabela 4.40 Erros de estimao (mdio e mximo) no vector de estado.

med
Sem erros grosseiros Medidas eliminadas Medidas corrigidas 3,91E-04 5,21E-04 3,28E-04
max
1,49E-03 2,09E-03 1,49E-03
Vmed
9,62E-04 9,33E-04 1,14E-03
Vmax
4,80E-03 4,80E-03 4,80E-03
117
Captulo 4
Sem erros grosseiros Medidas eliminadas 5.00E-03 4.50E-03 4.00E-03 3.50E-03 3.00E-03 2.50E-03 2.00E-03 1.50E-03 1.00E-03 5.00E-04 0.00E+00
M edidas co rrigidas M edidas eliminadas
Medidas corrigidas
1 med
2 max
Sem erro s gro sseiro s
3 Vmed
4 Vmax
Figura 4.8 Comparao dos erros de estimao no vector de estado.
4.7 - CONCLUSES
Neste captulo foi analisado o comportamento dos algoritmos de estimao de estado implementados, nomeadamente o mtodo WLS na sua verso integral e na verso desacoplada. No incio foi efectuada uma descrio dos mtodos de estimao de estado implementados, uma descrio das redes de teste e das configuraes de medidas usadas nas simulaes. Na anlise dos resultados estudou-se com particular ateno o comportamento do vector de estado estimado para os diversos algoritmos implementados e para as diversas configuraes de medidas, na presena e ausncia de erros grosseiros.
118
Captulo 4
Foram tambm testados mtodos de deteco e identificao de erros grosseiros nas medidas, um baseado no teste do J ( x ) e outro no clculo dos resduos normalizados. Finalmente foi ainda testado um mtodo correco do vector das medidas por eliminao das medidas provveis de estarem afectadas por erros grosseiros e um outro mtodo de correco das possveis medidas afectadas por erros baseado na substituio das mesmas por pseudomedidas. Os resultados e a anlise dos vrios testes foram apresentados ao longo do desenvolvimento do captulo.
119
CAPTULO 5 CONCLUSO
121
Captulo 5
Captulo 5
CONCLUSO
Nesta tese foi desenvolvida investigao sobre algoritmos para estimao de estado esttica de SEE, baseados no mtodo dos mnimos quadrados ponderados.
A estimao de estado uma ferramenta importante dentro dos centros de controlo e conduo dos sistemas elctricos de energia. Dela depende a criao de uma base de dados coerente e fivel que auxilia as aces a tomar pelos operadores do sistema, para que a conduo do mesmo se faa dentro de parmetros, de qualidade tcnica e econmica preestabelecidos.
O conhecimento do estado da rede em tempo real uma necessidade imposta pelas novas exigncias relativas ao funcionamento dos mercados de energia. A liberalizao do sector elctrico e o aparecimento da competitividade leva explorao dos SEE muito prxima dos limites de segurana e capacidade. Para garantir o assegurar de todas estas necessidades, novas funes foram acrescentadas aos tradicionais centros de controlo que se transformaram em sistemas de gesto de energia (EMS). Tambm nestes EMS, a existncia de uma base de dados confivel e coerente imprescindvel, assumindo a estimao de estado um papel preponderante.
Neste trabalho de investigao foram implementados algoritmos para a estimao de estado esttica em SEE, baseados no mtodo dos mnimos quadrados ponderados.
122
Captulo 5
Neste mtodo, a melhor estimativa do estado do sistema atingida quando, a soma ponderada do quadrado dos resduos mnima, sendo a ponderao atribuda de acordo com a preciso das medidas efectuadas.
O mtodo implementado foi dividido em duas verses, a verso standard integral (WLS) e uma verso que recorre ao desacoplamento das matrizes ganho e jacobiana (MDE).
Da anlise dos resultados pode concluir-se que a verso integral a que produz estimativas mais precisas para o vector de estado e com menor nmero de iteraes, contudo a verso desacoplada, compensa a menor preciso das estimativas com uma boa eficincia computacional, quer ao nvel da rapidez de clculo quer ao nvel de memria necessria.
Uma caracterstica importante do mtodo dos mnimos quadrados ponderados o facto da matriz [HTR-1H]
-1
ser interpretada como sendo a matriz covarincia do erro de
estimao, que podendo ser calculada previamente implementao do estimador de estado, permite estudar a influncia da localizao, tipo e preciso da aparelhagem de medida na preciso da estimativa obtida.
A qualidade e o desempenho do algoritmo de estimao de estado depende da sua capacidade em detectar, identificar e corrigir as medidas afectadas por erros grosseiros. Uma vantagem do uso do mtodo dos mnimos quadrados ponderados a simplicidade de implementao dos mtodos de deteco e identificao de erros grosseiros que lhe esto associados. Sobre este assunto, foram analisados no captulo 3, algumas das metodologias normalmente utilizadas.
Foi implementado o teste da soma pesada do quadrado dos resduos, ou da funo

) e um teste baseado nos resduos normalizados, para a deteco de erros critrio J ( x
grosseiros nas medidas e um processo de gerao de pseudomedidas que determina o novo valor das medidas consideradas como estando afectadas por erros grosseiros custa de uma frmula baseada na matriz covarincia dos resduos. Os testes realizados com erros
123
Captulo 5
mltiplos no correlacionados indicam que o estimador necessita de tantos ciclos de deteco / eliminao e reestimao quanto o nmero de medidas afectadas com erros, o que torna o processo de estimao de estado bastante demorado.
O trabalho que serviu de base a esta tese no est totalmente finalizado. Poderia ser desenvolvido e melhorado em vrios aspectos, dos quais destaco:
- o desenvolvimento de algoritmos para obteno da observabilidade do SEE em estudo; - o desenvolvimento de um algoritmo que permita escolher a configurao de medidas que melhor satisfaa os objectivos predefinidos.
A dissertao aqui apresentada abre caminho para novas perspectivas de investigao na rea da estimao de estado de SEE que pretendo realizar, nomeadamente o desenvolvimento de uma metodologia de processamento paralelo e distribudo para a estimao de estado dinmica. Uma outra rea interessante seria a utilizao da lgica fuzzy na estimao de estado tendo por base mtodos alternativos ao convencional WLS.
124
BIBLIOGRAFIA
126
Bibliografia
Bibliografia
[1]
Pedro Zarco and Antnio Gmez Expsito,.- Power System Parameter Estimation: A Survey. IEEE, Vol. 3, 13-17 July 2003.
[2]
W.-H. Edwin Liu, Swee-Lian Lim, Parameter Error Identification and Estimation in Power System State Estimation. IEEE Trans. On Power Systems, vol. 10, no. 1, Feb. 1995.
[3]
Zita A. Vale, Explorao dos Sistemas Elctricos de Energia. Revista da Universidade Moderna do Porto, Coleco Cincias da Engenharia, pag.83-131, Maro 2001.
[4]
W. Ackerman, W. Block, Understanding Supervisory Systems. IEEE Computer Applications in Power, vol. 5, n. 4, pp. 37-40, EUA, Oct. 1992.
[5]
Zita A. Vale, Knowledge-Based Systems Techniques and Applications in Power Systems Control Centers, em Intelligent Systems Technologies and Applications, Ed. Cornelius T.Leondes, CRC Press, vol. 6, pag. 61-110.
[6]
Jos B. Carvalho, O processamento Distribudo na Estimao de Estado de Sistemas Elctricos de Energia. Tese de Doutoramento, FEUP, 1999.
[7]
Papoulis, A. Probability, Random Variables and Stochastic Processes. McGrawHill Publishing Company Ltd, New York, 1969
127
Bibliografia
[8]
Dopazo, J.F.; Klitin, O. e Van Slyck, L.S. Implementation of the AEP Real-Time Monotoring System. Proc. of the IEEE /PES Winter Meeting and Tesla Symposium, New York, January 1976.
[9]
Peter J. Katsikas, George N. Korres. Unified Observability and Measurement Palcement in Generalized State Estimation. IEEE Trans. Power Systems, Vol. 18, No.1, pp.324-333, Feb. 2003.
[10] M.K. Celikand W-H. E Liu. An Incremental Measurement Placement Algorithm for State estimation. IEEE trans. Power Systems, vol. 10(3), pp. 1698-1703, 1995.
[11]
Mafaakher, F., Brameller, A. e Bermudez, J.F.- Optimal Metering Design Using Fast Decoupled Estimator. Proceedings of IEE, Vol. 126, January 1979.
[12]
Korres, G.N. e Contaxis, G.C. A tool for the Evaluation and Selection os State Estimator Measurement Schemes. IEEE Trans. Power Syst., Vol. 9, n 2, May 1994.
[13] A. Radovanovic. Using the Internet in Networking of Synchronized Phasor measurement Units. ELSEVIER - International Journal of Electrical Power & Energy Systems, no. 23 (2001), pp. 245- 250.
[14] Schweppe, F.C.; Wildes J. e Rom, D.B. Power System Static-State Estimation, Parts I, II, III. IEEE Trans. On Pas, Vol. Pas-89, January 1970.
[15] Do Couto Filho, M.B.; Leite da Silva, A.M. e Falco, D.M., - Bibliography On Power System State Estimation (1968-1989). IEEE Trans. on PWRS, Vol. 5, August 1990.
[16] Isabel Maria Ferreira, A Estimao de Estado de Sistemas Elctricos de Energia. Tese de Doutoramento, FEUP, 1995.
128
Bibliografia
[17] Lars Holten, Anders Gjelsvik, Sverre Aam, Felix F. Wu, Wen-Hsiung E. Liu, Comparison of Different Methods for State Estimation. vol. 3, No. 4, pp. 1798-1806, Nov. 1988.
[18]
F.C. Schweppe and E.J. Handschin, Static State Estimation in Electric Power Systems. Proc. IEEE, vol. 62, pp.972-983, July 1974.
[19]
J.W. Gu, K.A. Clements, G.R. Krumpholtz, P.W. Davis. The Solution of IllConditioned Power System State Estimation Problems via the Method of Peters and Wilkinson. IEEE Trans. On Power Apparatus and Systems, vol. 102, pp. 3473-3480, Oct 1983.
[20] K. A. Clements, G. W. Woodzell, R. C. Burchett, A New Method for Solving Equality-Constrained Power System Static State Estimation, IEEE Transactions on Power Systems, Vol. 5, No. 4, pp. 1260-1266, Nov. 1990.
[21]
J.M.Ramrez, E.E. Barocio. Solving State Estimation in Power Systems by an Interior Point method. ELSEVIER- International Journal of Electrical Power & Energy Systems, no. 22, pp. 355-365, Jun 2000.
[22] Faridoon Shababi, Nadipuran R. Prasad, Howard A.Smolleck, A fuzzy-logicsupported weighted least squares state estimation. ELSEVIER- Electric Power Systems Research (39), pp. 55-60, 1996.
[23] V. Miranda, Jorge Pereira, J. Tom Saraiva, Load Allocation in DMS with a Fuzzy State Estimator. IEEE Transactions on Power Systems, Vol. 15,No. 2, pp. 529-534, May 2000.
129
Bibliografia
[24] V. Miranda, J. Pereira, J. T. Saraiva, Experiences in State Estimation Models for Distribution Systems Including Fuzzy Systems, Proceedings of StockholmPower Tech, Stockholm, Sweden, June 1995.
[25] V. Miranda, M. Matos, J. T. Saraiva, Fuzzy Load Flow - New Algorithms Incorporating Uncertain Generation and Load Representation. 10th PSCC, Graz, August 1990; Proceedings of the 10th PSCC, Butterworths, London, 1990.
[26]
Stott,B. e Alsac, O. -Fast Decoupled Load Flow. IEEE Trans. on PWRS, Vol.PAS93, n3, May /June, 1974.
[27]
Horisberger, H.P.; Richard, J. e Rossier, C. -Fast Decoupled Static State Estimator for Electric Power Systems. IEEE Trans. on PWRS, Vol.PAS-98, n1, January /February, 1976.
[28]
Monticelli, A. e Garcia, A. -Fast Decoupled State Estimators. IEEE Trans. on PWRS, Vol. 5, May 1990.
[29] I.M. Ferreira, F.M. Barbosa. Uma Viso Global da Estimao de Estado de S.E.E., Proc. of 'Jornadas Luso-Espanholas de Engenharia Electrotcnica, July 7-9, 1999. Lisboa, Portugal.
[30]
J.K. Mandal,A.K. Sinha. Hierarchical Dynamic State Estimation Incorporating Measurement Function Non-linearities. Electrical Power & Energy Systemas, Vol. 19, no 19,1997.
[31] Kevin Judd, Nonlinear State Estimation, indistinguishable States, and the Extended Kalman Filter. ELSEVIER-Physica D (183), pp. 273-281, 2003
130
Bibliografia
[32] G. Durga Prasad, S.S.Thakur, A New Approach to dynamic State Estimation of Power Systems. Electric Power System Research 45 (1998) pag. 173-180.
[33] C. Madtharad, S. Premrudeepreechacharn,N.R. Watson, D. Saenrak.- Measurement Placement Method for Power System State Estimation: PartI. IEEE, Vol. 3, 13-17 July 2003.
[34]
Nabil H. Abbasy, Wael El-hassawy, Power system State Estimation: ANN Application to bad data detection and identification. IEEE pp 611-615, 1996
[35]
Neter, J., Wasserman, W. e Whitmore, G. A. Applied Statistics. Allyn and Bacon, Needham Heights,1993.
[36]
Berenson, M.L. e Levine, D.M. Basic Business Statistics. Prentice-Hall, Inc., Englewood Clifs, New Jersey, 1992.
[37]
Dougherty, E.R. Probability and Statistics for the Engineering, Computing and Physical Sciences.Prentice-Hall, Inc., Englewood Clifs, New Jersey, 1990.
[38]
Spiegel, M.R. Theory and Problems of Probability and Statistics. McGraw-Hill, New York, 1977.
[39]
A. Monticelli, Electric Power System State Estimation. Proc. IEEE, vol. 88, No. 2, Feb. 2000
[40]
Sorenson, H.W. Parameter Estimation. Marcel Dekker, New York, 1980.
[41]
Goodwin, G.C. e Payne, R.L. Dynamic System Identification: Experiment Design and Data Analysis. Academic Press, New York, 1977.
131
Bibliografia
[42]
Lo, K.L., Ong, P.S.; McColl, Moffatt, e Sulley. Development of a Static-State Estimatior, Part I: Estimation and Bad Data Suppression. IEEE Trans. On Pas, Vol. Pas-102, August 1983.
[43]
Handschin, E.; Schweppe,F.C. e Fietcher, A. - Bad Data Analysis For Power System State Estimation. IEEE Trans. on PWRS, Vol. PAS-94, March / April 1975.
[44]
Merril, H.; Schweppe,F.C. - Bad Data Supression in Power System
Static
State
Estimation. IEEE Trans. on PWRS, Vol. PAS-90, November / December, 1971
[45]
Mili, L.; Van Cutsem, e Pavella, R., Hypothesis Testing Identification. IEEE Trans. on PWRS, Vol. 103, n 11, November 1984.
[46]
Dougherty, E.R. Probability and Statitics for the Engineering, Computing and Phisical Sciences. Prentice-Hall, New Jersey, 1990.
132
APNDICES
Apndice A
Apndice A
Propriedades do Estimador WLS / Determinao das Matrizes Covarincia
A introduo de algumas hipteses relativas modelizao estatstica do rudo de medida permite, com base nos resultados obtidos por linearizao das equaes de estimao, caracterizar o estimador WLS. Assim: 1. Se e tiver mdia nula, o estimador WLS no enviesado. Se atendermos equao (D.7) obtemos:
E ( x ) = E ( x H T R 1 e ) = x H T R 1 E ( e ) = 0
(A.1)
de um modo anlogo pode-se concluir que:

E ( h ) = E (r ) = 0
(A.2)
2. Se e tiver mdia nula e matriz covarincia R, ento as expresses para cov(h) e cov(r) so:
cov( h ) = H x H T cov( r ) = R H x H T = WR
(A.3) ( A.4)
em que W a matriz sensibilidade dos resduos aos erros de medida, definida no Apndice D. Para demonstrar as equaes anteriores comea-se por obter a matriz covarincia de x. Assumindo que x = x H T R 1 e , em que
x = [H T R 1 H ]1 ,
134
Apndice A
vem:
T E x x = x H T R 1 E ee T R 1 H x = x
[ ]
(A.5)
Atendendo a que
h = H x = H x H T R 1e = S e
em que:
S = H H T R 1 H
(A.6)
H T R 1
(A.7)
a matriz sensibilidade dos erros de estimao das grandezas medidas, aos erros de medida, e considerando que:
) = h( x) + e h( x ) r = z h( x
= H x + e = H H T R 1 H
H T R 1e + e
= I H ( H T R 1 H ) 1 H T R 1 e = W.e Atendendo s equaes (A. 6), (A.8) e (A.2) obtm-se:

T T cov( h ) = E h T h = E H x x H
(A.8)
] [
]
(A.9)
= H cov( x )H T = H x H T
cov( r ) = E r r T = E W e e T W T
[ ] [
]
]
]
= I H x H T R 1 R I R 1 H x H T
= R H x H T I R 1 H x H T
] [
][
135
Apndice A
= R H x H T H x H T + H x H T R 1 H x H T = R H x H T H x H T + H x H T = R H x H T = r
(A.10)
As expresses obtidas para os vectores x, h, r e respectivas matrizes covarincia, apresentam-se compiladas na tabela seguinte. Tabela A.1 Vectores x, h, r e respectivas matrizes covarincia. Grandeza x h r cov(x) cov(h) cov(r) Definio
= xx = h( x ) h( x) ) = z h( x = E [ x T x ] = E [ h T h ] = E [r r T ]
x = [H T R 1 H ]
1
E ( x ) = E ( h ) = E ( r ) = 0
= H x H T R 1 e = S e
= I H x H T R 1 e = W e
= x H T R 1 e
= x
= H x H T
= R H x H T = W R
3. Se e tiver distribuio normal os vectores x, h e r tambm apresentam distribuio normal.
Esta concluso resulta das relaes lineares expressas anteriormente pelas equaes (D.7), (D.10), (D.13) e da seguinte propriedade [7]: transformaes lineares de variveis aleatrias gaussianas so tambm variveis aleatrias gaussianas.
4. Se e tiver distribuio normal, N(0,R), o estimador dos mnimos quadrados ponderados que temos vindo a analisar um estimador eficaz.
136
Apndice B
Apndice B
) na Presena de Erros Comportamento de r e J( x
Grosseiros
A metodologia de deteco dos erros grosseiros que podero eventualmente afectar as medidas recolhidas ao longo da rede, assenta fundamentalmente no conhecimento da
) que definida por: varivel aleatria J ( x ) = [z h( x )] R 1 [z h( x )] J( x
T
(B.1)
Para implementar esta metodologia necessrio o conhecimento prvio da funo

) na ausncia de erros grosseiros, sendo possvel densidade de probabilidade de J ( x
demonstrar a seguinte afirmao:

) tem distribuio qui-quadrado com Se e ~ N(0,R) com R = diag( i2 ), ento J ( x
(m - n) graus de liberdade. em que, n representa o nmero de variveis de estado do sistema e m o nmero de medidas.
) = W .e , obtmRealmente, considerando a equao (B.1) e atendendo a que r = z h( x
se:
) = r T R 1 r = e T W T R 1We J( x
(B.2)
Dado que WTR-1W = R-1W, vem:
137
Apndice B
) = e T R 1We = e T R 1 (I H x H T R 1 )e J( x = e T R 1 / 2 (I R 1 / 2 H x H T R 1 / 2 )R 1 / 2 e = (R
1 / 2
e) R
T
1 / 2
WR
1/ 2
(R
1 / 2
e)
(B.3)
em que:
R 1 / 2 = R = diag( i ) i = 1,.....,m
x ) resulta da equao A caracterizao da funo densidade de probabilidade de J (
(B.3) e da seguinte propriedade [40, 41]: Seja y (mx1) uma varivel aleatria com distribuio normal, y ~ N(0,I) e seja A uma matriz simtrica, semi-definida positiva, idempotente e de caracterstica k < m. Ento a forma quadrtica yTAy tem distribuio 2 (qui-quadrado) com k graus de liberdade. Verificando que a matriz R-1/2 W R1/2 e o vector R-1/2 e satisfazem realmente as condies da propriedade anteriormente enunciada e como r(R-1/2 W R1/2) = m n, pode-se concluir
) ~ 2 , sendo o nmero de graus de liberdade definidos por m n e portanto: que J ( x )] = m n E [J ( x )] = 2( m n ) var[J ( x
(B.4) (B.5)
Sempre que o nmero de graus de liberdade aumenta, a distribuio 2 tende para uma distribuio normal com o mesmo valor mdio e o mesmo desvio padro. Habitualmente faz-se a aproximao 2 pela distribuio normal quando o nmero de graus de liberdade superior a 30, definindo-se ento uma varivel aleatria auxiliar com distribuio N(0,1):
= )(m n) J( x 2( m n )
(B.6)
138
Apndice B
As concluses at aqui obtidas, baseiam-se na linearizao do modelo que relaciona o vector das medidas (z) recebidas no centro de controlo, com o vector de estado (x), em torno
e nas relaes da decorrentes. Esta hiptese simplificativa garante de um da estimativa x
modo geral, bons resultados relativamente deteco e identificao de erros grosseiros. Uma vez que r = W e e substituindo e por (v + g), cuja definio se encontra no captulo 3, obtm-se:
r = W(v + g) = W v + W g
(B.7)
e consequentemente:
E( r ) = W g
cov( r ) = W R
(B.8)
Nesta situao, o vector dos resduos tem a seguinte caracterizao estatstica:

r ~ N(Wg , WR)
x ) e considerando a equao (B.3), obtm-se: Para a varivel aleatria J (
(B.9)
J (x ) = e T R 1We = (v + g ) T R 1W (v + g ) = v T R 1Wv + 2 g T R 1Wv + g T R 1Wg
(B.10)
Por anlise da equao (B.10) pode-se verificar que o primeiro termo que a aparece
) na ausncia de erros grosseiros, (B.3). Como atrs se corresponde expresso de J ( x
referiu, esse termo possui distribuio 2 com m n graus de liberdade. O segundo termo tem distribuio normal e o ltimo termo uma constante. Pode-se ento afirmar que, quando o nmero de graus de liberdade for superior a 30, a distribuio de J ( x ) pode ser aproximada por uma distribuio normal.
139
Apndice C
Apndice C
Resduos Normalizados e Resduos Ponderados

Quando no existem erros grosseiros a contaminar as medidas, a equao r ~ N(0,WR), caracteriza estatisticamente o vector dos resduos. A partir de r, podem-se definir dois novos vectores de resduos, o vector dos resduos normalizados (rN) e o vector dos resduos ponderados (rW), usualmente utilizados para a deteco de erros grosseiros [42, 43, 44, 45]. Estes vectores so definidos da seguinte forma:
rW = R 1 r rN = D 1 r
(C.1) (C.2)
em que:
D = diag( WR )
(C.3)
sendo as respectivas matrizes covarincia dadas por:

cov( rW ) = R 1 W R cov( rN ) = D 1 WR D 1
(C.4) (C.5)
De forma equivalente a (C.1) e (C.2), mas abandonando a representao matricial, os resduos ponderados (rW), podem ser definidos como:
rWi = ri i i = 1,.....,m
(C.6)
e os resduos normalizados (rN), como:

rNi = ri var( ri ) = ri ( WR )ii = ri i Wii i = 1,.....,m
(C.7)
140
Apndice C
Se no existirem erros grosseiros, os resduos ri (i=1,.....,m), apresentam distribuio

N(0,(WR)ii) e como tal: rWi ~ N(0,Wii) rNi ~ N(0,1)
(C.8) (C.9)
141
Apndice D
Apndice D
Linearizao das Equaes de Medida

Na estimao do vector de estado pelo mtodo dos mnimos quadrados ponderados
, que minimiza a funo objectivo J(x), isto (WLS), pretende-se obter o vector de estado x
:
J ( x ) T )R 1 [z h( x )] = 0 |x = x = 2 H ( x x
min J ( x ) =
(D.1)
Por simplicidade de notao passa-se a representar H(x) por H. Atendendo equao (2.15), a equao (D.1), pode escrever-se como:
)] = 0 H T R 1 [h( x ) + e h( x
(D.2)
Considere-se o desenvolvimento em srie de h(x) em torno do valor estimado

, para o vector de estado: x
) + H . x + O x h( x ) = h( x
( )
2
(D.3)
em que x representa o erro de estimao do vector de estado do sistema e calculado por:

x = x x
(D.4)
Desprezando em (D.3) os termos de ordem superior a dois obtm-se:

) + H . x h( x ) = h( x
(D.5)
142
Apndice C
, assumindo valores pequenos para x, A linearizao de h(x) em torno do valor estimado x
resulta da equao (D.2) que:

H T R 1 H . x + H T R 1e = 0
(D.6)
Assumindo que a matriz HTR-1H invertvel vem:

x = x H T R 1 e
(D.7)
em que:
x = [H T R 1 H ]
(D.8)
Na ausncia de erros grosseiros esta linearizao justifica-se pela reduzida amplitude do rudo de medida. Neste caso, o erro da estimao suficientemente pequeno, permitindo limitar o desenvolvimento em srie da equao de medida ao termo de primeira ordem. Na presena de erros grosseiros considerveis, a experincia tem demonstrado que a utilizao da relao (D.5) para a anlise de erros grosseiros continua a fornecer bons resultados. Para alm do erro da estimao x , interessa na prtica tambm analisar o erro da estimao das grandezas medidas h , definido por:
) h = h( x ) h( x
(D.9)
). isto , a diferena entre o verdadeiro valor das medidas h(x) e o valor estimado h( x
Considerando a linearizao referida em (D.5) obtm-se:

h = H x = H H T R 1 H
H T R 1e = S e
(D.10)
em que:
S = H H T R 1 H H T R 1
(D.11)
143
Apndice C
a matriz sensibilidade dos erros de estimao das grandezas medidas, aos erros de medida.
Outra grandeza importante na anlise de erros grosseiros so os resduos de medida,

), obtidos pela diferena entre os valores medidos z e os respectivos valores estimados h( x
isto :
) r = z h( x
(D.12)
e, considerando as equaes (2.15), (D.8) e (D.9), obtm-se:

) r = h( x ) + e h( x = H x + e = H H T R 1 H
H T R 1e + e
= I H (H T R 1 H ) H T R 1 e
1
= W.e em que:
W = I H H T R 1 H
(D.13)
)1 H T R 1
(D.14)
a matriz sensibilidade dos resduos aos erros de medida.
De salientar que em situaes reais de utilizao do estimador de estado, as nicas grandezas que podem ser efectivamente calculadas aps a estimativa do vector de estado do sistema, so os resduos de medida, pois o verdadeiro valor das medidas (assim como o verdadeiro valor do vector de estado) ser sempre desconhecido.
144
Apndice E
Apndice E
Dados da Rede de Teste de 24 Barramentos

Neste apndice sero apresentados os resultados do trnsito de potncias obtido pelo programa PowerWorld Simulator, bem como os dados necessrios para a simulao da rede de 24 barramentos. Foi considerada uma potncia de base de 100MVA. Tabela E1-Dados e resultados do trnsito de potncias.
Barramentos
N 1 2 3 4 5 6a) 7 8 9 10 11 12 13 14b) 15 16 17 18 19 20 21 22 23 24 Tipo PV PV PQ PQ PQ PQ PV PQ PQ PQ PQ PQ PV PQ PV PV REF PV PQ PQ PV PV PV PQ (pu) 1,0000 1,0000 0,9440 0,9525 0,9622 0,9164 1,0000 0,9549 0,9510 0,9533 0,9783 0,9623 1,0000 1,0035 1,0000 1,0000 1,0000 1,0000 0,9870 0,9888 1,0000 1,0000 1,0000 0,9658
Tenso
(rad) -0,3810 -0,3821 -0,3679 -0,4178 -0,4213 -0,4599 -0,3276 -0,4129 -0,3681 -0,4012 -0,2714 -0,2461 -0,2044 -0,2260 -0,1091 -0,1033 0,0000 0,0131 -0,1190 -0,0748 0,0323 0,0761 -0,0256 -0,2031
Produo
P(MW) 170,00 170,00 0,00 0,00 0,00 0,00 270,00 0,00 0,00 0,00 0,00 0,00 300,00 0,00 185,00 130,00 233,99 350,00 0,00 0,00 295,00 135,00 655,00 0,00 Q(MVAr) 65,13 69,81 0,00 0,00 0,00 0,00 76,11 0,00 0,00 0,00 0,00 0,00 189,50 0,00 169,23 97,92 -13,72 65,23 0,00 0,00 -22,88 -22,25 23,03 0,00
Carga
P(MW) 108,00 97,00 180,00 74,00 71,00 136,00 125,00 171,00 175,00 195,00 0,00 0,00 265,00 194,00 317,00 100,00 0,00 333,00 81,00 120,00 0,00 0,00 0,00 0,00 Q(MVAr) 22,00 20,00 37,00 15,00 14,00 28,00 25,00 35,00 36,00 40,00 0,00 0,00 54,00 39,00 64,00 20,00 0,00 68,00 37,00 26,00 0,00 0,00 0,00 0,00
a) Este barramento tem um shunt capacitivo de 100 MVAr b) Este barramento tem um shunt capacitivo de 150 MVAr
145
Apndice E
Tabela E2- Dados das Linhas e transformadores
Barramentos de extremidade
(i) 1 1 1 2 2 3 3 4 5 6 7 8 8 9 9 10 10 11 11 12 12 13 14 15 15 15 15 16 16 17 17 18 18 19 19 20 20 21 (j) 2 3 5 4 6 9 24 9 10 10 8 9 10 11 12 11 12 13 14 13 23 23 16 16 21 21 24 17 19 18 22 21 21 20 20 23 23 22
Resistncia
(pu) 0,0026 0,0546 0,0218 0,0328 0,0497 0,0308 0,0023 0,0268 0,0228 0,0139 0,0159 0,0427 0,0427 0,0023 0,0023 0,0023 0,0023 0,0061 0,0054 0,0061 0,0214 0,0111 0,0050 0,0022 0,0063 0,0063 0,0067 0,0033 0,0030 0,0018 0,0135 0,0033 0,0033 0,0051 0,0051 0,0028 0,0028 0,0087
Reactncia
(pu) 0,0139 0,2112 0,0845 0,1267 0,1920 0,1190 0,0839 0,1037 0,0833 0,0605 0,0614 0,1651 0,1651 0,0839 0,0839 0,0839 0,0839 0,0476 0,0418 0,0476 0,0966 0,0865 0,0389 0,0173 0,0490 0,0490 0,0519 0,0259 0,0231 0,0144 0,1053 0,0259 0,0259 0,0396 0,0396 0,0216 0,0216 0,0678
Susceptncia
(pu) 0,2305 0,0286 0,0115 0,0172 0,0260 0,0161 0,0000 0,0141 0,0119 1,2295 0,0083 0,0223 0,0223 0,0000 0,0000 0,0000 0,0000 0,0499 0,0439 0,0499 0,1015 0,0909 0,0409 0,0182 0,0505 0,0505 0,0545 0,0273 0,0243 0,0152 0,1106 0,0273 0,0273 0,0417 0,0417 0,0227 0,0227 0,0712
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 1,00 1,00 1,00 1,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
146
Apndice F
Apndice F
Dados da Rede de Teste de 118 Barramentos

Os dados da rede de 118 barramentos, bem como os resultados do trnsito de potncias sero apresentados nas tabelas seguintes. Todos os valores por unidade so calculados para uma potncia de base de 100MVA. Tabela F1-Dados e resultados do trnsito de potncias.
Barramentos
N 1 2 3 4 5 a) 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 Tipo PV PQ PQ PV PQ PV PQ PV PQ PV PQ PV PQ PQ PV PQ PQ PV PV PQ PQ PQ PQ PV PV PV PV PQ PQ
Tenso
(pu) 0,9559 0,9725 0,9686 0,9980 0,9994 0,9900 0,9894 1,0150 1,0802 1,0820 0,9855 0,9900 0,9718 0,9864 0,9740 0,9869 0,9984 0,9730 0,9683 0,9683 0,9705 0,9810 1,0047 0,9920 1,0489 1,0150 0,9680 0,9629 0,9639 (rad) -0.3245 -0.3152 -0.3091 -0.2442 -0.2840 -0.2916 -0.1468 -0.0274 0.0970 -0.2890 -0.2978 -0.3136 -0.3108 -0.3157 -0.3037 -0.2721 -0.3096 -0.3190 -0.3056 -0.2793 -0.2358 -0.1508 -0.1525 -0.0291 0.0028 -0.2464 -0.2763 -0.2927 -0.1845
Produo
P(MW) 0,00 0,00 0,00 -9,00 0,00 0,00 0,00 -28,00 0,00 450,00 0,00 85,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 -13,00 220,00 314,00 -9,00 0,00 0,00 Q(MVAr) -5,00 0,00 0,00 16,47 0,00 19,43 0,00 -297,68 0,00 -147,00 0,00 69,56 0,00 0,00 -10,00 0,00 0,00 8,37 -8,00 0,00 0,00 0,00 0,00 -33,99 140,00 -208,86 -17,84 0,00 0,00
Carga
P(MW) 51,00 20,00 39,00 30,00 0,00 52,00 19,00 0,00 0,00 0,00 70,00 47,00 34,00 14,00 90,00 25,00 11,00 60,00 45,00 18,00 14,00 10,00 7,00 0,00 0,00 0,00 62,00 17,00 24,00 Q(MVAr) 27,00 9,00 10,00 12,00 0,00 22,00 2,00 0,00 0,00 0,00 23,00 10,00 16,00 1,00 30,00 10,00 3,00 34,00 25,00 3,00 8,00 5,00 3,00 0,00 0,00 0,00 13,00 7,00 4,00
147
Apndice F
Barramentos
N 30 31 32 33 34 b) 35 36 37 c) 38 39 40 41 42 43 44 d) 45 e) 46 f) 47 48 g) 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 h) 75 76 77 78 Tipo PQ PV PV PQ PV PQ PV PQ PQ PQ PV PQ PV PQ PQ PQ PV PQ PQ PV PQ PQ PQ PQ PV PV PV PQ PQ PV PQ PV PV PQ PQ PV PV PQ PQ REF PV PQ PV PV PV PQ PV PV PQ
Tenso
(pu) 1,0437 0,9670 0,9675 0,9803 0,9954 0,9893 0,9884 1,0011 1,0377 0,9746 0,9700 0,9677 0,9850 0,9954 0,9993 0,9957 1,0050 1,0193 1,0219 1,0250 1,0033 0,9720 0,9631 0,9511 0,9550 0,9520 0,9545 0,9734 0,9630 0,9850 0,9945 0,9963 0,9980 1,0059 1,0164 1,0395 1,0500 1,0213 1,0214 1,0350 0,9851 0,9880 0,9800 0,9910 0,9621 0,9715 0,9430 1,0062 1,0038 (rad) -0.2902 -0.2566 -0.3267 -0.3150 -0.3218 -0.2840 -0.3218 -0.3067 -0.2166 -0.3648 -0.3831 -0.3918 -0.3658 -0.3196 -0.2798 -0.2484 -0.1979 -0.1602 -0.1735 -0.1557 -0.1920 -0.2382 -0.2550 -0.2712 -0.2541 -0.2592 -0.2560 -0.2360 -0.2512 -0.1829 -0.1178 -0.1023 -0.1131 -0.1234 -0.0941 -0.0428 -0.0438 -0.0895 -0.0433 0.0000 -0.1281 -0.1351 -0.1534 -0.1386 -0.1459 -0.1244 -0.1433 -0.0578 -0.0634
Produo
P(MW) 0,00 7,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 -46,00 0,00 -59,00 0,00 0,00 0,00 19,00 0,00 0,00 204,00 0,00 0,00 0,00 0,00 48,00 0,00 0,00 0,00 0,00 155,00 0,00 160,00 0,00 0,00 0,00 391,00 392,00 0,00 0,00 511,82 0,00 0,00 -12,00 -6,00 0,00 0,00 0,00 0,00 0,00 Q(MVAr) 0,00 20,55 -14,00 0,00 -8,00 0,00 -8,00 0,00 0,00 0,00 7,88 0,00 27,66 0,00 0,00 0,00 -20,01 0,00 0,00 66,51 0,00 0,00 0,00 0,00 -16,90 -1,96 -8,00 0,00 0,00 67,70 0,00 -100,00 -11,83 0,00 0,00 -67,00 89,86 0,00 0,00 29,63 -10,00 0,00 -16,23 6,60 -6,00 0,00 -1,55 -20,00 0,00
Carga
P(MW) 0,00 43,00 59,00 23,00 59,00 33,00 31,00 0,00 0,00 27,00 20,00 37,00 37,00 18,00 16,00 53,00 28,00 34,00 20,00 87,00 17,00 17,00 18,00 23,00 113,00 63,00 84,00 12,00 12,00 277,00 78,00 0,00 77,00 0,00 0,00 0,00 39,00 28,00 0,00 0,00 66,00 0,00 0,00 0,00 68,00 47,00 68,00 61,00 71,00 Q(MVAr) 0,00 27,00 23,00 9,00 26,00 9,00 17,00 0,00 0,00 11,00 23,00 10,00 23,00 7,00 8,00 22,00 10,00 0,00 11,00 30,00 4,00 8,00 5,00 11,00 32,00 22,00 18,00 3,00 3,00 113,00 3,00 0,00 14,00 0,00 0,00 0,00 18,00 7,00 0,00 0,00 20,00 0,00 0,00 0,00 27,00 11,00 36,00 28,00 26,00
148
Apndice F
Barramentos
N 79 i) 80 81 82 j) 83 k) 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 l) 106 107 m) 108 109 110 n) 111 112 113 114 115 116 117 118 Tipo PQ PV PQ PQ PQ PQ PV PQ PV PQ PV PV PV PV PQ PQ PQ PQ PQ PQ PV PV PQ PQ PV PV PV PQ PV PQ PQ PV PV PV PV PQ PQ PV PQ PQ
Tenso
(pu) 1,0098 1,0400 1,0393 0,9982 0,9952 0,9899 0,9936 0,9950 1,0150 0,9920 1,0050 0,9850 0,9800 0,9977 0,9939 0,9974 0,9888 1,0010 1,0168 1,0262 1,0100 1,0170 0,9977 0,9972 1,0036 0,9710 0,9687 0,9657 0,9520 0,9694 0,9696 0,9730 0,9800 0,9750 0,9930 0,9634 0,9630 1,0050 0,9827 0,9520 (rad) -0.0583 -0.0195 -0.0358 -0.0515 -0.0314 0.0124 0.0398 0.0164 0.0220 0.0944 0.1658 0.0555 0.0632 0.0106 -0.0264 -0.0435 -0.0464 -0.0393 -0.0469 -0.0527 -0.0351 -0.0091 0.0372 -0.0986 -0.1456 -0.1658 -0.1703 -0.2178 -0.1866 -0.1943 -0.2080 -0.1794 -0.2621 -0.2714 -0.2621 -0.2623 -0.0494 -0.2991 -0.1412 0.0106
Produo
P(MW) 0,00 477,00 0,00 0,00 0,00 0,00 0,00 0,00 4,00 0,00 607,00 -85,00 -10,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 -42,00 252,00 0,00 0,00 40,00 0,00 0,00 0,00 -22,00 0,00 0,00 0,00 36,00 -43,00 -6,00 0,00 0,00 -184,00 0,00 0,00 Q(MVAr) 0,00 153,42 0,00 0,00 0,00 0,00 -8,00 0,00 4,70 0,00 -51,48 49,00 -21,62 -3,00 0,00 0,00 0,00 0,00 0,00 0,00 -21,43 60,53 0,00 0,00 40,00 -8,00 -8,00 0,00 -2,11 0,00 0,00 -6,52 -2,80 38,56 -9,32 0,00 0,00 -413,37 0,00 0,00
Carga
P(MW) 39,00 130,00 0,00 54,00 20,00 11,00 24,00 21,00 0,00 48,00 0,00 78,00 0,00 65,00 12,00 30,00 42,00 38,00 15,00 34,00 0,00 37,00 22,00 5,00 23,00 38,00 31,00 43,00 28,00 2,00 8,00 39,00 0,00 25,00 0,00 8,00 22,00 0,00 20,00 33,00 Q(MVAr) 32,00 26,00 0,00 27,00 10,00 7,00 15,00 10,00 0,00 10,00 0,00 42,00 0,00 10,00 7,00 16,00 31,00 15,00 9,00 8,00 0,00 18,00 15,00 3,00 16,00 25,00 26,00 16,00 12,00 1,00 3,00 30,00 0,00 13,00 0,00 3,00 7,00 0,00 8,00 15,00
a) b) c) d) e) f) g) h)
Este barramento tem um shunt capacitivo de -40 MVAr Este barramento tem um shunt capacitivo de 14 MVAr Este barramento tem um shunt capacitivo de -25 MVAr Este barramento tem um shunt capacitivo de 10 MVAr Este barramento tem um shunt capacitivo de 10 MVAr Este barramento tem um shunt capacitivo de 10 MVAr Este barramento tem um shunt capacitivo de 15 MVAr Este barramento tem um shunt capacitivo de 12 MVAr
149
Apndice F
i) Este barramento tem um shunt capacitivo de 20 MVAr j) Este barramento tem um shunt capacitivo de 20 MVAr k) Este barramento tem um shunt capacitivo de 10 MVAr l) Este barramento tem um shunt capacitivo de 20 MVAr m) Este barramento tem um shunt capacitivo de 6 MVAr n) Este barramento tem um shunt capacitivo de 6 MVAr
Tabela F2- Dados das Linhas e transformadores

(i)
1 1 2 3 3 4 4 5 5 5 6 7 8 8 9 11 11 12 12 12 13 14 15 15 15 16 17 17 17 17 18 19 19 20 21
Resistncia
(pu)
0,0303 0,0129 0,0187 0,0241 0,0484 0,0018 0,0209 0,0119 0,0000 0,0203 0,0045 0,0086 0,0024 0,0043 0,0026 0,0059 0,0222 0,0215 0,0212 0,0329 0,0744 0,0595 0,0132 0,0120 0,0380 0,0454 0,0123 0,0000 0,0474 0,0091 0,0111 0,0252 0,0752 0,0183 0,0209
Reactncia
(pu)
0,0999 0,0424 0,0616 0,1080 0,1600 0,0080 0,0688 0,0540 0,0267 0,0682 0,0208 0,0340 0,0305 0,0504 0,0322 0,0196 0,0731 0,0707 0,0834 0,1400 0,2444 0,1950 0,0437 0,0394 0,1244 0,1801 0,0505 0,0388 0,1563 0,0301 0,0493 0,1170 0,2470 0,0849 0,0976
Susceptncia
(pu)
0,0508 0,0216 0,0312 0,0568 0,0812 0,0040 0,0348 0,0284 0,0000 0,0348 0,0108 0,0172 2,3240 1,0280 2,4700 0,0100 0,0376 0,0364 0,0428 0,0716 0,1252 0,1004 0,0888 0,0200 0,0640 0,0932 0,0256 0,0000 0,0800 0,0152 0,0228 0,0596 0,1264 0,0432 0,0492
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,960 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,11 0,00 0,00 0,00 0,00 0,00 0,00 0,00
(j)
2 3 12 5 12 5 11 6 8 11 7 12 9 30 10 12 13 14 16 117 15 15 17 19 33 17 18 30 31 113 19 20 34 21 22
150
Apndice F
(i)
22 23 23 23 24 24 25 25 26 27 27 27 28 29 30 31 32 32 33 34 34 34 35 35 37 37 37 38 39 40 40 41 42 43 44 45 45 46 46 47 47 48 49 49 49
Resistncia
(pu)
0,0342 0,0135 0,0156 0,0317 0,1022 0,0488 0,0000 0,0318 0,0079 0,0191 0,0229 0,0164 0,0237 0,0108 0,0046 0,0298 0,0615 0,0135 0,0415 0,0087 0,0026 0,0413 0,0022 0,0110 0,0000 0,0321 0,0593 0,0090 0,0184 0,0145 0,0555 0,0410 0,0358 0,0608 0,0224 0,0400 0,0684 0,0380 0,0601 0,0191 0,0844 0,0179 0,0267 0,0486 0,0398
Reactncia
(pu)
0,1590 0,0492 0,0800 0,1153 0,4115 0,1960 0,0382 0,1630 0,0860 0,0855 0,0755 0,0741 0,0943 0,0331 0,0540 0,0985 0,2030 0,0612 0,1420 0,0268 0,0094 0,1681 0,0102 0,0497 0,0375 0,1060 0,1680 0,0986 0,0605 0,0487 0,1830 0,1350 0,1610 0,2454 0,0901 0,1356 0,1860 0,1270 0,1890 0,0625 0,2778 0,0505 0,0752 0,1370 0,1450
Susceptncia
(pu)
0,0808 0,0984 0,1728 0,2344 0,2040 0,0976 0,0000 0,3528 1,8160 0,0432 0,0384 0,0396 0,0476 0,0164 0,8440 0,0500 0,1036 0,0324 0,0732 0,0112 0,0196 0,0844 0,0052 0,0264 0,0000 0,0540 0,0840 2,0920 0,0310 0,0244 0,0932 0,0688 0,3440 0,1212 0,0484 0,0666 0,0888 0,0632 0,0944 0,0320 0,1420 0,0252 0,0372 0,0684 0,2936
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 1,11 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,11 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
(j)
23 24 25 32 70 72 26 27 30 28 32 115 29 31 38 32 113 114 37 36 37 43 36 37 38 39 40 65 40 41 42 42 49 44 45 46 49 47 48 49 69 49 50 51 54
151
Apndice F
(i)
48 49 49 49 49 49 50 51 51 52 53 54 54 54 55 55 56 56 56 59 59 59 60 60 61 61 62 62 63 64 65 65 66 68 68 68 69 69 69 70 70 70 71 71 74 75
Resistncia
(pu)
0,0179 0,0267 0,0486 0,0398 0,0090 0,0985 0,0474 0,0203 0,0255 0,0405 0,0263 0,0169 0,0027 0,0503 0,0048 0,0473 0,0343 0,0343 0,0407 0,0317 0,0328 0,0000 0,0026 0,0123 0,0082 0,0000 0,0482 0,0258 0,0017 0,0027 0,0000 0,0014 0,0224 0,0000 0,0017 0,0003 0,0300 0,0405 0,0309 0,0088 0,0401 0,0428 0,0446 0,0087 0,0123 0,0601
Reactncia
(pu)
0,0505 0,0752 0,1370 0,1450 0,0459 0,3240 0,1340 0,0588 0,0719 0,1635 0,1220 0,0707 0,0095 0,2293 0,0151 0,2158 0,0966 0,0966 0,1200 0,1450 0,1500 0,0386 0,0135 0,0561 0,0376 0,0268 0,2180 0,1170 0,0200 0,0302 0,0370 0,0160 0,1015 0,0370 0,0202 0,0040 0,1270 0,1220 0,1010 0,0355 0,1323 0,1410 0,1800 0,0454 0,0406 0,1999
Susceptncia
(pu)
0,0252 0,0372 0,0684 0,2936 0,0992 0,1656 0,0664 0,0280 0,0356 0,0808 0,0620 0,0404 0,0144 0,1196 0,0076 0,1128 0,0484 0,0484 0,2228 0,0752 0,0776 0,0000 0,0292 0,0292 0,0196 0,0000 0,1156 0,0620 0,4320 0,7600 0,0000 1,2760 0,0536 0,0000 1,6160 0,3280 0,2440 0,2480 0,2076 0,0172 0,0672 0,0720 0,0888 0,0236 0,0204 0,0996
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,11 0,00 0,00 0,00 0,91 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
(j)
49 50 51 54 66 69 57 52 58 53 54 55 56 59 56 59 57 58 59 60 61 63 61 62 62 64 66 67 64 65 66 68 67 69 81 116 70 75 77 71 74 75 72 73 75 77
152
Apndice F
(i)
75 76 76 77 77 77 78 79 80 80 80 80 81 82 82 83 83 84 85 85 85 86 88 89 89 90 91 92 92 92 92 93 94 94 94 95 96 98 99 100 100 100 100
Resistncia
(pu)
0,0145 0,0444 0,0164 0,0037 0,0108 0,0298 0,0054 0,0156 0,0356 0,0183 0,0238 0,0454 0,0000 0,0112 0,0162 0,0625 0,0430 0,0302 0,0350 0,0200 0,0239 0,0282 0,0139 0,0158 0,0079 0,0254 0,0387 0,0258 0,0481 0,0648 0,0123 0,0223 0,0132 0,0269 0,0178 0,0171 0,0173 0,0397 0,0180 0,0277 0,0160 0,0451 0,0605
Reactncia
(pu)
0,0481 0,0148 0,0544 0,0124 0,0331 0,0853 0,0244 0,0704 0,1820 0,0934 0,1080 0,2060 0,0370 0,0366 0,0530 0,1320 0,1480 0,0641 0,1230 0,1020 0,1730 0,2074 0,0712 0,0653 0,0380 0,0836 0,1272 0,0848 0,1580 0,2950 0,0559 0,0732 0,0434 0,0869 0,0580 0,0547 0,0885 0,1790 0,0813 0,1262 0,0525 0,2040 0,2290
Susceptncia
(pu)
0,0220 0,0736 0,0272 0,0252 0,1400 0,1636 0,0128 0,0372 0,0988 0,0508 0,0572 0,1092 0,0000 0,0760 0,1088 0,0516 0,0696 0,0244 0,0552 0,0552 0,0940 0,0888 0,0384 0,3176 0,1924 0,0428 0,0652 0,0436 0,0812 0,1544 0,0292 0,0376 0,0220 0,0460 0,1208 0,0296 0,0480 0,0952 0,0432 0,0656 0,1072 0,1080 0,1240
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,11 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
(j)
118 77 118 78 80 82 79 80 96 97 98 99 80 83 96 84 85 85 86 88 89 87 89 90 92 91 92 93 94 100 102 94 95 96 100 96 97 100 100 101 103 104 106
153
Apndice F
(i)
101 103 103 103 104 105 105 105 106 108 109 110 110 114
Resistncia
(pu)
0,0246 0,0466 0,0535 0,0391 0,0099 0,0140 0,0530 0,0261 0,0530 0,0105 0,0278 0,0220 0,0247 0,0023
Reactncia
(pu)
0,1120 0,1584 0,1625 0,1813 0,0378 0,0547 0,1830 0,0703 0,1830 0,0288 0,0762 0,0755 0,0640 0,0104
Susceptncia
(pu)
0,0588 0,0812 0,0816 0,0920 0,0196 0,0288 0,0944 0,0368 0,0944 0,0152 0,0404 0,0400 0,1240 0,0056
Razo de transformao
(pu) 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
(j)
102 104 105 110 105 106 107 108 107 109 110 111 112 115
154

A Estimação de Estado em Redes de Transporte de Energia

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

A Estimação de Estado em Redes de Transporte de Energia

Загружено:

Авторское право:

Доступные форматы

FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO

A ESTIMAO DE ESTADO EM REDES DE TRANSPORTE DE ENERGIA COM DETECO E IDENTIFICAO DE ANOMALIAS

Roque Filipe Mesquita Brando

Porto, Janeiro de 2005

Labor omnia vincit improbus (O trabalho persistente tudo vence, Virglio)

1. Introduo.. 3 1.1 -Introduo ......................................................................................................... 3 1.2 -Objectivo e estrutura da dissertao................................................... 5

2. A Estimao de Estado aplicada a SEE.. 9 2.1 - Introduo..... 9

3.6.3 Identificao por teste de hipteses. 71 3.7 Concluses........................ 72

Apndice A Propriedades do estimador WLS / determinao das matrizes covarincia 134

) na presena de erros grosseiros 137 Apndice B Comportamento de r e J ( x

de um erro grosseiro com amplitude varivel na medida V17... 108

erro grosseiro com amplitude varivel na medida P2. 109

erro grosseiro com amplitude varivel na medida Q1-5.. 110

112 Tabela 4.26 - Resduos normalizados de maior amplitude 1 ciclo

Tabela 4.28 - Resduos normalizados de maior amplitude 2 ciclo. 112

Tabela 4.30 - Resduos normalizados de maior amplitude 3 ciclo.. 113

2 Tabela 4.31 - Valores de J ( x ) e J ( x ) / 4 ciclo 113

Tabela 4.36 - Resduos normalizados de maior amplitude 2 ciclo. 116

Tabela 4.38 - Resduos normalizados de maior amplitude 3 ciclo. 117

Lista de Smbolos e Abreviaturas

h(.) : hP(.) : hQ(.) : H:

f : x HP : HPV : HQ : HQV : G: R: RP : RQ : e: v: b: N: m: m1 : m2 : n: : J(x): r: rN : rW : W: :

f: E[a] : cov(a) : var(a) :

a~N(a , x ):Varivel aleatria gaussiana (normal) de valor mdio a e matriz a~ 2 :

Varivel aleatria com distribuio qui-quadrado

K: Matriz de ganho do filtro de Kalman ~ (k | k 1) z (k | k 1) : Vector das inovaes, ~ z (k | k 1) = z (k ) z

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

1.2- OBJECTIVO E ESTRUTURA DA DISSERTAO

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

CAPTULO 2 A ESTIMAO DE ESTADO APLICADA A SISTEMAS ELCTRICOS DE ENERGIA

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A ESTIMAO DE ESTADO APLICADA A SISTEMAS ELCTRICOS DE ENERGIA

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

ALTERAO DA CONFIGURAO DA REDE NO

SISTEMA OBSERVVEL? BASE DE DADOS

DETECO DE ANOMALIAS OUTRAS APLICAES ERROS TOPOLGICOS SIM

ERROS GROSSEIROS NAS MEDIDAS

Figura 2.2 - Esquema bsico de um estimador de estado esttico.

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

2.2 MODELIZAO DA REDE

2.2.1 Introduo A principal funo de um algoritmo de estimao de estado a obteno de uma

Estado real do sistema

z=h(x)+e Estimador Estado +

Seleco das medidas

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

Figura.2.4 - Equivalente em de uma linha

2.3- PRECISO DAS MEDIDAS

os conversores analgico / digital; os meios de transmisso da informao digital.

Figura 2.6 Cadeia de transmisso de medidas

Medidas de Potncia = k1.|S| + k2.FS (2.5)

Medidas de tenso = k4VNOM (2.10)

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

2.4 - MEDIDAS E EQUAES DE MEDIDA

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias

Pij = Vi 2 Gij aij + ViV j (Gij cos ij + Bij sen ij )

Qij = Vi 2 ( Bij aij y ij , 0 ) + ViV j (Gij sen ij Bij cos ij )

Qi = Vi V j ( Gij sen ij Bij cos ij )

A Estimao de Estado em Redes de Transporte de Energia com Deteco e Identificao de Anomalias