Академический Документы
Профессиональный Документы
Культура Документы
ISSN 0122-1701 25
Error identification in power system state estimation using a modified chu-Beasley genetic algorithm
expansin en series de Taylor. Despus de hacer el modificando los valores estimados. Los puntos de
desarrollo del modelo descrito anteriormente y teniendo apalancamiento evitan visualizar la presencia de datos
Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira. 27
gen es igual a 1 y cero en caso contrario, esto con el fin 3.4 RECOMBINACIN
de que la configuracin tenga la mayor cantidad de unos
para garantizar la observabilidad del sistema [6]. Con los dos padres seleccionados, el siguiente paso
consiste en combinarlos de forma tal que se obtengan los
3.3 SELECCIN descendientes. De estos dos descendientes uno ser
eliminado y el otro entrar a formar parte de la poblacin,
En la literatura especializada se contemplan diferentes siempre y cuando cumpla con los criterios de optimalidad
algoritmos de seleccin para definir los padres. En este y/o factibilidad establecidos. Lo anterior representa una
trabajo se estudiaron dos tipos de seleccin: por ruleta y diferencia significativa con respecto al mtodo
torneo. Finalmente, en el desarrollo de este artculo se tradicional del algoritmo gentico y se traduce, en este
utiliz seleccin por torneo. caso, en una estrategia eficiente de bsqueda local.
La seleccin por torneo consiste en escoger la alternativa En el proceso de recombinacin es necesario definir el
que tenga mejor funcin objetivo de los k cromosomas nmero p de puntos de recombinacin. Dichos puntos
seleccionadas aleatoriamente (Figura 3). El xito de son escogidos de forma aleatoria. Posteriormente, se
aplicar esta metodologa radica en escoger combinan las caractersticas de los padres haciendo un
adecuadamente un valor de k que se ajuste a cada cruzamiento de las porciones de cromosoma existentes
problema en particular teniendo en cuenta tamao y entre cada punto de recombinacin como se muestra en
complejidad de la aplicacin. Un valor de k muy alto las Figuras 4 y 5 para un cromosoma de 8 genes y un
puede eventualmente hacer caer el proceso en ptimos punto de recombinacin.
locales de muy baja calidad. El valor de k puede ser
El resultado de la recombinacin produce dos hijos de los
variable dependiendo el tamao de la poblacin; un valor cuales uno es desechado de forma aleatoria.
recomendado de k es 2. En problemas con poblacin
grande el valor de k podr ser mayor o igual a 2. Punto de recombinacin
1 0 0 1 0 0 1 0
1 0 0 1 0 0 0 1
0 0 1 1 0 0 0 1
0 0 1 1 0 0 1 0
Figura 4. Proceso de recombinacin
Figura 2. Seleccin de los padres para k=2
0 0 1 1 0 0 0 1
Figura 5. Seleccin del hijo
DATOS DE ENTRADA
k, poblacin. Inicializar: El objetivo de recombinar es encontrar nuevas
j=1 alternativas de solucin que permitan intercambiar
medidas que mejoren la estimacin
si
3.5 MUTACIN
j=2
Salida:
?
2 Padres El proceso de mutacin se encuentra fuertemente ligado
no al concepto de intensificacin en el vecindario. As, una
mutacin drstica puede alejar el proceso de la zona de
De la poblacin, escoger de forma aleatoria k bsqueda actual y llevarlas a regiones distantes,
determinando una especie de diversidad. Por otra parte,
alternativas de solucin: alternativas k una mutacin dbil eventualmente puede ocasionar
convergencias a soluciones locales y no permite una
solucin eficiente alrededor de la solucin actual.
Del vector alternativas k , escoger un
La mutacin aplicada para el caso en estudio consiste en
padre aleatoriamente: padre j generar un nmero aleatorio y realizar la mutacin si
este valor es mayor a 0.85 Si la mutacin es aceptada, se
genera un nmero aleatorio entre uno y la longitud del
Figura 3. Proceso de Seleccin
cromosoma para cambiar el valor del gen de uno para
cero viceversa, ver Figura 6.
Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira. 29
z32 = Q34 ** z 43 = P149 ** z34 = Q25 tipo iterativo y conformativo. A pesar de esto el
algoritmo propuesto las identifica eficientemente.
z3 = Q43 z5 = P3 ** z33 = P25
z12 = Q7 ** z50 = V6 ** z47 = V3 ** 5. CONCLUSIONES Y RECOMENDACIONES
Tabla 2. Medidas detectadas por el estimador clsico
En algunas situaciones la metodologa clsica WLS de
Al analizar los resultados del estimador de estado, estimacin de estado no identifica correctamente las
presentados en la Tabla 2, se observa que en efecto fueron mediciones que presentan errores, suministrando de este
identificadas las seis mediciones alteradas inicialmente y modo, un estimativo que no es correcto sobre el
tres ms que no deban haber sido identificadas como comportamiento del sistema estudiado. En el sistema de
errneas. prueba de este artculo, la metodologa clsica de
estimacin elimina mediciones que no presentan ningn
Parmetros usados en la simulacin: tipo de error. Esta prdida de informacin puede conducir
Tamao de la poblacin = 20. a que el sistema sea no observable, de no contarse con un
Tasa de cruzamiento = 1. nivel de redundancia alto.
Tasa de mutacin = 0.15.
Nmero de participantes en el torneo k = 2 . Los resultados que arroja la implementacin combinada
Factor de penalizacin = 0.01 . de la teora clsica WLS (Weighted Least Square) y el
algoritmo de optimizacin combinatorial Chu-Beasley
Nmero mximo de mediciones con valor cero = 6. muestran eficiencia en la identificacin de mediciones
erradas y que sean del tipo iterativo y conformativo.
13
12 14
Este artculo brinda un enfoque alternativo en el estudio
de la estimacin de estado, pues adems de utilizar la
G 11 metodologa clsica, implementa criterios de
10 observabilidad y utiliza la tcnica combinatorial de Chu-
1 6 8 Beasley.
9
Diferentes tcnicas de estimacin sern comparadas en
5 7
4
trabajos futuros. Esto permitir establecer las ventajas y
desventajas de cada una de ellas.
Figura 7. Sistema IEEE 14 nodos
BIBLIOGRAFA
2 55
50
[1] Asada, E.; Garca, A; and Romero, R. Identifying
45
G multiple interacting bad data in power system state
3
40
estimation. IEEE Power Engineering Society General
Funcin Objetivo
35
Meeting, Vol. 1 Jun 2005.
30
[2] Ruiz, H.; Toro, E.; y Granada, M. Identificacin de
25
errores grandes en la estimacin de estado usando
20
Bsqueda Tab. Revista Scientia et Tcnica, No 34,
15
Mayo 2007. Universidad Tecnolgica de Pereira.
10
[3] Grainger, J.; Stevenson, W. D. Anlisis de Sistemas
5
0 50 100 150 200 250 300 de Potencia, Mc Graw Hill, Mxico 1998.
No. de Generaciones
[4] Stagg, G.; El Abiad, A. Computer Methods in Power
Figura 8. Evolucin del Proceso Generacional System Analisys, Mc Graw Hill, 1968.
[5] Walpole M. Probabilidad y Estadstica para
En la Figura 8, el valor ptimo corresponde a 6, ya que, la
funcin objetivo es la suma del nmero de mediciones erradas
ingenieros, Mc Graw Hill, 1995.
mas un factor de penalizacin dado por las pruebas estadsticas. [6] Monticelli, A; and Wu, F.F. Network Observability:
Theory. IEEE Trans. Power System, vol Pas 104, no. 5,
De los resultados obtenidos se observa que el algoritmo May 1985.
[7] Monticelli, A. State Estimation in Electric Power
identifica como medidas erradas, z12 = Q7 , z18 = Q11 ,
Systems: A Generalized Approach, Editora Kluwer,
z32 = Q3 4 , z43 = P14 9 , z47 = V3 , z50 = V6 las cuales 1999.
corresponden efectivamente a las que fueron alteradas [8] El-Habachi, A; Generation mix planning using
inicialmente. Existe la posibilidad que entre las genetic algorithm. IEEE Power Engineering Society
mediciones erradas existan algunas de ellas que sean del Summer Meeting. Vol. 1 2002.