Вы находитесь на странице: 1из 10

ESTIMAO DE ESTADOS EM SISTEMAS ELTRICOS DE POTNCIA

1. Estimador Esttico de Estados por Mnimos Quadrados

O mtodo dos mnimos quadrados minimiza a soma do quadrado da


diferena do valor medido e do valor estimado (trabalha com resduos de
medio).

m nmero de medidas disponveis;

n nmero de variveis de estado para serem estimadas

w rudo de uma determinada medida

Modelo de Medio

Z HX V w

Z - vetor de medidas

H matriz jacobiana que relaciona os medidores com as variveis de


estados (mxnb)

X V - vetor de variveis de estado verdadeiras(mx1) que so consideradas


como variveis aleatrias independentes com distribuio gaussiana de media
zero e varincia conhecida
w - vetor de rudos

A partir do Estimador de Estados MQ, a estimativa do vetor de variveis de


estados verdadeiro, designado por X , obtido determinando-se o valor de X
que torna mnimo o ndice J(x).
m
J (x) wk2 wt .w
i 1

w Z HX

J ( x )
Desenvolvendo a equao de J(x) e minimizando 0 obtem-se:
x

X H t .H .H t .Z
1

O vetor de resduos das medidas dado por:

r Z Z Z H .X

2. Estimador Esttico de Estados por Mnimos Quadrados Ponderados
(MPQ)
Pondera as medidas de acordo com a preciso dos respectivos medidores
Hipotese: considera que os erros das medidas (wi) so gaussianos, ou seja, tem
distribuio de probabilidade normal.

Distribuio normal de probabilidade:

wi i
2
1
; f ( wi ) onde:
2 2
2
i - mdia de wi;

i2 - varincia de wi;

i - desvio padro

Em um estimador de estados, considerando que a mdia normalizada (zero),


quanto menor o valor de i2 melhor a medida. Dessa forma o parmetro mais
1
utilizado em estimao de estados o inverso da varincia,
i2

1
Considerando essa ponderao, , a funo J(x) a ser minimizada torna-se:
i2
2
m
w
J ( x) i
i 1 i

Matricialmente a equao anterior dada por:

1
2 0 0
1
1
J ( x) wt . 0 0 .w
i2
1
0 0
m2
W

W - matriz de ponderao (diagonal) que o inverso da matriz de covarincia das medidas

Modelo Linear Ponderado

Z HX V w logo

w Z HX v

Substituindo w em J(x):
J ( x) Z HX v .W. Z HX v
t

1 1
Fazendo W W 2 .W 2

J ( x) Z HX v .W 2 .W 2 . Z HX v
t 1 1

t
1
1 1 1
J ( x) W 2 .Z W 2 H X v . W 2 Z W 2 HX v

Z H




t
J ( x) Z HX v . Z HX v

Do modelo linear sem ponderao: X v X H t .H .H t .Z e por analogia


1

tem-se:

. H .W
1

1
X v X H t .H
1 1 1 1
.H t .Z H t .W 2 .W 2 .H t 2
.W 2 .Z

X v X H t .W .H . H t .W .Z
1

Reviso Estatstica
Vetores de variveis aleatrias

x1
X
xn

Matriz de covarincia

x1
X E ( x)
xn

Covarincia de X
x1 x1
cov( x) E x x . x x t
. x x ... x x
1 1 n n

xn xn

E
x x
1 1
2
... E x1 x1 x1 xn

cov( x) ... E xi xi xi xi ....


... ...
E xn xn
2

Na diagonal principal de cov(x) tem-se a varincia amostral;


Se existirem elementos no nulos fora da diagonal principal isto
significa que as correspondentes variveis aleatrias tem alguma
correlao.
Em sistemas de potncia considera-se usualmente que a matriz de
covarincias dos erros dos medidores diagonal.

Seja Z um vetor aleatrio e cov(z) sua matriz de covarincia. Seja ainda A


uma matriz determinstica e tem-se:
Y A.Z

Como determinar Y e cov(Y)?

Y A.Z
cov(Y ) A.cov(Z).At

3. Formulao do Estimador de Estados Linear MPQ


Modelo de medio
deterministico
e desconhecido

Z H . XV w
aleatrio considerado aleatrio
deterministico

Considerando a hiptese de normalizao do erro (mdia normalizada pra


zero).

wi ~ N (0; i2 )

E Z E HX v w HX v E w
deterministicos media de w
normalizada (0)

E Z HX v Zv
Assim a covarincia de Z dada por:


cov(Z) E Z Z . Z Z
t

como

t
Z E Z HX v Z v cov(Z) E Z Z . Z Z E w.wt W 1
w w

Dado X como determinar E X ?


X v X H t .W .H .H t .W .Z
1

E X v E .Z .E H .X v .H .X v

E X v H t .W .H .H t .W .H .X v X v
1

identidade

E X v Xv

Analisando a covarincia
cov(.Z ) .cov(.Z ).t
cov(X)

H t .W .H 1 .H t .W .cov(.Z ). H t .W .H 1 .H t .W
t
cov(X)
t
1

H t .W .H 1 1
cov(X) .H .W .W . H .W .H .H t .W
t t

identidade
simetrico
H t .W .H 1 .H t .W .H H t .W .H 1
cov(X)
identidade

H t .W .H 1 G 1 G H t .W .H
cov(X)

Anlise de Resduos
O vetor de resduos r, dado por:

r Z Z Z HX

E r E Z HX E Z E HX

E r Z v H .E X H . H . X v 0

Obtendo a matriz de covarincia de r


r Z HX Z H H t .W .H .H t .W .Z
1

r I H H t .W .H .H t .W .Z S.Z
1


S matriz de sensibilidade dos
resduos (deterministica)

Assim


cov(r ) cov Z H . X cov S.Z S.cov Z S t

cov r cov Z cov H . X

cov r cov Z H .cov X H t

Dessa forma tem-se que:

cov r W 1 H . H t .W .H H t Usualmente conhecida como matriz


1

Para processamento de erros grosseiros (EG) temos que determinar o resduo


normalizado

ri ri ri
ri N , ri =0(normalizado), ri N
ri ri
ri i ri

Em relao processamento de Erros Grosseiros, usualmente estamos


interessados apenas nos elementos da diagonal principal da matriz , ou seja,
nas varincias dos resduos.

11 1n
ii riri
2


mn ij rirj
m1

4. Processamento de Medidas com Erros Grosseiros

1 Mtodo Atravs dos Resduos Normalizados

Atravs dos resduos normalizados possvel detectar e identificar a


medida portadora de erro grosseiro pois caso seja detectada sua presena no
conjunto de medidas, a medida correspondente ao maior resduo normalizado ,
muito provavelmente, a portadora de erro.
MEDIDA Z

MONTAR: H,G e

ESTIMAR
ELIMINA Zimax (rimax)

CALCULAR r e rN

IDENTIFICAR rNMAX

rNMAX>

FIM

- escolhido (dado em funo do desvio padro, usualmente 3 que corresponde


a uma probabilidade de falso alarme 0,25%

Hipostese: Na ausncia de erro grosseiro, o vetor de erros de medidas


possui uma distribuio normal com medida zero e matriz de covarincias
conhecida .

Teorema: Considerando que todas as medidas so perfeitas, com exceo


da medida i, que possui erro grosseiro com magnitude b, tem-se:


0

w b.ei b. 1 b dessa forma tem-se:

0

Z H . X v b.ei
X G 1.H t .W .Z G 1.H t .W . H . X v b.ei
X G 1.H t .W .H . X v G 1.H t .W .H .b.ei X v G 1.H t .W .H .b.ei
identidade

X X v G 1.H t .W .H .b.ei

Conhecendo X (x estimado) pode-se determinar Z :


Z H . X H . X v G 1.H t .W .H .b.ei

erro estimado
Conhecendo uma estimativa para o erro, possvel determinar o resduo
estimado:

r b.ei H .G 1.H t .W.b.ei


r W 1 H .G 1.H t .W.b.ei

r .W.b.ei
mas
b
W.b.ei .ei
i2
assim
11 1n
ii riri
2
b
r . .ei sabe-se que assim :
i2
m1 mn ij rirj

r21ri

b
r 2 . riri
2

i

2
rmri

Recuperao de Medidas (mtodo do b )

A proposta do mtodo recuperar a medida com erro grosseiro


eliminando o efeito do erro e estimando um novo valor para a mesma de forma
que, estimando novamente as variveis de estados com o ajuste na medida com
erro grosseiro, obter-se- um resduo nulo correspondente a esta medida.
Para isto considera-se inicialmente um vetor de medidas Z 0 . Para este
vetor so obtidos H G X 0 e r 0

Se considerarmos um processo iterativo onde Z ser incrementado, tem-


se:

Z 1 Z 0 Zi ei sendo:
Zi Zi1 Zi0

Assim o novo vetor de resduos ser:


1
r 1 Z 1 H .X

O problema se resume em determinar Z i que atenda a condio ri1 0

Para isto tem-se que:

X 1 G 1.H t .W .Z 1 G 1.H t .W Z 0 Z
X 1 G 1.H t .W .Z 1 G 1.H t .W .Z 0 G 1.H t .W .Z
X 0

X 1 X 0 G 1.H t .W .Z
assim tem-se:

r 1 Z 1 H . X 0 G 1.H t .W .Z

r 1 Z 0 Z H . X 0 H .G 1.H t .W .Z
0
r r0
1
r r Z H .G .H t .W .Z
1 0

r 1 r 0 W 1 H .G 1.H t .W .Z

r r .W .Z
1 0

Considerando que apenas a medida com erro grosseiro ser atualizada,


tem-se que:
Z Z i .ei
Z i
W .Z W .Z i .ei .ei
i2
Fazendo agora
1i .Z i
2
i



Z i ii .Z i
.W .Z W .Z i .ei 2 .ei
i i2


mi .Z i

i
2

Assim tem-se que o passo do resduo pode ser calculado por:

1i .Z i
2
i
Conforme proposto, a ideia que
r 1 0 e para isto basta igualar a

.Z
r 1 r 0 ii 2 i equao anterior a zero obtendo-se:
i
ii .Z i
0 ri 0
mi .Zi i2

2
i
2
r 0 . 2 r 0 . 2
Z i i i i 2 i ri 0 . i
ii ri ri

lembrando que Z i Z i1 Z i0 tem-se: Se houver mais de uma


medida com erro grosseiro deve-se
Z i1 Z i0 Z i
garantir que ao final do processo
1 iterativo os resduos de todas essas

2
i
Z i1 Z i0 ri 0 . i sendo Wii medidas sejam nulos.
ri
ri ii
assim
2
1

0 Wii 1
Z i Z i ri .
1 0
Z i0 ri 0 .
Wii .ii
ii