Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.

ISSN 0122-1701 25

ALGORITMO GENTICO MODIFICADO CHU-BEASLEY APLICADO A LA

IDENTIFICACIN DE ERRORES EN LA ESTIMACIN DE ESTADO EN SISTEMAS
ELCTRICOS

Error identification in power system state estimation using a modified chu-Beasley genetic algorithm

RESUMEN HUGO ANDRS RUIZ F.

En este artculo se utiliza un algoritmo gentico modificado por Chu-Beasley Ingeniero Electricista
para mejorar la estimacin del estado de un sistema elctrico de potencia. El Profesor Catedrtico
algoritmo garantiza una poblacin diversa durante todo el proceso de Facultad de Ingenieras
convergencia. Esta poblacin, junto con una tcnica de estimacin clsica y Universidad Tecnolgica de Pereira
combinada con la teora de punto de apalancamiento, permite obtener resultados hugor@ohm.utp.edu.co
de buena calidad. Los resultados reportados demuestran un mejor desempeo
cuando estos son comparados con los obtenidos por un estimador de estado ELIANA MIRLEDY TORO O.
tradicional. Ingeniera Industrial, Ms.C.
Profesor Catedrtico
PALABRAS CLAVES: Estimacin de estado, deteccin de errores iterativos Facultad de Ingeniera Industrial
y conformativos, optimizacin combinatorial, algoritmo gentico modificado Universidad Tecnolgica de Pereira
Chu-Beasley. elianam@utp.edu.co

ABSTRACT HAROLD SALAZAR ISAZA

A genetic algorithm modified by Chu-Beasley is used in this paper to improve a Ingeniero Electricista, Ph.D(C)
power system state estimation. The proposed algorithm guarantees a diversified Profesor Asistente
population during the convergence time. The proposed technique is able to find Programa de Ingeniera Elctrica
a better solution when it is combined with classical estimation algorithms and Universidad Tecnolgica de Pereira
the theory of leverage points. Numerical results show that a better estimation is hsi@utp.edu.co
achieved when they are compared with results obtained from a classical
solution technique.

KEYWORDS: State estimation, Chu-Beasley optimization algorithm,

estimation of iterative errors.

1. INTRODUCCIN propios de la operacin del sistema elctrico de potencia

Una gran cantidad de problemas que tienen inters en
ciencia y tecnologa pueden modelarse como problemas
de optimizacin Para resolver estos problemas, una
alternativa consiste en disear algoritmos aproximados
que encuentren soluciones de alta calidad en tiempos
razonables. De entre todos los mtodos aproximados se
destacan las metaheursticas por su eficiencia, efectividad
y flexibilidad. Estos mtodos se han aplicado con xito a
una gran variedad de problemas de optimizacin. Para
el caso en estudio se aplicar el algoritmo gentico
modificado de Chu-Beasley que es una tcnica de
bsqueda basada en la teora de la evolucin de Darwin.
Uno de estos problemas es el estimador de estado, el cual
es un procedimiento matemtico que permite estimar el
estado ms probable de operacin del sistema, por medio
de datos recolectados de los medidores e informacin de
los parmetros de los componentes de la red. Tiene por
objetivo principal identificar y descartar las mediciones
que presentan errores en su adquisicin. La informacin
recolectada es utilizada por los centros de control de
energa (CCE) para evaluar diferentes procedimientos
Fecha de Recepcin: 31 Mayo de 2007
Fecha de Aceptacin: 12 Julio de 2007
(SEP), es decir, todo lo relacionado con la seguridad,
control y operacin del sistema.
En la estimacin de estado existen mediciones con
presencia de errores iterativos y conformativos, los cuales
alteran el funcionamiento adecuado de la metodologa
clsica. Los errores iterativos afectan los residuos de
otras medidas, generalmente las que se encuentran en su
vecindad. La influencia de los errores iterativos puede ser
negativa sobre las medidas no portadoras de errores. Los
errores conformativos hacen que las medidas portadoras
de error acten como mediciones sin presencia de error y
provocan que los residuos normalizados tomen un valor
alto en las medidas correctas que poseen correlacin con
los valores errneos.
El problema de identificacin de errores iterativos y
conformativos ha sido tratado por diferentes autores. En
la referencia [1] y [2], este problema es resuelto usando
el mtodo Bsqueda Tab. En este artculo el problema
de identificacin de errores iterativos y conformativos es
resuelto usando una versin modificada del algoritmo
gentico, denominado algoritmo de Chu-Beasley. El
26
algoritmo es verificado usando un sistema de prueba de
la IEEE de 14 nodos, obteniendo resultados
satisfactorios.
Este articulo esta organizado de la siguiente manera. El
problema de la estimacin de estado es presentado en la
seccin 2. Seccin 3 explica el mtodo de solucin y el
modelo matemtico, en la seccin 4 se presentan los
resultados de la metodologa y en la seccin 5 se
comentan las conclusiones y recomendaciones de
acuerdo a los resultados obtenidos.
2. PROBLEMA DE ESTIMACIN DE ESTADO
En la estimacin de estado, se emplean diferentes
procedimientos y pruebas estadsticas para el clculo de
las variables de estado [3] y [4]. En el modelamiento de
dicho problema, el error en las mediciones (e) se calcula
como la diferencia entre la medicin especificada (z),
tales como: potencia activa, potencia reactiva y
magnitudes de voltaje, y la medicin calculada
(h(x1,x2,,xn )), donde x representa las variables de
estado del sistema, magnitud de voltaje (V) y ngulo de
voltaje () descrito de la siguiente forma:
e= error en la medicin.
H= matriz Jacobiana que relaciona las mediciones y las
variables de estado del sistema
R= matriz de ponderaciones de las mediciones.
G= matriz de ganancia.
e 1 = z 1 h1 ( x 1 , x 2 , " , x n )
#
e n = z n h n ( x1 , x 2 , " , x n )
La suma ponderada de los errores al cuadrado tiene la
siguiente presentacin:
n
ej 2 ( z1 h1( x1," , xn )) 2
f = = +" +
j =1 j 2
1
2
donde i representa el factor de ponderacin de la
medicin i . Con el fin de minimizar el error, se deriva la
ecuacin (2) respecto a las variables de estado e
igualando a cero se obtiene:
z1 h1( x1," , xn)
t 1 z 2 h 2 ( x1," , xn )
H R
# tcnicas de observabilidad [6], las cuales permiten
zn hn( x1," , xn)
Para resolver (3) se requiere linealizar las ecuaciones
alrededor de un punto de operacin ( x , " , x ) usando
expansin en series de Taylor. Despus de hacer el
desarrollo del modelo descrito anteriormente y teniendo
Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira
en cuenta que xi = xi
(k )
xi ( k +1) (k )
, se obtiene en
forma matricial la siguiente expresin:
x ( k +1) x ( k ) = (G ( k ) )( 1) ( H ( k ) )(t ) R ( 1) e( k ) (4)
Por medio de (4), se actualizan las variables de estado del
sistema en cada iteracin, hasta cumplir con el criterio de
convergencia, mostrado en (5):
max x ( k +1) x ( k ) < tol (5)
2.1 PRUEBAS ESTADSTICAS
Despus de que han sido estimadas las variables de
estado del sistema en (4) , se requiere tener certeza
acerca de la validez de los resultados obtenidos. Esto se
logra a travs de pruebas estadsticas.
Los errores estimados presentan una distribucin
gaussiana, la teora estadstica demuestra que la funcin
f ( x ) mostrada en (2) es representada por la
distribucin chi-cuadrada [5] k2, donde k es el nmero
de grados de libertad k = ( nm 2 n 1) , equivale al
grado de confianza, nm es igual a el nmero de
mediciones y n es el nmero de variables de estado del
sistema . Se aplica de la forma f ( x ) k2, , es decir, si la
suma de todos los errores es mayor que el valor que
arroja la prueba chi-cuadrado, indica presencia de datos
(1) anormales dentro de las mediciones.
Con el fin de identificar la medida errada con mayor
incidencia en el error global, detectado anteriormente, se
lleva a cabo una segunda prueba estadstica. Para esta
prueba se calculan los residuos normalizados rN para c/u
( zn hn ( x1," , xn)) 2 (2) de las mediciones, representadas por una distribucin de
n2 probabilidad t-student [5] con k grados de libertad. Esta
prueba tiene la forma max rN tk , . ., lo cual indica que
si el mximo residuo normalizado es mayor que el
resultado del estadstico t, con k grados de libertad y un
nivel de confianza alfa, identifica la medicin errnea.
2.2 CRITERIOS DE OBSERVABILIDAD Y
PUNTOS DE APALANCAMIENTO
(3) Un concepto importante en el estimador de estado son las
=0
determinar si con las mediciones existentes es posible
calcular las variables de estado del sistema.
Los puntos de apalancamiento son mediciones que
influyen en los resultados del estimador de estado,
(0) (0)
1 n
modificando los valores estimados. Los puntos de
apalancamiento evitan visualizar la presencia de datos
Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira. 27

errneos en la iteracin, al presentar interaccin con poblacin se reemplaza sistemticamente un nico

otros datos. Este efecto de enmascaramiento produce descendiente. Esta estrategia tiene como ventaja
residuos normalizados pequeos asociados con los datos encontrar soluciones de alta calidad y garantizar
errneos, lo cual hace que no sean detectables [2]. diversidad en la poblacin a lo largo de las generaciones.

2.3. MODELO MATEMTICO 3.1 CODIFICACIN

La funcin objetivo o funcin de evaluacin proporciona El algoritmo gentico permite implementar la

informacin acerca de la calidad de la configuracin que codificacin con variables binarias, enteras o reales, esto
ha sido propuesta. Esta informacin permite establecer depende de la naturaleza de las variables. En este caso
una comparacin entre configuraciones. La funcin especfico se adopt la codificacin binaria ya que
objetivo utilizada para esta aplicacin est representada representa satisfactoriamente el estado de las variables.
por la siguiente ecuacin:
En trminos del algoritmo gentico un cromosoma es un
fobj(x)=nbad + max {0;f(x)
} (6) elemento de la poblacin que representa una posible
solucin del problema.
nbad Nmero de mediciones consideradas errneas.
Suma ponderada de los errores al cuadrado.
f(x) Los posibles estados de un medidor i se definen por una
variable binaria que toma los siguientes valores:
Valor suministrado por la prueba chi-cuadrada.
Factor de penalizacin. di = 0, si la i sima medida es incorrecta.
di = 1, si la i sima medida es correcta.
En la formulacin (6) se penaliza la funcin objetivo en
caso de que la restriccin representada por el ndice
sea violada, es decir, si la configuracin indica La poblacin de alternativas de solucin se conforma por
f(x)
un nmero determinado de cromosomas como el
presencia de errores grandes. Adems, la restriccin de mostrado en la Figura 1.
observabilidad se verifica aplicando la teora de puntos
de apalancamiento. 1 2 3 4 " n
dk = 0 1 1 1 " 0
3. MTODO DE SOLUCIN
Figura 1. Codificacin del problema.
La deteccin de errores como problema combinatorio fue
n representa el nmero de mediciones que existen en el
propuesta en [7] para el tratamiento de errores mltiples,
sistema.
iterativos y conformativos basado en la teora de
decisin. En la estimacin de estado se presentan
3.2 POBLACIN INICIAL
dificultades en la deteccin de medidas errneas debido a
que la metodologa clsica interpreta algunas mediciones
Algunas metaheursticas inician el proceso iterativo
incorrectas como correctas, lo cual ocurre debido a la
generando una poblacin inicial a travs de algoritmos
correlacin que se presenta entre ellas. Por esta razn se
inicializadores, intentando con esto, encontrar soluciones
proponen metodologas de tipo combinatorial, tales como
de muy alta calidad que estn prximas a la solucin
el algoritmo gentico de Chu-Beasley, a fin de modelar
ptima del problema. Este modo de inicializacin es
el problema de estimacin de estado como un problema
usado en problemas de alta complejidad matemtica. En
de optimizacin. Este problema combinatorio permite
la teora se tiene establecido que la obtencin del ptimo
establecer una serie de soluciones donde cada una
global es independiente de la solucin inicial. La
representa una alternativa que puede contener mediciones
experiencia ha mostrado que la obtencin de soluciones
correctas o combinaciones de correctas e incorrectas.
de alta calidad en problemas de gran complejidad
matemtica depende del punto en el cual se inicie el
El algoritmo Chu-Beasley es una versin modificada del
proceso. En problemas de baja o mediana complejidad
algoritmo gentico bsico, la principal caracterstica
matemtica, como es el caso estudiado en este artculo, la
consiste en mantener diversidad entre los cromosomas
generacin de la poblacin inicial podr ser efectuada de
que conforman la poblacin durante todo el proceso. En
forma aleatoria alcanzndose la solucin ptima.
cada generacin es reemplazado un solo cromosoma
(alternativa) en la poblacin, siempre y cuando, cumpla
Para generar la poblacin inicial del caso en estudio se
con las condiciones de optimalidad y/o factibilidad
us el siguiente criterio: el tamao del cromosoma
establecidas. Dicho mecanismo busca que en cada ciclo
depende del nmero de mediciones. Se generan tantos
generacional, la calidad de la solucin sea mejorada por
nmeros aleatorios como genes tenga el cromosoma, si el
optimalidad y/o factibilidad. Durante el proceso en la
nmero aleatorio generado es menor que 0.75 el valor del
28 Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira

gen es igual a 1 y cero en caso contrario, esto con el fin
de que la configuracin tenga la mayor cantidad de unos
para garantizar la observabilidad del sistema [6].
3.3 SELECCIN
En la literatura especializada se contemplan diferentes
algoritmos de seleccin para definir los padres. En este
trabajo se estudiaron dos tipos de seleccin: por ruleta y
torneo. Finalmente, en el desarrollo de este artculo se
utiliz seleccin por torneo.
3.4 RECOMBINACIN
Con los dos padres seleccionados, el siguiente paso
consiste en combinarlos de forma tal que se obtengan los
descendientes. De estos dos descendientes uno ser
eliminado y el otro entrar a formar parte de la poblacin,
siempre y cuando cumpla con los criterios de optimalidad
y/o factibilidad establecidos. Lo anterior representa una
diferencia significativa con respecto al mtodo
tradicional del algoritmo gentico y se traduce, en este
caso, en una estrategia eficiente de bsqueda local.

La seleccin por torneo consiste en escoger la alternativa
que tenga mejor funcin objetivo de los k cromosomas
seleccionadas aleatoriamente (Figura 3). El xito de
aplicar esta metodologa radica en escoger
adecuadamente un valor de k que se ajuste a cada
problema en particular teniendo en cuenta tamao y
complejidad de la aplicacin. Un valor de k muy alto
puede eventualmente hacer caer el proceso en ptimos
locales de muy baja calidad. El valor de k puede ser
variable dependiendo el tamao de la poblacin; un valor
recomendado de k es 2. En problemas con poblacin
grande el valor de k podr ser mayor o igual a 2.
1 0 0 1 0 0 0 1
0 0 1 1 0 0 1 0
Figura 2. Seleccin de los padres para k=2
DATOS DE ENTRADA
k, poblacin. Inicializar:
j=1
En el proceso de recombinacin es necesario definir el
nmero p de puntos de recombinacin. Dichos puntos
son escogidos de forma aleatoria. Posteriormente, se
combinan las caractersticas de los padres haciendo un
cruzamiento de las porciones de cromosoma existentes
entre cada punto de recombinacin como se muestra en
las Figuras 4 y 5 para un cromosoma de 8 genes y un
punto de recombinacin.
El resultado de la recombinacin produce dos hijos de los
cuales uno es desechado de forma aleatoria.
Punto de recombinacin
1 0 0 1 0 0 1 0
0 0 1 1 0 0 0 1
Figura 4. Proceso de recombinacin
0 0 1 1 0 0 0 1
Figura 5. Seleccin del hijo
El objetivo de recombinar es encontrar nuevas
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

infactible de la poblacin, entonces

0 0 1 1 0 0 0 1 reemplazar la peor infactible por la

alternativa actual.
Punto de mutacin b. Si la configuracin es factible y existe por
lo menos una infactible en la poblacin
0 0 1 1 1 0 0 1 actual, entonces reemplazar la peor
infactible por la alternativa actual.
Figura 6. Proceso de mutacin c. Si la configuracin es factible y todas las
alternativas de la poblacin actual son
Con este operador se pretende explorar el espacio de factibles, entonces reemplazar la alternativa
soluciones a fin de encontrar alternativas con mejor con peor funcin objetivo por la alternativa
funcin objetivo. actual. Lo anterior se realiza slo si la
alternativa actual es de mejor calidad que la
3.6 MEJORA DE LA FACTIBILIDAD peor de la poblacin.
Este proceso busca mejorar el valor de la funcin 7 En caso contrario desechar la alternativa
objetivo y garantizar que la configuracin sea observable. resultante y volver al paso 2.
El proceso consiste en evaluar la alternativa actual 8 El proceso termina hasta cumplir el criterio de
haciendo las reasignaciones que garanticen la parada. En este caso se considera un nmero
observabilidad de la configuracin, cambiando mximo de iteraciones.
aleatoriamente genes con valor cero por uno tomando
como lmite un nmero mximo de mediciones en valor 4 RESULTADOS
cero.
Se ha considerado un sistema de prueba [8] de 14 nodos
3.7 MEJORA DE LA OPTIMALIDAD y 20 lneas (ver Figura 7), y se cuenta con 58 mediciones.
En primera instancia, se aplica un flujo de carga para
El proceso consiste en evaluar el descendiente haciendo determinar los voltajes (magnitud y ngulo) en cada uno
que algunos de los genes con valor cero se cambie por de los nodos del sistema, una vez se conocen estas
uno y evaluando la funcin objetivo. Las reasignaciones cantidades, se obtienen las mediciones del sistema que
que permitan la observabilidad del sistema y mejoren la servirn como datos de entrada al estimador de estado.
funcin objetivo son almacenadas. Finalmente, de todas Posteriormente, se procede a alterar algunas mediciones,
las reasignaciones almacenadas se escoge la que mas de tal manera que en su gran mayora contengan errores
favorezca la funcin objetivo. Es importante notar que la del tipo iterativo y conformativo ver Tabla 1.
alternativa resultante se diferencia de la alternativa
original solamente en un elemento. z1 = P1 = 1.9306 z2 = Q1 = 0.2618 z3 = P2 = 0.2165 z4 = Q2 = 1.0032
z5 = P3 = 0.5405 z6 = Q3 = 0.195 z7 = P4 = 0.464 z8 = Q4 = 0.10
3.8 DESCRIPCIN DEL ALGORITMO z9 = P6 = 0.13 z10 = Q6 = 0.094 z11 = P7 = 0.02 z12 = Q7 = 0.73 **
z13 = P8 = 0.03 z14 = Q8 = 0.0009 z15 = P10 = 0.091 z16 = Q10 = 0.06
El procedimiento seguido en el algoritmo Chu-Beasley es z17 = P11 = 0.034 z18 = Q11 = 0.8 ** z19 = P12 = 0.062 z20 = Q12 = 0.022
el siguiente: z21 = P13 = 0.1347 z22 = Q13 = 0.08 z23 = P14 = 0.149 z24 = Q14 = 0.0489
z25 = P12 = 1.2843 z26 = Q12 = 0.0323 z27 = P15 = 0.6461 z28 = Q15 = 0.294
z29 = P23 = 0.5159 z30 = Q23 = 0.2934 z31 = P24 = 0.5402 z32 = Q24 = 0.8 **
1 Generar una poblacin inicial
z33 = P25 = 0.4158 z34 = Q25 = 0.2846 z35 = P34 = 0.040 z36 = Q34 = 0.0529
2 Se obtienen 2 alternativas padre usando
z37 = P43 = 0.0404 z38 = Q43 = 0.0676 z39 = P45 = 0.5142 z40 = Q45 = 0.1812
seleccin por torneo de la poblacin actual z41 = P78 = 0.03 z42 = Q78 = 0.0011 z43 = P149 = 0.7 ** z44 = Q149 = 0.0341
3 Se obtiene una alternativa hijo aplicando z45 = P1413 = 0.0516 z46 = Q1413 = 0.0145 z47 = V3 = 0.952 ** z48 = V4 = 0.9443
Recombinacin a los padres obtenidos en el z49 = V5 = 0.96 z50 = V6 = 0.876 ** z51 = V7 = 0.887 z52 = V8 = 0.887
paso anterior z53 = V9 = 0.8594 z54 = V10 = 0.8531 z55 = V11 = 0.8603 z56 = V12 = 0.8554
4 Se obtiene una alternativa modificada aplicando z57 = V13 = 0.8497 z58 = V14 = 0.8291
Mutacin siempre y cuando el parmetro Tabla 1. Mediciones del sistema
obtenido lo permita.
5 Si la configuracin no es observable se repara Para el estudio en cuestin fueron alteradas 6 mediciones
obteniendo una alternativa observable. Esto se marcadas con (**), las que contienen errores iterativos y
logra aplicando de forma consecutiva un conformativos. Dichas medidas, despus de analizar
proceso de mutacin hasta encontrar un nmero mltiples estudios de estimacin, resultaron ser difciles
mximo de ceros en la configuracin. de detectar por la metodologa clsica.
6 Para modificar la poblacin se propone la
siguiente estrategia: Al correr el estimador de estado fueron detectadas como
a. Si la alternativa actual es infactible y a su mediciones erradas las presentadas en la Tabla 2, usando
vez es menos infactible que la peor las pruebas estadsticas chi-cuadrado y t-student.
 30 Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira

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.