Estimacion de Estado y de Parametros (Zarco y Gomez)

ESTIMACIN DE ESTADO
Y DE PARMETROS
EN REDES ELCTRICAS
Pedro Javier Zarco Perin
Antonio Gmez Expsito
DEPARTAMENTO DE INGENIERA ELCTRICA

UNIVERSIDAD DE SEVILLA
1999
Copyright P. Zarco & A. Gmez-Expsito
ndice General
1 Estimacin de Estado en Redes Elctricas
1.1
1.2
1.3
1.4
Introduccin . . . . . . . . . .
Hiptesis y datos de entrada .
Resultados de la estimacin de
Resumen . . . . . . . . . . . .
. . . .
. . . .
estado
. . . .
2 Mtodos de Estimacin de Estado

2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduccin . . . . . . . . . . . . . . . . . .
Mnimos cuadrados ponderados . . . . . . .
Ecuaciones normales con restricciones . . . .
Transformaciones ortogonales . . . . . . . .
Mtodo hbrido . . . . . . . . . . . . . . . .
Mtodo de la matriz aumentada de Hachtel
Mtodo de pseudoinversas . . . . . . . . . .
Mtodo de la matriz aumentada por bloques
Mnimos valores absolutos . . . . . . . . . .
Mnima mediana de cuadrados . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 1
. 2
. 13
. 19
.
.
.
.
.
.
.
.
.
.
.
25
25
28
30
32
33
33
34
36
37
39
40
3 Inuencia de Errores en los Parmetros sobre la Estimacin 45

3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Entorno de simulacin . . . . . . . . . . . . . . . . . . . . . . .
Carcter local del efecto de los errores en los parmetros . . . .
Anlisis del nivel de error en las medidas . . . . . . . . . . . . .
Errores en la conductancia y en la susceptancia . . . . . . . . .
Inuencia de los ujos e inyecciones sobre las medidas estimadas
Inuencia de los errores en las medidas sobre la estimacin . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i
45
47
50
53
58
60
61
64
ii
NDICE GENERAL
4 Estimacin de Parmetros en Redes Elctricas

4.1
4.2
4.3
4.4
4.5
4.6
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . .
Identicacin de errores en los parmetros . . . . . . . .
Clasicacin de los mtodos de estimacin de parmetros
Estimacin on-line frente a estimacin o-line . . . .
Carcter local de la estimacin de parmetros . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . .
Mtodos basados en el anlisis de sensibilidad residual . .
Mtodos que amplan el vector de estado . . . . . . . . . .
5.3.1 Resolucin mediante ecuaciones normales . . . . . .
5.3.2 Resolucin basada en la teora del ltro de Kalman
Discusin . . . . . . . . . . . . . . . . . . . . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Mtodos de Estimacin de Parmetros

5.1
5.2
5.3
5.4
5.5
69
69
69
71
72
73
79
85
85
85
93
93
101
105
108
6 Resultados Experimentales de la Estimacin de Estado y de

Parmetros
113
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
Introduccin . . . . . . . . . . . . . . . . . . . . . . . .
Estimacin de impedancias o admitancias . . . . . . .
Inuencia del nmero de muestras utilizadas . . . . . .
Relacin con el nivel de error en las medidas . . . . . .
Inuencia del tipo de medidas disponibles . . . . . . .
Estimacin de varios parmetros simultneamente . . .
Optimalidad de los parmetros estimados . . . . . . . .
Resultados del estimador con los parmetros mejorados
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Aspectos Relacionados con la Estimacin

7.1
7.2
7.3
Introduccin . . . . . . . . . . . . . . . . . . . .
Observabilidad . . . . . . . . . . . . . . . . . .
7.2.1 Test de observabilidad . . . . . . . . . .
7.2.2 Identicacin de redes observables . . . .
7.2.3 Ubicacin de medidas . . . . . . . . . . .
Errores no gaussianos . . . . . . . . . . . . . . .
7.3.1 Determinacin de la presencia de errores
7.3.2 Identicacin de medidas errneas . . . .
7.3.3 Eliminacin de medidas errneas . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
114
115
117
121
124
125
128
128
133
133
134
136
137
138
139
140
141
143
NDICE GENERAL
7.4
7.5
iii
Errores topolgicos . . . . . . . . . . . . . . . . . . . . . . . . . 144

7.4.1 Identicacin y estimacin de errores topolgicos . . . . 145
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
A Propiedades Estadsticas de la Estimacin de Mnimos Cuadrados

159
A.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
A.2 Propiedades estadsticas . . . . . . . . . . . . . . . . . . . . . . 159
B Elementos de la Matriz Jacobiano
165
C Fondos de Escala Utilizados en el Entorno de Simulacin
171
B.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

B.2 Elementos de la matriz . . . . . . . . . . . . . . . . . . . . . . . 165
C.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
C.2 Fondos de escala de la red IEEE-14 . . . . . . . . . . . . . . . . 171
C.3 Fondos de escala de la red IEEE-118 . . . . . . . . . . . . . . . 174
ndice de Figuras
1.1
Error general de clase. . . . . . . . . . . . . . . . . . . . . . . .
1.2
Error de linealidad. . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Error de reproducibilidad. . . . . . . . . . . . . . . . . . . . . .
1.4
Errores lmites de relacin para transformadores de intensidad

de clase 0.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
Errores lmites de fase para transformadores de intensidad de

clase 0.5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6
Errores lmites para transformadores de intensidad de clase 0.5.
3.1
Red IEEE-14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2
Inuencia del error conjunto en la susceptancia y la conductancia de una lnea sobre las medidas: (a): De toda la red (trazo
discontinuo); (b): Adyacentes (trazo continuo). . . . . . . . . . . 51
3.3
Inuencia del error de una lnea sobre las medidas estimadas a

distintas distancias: Error de las medidas estimadas con error
en una lnea / Error de las medidas estimadas sin error en la
lnea. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4
Inuencia del error conjunto en la susceptancia y la conductancia de una lnea sobre las medidas adyacentes para distintas
clases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5
Inuencia del error de una lnea frente a la relacin entre los

errores de las medidas estimadas y las telemedidas (adyacentes). 55
3.6

distancia 1 para distintas clases: Error de las medidas estimadas
con error en una lnea / Error de las medidas estimadas sin error
en la lnea. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
i
ii
NDICE DE FIGURAS
3.7

distancia 2 para distintas clases: Error de las medidas estimadas
con error en una lnea / Error de las medidas estimadas sin error
en la lnea. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8 Inuencia del error en la susceptancia y en la conductancia de
una lnea sobre las medidas adyacentes. . . . . . . . . . . . . .
3.9 Inuencia del error en la susceptancia de una lnea sobre las
medidas adyacentes con diferentes tipos de medidas. . . . . . .
3.10 Inuencia sobre las medidas de tensin adyacentes cuando todas
las medidas son exactas excepto las de tensin. . . . . . . . . .
3.11 Inuencia sobre las medidas de inyeccin adyacentes cuando todas las medidas son exactas excepto las de inyeccin. . . . . .
3.12 Inuencia sobre las medidas de ujo adyacentes cuando todas
las medidas son exactas excepto las de ujo. . . . . . . . . . .
. 57
. 59
. 61
. 62
. 63
. 64
4.1
4.2
Red IEEE-118. . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Resultado del anlisis de sensibilidad de la lnea que une los
nudos 49 y 51 en la red IEEE-118. . . . . . . . . . . . . . . . . . 78
5.1
5.2
5.3
Modelo del transformador utilizado. . . . . . . . . . . . . . . . .

Modelo del transformador considerado. . . . . . . . . . . . . . .
Error en la susceptancia estimada de la lnea que une los nudos
7 y 9 en la red IEEE-14 frente al peso relativo del parmetro. .
Error en la susceptancia estimada de la lnea que une los nudos
10 y 11 en la red IEEE-14 frente al peso relativo del parmetro.
5.4
6.1
6.2
6.3
6.4
88
93
97
98
Relacin entre el error de las medidas y el error del parmetro

estimado frente al nmero de estados procesados simultneamente.115
Inuencia del error en la susceptancia de una lnea sobre las
medidas adyacentes, con distintas clases, cuando se procesa un
estado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
medidas adyacentes, con distintas clases, cuando se procesan
siete estados simultneamente. . . . . . . . . . . . . . . . . . . . 118
medidas adyacentes, con distintas clases, cuando: (a): No se
realiza estimacin de parmetros; (b): Se estima procesndose
NDICE DE FIGURAS
6.5
6.6
6.7
iii
Media del error de las medidas / Error del parmetro estimado

frente al nmero de estados procesados simultneamente con
diferente redundancia. . . . . . . . . . . . . . . . . . . . . . . . 123
Inuencia del error en la susceptancia de cinco lneas sobre las
medidas de toda la red, con distintas clases. . . . . . . . . . . . 125
Inuencia del error en las susceptancias de cinco lneas sobre las
medidas de toda la red, con distintas clases, cuando se procesan
ndice de Tablas
1.1
1.2
6.1
6.2
6.3
6.4
6.5
6.6
6.7
Errores mximos admitidos en la norma CEI para transformadores de intensidad. . . . . . . . . . . . . . . . . . . . . . . .

Lmites del error de relacin y del desfase para transformadores
de tensin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Inuencia del error de la susceptancia de una lnea sobre las
medidas cuando se estima el parmetro. . . . . . . . . . . . . .
Errores de las medidas adyacentes utilizadas sin estimar parmetro y estimndolo. . . . . . . . . . . . . . . . . . . . . . . . .
Errores de los parmetros estimados para diferentes niveles de errores en las medidas y redundancia completa. (a): Error medio
de las telemedidas (%); (b): Error del parmetro estimado (%).
Inuencia del error de la susceptancia de una lnea cuando slo
se dispone de medidas de tensiones e inyecciones y se estima
dicho parmetro. . . . . . . . . . . . . . . . . . . . . . . . . . .
Inuencia del error de la susceptancia de una lnea cuando slo
se dispone de medidas de tensiones y ujos y se estima dicho
parmetro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valores estimados del parmetro para distintos valores de partida de ste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Valor estimado del parmetro cuando se parte de un valor estimado previamente. . . . . . . . . . . . . . . . . . . . . . . . . .
7
9
116
120
120
122
122
127
128
C.1 Fondos de escala considerados para los nudos de la red IEEE-14

en por unidad y sobre una base de 100 MVA. . . . . . . . . . . 172
C.2 Fondos de escala considerados para las ramas de la red IEEE-14
i
ii
NDICE DE TABLAS

en por unidad y sobre una base de 100 MVA (continuacin). . . 176
C.7 Fondos de escala considerados para las ramas de la red IEEE118 en por unidad y sobre una base de 100 MVA. . . . . . . . . 179
C.8 Fondos de escala considerados para las ramas de la red IEEE118 en por unidad y sobre una base de 100 MVA (continuacin). 180
Captulo 1
Estimacin de Estado en Redes
Elctricas
1.1 Introduccin
Cuando en 1965 se produjo el incidente que dej sin alimentacin de energa
elctrica al nordeste de los Estados Unidos, las empresas elctricas tomaron
conciencia de que deban realizar un gran esfuerzo para desarrollar nuevas
tcnicas en la operacin de los sistemas de potencia que permitieran un elevado
nivel de seguridad en el servicio. Esto dio lugar a que los antiguos mtodos y
herramientas de operacin resultaran inadecuados.
Se comenz a hablar de anlisis de seguridad, ndices de seguridad, mejora de la seguridad, anlisis de estabilidad, optimizacin y se empezaron a
construir nuevos centros de control. Hasta entonces, el control y la decisin
de la operacin se basaban en un sistema de supervisin, que controlaba las
posiciones de los interruptores en las subestaciones, y un sistema separado,
generalmente anlogo al anterior, que controlaba de manera automtica la
generacin y el despacho econmico. Por lo tanto, los nicos datos que el operador tena disponibles en tiempo real eran el estado de los interruptores, la
frecuencia del sistema y el conjunto de medidas de potencia necesarias para el
control de la generacin.
Partiendo de esta situacin el esfuerzo se centr en conseguir cada pocos
segundos la informacin, tanto de los interruptores como de todas las medidas
de la red que se controlaba. Teniendo todos estos valores en tiempo real en
la base de datos era posible comprobar la seguridad continuamente, es decir,
se podan analizar las condiciones de operacin de cada equipo de la red y
Estimacin de Estado
detectar las situaciones anormales y alarmantes de funcionamiento. Este proceso de captacin, deteccin y sealizacin del sistema, junto con la utilizacin
de pantallas grcas y el almacenamiento de todos los eventos, constituy el
sistema de supervisin del control y adquisicin de datos (SCADA en ingls).
Con todo lo anterior, se pens que teniendo la base de datos actualizada
peridicamente, gracias al SCADA, se podra llevar el seguimiento y el control
de la seguridad del sistema con slo introducir las medidas en los programas de
control. Pero no era correcto y fue Schweppe el que reconoci desde el principio
que haba dos problemas fundamentales para la ejecucin de las funciones de
seguridad.
En primer lugar, aunque el nmero de medidas era generalmente muy
grande siempre haba inconsistencias, ya que ciertas medidas desaparecan
temporalmente o haba medidas con errores no gaussianos. En segundo lugar, las nuevas funciones de seguridad necesitaban un punto de partida, es
decir, un reparto de cargas en tiempo real. Como consecuencia de lo primero,
los programas de reparto de cargas que se venan utilizando hasta esas fechas
no se podan utilizar en tiempo real, por lo que no haba forma prctica de
realizar funciones de seguridad.
Schweppe, con la estimacin de estado, resolvi tanto el problema de los
datos como el de la resolucin en tiempo real. Como l dijo, el estimador de
estado es un puricador de datos", utilizando una analoga con la puricacin
de la sangre en el cuerpo humano [13]. Pero es algo ms, el estimador de estado
es un reparto de cargas en tiempo real. Con esto se aseguraba la ejecucin de las
funciones de seguridad en los centros de control y el SCADA era reemplazado
por lo que hoy da se conoce como sistema de gestin de energa (EMS en
ingls).
1.2 Hiptesis y datos de entrada

Schweppe deni la estimacin de estado como un algoritmo de procesamiento
de datos que convierte las medidas redundantes y otra informacin disponible
en un estimado del estado del sistema elctrico [34]. Hoy en da, la estimacin
de estado es una parte esencial en los sistemas de gestin de energa de todo
el mundo. Ms an, son el corazn de los modernos sistemas de gestin de
energa y el rendimiento de otras aplicaciones, como las de anlisis de seguridad, despacho econmico, etc., dependen en gran medida de la exactitud de
los datos que proporciona el estimador de estado.
Hiptesis y datos de entrada
Las fuentes de informacin necesarias para el estimador de estado son [15]:
Los valores de los parmetros de diseo (R, L, etc.).

La informacin topolgica o estructural (posicin de interruptores, etc.).
El modelo matemtico del sistema.
Los distintos tipos de medida:
Telemedidas: Son las que se obtienen en tiempo real desde las remotas de las subestaciones a travs del SCADA. Los datos tpicos
que se incluyen son:
Las tensiones e inyecciones de activa y reactiva en los nudos.

Los ujos de potencia activa y reactiva en las lneas.
Pseudomedidas: Son valores obtenidos basndose en los datos histricos existentes, por lo que tienen menos precisin que si fuesen
medidos; por ejemplo, la potencia generada en las centrales o la
demanda de las subestaciones.
Medidas virtuales: Son aquellas que no requieren ser medidas, como

por ejemplo la inyeccin cero en las subestaciones de transporte
(nudos de trnsito).
Pero ocurre que los datos telemedidos contienen errores debido a la inexactitud de la calibracin de los transductores, el efecto de la conversin
analgica-digital, el ruido en los canales de comunicacin, el desequilibrio entre fases, etc., y como se ha comentado previamente, la estimacin de estado es
un proceso que limpia los datos errneos ya que las medidas (ujos, tensiones,
etc.) estn relacionadas entre s mediante las leyes que gobiernan los circuitos
elctricos. Si hay redundancia en el conjunto de medidas (ms medidas que las
necesarias para determinar la condicin de la red), se puede utilizar un proceso
sistemtico que corrija los errores.
La exactitud de las medidas no slo depender del transformador de medida, sino tambin de los transductores y convertidores y se tendr en cuenta
como error de las medidas un nico valor que sea conjuncin de la suma acumulativa de los errores en los dispositivos que intervienen en todo el proceso.
Los parmetros que denen la exactitud de la medida son:
Estimacin de Estado
Clase: Se entiende por clase el error mximo que dicho aparato de

medida puede tener, tomado en tanto por ciento, con respecto al valor de
fondo de escala o seal nominal de salida, en unas condiciones denidas
por normas nacionales o internacionales. En la Figura 1.1 se representan
los valores verdaderos con trazo continuo y los valores medidos con curva
discontinua.
Figura 1.1: Error general de clase.
Linealidad: Se entiende como error de linealidad el error relativo en

tanto por ciento, con respecto al valor de fondo de escala, que existe entre
el verdadero valor y el valor obtenido con el aparato de medida calibrado
perfectamente para la seal de fondo de escala, es decir, ajustado de
manera que a la entrada nominal le correspondiese exactamente la salida
nominal. En la Figura 1.2 se representan los valores verdaderos con trazo
continuo y los valores medidos con curva discontinua.
Reproducibilidad o histresis: Se entiende por error de reproducibilidad o bien de histresis, el error que puede darse por diferencia de los
valores obtenibles en un convertidor de medida a igualdad de condiciones ambientales, de temperatura, etc., pero repitiendo las medidas en
Figura 1.2: Error de linealidad.
condiciones dinmicas diferentes, es decir, aumentando la medida en un

momento y disminuyndola en otro momento (Figura 1.3).
Deriva trmica: Es el error que puede producirse por variacin de la

temperatura en el medio ambiente en que se encuentra el instrumento
de medida, con respecto a la medida que tiene a una temperatura de
referencia. Esta diferencia de valor que se toma tambin en tanto por
ciento con respecto al fondo de escala, puede ser de cero, es decir, de la
salida que da el aparato de medida para una entrada que por su ajuste
debiera dar salida igual a cero, o bien puede ser de plena escala, es decir,
de la salida que da el aparato de medida para la entrada nominal. Este
error se suele dar en tanto por ciento por cada grado centgrado o bien
en tanto por ciento por cada diez grados centgrados.
Otras magnitudes: Otras magnitudes, tales como la frecuencia de
red, tensin de alimentacin, impedancia de carga, pudieran tener algn
pequeo efecto sobre el aparato de medida y sobre su precisin, por lo que
en algunos de ellos se suele expresar la inuencia de dichas magnitudes.
Es necesario tener en cuenta que los tantos por ciento de error que se suelen
Estimacin de Estado
Figura 1.3: Error de reproducibilidad.
dar por variacin de magnitudes corresponden a unos determinados mrgenes

de operacin y no suelen ser extrapolables a otros valores operacionales.
Siendo la clase el parmetro que ms inuye en la exactitud de la medida
ser ste el nico que se tendr en cuenta. Las clases de precisin nominales
de los transformadores de intensidad son 0.1, 0.2, 0.5, 1, 3 y 5. En los transformadores de estas clases, los errores de intensidad y fase, a la frecuencia
nominal, no debern sobrepasar los valores de la Tabla 1.1 cuando la carga
secundaria est comprendida entre el 25 y el 100 % de la carga de precisin.
A partir de los valores de la Tabla 1.1 y para cada clase de precisin, puede
trazarse una grca de lneas quebradas de errores lmites tanto de relacin
(Figura 1.4) como de fase (Figura 1.5) con los lmites de error admisibles.
Ambas guras son las correspondientes a la clase 0.5. Las curvas de errores
reales de un transformador debern quedar comprendidas entre las dos lneas
quebradas de dichas guras.
Las Figuras 1.4 y 1.5 se pueden unicar en una sola (Figura 1.6) en la
que los errores admisibles para clase 0.5 son los comprendidos entre ambos
paralelogramos.
Excepto la norma ANSI, todas las normas tienen, fundamentalmente, los
mismos valores que la CEI. La principal variante es que las normas UNE y VDE
Clase
de
precisin
0.1
0.2
0.5
1
3
5
Error de relacin en %
para los valores de
intensidad expresados en %
de la intensidad nominal
1%
10
20 50 100 120
0.25 0.2
- 0.1 0.1
0.5 0.35 - 0.2 0.2
1.0 0.75 - 0.5 0.5
2.0
1.5
- 1.0 1.0
3
3
5
5
Errores de fase para los

valores de la intensidad
expresados en % de la
intensidad nominal
1 (minutos)
10 20 100
120
10
8
5
5
20 15 10
10
60 45 30
30
120 90 60
60
-
Tabla 1.1: Errores mximos admitidos en la norma CEI para transformadores

de intensidad.
Figura 1.4: Errores lmites de relacin para transformadores de intensidad de

clase 0.5.
Estimacin de Estado
Figura 1.5: Errores lmites de fase para transformadores de intensidad de clase

0.5.
Figura 1.6: Errores lmites para transformadores de intensidad de clase 0.5.
Clase
0.1
0.2
0.5
1
3
Error de relacin ( u %)
0.1
0.2
0.5
1.0
3.0
Desfase min. (u )
5
10
20
40
No especicado
Tabla 1.2: Lmites del error de relacin y del desfase para transformadores de
tensin.
no admiten la clase 5. Tambin hay que tener en cuenta que la norma CEI
y la mayor parte de las normas europeas establecen que los errores indicados
no deben sobrepasarse para una potencia comprendida entre la nominal y su
cuarta parte, con cos = 0.8, mientras que la norma ANSI solamente exige el
cumplimiento de la precisin para una potencia igual a la potencia nominal.
La clase de precisin de un transformador de tensin debe cumplirse en
todas las tensiones comprendidas entre el 80 y el 120 % de la tensin nominal
y a todas las cargas comprendidas entre el 25 y el 100 % de la precisin, bajo un
factor de potencia de 0.8 en retraso. En la Tabla 1.2 se muestran los lmites del
error de relacin y desfase en funcin de la clase de precisin. Estas exigencias
de precisin coinciden para todas las normas.
Hasta ahora se han denido las fuentes de informacin necesarias para el estimador de estado. stas son necesarias para poder llevar a cabo la estimacin,
que se realiza bajo las siguientes hiptesis:
Las condiciones de operacin son equilibradas.

El sistema trifsico se puede modelar por su circuito equivalente monofsico.
Las telemedidas se captan en el mismo instante de tiempo.
Los errores de las medidas:
Tienen valor medio nulo.

Son variables aleatorias independientes: E(ei ej ) = 0, por lo que su
10
Estimacin de Estado
matriz de covarianzas R es una matriz diagonal de valor
R = E(ee ) =
2
i
2
i
..
(1.1)
2
m
Tienen distribucin gaussiana.

2
Se asigna un peso Wii a la medida i basado en su covarianza: Wii = i .
Este peso reeja la exactitud esperada de la correspondiente medida.
Los parmetros de la red son conocidos e invariantes con el tiempo.

Los estados de todos los interruptores obtenidos a travs del SCADA son
exactos, por lo que la topologa de la red tambin lo es.
El clculo de la desviacin tpica del error de las medida i, i , es propuesto
de diferentes maneras segn los autores y se pueden diferenciar cuatro grandes
grupos:
1. es un valor constante:
(a) En [1, 2, 6] se propone:
Para medidas de inyeccin: = 0.01 p.u.

Para medidas de ujo: = 0.008 p.u.
Para medidas de tensin: = 0.004 p.u.
(b) En [5, 7, 8] se propone:
Para medidas de potencia: = 1 MW/MVAR.

(c) En [16] se propone:
Para medidas de potencia: = 0.02 p.u. (sobre una base de

100 MVA).
(d) En [17] se propone:
Para medidas de potencia: = 1 MW/MVAR.

11
(e) En [26, 27] se propone:
Para medidas de potencia: = 1.5 MW/MVAR en 132 KV y

= 0.8 MW/MVAR en 33 KV.
Para medidas de inyeccin cero: = 0.2 MW/MVAR.
(f) En [29, 30, 32] se propone:
Para medidas de potencia: = 0.5 1.1 MW/MVAR en 70

KV y = 1.2 5.5 MW/MVAR en tensiones superiores.
Para medidas de inyeccin cero: = 0.3 MW/MVAR en 70
KV y = 0.5 MW/MVAR en tensiones superiores.
2. es funcin del valor medido:
(a) En [3, 28] se propone: Para todas las medidas = 1% del valor
medido.
(b) En [21] se propone: Para todas las medidas 2% del valor medido.
(c) En [22] se propone: Para todas las medidas 3% del valor medido.
(d) En [19, 24] se propone: Para todas las medidas = 2% del valor
medido.
(e) En [31] se propone: Para todas las medidas = 0.01% del valor
medido.
3. es funcin del fondo de escala:
(a) En [18] se propone: Para todas las medidas el ruido gaussiano
obtenido de un generador de nmeros aleatorios es multiplicado
por un porcentaje, sin especicar, del fondo de escala del aparato
de medida.
(b) En [20] se propone:
Para medidas de potencia: = 0.5% del fondo de escala, siendo

ste 1000 MW.
Para pseudomedidas: = 10 40% del fondo de escala.
12
Estimacin de Estado
(c) En [35] se propone: Para todas las medidas, a los estados exactos se
les suma un error gaussiano obtenido con un generador de nmeros
aleatorios a partir de la desviacin tpica de cada medida, siendo
sta funcin del fondo de escala y de la clase del aparato de medida.
4. es funcin del valor medido y del fondo de escala:
(a) En [4] se propone:
= 0.0067 V M + 0.00163 F E
(1.2)
siendo:
V M el valor medido.
F E el fondo de escala del aparato de medida.
(b) En [9] se propone:
= 0.015 V M + 0.003 F E
(1.3)
siendo un nmero aleatorio de media cero y desviacin tpica 1.0

y los valores del fondo de escala:
Para medidas de potencia:

Para generadores: 1.2 p.u. para potencia activa y 0.2 p.u.
para reactiva.
Para cargas: 0.2 p.u. para potencia activa y 0.1 p.u. para
reactiva.
Para medidas de tensin: 1.5 p.u.
(c) En [10] se propone:
Para medidas de potencia: 2 = (0.006 V M )2 + (0.005 F E)2 .

Para medidas de tensin: = 0.005 F E .
no estando especicado F E .
(d) En [11, 12] se propone: Para las medidas de ujos de potencia
= (0.02 V M + 0.0035 F E)
siendo :
|| 1
F E = 2000 MVA.
(1.4)
Resultados de la estimacin de estado
13
(e) En [14] se propone:
Para medidas de potencia: = 1 (0.005 F E + 0.02 V M ).

3
Para medidas de tensin: = 0.001 V M .
no estando especicado F E .
(f) En [23] se propone:
= 0.012 V M + 0.0035 F E
(1.5)
siendo F E = 20 p.u.
(g) En [33] se propone:
3 = V M + FE
(1.6)
no estando especicado F E y siendo:
Para medidas de potencia: = 0.02, = 0.0052 y V M y F E

son valores en MVA.
Para medidas de tensin: = 0.005, = 0.0026, V M = 1.0
p.u., F E = 1.5 p.u.
Para medidas de inyeccin cero: es 20 veces superior al
tpico de medidas de inyeccin reales.
En los aparatos de medida industriales existe una disparidad similar respecto a la precisin del aparato. Dependiendo del fabricante y del modelo
sta es proporcional a la medida, al fondo de escala o a una suma de ambos
factores, pero nunca es constante [25].
1.3 Resultados de la estimacin de estado

El estimador procesa toda la informacin disponible del sistema interconectado y genera una base de datos para las funciones de control y reparto. Los
resultados de la estimacin de estado son los estimados de las variables del
sistema elctrico que pueden incluir la generacin, las cargas activas y reactivas, los ujos de potencia activa y reactiva de las lneas de transmisin y las
magnitudes y las fases de los ngulos de las tensiones en los nudos.
Con esta informacin se puede determinar, mediante el anlisis de sensibilidad, cmo afectan los errores del modelo del sistema a los resultados de la
estimacin de estado. Adems, se pueden calcular las matrices de covarianza
14
Estimacin de Estado
de la estimacin y residual que permitirn evaluar la bondad de la estimacin

as como detectar errores no gaussianos (Apartado 7.3).
Asimismo, la informacin proporcionada por el estimador de estado o la
que se puede obtener fcilmente de l, inuir en:
1. Las funciones de control:
El control de carga y frecuencia. Es necesario obtener la estimacin

ptima de los ujos de potencia e inyecciones, especialmente de las
medidas que no se realizan en tiempo real pero que se estiman y
actualizan peridicamente por el operador.
El despacho ptimo de las potencias activa y reactiva. ste se basa
en los nudos de carga, pudiendo realizar el estimador la estimacin
de las cargas no telemedidas.
La supervisin de la seguridad. El estimador de estado debe suministrar en tiempo real la informacin necesaria para la inspeccin
peridica de la generacin, las cargas de las lneas, las tensiones de
los nudos, la estabilidad transitoria de la red y la prediccin de los
efectos de las posibles contingencias.
La mejora de los sistemas de seguridad. Se genera una base de datos
en tiempo real que permite la realizacin del anlisis de seguridad
y la deteccin de anomalas.
El programa de descargos. ste va a depender de las conclusiones
que se obtengan de los anlisis que se realizan de los efectos que
pueden producir dichos cortes sobre la seguridad del sistema. Las
variables estimadas pueden servir de base para estos anlisis.
2. El operador:
Proporcionndole, junto con sus respectivas desviaciones tpicas,

el estimado de los ujos de las lneas, las salidas de generadores,
cargas, niveles de tensin, ngulos de las fases, etc.
Indicndole las anomalas del sistema y su localizacin geogrca e
informndole sobre los problemas de la red.
Proporcionndole salidas no registradas y su localizacin geogrca
que le ayudarn en el diagnstico de defectos.
Informndole de los costes marginales de potencia en los nodos importantes y en los de intercambio.
15
Facilitndole ndices de seguridad tales como reservas de generacin

y transmisin o los mrgenes de estabilidad transitoria para alertarle
mientras se encuentre el sistema en un estado vulnerable.
Proporcionndole las acciones correctoras requeridas para solucionar las condiciones indeseables de potencia y tensiones y los procedimientos de restablecimiento del sistema.
3. El diseo y la planicacin de los sistemas de informacin:
Facilita el proceso de localizacin y denicin de la exactitud de los

sensores necesarios para mejorar algunas variables de estado con el
menor coste posible.
La estimacin de estado obtendr, segn se deducir en el Apartado 2.2,
el estado estadsticamente ptimo. Este estado estimado constituye la base
de datos sobre la que trabajan el resto de las funciones del centro de control
pero tiene algunas limitaciones que el operador debe conocer. Ser conscientes
de ellas evitar sorpresas y desconanza en la estimacin de estado. Estas
limitaciones son:
1. Los cambios de estado no comunicados en reas no observables pueden
dar lugar a resultados errneos.
2. Los resultados de la inyeccin en los nudos pueden no ser realistas, ya
que las inyecciones mltiples en los nudos no pueden ser estimadas individualmente y los errores no gaussianos no siempre se pueden identicar
individualmente.
3. Los errores no gaussianos en medidas crticas no pueden ser detectados.
4. Se acepta que las posiciones de los interruptores son correctas aunque
pueden no serlo.
5. El test de la 2 para la deteccin de errores no gaussianos no es siempre
seguro.
Seguidamente se proceder a realizar una discusin en detalle de cada una
de estas limitaciones.
Areas no observables
16
Estimacin de Estado
El modelo de red utilizado por la estimacin de estado incluye habitualmente

redes que estn fuera del mbito de inuencia del centro de control. Tales
reas no observables pueden ser partes de redes de tensiones inferiores o partes
de interconexiones con sistemas externos. Para la estimacin de estado estas
subredes son no observables permanentemente. Adems, algunas zonas de la
red que estn siendo controladas pueden pasar a no observables debido a la
prdida de una medida crtica, a un fallo en el terminal remoto o en las vas de
comunicacin, o simplemente porque en dicha subestacin se est realizando
mantenimiento o est siendo reparada la unidad remota.
Con objeto de convertir en observables todas esas zonas no observables se
utilizan las pseudomedidas, las cuales se basan en las ltimas medidas y en
datos histricos. Por lo tanto, la estimacin de estado realiza una funcin
que un operador podra realizar de una manera ms lenta y proporciona una
informacin que el SCADA no puede suministrar.
Si el periodo durante el cual las zonas no observables permanecen en este
estado es elevado, la estimacin de estado puede no ser correcta, no por causa
de las pseudomedidas, sino por la posibilidad de cambios en el estado de dicha
zona.
Cuando se produce una isla no observable debido a una red de tensin
inferior, si la no observabilidad se debe a la prdida o a la no disponibilidad de
una medida crtica, se puede subsanar este problema comunicando el cambio
del estado desde la subestacin al centro de control y se actualizara el sistema.
Sin embargo, si la no observabilidad se debiese a la imposibilidad de acceder
a la subestacin por cualquier razn, entonces los cambios no se registraran. Si
el periodo de indisponibilidad llega a ser excesivamente prolongado, el operador
podra recibir informacin telefnica desde la subestacin por el personal de
operacin o mantenimiento y si fuese necesario, debido a la importancia de
la subestacin, tendra que haber personal que la controlase en modo local
temporalmente.
Por ltimo, si la zona no observable no es demasiado extensa, un cambio
en un interruptor se podra notar e incluso identicar en las zonas observables
adyacentes.
Resultados de la inyeccin en los nudos de la estimacin de estado

Con objeto de que el usuario nal, por ejemplo el operador del sistema, aprecie el valor de la estimacin de estado y tenga conanza en sus resultados, es
17
necesario tener un especial cuidado en la determinacin y presentacin de si

las inyecciones en los nudos son simples o mltiples.
En ciertos casos, la distribucin de la inyeccin estimada en un nudo entre
los generadores y las cargas del mismo puede dar lugar a situaciones absurdas
si no se tiene un especial cuidado. Puede ocurrir que:
Las salidas de los generadores sean muy superiores a su capacidad.

Los generadores absorban potencia del nudo.
Haya valores de cargas excesivamente elevados.
Haya cargas que aporten potencia al nudo.
Aparezca una carga que en realidad no existe.
Una vez que el estimador de estado ha obtenido su solucin, la distribucin
de la inyeccin en el nudo entre los generadores y las cargas ser tal que se
eviten resultados como los indicados anteriormente. En aquellos lugares en los
que la inyeccin estimada no pueda ser distribuida de una manera realista ser
necesario que se haga mencin mediante algn comentario o indicacin.
El algoritmo del estimador de estado estima la inyeccin en un nudo y no las
inyecciones individuales. La distribucin de la inyeccin entre las inyecciones
individuales se realiza proporcionalmente a los valores medidos.
Esta es una buena aproximacin mientras no existan datos con errores no
gaussianos en una o ms de las inyecciones. Si se detecta un error no gaussiano
en la inyeccin no se puede identicar cul de las inyecciones individuales es la
que ha introducido el error. Sin embargo, es posible que se pueda identicar
mediante mtodos heursticos.
Medidas crticas
Por denicin, en estimacin de estado un error en una medida crtica no
puede ser identicado. Por lo tanto, depender del operador la decisin de si
una medida crtica es correcta o no. Por este motivo, en la presentacin de los
resultados de la estimacin de estado, las medidas crticas se identicarn de
un modo especial.
Idealmente, habr suciente redundancia en el conjunto de medidas de
manera que no haya medidas crticas. Con este criterio se asegura la redundancia local en la red pero en la prctica pueden existir varias medidas crticas.
18
Estimacin de Estado
El nmero de medidas crticas no permanece jo. Alguna de las medidas

puede convertirse en crtica debido a la no disponibilidad de alguna medida o
a que se rechace por ser detectada como medida con error no gaussiano.
La presentacin al operador de las medidas que son crticas le permitir
saber que en caso de que exista algn error no gaussiano en dichas medidas no
podr ser identicado.
Topologa de la red
En la estimacin de estado se supone que la informacin que se tiene en la
base de datos respecto a la posicin abierta o cerrada de los interruptores y
seccionadores es correcta. Esta suposicin es cierta si es supervisada por medio
del SCADA.
Se pueden producir errores en la estacin remota debido a la prdida de
conexin, a un problema de un cable, un fallo en algn rel, alguna tarjeta,
etc. Estos errores no suelen producirse pero si ocurriesen daran lugar a que
el congurador de la red proporcionase un modelo errneo de sta.
Si el interruptor o seccionador no se supervisa a travs del SCADA, la
actualizacin de su posicin la realiza manualmente el operador tras una serie
de operaciones que el operario de campo realiza. Puede ocurrir que el operador se olvide de actualizar la posicin de los equipos, lo que origina un error
topolgico en la red.
Este problema se puede obviar mediante el preprocesador del estimador de
estado. ste lo que realiza es la vericacin de cada nudo y si el residuo de
las potencias activa y reactiva superan un umbral se emite un mensaje que
avisar al operador. Por lo tanto, si se produce algn error en la informacin
que se tenga de un interruptor, sta se detectara por la correlacin que existe
entre la posicin del interruptor y los ujos de las ramas.
Identicacin de errores no gaussianos

En la mayora de los centros de control se utiliza el test de la 2 para la
deteccin de errores no gaussianos (se analizar en detalle en el Apartado 7.3).
En la prctica este test no es siempre correcto, aun cuando slo haya un nico
dato errneo, especialmente en redes grandes.
En el caso de que haya mltiples errores no gaussianos el test de la 2 se
ejecuta hasta un lmite, es decir, despus de que se hayan rechazado los errores
con los mayores residuos, el test puede indicar que no existen ms errores
Resumen
19
cuando en verdad s existen.

Por ello es conveniente que en la pantalla de ajuste de parmetros del
estimador de estado se presente la facilidad de que el operador pueda evitar la
realizacin del test de la 2 . De esta manera el proceso ir directamente a la
rutina de identicacin mediante el examen de los residuos normalizados.
Hay que destacar que, incluso si no se detectan todos los errores no gaussianos, el estimador de estado puede ofrecer una estimacin muy parecida al
valor verdadero.
1.4 Resumen
En este captulo se ha presentado el problema que exista en la operacin de
los sistemas de potencia y el cambio de mentalidad producido hacia los nuevos
sistemas de seguridad. Al producirse este cambio fue cuando emergi con gran
fuerza la estimacin de estado como solucin a los problemas de inconsistencia
y seguridad planteados.
Se han estudiado los datos de entrada necesarios para el estimador de estado (Apartado 1.2), que adems de los datos proporcionados por el SCADA
necesita los valores de los parmetros, la informacin topolgica, el modelo
matemtico del sistema y las pseudomedidas. En este mismo apartado se
han analizado los parmetros que denen la exactitud de la medida y se ha
justicado la utilizacin de la clase como nico parmetro para denirla.
Por ltimo, se han analizado los resultados que se obtienen de la estimacin
de estado (Seccin 1.3), justicndose los motivos para realizarla, as como la
inuencia que tiene sta sobre las funciones de control, el operador y la planicacin. Igualmente se han remarcado las limitaciones que tiene la estimacin
y que deben quedar completamente claras para el operador con objeto de que
ste pueda subsanarlas.
20
Estimacin de Estado
Bibliografa
[1] Abur A., A Bad Data Identication Method for Linear Programming
State Estimation. IEEE Transactions on Power Systems, Vol. 5, No. 3,
pp. 894-901, August 1990.
[2] Abur A., elik M., A Fast Algorithm for the Weighted Least Absolute
Value State Estimation. IEEE Transactions on Power Systems, Vol. 6,
pp. 1-8, February 1991.
[3] Allam M., Laughton M., A General Algorithm for Estimating Power
System Variables and Network Parameters. IEEE PES 1974 Summer
Meeting, Anaheim, CA, Paper C74 331-5, 1974.
[4] Allemong J., Radu L., Sasson A., A Fast and Reliable State Estimation
Algorithm for AEP's New Control Center. IEEE Transactions on Power
Apparatus and Systems, pp. 933-944, April 1982.
[5] Baldick, R., Clements K., Pinjo-Dzigal Z., Davis P., Implementing Nonquadratic Objetive Functions for State Estimation and Bad Data Rejection. IEEE Transactions on Power Systems, Vol. 12, No. 1, pp. 376-382,
February 1997.
[6] elik M., Abur A., A Robust WLAV State Estimator Using Transformations. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp.106-113,
February 1992.
[7] Clements K., Denison O., Ringlee R., The Eects of Measurement NonSimultaneity, Bias and Parameter Uncertainty on Power System State
Estimation. PICA Conference Proceedings, pp. 327-331, June 1973.
[8] Clements K., Ringlee R., Treatment of Parameter Uncertainty in Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Anaheim, Cal., Paper C74 311-7, July 1974.
21
22
BIBLIOGRAFA
[9] Clewer B., Irving M., Sterlig M., Topologically Independent State Estimation. IFAC Symposium Power Systems. Modelling and Control Applications, Brussels, pp. 17.1.1.-17.1.13., September 1988.
[10] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.
[11] Dopazo J., Klitin O., Stagg G., Van Slyck L., State Calculation of Power Systems from Line Flow Measurements. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-89, No. 7, pp. 1698-1709, September/October 1970.
[12] Dopazo J., Klitin O., Van Slyck L., State Calculation of Power Systems
from Line Flow Measurements, Part II. PICA Conference Proceedings,
Boston, pp. 341-347, 1971.
[13] Dy Liacco T., The Role and Implementation of State Estimation in an
Energy Management System. Electrical Power & Energy Systems, Vol.
12, No. 2, pp. 75-79, April 1990.
[14] Falco D., de Assis S., Linear Programming State Estimation: Error
Analysis and Gross Error Identication. IEEE Transactions on Power
Systems, Vol. 3, No. 3, pp. 809-815, August 1988.
[15] Gmez A., Estimacin de Estado en Sistemas Elctricos de Potencia.
Automtica e Instrumentacin, No. 155, pp. 185-193, Febrero 1986.
[16] Handschin E., Schweppe F., Kohlas J., Fiechter A., Bad Data Analysis for
Power System State Estimation. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-94, No. 2, pp. 329-337, March/April 1975.
[17] Handschin E., Kliokys E., Transformer Tap Position Estimation and Bad
Data Detection Using Dynamic Signal Modelling. IEEE Transactions on
Power Systems, Vol. 10, No. 2, pp. 810-817, May 1995.
[18] Irving M., Owen R., Sterling M., Power System State Estimation Using
Linear Programming. IEE Proceedings, Vol. 125, pp. 879-885, September
1978.
BIBLIOGRAFA
23
[19] Kotiuga W., Vidyasagar M., Bad Data Rejection Properties of Weighted
Least Absolute Value Techniques Applied to Static State Estimation.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-101, No.
4, pp. 844-853, April 1982.
[20] Larson R., Tinney W., Hajdu L., Piercy D., State Estimation in Power
Systems. Part II: Implementation and Applications. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-89, No. 3, pp. 353-362, March
1970.
[21] Liu W., Wu F., Lun S., Estimation of Parameter Errors from Measurement Residuals in State Estimation. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp. 81-89, February 1992.
[22] Liu W., Lim S., Parameter Error Identication and Estimation in Power
System State Estimation. IEEE Transactions on Power Systems, Vol. 10,
No. 1, pp. 200-209, February 1995.
[23] Lo K., Ong P., McColl R., Moatt A., Sulley J., Development of a Static
State Estimator, Part I: Estimation and Bad Data Suppression, Part II:
Bad Data Replacement and Generation of Pseudo-Measurements. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, pp. 24862500, 1983.
[24] Masiello R., Schweppe F., A Tracking Static State Estimator. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-90, pp. 10251033, March/April 1971.
[25] Mayo J., Nievas J., Pastor A., Medidas de Potencia Elctrica: Vatmetros. Automtica e Instrumentacin, No. 155, pp. 135-153, Febrero 1986.
[26] Mili L., Van Cutsem T., Ribbens-Pavella M., Hypothesis Testing Identication: A New Method for Bad Data Analysis in Power System State
Estimation. IEEE Transactions on Power Apparatus and Systems, Vol.
PAS-103, No. 11, pp. 3239-3252, November 1984.
[27] Mili L., Van Cutsem T., Ribbens-Pavella M., Bad Data Identication
Methods in Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, No. 11, pp. 3037-3049, November
1985.
24
BIBLIOGRAFA
[28] Mili L., Phaniraj V., Rousseeuw P., Least Median of Squares Estimation
in Power Systems. IEEE Transactions on Power Systems, Vol. 6, No. 2,
pp. 511-523, May 1991.
[29] Quintana V., Van Cutsem T., Real-Time Processing of Transformer Tap
Positions. Canadian Electrical Engineering Journal, Vol. 12, No. 4, pp.
171-180, 1987.
[30] Quintana V., Van Cutsem T., Power System Network Parameter Estimation. Optimal Control Applications & Methods, Vol. 9, pp. 303-323,
1988.
[31] Ruiz J., Gmez A., A Line-Current Measurement Based State Estimator. IEEE Transactions on Power Systems, Vol. 7, No. 2, pp. 513-519,
May 1992.
[32] Van Cutsem T.,Quintana V., Network Parameter Estimation Using Online Data with Application to Transformer Tap Position Estimation. IEE
Proceedings, Vol. 135, Pt C, No. 1, pp. 31-40, January 1988.
[33] Van Slyck L., Allemong J., Operating Experience with the AEP State
Estimator. IEEE Transactions on Power Systems, Vol. 3, No. 2, pp. 521528, May 1988.
[34] Wu F., Power System State Estimation. Electrical Power & Energy Systems, Vol. 12, No. 2, pp. 80-87, April 1990.
[35] Zarco P., Gmez A., O-line Determination of Network Parameters in
State Estimation. Proceedings 12th. Power System Computation Conference, pp. 1207-1213, Dresden, Germany, August 1996.
Captulo 2
Mtodos de Estimacin de Estado
2.1 Introduccin
El estado de un sistema de potencia hace referencia a su condicin de operacin
y, matemticamente, todas las cantidades se pueden calcular una vez que se
conocen las magnitudes de las tensiones y los desfases de los ngulos. Por lo
tanto, el modelo matemtico de la estimacin de estado se basa en las relaciones
matemticas entre las medidas y las variables de estado.
Sea z el vector de telemedidas, x el vector de variables de estado (tensiones
en los nudos y fase de los ngulos), h las ecuaciones que relacionan las medidas
con las variables de estado y el vector de errores de las medidas. Entonces,
el vector de medidas se modela como [25, 26]:
(2.1)
z = h(x) +
Se supone (segn lo expuesto en el Apartado 1.2) que los errores 1 , 2 , . . . ,

m son variables aleatorias independientes con distribucin gaussiana y media
2
cero, siendo m el nmero de medidas. La varianza i del error de la medida
i , proporciona una indicacin de la exactitud de la medida. Una varianza
elevada indica que la medida no es muy exacta y una varianza pequea indica
que la medida es muy exacta.
Sea R la matriz de covarianzas de errores de las medidas:
2
1
R = E{ T } =
2
2
..
.
2
m
25
(2.2)
26
y W = R1 .
En las ecuaciones (2.1), x es el verdadero valor del estado desconocido y,
como los errores son variables aleatorias, las medidas z tambin lo son. Ms
an, z tiene distribucin gaussiana con media h(x) y covarianza R y la funcin
de densidad de probabilidad de z se puede escribir [2]:
1
T
f (z) = ( 2)m |W |(1/2) e 2 [zh(x)] W [zh(x)]
(2.3)
La ejecucin satisfactoria de la estimacin de estado en los modernos sistemas de gestin de energa durante los ltimos aos mediante el mtodo de
mnimos cuadrados ponderados ha incitado a la realizacin de estimadores que
abarcan redes cada vez ms grandes. Esto implica que cada vez sean mayores
los porcentajes de la red externa que se representan.
Con este crecimiento de los sistemas aparecen una serie de problemas que
cuando se trata de otros ms pequeos no existen. Uno de los principales problemas que se crea es el mal condicionamiento numrico. Cuando el sistema se
encuentra mal condicionado aparecen problemas de lentitud en la convergencia
a la solucin as como fallos en dicha convergencia.
El modo de solucionar el problema de la estimacin de estado es mediante una secuencia de puntos x0 , x1 , x2 , . . . En cada iteracin se resuelve una
parte del problema general en el que el siguiente punto xk+1 se calcula a partir del punto xk y del valor del parmetro p (impedancias, tensiones, etc.).
Esto se puede representar mediante la siguiente funcin: x1 = f (x0 , p), x2 =
f (x1 , p), . . . Este proceso converge si xn se aproxima a la solucin x.
Por otro lado, como consecuencia de que un nmero x1 se almacena mediante una aproximacin x aparece el error de redondeo que es la diferencia
1
de ambos nmeros. El efecto del error de redondeo es que en lugar de utilizar
x2 = f (x1 , p), en los clculos se emplea x = f (x , p ).
2
1
Un algoritmo se dice que est mal condicionado si para un (x1 , p) dado, la
diferencia entre f (x1 , p) y f (x , p) o entre f (x1 , p) y f (x1 , p ) es grande siendo
1
x1 y x o p y p valores muy prximos y por lo tanto da idea de cmo de
1
amplicados pueden quedar los errores en la solucin ante errores en los datos
de entrada. El mal condicionamiento ocurre cuando:
Existe disparidad en los factores de peso [5].

Existe un nmero elevado de medidas de inyeccin [13].
Existe conexin entre lneas de transmisin cortas y largas [21].
Introduccin
27
A las medidas se les asignan diferentes factores de peso dependiendo de la

credibilidad que se les d. As, un valor elevado de dicho factor indica que la
medida es muy parecida a su valor exacto y, al contrario, si la credibilidad que
nos ofrece la medida es muy pequea, su factor de peso ser bajo. Un ejemplo
de mal condicionamiento cuando existe disparidad en los factores de peso es
asignar valores grandes a las medidas virtuales, es decir, se considera que se
trata de medidas ms exactas, y pequeos a las pseudomedidas, es decir, se
considera que se trata de medidas menos exactas.
Se han propuesto diversos mtodos para resolver el problema del mal condicionamiento numrico:
Ecuaciones normales con restricciones [5, 31].

Transformaciones ortogonales [27, 28, 30].
Mtodo hbrido [21].
Mtodo de la matriz aumentada de Hachtel [10, 18, 32].
Mtodo de pseudoinversas o de Peters y Wilkinson [7, 9, 13, 23].
Mtodo de la matriz aumentada por bloques [3, 22].
En [3] se revisan los principales mtodos de resolucin del problema de
estimacin de estado y en [14] se comparan los siguientes mtodos:
Mtodo de ecuaciones normales convencionales.

Mtodo de ecuaciones normales con restricciones.
Mtodo de transformaciones ortogonales.
Mtodo hbrido.
Mtodo de la matriz aumentada de Hachtel.
desde el punto de vista de:
Estabilidad numrica.
Eciencia computacional.
Complejidad en la realizacin.
28
En dicho artculo se obtiene la conclusin de que el mtodo hbrido y el de

Hachtel son los que ofrecen mejores compromisos entre estabilidad numrica
y eciencia computacional, ya que, aunque el mtodo de transformaciones
ortogonales es numricamente ms estable, no se puede realizar con el mtodo
desacoplado rpido.
Otros mtodos de estimacin de estado no tan extendidos como los basados
en la resolucin de mnimos cuadrados son los de mnimos valores absolutos
[1] y mnima mediana de cuadrados [20].
2.2 Mnimos cuadrados ponderados

En el problema de estimacin de estado se reciben un conjunto de telemedidas
z basndose en el hecho de querer estimar el estado x. El conjunto x que maximiza la funcin de densidad de probabilidad (2.3) es el estimado de mxima
verosimilitud x . Esto se basa en el hecho de que si se han observado dichas
medidas es porque el estado que dio lugar a ellas es, en sentido estadstico,
el ms probable, y si no lo es, se habran observado otras medidas con una
probabilidad bastante alta.
Siendo x el estimado de mxima verosimilitud, ste posee propiedades de
seables para un estimador segn la estadstica matemtica clsica, la cual toma
como criterio de bondad para un estimador la varianza del mismo. Es posible
armar que este estimador posee asintticamente (siendo m un valor elevado)
las siguientes propiedades:
Insesgado: E() = x.
x
Suciente: Utiliza toda la informacin estadstica existente en la muestra.
Eciente: Alcanza la cota de Cramer-Rao [16]
lnf (x, )
E
lnf (x, )
(2.4)
Consistente: xm x si m .
As pues, desde el punto de vista estadstico, es posible armar que, como

mucho, se encontrar un estimador tan bueno como x, pero no mejor.
Mnimos cuadrados ponderados
29
Maximizar f (z) en (2.3) es equivalente a minimizar el trmino cuadrtico

del exponente:
J(x) = [z h(x)]T W [z h(x)]

m
[zi hi (x)]2
=
2
i
i=1
(2.5)
(2.6)
siendo J(x) la funcin objetivo.

Como en este caso el estimador de mxima verosimilitud minimiza el error
cuadrtico ponderado con la exactitud de las medidas, ste es el estimado de
mnimos cuadrados ponderados.
La solucin del problema de mnimos cuadrados ponderados (2.5) proporciona el estado estimado x que satisface la siguiente condicin de optimizacin:
J(x)
= 0 g() = H T ()W [z h()] = 0
x
x
x
x
donde
H(x) =
h(x)
x
(2.7)
(2.8)
es la matriz jacobiano.
Independientemente de la visin estadstica de la funcin J(x) es posible
dar otra interpretacin geomtrica de dicha eleccin. Por analoga con mnimos
cuadrados lineales se puede decir que minimizar dicha funcin es encontrar el
estado que hace que la distancia desde las medidas obtenidas a las medidas
estimadas sea mnima.
La solucin x de la ecuacin no lineal (2.7) se puede obtener mediante un
mtodo iterativo en el que el vector de estado en la iteracin k-sima es xk y

en cada iteracin se resuelve la ecuacin lineal:
A(xk )xk = H T (xk )W [z h(xk )]
(2.9)
y de la que se obtiene la correccin xk = xk+1 xk . En (2.9), A(xk ) es

una matriz no singular que depende del mtodo utilizado y mientras que la
secuencia de puntos xk generada por el mtodo iterativo converja, converger
a la solucin de (2.7). La dependencia de x se omitir en lo sucesivo para
simplicar la notacin.
Un mtodo que garantiza convergencia cuadrtica local es el mtodo iterativo de Newton, para el cual la matriz A(x) viene dada por:
A(x) =
g
x
(2.10)
30
siendo el elemento ij-simo de g/x:
gi
=
xj
2 h(x)
xi xj
h
W [z h(x)]
xi
h
xj
(2.11)
El mtodo de Newton ignora los trminos de derivadas segundas (en [4] se

discute lo signicativo que pueden llegar a ser estos trminos) y queda:
A(x) = H T (x)W H(x)
(2.12)
por lo que la ecuacin (2.9) se transforma en:
G(x)x = H T (x)W [z h(x)]

donde
(2.13)
G(x) = H T (x)W H(x)
(2.14)
es la matriz de ganancia . sta es dispersa, denida positiva y simtrica, lo que

asegura la observabilidad del sistema. Las ecuaciones (2.13) son las ecuaciones
normales del problema de mnimos cuadrados ponderados que se resuelven
mediante la factorizacin triangular de la matriz de ganancia
G = UT U
(2.15)
siendo U una matriz triangular superior. Seguidamente se resuelve x mediante eliminacin hacia adelante y sustitucin hacia atrs de
(U T U )x = H T W z
(2.16)
siendo z = z h(x).
2.3 Ecuaciones normales con restricciones

En el caso de existir medidas virtuales, las cuales representan relaciones matemticas exactas, se pueden incorporar directamente en la formulacin de
la estimacin de mnimos cuadrados asignndoles un factor de peso elevado,
pero como se dijo en el Apartado 2.2 se ha observado empricamente que tal
disparidad en los factores de peso puede causar un mal condicionamiento.
Por ello, lo que se hace es proceder a la divisin del conjunto de medidas
en:
Telemedidas:
z = h(x) +
(2.17)
Medidas virtuales: c(x) = 0
Ecuaciones normales con restricciones
31
por lo que la matriz jacobiano se divide en H y C siendo ahora H la submatriz

jacobiano de las telemedidas solamente y C la de medidas virtuales. Si k es la
relacin entre los factores de peso de las medidas virtuales y las telemedidas,
entonces, de las ecuaciones normales (2.13) obtenemos
H
C
H
C
H
C
x =
1
k
z
c
(2.18)
siendo c = c(x).
Para valores de k muy elevados, el trmino kC T C es dominante en la matriz,
sin embargo, no suele haber sucientes medidas virtuales como para que la
matriz C sea de rango completo y por tanto sea observable la red. Por lo
tanto, para valores de k grandes, la matriz de coecientes en (2.18) tiende a
ser singular causando problemas de mal condicionamiento.
Para evitar este problema las medidas virtuales se pueden separar de las
telemedidas tratndose como restricciones de igualdad y las medidas z incluirn
solamente las telemedidas y las pseudomedidas, si hay alguna. El problema que
se plantea en este caso ser el de encontrar un estimado del vector de estado x
que minimice la funcin objetivo (2.5) satisfaciendo, adems, las restricciones
c(x) = 0.
Para resolver este problema de minimizacin con restricciones [5, 31] se
puede utilizar el mtodo de los multiplicadores de Lagrange, obtenindose el
estimado x mediante un procedimiento iterativo en el que la ecuacin lineal
izada que se resuelve en cada iteracin es:
HT W H CT
C
0
Siendo
F =
H T W z
c
H T W H(x) C T
C
0
(2.19)
(2.20)
se realiza la factorizacin triangular
F = UT U
(2.21)
y mediante eliminacin hacia adelante y sustitucin hacia atrs de
(U T U )
se obtiene x.
H T (x)W z
c
(2.22)
32
2.4 Transformaciones ortogonales

La funcin objetivo del problema de mnimos cuadrados en cada iteracin es:
J(x) = (z Hx)T W (z Hx)
= ( Hx)T ( Hx)
z
z
= Hx 2
z
(2.23)
H = W 1/2 H
= W 1/2 z
z
(2.24)
(2.25)
donde
Siendo I la matriz unitaria, sea Q una matriz ortogonal, es decir QT Q = I ,

tal que
U
H = QT
(2.26)
0
Entonces se tiene:
J(x) = ( Hx)T QT Q( Hx)

z
z
= Q QHx 2
z
= y1 U x 2 + y2 2
donde
Q1
Q2
=
z
y1
y2
(2.27)
(2.28)
El mnimo de (2.27) ocurre cuando
U x = y1
es decir
(2.29)
U x = Q1 W 1/2 z
(2.30)
y de esta ecuacin, mediante resolucin hacia atrs, se obtiene x.

Resumiendo, el mtodo comienza realizando las transformaciones ortogo
z
nales (2.26) y (2.28) de H y y a continuacin se resuelve (2.29) mediante
sustitucin hacia atrs. De esta manera se evita tener que construir G, pero Q
es ms densa. Para la obtencin de Q se utiliza la transformacin de Givens.
Mtodo hbrido
33
2.5 Mtodo hbrido

Teniendo en cuenta (2.26) se obtiene:

G = H T W H = H T H = U T QQT U = U T U
(2.31)
El mtodo hbrido resuelve las ecuaciones normales utilizando
U T U x = H T W z
(2.32)
Los puntos principales de este mtodo son la transformacin ortogonal
(2.26) de H , con lo que se evita la necesidad de utilizar G, y la resolucin de las

ecuaciones normales (2.32) mediante eliminacin hacia adelante y sustitucin
hacia atrs sin necesidad de tener que almacenar Q [12].
2.6 Mtodo de la matriz aumentada de Hachtel

Para la resolucin del problema de minimizacin con restricciones de x se
utiliza el mtodo de la matriz aumentada de Hachtel en el que las ecuaciones

se aumentan con el vector de residuos y se resuelven en cada iteracin las
siguientes ecuaciones:
0
0
C
1
c
1
W
H W r = z
0
CT
HT
0
x
0
(2.33)
r = z Hx
(2.34)
siendo:
es el multiplicador de Lagrange y es un parmetro utilizado para controlar

la estabilidad numrica del problema [26].
Las variables que se calculan en cada iteracin son, adems de x:
= 1
= 1 W r
r
Deniendo
(2.35)
(2.36)
(2.37)
0
0
C
1
H
K(x) = 0 W
CT
HT
0
(2.38)
34
se realiza la factorizacin triangular
K = UT U
(2.39)
y mediante eliminacin hacia adelante y sustitucin hacia atrs de
T
(U U ) r = z
x
0
(2.40)
se obtienen las correcciones.

En el caso particular de que no existan restricciones de igualdad las ecuaciones a resolver son:
W 1 H
HT
0
1 W r
x
z
0
(2.41)
Este mtodo tiene el inconveniente de destruir la simetra de la matriz

debido a los pivotamientos.
2.7 Mtodo de pseudoinversas

Este mtodo, tambin llamado de Peters y Wilkinson, realiza la minimizacin
del error de mnimos cuadrados mediante la siguiente transformacin del problema original:
H = W 1/2 H
= W 1/2 z
z
(2.42)
(2.43)
con lo que el problema se reduce a:

minimizar J(x) = rt r
siendo
(2.44)
r = Hx
(2.45)
Factorizando H de manera que:
H = LU
(2.46)
siendo L una matriz trapezoidal inferior y U una matriz triangular superior, y

deniendo:
y = U x
(2.47)
Mtodo de pseudoinversas
35
el problema se reduce a:
minimizar
rt r
sujeto a: r = Ly
(2.48)
De este problema transformado se obtiene y de la ecuacin:
[LT L] y = LT
z
(2.49)
no siendo LT L tan mal condicionado como G y obtenindose la solucin del

problema original mediante la resolucin del sistema triangular superior de
ecuaciones:
(2.50)
U x = y
La resolucin con restricciones [9] se puede expresar como:
x =
(2.51)
realizndose la misma factorizacin que en el mtodo sin restricciones. Se crea

una matriz triangular superior U no singular y una trapezoidal inferior L,
teniendo sta la siguiente estructura:
L11 0
L21 L22
(2.52)
La resolucin se realiza calculando previamente una variable intermedia w

de L11 w = c mediante eliminacin hacia adelante. Seguidamente se obtiene
otra variable intermedia y de:
LT L22 y = LT
22
22 z
(2.53)
mediante factorizacin dispersa. Por ltimo se resuelve:
U x =
w
y
y se obtiene x mediante sustitucin hacia atrs.
(2.54)
36
2.8 Mtodo de la matriz aumentada por bloques

La idea bsica de este mtodo se basa en organizar la formulacin del mtodo
de la matriz aumentada de Hachtel como una submatriz con estructura de
bloques que se ajuste a la forma de la matriz de incidencias de la red y de esta
manera queda como una matriz dispersa.
Toda la informacin asociada a las medidas se agrupa en ujos, incluyendo
tensiones, e inyecciones eliminndose toda formulacin explcita de los ujos
en la resolucin del sistema. Las nicas restricciones que se consideran estn
asociadas a inyecciones y todas ellas son, por tanto, informaciones nodales.
Separando en (2.33) la informacin en inyeccin (subndice i) o de ujo y
tensiones (subndice f ) y haciendo = 1 por claridad, se obtiene:
0
0
0
C
1
W r
0 Wi
0
Hi
i
i
1
0
0
Wf
Hf Wf rf
T
x
C T HiT
Hf
0
c
zi
zf
0
(2.55)
Seguidamente, permutando en la matriz de informacin las las y las columT

nas que involucran a las restricciones y eliminando de ella Hf :
1
0
0
Hf
Wf
1
0
Wi
0
Hi
0
0
0
C
T
T
HiT C T Hf Wf Hf
Hf
Wf rf
Wi ri
zf
zi
c
T
Hf Wf zf
(2.56)
En (2.56) se observa que la ecuacin asociada a los residuos de las medidas de ujos queda desacoplada del resto del sistema, por lo que la ecuacin
matricial que se ha de resolver es:
zi
Wi1 0
Hi
Wi ri
c
0
C
=
0
T
T
T
T
Hf Wf zf
C Hf Wf Hf
Hi
x
(2.57)
La idea de reordenar este sistema de ecuaciones con objeto de obtener una

estructura particionada en bloques de manera que resulte fcil de factorizar
ha sido desarrollada en [29] y la razn es evitar la utilizacin de rutinas especiales que almacenen los pivotes pequeos o nulos necesarios para realizar una
eliminacin eciente y estable.
Mnimos valores absolutos
37
El modelo de (2.57) tiene una estructura intermedia entre (2.19) y (2.33),

T
siendo Hf Wf Hf un subconjunto de la matriz de admitancia nodal y estando
todas las variables de (2.57) relacionadas con los nodos de la red. El siguiente
paso se basa en realizar las necesarias permutaciones de las y columnas de
manera que estn agrupadas todas las variables de un mismo nodo [11].
2.9 Mnimos valores absolutos

El mtodo de estimacin de mnimos cuadrados se ha estudiado ampliamente
y as, tanto su estabilidad numrica como su eciencia computacional se han
ido mejorando grandemente. Posteriormente, se ha propuesto el mtodo de
mnimos valores absolutos para resolver el problema de estimacin de estado
[8, 15, 17].
El mtodo de resolucin de mnimos valores absolutos es un mtodo robusto
y la solucin que el mtodo propone es la que a continuacin se detalla.
El modelo del sistema que relaciona las medidas con los estados que se van
a estimar es (2.1), que linealizado en torno al punto de operacin x0 es:
z = H(x0 )x +
(2.58)
z = z h(x0 )
h
H(x0 ) =
x x=x0
(2.59)
donde
x = x x0
(2.60)
(2.61)
El estimador de mnimos valores absolutos se obtiene minimizando la siguiente funcin objetivo:

m
J(x) =
wi |zi Hi (x0 )x|
(2.62)
i=1
Esta funcin objetivo se puede minimizar iterativamente resolviendo el siguiente problema de programacin lineal:
minimizar J(x) =
sujeto a:
m
i=1
wi (ui + vi )
z0 = H(x0 )xu H(x0 )xv + u v
donde
(2.63)
38
xu , xv , u, v 0
xu (i) = x(i) si x(i) 0 y 0 en los otros casos
xv (i) = x(i) si x(i) 0 y 0 en los otros casos
u y v son vectores no negativos de dimensin m x 1 tales que min[u(i), v(i)] =
0 y max[u(i), v(i)] = |zi Hi (x0 )x|
El problema de programacin lineal de las ecuaciones (2.63) se puede resolver en dos etapas. En la primera de ellas se obtiene una posible solucin
bsica y en la segunda se realiza la optimizacin iterativamente mediante el
mtodo Simplex hasta encontrar la solucin ptima.
La primera etapa se comienza eligiendo como solucin bsica una matriz
diagonal de dimensin m x m cuyos elementos son 1 -1, dependiendo el signo
del correspondiente elemento del trmino independiente. A continuacin, se
obliga a que la base contenga todas las columnas de H(x0 ). De esta manera
se puede conseguir un conjunto de medidas observables sin que las variables
u(i), v(i) se encuentren en la base resultante.
En el caso de la estimacin de estado, el conjunto de medidas observables
obtenido para una conguracin de medidas particular se puede utilizar para
inicializar el estimador de mnimos valores absolutos siempre que no vare la
conguracin del sistema.
Los pasos a seguir para resolver dicho problema de programacin lineal
utilizando el mtodo Simplex se pueden resumir de la siguiente manera [19]:
1. Elegir una base inicial que determina un conjunto mnimo de medidas
que hacen completamente observable el sistema. Realizar la factorizacin
triangular de la base elegida.
2. Encontrar la solucin bsica, la cual puede ser no resoluble debido a
algn x(i) negativo. Si es as, cmbiese el signo de la correspondiente
columna de H(x0 ).
3. Determinar el costo relativo de las variables no bsicas. Si todos son
negativos, parar; se ha encontrado la solucin ptima. En caso contrario,
elegir la variable con mayor costo relativo negativo para introducirla en
la prxima base.
4. Determinar el trmino pivote (variable que abandonar la base). No
permitir que las variables de estado x abandonen la base.
Mnima mediana de cuadrados
39
5. Intercambiar las columnas de las variables que se incorporan y salen de

la base. Ir al paso 2.
Si se aplica directamente este mtodo al problema de programacin lineal
planteado en la ecuacin (2.63) se produce un cdigo de programacin ineciente, por lo que en [1] se detalla un mtodo de resolucin ms ecaaz.
2.10 Mnima mediana de cuadrados

El mtodo de estimacin de estado de mnima mediana de cuadrados se basa
en el mtodo propuesto en [24], pero desarrollado para modelos no lineales y
utilizando tcnicas de matrices dispersas de manera que el tiempo usado en el
procesamiento numrico sea lo ms reducido posible [20].
Siendo N el nmero de nudos de la red y n = 2N 1, en el caso unidimensional y de regresin simple (n = 1 2), el estimador no minimiza la suma, sino
la mediana de los cuadrados de los residuos. En el caso de regresin mltiple
la funcin objetivo que se minimiza es:
2
J(x) = rW (k)
siendo
(2.64)
m
n+1
+
(2.65)
2
2
es el k-simo residuo cuadrado ponderado, donde el residuo ponderado
k=
2
y rW (k)
es:
rW =
y
ri
i
r =zz
(2.66)
(2.67)
es el residuo de las medidas, con z la medida estimada.
Primeramente se elevan al cuadrado los residuos ponderados y a continuacin se ordenan de menor a mayor, siendo el k-simo el mayor de ellos.
En este mtodo se utiliza un procedimiento combinatorial repetidamente
para seleccionar muestras observables del sistema de tamao n. Para cada
muestra, el sistema no lineal se resuelve mediante el mtodo de NewtonRaphson, hallndose a continuacin los residuos ponderados, elevndolos al
cuadrado y ordenndolos de menor a mayor. El estimado de mnima mediana
de cuadrados se obtiene minimizando la funcin objetivo entre las muestras
seleccionadas.
40
m
muestras, lo que
n
conduce a tiempos computacionales muy grandes incluso en el caso de pequeos
sistemas. Sin embargo, se pueden considerar solamente un cierto nmero i
de selecciones aleatorias de manera que la probabilidad P de que al menos
una muestra no est contaminada con errores no gaussianos sea prxima a 1
(habitualmente 0.95).
Para hallar la expresin de P en trminos de i, se considera que es la
fraccin de errores no gaussianos entre las m observaciones. Si m es grande,
entonces es la probabilidad de que exista un error no gaussiano. Por lo tanto,
la probabilidad de seleccionar n datos buenos es (1 )n y la probabilidad de
seleccionar i muestras contaminadas de tamao n es (1 (1 )n )k .
Luego
P = 1 (1 (1 )n )k
(2.68)
En principio, la bsqueda combinatorial incluira
y para P , n y dados se puede hallar el mnimo nmero de muestras i que

hay que considerar. En la prctica, es deseable no tener solamente un buen
conjunto de muestras, sino varios por lo que se toman 2 x i.
2.11 Resumen
En este captulo se han presentado diversos mtodos para resolver numricamente la estimacin de estado. El primer mtodo analizado (Apartado 2.2) ha
sido el de mnimos cuadrados ponderados, el cual ha sido el ms ampliamente
utilizado debido a sus conocidas propiedades estadsticas.
En las Secciones (2.3 a 2.8) se han mostrado distintos mtodos para solventar el problema del mal condicionamiento numrico que se presenta en la
estimacin de estado. Cada uno de dichos mtodos le da ms prioridad a uno
de los siguientes aspectos:
Estabilidad numrica.
Eciencia computacional.
Complejidad en la realizacin.
Por ltimo, en los Epgrafes 2.9 y 2.10 se han expuesto los mtodos de
resolucin de mnimos valores absolutos y mnima mediana de cuadrados.
Bibliografa
[2] Allen A., Probability, Statistics, and Queueing Theory: with Computer
Science Applications. Academic Press, Inc., San Diego, California, 1990.
[3] Alvarado F., Tinney W., State Estimation Using Augmented Blocked
Matrices. IEEE Transactions on Power Systems, Vol. 5, No. 3, pp. 911921, August 1990.
[4] Amerongen R., On Convergence Analysis and Convergence Enhancement
of Power System Least-Squares State Estimators. IEEE Transactions on
Power Systems, Paper 95 WM 215-4 PWRS, January 1995.
[5] Aschmoneit F., Peterson N., Adrian E., State Estimation with Equality
Constraints. Tenth PICA Conference Proceedings, Toronto, pp. 427-430,
May 1977.
[6] Barrodale I., Roberts F., An Improved Algorithm for Discrete l1 Linear
Approximation. SIAM Journal on Numerical Analysis, Vol. 10, No. 5,
pp. 839-848, October 1973.
[7] Bjrck A., Du I., A Direct Method for the Solution of Sparse Linear
Least Squares Problems. Linear Alg. and its Applic., Vol. 34, pp. 43-67,
1980.
[8] Clements K., Davis P., Frey K., An Ecient Algorithm for Computing
the Weighted Least Absolute Value Estimate in Power System Static State
Estimation. Proceedings of the IFAC International Symposium on Power
Systems and Power Plant Control. Seoul, Korea, pp. 785-790, August
1989.
41
42
BIBLIOGRAFA
[9] Clements K., Woodzell G., Burchett R., A New Method for Solving Equality-Constrained Power System Static State Estimation. IEEE
Transactions on Power Systems, Vol. 5, No. 4, pp. 1260-1266, November
1990.
[10] Gjelsvik A., Aam S., Holten L., Hachtel's Augmented Matrix Method A Rapid Method Improving Numerical Stability in Power System Static
State Estimation. IEEE Transactions on Power Apparatus and Systems,
Vol. PAS-104, pp. 2987-2993, November 1985.
[11] Gmez A., Martnez J., Romero E., Ruiz J., Durn J., Luque A., Gonzlez
F., Development of a State Estimator Based on Line-Current Measurements. Sociedad Espaola de Estadstica e Investigacin Operativa, Top,
Vol. 2, No. 1, pp. 85-104, 1994.
[12] Gmez A., Abur A., Martnez J., Monroy D., Peas J., Van Cutsem T.,
Power System State Estimation and Security Assessment. EES-UETP
1996 Course Program, Sevilla, June 1996.
[13] Gu J., Clements K., Krumpholz G., Davis P., The Solution of Illconditioned Power System State Estimation Problems Via the Method
of Peters and Wilkinson. PICA Conference Proceedings, Houston, pp.
239-246, May 1983.
[14] Holten L., Gjelsvik A., Aam S., Wu F., Liu W., Comparison of Dierent
Methods for State Estimation. IEEE Transactions on Power Systems,
Vol. 3, pp. 1798-1806, November 1988.
[15] Irving M., Owen R., Sterling M., Power System State Estimation Using
Linear Programming. IEE Proceedings, Vol. 125, pp. 879-885, September
1978.
[16] Kashyap R., Rao A., Dynamic Stochastic Models from Empirical Data.
Academic Press, Inc., San Diego, California, 1976.
[17] Kotiuga W., Vidyasagar M., Bad Data Rejection Properties of Weighted
Least Absolute Value Techniques Applied to Static State Estimation.
4, pp. 844-853, April 1982.
BIBLIOGRAFA
43
[18] Liu W., Wu F., Holten L., Gjelsvik A., Aam S., Computational Issues in
the Hachtel's Augmented Matrix Method for Power System State Estimation. Proceedings 9th. Power System Computation Conference, Lisbon,
September 1987.
[19] Luenberger D., Linear and Nonlinear Programming. Addison-Wesley,
1984.
[20] Mili L., Phaniraj V., Rousseeuw P., Least Median of Squares Estimation
in Power Systems. IEEE Transactions on Power Systems, Vol. 6, No. 2,
pp. 511-523, May 1991.
[21] Monticelli A., Murari C., Wu F., A Hybrid State Estimator: Solving
Normal Equations by Orthogonal Transformations. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-105, No. 2, pp. 3460-3468,
December 1985.
[22] Nucera R., Gilles M., A Blocked Sparse Matrix Formulation for the Solution of Equality-Constrained State Estimation. IEEE Transactions on
Power Systems, Vol. 6, No. 1, pp. 214-224, February 1991.
[23] Peters G., Wilkinson J., The Least Squares Problem and Pseudo-inverse.
The Computer Journal, Vol. 13, No. 4, pp. 1534-1542, 1970.
[24] Rousseeuw P., Leroy A., Robust Regression and Outliner Detection.
John Wiley, 1987.
[25] Schweppe F., Douglas B., Power System Static-State Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-89, pp. 120-135,
1970.
[26] Schweppe F., Handschin E., Static State Estimation in Electric Power
Systems. Proceedings IEEE, Vol. 62, pp. 972-983, July 1974.
[27] Simes-Costa A., Quintana V., A Robust Numerical Technique for Power
Systems, Vol. PAS-100, pp. 691-698, February 1981.
[28] Simes-Costa A., Quintana V., An Orthogonal Row Processing Algorithm for Power System Sequential State Estimation. IEEE Transactions
on Power Apparatus and Systems, Vol. PAS-100, pp. 3791-3800, August
1981.
44
BIBLIOGRAFA
[29] Sun D., Ashley B., Brewer B., Hughes A., Tinney W., Optimal Power
Flow by Newton Approach. IEEE Transactions on Power Apparatus and
Systems, Vol. PAS-103, No. 10, pp. 2864-2880, October 1984.
[30] Wang J., Quintana V., A Decoupled Orthogonal Row Processing Algorithm for Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-103, pp. 2337-2334, August 1984.
[31] Wu F., Liu W., Lun S., Observability Analysis and Bad Data Processing
for State Estimation with Equality Constraints. IEEE Transactions on
Power Systems, Winter Meeting, New Orleans, WM103-5, February 1987.
[32] Wu F., Liu W., Holten L., Gjelsvik A., Aam A., Observability Analysis
and Bad Data Processing for State Estimation using Hachtel's Augmented
Matrix Method. IEEE Transactions on Power Systems, Vol. 3, pp. 604611 May 1988.
Captulo 3
Inuencia de Errores en los
Parmetros sobre la Estimacin
3.1 Introduccin
Los algoritmos de estimacin de estado que habitualmente se utilizan estn
basados en la suposicin de que los parmetros de las lneas (resistencia, reactancia, tomas de los transformadores, etc.) y el estado de los interruptores
son perfectamente conocidos, aunque esto no es del todo correcto.
As, mientras que los errores en los estados de los interruptores afectan
a la topologa de la red produciendo grandes inconsistencias en las medidas
estimadas y pueden ser fcilmente identicables, los errores en las impedancias de las ramas son menos visibles y pueden producir errores en los datos
proporcionados por el estimador continuamente y durante grandes periodos de
tiempo sin que dichos errores se detecten.
Estos errores en los parmetros, tales como:
Incorrectas impedancias de ramas.

Modelado incorrecto de los transformadores o posicionamiento incorrecto
del intercambiador de tomas.
pueden ser debidos a:
Datos errneos facilitados por el fabricante.

Errores en la calibracin.
45
46
Inuencia de Errores en los Parmetros
Discrepancias entre la longitud real de las lneas y la de diseo.

Cambio de las tomas de transformadores por parte de personal de campo
sin que se lo haya comunicado al Centro de Control, etc.
y pueden producir:
Una degradacin signicativa de la exactitud de los resultados del estimador de estado y, como consecuencia, de los resultados de los programas
cuyos datos de entrada son los de salida del estimador.
Una deteccin de medidas errneas que realmente no lo son, debido a su
inconsistencia con los parmetros errneos.
Una reduccin de la conanza del operador en el estimador de estado.
Desde el punto de vista del estimador de estado, un error en un parmetro
tiene el mismo efecto que un conjunto de errores correlacionados que actuaran
sobre todas las medidas que afectan a la rama errnea, es decir, las medidas
de ujo sobre la rama y las de inyecciones en los nudos extremos de ella, por
lo que ser de suma importancia su estimacin.
En la literatura existente respecto a la estimacin de parmetros se hace
mencin de la importancia que tiene dicha estimacin con objeto de evitar la
degradacin que se produce en la estimacin de las variables de estado, pero
solamente en [5, 7, 8, 9, 11] se realiza un estudio sobre el efecto que los errores
en dichos parmetros y en las medidas ejercen sobre la solucin del estimador
de estado.
El anlisis realizado en [8, 7] se limita a representar una grca en la que
se muestra el efecto producido, por un lado, por los errores en los parmetros
y, por otro, por los errores en las medidas, sobre la funcin objetivo de la
estimacin de estado. Dicha grca se obtuvo aplicando un error constante a
todos los parmetros de las ramas o a todas las medidas independientemente.
Los resultados obtenidos demuestran que, dependiendo de dicho error, los
errores en los parmetros pueden producir un impacto sobre la estimacin de
estado similar o superior al de los errores en las medidas. Por ello, los errores
en los parmetros no detectados pueden afectar gravemente a la exactitud de
las aplicaciones de seguridad y optimizacin de la red.
Asimismo, en [9] se realiza un anlisis de sensibilidad para considerar los
efectos de ciertos errores sobre la estimacin de estado. En dicho estudio
slo se realiza un nico ensayo sobre tres lneas distintas simultneamente,
Entorno de simulacin
47
obtenindose resultados respecto a las tensiones, sus desviaciones tpicas y los

ujos de potencia cuando se produce un error en:
La capacitancia, la inductancia o la resistencia de esas tres lneas concretas.

La varianza de los errores de las medidas.
Las tomas de los transformadores.
El resultado ms importante que se obtiene es que la inductancia de la lnea
es la que introduce los mayores errores sobre los ujos de potencia, aunque
dichos resultados no pueden considerarse muy signicativos debido al pequeo
tamao de la muestra que ha servido de estudio.
Sin embargo, en [11] s se realiza un estudio exhaustivo de la inuencia
de los errores en los parmetros sobre la estimacin de estado, analizndose
dicha inuencia de una manera sistemtica. Seguidamente se va a proceder
a analizarla presentndose previamente en la siguiente seccin el entorno de
simulacin utilizado.
Por ltimo, decir que este captulo va a servir de nexo de unin entre la
estimacin de estado y de parmetros debido a la inuencia que, como se acaba
de exponer, estos ltimos tienen sobre la estimacin de estado.
3.2 Entorno de simulacin

El estudio que se va a presentar en los siguientes apartados va a realizarse
sobre la red de catorce nudos y veinte lneas IEEE-14 [10] representada en la
Figura 3.1. Para considerar diversos estados de la red a lo largo de un da
se han tomado veinticuatro muestras, equivalentes a las horas de un da, de
tensiones y desfases en cada uno de los nudos [6] y se han intercalado setenta
y cuatro nuevas muestras entre dichas horas.
Con esas mil ochocientas muestras de tensiones y desfases en cada uno de los
nudos, que equivalen a haber obtenido cada una de las muestras cada cuarenta
y ocho segundos, se han generado sus correspondientes ujos e inyecciones
tanto de potencia activa como de reactiva a partir de las ecuaciones [1]:
N
Pi =
Vi Vj (Gij cos(ij ) + Bij sen(ij ))

j=1
(3.1)
48
Figura 3.1: Red IEEE-14.
Entorno de simulacin
49
Vi Vj (Gij sen(ij ) Bij cos(ij ))
(3.2)
Pij = Vi Vj (Gij cos(ij ) + Bij sen(ij )) Gij Vi2

c
Qij = Vi Vj (Gij sen(ij ) Bij cos(ij )) + Vi2 (Bij Bij )
(3.3)
(3.4)
Qi =
j=1
siendo:
Vi , Vj los mdulos de las tensiones en los nudos i y j .

ij el desfase entre los nudos i y j .
Gij + Bij el elemento (i, j ) de la matriz de admitancias de nudos.
c
Bij la admitancia shunt del modelo en de la lnea que une i con j .
De este modo se han obtenido los distintos estados exactos por los que pasa la
red a lo largo de un da.
Las medidas se han considerado con la mxima redundancia, es decir:
En cada nudo se tienen las medidas tanto de las tensiones como de las
inyecciones de potencia activa y reactiva.
En cada rama se tiene informacin de los ujos de potencia, tanto activa
como reactiva, en cada extremo.
Por lo tanto, y ya que la red es de catorce nudos, de cada estado se poseen
ciento veintids medidas y, a no ser que se especique lo contrario, se considerar que los estados tienen el conjunto de medidas completo, es decir,
constan de las ciento veintids medidas indicadas. Dichos estados son los estados exactos por los que atraviesa la red pero que en la realidad nunca son
conocidos debido a los diferentes errores que se introducen en las telemedidas.
Por ello, para realizar la simulacin, a los estados exactos se les ha sumado un
error gaussiano obtenido con un generador de nmeros aleatorios a partir de
la desviacin tpica de cada medida.
Como se dijo en el Epgrafe 1.2, la clase del aparato de medida es el
parmetro que ms inuye en los errores de las medidas y, segn su denicin, es el error mximo con respecto a la seal de plena carga, es decir, de su
fondo de escala. Por ello, el valor de que se ha considerado es funcin del
fondo de escala, habindose considerado:
Para las medidas de tensin: = 0.1 F E .
50
Para las medidas de potencia: = F E .

donde es la clase del dispositivo de medida y F E es el fondo de escala de
dicho aparato. Para los dispositivos medidores de tensin se ha considerado
F E = 1.
Los fondos de escala considerados para cada aparato de medida son distintos y dependientes del mximo valor esperado en cada punto de medida.
Adems, se han agrupado dichos valores en torno a varios de ellos para que
no sea mucha la diversidad de valores utilizados. As, los fondos de escala
considerados para las inyecciones en los nudos y los ujos en las ramas, en por
unidad y sobre una base de 100 MVA, son los indicados en el Apndice C. Los
valores de ujos de potencia son vlidos para ambos extremos de la lnea.
Por ltimo, y con objeto de que los resultados que se obtengan de los
estudios que se van a realizar sean estadsticamente signicativos, cada una de
las pruebas representa el valor medio de la ejecucin de sesenta estimaciones de
estado, usndose una lnea distinta cada vez. Sus medidas se han obtenido de
los diferentes estados de un da completo y que previamente se han generado
tal y como se ha descrito.
El hecho de que se hayan utilizado sesenta estados, y teniendo en cuenta
que la red IEEE-14 consta de veinte ramas, signica que cada lnea ha sido
ensayada tres veces.
Con objeto de caracterizar los resultados obtenidos, se han utilizado tanto
la clase de los dispositivos de medida como el error relativo medio de las medidas afectadas en las sesenta estimaciones. Asimismo, el ndice comparativo
adoptado ha sido el error relativo medio de las medidas estimadas, por lo que
la inuencia de los errores en los parmetros puede ser visualizada fcilmente.
En las guras representadas aparecen distintos porcentajes de errores en
los parmetros. Con dichos errores se han realizado las correspondientes estimaciones de estado utilizndose el mtodo de mnimos cuadrados ponderados
y representndose los resultados obtenidos.
3.3 Carcter local del efecto de los errores en los

parmetros
Con objeto de realizar el estudio sistemtico de la inuencia de los errores en
los parmetros se va a comenzar con el anlisis de la inuencia local de los
errores de los parmetros en la red.
Carcter local del efecto de los errores en los parmetros
51
Para ello, al referirse a la inuencia sobre las medidas de toda la red se

van a considerar todas las medidas disponibles, es decir, todas las que se han
utilizado en la estimacin de estado. Sin embargo, al referirse a las medidas
adyacentes, aunque todas las medidas de la red contengan errores, el anlisis de
los efectos ser local, es decir, solamente se analizarn las medidas directamente
relacionadas con la lnea problemtica (los ujos de potencia de la propia lnea
errnea y las tensiones e inyecciones de sus nudos adyacentes).
En la Figura 3.2 se representa la inuencia del error conjunto de la susceptancia y la conductancia cuando slo existe una lnea errnea. Con trazo
discontinuo aparece la inuencia sobre las medidas de toda la red y en trazo
continuo sobre las medidas adyacentes a la rama.
Figura 3.2: Inuencia del error conjunto en la susceptancia y la conductancia

de una lnea sobre las medidas: (a): De toda la red (trazo discontinuo); (b):
Adyacentes (trazo continuo).
Hay que destacar de dichas curvas que a pesar del alto grado de redundancia
que se tiene, redundancia completa, y a pesar de que solamente un parmetro
se ha considerado errneo, es notable el deterioro producido a medida que el
error en el parmetro crece. Tambin es necesario hacer notar que el hecho de
que los valores de los errores en las medidas cuando se considera toda la red y
cuando slo se consideran las medidas adyacentes sean distintos, es debido a
52
que las medidas adyacentes son un subconjunto de las de toda la red.

En la Figura 3.3 se representa el cociente entre el error de las medidas
estimadas cuando existe un error en la susceptancia de una lnea y el mismo
cuando no existe error en dicha lnea. Todo ello a distintas distancias de la
medida errnea y cuando los dispositivos de medida son de clase 1.
Se entiende por medidas a distancia 1 las adyacentes a la rama que contiene
el parmetro errneo, es decir, las tensiones e inyecciones de los nudos extremos
de la rama y los ujos de la propia rama. Por medidas a distancia 2, las anexas
a las que se encuentran a distancia 1, y as sucesivamente.
Figura 3.3: Inuencia del error de una lnea sobre las medidas estimadas a
distintas distancias: Error de las medidas estimadas con error en una lnea /
Error de las medidas estimadas sin error en la lnea.
En dicha gura se muestra cmo a medida que aumenta la distancia a la
lnea que contiene el parmetro errneo dicho cociente tiende a 1, es decir, al
comportamiento como si no existiese dicho error, y ello independientemente
del error en dicho parmetro.
No hay que olvidar que cada uno de los puntos sealados en cada gura
representa el valor medio de la ejecucin de sesenta estimaciones de estado con
diferentes medidas, todo ello para que los estudios realizados y las conclusiones
obtenidas sean estadsticamente signicativos.
Anlisis del nivel de error en las medidas
53
Por lo tanto, de este apartado podemos concluir que:
Para parmetros sin errores, que coincide con el eje de ordenadas de la

Figura 3.2, el estimador de estado es capaz de reducir el error medio de
las medidas por un factor de dos aproximadamente, para la redundancia
dada.
A pesar del alto grado de redundancia que se tiene cuando se utilizan
los conjuntos completos de medidas y a pesar de que solamente se ha
considerado errneo un parmetro, se puede apreciar un notable deterioro
a medida que el error en el parmetro crece.
Las curvas que consideran nicamente las medidas relacionadas directamente con la lnea problemtica tienen una pendiente mucho ms pronunciada que las que tienen en cuenta todas las medidas de la red. Es
decir, el error en el parmetro tiene mucha mayor inuencia.
Los resultados obtenidos son cualitativamente vlidos para cualquier red,
permaneciendo similares las curvas que se reeren a las medidas adyacentes y tendiendo a ser ms horizontales las que hacen referencia a las
medidas de toda la red a medida que sta crece.
Los errores de las medidas estimadas cuando existe algn parmetro
errneo tienden a igualarse a los obtenidos cuando no existe dicho error
a medida que crece la distancia a la lnea errnea, siendo este resultado
tambin vlido para cualquier red.
3.4 Anlisis del nivel de error en las medidas

Una vez que en el Apartado 3.3 se ha estudiado la importancia que tienen los
errores en los parmetros al realizar la estimacin de estado, principalmente
en los nudos adyacentes al error, y que se ha obtenido la conclusin de que
dicha inuencia disminuye a medida que aumenta la distancia, en el presente
epgrafe se va a estudiar la posible inuencia que pueden tener los errores de
las telemedidas.
Puede ocurrir que la inuencia de los errores en los parmetros sea independiente de los errores de las medidas, lo que implicara que la calidad de
las medidas no va a ser decisiva, o que aumente o disminuya dicha inuencia dependiendo de las telemedidas, lo que implicara que s sera decisiva la
inuencia de dichos errores en las medidas.
54
Seguidamente se va a analizar dicha inuencia. Para ello, se van a considerar niveles de errores producidos por transductores de clase 1, 3 y 5, lo
que permitir cubrir un amplio rango de medidas que son superiores a las que
normalmente se encuentran en la vida real. Adems, se considera la clase 0,
que equivale a medidas sin errores, es decir, medidas exactas. Aunque con la
indicacin de la clase del aparato de medida sera suciente para realizar el
estudio, se indican tambin los errores medios de las medidas para una mayor
claridad y comprensin de stas.
Al igual que en la Seccin 3.3 y que en el resto del captulo, cada uno
de los puntos representados en las guras es el valor medio de la ejecucin de
sesenta estimaciones de estado diferentes. Adems, como de dicha seccin se ha
concluido que las medidas relacionadas directamente con la lnea errnea se ven
ms afectadas por dicho error, slo se va a estudiar en este apartado este caso,
ya que el comportamiento que se presenta si se consideran para el anlisis las
medidas de toda la red es similar al que aparece si slo se considera la inuencia
sobre las medidas adyacentes, aunque menos pronunciado. Evidentemente, s
se considera que todas las medidas de la red tienen errores gaussianos.
En la Figura 3.4 se representa la inuencia del error de la susceptancia y
la conductancia conjuntamente cuando slo existe una lnea errnea, sobre las
medidas adyacentes a dicha lnea.
En dicha gura se puede apreciar un notable deterioro a medida que el
error en el parmetro crece, conclusin similar a la obtenida de la Figura 3.2,
la cual se obtuvo con telemedidas de clase 1. Asimismo se aprecia que cuanto
ms exactas son las medidas de las que se dispone, mayor es la inuencia que
tienen los errores en los parmetros.
Esta ltima conclusin se puede apreciar mejor en la Figura 3.5, en la
cual se ha representado la relacin existente entre los errores de las medidas
estimadas y los errores de las telemedidas con objeto de normalizar dichas
curvas y todo ello para distintos errores en el parmetro.
En ella se puede observar que, para la redundancia dada, cuando las telemedidas tienen clase 5, con un error medio en el parmetro de una lnea de un
11 % las medidas estimadas tienen el mismo error que las de partida. Para
telemedidas de clase 3 el valor se reduce a un 7 % y si la clase es 1 se reduce
a solamente un 2 %. Es decir, si la clase de las medidas que se poseen es 1 (lo
que equivale a un error de un 2.2 % para este caso particular), con un error
en un parmetro de tan solo un 2 % se obtiene una estimacin de las medidas
adyacentes tambin de un 2.2 %; por lo tanto, si el error del parmetro fuera
mayor, se obtendran unos valores estimados de las medidas peores que los de
55
Figura 3.4: Inuencia del error conjunto en la susceptancia y la conductancia

de una lnea sobre las medidas adyacentes para distintas clases.
Figura 3.5: Inuencia del error de una lnea frente a la relacin entre los errores
de las medidas estimadas y las telemedidas (adyacentes).
56
partida.
Por ltimo, en las Figuras 3.6 y 3.7 se representa el cociente entre el error
de las medidas estimadas cuando existe un error en la susceptancia de una
lnea y el mismo cuando no existe error en dicha lnea a distancias 1 y 2 de la
medida errnea respectivamente.
distancia 1 para distintas clases: Error de las medidas estimadas con error en
una lnea / Error de las medidas estimadas sin error en la lnea.
Del anlisis de las guras se puede concluir que:
Los errores en los parmetros inuyen ms cuanto ms exactas son las

medidas de las que se dispone.
Las conclusiones son vlidas para cualquier red independientemente de

su tamao.
57
distancia 2 para distintas clases: Error de las medidas estimadas con error en
una lnea / Error de las medidas estimadas sin error en la lnea.
58
3.5 Errores en la conductancia y en la susceptancia

Hasta el momento, en el presente captulo se han estudiado tanto la localidad
del efecto de los errores en los parmetros sobre la estimacin de estado como
la inuencia del nivel de error en las medidas, habindose observado la notable
inuencia que tienen ambos. En dichos estudios, cuando se ha analizado el
error en el parmetro se ha considerado que tanto la susceptancia como la
conductancia eran errneas, sin hacer distincin entre ambas.
En esta seccin se va a analizar cmo inuyen los errores en la conductancia
y en la susceptancia sobre la estimacin independientemente.
Respecto a los errores en la conductancia o en la susceptancia, en la literatura existente de estimacin de parmetros se hace referencia a que solamente
tiene importancia la susceptancia. As, en [3, 4] se menciona que es razonable
asumir que en la prctica no existe error en la conductancia y un razonamiento similar se realiza en [2], donde se hace referencia a que las pequeas conductancias y capacitancias shunt que suelen tener las lneas producen pocas
consecuencias en la estimacin de estado. Pero solamente en [11] se realiza un
estudio que justica dicho razonamiento.
Teniendo en cuenta que el error del parmetro es mucho ms signicativo
sobre las medidas adyacentes que sobre las medidas de toda la red, tal y como
se ha concluido en el Apartado 3.3, en el presente epgrafe slo se va a analizar
este caso, ya que la inuencia sobre las medidas de toda la red sera idntico
pero menos pronunciado.
As, en la Figura 3.8 se muestra la inuencia del error en la conductancia y
en la susceptancia, independientemente, de una lnea sobre las medidas adyacentes cuando se dispone de transductores de clases 1 y 5. Evidentemente, las
curvas correspondientes a la clase 1 son las de menores errores en las medidas.
De dicha gura se puede concluir que los errores en la conductancia son
menos signicativos que los existentes en la susceptancia; es decir, al aumentar
el error de la conductancia, el aumento de su inuencia sobre las medidas
adyacentes es mucho menor que el que se produce cuando aumenta el de la
susceptancia.
Adems, teniendo en cuenta que los factores que inuyen en la conductancia
son:
El efecto pelicular, que es funcin de la frecuencia.

La temperatura del conductor, que depende de la disipacin del calor de
Errores en la conductancia y en la susceptancia
59
Figura 3.8: Inuencia del error en la susceptancia y en la conductancia de una

lnea sobre las medidas adyacentes.
la lnea por conveccin y radiacin y es la causa que produce los mayores

efectos.
y los que inuyen en la susceptancia son:
La permeabilidad del material del conductor.

La geometra de la conguracin de la lnea.
la conclusin obtenida anteriormente de que los errores en la conductancia
son menos signicativos que los existentes en la susceptancia es de suma importancia, ya que los valores de la conductancia, los cuales estn sujetos a
perturbaciones peridicas motivadas por cambios en la temperatura, son los
errores menos signicativos.
Esta importante conclusin va a permitir que a partir de ahora el estudio
se pueda centrar en la estimacin de las susceptancias errneas de la red.
60
3.6 Inuencia de los ujos e inyecciones sobre

las medidas estimadas
El conjunto de medidas considerado para realizar el estudio del Apartado 3.5
ha sido completo, es decir, con la mxima redundancia. Sin embargo, es interesante conocer si los parmetros afectan por igual cuando se posee un tipo de
medidas u otro. Esto puede dar informacin, cuando se realiza la estimacin de
estado, de si se estn introduciendo graves errores o no debido a los existentes
en los parmetros.
Para realizar este anlisis se van a comparar los efectos producidos, sobre
las medidas adyacentes, por el error en la susceptancia de una lnea con dos
conjuntos de medidas distintos [11]:
Tensiones y ujos de potencia.

Tensiones e inyecciones de potencia.
Se va a estudiar el caso del error en la susceptancia, de acuerdo con la
conclusin obtenida en el Epgrafe 3.5, y sobre las medidas adyacentes, ya
que, como se observ en la Seccin 3.3, el efecto sobre ellas es idntico al que
se produce cuando se analiza la inuencia sobre las medidas de toda la red,
aunque ms pronunciado.
En la Figura 3.9 se muestra la inuencia del error producido por la susceptancia errnea de una lnea sobre las medidas adyacentes cuando slo se
tiene informacin de las tensiones y los ujos de potencia como conjunto de
medidas y cuando slo se posee de las tensiones y de las inyecciones de potencia. Al igual que ocurra con la Figura 3.8, los resultados se han obtenido
considerando que se dispone de transductores de clases 1 y 5, siendo las curvas
correspondientes a la clase 1 las de menores errores en las medidas.
Hay que recordar que, al igual que el resto de curvas, los puntos sealados
en la Figura 3.9 representan la media de los resultados obtenidos para sesenta
estimaciones de estado distintas, lo que corresponde a haber ensayado cada
rama tres veces.
De dicha gura se puede concluir claramente que, cuando se dispone de
medidas de ujos de potencia, la inuencia del parmetro errneo es mucho
mayor que cuando se dispone de medidas de inyecciones, siendo la inuencia
en este ltimo caso casi nula. Es decir, los errores de las medidas estimadas
son casi independientes de los de los parmetros, al menos cuando un solo
Inuencia de los errores en las medidas sobre la estimacin
61
Figura 3.9: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes con diferentes tipos de medidas.
parmetro es errneo. Esto es debido a la propia estructura de las ecuaciones

de las inyecciones ((3.1), (3.2)) y las de los ujos de potencia ((3.3), (3.4)).
3.7 Inuencia de los errores en las medidas sobre

la estimacin
Con objeto de estudiar si los errores en los parmetros inuyen de igual manera
en las medidas estimadas, se va a proceder a analizar dicha inuencia segn el
tipo de medida.
Con este n, y en el caso de que exista redundancia completa con distintos
niveles de errores, se van a considerar tres casos:
1. Inuencia sobre las medidas de tensin adyacentes cuando todas las medidas son exactas excepto las de tensin.
2. Inuencia sobre las medidas adyacentes de inyeccin de potencia cuando
todas las medidas son exactas excepto las de inyeccin.
62
3. Inuencia sobre las medidas adyacentes de ujo de potencia cuando todas

las medidas son exactas excepto las de ujo.
En la Figura 3.10 se ha representado la inuencia sobre las medidas de
tensin. En ella se presenta el mismo comportamiento que el observado hasta
ahora, es decir:
El deterioro producido sobre las medidas estimadas aumenta a medida

que el error en el parmetro crece.
Los errores de los parmetros tienen mayor inuencia sobre las tensiones
estimadas a medida que las medidas son ms exactas.
Figura 3.10: Inuencia sobre las medidas de tensin adyacentes cuando todas
las medidas son exactas excepto las de tensin.
En la Figura 3.11 se muestra la inuencia sobre las medidas de inyeccin,
tanto de activa como de reactiva, pudindose observar que:
A medida que el error en el parmetro crece, el deterioro producido sobre

las medidas estimadas aumenta.
A medida que las medidas son ms exactas, los errores de los parmetros
tienen menor inuencia sobre los valores de las inyecciones estimadas.
Inuencia de los errores en las medidas sobre la estimacin
63
Figura 3.11: Inuencia sobre las medidas de inyeccin adyacentes cuando todas
las medidas son exactas excepto las de inyeccin.
Por ltimo, en la Figura 3.12 se muestra la inuencia sobre los ujos,

pudindose concluir que:
Al igual que en los casos anteriores, a medida que el error en el parmetro

crece, el deterioro producido sobre las medidas estimadas aumenta.
Independientemente del nivel de error de las medidas, la inuencia de los
errores de los parmetros es la misma.
Por lo tanto, de las Figuras 3.11 y 3.12 correspondientes a las inyecciones
y ujos de potencia, se pueden obtener las siguientes conclusiones:
La inuencia del parmetro sobre las medidas de inyeccin, aun siendo

importante, no lo es tanto como sobre las de ujo, especialmente a medida
que disminuye el error de partida de dichas medidas.
La inuencia que el parmetro tiene sobre las medidas de ujo es notoria
e independiente del error de partida de dichas medidas.
64
Figura 3.12: Inuencia sobre las medidas de ujo adyacentes cuando todas las
medidas son exactas excepto las de ujo.
3.8 Resumen
En el presente captulo se ha estudiado de un modo sistemtico la inuencia que
los errores en los parmetros tienen sobre la estimacin de estado. Para ello, y
con objeto de que los resultados obtenidos fueran signicativos desde un punto
de vista estadstico, cada una de las pruebas realizadas, y que posteriormente
han sido plasmadas en diferentes guras, representaban el valor medio de la
ejecucin de sesenta estimaciones de estado, considerando una lnea distinta
cada vez. Cada una de ellas representaba el estado existente en un instante
determinado de un da y que previamente haba sido generado.
La red utilizada ha sido la IEEE-14 que consta de veinte ramas, por lo que
al utilizar sesenta estados distintos, cada lnea ha sido ensayada tres veces.
La caracterizacin de los resultados obtenidos se ha realizado a travs de la
clase de los dispositivos de medida, utilizando como ndice comparativo el error
relativo medio de las medidas estimadas (Seccin 3.2).
Primeramente, en el Apartado 3.3 se ha analizado algo que pareca intuitivo, el carcter local del efecto de los errores sobre la estimacin, y que gracias
a las ensayos realizados ha permitido obtener las siguientes conclusiones:
Resumen
65
El deterioro producido sobre las medidas estimadas aumenta notablemente a medida que el error en el parmetro crece.
El error en el parmetro inuye mucho ms sobre las medidas relacionadas directamente con la lnea problemtica que sobre las del resto
de la red.
Los resultados obtenidos son cualitativamente vlidos para cualquier red,
permaneciendo similares las curvas que se reeren a las medidas adyacentes y tendiendo a ser horizontales las que hacen referencia a las medidas de toda la red a medida que crece sta, lo que conrma la localidad
de la inuencia del error en el parmetro.
Los errores de las medidas estimadas cuando existe algn parmetro
errneo tienden a igualarse a los obtenidos cuando no existe dicho parmetro errneo a medida que crece la distancia a la lnea errnea.
Seguidamente se ha estudiado la inuencia que poda tener el nivel de error
en las medidas (Seccin 3.4), concluyndose que:
Cuanto ms exactas son las medidas de las que se dispone, los errores en
los parmetros tienen mayor inuencia sobre las medidas estimadas.
Las conclusiones son vlidas para cualquier red independientemente de
su tamao.
A continuacin, del estudio comparativo de la presencia de errores en la
conductancia o en la susceptancia (Epgrafe 3.5), se ha observado que los errores en la conductancia son menos signicativos que los de la susceptancia.
Debido a que los valores de la conductancia estn sujetos a perturbaciones
peridicas motivadas por cambios en la temperatura, mientras que los de la
susceptancia slo dependen del material del conductor y de la geometra de
la conguracin de la lnea, este resultado obtenido es de suma importancia
y va a permitir que el estudio se centre en la estimacin de las susceptancias
errneas de la red.
En el Apartado 3.6 se ha analizado el efecto producido cuando los conjuntos
de medidas existentes son:
Tensiones y ujos de potencia.

Tensiones e inyecciones de potencia.
66
habindose concluido que la inuencia del parmetro errneo sobre las medidas
estimadas es mucho mayor cuando se dispone de medidas de ujos de potencia
que cuando se dispone de medidas de inyeccin, siendo en este ltimo caso casi
independiente de los errores de los parmetros.
Por ltimo, en la Seccin 3.7, se ha estudiado la inuencia del parmetro
sobre cada una de las medidas disponibles independientemente, llegndose a
las mismas conclusiones que anteriormente, salvo que:
La inuencia del parmetro sobre las medidas de inyeccin disminuye a

medida que el error de partida de dichas medidas lo hace.
La inuencia que el parmetro tiene sobre las medidas de ujo es independiente del error de partida de dichas medidas.
Bibliografa
[1] Arrillaga J., Arnold C., Harker B., Computer Modelling of Electrical
Power Systems. John Wiley & Sons Ltd., Great Britain, 1983.
448-1, July 1975.
[3] Fletcher D., Stadlin W., Transformer Tap Position Estimation. IEEE
Transactions on Power Apparatus and Systems, Vol. PAS-102, No. 11,
pp. 3680-3686, November 1983.
No. 1, pp. 200-209, February 1995.
[5] Reig A., lvarez C., Inuence of Network Parameter Errors in State
Estimation Results. Proceedings IASTED Power High Tech'89, pp.199204, Valencia, Spain, 1989.
[6] Ruiz J., Gmez A., Incorporacin de Medidas de Intensidad en Estimacin de Estado. Tesis Doctoral, Departamento de Ingeniera Elctrica
de la Universidad de Sevilla, Sevilla, Junio 1990.
[7] Slutsker I., Mokhtari S., Comprehensive Estimation in Power Systems:
State, Topology and Parameter Estimation. American Power Conference,
Chicago, Illinois, Paper 170, April 1995.
[8] Slutsker I., Clements K., Real Time Recursive Parameter Estimation
in Energy Management Systems. IEEE Transactions on Power Systems,
Vol. 11, No. 3, pp. 1393-1399, August 1996.
67
68
BIBLIOGRAFA
[9] Stuart T., Herget C., A Sensitivity Analysis of Weighted Least Squares
State Estimation for Power Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-92, pp. 1696-1701, September/October
1973.
[10] Wallach Y., Calculations and Programs for Power System Networks.
Prentice Hall, 1986.
Captulo 4
Estimacin de Parmetros en
Redes Elctricas
4.1 Introduccin
En el Captulo 3 se ha analizado de una forma sistemtica la inuencia de los
errores en los parmetros sobre la estimacin de estado, lo que ha permitido
comprobar la necesidad de estimar los parmetros para poder realizar una
buena estimacin de estado. A pesar de ello, la implantacin de estimadores
de parmetros en los Centros de Control no ha sido profusa, mientras que la
de los estimadores de estado s lo ha sido [6].
Para poder realizar la estimacin de parmetros es necesario identicarlos
previamente mediante uno de los mtodos existentes, procediendo posteriormente a estimar nicamente aqullos que han sido identicados.
En este captulo se va a analizar la identicacin de los parmetros sospechosos y se van a clasicar los distintos mtodos de estimacin de parmetros existentes. Por ltimo, se estudiar el carcter local de la estimacin de
parmetros, cosa que ya se haba apuntado previamente en el Apartado 3.3.
4.2 Identicacin de errores en los parmetros

Como se ha mencionado en el Apartado 3.1, un error en un parmetro tiene
el mismo efecto que un conjunto de errores correlacionados que actuaran sobre todas las medidas que afectan a la rama errnea. Esto se puede deducir
69
70
Estimacin de Parmetros
manipulando el modelo de la medida (2.1) [20]:
zs = hs (x, p0 ) + s = hs (x, p) + [hs (x, p0 ) hs (x, p)] + s
(4.1)
siendo p el valor exacto del parmetro de red, p0 el valor errneo del parmetro
de red (o informacin a priori que de l se tiene) y el subndice s hace referencia
a las medidas involucradas nicamente.
El trmino que aparece entre corchetes en la ecuacin (4.1) acta como un
error adicional de la medida. Si el error del parmetro es bastante grande,
este trmino provocar su deteccin como medida con error no gaussiano y
las medidas estarn entre las que se encuentran con residuos ms grandes
[19, 20, 29]. Este error se puede linealizar de la siguiente forma:
hs (x, p0 ) hs (x, p)
hs
ep
p
(4.2)
siendo ep = p0 p el error del parmetro.

Por lo tanto, aquellas ramas cuyas medidas asociadas tengan un residuo
normalizado elevado sern sospechosas y habr que realizar la estimacin sobre
ellas.
En [16] se realiza la suposicin de que los datos con errores no gaussianos
han sido identicados y eliminados previamente por lo que una presencia persistente de un trmino de sesgo en ciertos residuos de medida en los resultados
de la estimacin de estado es una indicacin de la presencia de errores en los
parmetros y puede utilizarse para detectar dicha presencia.
El mtodo de identicacin propuesto en [17] tambin se basa en el hecho
de que un inesperado residuo normalizado elevado puede indicar que alguno
de los parmetros existentes en la proximidad de la medida no es correcto.
Una vez que se ha detectado un conjunto de ramas sospechosas se procede a
la estimacin de sus parmetros.
El mtodo propuesto en [12, 27], concebido para la estimacin de tomas
de transformadores, se llevar a cabo si la diferencia entre la potencia reactiva
telemedida y la calculada en dichos transformadores es superior a un umbral
jado.
Por ltimo, en [1] se identican errores en las medidas, parmetros y conguraciones de la red que se introducen en el estimador de estado por medio
de pruebas estadsticas.
Por lo tanto, la identicacin de errores en los parmetros se basa, fundamentalmente, en el estudio de los residuos de las medidas.
Clasicacin de los mtodos de estimacin de parmetros
71
4.3 Clasicacin de los mtodos de estimacin

de parmetros
Mientras que la estimacin de estado ha sido estudiada con bastante profusin
[9] desde que Schweppe public su artculo en 1970 [22, 23], la estimacin de
parmetros no lo ha sido y son relativamente escasos los artculos que han
desarrollado este tema. A pesar de ello se han realizado tres clasicaciones
sobre los mtodos de estimacin de parmetros:
1. En [19, 20, 29] la clasicacin realizada es la misma, siendo sta la siguiente:
Mtodos que utilizan un nico vector de medidas:
Estimacin simultnea del estado y del parmetro [2].

Estimacin secuencial del estado y del parmetro [12, 23, 27].
Mtodos que utilizan varios vectores de medidas:
Estimador adaptativo [10].

Estimacin secuencial mltiple del estado y del parmetro [23].
2. La clasicacin realizada en [13] es la siguiente:
Mtodos que utilizan un nico vector de medidas [16, 20].

Mtodos que utilizan varios vectores de medidas:
Estimacin de parmetros invariables con el tiempo [10, 30].

Estimacin de parmetros variables con el tiempo [26].
3. En [31] la clasicacin realizada es la siguiente:
Mtodos basados en el anlisis de sensibilidad residual [12, 16, 18,

19, 20, 27, 29].
Mtodos que amplan el vector de estado:
Resolucin mediante ecuaciones normales [2, 3, 4, 7, 17, 21, 28,
30].
Resolucin basada en la teora del ltro de Kalman [5, 8, 10,
11, 14, 24, 25, 26].
72
Las dos primeras clasicaciones son similares y la tercera es la que resalta

la diferencia ms signicativa de cada uno de los mtodos, la ampliacin o
no del vector de estado mediante la introduccin de los parmetros errneos
como variables adicionales, e indica adems la metodologa utilizada en su
resolucin. Por ello, en el Captulo 5 se utilizar esta ltima clasicacin a la
hora de exponer los mtodos de estimacin de parmetros.
4.4 Estimacin on-line frente a estimacin oline

La utilizacin de un mtodo de estimacin de parmetros on-line u o-line va
a depender fundamentalmente de la importancia que se le quiera dar al hecho
de disponer de los valores exactos de los parmetros en tiempo real.
Si la estimacin se realiza en tiempo real, es decir, en modo on-line:
Se puede llevar continuamente un seguimiento exacto de los parmetros

de la red que se modican debido a los cambios en las cargas y en las
condiciones ambientales, como es el caso de la resistencia, las prdidas
por efecto corona y las tomas de los transformadores.
Los parmetros estimados pueden ser actualizados inmediatamente en la
base de datos para ser utilizados en otras aplicaciones de optimizacin y
seguridad de la red.
El hecho de realizar un seguimiento exacto de los parmetros de la red no
es un tema crucial, ya que stos no cambian continuamente. De hecho, los que
estn sujetos a cambios constantes no inuyen demasiado en la estimacin de
estado tal y como se concluy en la Seccin 3.5. Sin embargo, s es interesante
la realizacin de un seguimiento continuo de las posiciones de las tomas de los
transformadores.
Es decir, puede considerarse distinto el tratamiento que deben recibir la
estimacin de los parmetros de la red y de las tomas de los transformadores.
En cuanto a la realizacin de la estimacin en modo o-line:
Las medidas que han sido capturadas por el sistema SCADA pueden
ser trasladadas a un ordenador dedicado expresamente al proceso de
estimacin de parmetros o a otras actividades que no requieran una
gran rapidez en el procesamiento. De este modo no se intereren las
funciones principales que se llevan a cabo en el centro de control.
Carcter local de la estimacin de parmetros
73
Los tiempos empleados en el procesamiento de la informacin y en los

clculos no son vitales, por lo que pueden utilizarse, si fuesen necesarios,
algoritmos ms precisos que provean soluciones ms exactas.
Mientras que los errores topolgicos y las medidas con errores no gaussianos tienen una naturaleza temporal, es decir, son cambiantes con el
tiempo, los errores en los parmetros son esencialmente permanentes.
Por ello, se pueden seleccionar los conjuntos de medidas que se vayan a
utilizar en la estimacin de parmetros basndose por ejemplo, aunque
no exclusivamente, en los residuos normalizados. De este modo se pueden
elegir los mejores estados que posean menores errores as como los que
tengan mayor redundancia, lo que no es posible en modo on-line.
Los parmetros de red que sean sospechosos pueden ser identicados
satisfactoriamente basndose en residuos normalizados grandes que se
repitan constantemente y que afecten a las medidas, en la experiencia
acumulada, etc., de acuerdo con lo expuesto en el Epgrafe 4.2.
4.5 Carcter local de la estimacin de parmetros

Al igual que ocurra con la inuencia de los parmetros en la estimacin de
estado, que era reconocida por todos los autores y sin embargo slo en [30] se
haba realizado un estudio sistemtico y exhaustivo, con la localidad de dicha
inuencia ocurre algo similar.
As, en [17] se hace referencia a que intuitivamente, las medidas que se
encuentran lejos de las lneas sospechosas tienen un impacto muy pequeo
sobre los resultados de la estimacin del parmetro y que por lo tanto, slo
se tendr en cuenta una parte de la red completa a la hora de ejecutar el
algoritmo de estimacin de estado. Algo similar se menciona en [7].
En el Apartado 3.3 se ha estudiado el carcter local que tiene el efecto de
los errores en los parmetros, habindose observado en las Figuras 3.3, 3.6 y
3.7 que los errores de las medidas estimadas cuando existe algn parmetro
errneo tienden a igualarse a los obtenidos cuando no existe dicho parmetro
errneo a medida que crece la distancia a la lnea errnea.
Con objeto de completar este anlisis se va a estudiar el carcter local de la
estimacin de parmetros desde el punto de vista del anlisis de sensibilidad.
Dicho anlisis, que puede considerarse recproco respecto al realizado en el
74
Epgrafe 3.3, permitir concluir que para realizar la estimacin de parmetros

slo es necesario utilizar las medidas respecto a las que es sensible.
Para realizar este estudio, se ha considerado que al vector z se le ha aadido
una la adicional correspondiente al valor conocido del parmetro y adems,
todas las covarianzas son idnticas.
En la Seccin 2.2 se obtuvieron las ecuaciones normales del problema de
mnimos cuadrados ponderados (2.13):
G(x)x = H T (x)W [z h(x)]
(4.3)
de donde el vector de estado estimado es:
= G1 H T (x)W [z h(x)]
x
(4.4)
y las medidas estimadas, utilizando el modelo linealizado del estimador de

estado, son:
= H = S(W z)
z
x
(4.5)
siendo S la matriz de sensibilidad entre las medidas ponderadas W z y las
medidas estimadas :
z
S = HG1 H T
(4.6)
Cuando z es completamente nulo, salvo en la posicin k-sima, la columna
k-sima de S proporciona los cambios en las medidas estimadas al producirse
una perturbacin en la medida k-sima, por lo que dicha columna se expresa
como:
Sk = Sek
(4.7)
siendo ek un vector columna completamente nulo excepto con un 1 en la posicin k-sima.
Por lo tanto, la columna k-sima de S se puede obtener de:
Sk = HG1 H T ek
(4.8)
mediante los siguientes pasos:

1. Realizar la operacin H T ek , que no es ms que hallar la la k-sima de
H.
2. Hallar y a partir de:
Gy = H T ek
mediante eliminacin hacia adelante y sustitucin hacia atrs.
(4.9)
75
3. Calcular:
Sk = Hy
(4.10)
Para realizar el anlisis de sensibilidad se ha usado la red de ciento dieciocho

nudos y ciento setenta y nueve lneas IEEE-118 [15] representada en la Figura
4.1.
Al igual que ocurri con la red IEEE-14, con objeto de considerar diversos
estados de la red a lo largo de un da, se han tomado veinticuatro muestras
equivalentes a las horas de un da y se ha considerado que existe la mxima
redundancia, por lo que el nmero total de medidas en cada estado es de mil
setenta.
Dichos estados son los estados exactos de la red, pero que realmente nunca
son conocidos. Por ello, y con objeto de poder simular la realidad, a los estados
exactos se les ha sumado un error gaussiano obtenido con un generador de
nmeros aleatorios a partir de la desviacin tpica de cada medida.
El valor de considerado es funcin del fondo de escala, tal y como se hizo
en la generacin de medidas reales de la red IEEE-14, habindose utilizado:
Para las medidas de tensin: = 0.1 F E .

Para las medidas de potencia: = F E .
donde es la clase del dispositivo de medida, y que para este caso concreto se
ha considerado clase 1, y F E es el fondo de escala de dicho aparato, siendo el
de los dispositivos medidores de tensin 1.
Los fondos de escala considerados para cada aparato de medida dependen
del mximo valor esperado en cada punto de medida. Por el hecho de ser
distintos, se han agrupado en torno a varios valores a n de que no haya
mucha diversidad de valores.
En el Apndice C se muestran los fondos de escala considerados para las
inyecciones en los nudos as como los ujos en las ramas para ambos extremos
de la lnea, todo ello en por unidad y sobre una base de 100 MVA.
Tal y como se deni en el Epgrafe 3.3, se entiende por medidas a distancia
1 las adyacentes a la rama que contiene el parmetro errneo, es decir, las
tensiones e inyecciones de los nudos extremos de la rama y los ujos de la
propia rama, por medidas a distancia 2 las anexas a las que se encuentran a
distancia 1 y as sucesivamente.
Con estas premisas se ha realizado el estudio calculando las sensibilidades
de todas las medidas y, una vez detectada cul es la que tiene mayor valor,
76
Figura 4.1: Red IEEE-118.
77
se han normalizado todas con ella, es decir, se ha dividido el valor mximo

entre todos los valores de sensibilidades. Esto permite conocer el nmero de
medidas que tienen una sensibilidad 10, 20, . . . veces menor que la que tiene
mayor valor de sensibilidad.
A continuacin, se han agrupado estos valores obtenidos en funcin de la
distancia a la que se encuentran dichas medidas de la lnea errnea, con lo que
se puede obtener, para diferentes distancias, el tanto por ciento de medidas
(con respecto al nmero total de medidas que estn a dicha distancia), que
tienen una sensibilidad 10, 20, . . . veces menor que la que tiene mayor valor.
Esto es lo que se ha representado en Figura 4.2 en la que en el eje X aparece
la distancia a la lnea errnea, en el Y la relacin entre la sensibilidad mxima
y las sensibilidades de las medidas y en el eje Z el tanto por ciento de medidas
con respecto al total de medidas que se encuentran a esa distancia.
As, por ejemplo, en la gura se puede observar que entre 0 y 1 del eje X
(que representa la distancia 1 de la lnea errnea) y entre 0 y 10 del eje Y
(que representa una sensibilidad entre 1 y 10 veces menor que la medida ms
sensible), se encuentran el 60 % de las medidas que estn a distancia 1.
La rama que contiene el parmetro errneo en dicha gura es la que une los
nudos 49 y 51. Dicha lnea posee medidas que pueden encontrarse hasta una
distancia 10 de ella, teniendo las que se encuentran a una distancia superior a
5 una sensibilidad cien veces inferior a la medida ms sensible, por lo que ya
no se han representado.
En dicha gura se observa que:
Las medidas que se encuentran a distancias menores son las ms sensibles

(sensibilidades solamente entre 10 y 30 veces inferiores al valor mximo).
Cuanto menor es la distancia, el porcentaje de medidas con valores ms
altos de sensibilidad es mayor.
Las medidas que se encuentran a una distancia superior a 5, en este caso
concreto, tienen una sensibilidad cien veces menor que la medida ms
sensible.
Por lo tanto, se puede concluir que:
Las medidas que se encuentran lejos de las lneas con algn parmetro
errneo tienen un impacto muy pequeo sobre ella.
No es necesario utilizar ni todas las medidas de las que se disponga ni
toda la red completa para realizar la estimacin de parmetros, sino slo
78
Figura 4.2: Resultado del anlisis de sensibilidad de la lnea que une los nudos
49 y 51 en la red IEEE-118.
Resumen
79
aquellas medidas y aquellas lneas que se encuentran ms prximas a la

que contiene el parmetro errneo, ya que stas son las ms sensibles.
Estas conclusiones van a permitir que en el Captulo 6, en lugar de utilizar
la red IEEE-118 para la obtencin de los resultados experimentales, se utilice
la IEEE-14 como si se tratase de la subred ms prxima a la lnea con el
parmetro errneo.
Para pasar de una red a su subred correspondiente basta con introducir
los ujos de las lneas por las que se corta la subred en las inyecciones de los
nudos limtrofes.
4.6 Resumen
En este captulo se ha analizado la problemtica que presentan los errores en
los parmetros, pudiendo ser stos tanto de lneas como de tomas de transformadores.
Primeramente se ha expuesto la forma en la que los diferentes autores identican los errores de los parmetros (Apartado 4.2), basndose dichos mtodos
en el clculo de los residuos principalmente.
Se han expuesto las clasicaciones que sobre los mtodos de estimacin de
parmetros se han realizado hasta la fecha siendo una de ellas la que resalta la
diferencia ms signicativa de cada uno de los mtodos, como es la ampliacin
o no del vector de estado mediante la introduccin de los parmetros errneos
como variables adicionales (Seccin 4.3):
Mtodos basados en el anlisis de sensibilidad residual.

Mtodos que amplan el vector de estado:
Resolucin mediante ecuaciones normales.

Resolucin basada en la teora del ltro de Kalman.
Tambin, en este captulo se han presentado las ventajas e inconvenientes
de la estimacin o-line frente a la on-line (Seccin 4.4) y, por ltimo, en el
Apartado 4.5 se ha estudiado el carcter local de la estimacin de parmetros
mediante un anlisis de sensibilidad, habindose obtenido la conclusin de que:
Las medidas que se encuentran lejos de las lneas con algn parmetro
errneo tienen un impacto muy pequeo sobre ella.
80
No es necesario utilizar ni todas las medidas de las que se disponga ni

toda la red completa para realizar la estimacin de parmetros, sino slo
aquellas medidas y aquellas lneas que se encuentran ms prximas a la
que contiene el parmetro errneo.
Bibliografa
[1] Aboytes F., Cory B., Identication of Measurement, Parameter and Conguration Errors in Static State Estimation. PICA Conference Proceedings, pp. 298-302, June 1975.
[3] Allam M., Laughton M., Static and Dynamic Algorithms for Power System Variable and Parameter Estimation. Proceedings 5th. Power System
Computation Conference, Paper 2.3/11, Cambridge, UK, September 1975.
[4] Alsac O., Vempati N., Stott B., Monticelli A., Generalized State Estimation. IEEE Transactions on Power Systems, Vol. 13, No. 3, pp. 1069-1075,
August 1998.
[5] Arafeh S., Schinzinger R., Estimation Algorithms for Large-Scale Power
Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS98, No. 6, pp. 1968-1977, November/December 1979.
[6] Assadian M., Goddard R., Wayne H., French D., Field Operational Experiences with On Line State Estimator. IEEE Transactions on Power
Systems, Vol. 9, No. 1, pp. 50-58, February 1994.
81
82
BIBLIOGRAFA
[9] Do Coutto, M., Leite A., Falco D., Bibliography on Power System State
Estimation (1968 - 1989). IEEE Transactions on Power Systems, Vol. 5,
No. 3, pp. 950-961, Agosto 1990.
[10] Debs A., Estimation of Steady-State Power System Model Parameters.
5, pp. 1260-1268, September/October 1974.
448-1, July 1975.
pp. 3680-3686, November 1983.
[15] Lebow W., Mehra R., Nadira R. Rouhani R., Usoro P., Bhavaraju M., Pal
M., Sobieski D., Optimization of Reactive Volt-Ampere (VAR) Sources
in System Planning. Volume 1: Solution Techniques, Computing Methods, and Results. Electric Power Research Institute (EPRI), Cambridge,
Massachusetts, November 1984.
No. 1, pp. 200-209, February 1995.
[18] Mukherjee B., Fuerst G., Transformer Tap Estimation - Field Experience. IEEE Transactions on Power Apparatus and Systems, Vol. PAS103, No. 6, pp. 1454-1458, June 1984.
BIBLIOGRAFA
83
171-180, 1987.
1988.
[21] Reig A., lvarez C., O-Line Parameter Estimation Techniques for Network Model Data Tuning. Proceedings IASTED Power High Tech'89,
pp.205-210, Valencia, Spain, 1989.
1970.
[23] Schweppe F., Handschin E., Static State Estimation in Electric Power
Systems. Proceedings IEEE, Vol. 62, pp. 972-983, July 1974.
[24] Slutsker I., Mokhtari S., Clements K., On-line Parameter Estimation
in Energy Management Systems. American Power Conference, Chicago,
Illinois, Paper 169, April 1995.
Vol. 11, No. 3, pp. 1393-1399, August 1996.
[27] Smith R., Transformer Tap Estimation at Florida Power Corporation.
12, pp. 3442-3445, December 1985.
[28] Teixeira P., Brammer S., Rutz W., Merritt W., Salmonsen J., State
Estimation of Voltage and Phase-Shift Transformer Tap Settings. IEEE
Transactions on Power Systems, Vol. 7, No. 3, pp. 1386-1393, August
1992.
84
BIBLIOGRAFA
[31] Zarco P., Gmez A., Estimacin de Parmetros en Redes Elctricas:
Problemtica y Soluciones Adoptadas. 5as Jornadas Hispano-Lusas de
Ingeniera Elctrica, pp.911-918, Salamanca, Espaa, Julio 1997.
Captulo 5
Mtodos de Estimacin de
Parmetros
5.1 Introduccin
En el Captulo 4 se han presentado las diferentes clasicaciones existentes
para la estimacin de parmetros, habindose hecho un especial hincapi en
aqulla que realiza la clasicacin de acuerdo con el mtodo de resolucin de
la ecuacin planteada [26].
A continuacin, se va a proceder a describir los mtodos de estimacin ms
signicativos basndose en dicha clasicacin. Por ltimo, se discutirn las
ventajas e inconvenientes de cada uno de los mtodos.
5.2 Mtodos basados en el anlisis de sensibilidad residual

Estos mtodos utilizan el vector de estado convencional sin ampliarlo con los
parmetros errneos y realizan la estimacin de parmetros una vez que ha
nalizado la estimacin de estado.
El mtodo propuesto en [15, 16, 24] se basa en la relacin de sensibilidad
entre los residuos y los errores de las medidas [9] expuesto en el Apndice A:
r = Sr
(5.1)
donde Sr es la matriz de sensibilidad residual dada por [13]:
Sr = I HG1 H T W
85
(5.2)
86
Mtodos de Estimacin de Parmetros
donde
G = HT W H
(5.3)
es la matriz de ganancia segn se vio en (2.14). Se puede establecer una relacin

lineal entre los residuos de las medidas afectadas rs y el error del parmetro
ep , obtenindose de las ecuaciones (4.1) y (5.1) que:
rs = (Sr )ss
hs
p
(5.4)
ep + rs
donde (Sr )ss es la submatriz (s x s) de Sr correspondiente a las s medidas

involucradas y rs es el vector residual que se obtendra en ausencia de errores
en los parmetros.
La ecuacin (5.4) puede ser interpretada como un modelo lineal que relaciona las medidas rs con el error del parmetro ep en presencia de un ruido rs ,
lo que convierte la determinacin de ep en un problema de estimacin.
En [16] se demuestra, basndose en (5.4), que el estimado ptimo de ep es
ep :
ep =
hs
p
Ws (Sr )ss
hs
p
hs
p
(5.5)
Ws rs
La resolucin de esta ecuacin no es simple, por lo que se propone el siguiente mtodo. De la ecuacin (5.2) se obtiene:
T
Ws (Sr )ss = Ws Ws Hs G1 Hs Ws
(5.6)
Se dene el vector de dimensin n:
hs
p
T
s = H s Ws
(5.7)
cuyos componentes vienen dados por:

s
si =
k=1
hk hk 1
2
xi p k
(5.8)
con i = 1, . . . , l.
Utilizando (5.6) y (5.7), la ecuacin (5.5) queda:
ep
hs
=
p
hs
p
Ws
T
Ws
hs
p
hs
p
T
1
Ws H s G
T
H s Ws
T
s G1 s
hs
p
hs
p
hs
p
Ws rs
Ws rs
(5.9)
Mtodos basados en el anlisis de sensibilidad residual
87
pudiendo existir dos variantes:

1. Primera variante: Calculando previamente ys de
(5.10)
Gys = s
mediante eliminacin hacia adelante y sustitucin hacia atrs, el error

del parmetro estimado se obtiene de:
ep =
k=1
hk
p
2
k
sj ysj
j=1
k=1
hk
p
rk
2
k
(5.11)
2. Segunda variante: Si la matriz G ha sido factorizada en
G = LDLT
(5.12)
siendo L una matriz triangular inferior, el error del parmetro estimado

se obtiene de:
ep =
k=1
hk
p
2
k
obtenindose ys de
ysi
2
j=1
s
k=1
DLs = s
y
hk
p
rk
2
k
(5.13)
(5.14)
mediante eliminacin hacia adelante.

Resumiendo el mtodo propuesto, dada una lnea errnea o sospechosa el
procedimiento para estimar uno de sus parmetros y corregir el estado estimado
es el siguiente:
1. Identicar las medidas afectadas (ujos de potencia en la lnea, inyecciones de potencia en los nudos extremos).
2. Si slo se encuentra afectada una medida y se dispone del residuo normalizado, la ecuacin (5.5) queda:
ep =
Obtener ep e ir al paso 4.
hs
p
rs
(Sr )ss
(5.15)
88
3. Si no es as:
(a) Calcular
hs
,
p
Hs , sustituir en la ecuacin (5.7) y calcular s .
(b) Obtener ys o ys de las ecuaciones (5.10) o (5.14).
(c) Sustituir en la ecuacin (5.11) o (5.13) para obtener ep .
4. Corregir p haciendo p = p + ep .
5. Realizar una nueva estimacin de estado y una nueva identicacin de

parmetros errneos. Si es positivo ir al paso 2, o en caso contrario,
parar.
El mtodo propuesto en [11] tambin se basa en un anlisis de sensibilidad
residual a partir del vector de sesgo, el cual combina los efectos de los errores
del parmetro y del estado del sistema. La estimacin se realiza en dos etapas:
en la primera se estima el vector de sesgo y en la segunda los errores de los
parmetros a partir de una secuencia de vectores de sesgo obtenidos en distintos
periodos. La principal diferencia de este mtodo con el propuesto en [15, 16, 24]
es que el vector de sesgo se expresa en trminos de ujos.
Otro de los mtodos basados en los residuos es el propuesto en [8] y aplicado posteriormente en [21]. Ambos estn desarrollados para la estimacin de
tomas de transformadores, aunque en [8] se desarrolla adems su aplicacin a
parmetros de redes.
El mtodo propuesto se basa en el acoplamiento existente entre la toma
del transformador y el ujo de potencia reactiva a travs de l. Por ello lo
que se analiza es la diferencia entre el ujo de potencia reactiva medido y
calculado a travs del transformador. Se desarrolla dentro del mismo mdulo
de estimacin.
Vf
Vt 0
1:T
-
Pf , Qf
jX
Pt , Qt
Figura 5.1: Modelo del transformador utilizado.
Considerando el modelo del transformador de la Figura 5.1, los ujos de
89
potencia activa y reactiva desde la parte ja (f ) a la de la toma (t) son:
Vf Vt T sen()
X
Vf2 T 2 Vf Vt T cos()
=
X
X
Pf =
(5.16)
Qf
(5.17)
Suponiendo que se ha realizado un cambio T y que las tensiones y ngulos

de los nudos no han variado, entonces:
Vf Vt sen()
T
X
2Vf2 T
Vf Vt cos()
=
T
X
X
Pf =
Qf
(5.18)
(5.19)
Suponiendo adems que:
|sen()|
|cos()|
Vf Vt T 1
(5.20)
(5.21)
entonces
|Pf |
Qf
|Qf |
T
(5.22)
(5.23)
Utilizando un razonamiento similar, la variacin del ujo de potencia reactiva en el lado de la toma del transformador es:
Qt
T
X
(5.24)
De todo ello se puede obtener como conclusin que:
Los ujos de potencia reactiva son relativamente sensibles a los cambios

de tomas.
Los ujos de potencia activa son relativamente insensibles a los cambios
de tomas.
Los ujos de potencia reactiva son relativamente lineales con respecto a
los cambios de tomas en el rango de 10%.
90
Basndose en la discusin anterior y realizando las siguientes deniciones:
Qt : Flujo de potencia reactiva calculado en el lado de la toma.

Qmt : Flujo de potencia reactiva medido en el lado de la toma.
Qf : Flujo de potencia reactiva calculado en el lado jo.
Qmf : Flujo de potencia reactiva medido en el lado jo.
T : Magnitud cambiada en la toma.
se puede establecer el siguiente procedimiento para la estimacin de las tomas
de los transformadores:
1. Si se dispone de una medida del lado de la toma:
(a) Si Qt Qmt < 0 decremntese la toma: T .
(b) Si Qt Qmt > 0 incremntese la toma: T .
2. Si se dispone de una medida del lado jo:
(a) Si Qf Qmf > 0 decremntese la toma: T .
(b) Si Qf Qmf < 0 incremntese la toma: T .
Como medida prctica, si la diferencia entre los ujos de reactiva medido
y calculado es inferior a un umbral, por ejemplo 1 MVAR, no se variar la
posicin de la toma.
Para aplicar este mtodo a los parmetros de la red es necesario que se
cumplan las siguientes condiciones:
Debe disponerse de un residuo que sea insensible a los cambios de los

parmetros de la lnea de transmisin.
Si existen otros errores deben de tener poca inuencia sobre el residuo
seleccionado.
La medida correspondiente al residuo seleccionado debe de estar libre de
errores.
91
Considerando que los ujos de potencia activa y reactiva entre dos nudos
son:
V1 V2 sen()
X
V12 V1 V2 cos()
V12 Bc
=
X
X
P12 =
(5.25)
Q12
(5.26)
siendo
P12 el ujo de potencia activa entre los nudos 1 y 2.

Q12 el ujo de potencia reactiva entre los nudos 1 y 2.
V1 la tensin en el nudo 1.
V2 la tensin en el nudo 2.
el desfase existente entre los nudos 1 y 2.
Bc la susceptancia shunt de la lnea, siendo la mitad en cada extremo de
la lnea.
y por encontrarse la potencia activa relativamente jada, el residuo de la potencia reactiva es el que se puede utilizar para aplicar el mtodo propuesto.
Para la susceptancia shunt de la lnea:
Q12 = V12 Bc
(5.27)
por lo que los errores de ujo de reactiva son directamente proporcionales al

parmetro Bc . Con objeto de estimar dicho parmetro es importante que la
lnea de transmisin est ligeramente cargada de manera que el residuo sea
debido principalmente a los errores de Bc .
Para analizar los errores en la reactancia serie de la lnea, de las ecuaciones
(5.25) y (5.26) se obtiene:
(Q12 +
de donde:
V12 Bc )X
P12 X = V1 V2 cos()
+ XQ12 = V1 V2 sen()
Q12
P12 tan() Q12 + V12 Bc
=
X
X
X
(5.28)
(5.29)
(5.30)
92
que es el coeciente de sensibilidad que indica la variacin del ujo de potencia

reactiva frente al cambio en la reactancia de la lnea. La carga de la lnea debe
ser lo ms elevada posible para poder aplicar el mtodo de reduccin residual
descrito.
Un mtodo similar al anterior es el propuesto en [14] para la estimacin
de tomas de transformadores. Se ejecuta fuera de la rutina de estimacin
de estado y utiliza las tensiones medidas y estimadas para generar un nuevo
conjunto de tomas de los transformadores.
El modelo del estimador de estado debe incluir los nudos de alta y baja
del transformador o solamente el de alta y el procedimiento utilizado es el
siguiente:
1. Si el intercambiador de tomas est situado en el lado de baja del transformador y ste se encuentra en el modelo del estimador, entonces:
NT = V T
VBM
VBE
(5.31)
siendo N T la nueva toma, V T la antigua, VBM la tensin medida en el

lado de baja y VBE la estimada.
2. Si el intercambiador de tomas est situado en el lado de baja del transformador y ste no se encuentra en el modelo del estimador, entonces
NT =
VBM
VBC
(5.32)
siendo VBC la tensin calculada en el lado de baja del transformador

segn se muestra en la Figura 5.2. Dicha tensin se calcula a partir de
la tensin estimada, la toma y los ujos estimados, todos ellos del lado
de alta.
Por lo tanto, para poder aplicar el mtodo es necesario que:
La medida de la tensin se encuentre en el lado apropiado del transformador.

En el primer caso, si la toma antigua es signicativamente diferente del
valor actual, la tensin del lado de baja ser detectada como anmala.
Sin embargo, incluso en tales casos, la tensin medida se utilizar para
calcular una nueva posicin de la toma, siempre que la tensin se encuentre dentro de un rango razonablemente predenido.
Mtodos que amplan el vector de estado
93
VBC
s
Figura 5.2: Modelo del transformador considerado.
En el segundo caso es necesario que en el lado de alta no existan inyecciones o que stas sean conocidas de manera que los ujos del lado de
alta se puedan estimar.
5.3 Mtodos que amplan el vector de estado

Estos mtodos incluyen los parmetros sospechosos en el vector de estado como
si fuesen variables independientes por lo que se calculan tanto las tensiones y
desfases de los nudos como los parmetros.
Una vez que se ha ampliado el vector de estado con los parmetros errneos
se puede resolver el sistema de ecuaciones de dos formas diferentes:
Mediante ecuaciones normales.

Mediante la teora del ltro de Kalman.
5.3.1 Resolucin mediante ecuaciones normales

Los mtodos que resuelven el sistema planteado mediante las ecuaciones normales son los ms simples y fciles de desarrollar.
El mtodo propuesto en [23] realiza la estimacin de las tomas de los transformadores introducindolas en el vector de estado como variables independientes. Esto produce un aumento del nmero de elementos de la matriz jacobiano ya que se introducen tantas columnas nuevas como elementos nuevos
se han introducido en el vector de estado y los elementos de dichas columnas
son las derivadas del vector de medidas con respecto a las nuevas variables de
94
estado:
H=
(5.33)
En el caso de que existan medidas asociadas a las tomas de los transformadores que se van a estimar, se aadirn aqullas al vector de medidas y
tanto en la matriz jacobiano como en la matriz de covarianzas de las medidas
aparecern tantas las adicionales como medidas nuevas se hayan aadido al
vector de medidas:
H=
(5.34)
Inicialmente, las tomas de los transformadores se modelan como variables

continuas, procedindose a calcular el mejor valor estimado. Seguidamente,
este valor se aproxima al valor de la toma ms prxima, es decir, se convierte
en discreto y se procede a eliminar la toma del vector de variables de estado.
Por ltimo, se vuelven a resolver las ecuaciones de estado con el valor discreto
de la toma del transformador.
Este mtodo puede resolver una o ms tomas errneas de diversos transformadores simultneamente.
Una variante de este mtodo es el propuesto en [12] pero con la particularidad de que la ampliacin del vector de estado se realiza con los incrementos de
los ujos de potencia en lugar de con los parmetros errneos. Por lo tanto lo
que se estima son dichos incrementos, procedindose posteriormente a calcular
los parmetros errneos.
Otra variante del mtodo de [23] es el propuesto en [1, 2] ya que en ellos se
estiman todos los elementos de la matriz de admitancia nodal en forma polar.
95
Asimismo, el mtodo descrito en [4] es similar pero aplicado a los parmetros

de la red.
Otra clase de mtodos, diseados para realizar la estimacin de parmetros constantes en modo o-line, procesan simultneamente varias muestras
de medidas de diferentes instantes con objeto de incrementar la redundancia
alrededor de los parmetros sospechosos [17, 25]. Estos mtodos se basan en
que:
La susceptancia es el parmetro cuyo error inuye ms en la estimacin

de las medidas (tal y como se ha visto en el Apartado 3.5).
La inuencia del error del parmetro es local (como se ha visto en la
Seccin 4.5)
Adems, con el uso simultneo de varias muestras, la redundancia global
del sistema se puede mantener aumentando el nmero de muestras [25]. As,
siendo:
m el nmero de medidas.
n el nmero de variables de estado.
np el nmero de parmetros sospechosos.
q el nmero de estimaciones simultneas que se van a procesar.
en el caso de que se utilice una nica estimacin y el nmero de parmetros
sospechosos sea uno, la redundancia es:
K1 =
m
n+1
(5.35)
Si el nmero de parmetros sospechosos aumenta, siendo ahora np , y si

se desea que la redundancia siga siendo K1 , bastar con que el nmero de
estimaciones simultneas que se procesen sea q , con lo que la redundancia
ser:
m
mq
=
(5.36)
Kq =
n q + np
n + np
q
siendo np = q para que K1 = Kq .
En estos mtodos, al igual que en cualquiera de los otros mtodos de estimacin de parmetros existentes, si el sistema es crtico antes de estimar el
parmetro, ste no podr ser estimado.
96
Si se utilizan q estados simultneamente para realizar la estimacin, el

vector de estados ampliado con los parmetros sospechosos es:
x = [x1 , x2 , ..., xq |p]t
(5.37)
z = [z1 , z2 , ..., zq ]t
(5.38)
y el vector de medidas:
donde xi y zi son a su vez los vectores de estado y medidas de la muestra i y

p el vector de parmetros.
Si se dispone de alguna informacin previa sobre los parmetros que se van
a estimar, sta se incluye en [17] como si se tratase de medidas. Sin embargo,
los parmetros estimados se pueden ver inuenciados negativamente por los
factores de peso adoptados al aadir esta informacin [25].
Para analizar la conveniencia de aadir dicha informacin, la funcin objetivo se convierte en:
m
J(x, p) =
wi [zi hi (x, p)]2 + wp (p p0 )2
(5.39)
i=1
aadiendo el valor del que se dispone del parmetro sospechoso como si se

tratase de una medida adicional y siendo p0 el valor conocido del parmetro.
En dicha ecuacin aparece wp , que es el factor de peso que se le asigna al
valor conocido del parmetro. Una decisin importante es el valor que se le
da a esta pseudomedida que se ha aadido, en comparacin con los factores
de peso de las telemedidas wi .
En el caso de que a wp se le asignase un valor muy pequeo con respecto a
wi , equivaldra a rechazar completamente la informacin disponible p0 y, por
lo tanto, el valor del parmetro estimado p sera determinado exclusivamente
por las telemedidas disponibles.

Por el contrario, si se utilizase un valor de wp muy elevado con respecto a
wi , se obtendra que p es similar a p0 independientemente de los valores de las
telemedidas.
Esto se conrma en la Figura 5.3 en la cual se muestran los resultados
obtenidos al estimar la susceptancia de una lnea errnea mediante la ecuacin
(5.39). El ejemplo representado corresponde, en particular, a la lnea que une
los nudos 7 y 9 en la red IEEE-14. En dicha gura se representa el error relativo
del parmetro estimado frente al ratio wm /wp , siendo wm el valor medio de
todos los factores de peso wi .
97
Las curvas representadas han sido obtenidas con un conjunto de medidas

de clase 1 y cuyo error medio ha sido del 3.23 %, as como asignando diferentes
errores al valor conocido del parmetro p0 : 5%, 10%.
Figura 5.3: Error en la susceptancia estimada de la lnea que une los nudos 7
y 9 en la red IEEE-14 frente al peso relativo del parmetro.
En dicha gura se conrma que:
Si a wp se le asigna un valor muy pequeo con respecto a wm el valor del

parmetro estimado p se determina exclusivamente por las telemedidas
disponibles.
Si a wp se le asigna un valor muy elevado con respecto a wm se obtiene un valor de p similar a p0 independientemente de los valores de las
telemedidas.
De la Figura 5.3 se deduce que pueden presentarse dos situaciones diferentes:
Si el signo del error asociado a p0 es el mismo que el de p cuando wp 0,
lo que sucede para las curvas superiores de esta lnea particular, el mejor
resultado se obtiene cuando wp = 0, a menos que p0 sea ms exacta que
98
las telemedidas, lo que no parece lgico ya que se trata de una medida

sospechosa.
Si los dos signos son diferentes, lo que ocurre para las curvas inferiores,
existe un cierto valor del factor de peso wp para el cual se estima el
parmetro exacto. Sin embargo, si no se elige este factor ptimo, puede
ocurrir que el parmetro estimado sea peor que el que se obtendra si se
hubiese utilizado el valor wp = 0.
La Figura 5.4 es similar a la anterior pero para otra lnea, en particular la
lnea que une los nudos 10 y 11, y otro conjunto de telemedidas distintos (la
clase ha sido tambin 1 pero el error medio de las medidas ha sido 3.80 %).
En este caso el parmetro estimado cuando wp = 0 se encuentra en la parte
inferior de la gura, obtenindose las mismas conclusiones que anteriormente.
La nica salvedad es que cuando antes se refera a la parte superior de la gura
ahora es la inferior y viceversa.
Figura 5.4: Error en la susceptancia estimada de la lnea que une los nudos 10
y 11 en la red IEEE-14 frente al peso relativo del parmetro.
Por lo tanto, y ya que no es posible predecir a priori si el error resultante
para el parmetro ser positivo o negativo, no se puede conocer su factor de
peso ptimo wp .
99
En el mtodo presentado en [25], los vectores de estado y de medidas son los

representados en las ecuaciones (5.37) y (5.38). Asimismo, la matriz jacobiano
(cuyos elementos se pueden encontrar en el Apndice B) es, al aadirle las
nuevas columnas correspondientes a los parmetros sospechosos y no aadirle
ninguna la adicional como inclusin de la informacin previa existente sobre
el parmetro:
H1
h1p
H2
h2p
H=
(5.40)
.
..
.
.
Hq hqp
Sustituyendo en las ecuaciones normales de la estimacin de estado (2.13):
H T W Hx = H T (x)W z
(5.41)
se obtiene que la matriz de ganancia G es:
t
G = H WH =
G11
G22
t
g1p
t
g2p
..
g1p
g2p
.
.
.
gqp
(5.42)
Gqq
t
gqp Gpp
siendo:
Gii = Hit Wi Hi
gip = Hit Wi hip
(i = 1, 2, ..., q)
(i = 1, 2, ..., q)
(5.43)
(5.44)
ht Wi hip
ip
Gpp =
(5.45)
i=1
El vector de trminos independientes queda:
H t W z = [b1 , b2 , ..., bq |bp ]t
(5.46)
siendo:
bi = Hit Wi zi
(i = 1, 2, ..., q)
(5.47)
ht Wi zi
ip
bp =
i=1
(5.48)
100
Para cada iteracin es necesario que se forme y factorice la matriz (5.42)

con objeto de poder obtener la correccin del vector de estado x. Esto,
para redes de gran dimensin, es impracticable incluso utilizando tcnicas de
matrices dispersas, pero como el nmero de parmetros que se estiman es
relativamente pequeo, se va a utilizar un mtodo cuyo costo computacional
es similar al necesario para resolver cada estado separada y secuencialmente.
Los pasos de que consta el mtodo propuesto, que ha sido expuesto en [25],
son:
1. Triangularizacin y eliminacin hacia adelante. Para cada bloque diagonal (i = 1, 2, . . . , q ):
(a) Calcular:
hip
i
z
gip
bi
=
=
=
=
Wi hip
Wi zi
Hit hip
Hit i
z
(5.49)
(5.50)
(5.51)
(5.52)
(b) Calcular Gii y obtener yi y bi de:
Gii = Hit Wi Hi
Gii yi = gip
Gii bi = bi
(5.53)
(5.54)
(5.55)
Gpp = Gpp + ht hip gip yi

ip
t
bp = bp + ht i gip bi
ip z
(5.56)
(5.57)
(c) Actualizar Gpp y bp :
2. Obtener p de:
Gpp p = bp
(5.58)
3. Sustitucin hacia atrs. Para cada bloque diagonal (i = 1, 2, . . . , q )

obtener xi de:
xi = bi yi p
(5.59)
De este modo, una vez que p se ha obtenido, se pueden actualizar todas
las variables de estado independientemente.
Con este mtodo hay que puntualizar lo siguiente:
101
Cada columna de hip es un vector muy disperso, ya que solamente las

medidas adyacentes tienen derivadas respecto a p distintas de cero.
Cada bloque diagonal Gii se utiliza solamente una vez en el paso 1.(b),
por lo que slo la matriz de ganancia correspondiente a un nico estado
debe ser almacenada en memoria simultneamente y por lo tanto, el
mismo espacio es utilizado sucesivamente por diferentes estados.
Si solamente se estima un nico parmetro, hip es un vector columna y
Gpp es un escalar.
Si se utiliza un perl plano de tensiones y desfases, en la primera iteracin
no se realiza la estimacin del parmetro, es decir, se considera que el
vector de estados no est ampliado por los parmetros sospechosos y, por
lo tanto, la matriz jacobiano no contiene tantas columnas adicionales hip
como parmetros sospechosos en esta primera iteracin. Esto es debido a
que dichas columnas se hacen cero por causa del perl plano de partida.
Por lo tanto, el mtodo se utilizar despus de la primera iteracin.
En el caso de que el nmero de parmetros estimados sea pequeo, el sobrecosto, tanto en necesidades de memoria como en tiempos de clculo, causado
por las ecuaciones (5.49), (5.51), (5.54) y (5.56) - (5.59) es bastante pequeo
en comparacin con el costo del procesamiento secuencial de los diferentes
estados, que viene marcado principalmente por las ecuaciones (5.53) y (5.55).
El mtodo es vlido tanto si se utiliza la red completa como si slo se usa la
parte de red que es relevante, es decir, la que rodea al parmetro sospechoso, lo
que implica una considerable disminucin del costo sin reduccin de la calidad
del parmetro estimado.
5.3.2 Resolucin basada en la teora del ltro de Kalman

Los mtodos de resolucin mediante la teora del ltro de Kalman permiten utilizar una estimacin recursiva en la cual la informacin a priori sobre el estado
estimado se combina con las medidas para actualizar el parmetro estimado.
En el mtodo propuesto en [6] se realiza la estimacin de los parmetros de
las lneas de transmisin, admitancias y tomas de los transformadores, sesgos
de las medidas y desviaciones tpicas de los errores de las medidas.
En cada muestra de tiempo k la relacin que existe entre las medidas y los
estados es:
z(k) = h(x(k), k, p) + (k)
(5.60)
102
habindose hecho depender h explcitamente de k con objeto de reejar la

posibilidad de cambios en la red de un momento a otro y considerando a los
parmetros constantes durante todo el periodo de tiempo considerado.
Para estimar el vector de estado hay que minimizar la funcin objetivo,
que en este caso es:
m
J=
[z(k) h (x(k), k, p)]T W (z(k) h(x(k), k, p)]
(5.61)
k=1
En el caso de que se disponga de una informacin a priori del vector de

parmetros, p0 , dicha informacin se puede incorporar al problema como una
pseudomedida:
p0 = p + ep
(5.62)
siendo ep un vector de error con media cero y covarianza Rp . Con esto, y
1
siendo Rp = Wp , la funcin objetivo se convierte en:
J1 = (p p0 )T Wp (p p0 ) + J
(5.63)
La solucin al problema planteado se obtiene mediante la resolucin iterativa del siguiente algoritmo:
xi+1 (k)
k
pi+1 (k)
k
xi (k)
k
pi (k)
k
+ i (k)
A1
A2
(5.64)
siendo:
T
A1 = Hx (k)W [z(k) h(i (k), k, pi (k))]
xk
k
T
i
A2 = Hx (k)W [z(k) h(k (k), k, pi (k))] + Wp,k1 [i (k 1) pi (k))]
x
k
pk1
k
h
Hx (k) =
x xi (k),i (k)
p
k
Hp (k) =
i
(k) =
h
p
xi (k),i (k)
k
pk
T
T
Hx (k)W Hp (k)
Hx (k)W Hx (k)
T
T
Hp (k)W Hx (k) Wp,k1 + Hp (k)W Hp (k)
i (k) i (k)
xp
xx
i (k) i (k)
pp
px
= pp (k)
=
Rp,k
103
p el vector de parmetros de red estimados e i el nmero de la iteracin (i =
1, 2, . . .)
Este algoritmo, basado en la teora del ltro de Kalman, es recursivo en el
sentido de que en la muestra de tiempo k slo se considera el vector z(k) junto
con los estimados de los parmetros y sus covarianzas, que previamente se han
actualizado.
Una ampliacin del mtodo propuesto es el tratamiento simultneo de todas las telemedidas almacenadas durante un periodo de tiempo para estimar
conjuntamente tanto las variables de estado como los parmetros, lo cual se
desarrolla en un caso real en [7].
El mtodo propuesto en [18, 19, 20] es recursivo y se basa en el ltro de
Kalman para su resolucin. Introduce dos importantes variantes con respecto
a [6]:
Localiza el problema en varias pequeas subredes observables que contienen los parmetros desconocidos.
Modela los parmetros como procesos de Markov al igual que las variables
de estado lo que permite la estimacin de parmetros variables con el
tiempo.
Como consecuencia de dichas variantes:
Se puede realizar un seguimiento de aquellos parmetros de red que

varan continuamente debido a cambios en las condiciones de carga y
ambientales.
La solucin no se ve afectada por cambios ni en la red ni en la topologa
de las medidas.
La resolucin es ms rpida al resolver varios problemas pequeos en
lugar de uno ms grande.
No presupone la existencia de ramas sin errores que pueden utilizarse
como ramas conocidas para la estimacin de otras ramas errneas.
Es posible la expansin adaptativa de las reas analizadas de manera
que se estimen primero las ramas con mayor redundancia de medidas
hasta que se establecen sus parmetros y seguidamente se estiman las
que tienen menos redundancia.
104
El algoritmo de resolucin se basa en que la funcin de densidad de probabilidad de los errores de los parmetros estimados en el tiempo ti , f [p(ti )], la de
las variables de estado, f [x(ti )], y la de los errores de las medidas son gaussianas
con media cero, de manera que, como se puede deducir de la ecuacin (2.3), la
funcin de densidad de probabilidad condicional de z(ti ) sujeta a x(ti ) y p(ti )
es:
1
T
f [z(ti )|x(ti ), p(ti )] = ( 2)m |W |(1/2) e 2 [z(ti )h(x(ti ),p(ti ))] W [z(ti )h(x(ti ),p(ti ))]
(5.65)
Del teorema de Bayes, la funcin de densidad de probabilidad conjunta
de los parmetros y del estado condicionada a las medidas es proporcional al
producto de sus funciones de densidad, de manera que:
f [x(ti ), p(ti )|z(t1 ) . . . z(ti )] = f [z(ti )|x(ti ), p(ti )] f [p(ti )] f [(x(ti )]
(5.66)
El estimado de mxima verosimilitud se obtendr al encontrar el mximo

de la funcin de probabilidad condicional y como dicha funcin es gaussiana,
es equivalente a encontrar el mnimo del exponente de dicha funcin, es decir:
[y(ti )] =
1
[z(ti ) h(x(ti ), p(ti ))]T W [z(ti ) h(x(ti ), p(ti ))]
2
1
+ [y(ti ) y(ti )]T Wxp [y(ti ) y(ti )]
(5.67)
2
siendo:
y T (ti ) = [xT (ti ), pT (ti )]
(5.68)
La condicin necesaria para localizar el mnimo es:
[y(ti )]
= H[y(ti )]T W [z(ti ) h(y(ti ))] + Wxp (ti )[y(ti ) y(ti )] = 0 (5.69)
y(ti )
donde:
H[y(ti )] =
h[y(ti )]
y(ti )]
(5.70)
La matriz Wxp (ti ) es la inversa de la matriz de covarianzas de y(ti ):
Wxp (ti ) =
Wx (ti )
0
0
Wp (ti )
(5.71)
Discusin
105
Para proceder a la resolucin del sistema no lineal al que da lugar se utiliza

el mtodo de Newton:
Cy(ti ) = H[y(ti )k ]T W [z(ti ) h(y(ti )k )]

Wxp (ti )[y(ti )k y(ti )]
y(ti )k+1 = y(ti )k + y(ti )
(5.72)
(5.73)
donde:
C = H[y(ti )k ]T W H[y(ti )k ] + Wxp (ti ) + [y(ti )k ]

mp
2 hj [y(ti )]
k
i [y(ti )]
[y(ti ) ] =
y(ti )2 y(ti )=y(ti )k
j=1
i [y(ti )] =
zj (ti ) hj [y(ti )]
Rjj
(5.74)
(5.75)
(5.76)
siendo j un ndice de los parmetros y mp el nmero de parmetros.

Para efectuar la estimacin de los parmetros la red se divide en pequeas
subredes o subsistemas locales y en cada iteracin se resuelven las ecuaciones
(5.72) - (5.76) mediante factorizacin triangular de la matriz C . Cada subred
es una pequea porcin de la red completa compuesta de unas pocas ramas
con el nmero suciente de medidas como para asegurar la observabilidad.
El mtodo propuesto es desarrollado como un estimador de parmetros
adaptativo, el cual comienza con unas cuantas ramas altamente telemedidas.
Una vez que se ha establecido la impedancia de dichas ramas, stas se utilizan
para extender la estimacin de parmetros a ramas que estn menos telemedidas. La ltima de las soluciones contendr todas las ramas de la red con
adecuadas telemedidas, excluyendo solamente aqullas en las que no se haya
podido realizar una estimacin de parmetro able.
Los mtodos propuestos en [3, 5, 10] se basan tambin en la resolucin
mediante el ltro de Kalman y en la ampliacin del vector de estado con
aquellos parmetros que han proporcionado un valor elevado en el residuo
[3, 10] o en el anlisis de sensibilidad del estado [5].
5.4 Discusin
De todos los mtodos que proponen algoritmos para realizar la estimacin de
parmetros, ya sean de lneas o de tomas de transformadores, slo en algunos
106
de ellos se menciona el error de las medidas, por lo que los resultados presentados en el resto de artculos que tratan dicho problema no tienen una validez
completa debido a que el error de las medidas inuye notoriamente.
As, si un parmetro tiene un error de un 10 % con respecto al valor exacto
de dicho parmetro y mediante uno de los algoritmos propuestos se obtiene un
parmetro estimado con un error de un 2 % respecto al valor exacto, esto no
da ninguna informacin respecto a si el mtodo es bueno o no. Es necesario
conocer adems el error de las telemedidas utilizadas.
Si las telemedidas no tienen error, el algoritmo utilizado para obtener el
parmetro estimado mediante el que se ha obtenido una diferencia de un 2 %
respecto al valor exacto no es bueno, ya que debera obtenerse un valor inferior
al 1 %. Sin embargo, si las telemedidas tienen un error de un 2 % s puede
considerarse bueno el algoritmo utilizado. Todo esto siempre que se disponga
de una redundancia suciente, ya que si sta no lo es, los resultados obtenidos
sern peores.
Respecto a los mtodos, se puede decir que aqullos que aumentan el vector de estado han superado claramente a los que se basan en el anlisis de
sensibilidad residual. No obstante, estos mtodos son necesarios a la hora
de identicar las ramas sospechosas. Tambin es evidente que la utilizacin
de varias muestras de medidas de diferentes instantes, simultnea o secuencialmente, proporciona una forma ms robusta de actualizar la base de datos
[27].
Sin embargo, no est claro que en todas las circunstancias sea mejor usar
un algoritmo de ltro recursivo o el esquema convencional de ecuaciones normales. Puede decirse que el ltro de Kalman es ms til usarlo para estimar
parmetros que varan con el tiempo, mientras que la simplicidad del mtodo de
mnimos cuadrados lo hace ms atractivo para estimar parmetros constantes.
Cualquier mtodo, independientemente de la tcnica utilizada, necesita de
una cierta redundancia de medidas locales, siendo la inuencia de las medidas
de ujo de potencia particularmente relevante mientras que la de las medidas
de inyeccin lo es, en general, menos.
Otro tema controvertido es si se deben estimar solamente unos pocos parmetros seleccionados (incluyendo tomas de transformadores) o si el proceso
de estimacin se debe ir extendiendo adaptativamente hasta incluir todas las
ramas de la red que tengan una adecuada redundancia local. Como para una
redundancia dada los errores de los parmetros estimados son proporcionales
al error medio de las medidas [25], si se dispone de medidas muy exactas, los
valores de los parmetros estimados probablemente sern mejores que los que
Discusin
107
se disponan en la base de datos. Sin embargo, lo contrario tambin puede

ocurrir, es decir, que un parmetro bastante bueno sea actualizado con un
valor menos exacto si la estimacin se ha realizado con medidas poco exactas.
Por lo tanto, ha de tenerse en cuenta este riesgo a la hora de decidir qu
parmetros sern estimados.
En el caso de que existan errores no gaussianos persistentemente en las
proximidades de las ramas que se estiman y que no se detecten, los parmetros
estimados sern de poca exactitud independientemente del mtodo utilizado.
En cuanto a la facilidad de implantar los mtodos de estimacin de parmetros en los estimadores de estado existentes, los mtodos basados en el anlisis
de sensibilidad residual pueden incluirse al nal del proceso de estimacin de
estado sin necesidad de tener que modicar ninguna de las rutinas principales
que constituyen el estimador. Entre las diversas tcnicas que aumentan el
vector de estado, las que se basan en las ecuaciones normales son ms simples
de desarrollar que las que se basan en el ltro de Kalman y slo requieren
sencillas modicaciones en el cdigo informtico existente.
Cuando la informacin existente sobre el valor del parmetro no se aade
al modelo como una medida extra, la matriz jacobiano puede llegar a ser mal
condicionada al inicio, por lo que para evitar este problema potencial el vector
de estado debe ser aumentado despus de la primera iteracin.
Por ltimo, en el Apartado 4.4 se mencionaron las ventajas e inconvenientes de la estimacin on-line y o-line. All se destac que la estimacin
de las tomas de los transformadores es un proceso on-line, mientras que la
estimacin de parmetros que fundamentalmente permanecen constantes con
el tiempo, como las inductancias o las capacitancias, es un proceso que puede
realizarse ms adecuadamente en un modo o-line. Por otro lado, las uctuaciones de la resistencia de la lnea debido a cambios en la temperatura pueden
llegar a ser signicativas pero los errores que afectan a este parmetro son
los que tienen menos importancia al realizar la estimacin de estado [22, 25].
Si se quisiera relacionar la resistencia variable con el tiempo con el valor constante correspondiente a la temperatura de referencia, bastara con que a la vez
que se registra cada conjunto de medidas se tomara nota de las temperaturas
existentes.
108
5.5 Resumen
Una vez que en el Captulo 4 se han clasicado los mtodos de estimacin de
parmetros, en este captulo se ha procedido a presentar en detalle los mtodos
existentes.
En el Apartado 5.2 se han presentado los mtodos que no amplan el vector
de estado. Estos se basan para su resolucin en el anlisis de los residuos.
Seguidamente, en el Epgrafe 5.3 se han analizado los mtodos que amplan el vector de estado con los parmetros errneos como si fuesen variables
independientes, por lo que se calculan tanto las tensiones y desfases de los
diferentes nudos como los parmetros. Estos mtodos resuelven el sistema de
ecuaciones planteado de dos formas diferentes:
Mediante ecuaciones normales (Apartado 5.3.1).

Mediante la teora del ltro de Kalman (Apartado 5.3.2).
En la Seccin 5.3.1 se ha analizado tambin el hecho nada trivial de incluir
o no la informacin previa existente sobre el parmetro. Se ha obtenido que,
dependiendo del factor de peso que se le asigne al parmetro que se va a
estimar, los resultados obtenidos al considerar la informacin previa pueden
ser mejores o peores que los obtenidos al no considerarla.
A continuacin se han discutido los diferentes mtodos propuestos en los
artculos que tratan este tema (Seccin 5.4), resumindose las problemticas
presentadas en ellos.
Bibliografa
[2] Allam M., Laughton M., Static and Dynamic Algorithms for Power System Variable and Parameter Estimation. Proceedings 5th. Power System
Computation Conference, Paper 2.3/11, Cambridge, UK, September 1975.
[3] Arafeh S., Schinzinger R., Estimation Algorithms for Large-Scale Power
Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS98, No. 6, pp. 1968-1977, November/December 1979.
[6] Debs A., Estimation of Steady-State Power System Model Parameters.
5, pp. 1260-1268, September/October 1974.
448-1, July 1975.
pp. 3680-3686, November 1983.
109
110
BIBLIOGRAFA
[9] Handschin E., Schweppe F., Kohlas J., Fiechter A., Bad Data Analysis for
Power System State Estimation. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-94, No. 2, pp. 329-337, March/April 1975.
No. 1, pp. 200-209, February 1995.
[13] Mili L., Van Cutsem T., Ribbens-Pavella M., Hypothesis Testing Identication: A New Method for Bad Data Analysis in Power System State
Estimation. IEEE Transactions on Power Apparatus and Systems, Vol.
PAS-103, No. 11, pp. 3239-3252, November 1984.
[14] Mukherjee B., Fuerst G., Transformer Tap Estimation - Field Experience. IEEE Transactions on Power Apparatus and Systems, Vol. PAS103, No. 6, pp. 1454-1458, June 1984.
171-180, 1987.
1988.
[17] Reig A., lvarez C., O-Line Parameter Estimation Techniques for Network Model Data Tuning. Proceedings IASTED Power High Tech'89,
pp.205-210, Valencia, Spain, 1989.
[18] Slutsker I., Mokhtari S., Clements K., On-line Parameter Estimation
in Energy Management Systems. American Power Conference, Chicago,
Illinois, Paper 169, April 1995.
BIBLIOGRAFA
111

Vol. 11, No. 3, pp. 1393-1399, August 1996.
[21] Smith R., Transformer Tap Estimation at Florida Power Corporation.
12, pp. 3442-3445, December 1985.
[22] Stuart T., Herget C., A Sensitivity Analysis of Weighted Least Squares
State Estimation for Power Systems. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-92, pp. 1696-1701, September/October
1973.
[23] Teixeira P., Brammer S., Rutz W., Merritt W., Salmonsen J., State
Estimation of Voltage and Phase-Shift Transformer Tap Settings. IEEE
Transactions on Power Systems, Vol. 7, No. 3, pp. 1386-1393, August
1992.
[26] Zarco P., Gmez A., Estimacin de Parmetros en Redes Elctricas:
Problemtica y Soluciones Adoptadas. 5as Jornadas Hispano-Lusas de
Ingeniera Elctrica, pp.911-918, Salamanca, Espaa, Julio 1997.
[27] Zarco P., Gmez A., Power System Parameter Estimation: A Survey.
IEEE Transactions on Power Systems, Paper PE-330-PWRS-0-12-1998.
112
BIBLIOGRAFA
Captulo 6
Resultados Experimentales de la
Estimacin de Estado y de
Parmetros
6.1 Introduccin
En el presente captulo se van a presentar los distintos resultados obtenidos
utilizando el mtodo de estimacin de parmetros y de estado propuesto en
[1] y resuelto numricamente mediante el mtodo de mnimos cuadrados ponderados. Esto es debido a que ese es el mtodo propuesto por los autores y
del cual poseen gran cantidad de resultados experimentales. Adems, el objeto de este captulo es mostrar la funcin de ltro que tiene la estimacin
independientemente del mtodo utilizado.
Hay que tener en cuenta que en dicho mtodo se aumenta el vector de
estado con los parmetros sospechosos y se procesan muestras de diferentes
instantes simultneamente con lo que el problema se reduce a resolver varios
problemas de estimacin de estado a la vez. De esta manera se estiman el
estado y los parmetros sospechosos al mismo tiempo.
Por ello, los resultados experimentales presentados en las grcas son vlidos tanto para la estimacin de estado como la de parmetros, siendo los
resultados obtenidos cuando el error en el parmetro es del 0 % los que se
obtienen al realizar nicamente la estimacin de estado. Todos los resultados
se presentan en las mismas grcas a n de que se observe la gran relacin que
guardan las estimaciones de estado y de parmetros.
Segn las conclusiones obtenidas en el Apartado 4.5, la estimacin de
113
114 Resultados Experimentales de la Estimacin de Estado y de Parmetros
parmetros tiene un carcter local, por lo que se va a considerar a la red IEEE14 como una subred en la que se encuentran los parmetros errneos y, por lo
tanto, es ella la que se va a utilizar para mostrar los resultados experimentales
obtenidos.
Asimismo, los resultados que se presentan han sido obtenidos considerando
que el error se encuentra en la susceptancia de la lnea considerada, ya que
segn se vio en el Apartado 3.5, la inuencia del error en la susceptancia
es mucho mayor que cuando ste existe en la conductancia, adems de ser
invariante con el tiempo, lo que representa la base del mtodo propuesto en
[1].
Al igual que se hizo en el Captulo 3, y con objeto de que los resultados
obtenidos sean estadsticamente signicativos, cada una de las pruebas representa el valor medio de la ejecucin de sesenta estimaciones de estado. Adems,
y excepto en los casos en los que expresamente se indique, se va a utilizar una
redundancia de las medidas completa, lo que signica que de cada estado se
poseen ciento veintids medidas distintas.
Dichos estados distintos han sido obtenidos, como se dijo en el Apartado
3.1, a partir de mil ochocientos estados distintos y exactos, que nunca son
conocidos, y a los que se les ha aadido errores gaussianos que simulen el
estado real del sistema.
Por ltimo, para caracterizar los resultados obtenidos se ha utilizado principalmente la clase de los dispositivos de medida, as como el error relativo
medio de las medidas afectadas en las sesenta estimaciones. Adems, el ndice
comparativo adoptado ha sido el error relativo medio de las medidas estimadas.
6.2 Estimacin de impedancias o admitancias

La estimacin de la susceptancia errnea puede realizarse desde el punto de
vista de tratarla como impedancia o como admitancia. El hecho de tratarla
como admitancia tiene la ventaja de:
Menor manipulacin, ya que las ecuaciones se utilizan en modo de admitancias.

No se presentan singularidades, como ocurre al considerar una lnea
abierta.
Adems, como el valor del parmetro estimado obtenido al realizar la estimacin como impedancia o como admitancia es el mismo tras numerosas com-
Inuencia del nmero de muestras utilizadas
115
probaciones realizadas, se va a realizar la estimacin tratando al parmetro

errneo como admitancia en lugar de como impedancia.
6.3 Inuencia del nmero de muestras utilizadas

El mtodo utilizado para la estimacin de parmetros se basa en la utilizacin
de datos histricos de medidas y aprovecha que el parmetro es invariante
con el tiempo para realizar su estimacin usando varias muestras de estados
diferentes por los que pasa el sistema a lo largo del da.
Por lo tanto, es importante saber cul es el nmero ptimo, si existe, de
estados que hay que utilizar simultneamente para realizar la estimacin. Para
analizar esto, en la Figura 6.1 se representa el cociente entre el error medio de
las telemedidas y el error del parmetro estimado cuando el nmero de estados
diferentes utilizados vara desde uno hasta veinticinco. Cada uno de los puntos
representados es la media de sesenta ensayos diferentes con una redundancia
completa de las medidas, siendo stas de clase 1 y existiendo un error en el
parmetro del 10 %.
Figura 6.1: Relacin entre el error de las medidas y el error del parmetro
estimado frente al nmero de estados procesados simultneamente.
Nmero de
estados
1
7
Error
parm. (%)
0
10
25
0
10
25
Errores medidas est.(%)

Todas
Adyacentes
1.27
1.26
1.27
1.26
1.27
1.26
1.31
1.26
1.31
1.26
1.31
1.26
Errores medidas (%)

Todas Adyacentes
2.7
2.8
2.9
2.8
Tabla 6.1: Inuencia del error de la susceptancia de una lnea sobre las medidas
cuando se estima el parmetro.
El ratio utilizado en dicha gura proporciona una cuanticacin de la habilidad del estimador para estimar un parmetro de red, pudindose observar
que a medida que aumenta el nmero de estados procesados simultneamente
la estimacin realizada es mejor. Para poder apreciar mejor dicho resultado,
se ha dibujado la recta de regresin obtenida con los puntos sealados, pudindose apreciar que los resultados obtenidos siguen una correlacin lineal, por
lo que cuanto mayor sea el nmero de estados procesados simultneamente
menor ser el error del parmetro estimado.
Asimismo, en la misma gura se ha representado la inversa de la curva
de regresin, es decir, el cociente entre el error del parmetro estimado y el
error medio de las medidas, la cual es una hiprbola. Esta curva muestra que
a medida que crece el nmero de estimaciones utilizadas simultneamente la
mejora obtenida es menor, observndose adems que en el lmite el error del
parmetro estimado vale cero.
Seguidamente, en la Tabla 6.1 se muestra la inuencia de diversos errores en la susceptancia de una lnea cuando se utilizan en la estimacin del
parmetro uno y siete estados diferentes simultneamente y las medidas del
sistema son de clase 1; se muestra tanto la inuencia sobre las medidas de
toda la red como sobre las medidas adyacentes a la rama, indicndose adems
el error de las medidas utilizadas. Se ha realizado el procesamiento de siete
estados diferentes simultneamente por considerar que la estimacin obtenida
con ellos es sucientemente buena, de acuerdo con la hiprbola representada
en la Figura 6.1.
En dicha tabla se puede observar adems que los estados estimados son
insensibles a los errores en los parmetros, es decir, el error en las medidas
Relacin con el nivel de error en las medidas
117
estimadas cuando existe un error de un 25 % en el parmetro es el mismo que

cuando dicho error no existe.
6.4 Relacin con el nivel de error en las medidas

En el presente epgrafe se va a analizar la inuencia que tiene el nivel de error en
las medidas, realizndose dicho anlisis solamente sobre las medidas adyacentes
a la lnea que tiene el parmetro errneo ya que, de acuerdo con las conclusiones
obtenidas en la Seccin 3.3, la inuencia del error en el parmetro es mucho ms
pronunciada sobre las medidas adyacentes a la lnea problemtica, tendiendo
a disminuir a medida que aumenta la distancia.
Para ello, en las Figuras 6.2 y 6.3 se representa la inuencia de un error de
un 10 % en la susceptancia de una lnea cuando se utilizan en la estimacin
uno y siete estados diferentes simultneamente, las medidas del sistema son
de clase 0, 1, 3 y 5 y analizando solamente la inuencia sobre las medidas
adyacentes a la lnea sospechosa.
Figura 6.2: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando se procesa un estado.
Figura 6.3: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando se procesan siete estados simultneamente.
Relacin con el nivel de error en las medidas
119
La conclusin que se puede obtener de estas guras es la misma que se

obtuvo en el Apartado 6.3, es decir, que los estados estimados son insensibles
a los errores en los parmetros y ello independientemente del nivel de error de
las telemedidas. Adems, al aumentar los errores de las medidas de las que se
dispone, los errores de los valores estimados obtenidos son mayores.
Con objeto de apreciar ms claramente el efecto benecioso que la estimacin proporciona, en la Figura 6.4 se muestra la inuencia sobre las medidas
adyacentes, para distintos niveles de errores en las medidas, cuando solamente
existe error en la susceptancia de una lnea:
Sin estimar el parmetro errneo (lnea discontinua).

Estimando el parmetro errneo utilizando siete estados simultneamente (lnea continua).
Figura 6.4: Inuencia del error en la susceptancia de una lnea sobre las medidas adyacentes, con distintas clases, cuando: (a): No se realiza estimacin de
parmetros; (b): Se estima procesndose siete estados simultneamente.
Cada una de las grcas representa la media de la ejecucin de sesenta
estimaciones de estado.
Clase
5
3
1
0
Error medidas usadas

sin est. parmetro
11.1
6.7
2.2
0.0
Error medidas usadas

estimando parmetro
14.2
8.5
2.8
0.0
Tabla 6.2: Errores de las medidas adyacentes utilizadas sin estimar parmetro
y estimndolo.
Nm. estados
7
4
1
(a)
14.26
8.56
2.85
14.20
8.52
2.84
13.53
8.10
2.70
(b)
3.27
1.95
.65
4.38
2.65
.90
8.73
5.27
1.70
(a/b)
4.4
4.4
4.4
3.2
3.2
3.2
1.5
1.5
1.6
Tabla 6.3: Errores de los parmetros estimados para diferentes niveles de errores en las medidas y redundancia completa. (a): Error medio de las telemedidas
(%); (b): Error del parmetro estimado (%).
Hay que hacer notar en esta gura que la no coincidencia de valores cuando
el error en el parmetro es 0 % es debido a que los errores en las medidas usadas
cuando no se estima el parmetro y cuando s se estima es distinto, segn se
aprecia en la Tabla 6.2. Esto es lgico ya que cuando no se estima el parmetro
se utilizan sesenta estados distintos como ya se ha indicado, mientras que
cuando s se estima, el nmero de estados utilizados es siete veces mayor, ya
que para cada estimacin del parmetro se usan siete estados distintos.
Por ltimo, en la Tabla 6.3 se presenta el error del parmetro estimado
y la relacin entre el error medio de las telemedidas y el error del parmetro
estimado, todo ello con diferentes niveles de errores en las medidas, distinto
nmero de estados utilizados simultneamente y redundancia completa.
De los resultados presentados en dicha tabla se puede concluir que:
Inuencia del tipo de medidas disponibles
121
El error del parmetro estimado es proporcional al error medio del conjunto de medidas. As, si se consideran los resultados obtenidos cuando se
realiza la estimacin utilizando siete estados simultneamente, la relacin
que existe entre el error medio de las telemedidas (cociente entre los valores de la columna (a)), es casi igual a la existente entre los errores del
parmetro estimado (cociente entre los valores de la columna (b)).
Resultados similares se obtienen al analizar los valores obtenidos cuando
se realiza la estimacin utilizando cuatro estados simultneamente y uno.
El ratio utilizado, que relaciona el error medio de las medidas y el error del parmetro estimado, slo es funcin del nivel de redundancia
de dichas telemedidas, a juzgar por la constancia de la columna de la
derecha para un mismo nmero de estados.
6.5 Inuencia del tipo de medidas disponibles

En el Apartado 3.6 se analiz la inuencia que tenan el tipo de medidas
disponibles y los errores en los parmetros sobre la estimacin de estado,
llegndose a la conclusin de que, cuando se dispone de medidas de ujos
de potencia, la inuencia del parmetro errneo es mucho mayor que cuando
se dispone de medidas de inyecciones, siendo la inuencia en este ltimo caso
casi nula.
En el presente epgrafe se van a mostrar los resultados experimentales
obtenidos al realizar la estimacin cuando se dispone de distintos tipos de
medidas. As, en las Tablas 6.4 y 6.5 se muestran los resultados obtenidos al
realizar la estimacin de parmetros cuando se dispone nicamente de medidas
de tensiones e inyecciones de potencia y cuando se dispone de tensiones y ujos
de potencia respectivamente. Ambos casos para distintos niveles de errores en
las medidas y cuando se utilizan siete estados simultneamente para realizar
la estimacin.
De dichas tablas se puede obtener la conclusin de que se obtienen ptimos
resultados independientemente del error que tenga el parmetro de la lnea
sospechosa.
Asimismo, prestando atencin en ambas tablas a las columnas de errores
de las medidas y de errores de las medidas estimadas se puede observar que la
estimacin obtenida cuando existen medidas de ujos es mucho mejor que la
que se obtiene cuando se dispone nicamente de medidas de inyecciones.
Clase
0
1
3
5
Error
parm. (%)
0
10
25
0
10
25
0
10
25
0
10
25
Errores medidas
estimadas (%)
0.0
0.0
0.0
1.69
1.69
1.69
5.08
5.08
5.08
8.46
8.46
8.46
Errores medidas
utilizadas (%)
0.0
1.78
5.34
8.90
Tabla 6.4: Inuencia del error de la susceptancia de una lnea cuando slo se
dispone de medidas de tensiones e inyecciones y se estima dicho parmetro.
Clase
0
1
3
5
Error
parm. (%)
0
10
25
0
10
25
0
10
25
0
10
25
Errores medidas
estimadas (%)
0.0
0.0
0.0
1.64
1.64
1.64
4.93
4.93
4.93
8.22
8.22
8.22
Errores medidas
utilizadas (%)
0.0
2.95
8.37
14.73
Tabla 6.5: Inuencia del error de la susceptancia de una lnea cuando slo se
dispone de medidas de tensiones y ujos y se estima dicho parmetro.
Inuencia del tipo de medidas disponibles
123
Tambin es interesante conocer qu resultados se obtienen de la estimacin

en funcin del nmero de muestras utilizadas, tal y como se estudi en la
Seccin 6.3, pero ahora desde el punto de vista del tipo de medidas disponibles.
Para ello, en la Figura 6.5 se representa el cociente entre el error medio de las
medidas usadas y el error del parmetro estimado cuando el nmero de estados
diferentes utilizados vara desde uno hasta veinticinco tal y como se hizo en
la Figura 6.1, pero aadiendo adems las curvas correspondientes a cuando se
dispone de medidas de tensiones e inyecciones y cuando se dispone de medidas
de tensiones y ujos.
Figura 6.5: Media del error de las medidas / Error del parmetro estimado
frente al nmero de estados procesados simultneamente con diferente redundancia.
Las tres curvas se han representado en la misma gura para poder analizar
ms claramente su inuencia, pudindose concluir que:
A medida que aumenta el nmero de estados procesados simultneamente la estimacin realizada es mejor.
Las medidas de inyecciones de potencia no son las adecuadas para realizar una buena estimacin, ya que como se vio en al Apartado 3.6
dichas medidas son menos sensibles a los errores en los parmetros que
las medidas de ujos. Adems, esta conclusin coincide plenamente con

la apreciada en las Tablas 6.4 y 6.5.
6.6 Estimacin de varios parmetros simultneamente

Hasta el momento siempre se ha discutido acerca de la inuencia tan negativa
que tienen los errores de los parmetros sobre la estimacin de estado. Sin
embargo, dicha inuencia slo se ha mostrado cuando exista un nica lnea
errnea. Asimismo, los resultados experimentales obtenidos corresponden a
un nico parmetro errneo.
En esta seccin se va a mostrar lo que ocurre cuando existe ms de un
parmetro errneo y los resultados experimentales obtenidos.
En particular, las guras que se presentan se han realizado, al igual que
el resto de las mostradas anteriormente, para distintos niveles de errores en
las medidas, diferentes errores en los parmetros y representando cada punto
la media de sesenta ensayos realizados con el n de que la muestra sea estadsticamente representativa. Adems, en cada uno de esos ensayos, se han
elegido cinco lneas distintas y escogidas arbitrariamente mediante un generador de nmeros aleatorios. Por lo tanto, al considerar que son cinco las lneas
errneas que se tienen y hacerse el ensayo sobre la red IEEE-14, la cual posee
veinte lneas en total, se est suponiendo que el 25 % de la red completa es
errnea, por lo que se trata de un caso muy desfavorable, ya que las lneas
errneas se encuentran muy prximas unas de otras.
Si se hubiese utilizado la red IEEE-118, al elegir aleatoriamente las cinco
lneas, estas normalmente estarn tan alejadas unas de otras que sus errores
son independientes unos de otros, cosa que en la red IEEE-14 no ocurre.
En la Figura 6.6 se representa la inuencia de los errores de las susceptancias de cinco lneas sobre las medidas de toda la red cuando no se estiman los
parmetros.
Las conclusiones que se obtienen de dicha gura son idnticas a las obtenidas en el Captulo 3 cuando se analiz la inuencia de una nica lnea errnea,
es decir:
Existe un notable deterioro a medida que el error en el parmetro crece.

Cuanto ms exactas sean las medidas de las que se dispone, mayor es la
inuencia que tienen los errores en los parmetros.
Optimalidad de los parmetros estimados
125
Figura 6.6: Inuencia del error en la susceptancia de cinco lneas sobre las
medidas de toda la red, con distintas clases.
En particular, es digno de destacar la notable inuencia que tiene el aumento del error en los parmetros cuando las telemedidas de las que se dispone
no tienen errores, es decir, son exactas.
Por ltimo, en la Figura 6.7 se muestran los resultados obtenidos cuando
se estiman los parmetros de las cinco lneas errneas utilizando siete estados
diferentes simultneamente.
El hecho de utilizar siete estados diferentes simultneamente, como se hizo
anteriormente, es debido a que se considera que ste es un compromiso bueno
entre la exactitud de la estimacin y el tiempo empleado en el procesamiento.
En dicha gura se puede observar que los estados estimados son insensibles a los errores en los parmetros a pesar de ser cinco las lneas errneas y
encontrarse tan prximas unas de otras.
6.7 Optimalidad de los parmetros estimados

Uno de los resultados ms importantes obtenidos es el hecho de que para un
conjunto de medidas con un determinado nivel de error, los valores de los
Figura 6.7: Inuencia del error en las susceptancias de cinco lneas sobre las
medidas de toda la red, con distintas clases, cuando se procesan siete estados
simultneamente.
Optimalidad de los parmetros estimados
Parmetro de partida
-8.806
-8.900
-9.000
-9.090
-9.270
127
Parmetro estimado
-8.906
-8.906
-8.906
-8.906
-8.906
Tabla 6.6: Valores estimados del parmetro para distintos valores de partida
de ste.
parmetros estimados son los mismos independientemente del valor de partida

de dicho parmetro, lo cual es lgico, ya que dicha informacin slo se ha usado
en el primer jacobiano. Este valor de partida del parmetro corresponde al dato
que se conoce de l.
Este resultado se puede observar en la Tabla 6.6, en la que se muestran
los valores estimados del parmetro de la lnea que une los nudos 7 y 9, para
distintos valores de partida de dicho parmetro, siendo las medidas de las que
se dispone de clase 1.
En concreto, el valor de partida 9.090 coincide con el valor exacto del
parmetro, por lo que se puede observar que el error cometido al realizar su
estimacin es de un 2.02 %.
Esta tabla, junto con las conclusiones obtenidas de la Tabla 6.3, indican
que los parmetros estimados son ptimos para un determinado nivel de ruido
y para una redundancia de las medidas utilizadas. As, si el valor de partida
del parmetro es muy bueno, es decir, es casi exacto, pero las medidas de las
que se dispone son de baja calidad, es posible que el parmetro estimado sea
peor que el de partida; y viceversa. De ah la importancia de la seleccin previa
de las lneas sospechosas.
Esto es debido al hecho de no haber utilizado la informacin previa existente
sobre el parmetro, tal y como se discuti en el Apartado 5.3.1, y por lo tanto
estimarse el parmetro de acuerdo con la informacin proporcionada por las
telemedidas que se poseen.
Parmetro de partida
-8.906
Parmetro estimado
-8.906
Tabla 6.7: Valor estimado del parmetro cuando se parte de un valor estimado
previamente.
6.8 Resultados del estimador con los parmetros

mejorados
Una vez que se ha estimado el parmetro errneo de una determinada lnea,
podra caber la posibilidad de utilizar el nuevo valor para volver a realizar
la estimacin con objeto de obtener un renamiento mayor en el parmetro
estimado.
Esto se ha realizado para la misma lnea utilizada en el Apartado 6.7, es
decir, la que une los nudos 7 y 9, y se ha obtenido el resultado representado en la
Tabla 6.7. sta es similar a la Tabla 6.6 pero utilizando como valor de partida
del parmetro el mismo que se haba obtenido de una estimacin anterior y
que, como se obtuvo en el Apartado 6.7, es ptimo para un determinado nivel
de ruido y redundancia de las medidas utilizadas.
Se puede observar que el nuevo parmetro estimado es el mismo que el
estimado con anterioridad ya que, como se dijo anteriormente, no se ha hecho
uso de la informacin previa existente sobre el parmetro.
Por lo tanto se puede concluir que, si se utiliza el estimador con los parmetros que previamente se hayan estimado, usando la misma redundancia y
con el mismo nivel de error en las telemedidas, no se obtiene ninguna mejora.
De esta manera, de una sola vez, se est considerando el mismo efecto que el
ltro de Kalman de forma recursiva.
6.9 Resumen
En este captulo se han presentado los resultados experimentales obtenidos al
realizar la estimacin de estado y de parmetros.
Dichos resultados se han obtenido utilizando la red IEEE-14 como si se
tratase de una subred en la que se encontrasen las lneas sospechosas objeto
de estudio. Adems, y al igual que se hizo en el Captulo 3, para que los
resultados puedan considerarse vlidos desde un punto de vista estadstico se
Resumen
129
han utilizado para cada uno de los puntos considerados en cada una de las
curvas representadas la media de sesenta estimaciones diferentes.
Lo primero que se ha hecho en este captulo ha sido justicar la utilizacin
de los parmetros de las lneas sospechosas como admitancias con objeto de
realizar una menor manipulacin de las ecuaciones y evitar las posibles singularidades que pudieran presentarse al considerar dichas lneas abiertas (Apartado
6.2).
En el Epgrafe 6.3 se ha analizado la inuencia del nmero de muestras
usadas, habindose obtenido como resultados que:
A medida que aumenta el nmero de estados procesados simultneamente la estimacin realizada es mejor.
Los estados estimados son insensibles a los errores en los parmetros.
Seguidamente, en el Apartado 6.4, se han estudiado los resultados obtenidos
teniendo en cuenta el nivel de error en las medidas, concluyndose que:
El error del parmetro estimado es proporcional al error medio del conjunto de medidas.
La relacin entre el error medio de las medidas y el error del parmetro
estimado slo es funcin del nivel de redundancia de dichas telemedidas.
adems de las conclusiones del Epgrafe 6.3.
A continuacin, al estudiar la inuencia del tipo de medidas disponibles
(Apartado 6.5), se ha obtenido que las medidas de inyecciones de potencia
no son las adecuadas para realizar una buena estimacin, ya que son menos
sensibles a los errores en los parmetros que las medidas de ujos.
En el caso de que existan varios parmetros sospechosos, stos pueden
estimarse conjuntamente, obtenindose unos resultados que son tan buenos
como los obtenidos cuando slo se estimaba un nico parmetro (Seccin 6.6).
Por ltimo, en los Apartados 6.7 y 6.8 se han obtenido unos resultados
sumamente interesantes:
Para un conjunto de medidas con un determinado nivel de error, los

valores de los parmetros estimados son los mismos independientemente
del valor de partida de dicho parmetro.
Los parmetros estimados son ptimos para un determinado nivel de
ruido y para una redundancia de las medidas utilizadas. Esto es debido
al hecho de no haber utilizado la informacin previa existente sobre el

parmetro y, por lo tanto, estimarse el parmetro de acuerdo con la
informacin proporcionada por las telemedidas que se poseen.
No se obtiene ninguna mejora si se utiliza el estimador con los parmetros

que previamente se hayan estimado, si se tiene la misma redundancia y
se dispone de telemedidas con el mismo nivel de error.
Bibliografa
131
132
BIBLIOGRAFA
Captulo 7
Aspectos Relacionados con la
Estimacin
7.1 Introduccin
Entre las funciones de cualquier centro de control, una de las ms importantes
es el anlisis de seguridad del sistema. Para llevarla a cabo son necesarios una
serie de mdulos entre los que se encuentran los siguientes:
Filtrado de grandes errores

Estimacin de estado
Observabilidad
Tratamiento de errores no gaussianos
Topologa de la red
Modelado de la red externa
Previsin de carga
Reparto de carga
Contingencias
ntimamente relacionados con la estimacin de estado se encuentran los
mdulos de anlisis de observabilidad, tratamiento de errores no gaussianos y
errores topolgicos, que sern los que se tratarn en el presente captulo.
133
134
Aspectos Relacionados con la Estimacin
Antes de realizar la estimacin de estado es necesario saber si es posible

realizarla, y por lo tanto si la red es observable, o en qu parte se puede realizar
la estimacin. As, si el conjunto de medidas es suciente, y geogrcamente
estn bien distribuidas, se puede obtener un estado estimado del sistema y la
red es observable.
Asimismo, es necesario saber si existen errores no gaussianos, ya que implcitamente se supone que los errores existentes son pequeos, pero ocasionalmente ocurre que existen errores no gaussianos debido a fallos en las medidas
o a otras razones.
Otro de los aspectos estrechamente relacionados con la estimacin es la
identicacin y estimacin de los errores topolgicos a n de disponer de la
verdadera conguracin de la red.
7.2 Observabilidad
La estimacin de estado procesa un conjunto de medidas redundantes que permite estimar el estado del sistema de potencia. Para ello utiliza las medidas
analgicas junto con la conguracin del sistema proporcionada por el procesador topolgico, los parmetros de la red y quiz alguna pseudomedida. Si
el conjunto de medidas es suciente en nmero y geogrcamente bien distribuidas, el estimador de estado proporcionar un estimado del estado del
sistema y la red ser observable.
Por lo general un sistema se disea para ser observable en la mayora de
las condiciones de operacin, aunque temporalmente puede no serlo debido a
que se produzcan cambios no previstos en la topologa de la red o fallos en los
sistemas de comunicacin.
Un anlisis de observabilidad debe incluir:
Test de observabilidad.
Identicacin de redes observables.
Ubicacin de medidas.
La mayora de los algoritmos de observabilidad se basan en una aproximacin al modelo de red linealizado desacoplado similar al modelo en el que
se analizan separadamente las porciones de la red (P ) y (Q V ). As, en
la prctica se analizan separadamente la observabilidad de (P ) y (Q V ),
ya que en condiciones de operacin normales slo hay un ligero acoplamiento
Observabilidad
135
entre las fases y los ujos de potencia reactiva y entre las tensiones y los ujos
de potencia activa.
Por lo tanto, el vector de estado se puede dividir en
x=
(7.1)
donde es el vector de fases de las tensiones de los nudos cuya dimensin es

N 1 y V es el vector de tensiones de los nudos cuya dimensin es N . De una
manera anloga, el vector de telemedidas z se puede dividir en dos subvectores
zP y zQ , conteniendo zP las telemedidas de potencia activa y zQ las telemedidas
de potencia reactiva y las medidas de tensiones. De este modo las ecuaciones
de las medidas quedan:
zP
zQ
hP (, V )
hQ (, V )
P
Q
(7.2)
Igualmente, la matriz jacobiano se puede escribir como:
H=
HP HP V
HQ HQV
(7.3)
En las condiciones de operacin normales en las que las magnitudes de las

tensiones de la red estn prximas a uno en por unidad y las diferencias entre
ngulos entre nudos adyacentes son pequeas hay poco acoplamiento entre
zP y V y entre zQ y . Por lo tanto, una aproximacin al modelo de red
desacoplado lineal modela exactamente las relaciones entre dichas cantidades.
En este modelo la matriz jacobiano de las medidas se aproxima mediante
HP
0
0 HQV
(7.4)
y, de forma anloga, la matriz jacobiano de restricciones se puede aproximar

por
CP
0
C
(7.5)
0 CQV
El modelo aproximado desacopla las ecuaciones de las medidas y las restricciones en las ecuaciones de (P ) y (Q V ):
zP = HP + P
0 = CP
(7.6)
(7.7)
136
zQ = HQV V + Q
0 = CQV V
(7.8)
(7.9)
Como consecuencia, el test de observabilidad de las ecuaciones (P ) y

(Q V ) se puede realizar separadamente y por lo tanto, el anlisis que se
desarrolla a continuacin se reere al problema activo.
7.2.1 Test de observabilidad

En [24, 25, 26] se propone un test numrico de observabilidad basado en la
determinacin del rango de H mediante la factorizacin triangular de la matriz
de ganancia:
G = HT W H = U T U
(7.10)
Si H es de rango N , entonces G es no singular y se puede hallar una matriz
triangular superior U tal que Uii > 0, i = 1, 2, . . . , N . Por otro lado, si el rango
de H es menor que N , es decir, N l, entonces el proceso de factorizacin
nalizar y U ser de la forma
U=
U11 U12
0
0
(7.11)
donde U11 es una matriz triangular superior de dimensin (N l) x (N l) y

elementos diagonales positivos.
En [38] se propone un mtodo de observabilidad numrica basado en la
matriz de coecientes del mtodo de la matriz aumentada de Hachtel (2.33):
0
0
C
1
H
K = 0 W
T
T
C
H
0
(7.12)
Si la red es observable entonces K es no singular.

En la prctica, con aritmtica de precisin nita, los elementos de la matriz
que tericamente tienen valor cero debido a sustracciones no lo sern exactamente. Por ello, es necesario un umbral numrico para los elementos de U
y declarar que todos los elementos de U cuyos valores sean inferiores a dicho
umbral son cero. La eleccin de dicho umbral depender tanto de la red como
del ordenador utilizado.
Para la determinacin de la observabilidad tambin existen mtodos topolgicos como los propuestos en [17, 21, 31].
Observabilidad
137
7.2.2 Identicacin de redes observables

Aun cuando la red no sea observable es deseable determinar una porcin del
estado estimado. Esto se puede realizar:
Utilizando pseudomedidas que aumenten las medidas obtenidas en tiempo real.

Calculando el estado estimado de la porcin de red que es observable.
En el primer caso, adems de las medidas obtenidas en tiempo real se
utilizan las pseudomedidas. stas son normalmente inyecciones en nudos cuyos
valores se estiman mediante algn tipo de previsin de carga en el nudo y se
localizan en aquellos cuyas inyecciones no son medidas.
Cuando se detecta que una red no es observable se puede utilizar un algoritmo de observabilidad que permita procesar una lista de pseudomedidas
candidatas y que determine el nmero mnimo necesario de stas para que la
red sea observable. Es importante que el conjunto de pseudomedidas utilizadas
sea mnimo debido a que un nmero excesivo de stas puede degradar la exactitud de la estimacin de la porcin observable de la red. En [12] se referencian
diversos mtodos de procesamiento de las pseudomedidas.
Si lo que se hace es determinar la porcin observable de la red y calcular el
estado estimado de esa zona solamente, se puede utilizar el mtodo propuesto
en [25] que se basa en que cuando H no es de rango completo, segn (7.11), U
tiene un bloque de ceros en su parte inferior. Utilizando como medidas cticias
ujos de potencia nulos en la red, entonces todos los nudos que pertenecen a la
misma isla observable tienen la misma fase y resolviendo el sistema mediante
eliminacin gaussiana se obtiene el siguiente sistema de ecuaciones:
U11 U12
0
0
1
2
U11 1 = U12 2
0
0
(7.13)
(7.14)
El nmero de islas observables es igual a la dimensin de 2 , incluyendo

las triviales que slo contienen un nudo. Una vez resuelta la ecuacin anterior
para 1 , todos los nudos que tengan la misma fase pertenecen a la misma isla.
La unin de todas las islas observables que contienen ms de un nudo identica
la porcin observable de la red.
La porcin de red observable se puede identicar tambin utilizando un
algoritmo topolgico como los propuestos en [10, 31].
138
7.2.3 Ubicacin de medidas

Como se dijo anteriormente, un anlisis de observabilidad debe incluir tambin
el estudio de la ubicacin de medidas. El diseo de un sistema de medidas que
permita realizar la estimacin de estado es un problema complejo, no slo por
el tamao del problema, sino tambin por los requerimientos de la exactitud del
estimador, seguridad ante fallos en los transductores, facilidad de adaptacin
ante cambios en la topologa de la red y minimizacin del costo del sistema.
Una formulacin rigurosa del emplazamiento ptimo de las medidas se
basara en la resolucin de un problema de programacin binario (0 1) ya
que una determinada medida en un punto determinado o se encuentra presente o no se encuentra. Pero este tipo de problemas en sistemas de gran
dimensin son muy difciles de resolver de una manera exacta, por lo que los
sistemas propuestos para el emplazamiento de las medidas se basan en la formulacin de problemas no rigurosos, en tcnicas de resolucin heursticas o en
una combinacin de ambos.
Los primeros planteamientos del problema se hicieron en [7, 15, 32] pero
ninguno de estos mtodos propuestos ha proporcionado un procedimiento sistemtico que pueda utilizarse como criterio de emplazamiento ptimo de las
medidas.
En [19] se describe un procedimiento heurstico, denominado mtodo de
eliminacin secuencial, que se utiliza para determinar un conjunto de medidas.
Se dene un vector y de dimensin k que se desconoce debido a los errores
aleatorios que existen en las medidas. Los componentes de dicho vector son
las denominadas cantidades de inters.
El sistema de medidas se elige optimizando la exactitud de y mediante la
formulacin del siguiente problema de optimizacin:
minimizar
sujeto a:
J =
k
i=1
2
yi i2
2
yi /i2
(7.15)
siendo:
2
yi la varianza de la variable aleatoria yi .
2
i2 un determinado lmite superior de yi .
Para poder evaluar J es necesario calcular los elementos de la diagonal de

la matriz de covarianzas de y , Py .
Errores no gaussianos
139
El mtodo comienza utilizando medidas en todos los posibles nudos del sistema y posteriormente se van eliminando sistemticamente las medidas una a
una. Analizando un momento determinado del proceso, la medida que provoca el menor incremento de J y no causa violaciones en las restricciones de
desigualdad es la que se eliminar.
La eliminacin de las medidas nalizar cuando al eliminar alguna de las
que queden se provoque una violacin de las restricciones o cuando se alcance
un nmero de medidas especicado.
Este mtodo tiene dos defectos: las restricciones econmicas no se modelan
directamente y la tcnica de optimizacin es heurstica. Debido a este segundo
defecto, no se garantiza que se llegue a una solucin globalmente ptima.
Basndose en modicaciones y extensiones de este mtodo, en [1] se describe otra metodologa de emplazamiento de las medidas. En lugar de calcular
Py analticamente se utiliza la simulacin de Monte Carlo, ya que el clculo de
Py es muy costoso para sistemas de gran dimensin. El mtodo propuesto se
divide en tres fases.
En la primera fase se utiliza el mtodo de [19] para seleccionar las medidas
que se van a eliminar. Esta fase contina hasta que se alcanza un determinado
nivel de redundancia. En la segunda fase, un determinado nmero de medidas
adicionales se eliminan utilizando el mismo mtodo de eliminacin de la fase
anterior. Esto se realiza con objeto de permitir la reinsercin de medidas en la
tercera fase del algoritmo. En la tercera fase, las medidas se aaden con objeto
de disminuir la sensibilidad de J a la prdida de medidas y datos con errores
no gaussianos. Esta tercera fase contina hasta que el nmero de medidas
aadidas sea igual al de eliminadas en la segunda fase.
Este mtodo se ha usado ampliamente en la red de transporte noruega
habindose obtenido buenos resultados tanto cuando el conjunto de medidas
iniciales como cuando las condiciones de carga cambian. Sin embargo, el mtodo es sensible a la variacin de la topologa de la red, por lo que se recomienda
la utilizacin de puntos de medida adicionales que permitan al sistema de
medidas ser ms robusto ante cambios topolgicos.
7.3 Errores no gaussianos

Los errores no gaussianos pueden ser debidos a:
Errores en los parmetros tales como posicionamiento incorrecto del intercambiador de tomas, modelado incorrecto de los transformadores o
140
incorrectas impedancias de ramas.
Topologa de la red incorrecta, debido posiblemente a la actualizacin

manual de las posiciones de los interruptores o a la descripcin incorrecta
de la topologa de la red.
Dispositivos de medidas errneos o errores en la transmisin de datos.
Los errores de las medidas se pueden clasicar en uno de los siguientes
grupos:
Error extremo: |medida - valor exacto| > 20 .

Error grosero: |medida - valor exacto| = (5 20) .
Ruido normal: |medida - valor exacto| < 5 .
Aunque los errores pertenezcan al primer grupo, si la redundancia local lo
permite, pueden ser ltrados mediante un anlisis previo antes de comenzar
las iteraciones de la estimacin de estado. Los errores del segundo grupo
son peligrosos debido a que pueden conducir a resultados no ables, por ello
estos son los errores de los que se ocupa el mdulo de anlisis de errores no
gaussianos.
El anlisis de errores no gaussianos consta de tres etapas:
1. Determinacin de la presencia de errores no gaussianos.
2. Identicacin de qu medidas son errneas.
3. Eliminacin de las medidas errneas del estado estimado o su sustitucin.
7.3.1 Determinacin de la presencia de errores

La presencia de medidas errneas queda reejada en los residuos de las medidas, es decir, en la diferencia entre los valores de las telemedidas y las estimadas [37], y se plantea como un problema de test estadstico con las siguientes
hiptesis:
H0 : No existen medidas errneas.

H1 : Lo anterior es falso.
141
Para proceder a la aceptacin de una de las dos hiptesis se utiliza el test

del ndice J(x):
J(x) = T W
(7.16)
siendo
= z h(x)
(7.17)
J(x) se obtiene como suma de los cuadrados de variables aleatorias independientes con distribucin normal cuya media es 0 y su desviacin tpica es
, por lo que J(x) es una 2 de Pearson de k grados de libertad:
2
2
2
2
2 = 1 + 2 + 3 + . . . + k
(7.18)
k = mn
n = 2N 1
(7.19)
(7.20)
con
Si el valor calculado de J(x) es menor que un cierto umbral se acepta la

hiptesis H0 y en caso contrario H1 . El valor es una constante que se calcula
de la distribucin 2 . Dicha constante se elige de forma que la probabilidad
de rechazar la hiptesis H0 , supuesta sta cierta, sea 1 , en donde es el
nivel de conanza.
7.3.2 Identicacin de medidas errneas

Despus de la deteccin de medidas errneas se procede a identicar cules
son. La identicacin se basa en suponer que la medida de mayor residuo
normalizado es errnea.
Sea rx el residuo de las variables de estado y r el residuo de las medidas:
rx = x x
r = zz
donde x es la variable estimada y z es la medida estimada.
Considerando
z = h(x) +
(7.21)
(7.22)
(7.23)
con
E() = 0
E( T ) = R
(7.24)
(7.25)
142
se puede demostrar [14] que (ver Apndice A):
E(rx ) = 0
T
E(rx rx ) = Px = (H T W H)1 = G1
E(rrT ) = Pz = R HG1 H T
(7.26)
(7.27)
(7.28)
siendo Px la matriz de covarianzas de la estimacin y Pz la residual. Por lo

tanto, los residuos tienen una distribucin normal con media cero y covarianza
igual a los elementos de la diagonal de Pz y J(x) es una 2 de m n grados
de libertad.
Si J(x) > 2
mn,p se puede deducir, con una probabilidad de error p, que
al menos una medida es errnea, siendo la medida que tiene mayor residuo
normalizado rN la que se considera errnea [9] y siendo
ri
rN =
(Pz )ii
(7.29)
Para identicar el dato errneo es necesario calcular los elementos de la

diagonal de Pz :
T
Hij (H T W H)1 Hki
jk
(Pz )ii = Rii

j
(7.30)
De aqu se deduce que los elementos (H T W H)1 necesarios son aquellos

jk
T
que cumplen que Hij Hij = 0, por lo que slo estn implicados los elementos de
la matriz H T W H que son distintos de cero antes de invertir y se puede utilizar
el mtodo de la matriz inversa dispersa [35, 40] como se detalla a continuacin.
Sea A una matriz simtrica dispersa cuya inversa es Z :
AZ = I
(7.31)
Sustituyendo A en (7.31) por su forma factorizada:
LDLT Z = I LT Z = D1 L1
(7.32)
Deniendo la matriz T = I LT se puede expresar (7.32) como:
Z = D1 L1 + T Z
(7.33)
siendo D una matriz diagonal y T una matriz triangular superior cuya diagonal
es cero.
De este razonamiento hay que hacer especial mencin de que:
143
La matriz L es una matriz triangular cuya diagonal es unitaria y por lo

tanto, su inversa tiene las mismas propiedades, es decir, la diagonal de
D1 L1 es igual a D1 .
La matriz Z es simtrica debido a que A lo es, por lo que para calcular
Z es suciente con calcular su parte superior Zs , es decir, los elementos
Zij tales que j i.
Por lo tanto, L1 no se utiliza en el clculo de Zs , siendo:
Zs = D1 + T Z
(7.34)
Hay que destacar que debido a la peculiar estructura de T , el clculo de

los elementos de la la k de Zs slo requiere el uso de los elementos de las las
procesadas anteriormente:
zii = dii +
tik zki
(7.35)
zij =
tik zkj
(7.36)
siendo k > i, y que para calcular zij es necesario encontrar previamente todos
los elementos zkj con k tal que tik = 0.
7.3.3 Eliminacin de medidas errneas

Por ltimo, para nalizar el anlisis de errores no gaussianos, se procede a la
eliminacin de las medidas errneas o a su sustitucin por
zin = zie
2
i
(Pz )ii
(zie zi )
siendo:
zin la medida nueva.

zie la medida errnea.
zi la medida estimada.
Existen dos formas de sustituir o eliminar las medidas falsas:
(7.37)
144
Eliminacin ordenada.
Eliminacin por grupos.
En el primer caso se sustituye la medida cuyo residuo sea mayor y se vuelve
a estimar el estado con la nueva medida. Si la deteccin vuelve a ser positiva
se sustituye la medida que tenga ahora el mayor residuo y as sucesivamente.
En el segundo caso se sustituyen todas las medidas correspondientes a
residuos mayores a un cierto valor.
7.4 Errores topolgicos

El modelo de la red est basado en la informacin esttica provista en la
inicializacin de la base de datos y en la informacin dinmica recogida por
el SCADA. La informacin que describe la red no cambia desde la ejecucin
de una estimacin de estado a la siguiente, como ocurre con los generadores,
lneas, transformadores, etc. La informacin dinmica la proporciona el SCADA indicando la posicin de los interruptores, las medidas analgicas y las
tomas de los transformadores. Esta informacin, tanto esttica como dinmica es la que se utiliza para analizar la red.
Si la informacin esttica es incorrecta el modelo ser errneo. Un ejemplo
tpico de esto es la conexin de una lnea a un embarrado. As, una lnea que
fsicamente est conectada a la barra A pero que se ha representado conectada
a la barra B, se encontrar de verdad conectada a la barra B cuando se cierre
el acople. Por lo tanto, mientras el acople se encuentre abierto la topologa de
la red ser errnea.
La mayor fuente de errores topolgicos es el no conocimiento o conocimiento
incorrecto del estado de los interruptores. Esto normalmente ocurre cuando
aparece parpadeando la indicacin del posicionamiento de los interruptores,
cuando se indica que se encuentra cerrado y abierto al mismo tiempo, cuando
se produce un fallo en la transmisin o se queda incomunicada la subestacin
durante un periodo de tiempo, etc.
Tambin puede ocurrir que se cambie la posicin del interruptor manualmente y el operador no actualice esta modicacin. Esto mismo puede ocurrir
en los seccionadores, los cuales normalmente no se encuentran telemandados
y cuya operacin se realiza localmente.
Esta indenicin de la posicin del interruptor o seccionador es la que obliga
a suponer una posicin del interruptor. El criterio que se considera en estos
Errores topolgicos
145
casos puede ser el considerar la posicin de explotacin normal de ese elemento

o la posicin ms reciente en la que se encontraba. Esta suposicin se utiliza
para la realizacin de los clculos pertinentes de la estimacin pero no implica,
lgicamente, que el estado de la red sea el correcto.
Estos errores topolgicos afectan al estimador de estado y esto conduce a:
Obtencin de un vector de estado incorrecto.

Deteccin falsa de medidas errneas.
Violaciones errneas de lmites.
Entradas incorrectas en otras funciones de anlisis.
Modelos de red no ables.
7.4.1 Identicacin y estimacin de errores topolgicos

Este problema se ha estudiado desde diversos puntos de vista. As, en [22] se
propone el estudio basndose en el cambio del estado de las ramas sospechosas,
una despus de otra, realizando una estimacin de estado en cada caso, y si
despus de invertir el estado de la rama los residuos obtenidos estn dentro de
un umbral, entonces el estado original se considera falso.
Posteriormente, en [20] se restringe el rea del problema ya que se selecciona
mediante el nmero de medidas errneas detectadas en los nudos adyacentes y
se realizan mltiples estimaciones de estado para todas las posibles combinaciones de los interruptores en una o ms de las subestaciones sospechosas. La
correcta combinacin del estado de los interruptores proporcionar el residuo
mnimo.
Otros mtodos se basan en un reparto de carga local y detectan un error
topolgico si los ndices calculados despus del reparto de carga exceden los
lmites establecidos [5, 11].
La mayora de los mtodos de identicacin de errores topolgicos se llevan
a cabo una vez que se ha realizado la estimacin de estado satisfactoriamente
a pesar de existir errores topolgicos. En el caso de que la estimacin no
converja no se tendr ningn punto de inicio por lo que los mtodos dependen
enormemente de las condiciones y caractersticas de la operacin.
Adems, los residuos se ven afectados en gran medida por los errores gaussianos y no gaussianos de las medidas analgicas. En algunos casos los errores
146
no gaussianos de las medidas analgicas pueden hacer que el anlisis de residuos no sea able [23].
Existen las siguientes condiciones sucientes para la no detectabilidad y no
identicabilidad de errores topolgicos:
1. Si una rama es irrelevante, un error topolgico que afecte a dicha rama
no ser detectable [39].
2. La conguracin errnea de una rama irrelevante no es detectable si
todas las medidas relacionadas con ella son crticas o se convierten en
crticas como consecuencia de esa conguracin errnea [11, 39].
3. Si dos ramas forman un par crtico de ramas, entonces un error topolgico
que afecte a dichas ramas no es identicable [11].
Entendindose que:
Elementos de red son las lneas de transmisin, transformadores, reactancias y condensadores.

Un elemento es irrelevante cuando no se tiene ninguna medida de l.
Una medida est relacionada con un elemento de la red si se trata de
una medida de inyeccin en uno de los nudos terminales o del ujo de
potencia en ese elemento.
Una rama es una rama crtica de una medida en una red observable si al
quitarla hace que el resto de la red sea no observable.
Dos ramas forman un par crtico de ramas de una medida en una red
observable si al quitarlas hacen que el resto de la red sea no observable,
mientras que si slo se quita una la red sigue siendo observable.
Como se ha dicho, las tres condiciones dadas son sucientes para la no
detectabilidad y no identicabilidad. Para la detectabilidad slo se han deducido condiciones sucientes en casos muy particulares [11], mientras que las
condiciones necesarias y sucientes para la detectabilidad y/o identicabilidad
no se han podido deducir an.
Los ms recientes trabajos publicados en el rea de identicacin de errores
topolgicos son [3, 13, 18, 28, 29, 33, 34].
En [34] se propone un preprocesador basado en una serie de reglas que
sirven para analizar las condiciones antes y despus de cerrar el interruptor.
Errores topolgicos
147
En este mtodo se analiza si los resultados obtenidos con las medidas analgicas
existentes y el estado de los interruptores son consistentes.
En [28, 29] se estiman los ujos de potencia a travs de los interruptores
sospechosos con objeto de evitar la impedancia cero que se encuentra asociada
con ellos. Adems, se incluyen una serie de restricciones de igualdad con objeto
de no disminuir la redundancia existente.
El mtodo propuesto en [13] se basa en los multiplicadores de Lagrange normalizados. El mtodo es similar al utilizado para el procesamiento de errores
no gaussianos.
En [33] se propone un algoritmo que determine un ndice de correlacin
entre las medidas y los elementos sospechosos. ste estar incluido dentro de
una estrategia general basada en las siguientes etapas:
1. Pruebas de validacin realizada en la etapa de preltrado.
2. Pruebas realizadas durante la estimacin.
3. Procesamiento a posteriori que utilice la informacin obtenida en las
etapas anteriores.
Aunque en muchos casos los errores topolgicos se pueden detectar e identicar con los datos que se tienen en la etapa de preltrado, existen situaciones
dudosas que precisan de unos algoritmos ms elaborados que se ejecutarn en
la segunda etapa. Uno de estos algoritmos es el que se presenta en [33] y
con l se pretende conrmar la presencia de una mala conguracin que se
hubiera detectado durante la primera etapa o resolver algn caso de duda que
se hubiese presentado.
El mtodo propuesto trata de cuanticar la correlacin existente entre los
valores identicados como medidas con errores no gaussianos, y que en dicho
artculo se denominan medidas sintomticas, y las medidas que, en unas determinadas condiciones de operacin, se esperan que sean las ms afectadas de
los posibles errores topolgicos y que se denominan medidas sensibles. Estas
medidas se determinan a travs de un anlisis de sensibilidad de los residuos
con respecto a los ujos de los elementos de red. El mtodo propuesto se llevar a cabo cuando se detecte alguna anomala al haber ejecutado las rutinas
de deteccin de errores no gaussianos.
El autor de este mtodo reconoce que existen situaciones dudosas como es
el caso en el que existan varias medidas analgicas errneas y que coincidan con
los sntomas de un error topolgico. Estos casos requerirn alguna estimacin
148
posterior que permita identicar la causa real del problema. Estas estimaciones
posteriores se pueden realizar de una manera metdica segn [27].
En [3] se describe qu errores del estado de los interruptores se pueden
detectar e identicar en presencia de medidas analgicas errneas utilizando
tcnicas de estimacin de estado de mnimos valores absolutos y aplicando
una estimacin en dos etapas tal y como se describe en [30]. El mtodo de
resolucin del estimador de estado de mnimos valores absolutos desarrollado
en dos fases se basa en [2].
Aunque intuitivamente los interruptores se relacionan con ramas con impedancia cero, realmente existen dos casos:
Interruptores de lneas, transformadores y elementos shunt, y que por lo

tanto se encuentran en serie con impedancias no nulas.
Interruptores que se encuentran dentro de subestaciones con ms de una
barra y que sirven para conectar unas a otras (acoples).
El mtodo propuesto en [18] es un mtodo simple para estimar exactamente el estado abierto o cerrado de los interruptores del primer tipo, es decir,
aqullos que se encuentran asociados a impedancias no nulas.
Cuando existe suciente redundancia local en el conjunto de medidas, se
puede estimar el estado abierto o cerrado del interruptor de una determinada lnea aadiendo simplemente una variable extra, k , al vector de estado y
sustituyendo los parmetros de la rama G, B y B shunt por kG, kB y kB shunt ,
respectivamente, en aquellas expresiones en las que aparece.
Si el valor de k estimado es prximo a 1 el interruptor se encuentra cerrado
y la lnea en servicio, mientras que si el valor obtenido est prximo a cero, el
interruptor se encuentra abierto. Sin embargo, en la prctica, el valor estimado
de k puede diferir signicativamente de los valores 0 1 debido a los errores de
las medidas. Ms an, si existen errores no gaussianos en las proximidades de
la lnea de la cual se tienen dudas, el valor estimado de k puede estar en torno
a 0.5 y, en ese caso, no se puede saber si el interruptor se encuentra cerrado o
abierto. Por ltimo, y como consecuencia de todo esto, si k no toma su valor
entero (0 1), los valores estimados del vector de estado sern menos exactos.
Con objeto de evitar estos problemas, se utiliza la siguiente restriccin de
igualdad
k(1 k) = 0
(7.38)
de manera que se fuerce a k a tomar cualquiera de sus dos posibles valores
discretos.
Errores topolgicos
149
Si las medidas adyacentes hacen a k observable, entonces la anterior restriccin constituye una informacin redundante cuyo nico objetivo es renar
el valor estimado de k . Por otro lado, cuando k no es observable, la restriccin
de igualdad propuesta no es til ya que, dependiendo del punto de comienzo
en las iteraciones, se pueden obtener las dos posibles soluciones (multiplicidad
de soluciones). Esto ocurre, por ejemplo, cuando no se miden ni los ujos en
la rama ni las inyecciones en los nudos adyacentes (rama irrelevante). En este
caso, incluso si las tensiones de los nudos extremos de la rama son observables, tanto las inyecciones como el estado abierto o cerrado del interruptor
permanecen indeterminados.
Este mtodo presenta las siguientes ventajas al compararlo con otros propuestos en la literatura:
Al modelo de estimacin nicamente se le aade una variable extra y,

consecuentemente, una restriccin de igualdad. Esto es ms natural que
utilizar dos ujos de potencia para representar el estado de la rama que,
realmente, es una nica informacin.
Gracias a la restriccin asociada, se garantiza la naturaleza discreta de la
variable aadida, por lo que no existe forma de que la lnea se encuentre
cerrada, por ejemplo, al 90 %, es decir, o la lnea se encuentra cerrada o
se encuentra abierta.
Por todo lo expuesto, el mtodo propuesto se puede aplicar a cualquier
mtodo de estimacin de estado. As, aunque es lgico utilizarlo en aquellos
mtodos que modelan explcitamente las restricciones de igualdad [6, 8, 16], la
ecuacin (7.38) tambin puede ser tratada como una medida muy exacta, por
lo que se puede utilizar la factorizacin ortogonal de la matriz jacobiano a n
de prevenir el mal condicionamiento que se presenta al utilizar las ecuaciones
normales cuando existen factores de peso grandes [36]. La solucin numrica
que se presenta a continuacin se adapta a esta segunda forma.
Suponiendo que se va a estimar el estado de la rama que conecta los nudos
i y j , lo cual viene representado por la variable k , entonces las nicas las de
la matriz jacobiano relacionadas con la nueva variable de estado son los correspondientes ujos de potencia a travs de la rama, las inyecciones de potencia
en los nudos extremos de dicha rama y la medida virtual proporcionada por la
ecuacin (7.38).
Los ujos de potencia que atraviesan la rama y salen del nudo i se pueden
150
expresar de la siguiente manera:
Pij (k) = kPij

Qij (k) = kQij
(7.39)
(7.40)
siendo Pij y Qij los ujos de potencia convencionales como si k = 1.

Igualmente, las inyecciones de potencia en el nudo i se pueden expresar
como una funcin de k de la siguiente forma:
Pim + kPij
(7.41)
Qim + kQij
Pi (k) =
(7.42)
m i,m=j
Qi (k) =
m i,m=j
Intercambiando i por j en las ecuaciones (7.39)-(7.42) se pueden obtener los

ujos de potencia a travs de la rama en sentido opuesto y las inyecciones de
potencia en el nudo j .
Los nicos elementos no nulos que aparecen en la columna extra de la
matriz jacobiano son:
[k(1 k)]
= 1 2k
(7.43)
k
obtenido de la ecuacin (7.38), as como:
Pij (k)
Pi (k)
=
= Pij
k
k
Qij (k)
Qi (k)
=
= Qij
k
k
(7.44)
(7.45)
(7.46)
y sus equivalentes correspondientes al nudo j . Asimismo, de las ecuaciones

(7.39)-(7.42) se puede observar que los elementos de la matriz jacobiano de los
parmetros serie y shunt de la rama sospechosa deben ser multiplicados por k .
A diferencia de lo que ocurre en [28, 29], en este mtodo Pij y Qij no son
variables de estado, sino que nicamente representan las ecuaciones no lineales
de los ujos de potencia en forma compacta.
Respecto al punto de inicio k0 adoptado para la variable k , los resultados
experimentales muestran que el proceso de estimacin converge sistemticamente a k = 1 si k0 > 1/2 y a k = 0 si k0 < 1/2, al menos cuando la ecuacin
(7.38) se trata como una medida muy exacta. Por ello, siempre se adopta el
valor k0 = 1/2, lo que signica que el trmino de la matriz jacobiano dado por
Resumen
151
la ecuacin (7.43) es nulo. Adems, como tanto Pij como Qij son prximos a
cero al comienzo de las iteraciones, la matriz jacobiano est mal condicionada
o es singular durante la primera iteracin. Por ello, la nueva variable k solamente se incluir despus de la primera iteracin tal y como se sugiere en
[4].
El mtodo propuesto puede resumirse de la siguiente manera:
Realizar la primera iteracin y corregir el vector de estado. En esta

iteracin, la nica diferencia con un estimador convencional es el factor
k0 = 1/2, el cual afecta a los parmetros de la rama de cuyo estado se
duda.
Desde la segunda iteracin en adelante, aadir la restriccin de igualdad
(7.38) al modelo e incluir la variable k al vector de estado. El efecto de
esta restriccin slo se notar al nal de la tercera iteracin, ya que el
valor de k es 1/2 durante la segunda iteracin.
7.5 Resumen
En este captulo se han presentado tres aspectos ntimamente relacionados con
la estimacin de estado:
Observabilidad.
Deteccin de errores no gaussianos.
Errores topolgicos.
En el Apartado 7.2 se han estudiado las partes de que consta un anlisis
de observabilidad:
Test de observabilidad.
Identicacin de redes observables.
Ubicacin de medidas.
A continuacin, en la Seccin 7.3 se han analizado las causas que pueden
producir errores no gaussianos y se han estudiado las etapas del anlisis de
errores no gaussianos:
Determinacin de la presencia de errores no gaussianos.
152
Identicacin de qu medidas son errneas.

Eliminacin o sustitucin de las medidas errneas del estado estimado.
Por ltimo, en el Apartado 7.4 se ha estudiado la identicacin y estimacin
de errores topolgicos como uno de los aspectos relacionados con la estimacin
de parmetros, habindose presentado, entre otros, un mtodo de estimacin
de errores topolgicos estrechamente relacionado tanto con la estimacin de
estado como con la de parmetros.
Bibliografa
[1] Aam S., Holten L., Gjerde O., Design of the Measurement System for
State Estimation in the Norwegian High Voltage Transmission Network.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-102, pp.
3769-3777, December 1983.
[3] Abur A., Kim H., elik M., Identifying the Unknown Circuit Breaker
Statuses in Power Networks. IEEE Transactions on Power Systems, Vol.
10, No. 4, pp. 2029-2037, November 1995.
[4] Abur A., Gmez A., Detecting Multiple Solutions in State Estimation in
the Presence of Current Magnitude Measurements. IEEE Transactions
on Power Systems, Vol. 12, No. 1, pp. 370-375, February 1997.
[5] Allam M., Rashed A., Power System Topological Error Detection and
Identication. Electrical Power & Energy Systems, Vol. 2, No. 4, pp.
201-205, October 1980.
[6] Alvarado F., Tinney W., State Estimation Using Augmented Blocked
Matrices. IEEE Transactions on Power Systems, Vol. 5, No. 3, pp. 911921, August 1990.
[7] Ariatti F., Marzio L., Ricci P., Designing State Estimation in View of
Reliability. Proceedings Power System Computation Conference, Paper
2.3/8, September 1975.
[8] Aschmoneit F., Peterson N., Adrian E., State Estimation with Equality
Constraints. Tenth PICA Conference Proceedings, Toronto, pp. 427-430,
May 1977.
153
154
BIBLIOGRAFA
[9] Broussolle F., State Estimation in Power Systems: Detecting Bad Data
Through the Sparse Inverse Matrix Method. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-97, pp. 678-682, 1978.
[10] Clements K., Krumpholz G., Davis P., Power System State Estimation
with Measurement Deciency: An Algorithm that Determines the Maximal Observable Subnetwork. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-101, pp. 3044-3052, September 1982.
[11] Clements K., Davis P., Detection and Identication of Topology Errors
in Electric Power Systems. IEEE Transactions on Power Systems, Vol. 3,
No. 4, pp. 1748-1753, November 1988.
[12] Clements K., Observability Methods and Optimal Meter Placement.
Electrical Power & Energy Systems, Vol. 12, No. 2, pp. 88-93, April 1990.
[13] Clements K., Simes-Costa A., Topology Error Identication Using Normalized Lagrange Multipliers. IEEE Transactions on Power Systems, Paper PE-957-PWRS-1-07-1997, 1997.
[14] Dopazo J., Klitin O., Sasson A., State Estimation for Power System
Detection of Gross Measurement Errors. PICA Conference Proceedings,
Minneapolis, 1973.
[15] Edelmann H., A Universal Assessment for the Superior Quality of Distribution of Measuring Points for the State Estimation of High Voltage
Networks. Proceedings Power System Computation Conference, Paper
2.3/7, September 1975.
[16] Gjelsvik A., Aam S., Holten L., Hachtel's Augmented Matrix Method A Rapid Method Improving Numerical Stability in Power System Static
State Estimation. IEEE Transactions on Power Apparatus and Systems,
Vol. PAS-104, pp. 2987-2993, November 1985.
[17] Gmez A., Martnez J., Romero E., Ruiz J., Luque A., An Improved
Topological Observability Algorithm. Proceedings 11th. Power System
Computation Conference, pp. 627-631, Avignon, France, September 1993.
[18] Gmez A., Zarco P., Quintana, V., Accurate Estimation of Circuit Breaker Positions. Proceedings of Large Engineering Systems Conference on
Power Engineering, pp. 11-14, Halifax, Canada, June 1998.
BIBLIOGRAFA
155
[19] Koglin H., Optimal Measuring System for State Estimation. Proceedings
Power System Computation Conference, Paper 2.3/12, September 1975.
[20] Koglin H., Oeding D., Schmitt K., Identication of Topological Errors in
State Estimation. 2nd. PSMC, IEE Durham, pp. 140-144, 1986.
[21] Krumpholz G., Clements K., Davis P., Power System Observability: A
Practical Algorithm Using Network Topology. IEEE Transactions on
Power Apparatus and Systems, Vol. PAS-99, pp. 1534-1542, July/August
1980.
[22] Lugtu R., Hackett D., Liu K., Might D., Power System State Estimation:
Detection of Topological Errors. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-99, No. 6, pp. 2406-2412, November/December
1980.
[23] Mili L., Van Cutsem T., Ribbens-Pavella M., Bad Data Identication
Methods in Power System State Estimation. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, No. 11, pp. 3037-3049, November
1985.
[24] Monticelli A., Wu F., Network Observability: Identication of Observable Islands and Measurement Placement. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-104, pp. 1035-1041, May 1985.
[25] Monticelli A., Wu F., Network Observability: Theory. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, pp. 1042-1048,
May 1985.
[26] Monticelli A., Wu F., Observability Analysis for Orthogonal Transformation based State Estimation. IEEE Transactions on Power Systems, Vol.
1, pp. 201-208, February 1986.
[27] Monticelli A., Wu F., Yen M., Multiple Bad Data Identication for State
Estimation by Combinatorial Optimization. IEEE Transactions on Power
Delivery, Vol. 1, No. 3, pp. 361-369, July 1986.
[28] Monticelli A., Garcia A., Modeling Zero Impedance Branches in Power
No. 4, pp. 1561-1570, November 1991.
156
BIBLIOGRAFA
[29] Monticelli A., The Impact of Modeling Short Circuit Branches in State
Estimation. IEEE Transactions on Power Systems, Vol. 8, No. 1, pp.
364-370, February 1993.
[30] Monticelli A., Modeling Circuit Breakers in Weighted Least Squares Estimation. IEEE Transactions on Power Systems, Vol. 8, No. 3, pp. 11431149, August 1993.
[31] Mori H., Tsuzuki S., A Fast Method for Topological Observability Analysis Using a Minimum Spanning Tree Technique. IEEE Transactions on
1970.
[33] Simes-Costa A., Leo J., Identication of Topology Errors in Power
No. 4, pp. 1531-1538, November 1993.
[34] Singh N., Glavitsch H., Detection and Identication of Topological Errors
in Online Power Analysis. IEEE Transactions on Power Systems, Vol. 6,
No. 1, pp. 324-331, February 1991.
[35] Takahashi, Fagan, Chen, Formation of a Sparse Bus Impedance Matrix.
8th. PICA Conference, Minneapolis, June 1973.
[36] Vempati M., Slutsker I., Tinney W., Enhancements to Givens Rotations
for Power System State Estimation. IEEE Transactions on Power Systems, Vol. 6, No. 2, pp. 842-849, May 1991.
[37] Wood A., Wollenberg B., Power Generation, Operation & Control. John
Wiley & Sons, Inc., 1984.
[38] Wu F., Liu W., Holten L., Gjelsvik A., Aam A., Observability Analysis
and Bad Data Processing for State Estimation using Hachtel's Augmented
Matrix Method. IEEE Transactions on Power Systems, Vol. 3, pp. 604611 May 1988.
[39] Wu F., Liu W., Detection of Topology Errors by State Estimation. IEEE
Transactions on Power Systems, Vol. 4, No. 1, pp. 176-183 February 1989.
BIBLIOGRAFA
157
[40] Zollenkopf K., Sparse Nodal Impedance Matrix Generated by the Bifactorization Method and Applied to Short Circuits Studies. Proceedings
Power System Computation Conference, Cambridge, Paper 3.1/3, 1975.
158
BIBLIOGRAFA
Apndice A
Propiedades Estadsticas de la
Estimacin de Mnimos Cuadrados
A.1 Introduccin
En el Captulo 1 se enumeraron las propiedades deseables que un estimador
deba tener y que, en concreto, el estimado de mxima verosimilitud posea.
En el presente apndice se van a enumerar las propiedades estadsticas que
posee la estimacin de mnimos cuadrados.
A.2 Propiedades estadsticas

Siendo z el conjunto de telemedidas, x el vector de variables de estado (tensiones en los nudos y fase de los ngulos), h las ecuaciones que relacionan las
medidas con las variables de estado y el vector de errores de las medidas
tal y como se vio en el Epgrafe 2.2, el vector de medidas se modela segn la
ecuacin (2.1):
z = h(x) +
(A.1)
Se supone que los errores 1 , 2 , . . . , m son variables aleatorias independientes con distribucin gaussiana y media cero, siendo R la matriz de covarianzas
de errores de las medidas:
2
1
R = E( T ) =
2
2
..
.
2
m
159
(A.2)
160
Propiedades Estadsticas
Adems, y tal y como se deni en el Captulo 1, x es el vector de variables
de estado estimadas y z = h() es el vector de telemedidas estimadas.
x
Una vez recordadas estas premisas, las propiedades estadsticas que posee
la estimacin de mnimos cuadrados son [1, 2]:
1. Es insesgada, por lo que las esperanzas matemticas del estado y las
telemedidas estimadas son:
E() = x
x
E() = E(z) = h(x)
z
(A.3)
(A.4)
2. Las covarianzas de las variables de estado y de las telemedidas estimadas

caso de no existir ruidos son (Apartado 7.3):
cov() = Px = E[( x)( x)T ] = G1

x
x
x
1 T
cov() = HG H
z
(A.5)
(A.6)
3. La funcin objetivo J() tiene la distribucin de una 2 de m n grados

x
de libertad, siendo adems su esperanza matemtica:
E[J()] = m n
x
(A.7)
donde m es el nmero de medidas de las que se dispone y n = 2N 1,

siendo N el nmero de nudos de la red.
4. Denindose el vector de residuos de las medidas tal y como se hizo en
la Seccin 7.3:
r =zz
(A.8)
su esperanza matemtica vale:
E(r) = 0
(A.9)
y su covarianza:
cov(r) = E(rrT ) = Pz = R HG1 H T = (I HG1 H T R1 )R = Sr R

(A.10)
siendo Sr la matriz de sensibilidad residual.
Dicha matriz de sensibilidad residual permite hallar las medidas que son
crticas, ya que una medida zi es crtica si y slo si la la y la columna
i-sima de Sr es nula.
Propiedades estadsticas
161
5. El vector de residuos normalizados rN es:
rN i =
ri
i (Sr )ii
(A.11)
el cual tiene distribucin gaussiana con media 0 y desviacin tpica 1 y

los elementos (Sr )ii pueden ser calculados mediante tcnicas de matrices
dispersas como se describi en la Seccin 7.3.
162
Propiedades Estadsticas
Bibliografa
[1] Gmez A., Estimacin de Estado en Sistemas Elctricos de Potencia.
Automtica e Instrumentacin, No. 155, pp. 185-193, Febrero 1986.
163
164
BIBLIOGRAFA
Apndice B
Elementos de la Matriz Jacobiano
B.1 Introduccin
En este apndice se presentan los elementos que forman la matriz jacobiano,
tanto los que habitualmente existen en cualquier estimacin de estado [1], como
los correspondientes a las nuevas columnas incluidas en la matriz al estimar
los parmetros.
Estas nuevas columnas aparecen como consecuencia de considerar el vector
de estados ampliado con los parmetros sospechosos.
B.2 Elementos de la matriz

Siendo:
Vi , Vj los mdulos de las tensiones en los nudos i y j .

i el desfase del nudo i.
ij el desfase entre los nudos i y j .
Pi , Qi las inyecciones de potencia activa y reactiva en el nudo i respectivamente.
Pij , Qij los ujos de potencia activa y reactiva en la lnea que une el
nudo i y el j respectivamente.
Gij + Bij el elemento (i, j ) de la matriz de admitancias de nudos.
165
166
Matriz Jacobiano
c
Bij la admitancia shunt del modelo en de la lnea que une el nudo i
con el j .
Gij la conductancia de la lnea que une el nudo i con el j .

Bij la susceptancia de la lnea que une el nudo i con el j .
los elementos que componen la matriz jacobiano son los siguientes:
Elementos correspondientes a las tensiones:

Vi
= 1
Vi
Vi
= 0
Vj
Pi
=
Vi
(B.1)
(B.2)
Vj (Gij cos(ij ) + Bij sen(ij )) + Vi Gii
Pi
= Vi (Gij cos(ij ) + Bij sen(ij ))
Vj
Qi
=
Vi
Qi
Vj
Pij
Vi
Pij
Vj
Qij
Vi
Qij
Vj
(B.3)
j=1
(B.4)
Vj (Gij sen(ij ) Bij cos(ij )) Vi Bii
(B.5)
j=1
= Vi (Gij sen(ij ) Bij cos(ij ))
(B.6)
= Vj (Gij cos(ij ) + Bij sen(ij )) 2 Gij Vi
(B.7)
= Vi (Gij cos(ij ) + Bij sen(ij ))
(B.8)
c
= Vj (Gij sen(ij ) Bij cos(ij )) + 2 Vi (Bij Bij )
(B.9)
= Vi (Gij sen(ij ) Bij cos(ij ))
(B.10)
Elementos correspondientes a los desfases:

Vi
= 0
i
Vi
= 0
j
(B.11)
(B.12)
Elementos de la matriz
Pi
=
i
167
Vi Vj (Gij sen(ij ) + Bij cos(ij )) Vi2 Bii (B.13)
j=1
Pi
= Vi Vj (Gij sen(ij ) Bij cos(ij ))
j
Qi
=
i
Qi
j
Pij
i
Pij
j
Qij
i
Qij
j
Vi Vj (Gij cos(ij ) + Bij sen(ij )) Vi2 Gii
(B.14)
(B.15)
j=1
= Vi Vj (Gij cos(ij ) Bij sen(ij ))
(B.16)
= Vi Vj (Gij sen(ij ) + Bij cos(ij ))
(B.17)
= Vi Vj (Gij sen(ij ) Bij cos(ij ))
(B.18)
= Vi Vj (Gij cos(ij ) + Bij sen(ij ))
(B.19)
= Vi Vj (Gij cos(ij ) Bij sen(ij ))
(B.20)
Elementos correspondientes a las susceptancias:

Vi
Bij
Vj
Bij
Pi
Bij
Pj
Bij
Qi
Bij
Qj
Bij
Pij
Bij
Pji
Bij
= 0
(B.21)
= 0
(B.22)
= Vi Vj sen(ij )
(B.23)
= Vi Vj sen(ji )
(B.24)
= Vi Vj cos(ij ) Vi2
(B.25)
= Vi Vj cos(ji ) Vj2
(B.26)
= Vi Vj sen(ij )
(B.27)
= Vi Vj sen(ji )
(B.28)
168
Matriz Jacobiano
Qij
= Vi Vj cos(ij ) Vi2
Bij
Qji
= Vi Vj cos(ji ) Vj2
Bij
(B.29)
(B.30)
Elementos correspondientes a las conductancias:

Vi
Gij
Vj
Gij
Pi
Gij
Pj
Gij
Qi
Gij
Qj
Gij
Pij
Gij
Pji
Gij
Qij
Gij
Qji
Gij
= 0
(B.31)
= 0
(B.32)
= Vi Vj cos(ij ) + Vi2
(B.33)
= Vi Vj cos(ji ) + Vj2
(B.34)
= Vi Vj sen(ij )
(B.35)
= Vi Vj sen(ji )
(B.36)
= Vi Vj cos(ij ) + Vi2
(B.37)
= Vi Vj cos(ji ) + Vj2
(B.38)
= Vi Vj sen(ij )
(B.39)
= Vi Vj sen(ji )
(B.40)
Bibliografa
[1] Grainger J., Stevenson W., Anlisis de Sistemas de Potencia. McGrawHill, Mexico D.F., 1995.
169
170
BIBLIOGRAFA
Apndice C
Fondos de Escala Utilizados en el
Entorno de Simulacin
C.1 Introduccin
Los fondos de escala utilizados en las simulaciones dependen de los valores
mximos esperados en cada punto de medida. Adems, se han agrupado los
valores en torno a varios de ellos con objeto de disminuir la diversidad de
valores utilizados.
Con estas premisas, en este apndice se presentan los fondos de escala
considerados para las inyecciones en los nudos y los ujos en las ramas, en por
unidad, sobre una base de 100 MVA y siendo vlidos los valores de ujos de
potencia para ambos extremos de la lnea.
C.2 Fondos de escala de la red IEEE-14

La Tabla C.1 muestra los fondos de escala considerados para las inyecciones
en los nudos y la C.2 los de los ujos en las ramas.
171
172
Fondos de Escala
Nudo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Inyeccin activa
2.80
0.70
1.15
0.70
0.25
0.60
0.10
0.10
0.60
0.25
0.10
0.10
0.25
0.25
Inyeccin reactiva
0.20
0.65
0.40
0.95
0.40
0.65
0.20
0.40
0.20
0.10
0.10
0.10
0.20
0.20
Tabla C.1: Fondos de escala considerados para los nudos de la red IEEE-14 en
por unidad y sobre una base de 100 MVA.
Fondos de escala de la red IEEE-14
Nudo inicial
1
2
2
1
2
3
4
5
4
7
4
7
9
6
6
6
9
10
12
13
Nudo nal
2
3
4
5
5
4
5
6
7
8
9
9
10
11
12
13
14
11
13
14
Flujo de activa
2.00
1.00
1.00
1.00
0.65
0.65
1.00
0.65
0.65
0.20
0.65
0.65
0.20
0.25
0.20
0.25
0.20
0.20
0.20
0.20
173
Flujo de reactiva
0.35
0.20
0.20
0.20
0.20
0.20
0.35
0.35
0.35
0.35
0.20
0.20
0.10
0.20
0.10
0.20
0.10
0.10
0.10
0.10
Tabla C.2: Fondos de escala considerados para las ramas de la red IEEE-14
en por unidad y sobre una base de 100 MVA.
174
Fondos de Escala
C.3 Fondos de escala de la red IEEE-118

Las Tablas C.3 - C.6 muestran los fondos de escala considerados para las
inyecciones en los nudos, mientras que las C.7 - C.15 muestran los de los ujos
en las ramas.
Nudo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Inyeccin activa
0.80
0.25
0.50
0.50
0.10
0.80
0.25
0.50
0.10
6.00
1.20
0.50
0.50
0.25
1.20
0.50
0.10
0.80
0.80
0.25
0.25
0.25
0.10
0.25
4.00
4.00
1.20
0.25
0.50
0.25
175
Inyeccin reactiva
0.40
0.20
0.20
0.40
0.40
0.10
0.10
0.60
0.10
0.80
0.40
1.20
0.20
0.10
0.40
0.20
1.20
0.40
0.40
0.10
0.10
0.10
0.10
0.40
2.10
1.20
0.40
0.10
0.10
1.20
Tabla C.3: Fondos de escala considerados para los nudos de la red IEEE-118
176
Fondos de Escala
Nudo
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
Inyeccin activa
0.50
0.80
0.50
0.80
0.50
0.50
0.25
0.25
0.50
0.80
0.50
1.20
0.25
0.25
0.80
0.25
0.50
0.25
2.00
0.25
0.25
0.25
0.50
1.20
1.20
1.20
0.25
0.25
2.00
1.20
Inyeccin reactiva
0.20
0.40
0.20
0.40
0.20
0.40
2.10
2.10
0.20
0.40
0.20
0.60
0.10
0.10
0.20
0.20
0.10
0.10
1.20
0.10
0.10
0.10
0.20
0.40
0.40
0.20
0.10
0.10
0.80
0.10
en por unidad y sobre una base de 100 MVA (continuacin).
Nudo
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Inyeccin activa
2.00
1.20
0.10
0.10
6.00
6.00
0.50
0.10
6.00
1.20
0.10
0.25
0.10
1.20
0.80
1.20
0.80
1.20
0.50
6.00
0.10
0.80
0.25
0.25
0.50
0.50
0.10
0.80
8.00
2.00
177
Inyeccin reactiva
0.20
0.20
1.20
0.60
2.10
2.10
0.10
2.10
1.20
0.40
0.10
0.20
0.10
0.40
0.20
0.40
0.60
0.40
0.20
2.80
2.10
0.20
0.10
0.10
0.40
0.20
0.20
0.20
0.40
0.60
178
Fondos de Escala
Nudo
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
Inyeccin activa
0.25
1.20
0.25
0.50
0.80
0.80
0.25
0.50
0.50
4.00
0.50
0.10
0.25
0.50
0.50
0.80
0.80
0.10
0.10
0.50
0.50
0.80
0.10
0.10
0.50
2.00
0.25
0.50
Inyeccin reactiva
0.20
0.10
0.10
0.20
0.40
0.20
0.20
0.10
0.20
2.10
0.20
0.10
0.40
0.40
0.20
0.20
0.10
0.10
0.10
0.40
0.10
0.40
0.10
0.10
0.10
0.60
0.10
0.20
Nudo inicial
1
1
2
3
3
4
4
5
8
5
6
7
8
8
9
11
11
12
12
12
Nudo nal
2
3
12
5
12
5
11
6
5
11
7
12
9
30
10
12
13
14
16
117
Flujo de activa
0.25
0.60
0.60
1.20
0.25
2.00
1.20
1.20
6.00
1.20
0.60
0.25
6.00
1.20
6.00
0.60
0.60
0.25
0.10
0.60
179
Flujo de reactiva
0.20
0.20
0.40
0.20
0.20
0.40
0.10
0.10
0.80
0.10
0.10
0.10
1.30
1.30
0.80
0.80
0.20
0.10
0.10
0.10
180
Fondos de Escala
Nudo inicial
13
14
15
15
15
16
17
30
17
17
18
19
19
20
21
22
23
23
23
24
Nudo nal
15
15
17
19
33
17
18
17
31
113
19
20
34
21
22
23
24
25
32
70
Flujo de activa
0.10
0.10
4.00
0.25
0.25
0.25
1.20
4.00
0.25
0.10
0.60
0.25
0.10
0.60
0.60
1.20
0.10
4.00
1.20
0.25
Flujo de reactiva
0.10
0.10
0.40
0.20
0.10
0.10
0.40
0.80
0.20
0.20
0.20
0.20
0.20
0.20
0.10
0.10
0.40
0.80
0.20
0.10
Nudo inicial
24
26
25
26
27
27
27
28
29
30
31
32
32
33
34
34
34
35
35
38
Nudo nal
72
25
27
30
28
32
115
29
31
38
32
113
114
37
36
37
43
36
37
37
Flujo de activa
0.10
1.20
2.00
4.00
0.60
0.25
0.60
0.25
0.25
1.20
0.60
0.10
0.25
0.25
0.60
1.20
0.10
0.10
0.60
4.00
181
Flujo de reactiva
0.10
1.30
0.40
0.80
0.10
0.10
0.10
0.10
0.20
0.80
0.20
0.20
0.10
0.20
0.20
0.80
0.10
0.10
0.20
1.30
182
Fondos de Escala
Nudo inicial
37
37
38
39
40
40
41
42
43
44
45
45
46
46
47
47
48
49
49
49
Nudo nal
39
40
65
40
41
42
42
49
44
45
46
49
47
48
49
69
49
50
51
54
Flujo de activa
1.20
1.20
4.00
0.60
0.60
0.10
0.10
1.20
0.25
0.60
0.60
1.20
0.60
0.25
0.10
1.20
0.60
1.20
1.20
0.60
Flujo de reactiva
0.10
0.20
0.80
0.40
0.10
0.20
0.20
0.40
0.10
0.10
0.10
0.10
0.10
0.10
0.20
0.20
0.10
0.20
0.40
0.20
Nudo inicial
49
49
50
51
51
52
53
54
54
54
55
55
56
56
56
59
59
63
60
60
Nudo nal
66
69
57
52
58
53
54
55
56
59
56
59
57
58
59
60
61
59
61
62
Flujo de activa
4.00
1.20
0.60
0.60
0.60
0.25
0.25
0.10
0.25
1.20
0.10
1.20
0.60
0.25
0.60
1.20
1.20
4.00
2.00
0.25
183
Flujo de reactiva
0.80
0.20
0.20
0.10
0.10
0.10
0.20
0.10
0.20
0.10
0.20
0.10
0.20
0.10
0.10
0.10
0.20
0.80
0.10
0.10
184
Fondos de Escala
Nudo inicial
61
64
62
62
63
64
65
65
66
68
68
68
69
69
69
70
70
70
71
71
Nudo nal
62
61
66
67
64
65
66
68
67
69
81
116
70
75
77
71
74
75
72
73
Flujo de activa
0.25
0.60
0.60
0.60
4.00
4.00
0.60
0.60
1.20
2.00
1.20
2.00
2.00
2.00
1.20
0.25
0.25
0.10
0.25
0.10
Flujo de reactiva
0.20
0.80
0.20
0.20
0.80
0.80
1.30
0.40
0.20
1.30
0.80
0.80
0.20
0.40
0.40
0.20
0.20
0.20
0.10
0.20
Nudo inicial
74
75
75
76
76
77
77
77
78
79
81
80
80
80
80
82
82
83
83
84
Nudo nal
75
77
118
77
118
78
80
82
79
80
80
96
97
98
99
83
96
84
85
85
Flujo de activa
1.20
0.60
0.60
1.20
0.25
0.25
1.20
0.60
1.20
1.20
1.20
0.60
0.60
0.60
0.60
2.00
0.25
0.60
1.20
1.20
185
Flujo de reactiva
0.10
0.20
0.40
0.40
0.20
0.20
0.40
0.80
0.20
0.80
1.30
0.40
0.40
0.10
0.20
0.80
0.20
0.40
0.40
0.20
186
Fondos de Escala
Nudo inicial
85
85
85
86
88
89
89
90
91
92
92
92
92
93
94
94
94
95
96
98
Nudo nal
86
88
89
87
89
90
92
91
92
93
94
100
102
94
95
96
100
96
97
100
Flujo de activa
0.25
1.20
2.00
0.10
2.00
4.00
4.00
0.60
0.60
0.60
0.60
0.25
0.60
0.60
0.60
0.10
0.25
0.25
0.25
0.25
Flujo de reactiva
0.10
0.40
0.20
0.20
0.20
0.80
0.80
0.10
0.20
0.20
0.20
0.40
0.20
0.40
0.20
0.10
0.80
0.40
0.40
0.10
Nudo inicial
99
100
100
100
100
101
103
103
103
104
105
105
105
106
108
109
110
110
114
Nudo nal
100
101
103
104
106
102
104
105
110
105
106
107
108
107
109
110
111
112
115
Flujo de activa
0.25
0.10
2.00
1.20
1.20
0.60
0.60
0.60
1.20
0.60
0.25
0.60
0.60
0.60
0.25
0.25
0.60
1.20
0.10
187
Flujo de reactiva
0.10
0.40
0.10
0.20
0.10
0.20
0.20
0.10
0.10
0.10
0.10
0.10
0.20
0.10
0.20
0.20
0.10
0.40
0.10

Estimacion de Estado y de Parametros (Zarco y Gomez)

Загружено:

Сведения о документе

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

Estimacion de Estado y de Parametros (Zarco y Gomez)

Загружено:

Авторское право:

Доступные форматы

ESTIMACIN DE ESTADO

Pedro Javier Zarco Perin

Antonio Gmez Expsito

DEPARTAMENTO DE INGENIERA ELCTRICA

Copyright P. Zarco & A. Gmez-Expsito

Copyright P. Zarco & A. Gmez-Expsito

2 Mtodos de Estimacin de Estado

3 Inuencia de Errores en los Parmetros sobre la Estimacin 45

4 Estimacin de Parmetros en Redes Elctricas

5 Mtodos de Estimacin de Parmetros

6 Resultados Experimentales de la Estimacin de Estado y de

7 Aspectos Relacionados con la Estimacin

Copyright P. Zarco & A. Gmez-Expsito

Errores topolgicos . . . . . . . . . . . . . . . . . . . . . . . . . 144

A Propiedades Estadsticas de la Estimacin de Mnimos Cuadrados

B Elementos de la Matriz Jacobiano

C Fondos de Escala Utilizados en el Entorno de Simulacin

B.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Copyright P. Zarco & A. Gmez-Expsito

Copyright P. Zarco & A. Gmez-Expsito

Error general de clase. . . . . . . . . . . . . . . . . . . . . . . .

Errores lmites de relacin para transformadores de intensidad

Errores lmites de fase para transformadores de intensidad de

Errores lmites para transformadores de intensidad de clase 0.5.

Inuencia del error de una lnea sobre las medidas estimadas a

Inuencia del error de una lnea frente a la relacin entre los

Inuencia del error de una lnea sobre las medidas estimadas a

Inuencia del error de una lnea sobre las medidas estimadas a

Modelo del transformador utilizado. . . . . . . . . . . . . . . . .

Relacin entre el error de las medidas y el error del parmetro

Copyright P. Zarco & A. Gmez-Expsito

Media del error de las medidas / Error del parmetro estimado

Copyright P. Zarco & A. Gmez-Expsito

Copyright P. Zarco & A. Gmez-Expsito

Errores mximos admitidos en la norma CEI para transformadores de intensidad. . . . . . . . . . . . . . . . . . . . . . . .

C.1 Fondos de escala considerados para los nudos de la red IEEE-14

C.4 Fondos de escala considerados para los nudos de la red IEEE-118

Copyright P. Zarco & A. Gmez-Expsito

Copyright P. Zarco & A. Gmez-Expsito

1.2 Hiptesis y datos de entrada

Copyright P. Zarco & A. Gmez-Expsito

Hiptesis y datos de entrada

Las fuentes de informacin necesarias para el estimador de estado son [15]:

Los valores de los parmetros de diseo (R, L, etc.).

Las tensiones e inyecciones de activa y reactiva en los nudos.

 Medidas virtuales: Son aquellas que no requieren ser medidas, como

Copyright P. Zarco & A. Gmez-Expsito

Clase: Se entiende por clase el error mximo que dicho aparato de

Figura 1.1: Error general de clase.

Linealidad: Se entiende como error de linealidad el error relativo en

Copyright P. Zarco & A. Gmez-Expsito

Hiptesis y datos de entrada

Figura 1.2: Error de linealidad.

condiciones dinmicas diferentes, es decir, aumentando la medida en un

Deriva trmica: Es el error que puede producirse por variacin de la

Copyright P. Zarco & A. Gmez-Expsito

Figura 1.3: Error de reproducibilidad.

dar por variacin de magnitudes corresponden a unos determinados mrgenes

Copyright P. Zarco & A. Gmez-Expsito

Hiptesis y datos de entrada

Errores de fase para los

Tabla 1.1: Errores mximos admitidos en la norma CEI para transformadores

Figura 1.4: Errores lmites de relacin para transformadores de intensidad de

Copyright P. Zarco & A. Gmez-Expsito

3 Inuencia de Errores en los Parmetros sobre la Estimacin 45

Inuencia del error de una lnea sobre las medidas estimadas a

Inuencia del error de una lnea frente a la relacin entre los

Inuencia del error de una lnea sobre las medidas estimadas a

Inuencia del error de una lnea sobre las medidas estimadas a

Medidas virtuales: Son aquellas que no requieren ser medidas, como

Tienen valor medio nulo.

Tienen distribucin gaussiana.

no estando especicado F E y siendo:

Facilita el proceso de localizacin y denicin de la exactitud de los

El nmero de medidas crticas no permanece jo. Alguna de las medidas

Identicacin de errores no gaussianos

As pues, desde el punto de vista estadstico, es posible armar que, como