Академический Документы
Профессиональный Документы
Культура Документы
Trabajo final de maestría como requisito parcial para optar al título de:
Magister en Ingeniería – Ingeniería Eléctrica
Director:
Prof. Jairo José Espinosa Oviedo Ph.D.
Línea de Investigación:
Sistemas de Potencia
A X.M. S.A. ESP, María Nohémi Arboleda y Juan Carlos Morales por creer y patrocinar
este proyecto.
Resumen y Abstract V
Resumen
Este trabajo presenta la estimación de los principales parámetros del modelo dinámico
del generador sincrónico, a través de la técnica de optimización basada en sensibilidad
de trayectoria. Actualmente en la literatura han sido propuestas diversas técnicas para
determinar los parámetros del modelo del generador, sin embargo algunas son muy
invasivas y requieren montajes especiales y tener el generador fuera de línea, otras,
como las que consideran el generador en operación continua, dependen de la ocurrencia
de eventos que no necesariamente hacen identificables todos los parámetros del modelo.
La técnica de sensibilidad de trayectorias fue seleccionada no solo porque permite una
completa representación de las dinámicas lineales y no lineales del generador y su
sistema de excitación, sino porque presenta gran eficiencia en la búsqueda de
parámetros en problemas de ajuste de curvas mediante la minimización del error entre
las variables medidas y las simuladas.
El desarrollo del trabajo parte del modelamiento del generador sincrónico y de la solución
de las ecuaciones diferenciales no lineales que componen el modelo de orden 5 que se
encuentra comúnmente en la literatura. Posteriomente se incluye un modelo típico de
regulador de tensión, el cual juega un importante papel en la dinámica eléctrica del
generador. A continuación, se diseña una pequeña red eléctrica de prueba que simula el
generador bajo prueba, líneas de transmisión, una carga y un equivalente dinámico del
sistema. Se plantean las ecuaciones algebraico-diferenciales para la red de prueba,
encontrándose su solución en el tiempo mediante una técnica de integración númerica.
Por último, para evaluar la robustez del algoritmo de estimación se realizaron múltiples
escenarios para los cuales se corrió la metodología, encontrándose excelentes
resultados en cuanto a la precisión de la estimación de parámetros y la usabilidad de la
VI Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Como producto del presente trabajo se propone una herramienta que puede mejorar
notablemente el desempeño de los modelos de los generadores sincrónicos que tienen
incertidumbre en sus parámetros, usando registros provenientes de pruebas muy simples
sobre el sistema de excitación, o eventos comunes en la red de transmisión.
Abstract
This work is presents the estimation of the main parameters for the dynamic model of
synchronous generators through an optimization technique based on Trajectory
Sensitivity. Currently in the literature several techniques are proposed to determine the
model parameters for the generator: However some are very invasive and require special
assemblies and the setting of the generator off-line. Others consider the generator in
continuous operation but rely on the occurrence of events that not necessarily makes all
model parameters identifiable. The Trajectory sensitivity technique was selected, not only
because it allows a complete representation of linear and no linear dynamics, but also
because it presents high efficiency in the search for parameters in curve fitting problems
by minimizing the error between measured variables and simulated ones.
Estimación de los Parámetros del Modelo Matemático del Generador VII
Sincrónico
The development of this work begins with the modeling of a synchronous generator and
the solution of nonlinear differential equations that summarises the 6th order model which
is commonly found in the literature. A common model for excitation system is also
included, since it plays an important role in the dynamics of the generator. Then, a small
test grid is designed to simulate the generator under test, transmission lines, a load and a
dynamic equivalent for the system. Algebraic-differential equations for the test network
are stated, finding its solution in time domain by a numerical integration technique.
Finally the test network is used by the estimation methodology to evaluate the objective
function focused on minimizing the error between simulation and test records. This is
done varying iteratively the generator model parameters.
Finally to assess the robustness of the estimation algorithm, multiple scenarios were ran
through the methodology. Excellent results were found in terms of accuracy of the
parameter estimation and the technique usability in both, test environment in plan and in
normal operation recording the dynamics of the generator to events in the transmission
network. However, limitations were found in the convergence of the estimation algorithm
related to the initial deviation of the model parameters, limiting it to deviations below 20%.
Likewise, measurement noise imposes additional difficulties in obtaining good results,
demanding the use of highly accurate measuring instruments.
As result of this work, a tool that can significantly improve the performance of
synchronous generators models with uncertainity in parameters, using records from very
simple tests on the system, or common events in the transmission network is proposed.
Contenido
Pág.
1 Estimación de Parámetros en Generadores Síncronos .......................................... 5
1.1 Introducción ......................................................................................................... 5
1.2 Diferentes aproximaciones al tema de estimación de parámetros de generadores
....................................................................................................................... 6
1.2.1 Pruebas de Corto - Circuito ............................................................................. 6
1.2.2 Pruebas de Rechazo de Carga ........................................................................ 8
1.2.3 Pruebas de Respuesta en Frecuencia ........................................................... 11
1.2.4 Pruebas usando perturbaciones .................................................................... 12
1.2.5 Usando los Operadores de Reactancia ......................................................... 12
1.2.6 Análisis de los Datos de Diseño ..................................................................... 12
1.2.7 Identificación del modelo y estimación de sus parámetros con base en datos
operativos................................................................................................................. 13
1.2.8 Conclusiones. ................................................................................................ 13
2 Sensibilidad de trayectoria para estimación de parámetros ................................ 14
2.1 Introducción ....................................................................................................... 14
2.2 Metodología de estimación de parámetros ......................................................... 14
2.2.1 Selección de variables medidas ..................................................................... 14
2.2.2 Selección del modelo matemático.................................................................. 15
2.2.3 Proceso de estimación de parámetros ........................................................... 15
2.2.4 Funciones de sensibilidad de trayectoria ....................................................... 16
2.2.5 Función objetivo y su minimización ................................................................ 18
3 Modelo del Generador Sincrónico y su sistema de excitación ............................ 23
3.1 Modelo del Generador Sincrónico ...................................................................... 23
3.1.1 Modelo Eléctrico ............................................................................................ 24
3.1.2 Modelo Mecánico........................................................................................... 31
3.1.3 Modelo General ............................................................................................. 33
3.2 Modelo del Sistema de Excitación ...................................................................... 35
3.2.1 Sistemas de excitación DC ............................................................................ 37
3.2.2 Sistemas de excitación AC ............................................................................ 38
3.2.3 Sistemas de excitación Estáticos ................................................................... 38
4 Modelo del Sistema de Transmisión Acoplado al Generador Sincrónico ........... 41
4.1 Métodos de integración numérica ...................................................................... 41
4.2 Descripción del sistema de potencia modelado.................................................. 44
4.3 Metodología para la simulación dinámica del modelo de prueba........................ 46
4.3.1 Sistema en por unidad (p.u.) .......................................................................... 46
IX Contenido
Lista de figuras
Pág.
Figura 1 Corriente en el estator después de aplicado el cortocircuito [6] .......................... 7
Figura 2 Determinación de constantes de tiempo [6] ........................................................ 8
Figura 3 Tensión en terminales después del rechazo de carga (eje de directo) [6] .......... 9
Figura 4 Tensión en terminales después del rechazo de carga (eje de cuadratura) [6] . 10
Figura 5 Proceso de estimación de parámetros............................................................. 16
Figura 6 Metodología de estimación de parámetro ......................................................... 21
Figura 7 Devanados del generador sincrónico y sus ejes [1] .......................................... 25
Figura 8 Representación del generador sincrónico en tres juegos de devanados ficticios
[1] ................................................................................................................................... 27
Figura 9 Circuitos equivalentes del generador: (a) eje directo; (b) eje de cuadratura ..... 29
Figura 10 Diagrama general del sistema de excitación de unidades de generación [18] 36
Figura 11 Modelo para sistema de excitación DC tipo DC1A [18] ................................... 37
Figura 12 Modelo para sistema de excitación AC tipo AC1A [18] ................................... 38
Figura 13 Modelo del sistema de excitación estático [43] ............................................... 39
Figura 14 Modelo del regulador de tensión simplificado ................................................. 40
Figura 15 Modelo de red usado para la estimación de parámetros ................................ 44
Figura 16 Diagrama fasorial del generador usado para su inicialización [2] .................... 49
Figura 17 Condiciones iniciales simulación comparativa – Flujo de Cargas ................... 55
Figura 18 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un escalón de +2% en la tensión de referencia del AVR. ....................................... 55
Figura 19 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un escalón de -2% en la tensión de referencia del AVR. ........................................ 56
Figura 20 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un incremento de 100 MW y 50 MVar en la carga de la barra 2. ............................ 57
Figura 21 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante la reducción de 100 MW y 50 MVar en la carga de la barra 2. ................................ 57
Figura 22 Implementación de la la metodología de estimación de parámetros propuesta
sobre un generador real ................................................................................................. 61
Figura 23 Resultados estimación Tq0'' Caso 1: Estimación de todos los parámetros
simultaneamente. Desviación del 30% del valor real. ..................................................... 76
Figura 24 Resultados estimación Xq' Caso 2: Estimación de todos los parámetros
simultaneamente. Determinación de la máxima desviación. ........................................... 81
Figura 25 Resultados estimación Xd'' Caso 2: Estimación de todos los parámetros
simultaneamente. Determinación de la máxima desviación. ........................................... 82
XI Contenido
Lista de tablas
Pág.
Tabla 1 Parámetros de generadores del sistema de potencia de prueba ....................... 45
Tabla 2 Parámetros de líneas, transformadores y cargas del sistema de potencia de
prueba ............................................................................................................................ 46
Tabla 3 Caso 1: Desviación de Xd del -30% ................................................................... 72
Tabla 4 Caso 1: Desviación de Xq'del -30% ................................................................... 73
Tabla 5 Caso 1: Desviación de Xd'del -30% ................................................................... 73
Tabla 6 Caso 1: Desviación de Xd''del -30% .................................................................. 73
Tabla 7 Caso 1: Desviación de Xq''del -30% .................................................................. 74
Tabla 8 Caso 1: Desviación de Td0'del -30% ................................................................. 74
Tabla 9 Caso 1: Desviación de Td0'' del -30% ............................................................... 74
Tabla 10 Caso 1: Desviación de Tq0'' del -30% ............................................................. 75
Tabla 11 Caso 2: Desviación de Xd del -20% ................................................................. 77
Tabla 12 Caso 2: Desviación de Xq' del -16% ................................................................ 77
Tabla 13 Caso 2: Desviación de Xd' del -16% ................................................................ 78
Tabla 13 Caso 2: Desviación de Xd'' del -17% ............................................................... 78
Tabla 15 Caso 2: Desviación de Xq'' del -10% ............................................................... 78
Tabla 16 Caso 2: Desviación de Td0' del -17% .............................................................. 79
Tabla 17 Caso 2: Desviación de Td0'' del -17% ............................................................. 79
Tabla 18 Caso 2: Desviación de Tq0'' del -20% ............................................................. 79
Tabla 19 Especificación de casos con sensibilidad a la variación aleatoria inicial del
vector de parámetros...................................................................................................... 83
Tabla 20 Caso 3: Desviación aleatoria de todos los parámetros alrededor del 30% ....... 85
Tabla 21 Caso 3: Desviación aleatoria de todos los parámetros alrededor del 20% ....... 87
Tabla 22 Caso 4: Desviación aleatoria de todos los parámetros alrededor del 20% ....... 89
Tabla 23 Caso 4: Desviación aleatoria de todos los parámetros alrededor del 30% ....... 90
Tabla 24 Caso 5: Desviación aleatoria de todos los parámetros alrededor del 20% ....... 94
Tabla 25 Caso 5: Desviación aleatoria de todos los parámetros alrededor del 30% ....... 96
Tabla 26 Caso 6: Sensibilidad del algoritmo de estimación al ruido de medición............ 99
Introducción
En los sistemas de potencia modernos es altamente reconocida la importancia de los
modelos matemáticos del sistema que proporcionan la capacidad de realizar un amplio
rango de estudios sobre el comportamiento del mismo. Uno de los elementos claves de
este modelo general es el generador sincrónico, el cual junto con sus sistemas de control
de velocidad y excitación aportan el mayor número de dinámicas, e influencian de
manera directa las decisiones que deben tomarse en las etapas de planeación, las
cuales a su vez impactan directamente el costo operativo, la seguridad y la confiabilidad
de la operación. Por esta razón, trabajar en el mejoramiento de los modelos actuales de
los generadores y sus controles es de vital importancia para lograr emular de forma más
precisa el comportamiento dinámico del sistema.
La falta de correlación entre los resultados del modelo y el comportamiento real del
generador, puede derivar en conclusiones equivocadas a la hora de realizar estudios de
planeación eléctrica. Por ejemplo podría conducir a una parametrización equivocada de
controles de velocidad, tensión o incluso de protecciones del generador que pondrían
poner en riesgo, no solo la integridad del generador sino del propio sistema de potencia
al que este se conecta.
Desde el punto de vista de las técnicas de estimación sobre los parámetros del modelo
del generador, podrían listarse las características más convenientes que debería tener
dicha técnica:
Con el propósito de dar cumplimiento a los objetivos del trabajo, el presente documento
se estructura de la siguiente forma:
1.1 Introducción
En este capítulo se realiza una revisión del estado del arte en el tema de estimación de
parámetros de generadores sincrónicos. Un gran número de trabajos se han realizado en
este campo, usando por ejemplo técnicas de optimización para minimizar el error entre la
respuesta simulada y la real de los generadores ante perturbaciones en el sistema. Se
plantea la posibilidad de comenzar la optimización, partiendo de unos parámetros semilla
con base en los parámetros informados por los fabricantes. El objetivo de la optimización
es encontrar el conjunto óptimo de parámetros que mejor reproduzca el comportamiento
dinámico del generador. Es de resaltar que algunas de las técnicas encontradas en la
literatura han sido adoptadas por IEEE [4] para este propósito. En términos generales se
puede concluir que existen dos aproximaciones bien diferenciadas para abordar el
problema de encontrar los mejores parámetros del modelo matemático del generador. El
primero considera que la estructura del modelo matemático que describe la dinámica del
generador es conocida y parte de la determinación de los parámetros usando mediciones
de la respuesta de la unidad a pruebas o eventos en operación normal. La segunda
aproximación parte de asumir que no se conoce la estructura del modelo matemático del
generador y por lo tanto la estimación de sus parámetros se enfoca en las técnicas de
estimación de caja-negra, basadas en las entradas y salidas del sistema que se quiere
estimar [5]. Adicionalmente las técnicas de estimación pueden clasificarse según las
siguientes características:
De acuerdo a la técnica de estimación empleada; lineal o no lineal.
De acuerdo con el dominio en el que trabaja la técnica de estimación; tiempo o
frecuencia.
De acuerdo a al dominio temporal considerado para determinar los parámetros;
transitorio o permanente.
6 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Puede observarse como los valores instantáneos de la corriente decaen con una
envolvente que termina en un valor de corriente de estado estacionario Is. El
comportamiento de la corriente en el tiempo puede expresarse de la siguiente forma:
−𝑡 −𝑡
′ ′′
𝐼𝑎𝑐 = 𝐼𝑠 + 𝐼0′ 𝑒 𝑇𝑑 + 𝐼0′′ 𝑒 𝑇𝑑 (1.1)
Dónde:
Las amplitudes de las componentes alternas de la corriente del estator pueden calcularse
en términos de las reactancias de eje directo usando el principio de superposición:
𝐸0
𝑥𝑑 = (1.2)
𝐼𝑠
𝐸0
𝑥𝑑′ = (1.3)
𝐼𝑠 +𝐼0′
𝐸0
𝑥𝑑′′ = (1.4)
𝐼𝑠 +𝐼0′ +𝐼0′′
8 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
−𝑡 −𝑡
1 1 1 𝑇′𝑑 1 1 𝑇′′
𝐼𝑎𝑐 = 𝐸0 ( +( ′ − )𝑒 +(′′ − ′ )𝑒 𝑑 ) (1.5)
𝑥𝑑 𝑥𝑑 𝑥𝑑 𝑥𝑑 𝑥𝑑
𝑇𝑑′ corresponde al tiempo necesario en segundos para que 𝐼 ′ decrezca hasta 1/e0.5 o el
60.06% de su valor inicial, mientras que 𝑇𝑑′′ corresponde al tiempo neceario para que 𝐼 ′′
decrezca hasta 1/e o el 36.8% de su valor inicial.
Este tipo de pruebas es similar a las pruebas de corto – circuito, en cuanto a que están
diseñadas para calcular los parámetros del modelo matemático del generador. Estas
pruebas se basan en la definición de ciertas condiciones iniciales del generador, con el
fin de excitar únicamente, ya sea los parámetros de eje directo o los de cuadratura, luego
de establecer estas condiciones iniciales se provoca el rechazo de carga de la unidad, y
se registran la evolución temporal de la corriente y tensión de campo del generador, así
Capítulo 1 9
Para el desarrollo de estas pruebas en el eje directo el generador debe estar conectado a
la red con cero potencia activa y entregando potencia reactiva, de esta forma el flujo solo
existirá en el eje directo y la corriente del estator estará alineada al eje directo, lo que
supone 𝑖𝑞 = 0, adicionalmente se debe tener cuidado que no se opere el generador en la
zona saturada, lo cual implica una condición ligeramente subexcitada. Con estas
condiciones cumplidas se abre súbitamente el interruptor del generador y se registra la
tensión en terminales del generador. Con el uso de la siguiente gráfica, que presenta el
comportamiento típico de la tensión ante el rechazo de carga, se determinan los
parámetros 𝑥𝑑 , 𝑥𝑑′ , 𝑥𝑑′′ , 𝑇𝑑0
′ ′′
, 𝑇𝑑0 .
Figura 3 Tensión en terminales después del rechazo de carga (eje de directo) [6]
Con el uso de las siguientes relaciones pueden estimarse las reactancias de eje directo:
10 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝐶
𝑥𝑑 = (1.6)
𝐼𝑑0
𝐵
𝑥𝑑′ = (1.7)
𝐼𝑑0
𝐴
𝑥𝑑′′ = (1.8)
𝐼𝑑0
Para determinar los parámetros del eje de cuadratura, se debe operar el generador de tal
forma que toda la corriente en el estator quede alineada al eje de cuadratura, por lo que
𝑖𝑑 = 0. Para lograr esto se requiere ajustar la potencia reactiva de tal forma que el ángulo
de carga coincida con el ángulo entre la tensión y la corriente en terminales. En este
punto se realiza el rechazo de carga. En la siguiente figura se presenta la tensión en
terminales después del rechazo de carga.
Usando la anterior figura y las siguientes ecuaciones se determinan los parámetros del
eje de cuadratura.
√𝐴2 −𝐶 2
𝑥𝑞 = (1.9)
𝐼𝑠𝑞0
√𝐴2 −𝐶 2 −√𝐵2 −𝐶 2
𝑥𝑞′′ = (1.10)
𝐼𝑠𝑞0
Capítulo 1 11
Para determinar la potencia reactiva con la que debe hacerse el rechazo de carga deben
realizarse múltiples rechazos de carga hasta minimizar las variaciones en la corriente de
campo. Esto hace que esta prueba sea muy exigente para los generadores y sus
sistemas electromecánicos, lo que hace la prueba poco práctica.
Este tipo de pruebas hoy día representan el estado del arte en el campo de identificación
de parámetros de generadores sincrónicos. Estos métodos han probado en los últimos
años su valor, incluso son llamados a reemplazar las pruebas de corto – circuito y
rechazo de carga.
Este tipo de pruebas se puede descomponer a su vez en dos tipos básicos, pruebas con
unidad parada y pruebas con unidad sincronizada y en operación.
1.2.8 Conclusiones.
2.1 Introducción
En este capítulo se presentará el uso de la técnica de sensibilidad de trayectoria aplicada
a la estimación de parámetros de sistemas dinámicos. Es importante recordar que para
este caso el problema de estimación consiste en encontrar los parámetros de un modelo
cuya formulación matemática es conocida, con el objetivo de emular de la forma más
precisa posible el comportamiento dinámico del generador sincrónico. El modelo
matemático del generador, como se verá más adelante, se compone de ecuaciones que
relacionan las entradas y las salidas con los parámetros y en muchos casos con las
derivadas de algunas salidas y variables internas.
especiales o para excitar las diferentes dinámicas del sistema, se debe considerar que
las variables medidas tengan suficiente información para realizar el proceso de
estimación y evitar que el problema quede mal condicionado por la poca información.
Adicionalmente es comun encontrar que dependiendo del estímulo aplicado al sistema,
es posible la estimación de algunos parámetros y otros no, en este punto se deben
buscar otros tipos de eventos para excitar los parámetros “no visibles”.
Usualmente este problema se trata a través de una técnica de optimización iterativa que
trata de minimizar una función objetivo 𝐽(𝑝) cuyo valor depende de los parámetros a
estimar . Para lograr esto se usa como función objetivo alguna norma de un vector de
error. La idea es que la técnica de optimización determine en cada iteración un nuevo
juego de parámetros con alguna regla que llegue al resultado óptimo lo más
eficientemente posible. En cada iteración, cada juego de parámetros es probado en el
modelo mediante la simulación del evento predefinido y el valor de la función objetivo es
calculado, hasta que se lográ el mínimo de 𝐽(𝑝). En la siguiente figura se ilustra en forma
funcional el procedimiento de estimación descrito:
16 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Sistema real
Nuevos Técnica de
parámetros optimización Función
Evento de objetivo 𝐽(𝑝)
𝑝 min{ 𝐽(𝑝)}
entrada
Proceso
iterativo
matemático
Modelo
matemático
𝑥̇ = 𝑓(𝑥, 𝑧, 𝑝, 𝑢)
0 = 𝑔(𝑥, 𝑧, 𝑝, 𝑢)
Capitulo 2 17
𝑦 = ℎ(𝑥, 𝑧, 𝑝, 𝑢) (2.1)
Donde:
𝑥̇ (𝑡) es el vector de derivadas con respecto al tiempo de los estados del sistema
Las funciones de sensibilidad de trajectoria expresan las derivadas parciales del vector
𝜕𝑦(𝑡)
de salidas con respecto al vector de parámetros, esto es: .
𝜕𝑝𝑖
Las ecuaciones 2.2 son llamadas sensibilidad de trayectoria para el parámetro 𝑝𝑖 . Nótese
que la solución de las ecuaciones 2.1 no depende de la solución de 2.2, mientras que la
solución de 2.2 depende de la solución de 2.1. Por lo anterior el sistema de ecuaciones
2.1 que tiene la representación del modelo del generador sincrónico, debe ser resuelto
antes del 2.2. Ambos sistemas de ecuaciones son sistemas dinámicos no lineales,
normalmente resueltos por metodos de integración numéricos. En este trabajo se usará
el método trapezoidal implicito para la resolución de las ecuaciones diferenciales del
generado, al igual que para el cálculo de las sensibilidades de trayectoria.
18 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
En algunos casos en los que las funciones 𝑓 y 𝑔 no son diferenciables con respecto a
siguiente, cuya 𝑖-esima componente está dada por 𝑝𝑖1 = 𝑝𝑖0 + Δ𝑝𝑖 , siendo 𝑝𝑖 un
tiempo obtenidas de la solución de las ecuaciones 1.11 con el uso de los parámetros 𝑝0
𝑝1 . Con base en las definiciones anteriores, las sensibilidades de trayectoria pueden ser
aproximadas por:
Las sensibilidades de trayectoria, además de ser usadas como la principal entrada del
método de optimización, también brindan información importante en el proceso de
estimación de parámetros, al indicar que grado de influencia tienen los parámetros en las
salidas seleccionadas. Matemáticamente se puede determinar el grado de
condicionamiento numérico del problema de estimación al obtener la relación entre el
𝜕𝑦(𝑡)
menor y mayor valores propios de la matriz [15]. Los problemas mal condicionados
𝜕𝑝
Como ya se ha expuesto anteriormente, la técnica usada en este trabajo para estimar los
parámetros del modelo matemático del generador sincrónico, está basada en la
minimización de una función objetivo que reduce el error entre el comportamiento
dinámico de las salidas medidas y las simuladas. Esta es precisamente la formulación de
la función objetivo, que puede ser expresada de la siguiente manera:
Se define la función 𝐽(𝑝), que depende del vector de parámetros del modelo del
generador sincrónico, como la integral de las diferencias entre las salidas medidas y ls
obtenidas por el modelo mediante la simulación de una perturbación dada, y para un
juego dado de parámetros. Esta definición corresponde a la formulación del método de
mínimos cuadrados para el intervalo de tiempo 𝑇.
1 𝑇
𝐽(𝑝) = ∫𝑡=0(𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 )𝑇 (𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 ) 𝑑𝑡 (2.4)
2
Donde:
1
En la ecuación 1.14 el termino aparece para simplificar posteriormente los cálculos.
2
1 𝑇
𝐽(𝑝) = ∫𝑡=0(𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 )2 𝑑𝑡 (2.5)
2
o en forma discreta:
𝑇
1 2
𝐽(𝑝) = ∑(𝑦𝑚𝑒𝑑 𝑖 − 𝑦𝑠𝑖𝑚 𝑖 )
2
𝑖=0
De acuerdo con la primera condición de suficiencia vista arriba, para minimizar 𝐽(𝑝)
debe encontrarse un 𝑝∗ tal que ∇𝐽(𝑝∗ ) = 0. Por lo tanto derivando 2.5 con respecto al
vector de parámetros se obtiene:
𝜕𝐽(𝑝) 𝑇 𝜕𝑦𝑠𝑖𝑚
= ∫𝑡=0(𝑦𝑠𝑖𝑚 − 𝑦𝑚𝑒𝑑 ) 𝑑𝑡 (2.6)
𝜕𝑝 𝜕𝑝
𝜕𝐽(𝑝) 𝑇 𝜕𝑦𝑠𝑖𝑚 𝑇
𝐺 (𝑝 ) = − = ∫𝑡=0 ( ) (𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 ) 𝑑𝑡 (2.7)
𝜕𝑝 𝜕𝑝
El método iterativo de Newton puede ser usado para resolver la ecuación no lineal (2.7),
Donde Γ(p) es la matriz jacobiana de 𝐺(𝑝), la cual se calcula derivando G(p) con
𝑇
𝜕𝐺(𝑝) 𝑇 𝜕2 𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚
Γ(p) = = − ∫𝑡=0 ( ) (𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 ) 𝑑𝑡 + ∫𝑡=0 ( ) 𝜕𝑝 𝑑𝑡 (2.9)
𝜕𝑝 𝜕𝑝2 𝜕𝑝
Despreciando los términos de segundo orden Γ(p) puede ser aproximada por:
𝑇 𝜕𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚
Γ(p) ≈ ∫𝑡=0 ( ) 𝑑𝑡 |𝑝=𝑝(𝑘) (2.10)
𝜕𝑝 𝜕𝑝
Capitulo 2 21
Definición de la
estructura del modelo
𝜕𝐽(𝑝)
Cálculo de 𝜕𝑝
𝑇
Solución ecuaciones del modelo 𝜕𝐽(𝑝) 𝜕𝑦𝑠𝑖𝑚
= 𝐺(𝑝) = (𝑦𝑠𝑖𝑚 − 𝑦𝑚𝑒𝑑 ) 𝑑𝑡
𝑥̇ (𝑡) = 𝑓(𝑥(𝑡), 𝑝, 𝑢(𝑡)) 𝜕𝑝 𝑡=0 𝜕𝑝
𝑦(𝑡) = 𝑔(𝑥(𝑡), 𝑝, 𝑢(𝑡))
Cálculo de Γ(p)
𝑇
𝜕𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚
Cálculo de 𝐽(𝑝) Γ(p) ≈ ( ) 𝑑𝑡 |𝑝=𝑝(𝑘)
𝑡=0 𝜕𝑝 𝜕𝑝
𝑇
1 2
𝐽(𝑝) = ∑(𝑦𝑚𝑒𝑑 𝑖 − 𝑦𝑠𝑖𝑚 𝑖 )
2
𝑖=0
Fin
Dado que la operación del sistema de potencia y del mismo generador no es estable todo
el tiempo, algunas variaciones en la potencia de la turbina, la carga o la tensión en el
estator, pueden provocar oscilaciones en el rotor que afectan la estabilidad de la
máquina. Por esta razón los fabricantes comunmente adicionan devanados extra
cortocircuitados en las cabezas polares, con el proposito de amortiguar estas
oscilaciones y hacer mucho más estable la operación de los generadores. Estas bobinas
son llamados devanados amortiguadores. Los modelos matemáticos detallados deben
considerar las dinámicas aportadas por los devanados de campo, estator y
amortiguadores para una correcta representación del generador.
Para ilustrar la ubicación de los ejes de referencia y los devanados de rotor, estator y
amortiguadores, se presenta la siguiente figura, que además es la base para la
determinación final del modelo del generador.
Capitulo 3 25
Para transformar las variables de corriente y tensión del marco de referencia abc a dq0,
se usa la matriz de transformación W, así:
1 1 1
√2 √2 √2
2 2 2
𝐖 = √3 cos 𝛾 cos (𝛾 − 3 𝜋) cos (𝛾 + 3 𝜋) (3.1)
2 2
[ sen 𝛾 sen (𝛾 − 3 𝜋) sen (𝛾 + 3 𝜋)]
i0 i𝐴
[i𝑑 ] = 𝐖 [i𝐵 ]
i𝑞 i𝐶
iABC = W −1 i0dq
i0𝑑𝑞 W 0 i𝐴𝐵𝐶
[ ]=[ ][ ]
i𝑓𝐷𝑄 0 𝐼 i𝑓𝐷𝑄
i𝐴𝐵𝐶
[i ] = [W
−1
0] [ i0𝑑𝑞 ]
𝑓𝐷𝑄 0 1 i𝑓𝐷𝑄
Se observan tres juegos de devanados perpendiculares entre si; tres en el eje directo,
dos en el eje de cuadratura y uno en el eje 0.
𝜓𝑑 𝐿𝑑 𝑘𝑀𝑓 𝑘𝑀𝐷 𝑖𝑑
[ 𝜓𝑓 ] = [ 𝑘𝑀𝑓 𝐿𝑓 𝐿𝑓𝐷 ] [ 𝑖𝑓 ] (3.2)
𝜓𝐷 𝑘𝑀𝐷 𝐿𝑓𝐷 𝐿𝐷 𝑖𝐷
𝜓𝑞 𝐿𝑞 𝑘𝑀𝑄 i𝑞
[ ] = −[ ][ ] (3.3)
𝜓𝑄 𝑘𝑀𝑄 𝐿𝑄 i𝑄
Para el circuito de la Figura 7 podemos escribir las ecuaciones de las tensiones así:
28 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝜈𝐴 𝑅𝐴 𝑖𝐴 𝜓𝐴
𝜈𝐵 𝑅𝐵 𝑖𝐵 𝜓𝐵
𝜈𝐶 𝑅𝐶 𝑖𝐶 𝑑 𝜓𝐶
−𝜈𝑓 = 𝑅𝑓 −𝑖𝑓 − 𝑑𝑡 𝜓𝑓
0 𝑅𝐷 𝑖𝐷 𝜓𝐷
[ 0 ] 𝑖 [𝜓𝑄 ]
[ 𝑅𝑄 ] [ 𝑄 ]
Donde R ABC y R fDQ son matrices de resistencia diagonales de los devanados A,B y C y
de campo, amortiguador en D y amortiguador en Q. Los términos con Ψ denotan el flujo
magnético concentrado en el devanado correspondiente.
Al pasar las variables de la ecuación 3.4 al marco de referencia dq0 y después de aplicar
un poco de algebra tenemos la siguiente expresión:
Donde:
0 0 0 𝜓0 0
𝛀𝚿0𝑑𝑞 = [0 0 −1] [ 𝜓𝑑 ] = [ −𝜔𝜓𝑞]
0 1 0 𝜓𝑞 𝜔𝜓𝑑
La ecuación 3.5 sin el término ΩΨ0dq describe la ley de Kirchhoff de tensiones para el
circuito de la Figura 8. El término ΩΨ0dq describe las tensiones electromagnéticas
inducidas en los devanados del estator debido a la rotación del campo magnético.
𝝂𝑑 𝐢𝑑 −𝜓𝑞
[𝝂 ] ≈ − [ 𝑅 ] [𝐢 ] + 𝜔 [ ] (3.6)
𝑞 𝑅 𝑞 𝜓𝑑
𝜓̇𝑓 𝑅𝑓 0 0 𝑖𝑓 𝜈𝑓
[𝜓̇𝐷 ] = − [ 0 𝑅𝐷 0 ] [𝑖 𝐷 ] + [ 0 ] (3.7)
𝜓̇ 0 0 𝑅𝑄 𝑖𝑄 0
𝑄
Las ecuaciones 3.6 y 3.7, junto con las ecuaciones 3.2 y 3.3 constituyen el modelo
completo del generador sincrónico considerando despreciables las tasas de cambio en
los flujos magnéticos. No obstante, para que este modelo pueda ser usado en estudios
sistémicos, debe ser simplificado y expresado en forma diferente para que pueda ser
acoplado a las ecuaciones de red del sistema de potencia.
Figura 9 Circuitos equivalentes del generador: (a) eje directo; (b) eje de cuadratura
Las reactancias de los circuitos equivalentes están en función de las inductancias propias
y mutuas vistas anteriormente:
con
𝑘 2 − 𝑀𝑓2
L′𝑑 = L𝑑 −
𝐿𝑓
L′𝑞 = L𝑞
′ ̇′
T𝑑0 𝐸𝑞 = E𝑓 − E𝑞′ + 𝐼𝑑 (X 𝑑 − X𝑑′ ) (3.8)
′ ̇′
T𝑞0 𝐸𝑑 = −E𝑑′ − 𝐼𝑞 (X𝑞 − X𝑞′ ) (3.9)
′′ ̇ ′′
T𝑑0 𝐸𝑞 = E𝑞′ − E𝑞′′ + 𝐼𝑑 (X𝑑′ − X𝑑′′ ) (3.10)
′′ ̇ ′′
T𝑞0 𝐸𝑑 = E𝑑′ − E𝑑′′ − 𝐼𝑞 (X𝑞′ − X𝑞′′ ) (3.11)
Las constantes de tiempo que acompañan las derivadas de las fuerzas electromotrices
de eje directo y cuadratura en el lado redecho de las ecuaciones 3.8 a 3.11 representan
como decaen estas tensiones, en los estados transitorios y subtransitorios, depués de
ocurrida una perturbación. Estas constantes de tiempo igualmente son expresadas en
términos de las inductancias propias y mutuas del generador:
′
L𝑓
T𝑑0 =
𝑅𝑓
′′
L2𝑓𝐷 1
T𝑑0 = (𝐿𝐷 − )
𝐿𝑓 𝑅𝐷
′′
L𝑄
T𝑞0 =
𝑅𝑄
Capitulo 3 31
𝐽𝜃̈𝑚 = 𝑇𝑎 = 𝑇𝑚 − 𝑇𝑒 (3.12)
Donde θm representa el ángulo mecánico del rotor del generador medido con respecto a
una referencia fija, y Ta es el torque acelerante, el cual sale de la diferencia entre el
torque mecánico y el torque eléctrico aplicado sobre el eje del generador.
Al igual que para la determinación del modelo en la parte eléctrica, desde la punto de
vista mecánico, es conveniente definir un nuevo marco de referencia, girando
solidariamente con el rotor a la velocidad sincrónica; esto con el fin de simplificar los
cálculos. El ángulo del rotor con respecto a esta nueva referencia rotativa será ahora
llamado δm , y estará dado por:
𝜋
𝛿𝑚 (𝑡) = 𝜃𝑚 (𝑡) − (ω𝑛 𝑡 + 𝛼 + )
2
π
Donde ωn es la velocidad nominal (sincrónica) y (ωn t + α + 2 ) define el marco de
̈ = 𝑇𝑎 = 𝑇𝑚 − 𝑇𝑒
𝐽𝛿𝑚 (3.13)
32 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝑝
𝛿𝑒 = 𝛿
2 𝑚
𝑝
𝜔𝑒 = 𝛿𝑒̇ = 𝛿̇
2 𝑚
Usando el concepto de ángulo eléctrico la ecuación 3.13 puede ser escrita de la siguiente
forma:
2𝐽 2𝐽
𝛿𝑒̈ = 𝑝 𝜔̇ 𝑒 = 𝑇𝑎 = 𝑇𝑚 − 𝑇𝑒 (3.14)
𝑝
𝐽ω2𝑛
𝐻=
2𝑆𝑛
S
Donde TB = ωn se define como el torque base.
n
La velocidad angular nominal eléctrica del campo giratorio estára dada por:
𝑝
𝜔𝑛𝑒 = 𝜔
2 𝑛𝑚
2𝐻 𝑇𝑚 𝑇
𝜔̇ 𝑒 = − 𝑇𝑒 (3.14)
𝜔𝑛𝑒 𝑇𝐵 𝐵
Capitulo 3 33
𝜔 𝑇𝑚
𝜔𝑢 = 𝜔 𝑒 , 𝑇𝑚𝑢 = , 𝑇𝑒𝑢 = 𝑇𝐵 , entonces la ecuación 3.14 será:
𝑛𝑒 𝑇𝐵
𝑀𝑚 𝜔̇ 𝑚 + 𝐷𝜔𝑚 = 𝑃𝑚 − 𝑃𝑒 (3.16)
𝐻
𝑀=
𝜋𝑓0
1
𝜔̇ 𝑢 = 2𝐻 (𝑃𝑚 − 𝑃𝑒 − 𝐷𝜔𝑢 ) (3.17)
𝛿̇ = 𝜔𝑢 (3.18)
Para este trabajo se ha usado un modelo de alto grado de precisión. Se trata del modelo
de orden 5, que cuenta con las siguientes variables de estado:
𝜔𝑛
𝜔̇ = (𝑃𝑚 − 𝑃𝑒 − 𝐷(𝜔 − 𝜔𝑛 )) (3.19)
2𝐻
𝛿̇ = 𝜔 − 𝜔𝑛 (3.20)
′ ̇′
T𝑑0 𝐸𝑞 = E𝑓 − E𝑞′ + 𝐼𝑑 (X𝑑 − X 𝑑′ ) (3.21)
′′ ̇ ′′
T𝑑0 𝐸𝑞 = E𝑞′ − E𝑞′′ + 𝐼𝑑 (X𝑑′ − X 𝑑′′ ) (3.22)
′′ ̇ ′′
T𝑞0 𝐸𝑑 = E𝑑′ − E𝑑′′ − 𝐼𝑞 (X ′𝑞 − X 𝑞′′ ) (3.23)
Las ecuaciones diferenciales del este modelo deben ser complementadas con la
ecuaciones algebráicas necesarias que permiten conocer las corrientes y tensiones en
eje directo y cuadratura, el funcíon de las variables de estado, además de las potencias
activa y reactiva. Las siguientes son las ecuaciones algebráicas que compelmentan el
modelo:
𝑉𝑑 E′ 𝑅 X 𝑞′ 𝐼𝑑
[ 𝑉 ] = [ 𝑑′ ] − [ ′ ][ ] (3.24)
𝑞 E𝑞 −X𝑑 𝑅 𝐼𝑞
Se debe apuntar que todos las variables y parámetros de este modelo están expresados
en p.u.
Una de las características mas notables de los sistema de excitación es su alta velocidad
de respuesta comparada por ejemplo con la dinámica del sistema de control de
velocidad. Esto se debe principalmente a que la dinámica eléctrica de los generadores es
mucho más rápida que la mecánica, sumado a la llegada de la electrónica de potencia
que ha permitido un control mucho más veloz y de mayor precisión sobre la tensión de
campo.
En el estandar IEEE 421.5 de 2005 [18] se presentan en detalle una gran cantidad de
modelos de sistemas de excitación que pueden ser usados en estudios de estabilidad
dinámica para sistemas de potencia y que representan adecuadamente el
comportamiento de diferentes tipos de sistemas de excitación que se encuentran
típicamente instalados en unidades de generación.
solo del generador, sino de amortiguar oscilaciones del modo de oscilación local
del generador y oscilaciones inter-área o intra-planta.
Algunos de los tipos de excitación más representativos para unidades de generación se
presentan a continuación, según dicho estándar [18].
1
2 4
Los sistemas de excitación estática usan un puente rectificador compuesto por tiristores,
cuyo ángulo de disparo es controlado por la acción del controlador del sistema de
excitación.
Para este trabajo se seleccionó un sistema de excitación estática tipo Silco V de Vatech
que valida el comportamiento del regulador de tensión de las unidades de Guavio en el
sistema colombiano. En la siguiente figura se presenta el modelo implementado en
DigSilent Power Factory para dicho sistema de excitación.
𝐸𝑓
𝑚𝑎𝑥
_
𝑉𝐶 Σ 𝐾𝐴 𝐸𝑓
+
𝐸𝑓
𝑚𝑖𝑛
𝑉𝑅𝐸𝐹
Nótese que este modelo no presenta variables de estado, por lo que la ecuación que lo
representa es algebráica dado el carácter de control proporcional del AVR.
4 Modelo del Sistema de Transmisión
Acoplado al Generador Sincrónico
En este capítulo se describe la metodología llevada a cabo para simular el generador
sincrónico conectado a un equivalente dinámico de red de transmisión, y finalmente se
presentan los resultados de este modelamiento y la comparación de resultados de
simuación entre el desarrollo realizado para este trabajo y una herramienta profesional
para simulación de la dinámica de sistemas de potencia (DigSilent Power Factory).
g(𝑥, 𝑦) = 0 (4.1)
𝑥̇ = 𝑓(𝑥, 𝑦) (4.2)
estándar, resolviendose cada ecuación algebráica de forma separada para cada paso de
integración. En la solución simultánea se usan métodos de integración implicitos con el
fin de convertir las ecuaciones diferenciales en un conjunto de ecuaciones algebráicas y
combinarlas con las demás ecuaciones algebráicas existentes, y de esta forma
solucionar de forma conjunta todas las ecuaciones algebráicas obtenidas.
𝑡𝑘+1 𝑡𝑘+1
Donde la serie 𝑤(𝑡) está compuesta por 𝑟 valores de 𝑓(𝑥, 𝑡). Los coeficientes de esta
serie dependen de los valores de 𝑓(𝑥, 𝑡) en cada punto individual. Por lo tanto la formula
de integración se convierte en:
Cuando se trata del error intrínseco de cada método de integración, los métodos
implicitos superan los métodos explicitos dado que estos conllevan menores errores,
adicionalmente, y como es de esperarse, a medida que la seríe 𝑤(𝑡) es representada por
más términos el error se reduce mucho más. Dado que un factor determinante para
garantizar la estabilidad de la solución de las ecuaciones diferenciales es el error
intrinseco del método de integración, en este trabajo se seleccionó el método trapezoidal
implicito para la solución de las ecuaciones diferenciales. El método trapezoidal implicito
usa la siguiente formulación para calcular 𝑥𝑘+1 :
ℎ
𝑥𝑘+1 = 𝑥𝑘 + (𝑓𝑘+1 + 𝑓𝑘 ) 4.4
2
Una desventaja de los métodos implicitos es que el valor de 𝑥𝑘+1 no puede ser calculado
directamente.
Dado que el valor desconocido 𝑥𝑘+1 se encuentra en ambos lados de la ecuación, este
tendrá que ser aproximado de forma iterativa si 𝑓(𝑥, 𝑡) es una función no lineal, el cual es
el caso de las ecuaciones que representan el generador sincrónico.
ℎ
El método más simple para resolver la ecuación 𝑥𝑘+1 = 𝑥𝑘 + 2 (𝑓𝑘+1 + 𝑓𝑘 )
(𝑙+1) ℎ ℎ (𝑙)
𝑥𝑘+1 = 𝑥𝑘 + 𝑓(𝑥𝑘 ) + 𝑓(𝑥𝑘+1 )
2 2
44 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
esto es cuando:
2
(𝑙) 2 ℎ
√[(𝒙𝑘+1 ) ] ∙ [(𝒙𝑘 + 𝒇(𝑥𝑘 )) ] ≤ 𝜀
2
(𝑙)
donde 𝒙𝑘+1 es el vector de las variables de estado del paso 𝑘 + 1 en la iteración 𝑙 y 𝒇(𝑥𝑘 )
es el vector de funciones de estado del paso 𝑘.
Generadores
Parámetro Unidad Generador de Prueba Equivalente de Red
H[Sgn] s 4 5
D p.u. 0 0
rstr p.u. 0 0
Xd p.u. 1.15 1.15
Xq p.u. 0.4026 0.4026
Td0' s 7.75 7.75
Td0'' s 0.0608 0.0608
Tq0'' s 0.0607 0.0607
Xd' p.u. 0.3483 0.3483
Xq' p.u. 0.3217 0.3217
Xd'' p.u. 0.2501 0.2501
Xq'' p.u. 0.3155 0.3155
46 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Líneas
Parámetro Unidad Línea 1 Línea 2
R Ω/km 0.05 0.05
X Ω/km 0.5 0.5
B μs/km 2 2
Transformadores
Parámetro Unidad Trafo Elevador
Ucc p.u. 0.1
Cargas
Parámetro Unidad Carga Barra 2
np - 1.4
nq - 1.6
kpf - 0
kqf - 0
Con este sistema de prueba se pretende simular el comportamiento dinámico que tendría
un generador sincrónico de polos salientes conectado a través de una línea de
transmisión a un sistema relativamente fuerte.
Para el caso particular del sistema de prueba, se seleccionó una potencia base de
100MVA. Por lo tanto la potencia aparente de cada uno de los generadores, su inercia,
todas sus reactancias y las de cada línea de transmisión deben se llevadas a esta base
común de la siguiente forma:
𝑆
𝑆𝐺(𝑝.𝑢) = 𝑆 𝑛𝐺𝑖 Potencia del generador en su nueva base
𝑏𝑎𝑠𝑒
𝑋𝐺𝑖
𝑋𝑖(𝑝.𝑢) = 𝑆 Reactancia 𝑖 del generador en su nueva base
𝐺(𝑝.𝑢)
𝑋𝑡
𝑋𝑡(𝑝.𝑢) = 𝑆 Reactancia del transformador elevador en su nueva base
𝑏𝑎𝑠𝑒
𝑋𝐿 𝐿𝑆𝐺(𝑝.𝑢)
𝑋𝐿(𝑝.𝑢) = 𝑉𝐿2
Reactancia de línea en su nueva base
𝑋𝐿 𝐿𝑆𝐺(𝑝.𝑢)
𝑅𝐿(𝑝.𝑢) = 𝑉𝐿2
Resistencia de línea en su nueva base
𝑋𝐿 𝐿𝑆𝐺(𝑝.𝑢)
𝑌𝐿(𝑝.𝑢) = 𝑉𝐿2
Admitancia de línea en su nueva base
Donde, 𝑆𝑏𝑎𝑠𝑒 es la nueva potencia base común, 𝑆𝑛𝐺𝑖 es la potencia nominal del
generador, 𝑋𝐺𝑖 denota cada una de las reactancias del generador (𝑋𝑑 , 𝑋𝑞, 𝑋𝑑′ , …. etc.), 𝑋𝐿
es la reactancia serie de línea, 𝐿 es la longitud de la línea y 𝑉𝐿 es su tensión.
1 1
𝑌(3,3) = 𝐺𝐿 + 𝑗(𝐵𝐿 + 𝑌𝐿 ⁄2) − 𝑗 𝑋 , 𝑌(3,4) = 𝑌(4,3) = 𝑗 𝑋
𝑡 𝑡
1
𝑌(4,4) = −𝑗
𝑋𝑡
48 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝑌(1,1) 𝑌(1,2) 0 0
𝑌(2,1) 𝑌(2,2) 𝑌(2,3) 0
𝑌𝑏𝑎𝑟𝑟𝑎 =
0 𝑌(3,2) 𝑌(3,3) 𝑌(3,4)
[ 0 0 𝑌(4,3) 𝑌(4,4) ]
Por lo que las inyecciones de corriente y las potencias aparentes calculadas en cada
nodo en forma vectorial serán:
𝐼 = 𝑌𝑏𝑎𝑟𝑟𝑎 𝑉
𝑆 = 𝑉𝐼 ∗
1
(𝑟𝑠𝑡𝑟 − 𝑗 2 (𝑋𝑑′′ + 𝑋𝑞′′ ))
𝑌𝑁𝑜𝑟𝑡 =
𝑟𝑠𝑡𝑟 2 + 𝑋𝑑′′ 𝑋𝑞′′
1
(𝑟𝑠𝑡𝑟 + 𝑗 2 (𝑋𝑑′′ − 𝑋𝑞′′ ))
′′
𝑌𝑠𝑎𝑙 =
𝑟𝑠𝑡𝑟 2 + 𝑋𝑑′′ 𝑋𝑞′′
Para cada generador se calculan las siguientes variables que dependen del despacho de
potencia activa, tensión en terminales y corrientes calculadas en el paso anterior:
𝜔 = 𝜔𝑛 = 2𝜋 ∗ 60
ℛ𝑒(𝑆2 ) ℐ𝑚(𝑆2 )
𝑔(𝑉, 𝑓, 𝑓𝑎𝑠𝑒, 𝑆) = {𝑡=0 →
𝑡≠0 → 𝑉 𝑛𝑝 𝑉 𝑛𝑞 }
[𝑃2 𝑜 ( ) (1+𝑘𝑝𝑓 (𝑓−𝑓0 )/𝑓0 𝑄2 𝑜 ( ) (1+𝑘𝑞𝑓 (𝑓−𝑓0 )/𝑓0 ]
𝑉0 𝑉0
2. 𝑡 = 𝑡 +△ 𝑡 contador de tiempo
△ 𝑡 𝜔𝑛
𝜔𝑡𝑝 = 𝜔 + (𝑃 − 𝑃𝑒 − 𝐷(𝜔 − 𝜔𝑛 ))
2 2𝐻 𝑚
△𝑡
𝛿𝑡𝑝 =𝛿+ (𝜔 − 𝜔𝑛 )
2
𝐸𝑓𝑑𝑡𝑝 = (𝑉𝑟𝑒𝑓 − 𝑎𝑏𝑠(𝑉)) 𝑘𝑝
△𝑡 1
𝐸𝑞′ 𝑡 = 𝐸𝑞′ + ′ [𝐸𝑓𝑑 − 𝐸𝑞′ + 𝐼𝑑 (𝑋𝑑 − 𝑋𝑑′ )]
𝑝 2 𝑇𝑑0
△𝑡 1
𝐸𝑞′′ 𝑡 = 𝐸𝑞′′ + ′′ 𝐸𝑞′ − 𝐸𝑞′′ + 𝐼𝑑 (𝑋𝑑′ − 𝑋𝑑′′ )
𝑝 2 𝑇𝑑0
△𝑡 1
𝐸𝑑′′ 𝑡 = 𝐸𝑑′′ + ′′ [𝐸𝑑′ − 𝐸𝑑′′ − 𝐼𝑞 (𝑋𝑞′ − 𝑋𝑞′′ )]
𝑝 2 𝑇𝑞0
𝑃2 𝑄2 𝑇
= 𝑔(𝑉, 𝑓, 𝑓𝑎𝑠𝑒, 𝑆 +△ 𝑆)
𝑉 = 𝑌𝑏𝑎𝑟𝑟𝑎 𝐼 −1
52 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝐸𝑟𝑟𝑚𝑎𝑥 = 10−5
𝑘𝑚𝑎𝑥 = 100
𝐸𝑟𝑟 = 500
𝑘=0
𝑘 =𝑘+1
𝑃2 𝑄2 = 𝑔(𝑉, 𝑓, 𝑓𝑎𝑠𝑒, 𝑆 +△ 𝑆)
(−𝑃2 + 𝑗𝑄2 )
𝐼2 =
𝑉2 ∗
𝐼3 = 0
𝑉 = 𝑌𝑏𝑎𝑟𝑟𝑎 𝐼 −1
8.2 Con los fasores de tensión calculados y los valores de las variables de estado
se calcula la potencia eléctrica de los generadores. Después de calcular las
componentes de tensión y corriente en eje directo y cuadratura:
𝑉𝑑 = −𝑠𝑒𝑛(𝛿)ℛ𝑒(𝑉) + 𝑐𝑜𝑠(𝛿)ℐ𝑚(𝑉)
Capitulo 4 53
𝑉𝑞 = 𝑐𝑜𝑠(𝛿)ℛ𝑒(𝑉) + 𝑠𝑒𝑛(𝛿)ℐ𝑚(𝑉)
8.3 Con la potencia eléctrica calculada, y los cálculos de las variables de estado
en 𝑡 = 𝑡𝑝 , se calculan las variables de estado en 𝑡 = 𝑡𝑝+1 usando la
formulación del método trapezoidal implícito. Igualmente se define el vector de
estado en la iteración 𝑘.
△ 𝑡 𝜔𝑛
𝜔𝑘 = 𝜔𝑡𝑝 + (𝑃𝑚 − 𝑃𝑒 − 𝐷(𝜔 − 𝜔𝑛 ))
2 2𝐻
△𝑡
𝛿𝑘 = 𝛿𝑡𝑝 + (𝜔 − 𝜔𝑛 )
2
△𝑡 1
[𝐸𝑞′ 𝑡 + 2 ′ [𝐸𝑓𝑑𝑡𝑝 + 𝐼𝑑 (𝑋𝑑 − 𝑋𝑑′ )]]
𝑝 𝑇𝑑0
𝐸𝑞′ 𝑘 = △𝑡
1+ ′
2𝑇𝑑0
△𝑡 1
𝐸𝑞′′ 𝑡 + 2 ′′ 𝐸𝑞′ + 𝐼𝑑 (𝑋𝑑′ − 𝑋𝑑′′ )
𝑝 𝑇𝑑0
𝐸𝑞′′ 𝑘 =[ △𝑡 ]
1 + ′′
2𝑇𝑑0
△𝑡 1
𝐸𝑑′′ 𝑡 + 2 ′′ [𝐸𝑑′ − 𝐼𝑞 (𝑋𝑞′ − 𝑋𝑞′′ )]
𝑝 𝑇𝑞0
𝐸𝑑′′ 𝑘 = △𝑡
1 + ′′
[ 2𝑇 𝑞0 ]
2 2 2 2 2
𝑬𝒓𝒓 = (𝜔𝑘 − 𝜔𝑡𝑝 ) + (𝛿𝑘 − 𝛿𝑡𝑝 ) + (𝐸𝑞′ 𝑘 − 𝐸𝑞′ 𝑡 ) + (𝐸𝑞′′ 𝑘 − 𝐸𝑞′′ 𝑡 ) + (𝐸𝑑′′ 𝑘 − 𝐸𝑑′′ 𝑡 )
𝑝 𝑝 𝑝
54 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
𝒙𝑡𝑝 = 𝒙𝑘
9. Se calculan las variables de interés como vectores que se van llenando con cada
iteración de tiempo para ser presentadas como resultados de la simulación.
Las condiciones iniciales de todas las simulaciones, derivadas del flujo de carga que
representa un estado operativo del sistema se presentan en la siguiente figura:
Capitulo 4 55
Para verificar la validez del modelo implementado tanto para el generador como para el
sistema de excitación se realizaron simulaciones de escalones del ± 2% en la tensión de
referencia del regulador de tensión de la unidad bajo prueba. Los resultados de las
simulaciones para una ventana de tiempo de 10 segundos se presentan en las siguientes
figuras.
Figura 18 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un escalón de +2% en la tensión de referencia del AVR.
56 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Figura 19 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un escalón de -2% en la tensión de referencia del AVR.
Figura 20 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante un incremento de 100 MW y 50 MVar en la carga de la barra 2.
Figura 21 Comparación entre el modelo en DigSilent y Matlab del generador bajo prueba
ante la reducción de 100 MW y 50 MVar en la carga de la barra 2.
Como variables de entrada 𝑢 del modelo se selecciona la tensión de campo (E𝑓 ) que es
controlada por el AVR.
facilmente estimados que los eléctricos, mediante pruebas de rechazo de carga, tal como
se describe en [22].
Una vez obtenidas las salidas medidas, se alteran los parámetros reales del generador
en un factor determinado, con los cuales se define un vector de parámetros semilla. Este
vector que tiene un error implicito se ingresa al algoritmo de optimización el cual itera
hasta alcanzar un número máximo de iteraciones, o el error 𝐽(𝑝) sea menor a una
pequeña tolerancia.
Generador de Prueba
𝑉
Evento
AVR G
𝑉𝑅𝐸𝐹
𝑃, 𝑄
PMU
C.I. 𝑉0 , 𝑃0 , 𝑄0 𝑦𝑚𝑒𝑑 = 𝑃, 𝑄
𝑝(0) Parámetros - +
semilla
Algoritmo de estimación de parámetros
𝑇
1 2
𝐽(𝑝) = ∑(𝑦𝑚𝑒𝑑 𝑖 − 𝑦𝑠𝑖𝑚 𝑖 )
2
𝑖=0
𝑝(𝑘) Parámetros
𝐽(𝑝) < 𝜀
finales
𝜕𝑦
Sensibilidades 𝜕𝑝𝑖
𝑇
𝜕𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚
Γ(p) ≈ ( ) 𝑑𝑡 |𝑝=𝑝(𝑘)
𝑡=0 𝜕𝑝 𝜕𝑝
𝑇
𝜕𝐽(𝑝) 𝜕𝑦𝑠𝑖𝑚
= 𝐺(𝑝) = (𝑦𝑠𝑖𝑚 − 𝑦𝑚𝑒𝑑 ) 𝑑𝑡
𝜕𝑝 𝑡=0 𝜕𝑝
5.1.3.1Sensibilidades de trayactoria
La metodología de estimación de parámetros propuesta en este trabajo se basa en la
determinación de las derivadas parciales de las salidas 𝑃 y 𝑄 con respecto al vector de
parámetros, las cuales entregan al algoritmo información de la sensibilidad de cada
parámetro en las variables medidas. En este subcapitulo se presenta el proceso de
cálculo para las sensibilidades de las salidas con respecto a los parámetros de forma
explicita.
De acuerdo con las ecuaciones 2.1, a continuación se presentan las ecuaciones que
describen el modelo del generador bajo estudio en acople con el modelo de la red de
transmisión:
Las funciones 𝑥̇ = 𝑓(𝑥, 𝑧, 𝑝, 𝑢) que describen los estados del sistema son las
siguientes:
𝜔𝑛
𝑓1 (𝑃𝑚 − 𝑃𝑒 )
2𝐻
𝑓2 𝜔 − 𝜔𝑛
′ ′ ′
𝑥̇ = 𝑓 (𝑥, 𝑧, 𝑝, 𝑢) = 𝑓3 = [E𝑓 − E𝑞 + 𝐼𝑑 (X𝑑 − X𝑑 )]⁄T𝑑0 (5.1)
𝑓4 [E′𝑞 − E′′𝑞 + 𝐼𝑑 (X′𝑑 − X′′𝑑 )]⁄T′′𝑑0
[𝑓5 ] ′ ′′ ′ ′′ ′′
[[E𝑑 − E𝑑 − 𝐼𝑞 (X𝑞 − X𝑞 )]⁄T𝑞0 ]
Sea:
𝜕𝑥 𝑝
= 𝜆𝑥𝑖 , la sensibilidad del vector de estados con respecto al parámetro i
𝜕𝑝𝑖
𝜕𝑧 𝑝
= 𝜆𝑧 𝑖 , la sensibilidad del vector de variables algebráicas con respecto al parámetro 𝑖
𝜕𝑝𝑖
𝜕𝑦 𝑝
= 𝜆𝑦𝑖 , la sensibilidad del vector de salidas con respecto al parámetro 𝑖
𝜕𝑝𝑖
Una vez obtenidas las derivadas parciales de las funciones 𝑓, 𝑔 y ℎ con respecto 𝑥, 𝑦 y 𝑧
la solución de este conjunto de ecuaciones diferenciales puede ser calculada de la
misma forma como se resuelven las ecuaciones diferenciales del modelo del generador a
través de integración trapezoidal implicita; incluyendo estas ecuaciones en la rutina que
resuelve las ecuaciones del modelo del generador.
Cada una de las derivadas parciales del conjunto de ecuaciones anterior puede ser
calculada analiticamente. Para facilitar la obtención de estas derivadas se implementó en
Matlab un código que usa la funcionalidad de cálculo simbólico. Dicho código puede ser
consultado en el Anexo B. El siguiente conjunto de ecuaciones muestra el resultado del
cálculo de dichas derivadas parciales reemplazadas en las ecuaciones 5.5 para el
parámetro 𝑋𝑑 :
X
𝜆̇𝜔𝑑 = 0
X X
𝜆̇𝛿 𝑑 = 𝜆𝜔𝑑
X X X
𝜆̇E𝑑′ = (𝐼𝑑 − 𝜆E𝑑′ + 𝜆𝐼𝑑𝑑 (X𝑑 − X′𝑑 ))⁄T′𝑑0
𝑞 𝑞
Capitulo 5 65
X X X X
𝜆̇E𝑑′′ = (𝜆E𝑑′ − 𝜆E𝑑′′ + 𝜆𝐼𝑑𝑑 (X′𝑑 − X′′𝑑 ))⁄T′′𝑑0
𝑞 𝑞 𝑞
X X X
𝜆̇ 𝑑′′ = (−𝜆 𝑑′′ − 𝜆𝐼𝑞𝑑 (X′𝑞 − X′′𝑞 ))⁄T′′𝑞0
E𝑑 E𝑑
X X X
0 = −𝜆𝐼𝑑𝑑 − 𝜆E𝑑′ ⁄(X′𝑑 + Z𝐿 ) − (𝐸0 𝜆𝛿 𝑑 sen(𝛿))⁄(X′𝑑 + Z𝐿 )
𝑞
X X
0 = −𝜆𝐼𝑞𝑑 + (𝐸0 𝜆𝛿 𝑑 cos(𝛿))⁄(X′𝑞 + Z𝐿 )
X X X X X
𝜆P𝑑 = 𝜆𝐼𝑑𝑑 (E′′𝑑 + 𝐼𝑞 (X′′𝑑 − X′′𝑞 )) + 𝜆𝐼𝑞𝑑 (E′′𝑞 + 𝐼𝑑 (X′′𝑑 − X′′𝑞 )) + 𝐼𝑑 𝜆E𝑑′′ + 𝐼𝑞 𝜆E𝑑′′
𝑑 𝑞
X X X X X
𝜆Q𝑑 = 𝜆𝐼𝑞𝑑 (E′′𝑑 − 2𝐼𝑞 X′′𝑞 ) − 𝜆𝐼𝑑𝑑 (E′′𝑞 + 2𝐼𝑑 X′′𝑑 ) − 𝐼𝑑 𝜆E𝑑′′ + 𝐼𝑞 𝜆E𝑑′′ (5.6)
𝑞 𝑑
′
X
𝜆̇𝜔𝑞 = 0
′ ′
X X
𝜆̇𝛿 𝑞 = 𝜆𝜔𝑞
′ ′ ′
X X X
𝜆̇ 𝑞′ = (𝜆𝐼𝑑𝑞 (X𝑑 − X′𝑑 ) − 𝜆 𝑞′ )⁄T′𝑑0
E𝑞 E𝑞
′ ′ ′ ′
X X X X
𝜆̇ 𝑞′′ = (𝜆 𝑞′ − 𝜆 𝑞′′ + 𝜆𝐼𝑑𝑞 (X′𝑑 − X′′𝑑 ))⁄T′′𝑑0
E𝑞 E𝑞 E𝑞
66 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
′ ′ ′
X𝑞 X𝑞 X𝑞
𝜆̇ ′′ = (−𝐼𝑞 − 𝜆 ′′ − 𝜆𝐼𝑞 (X′𝑞 − X′′𝑞 ))⁄T′′𝑞0
E𝑑 E𝑑
𝑞 X′𝑞 X′ 𝑞 X′
0 = −𝜆𝐼𝑑 − 𝜆 ′ ⁄(X′𝑑 + Z𝐿 ) − (𝐸0 𝜆𝛿 sen(𝛿))⁄(X′𝑑 + Z𝐿 )
E𝑞
2 X′ X′
0 = (E′𝑑 − 𝐸0 sen(𝛿))⁄(X′𝑞 + Z𝐿 ) − (𝜆𝐼𝑞𝑞 + 𝐸0 𝜆𝛿 𝑞 cos(𝛿))⁄(X′𝑞 + Z𝐿 )
X′
𝑞 𝑞 X′ 𝑞 X′ 𝑞 X′ X′𝑞
𝜆P = 𝜆𝐼𝑑 (E′′𝑑 + 𝐼𝑞 (X′′𝑑 − X′′𝑞 )) + 𝜆𝐼𝑞 (E′′𝑞 + 𝐼𝑑 (X′′𝑑 − X′′𝑞 )) + 𝐼𝑑 𝜆 ′′ + 𝐼𝑞 𝜆
E𝑑 E′′𝑞
X′ X′ X′ X′ X′𝑞
𝜆Q𝑞 = 𝜆𝐼𝑞𝑞 (E′′𝑑 − 2𝐼𝑞 X′′𝑞 ) − 𝜆𝐼𝑑𝑞 (E′′𝑞 + 2𝐼𝑑 X′′𝑑 ) − 𝐼𝑑 𝜆 𝑞′′ + 𝐼𝑞 𝜆 (5.7)
E𝑞 E′′𝑑
′
X
𝜆̇𝜔𝑑 = 0
′ ′
X X
𝜆̇𝛿 𝑑 = 𝜆𝜔𝑑
′ ′ ′
X X X
𝜆̇E𝑑′ = (𝜆𝐼𝑑𝑑 (X𝑑 − X′𝑑 ) − 𝜆E𝑑′ − 𝐼𝑑 )⁄T′𝑑0
𝑞 𝑞
′ ′ ′ ′
X X X X
𝜆̇E𝑑′′ = (𝜆E𝑑′ − 𝜆E𝑑′′ + 𝜆𝐼𝑑𝑑 (X′𝑑 − X′′𝑑 ) − 𝐼𝑑 )⁄T′′𝑑0
𝑞 𝑞 𝑞
′ ′ ′
X X X
𝜆̇ 𝑑′′ = (−𝜆 𝑑′′ − 𝜆𝐼𝑞𝑑 (X′𝑞 − X′′𝑞 ))⁄T′′𝑞0
E𝑑 E𝑑
2 X′ X′ X′
0 = (E′𝑞 𝐸0 cos(𝛿))⁄(X′𝑑 + Z𝐿 ) − 𝜆E𝑑′ ⁄(X′𝑑 + Z𝐿 ) −𝜆𝐼𝑑𝑑 − (𝐸0 𝜆𝛿 𝑑 sen(𝛿))⁄(X′𝑑 + Z𝐿 )
𝑞
X′ X′
0 = (𝐸0 𝜆𝛿 𝑑 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑑
X′ X′ X′ X′ X′
𝜆P𝑑 = 𝜆𝐼𝑑𝑑 (E′′𝑑 + 𝐼𝑞 (X′′𝑑 − X′′𝑞 )) + 𝜆𝐼𝑞𝑑 (E′′𝑞 + 𝐼𝑑 (X′′𝑑 − X′′𝑞 )) + 𝐼𝑑 𝜆 𝑑′′ + 𝐼𝑞 𝜆E𝑑′′
E𝑑 𝑞
X′ X′ X′ X′ X′𝑑
𝜆Q𝑑 = 𝜆𝐼𝑞𝑑 (E′′𝑑 − 2𝐼𝑞 X′′𝑞 ) − 𝜆𝐼𝑑𝑑 (E′′𝑞 + 2𝐼𝑑 X′′𝑑 ) − 𝐼𝑑 𝜆E𝑑′′ + 𝐼𝑞 𝜆 (5.8)
𝑞 E′′𝑑
′′
X
𝜆̇𝜔𝑑 = 0
′′ ′′
X X
𝜆̇𝛿 𝑑 = 𝜆𝜔𝑑
′′ ′′ ′′
X X X
𝜆̇E𝑑′ = (𝜆𝐼𝑑𝑑 (X𝑑 − X′𝑑 ) − 𝜆E𝑑′ )⁄T′𝑑0
𝑞 𝑞
′′ ′′ ′′ ′′
X X X X
𝜆̇E𝑑′′ = (𝜆E𝑑′ − 𝜆E𝑑′′ + 𝜆𝐼𝑑𝑑 (X′𝑑 − X′′𝑑 ) − 𝐼𝑑 )⁄T′′𝑑0
𝑞 𝑞 𝑞
′′ ′′ ′′
X X X
𝜆̇ 𝑑′′ = (−𝜆 𝑑′′ − 𝜆𝐼𝑞𝑑 (X′𝑞 − X′′𝑞 ))⁄T′′𝑞0
E𝑑 E𝑑
X′′ X′′
0 = (𝐸0 𝜆𝛿 𝑑 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑑
′′
X
𝜆̇𝜔𝑞 = 0
′′ ′′
X X
𝜆̇𝛿 𝑞 = 𝜆𝜔𝑞
′′ ′′ ′′
X X X
𝜆̇ 𝑞′ = (𝜆𝐼𝑑𝑞 (X𝑑 − X′𝑑 ) − 𝜆 𝑞′ )⁄T′𝑑0
E𝑞 E𝑞
′′ ′′ ′′ ′′
X X X X
𝜆̇ 𝑞′′ = (𝜆 𝑞′ − 𝜆 𝑞′′ + 𝜆𝐼𝑑𝑞 (X′𝑑 − X′′𝑑 ))⁄T′′𝑑0
E𝑞 E𝑞 E𝑞
′′ ′′ ′′
X X X
𝜆̇ 𝑞′′ = (𝐼𝑞 − 𝜆 𝑞′′ − 𝜆𝐼𝑞𝑞 (X′𝑞 − X′′𝑞 ))⁄T′′𝑞0
E𝑑 E𝑑
68 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
X′′ X′′
0 = (𝐸0 𝜆𝛿 𝑞 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑞
X′′
𝑞 𝑞 X′′ 𝑞 X′′ 𝑞 X′′ X′′𝑞
𝜆P = 𝜆𝐼𝑑 (E′′𝑑 + 𝐼𝑞 (X′′𝑑 − X′′𝑞 )) + 𝜆𝐼𝑞 (E′′𝑞 + 𝐼𝑑 (X′′𝑑 − X′′𝑞 )) − 𝐼𝑑 𝐼𝑞 + 𝐼𝑑 𝜆 ′′ + 𝐼𝑞 𝜆
E𝑑 E′′𝑞
′
Sensibilidades con respecto a 𝑇𝑑0
′
T
𝜆̇𝜔𝑑0 = 0
′ ′
T T
𝜆̇𝛿 𝑑0 = 𝜆𝜔𝑑0
′ ′ 2 ′
T T T
𝜆̇E𝑑0
′ = 𝜆𝐼𝑑𝑑0 (X𝑑 − X′𝑑 )⁄T′𝑑0 − (E𝑓 − E′𝑞 + 𝐼𝑑 (X𝑑 − X′𝑑 ))⁄T′𝑑0 − 𝜆E𝑑0 ′
′ ⁄T𝑑0
𝑞 𝑞
′ ′ ′ ′
T T𝑑0 T𝑑0 T𝑑0
𝜆̇E𝑑0 E E
′ ′′ ′′
′′ = (𝜆 ′ − 𝜆 ′′ + 𝜆𝐼𝑑 (X𝑑 − X𝑑 ))⁄T𝑑0
𝑞 𝑞 𝑞
′ ′ ′
T T𝑑0 T𝑑0
𝜆̇ 𝑑0 ′ ′′ ′′
′′ = (−𝜆 ′′ − 𝜆𝐼𝑞 (X𝑞 − X𝑞 ))⁄T𝑞0
E𝑑 E𝑑
T′
′ T′
′ T′
′ ⁄(X𝑑 + Z𝐿 ) −𝜆𝐼𝑑 − (𝐸0 𝜆𝛿 sen(𝛿))⁄(X𝑑 + Z𝐿 ) −
0 = −𝜆E𝑑0 𝑑0 𝑑0
𝑞
T′𝑑0
(𝐸0 𝜆𝛿 sen(𝛿))⁄(X𝑑′ + Z𝐿 )
T′ T′
0 = (𝐸0 𝜆𝛿 𝑑0 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑑0
T′ T′ T′ T′𝑑0 T′
𝜆P𝑑0 = 𝜆𝐼𝑑𝑑0 (E′′𝑑 + 𝐼𝑞 (X′′𝑑 − X′′𝑞 )) + 𝜆𝐼𝑞𝑑0 (E′′𝑞 + 𝐼𝑑 (X′′𝑑 − X′′𝑞 )) + 𝐼𝑑 𝜆 + 𝐼𝑞 𝜆E𝑑0
E′′𝑑 ′′
𝑞
T′ T′ T′ T′ T′𝑑0
𝜆Q𝑑0 = 𝜆𝐼𝑞𝑑0 (E′′𝑑 − 2𝐼𝑞 X′′𝑞 ) − 𝜆𝐼𝑑𝑑0 (E′′𝑞 + 2𝐼𝑑 X′′𝑑 )−𝐼𝑑 𝜆E𝑑0
′′ + 𝐼𝑞 𝜆 (5.11)
𝑞 E′′𝑑
′′
T
𝜆̇𝜔𝑑0 = 0
Capitulo 5 69
′′ ′′
T T
𝜆̇𝛿 𝑑0 = 𝜆𝜔𝑑0
′′ ′′ ′′
T T T
𝜆̇E𝑑0
′ = 𝜆𝐼𝑑𝑑0 (X𝑑 − X′𝑑 )⁄T′𝑑0 − 𝜆E𝑑0 ′
′ ⁄T𝑑0
𝑞 𝑞
′′ ′′ ′′ ′′
T T𝑑0 T𝑑0 ′′ 2 T𝑑0
𝜆̇E𝑑0 E
′′
E
′′ ′ ′′ ′ ′′ ′ ′′ ′′
′′ = 𝜆 ′ ⁄T𝑑0 − 𝜆 ′′ ⁄T𝑑0 − (E𝑞 − E𝑞 + 𝐼𝑑 (X𝑑 − X𝑑 ))⁄T𝑑0 + 𝜆𝐼𝑑 (X𝑑 − X𝑑 )⁄T𝑑0
𝑞 𝑞 𝑞
′′ ′′ ′′
T T𝑑0 T𝑑0
𝜆̇ 𝑑0 ′ ′′ ′′
′′ = (−𝜆 ′′ − 𝜆𝐼𝑞 (X𝑞 − X𝑞 ))⁄T𝑞0
E𝑑 E𝑑
T′′ T′′
0 = (𝐸0 𝜆𝛿 𝑑0 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑑0
′′
T
𝜆̇𝜔𝑞0 = 0
′′ ′′
T T
𝜆̇𝛿 𝑞0 = 𝜆𝜔𝑞0
′′ ′′ ′′
T T𝑞0 T𝑞0
𝜆̇ 𝑞0 ′ ′ ′
′ = 𝜆𝐼𝑑 (X𝑑 − X𝑑 )⁄T𝑑0 − 𝜆 ′ ⁄T𝑑0
E𝑞 E𝑞
′′ ′′ ′′ ′′
T T𝑞0 T𝑞0 T𝑞0
𝜆̇ 𝑞0 ′′ ′′ ′ ′′ ′′
′′ = 𝜆 ′ ⁄T𝑑0 − 𝜆 ′′ ⁄T𝑑0 + 𝜆𝐼𝑑 (X𝑑 − X𝑑 )⁄T𝑑0
E𝑞 E𝑞 E𝑞
′′ ′′ ′′
T T𝑞0 T𝑞0 ′′ 2
𝜆̇ 𝑞0 ′ ′′ ′′ ′′ ′ ′ ′′
′′ = (−𝜆 ′′ − 𝜆𝐼𝑞 (X𝑞 − X𝑞 ))⁄T𝑞0 + (E𝑑 − E𝑑 + 𝐼𝑞 (X𝑞 − X𝑞 ))⁄T𝑞0
E𝑑 E𝑑
T′′ T′′
0 = (𝐸0 𝜆𝛿 𝑞0 cos(𝛿))⁄(X′𝑞 + Z𝐿 ) − 𝜆𝐼𝑞𝑞0
p
Se debe anotar que cada 𝜆y𝑖 es en realidad una trayectoria en el tiempo, por lo que la
𝜕𝑦𝑠𝑖𝑚
matriz es un tensor con el tiempo como la tercera dimension.
𝜕𝑝
A continuación se calcula el gradiente del error de mínimos cuadrados entre las salidas
medidas y las simuladas:
𝜕𝐽(𝑝) 𝜕𝑦𝑠𝑖𝑚 𝑇
𝐺 (𝑝 ) = − = ∑𝑇𝑡=0 ( ) (𝑦𝑚𝑒𝑑 − 𝑦𝑠𝑖𝑚 ) (5.15)
𝜕𝑝 𝜕𝑝
Esta matriz tendrá dimensiones 8X1 dado que toda la serie es sumada punto a punto en
el tiempo para obtener un valor representativo de la entrada correspondiente.
𝜕𝑦𝑠𝑖𝑚 𝑇 𝜕𝑦𝑠𝑖𝑚
Γ(p) ≈ ∑𝑇𝑡=0 ( ) (5.16)
𝜕𝑝 𝜕𝑝
Capitulo 5 71
La matriz Hessiana tiene una dimensión de 8X8, ya que esta compuesta de la sumatoria
en la dimensión del tiempo de cada uno de los componentes.
Finalmente con la matriz Hessiana y el gradiente del error se actualiza en cada iteración
el vector de parámetros:
De esta forma se tiene un nuevo vector de parámetros que en cada iteración reduce el
error entre las salidas registradas y las simuladas.
5.2 Resultados
Con el propósito de evaluar el desempeño de la metodología implementada, se
calcularon una serie de sensibilidades que ponen a prueba el algorítmo de estimación de
parámetros ante diferentes escenarios. Primero se diseñaron casos para determinar
cuales son las desviaciones máximas iniciales en los parámetros individualmente que
permiten obtener buenos resultados de estimación. Adicionalmente se corrieron múltiples
casos con diferentes rangos de desviación aleatoria en todos los parámetros del modelo
para determinar la probabilidad de convergencia del algorítmo y finalmente se presentan
los resultados de la metodología de estimación usando como registros de salida, las
variaciones dinámicas del generador bajo prueba ante eventos en la red externa como
cambios de carga y corto–circuitos.
Los resultados de cada caso se describen en términos del error de estimación 𝐸𝑒 de los
parámetros obtenidos con respecto al vector de parámetros reales. Con este indicador se
cuantifica para cada parámetro, que tan alejada fue la estimación comparado con el
parámetro real correspondiente. De esta forma, entre más cercano sea este indicador a
cero para un parámetro dado, la estimación será de mejor calidad para ese parámetro.
La siguiente expresión cuantifica dicho error:
100(𝑃𝑟 −𝑃𝑒 )
𝐸𝑒 = (5.18)
𝑃𝑟
donde:
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 -30 16 La estimación no es
X𝑞′ 0 2,95 buena. El algoritmo
0,013 20
X𝑑′ 0 4,56 no encuentra
X𝑑′′ 0 6,12 convergencia. Para
Capitulo 5 73
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 20,1
X 𝑞′ -30 44 La estimación no es
X 𝑑′ 0 35 buena. El algoritmo
X 𝑑′′ 0 10 no encuentra
0.17 20
X 𝑞′′ 0 29,2 convergencia. Para
′ por máximo número
T𝑑0 0 -19
′′ de iteraciones (20)
T𝑑0 0 -20,3
′′
T𝑞0 0 20,4
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 -20,1
X 𝑞′ 0 -19,7 La estimación no es
X 𝑑′ -30 13,5 buena. El algoritmo
X 𝑑′′ 0 16 no encuentra
0,029 20
X 𝑞′′ 0 20,3 convergencia. Para
′ por máximo número
T𝑑0 0 -20,04
′′ de iteraciones (20)
T𝑑0 0 18,7
′′
T𝑞0 0 18,9
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 -20,5
X 𝑞′ 0 -20,1 La estimación no es
X 𝑑′ 0 18 buena. El algoritmo
X 𝑑′′ -30 16 no encuentra
0,029 20
X 𝑞′′ 0 20,3 convergencia. Para
′ por máximo número
T𝑑0 0 -20
′′ de iteraciones (20)
T𝑑0 0 20,8
′′
T𝑞0 0 20,4
74 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 2,92
X 𝑞′ 0 1,99 La estimación no es
X 𝑑′ 0 -7,88 buena. El algoritmo
X 𝑑′′ 0 20,8 no encuentra
0,023 20
X 𝑞′′ -30 16 convergencia. Para
′ por máximo número
T𝑑0 0 3,38
′′ de iteraciones (20)
T𝑑0 0 19,7
′′
T𝑞0 0 20,6
′
Tabla 8 Caso 1: Desviación de Td0 del -30%
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 -2,9
X 𝑞′ 0 1,02 La estimación no es
X 𝑑′ 0 7,12 buena. El algoritmo
X 𝑑′′ 0 -4,56 no encuentra
0,044 20
X 𝑞′′ 0 11,67 convergencia. Para
′ por máximo número
T𝑑0 -30 16
′′ de iteraciones (20)
T𝑑0 0 3,56
′′
T𝑞0 0 20,1
′′
Tabla 9 Caso 1: Desviación de T𝑑0 del -30%
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 -2,9
X 𝑞′ 0 1,02 La estimación no es
X 𝑑′ 0 7,12 buena. El algoritmo
X 𝑑′′ 0 -4,56 no encuentra
0,044 20
X 𝑞′′ 0 11,67 convergencia. Para
′ por máximo número
T𝑑0 0 16
′′ de iteraciones (20)
T𝑑0 -30 3,56
′′
T𝑞0 0 20,1
Capitulo 5 75
′′
Tabla 10 Caso 1: Desviación de T𝑞0 del -30%
Desviación No.
Parámetro 𝐸𝑒 [%] 𝐽(𝑝) Comentario
inicial [%] Iteraciones
X𝑑 0 0,332 La estimación es
X 𝑞′ 0 0,589 buena. El algoritmo
X 𝑑′ 0 0,148 converge. Sin
X 𝑑′′ 0 0,167 embargo la
7,9x10-6 5
X 𝑞′′ 0 4,366 estimación del
′′
′
T𝑑0 0 0,139 parámetro T𝑞0
′′ mejora pero el error
T𝑑0 0 -0,389
′′
T𝑞0 -30 18,142 es significativo.
Con base en los resultados para el Caso 1 puede concluirse que la metodología no
consigue estimar con resultados aceptables los parámetros del modelo del generador de
forma simultánea, cuando se parte de desviaciones iguales o superiores al 30% del
parámetro a estimar. Solo es posible una mejor estimación para el caso del parámetro
′′
T𝑞0 el cual fue el único caso de convergencia de la metodología. Para este último caso
se presentan los resultados gráficos del proceso de estimación en las siguientes figuras:
(a)
76 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(b)
(c)
′′
Figura 23 Resultados estimación Tq0 Caso 1: Estimación de todos los parámetros
simultaneamente. Desviación del 30% del valor real.
La Figura 23 (a) presenta el progreso del error de estimación para cada uno de los
parámetros del modelo del generador. Para este caso puede observarse un error de
estimación final menor al 5% para todos los parámetros y una reducción del error inicial
para el parámetro modificado al 18%. La Figura 23 (b) presenta la evolución de la función
objetivo y su convergenia por debajo del nivel de tolerancia en la iteración 5. La Figura 23
(c) presenta de forma conparativa la simulación del evento de escalón en la referencia
del AVR del generador, usando los parámetros inciales, los estimados y las mediciones.
Se observa que la estimación realizada en este caso reduce de forma casi imperceptible
el error en las variables medidas.
Capitulo 5 77
En las siguientes tablas se presentan los resultados para este nuevo caso:
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 -20 4
X 𝑞′ 0 0,003 La estimación es
X 𝑑′ 0 0,0013 muy buena. La
X 𝑑′′ 0 0,011 convergencia se da
7.13x10-6 2 en 2 iteraciones. El
X 𝑞′′ 0 0,03
′ parámetro a estimar
T𝑑0 0 0,002 baja a un error del
′′
T𝑑0 0 0,002 4%
′′
T𝑞0 0 0,003
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 -0,033
X 𝑞′ -16 -0,051 La estimación es
X 𝑑′ 0 -0,012 muy buena. La
X 𝑑′′ 0 -0,006 convergencia se da
1.55x10-6
7 en 7 iteraciones. El
X 𝑞′′ 0 -0,29
′ parámetro a estimar
T𝑑0 0 -0,007 baja a un error del
′′
T𝑑0 0 0,040 0.05%
′′
T𝑞0 0 -1,28
78 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 -0,0036
X 𝑞′ 0 -0,0059 La estimación es
X 𝑑′ -16 -0,001 muy buena. La
X 𝑑′′ 0 0,001 convergencia se da
1.98x10-6
10 en 10 iteraciones. El
X 𝑞′′ 0 -0,034
′ parámetro a estimar
T𝑑0 0 -0,0008 baja a un error del
′′
T𝑑0 0 0,0055 0.01%
′′
T𝑞0 0 -0,3205
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 0,01
X 𝑞′ 0 0,0165 La estimación es
X 𝑑′ 0 0,0022 muy buena. La
X 𝑑′′ -17 0,4 convergencia se da
5.4x10-6
7 en 7 iteraciones. El
X 𝑞′′ 0 0,098
′ parámetro a estimar
T𝑑0 0 0,002 baja a un error del
′′
T𝑑0 0 -0,007 0.4%
′′
T𝑞0 0 0,0429
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 0,007
X 𝑞′ 0 0,0111 La estimación es
X 𝑑′ 0 0,0019 muy buena. La
X 𝑑′′ 0 0,0025 convergencia se da
8.8x10-7
7 en 7 iteraciones. El
X 𝑞′′ -10 0,0805
′ parámetro a estimar
T𝑑0 0 0,0014 baja a un error del
′′
T𝑑0 0 -0,0049 0.08%
′′
T𝑞0 0 0,1055
Capitulo 5 79
′
Tabla 16 Caso 2: Desviación de T𝑑0 del -17%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 0,0101
X 𝑞′ 0 0,0187 La estimación es
X 𝑑′ 0 0,0065 muy buena. La
X 𝑑′′ 0 0,0027 convergencia se da
7.03x10-6
6 en 6 iteraciones. El
X 𝑞′′ 0 0,114
′ parámetro a estimar
T𝑑0 -17 0,4 baja a un error del
′′
T𝑑0 0 -0,014 0.4%
′′
T𝑞0 0 0,0628
′′
Tabla 17 Caso 2: Desviación de T𝑑0 del -17%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 0,0072
X 𝑞′ 0 0,0124 La estimación es
X 𝑑′ 0 0,007 muy buena. La
X 𝑑′′ 0 0,006 convergencia se da
2.53x10-6
5 en 5 iteraciones. El
X 𝑞′′ 0 0,0732
′ parámetro a estimar
T𝑑0 0 -0,0005 baja a un error del
′′
T𝑑0 -17 0,4 0.4%
′′
T𝑞0 0 0,0158
′′
Tabla 18 Caso 2: Desviación de T𝑞0 del -20%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 0 0,124
X 𝑞′ 0 0,218 La estimación es
X 𝑑′ 0 0,061 buena. La
X 𝑑′′ 0 0,031 convergencia se da
5.22x10-6
2 en 2 iteraciones. El
X 𝑞′′ 0 1,395
′ parámetro a estimar
T𝑑0 0 0,049 baja a un error del
′′
T𝑑0 0 -0,194 7.6%
′′
T𝑞0 -20 7,649
Con base en los resultados para este caso de sensibilidad, se puede conlcuir que las
variaciones individuales de los parámetros que pueden se estimados con buenos
resultados por el algorítmo de estimación desarrollado, se encuentran entre el 10% y
20% del parámetro real. En general, para variaciones superiores al 20% con respecto al
80 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
Para los casos donde la desviación inicial de cada parámetro es positiva, se realizaron
las mismas simulaciones, obteniendose mejores resultados, en cuanto a que la mayoría
de los parámetros soportan variaciones entre el 15% y 25% con respecto al valor inicial
con convergencia del algorítmo de estimación.
(a)
(b)
Capitulo 5 81
(c)
(a)
82 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(b)
(c)
El anterior ejemplo muestra que el algorítmo implementado puede estimar los parámetros
con desviaciones iniciales de hasta el 25%del valor nominal.
En la siguiente figura se presenta un resumen de los resultados obtenidos para todos los
casos de estimación desarrollados.
84 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
110
Convergencia
80
70
60
50
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45 50 55 60
Desviación Inicial del Vector de Parámetros [%]
Los resultados también indican que aunque se tienen bajas probabilidades de encontrar
una solución con desviaciones aleatorias de los parámetros entre el 15% y el 35%,
todavía es posible encontrar casos con resultados aceptables que mejoran el desempeño
del modelo. No obstante, es claro, que para desviaciones en los parámetros superiores al
35% el algorítmo no tiene probabilidades de encontrar convergencia, lo cual limita su uso
para modelos con parámetros demasiado desviados de la realidad.
Con el fin de detallar de mejor forma los resultados en este caso de sensibilidad, a
continuación se presentan casos particulares donde se describe el proceso de
convergencia del algorítmo.
Capitulo 5 85
Tabla 20 Caso 3: Desviación aleatoria de todos los parámetros alrededor del 30%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 4,694 -2,37
X 𝑞′ -24,944 -0,83 La estimación falla.
X 𝑑′ -17,532 4,57 El algoritmo no
X 𝑑′′ -27,569 -2,05 converge y se
0.0283 20 presentan errores
X 𝑞′′ -9,344 -1,84
′ de estimación
T𝑑0 27,857 13,43 cercanos al 25% en
′′
T𝑑0 -20,947 3,196 algunos parámetros
′′
T𝑞0 -26,039 -25,21
(a)
86 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(b)
(c)
Tabla 21 Caso 3: Desviación aleatoria de todos los parámetros alrededor del 20%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 -8,37 0,0023
X 𝑞′ -10,19 0,0049 La estimación es
X 𝑑′ 8,96 0,0047 muy buena. El
X 𝑑′′ -7,19 0,0005 algoritmo converge
2.01x10-6 5
X 𝑞′′ -6,2 0,0435 y los errores de
′ estimación son
T𝑑0 13,49 0,0032
′′ inferiores al 0.05%.
T𝑑0 15,24 0,0005
′′
T𝑞0 0,06 0,0778
Para este caso los resultados del proceso de convergencia se presentan en la siguiente
figura:
(a)
(b)
88 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(c)
Puede observarse como todos los parámetros son progresivamente llevados al valor real,
así como la simulación para las variables más representativas presenta una alta
coherencia con las señales registradas.
Tabla 22 Caso 4: Desviación aleatoria de todos los parámetros alrededor del 20%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 2,45 0,00518
X 𝑞′ 4,73 0,0234 La estimación es
X 𝑑′ -10,62 -0,0149 muy buena. El
X 𝑑′′ -11,81 -0,0164 algoritmo converge
4.5x10-6 5 en 5 iteraciones y
X 𝑞′′ 12,52 0,124
′ los errores de
T𝑑0 0,41 0,0039 estimación son
′′
T𝑑0 2,18 0,027 inferiores al 0.2%.
′′
T𝑞0 -0,20 -0,19
Para este caso los resultados del proceso de convergencia se presentan en la siguiente
figura:
(a)
(b)
90 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(c)
Se observa que el proceso de estimación en este caso es muy efectivo y los parámetros
son correctamente identificados, haciendo que la simulación del evento corresponda de
forma muy precisa con los datos registrados.
En contraste con el caso anterior a continuación se presentan los resultados del proceso
de estimación de parámetros considernado el mismo evento de reducción de carga en el
sistema, con una desviación inicial de los parámetros alrededor del 30%.
Tabla 23 Caso 4: Desviación aleatoria de todos los parámetros alrededor del 30%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 -12,56 -0,29 La estimación no es
X 𝑞′ -15,28 -0,13 muy buena. El
X 𝑑′ 13,44 0,51 algoritmo no
X 𝑑′′ -10,78 0,22 converge sin
0.0026 20
X 𝑞′′ -9,306 2,17 embargo el modelo
′ mejora y los errores
T𝑑0 20,24 4,29
′′ de estimación son
T𝑑0 22,86 7,43
′′
T𝑞0 -0,21 -0,15 inferiores al 8%.
Capitulo 5 91
Para este caso los resultados del proceso de convergencia se presentan en la siguiente
figura:
(a)
(b)
92 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
(c)
4 3 2 1
13.8000 kV
5.9292 deg
1.0000 p.u.
226.1584 kV
223.0331 kV
236.9000 kV
-1.8920 deg
1.1759 deg
0.0000 deg
0.9833 p.u.
0.9697 p.u.
1.0300 p.u.
Línea 1 Línea 2
220.0000 MW
-220.0000 MW
-109.3887 MW
54.2282 Mvar
-35.2131 Mvar
121.5275 Mvar
121.5275 Mvar
-16.5382 Mvar
220.0000 MW
110.0000 MW
-81.2226 MW
54.2282 Mvar
17.6066 Mvar
82.2123 MW
82.2123 MW
-116.9237 ..
G
G
~
~
Generador Trafo Elevador Equivalente
-109.3887 MW
-16.5382 Mvar
110.0000 MW
Bajo Estudio
17.6066 Mvar
Línea 3 Carga de Red
150.0000 Mvar
300.0000 MW
0.0000 MW
0.0000 M..
Figura 31 Red de prueba para evento externo – Falla 3F en cercanías de barra 2
Tabla 24 Caso 5: Desviación aleatoria de todos los parámetros alrededor del 20%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 -15.64 -0.0021
X 𝑞′ -18.37 -0.0095 La estimación es
X 𝑑′ -1.89 -0.0008 muy buena. El
X 𝑑′′ 14.45 0.0016 algoritmo converge
3.6x10-6 14 en 14 iteraciones y
X 𝑞′′ 14.03 -0.05
′ los errores de
T𝑑0 9.7 -0.0016 estimación son
′′
T𝑑0 -13.63 0.0008 inferiores al 0.12%.
′′
T𝑞0 -0.56 -0.12
Para este caso los resultados del proceso de convergencia se presentan en la siguiente
figura:
(a)
Capitulo 5 95
(b)
(c)
Tabla 25 Caso 5: Desviación aleatoria de todos los parámetros alrededor del 30%
Desviación No.
Parámetro 𝑬𝒆 [%] 𝑱(𝒑) Comentario
inicial [%] Iteraciones
X𝑑 8.9 3x10-5
X 𝑞′ -19.85 4x10-5 La estimación es
X 𝑑′ -5.12 4x10-5 muy buena. El
X 𝑑′′ -2.98 4x10-5 algoritmo converge
5x10-6 5 en 5 iteraciones y
X 𝑞′′ -25.03 -0.025
′ los errores de
T𝑑0 12.85 0.31 estimación son
′′
T𝑑0 -15.43 1.73 inferiores al 2%.
′′
T𝑞0 0.95 0.003
Para este caso los resultados del proceso de convergencia se presentan en la siguiente
figura:
(a)
(b)
Capitulo 5 97
(c)
Para simular el ruido en las variables medidas de potencia activa y reactiva, se generaron
componentes con ruido que se suman a la señal sin ruido para la tensión en terminales y
la corriente en el estator del generador bajo prueba. A partir de las nuevas señales de
tensión y corriente, se obtienen las potencias.
98 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
El ruido de medición se simula como una función aleatoria con distribución normal con
media igual a la señal medida (sin ruido) y desviación estándar igual al error de escala
completa de cada uno de los medidores. Con base en lo anterior, las señales de tensón y
corriente afectadas por el ruido de medición simulado se pueden expresar de la siguiente
forma:
𝑒𝑓𝑠𝑉 𝑉𝑛
𝑉𝑟𝑢𝑖𝑑𝑜 = 𝑉 + 𝑉 ( ∙ ) 𝑁(0,1) (5.19)
100 𝑉𝑓𝑠
𝑒𝑓𝑠𝐼 𝐼𝑛
𝐼𝑟𝑢𝑖𝑑𝑜 = 𝐼 + 𝐼 ( ∙ ) 𝑁(0,1) (5.20)
100 𝐼𝑓𝑠
donde:
𝑉𝑓𝑠 : Es la tensión de escala completa del instrumento de medición, para este caso:𝑉𝑓𝑒 =
20 𝑘𝑉
𝐼𝑓𝑠 : Es la corriente de escala completa del instrumento de medición, para este caso 𝐼𝑓𝑒 =
20 𝑘𝐴
Con el uso de las ecuaciones 5.19 a 5.22 se realizaron simulaciones de la respuesta del
generador ante un evento de cambio súbito en la referencia de tensión del AVR; cada
una considerando niveles crecientes en los errores de escala completa 𝑒𝑓𝑠𝑉 y 𝑒𝑓𝑠𝐼 y
asumiendo en todos los casos los parámetros reales del generador. Como resultado se
generó un conjunto de variables medidas 𝑦𝑚𝑒𝑑 con componentes de ruido dado por 𝑒𝑓𝑠𝑉
y 𝑒𝑓𝑠𝐼 entre 0 y 3%. Para cada uno de estos conjuntos se corrió el algorítmo es
estimación partiendo del mismo vector de parámetros iniciales con una desviación inferior
al 20% y se evaluaron los resultados obtenidos. En las siguientes tablas se presentan
dichos resultados:
En la siguiente figura se presenta en forma gráfica la evolución del error 𝑱(𝒑) con la
precisión en la medida. La calidad de la estimación y la convergencia del algorítmo son
determinadas a través de error 𝑱(𝒑)
A modo comparativo en las sigiuentes figuras se presentan los resultados del proceso de
estimación para cinco niveles de ruido diferentes, correspondientes a errores de escala
completa 𝑒𝑓𝑠𝑉 y 𝑒𝑓𝑠𝐼 de 0 %, 0.0075 %, 0.02 %, 0.1 % y 0.3%
Capitulo 5 101
En las siguiente figura se presentan en forma comparativa las señales con ruido
originales y las filtadas con cada uno de los dos tipos de filtro:
Capitulo 5 103
Señales con ruido 𝒆𝒇𝒔𝑽 = 𝟎. 𝟐% y 𝒆𝒇𝒔𝑰 = 𝟎. 𝟑% Vs. Señal con filtro pasa bajos (a)
Señales con ruido 𝒆𝒇𝒔𝑽 = 𝟎. 𝟐% y 𝒆𝒇𝒔𝑰 = 𝟎. 𝟑% Vs. Señal con filtro de media móvil (b)
De la figura anteriro puede observarse que el suso de filtros para reducir el ruido derivado
de la medición, no conduce a buenos resultados del proceso de estimación. Esto puede
explicarse a que los filtros usados cambian la fase de las oscilaciones que se producen
después de la perturbación, lo cual altera de forma significativa el error 𝑱(𝒑), el cual es un
parámetro determinante en la estimación.
Con esta sensibilidad puede concluirse que el filtrado de las señales medidas en busca
de reducir el ruido de medición, no lleva a mejores resultados de estimación si se toma
como base la aplicación de la metodología a las señales originales con contenido de
ruido.
Con base en los resultados presentados en este capítulo, puede concluirse que la
metodología de estimación de parámetros diseñada presenta excelentes resultados al
lograr la correcta identificación de los parámetros del modelo del generador, pudiendo ser
usada tanto bajo ambiente de pruebas en planta al inyectar escalones en la referencia de
tensión del AVR como ante eventos en la red externa. La efectividad del algorítmo se
reduce a medida que los parámetros inicilales se desvían de los reales. Los resultados
indican que para desviaciones inferiores al 20% el algorítmo encontrará con alta
probabilidad parámetros muy cercanos a los reales.
viable en aplicaciones reales. Por otra parte se puede trabajar en el mejoramiento del
algorítmo de estimación para hacerlo mucho más robusto frente al ruido de medición, al
realizar por ejemplo la estimación de parámetros por etapas, abordando primero la
solución del problema para los parámetros con mayores sensibilidades y etapas
posteriores de estimación para otros parámetros, igualmente se puede pensar en usar
diferentes tipos de eventos y determinar cuales se prestan para determinar ciertos
parámetros, mietras se dejan otros fijos a la espera de eventos que hagan viable su
estimación.
6 Conclusiones y recomendaciones
6.1 Conclusiones
A medida que se alcanzan nuevos límites en el cada vez más estresado sistema de
potencia, es cada vez más importante refinar los modelos matemáticos del sistema. Esta
demostrado que la planeación correcta del sistema depende en gran medida de los
modelos con los que se planea y opera el sistema, estos modelos requieren de gran
precisión si se pretenden dar las señales adecuadas para garantizar la calidad y
seguridad operativas. En este orden de ideas, la determinación y validación de los
parámetros del modelo dinámico, no solo del generador sino del resto de elementos del
sistema de potencia es una necesidad plenamente justificada. Esta tesis hizo una
revisión básica del estado del arte en torno al tema de estimación de parámetros del
modelo del generador sincrónico. Se evidenciaron una gran cantidad de aproximaciones
para dar respuesta a este requerimiento y se concluyó que todavía sigue siendo un tema
de gran interés académico y por lo tanto se pueden esperar mayores avances en esta
materia.
El presente trabajo de tesis presentó una metodología que entrega buenos resultados, al
tiempo que exije la menor intervención posible sobre el generador y sus controles
asociados.
Se desarrolló una metodología de estimación de parámetros basada en sensibilidad de
trayectoria que puede mejorar ostensiblemente los modelos de generadores sincrónicos
usados para la planeación del sistema. Aunque los buenos resultados están limitados a
desviaciones máximas cercanas al 20% de los parámetros, la técnica implementada es
una buena herramienta para la estimación de los parámetros del generador. En muchos
casos, aun cuando no se logre la convergencia del algoritmo para desviaciones de los
parámetros superiores al 20%, los resultados parciales mejoran el modelo del que
inicialmente se ha partido, lo cual extiende la aplicabilidad de la herramienta propuesta.
Mediante el diseño casos de sensibilidad adicionales, pudo comprobarse que la
metodología de estimación propuesta no solo puede ser aplicada con éxito en ambientes
de prueba controlados sobre el sistema de excitación, sino también a través de la captura
del comportamiento dinámico del generador como respuesta a eventos externos en la red
de transmisión. Se estableció que pueden usarse los registros ante eventos de cambio
de carga súbitos y cortocircuitos en cercanías al generador.
Aunque la técnica de estimación implementada entrega en general muy buenos
resultados, se observaron limitaciones, no solo en casos donde las desviaciones en los
108 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
parámetros son mayores al 20%, sino en casos en los que los ruidos propios del proceso
de medición son los típicos. Esto hace que deban usar medidores de muy alta precisión.
Se demostró igualmente que la aplicación de técnicas de filtrado convensionales no
llevan a mejores estimaciones.
6.2 Recomendaciones
Para dar continuidad al mejoramiento de la herramienta propuesta, se debe
trabajar en el incremento de la robustez de la misma; entendiendo la robustez
como la capacidad del algoritmo para converger y dar excelentes resultados para
desviaciones iniciales mayores al 20% en los parámetros iniciales.
Adicionalmente se debe trabajar en la tolerancia del algoritmo a los errores de
medición para extender su uso con medidores comunes.
[2] P. Kundur, Power system stability and control. New York: McGraw-Hill, 1994.
[3] P. C. Krause, Analysis of electric machinery and drive systems, 2nd ed. New York:
IEEE Press, 2002.
[4] Institute of Electrical and Electronics Engineers and IEEE-SA Standards Board,
IEEE guide for test procedures for synchronous machines. Part I, Part II, Acceptance and
performance testing. Test procedures and parameter determination for dynamic analysis.
New York: Institute of Electrical and Electronics Engineers, 2010.
[16] Concordia, C., “Synchronous Machines. Theory and Performance.” John Wiley &
Sons, Inc., Nwe York-1951.
[17] “Recommended Phasor Diagram for Synchronous Machines,” IEEE Trans. Power
Appar. Syst., vol. PAS-88, no. 11, pp. 1593–1610, Nov. 1969.
[18] “IEEE Recommended Practice for Excitation System Models for Power System
Stability Studies,” IEEE Std 4215-2005 Revis. IEEE Std 4215-1992, pp. 0_1–85, 2006.
[20] W. H. Press, Ed., Numerical recipes in C: the art of scientific computing, 2nd ed.
Cambridge ; New York: Cambridge University Press, 1992.
[22] Institute of Electrical and Electronics Engineers. and IEEE-SA Standards Board.,
IEEE guide for test procedures for synchronous machines. Part I, Part II, Part I, Part II,.
New York: Institute of Electrical and Electronics Engineers, 2010.
[23] Chen, Y., Zhang, C., Hu, Z. e Wang, X. (2000). A new approach to real time
measurement of power angles of generators at different locations for stability control,
IEEE Power Engineering Society Winter Meeting 2: 1237–1242.
[24] IEEE Committee Report. "Current Usage and Suggested practices in Power
System Stability Simulations for Synchronous Machines", IEEE Transactions on Energy
Conversion, Vol. EC- I, No. 1, March 1986, pp. 77-93.
Bibliografía 111
[26] Dandeno P.L., Kundur, P., Poray, A-T, Coultes, ME,, "Validation of
Turbogenerator Stability Models by Comparison with Power System Tests", IEEE Trans.
on Power Apparatus and Systems, Vol. PAS-100, No. 4, April 1981. pp. 1637- 1645.
[29] Minnich,S.H., Schulz, R.P ., Baker, D.H., Farmer, R.G. ,Sharma, D.K.,Fish,J.H.,
"Saturation Functions For Synchronous Generators From Finite Elements", IEEE Trans.
on Energy Conversion, Vol. EC-2, No. 4. Dec. 1987, pp. 680-692.
[36] HUANG, Z.; KOSTEREV, M.; GUTTROMSON, R.; NGUYEN, T. Model validation
with hybrid dynamic simulation. Power Engineering Society General Meeting, 2006. IEEE,
p. 9 pp.–, June 2006.
112 Estimación de los Parámetros del Modelo Matemático del Generador Sincrónico
[37] HUANG, Z.; KOSTEREV, M.; GUTTROMSON, R.; NGUYEN, T. Model validation
of power system components using hybrid dynamic simulation. Power Engineering
Society General Meeting, 2007. IEEE, p. 9 pp.–, June 2007.
[38] HUANG, Z.; YANG, B.; KOSTEREV, D. Benchmarking of planning models using
recorded dynamics. IEEE Power and Energy Society Power Systems Conference and
Exposition 2009, Seattle, WA, 2009.
El siguiente código es usado para simular el generador sincrónico bajo prueba conectado
al sistema de potencia de la Figura 15. Este script es usado como una función que es
llamada por el optimizador en cada iteración para obtener las sensibilidades de
trayectoria de las salidas con respecto a los parámetros y las salidas simuladas con un
juego de parámetros de entrada. Las condiciones iniciales del sistema y el evento
simulado deben ser modificadas en este script para el caso correspondiente a las salidas
reales registradas.
% wp = (wn/2H)(Pm - Pe)
% dp = w - wn
% Eq'p = (Efd - Eq' + Id(Xd - Xd'))/T'd0
% Eq''p = (Eq' - Eq'' + Id(Xd' - Xd''))/T''d0
% Ed''p = (Ed' - Ed'' - Iq(Xq' - Xq''))/T''q0
%
%% Define por teclado el evento a simular
% clear all
% disp('Defina el evento a simular');
% disp('1 >>> Step Vref AVR Gen4, 2 >>> Incremento de Carga Nodo2,
3 >>> ReducciÛn de Carga Nodo2 4 >>> Sin evento');
% evento= input('Tipo de Evento =');
% disp('Defina el tiempo del evento en segundos');
% Tevento= input('Tevento =');
Tend=10; % Tiempo total de simulaciÛn
dt=0.01; % paso integracion
evento=1; % Tipo de evento
Tevento=0.05; % Tiempo de ocurrencia del evento
fehz1=zeros(1,numpuntos);
fehz4=zeros(1,numpuntos);
fehz2=zeros(1,numpuntos);
PE1=zeros(1,numpuntos);
PE4=zeros(1,numpuntos);
PM1=zeros(1,numpuntos);
PM4=zeros(1,numpuntos);
AbsV1=zeros(1,numpuntos);
AbsV2=zeros(1,numpuntos);
AbsV3=zeros(1,numpuntos);
AbsV4=zeros(1,numpuntos);
AngV1=zeros(1,numpuntos);
AngV2=zeros(1,numpuntos);
AngV3=zeros(1,numpuntos);
AngV4=zeros(1,numpuntos);
AbsI1=zeros(1,numpuntos);
AbsI4=zeros(1,numpuntos);
AngI1=zeros(1,numpuntos);
AngI4=zeros(1,numpuntos);
Q1=zeros(1,numpuntos);
Q4=zeros(1,numpuntos);
tiempo=zeros(1,numpuntos);
% Sensibilidades
Lamda_Pe_Xd=zeros(1,numpuntos);
Lamda_Qe_Xd=zeros(1,numpuntos);
Lamda_Pe_Xqp=zeros(1,numpuntos);
Lamda_Qe_Xqp=zeros(1,numpuntos);
Lamda_Pe_Xdp=zeros(1,numpuntos);
Lamda_Qe_Xdp=zeros(1,numpuntos);
Lamda_Pe_Xdpp=zeros(1,numpuntos);
Lamda_Qe_Xdpp=zeros(1,numpuntos);
Lamda_Pe_Xqpp=zeros(1,numpuntos);
Lamda_Qe_Xqpp=zeros(1,numpuntos);
Lamda_Pe_Tdp0=zeros(1,numpuntos);
Lamda_Qe_Tdp0=zeros(1,numpuntos);
Lamda_Pe_Tdpp0=zeros(1,numpuntos);
Lamda_Qe_Tdpp0=zeros(1,numpuntos);
Lamda_Pe_Tqpp0=zeros(1,numpuntos);
Lamda_Qe_Tqpp0=zeros(1,numpuntos);
H1=5*Base1; H4=4*Base4;
Kd1=0; Kd4=0;
Tdp01=7.75; Tdp04=P(6);
Tdpp01=0.0608; Tdpp04=P(7);
Tqpp01=0.0607; Tqpp04=P(8);
complex(MagV(3)*cos(AngV(3)), MagV(3)*sin(AngV(3)));
complex(MagV(4)*cos(AngV(4)), MagV(4)*sin(AngV(4)))];
%% C·lculo de la corriente de las inyecciones en cada nodo y con esta se
calculan las potencias S de las
% inyecciones en cada nodo
I=Y*V;
S=[V(1)*conj(I(1)), V(2)*conj(I(2)), V(3)*conj(I(3)), V(4)*conj(I(4))];
% Se comparan los valores de S obtenidos y se comprueba que corresponden
% a los del DigSilent
%
%% Se agrega a Ybarra las Y Norton equivalente de los generadores y se
calcula la saliencia
YNort1 = complex(r1,-0.5*(Xdpp1+Xqpp1))/(r1^2+Xdpp1*Xqpp1); %
Notas de clase Joen
YNort4 = complex(r4,-0.5*(Xdpp4+Xqpp4))/(r4^2+Xdpp4*Xqpp4); %
Notas de clase Joen
Y(1,1)= Y(1,1)+YNort1;
Y(4,4)= Y(4,4)+YNort4;
% C·lculo de la saliencia subtransitoria. Se requiere m·s adelante
para
% calcular la corriente inyectada por los generadores
Ysalpp1 = complex(r1,0.5*(Xdpp1-Xqpp1))/(r1^2+Xdpp1*Xqpp1);
Ysalpp4 = complex(0,0.5*(Xdpp4-Xqpp4))/(r4^2+Xdpp4*Xqpp4);
Eqp1=-Id1*(Xdp1-Xdpp1)+Eqpp1; Eqp4=-Id4*(Xdp4-
Xdpp4)+Eqpp4; % Derivada = 0 en ecuacion de Eqpp
Edp1=0; Edp4=0; % ---->
Edp=Iq*(Xqp-Xqpp)+Edpp; % Derivada = 0 en ecuacion de Edpp
Efd1=abs(Eq1)-(Xd1-Xq1)*Id1; Efd4=abs(Eq4)-(Xd4-
Xq4)*Id4; % Machowsky fig. 11.8 y Aparece en
Chee Mun Ong M1.m
Pe1=(Edpp1*Id1+Eqpp1*Iq1)+(Xdpp1-Xqpp1)*Id1*Iq1-r1*(Id1^2+Iq1^2);
% Machowsky Eq. 11.102
Qe1=(Edpp1*Iq1-Eqpp1*Id1)-Xdpp1*Id1^2-Xqpp1*Iq1^2-r1*(Id1-Iq1);
Pe4=(Edpp4*Id4+Eqpp4*Iq4)+(Xdpp4-Xqpp4)*Id4*Iq4-r4*(Id4^2+Iq4^2);
% Machowsky Eq. 11.102
Qe4=(Edpp4*Iq4-Eqpp4*Id4)-Xdpp4*Id4^2-Xqpp4*Iq4^2-r4*(Id4-Iq4);
% CI Sensibilidades
L_w_Xd=0; L_delta_Xd=0; L_Eqp_Xd=0; L_Eqpp_Xd=0; L_Edpp_Xd=0; L_Id_Xd=0;
L_Iq_Xd=0;
L_w_Xqp=0; L_delta_Xqp=0; L_Eqp_Xqp=0; L_Eqpp_Xqp=0; L_Edpp_Xqp=0;
L_Id_Xqp=0; L_Iq_Xqp=0;
L_w_Xdp=0; L_delta_Xdp=0; L_Eqp_Xdp=0; L_Eqpp_Xdp=0; L_Edpp_Xdp=0;
L_Id_Xdp=0; L_Iq_Xdp=0;
L_w_Xdpp=0; L_delta_Xdpp=0; L_Eqp_Xdpp=0; L_Eqpp_Xdpp=0; L_Edpp_Xdpp=0;
L_Id_Xdpp=0; L_Iq_Xdpp=0;
L_w_Xqpp=0; L_delta_Xqpp=0; L_Eqp_Xqpp=0; L_Eqpp_Xqpp=0; L_Edpp_Xqpp=0;
L_Id_Xqpp=0; L_Iq_Xqpp=0;
L_w_Tdp0=0; L_delta_Tdp0=0; L_Eqp_Tdp0=0; L_Eqpp_Tdp0=0; L_Edpp_Tdp0=0;
L_Id_Tdp0=0; L_Iq_Tdp0=0;
L_w_Tdpp0=0; L_delta_Tdpp0=0; L_Eqp_Tdpp0=0; L_Eqpp_Tdpp0=0;
L_Edpp_Tdpp0=0; L_Id_Tdpp0=0; L_Iq_Tdpp0=0;
L_w_Tqpp0=0; L_delta_Tqpp0=0; L_Eqp_Tqpp0=0; L_Eqpp_Tqpp0=0;
L_Edpp_Tqpp0=0; L_Id_Tqpp0=0; L_Iq_Tqpp0=0;
sqrt(sumatoria (y(p+1)-y(p))^2)
% para y(p+1) = y(p) + (dt/2)*(f(x(p),y(p)) + f(x(p+1),y(p+1))
(L_Iq_Xdp*(Xqp4 - Xqpp4))/Tqpp04);
if p>1; fehz1(p)=fehz1(p-1);fehz2(p)=fehz2(p-1);fehz4(p)=fehz4(p-1);
else fehz1(p)=60.;fehz2(p)=60.;fehz4(p)=60.;end
%
%% C·lcula nueva Ybus, P y Q de la carga, considerando los eventos
en la red
distancia=Tevento-t;
if t>(0.9999*Tevento) && t<(1.000999*Tevento);
if evento==1; %Step en Vref AVR Gen4
% disp (['t=', num2str(t), 'Step en Vref AVR Gen4']);
Vref=0.98*Vref;
Efd4 = (Vref-abs(V(4)))*kp;
eventoactivado=1;
elseif evento==2; %incremento de carga barra 2 de 500MW (300 -->
800)
% disp (['Aumenta carga Barra2 en t=', num2str(t)])
[P2,Q2] = CargaVf (abs(V(2)), fehz2(p), -1, 1+1i*0.5); %500MW,
250Mvar
eventoactivado=1;
elseif evento==3; %DisminuciÛn de carga barra 2 de 150MW (300 -->
150)
% disp (['Disminuye carga Barra2 en t=', num2str(t)])
[P2,Q2] = CargaVf (abs(V(2)), fehz2(p), -1, -1-1i*0.5);
eventoactivado=1;
elseif evento==4; %Sin Evento
disp (['No hay eventos', num2str(t)])
eventoactivado=1;
end
end
%
if eventoactivado==1; % Y\I equivale a inversa(Y)*I
V=Y\I; end; % Recalcula las tensiones en la red, usando
inyecciones del paso anterior
Vestado_old=[w1;w4;delta1;delta4;Eqp1;Eqp4;Edp1;Edp4;Eqpp1;Eqpp4;Edpp1;E
dpp4;
L_w_Xd;L_delta_Xd;L_Eqp_Xd;L_Eqpp_Xd;L_Edpp_Xd;
L_w_Xqp;L_delta_Xqp;L_Eqp_Xqp;L_Eqpp_Xqp;L_Edpp_Xqp;
L_w_Xdp;L_delta_Xdp;L_Eqp_Xdp;L_Eqpp_Xdp;L_Edpp_Xdp;
L_w_Xdpp;L_delta_Xdpp;L_Eqp_Xdpp;L_Eqpp_Xdpp;L_Edpp_Xdpp;
L_w_Xqpp;L_delta_Xqpp;L_Eqp_Xqpp;L_Eqpp_Xqpp;L_Edpp_Xqpp;
L_w_Tdp0;L_delta_Tdp0;L_Eqp_Tdp0;L_Eqpp_Tdp0;L_Edpp_Tdp0;
L_w_Tdpp0;L_delta_Tdpp0;L_Eqp_Tdpp0;L_Eqpp_Tdpp0;L_Edpp_Tdpp0;
L_w_Tqpp0;L_delta_Tqpp0;L_Eqp_Tqpp0;L_Eqpp_Tqpp0;L_Edpp_Tqpp0]; % Se
define vector de variables de estado del paso anterior
Errmax=1e-5;
kmax=100;
Err=99;
Anexo 1 122
k=0;
% Calcula variables de estado en la iteracion actual
while Err>Errmax && k<kmax;
k=k+1;
% Contador de iteraciones para estimar las variables de estado
% Calcula las inyecciones y luego las tensiones en la red con
base en los
% valores actuales de las variables de estado de los generadores
Epp1=complex(-sin(delta1)*Edpp1+cos(delta1)*Eqpp1 ,
cos(delta1)*Edpp1+sin(delta1)*Eqpp1);
Epp4=complex(-sin(delta4)*Edpp4+cos(delta4)*Eqpp4 ,
cos(delta4)*Edpp4+sin(delta4)*Eqpp4);
I(1)=YNort1*Epp1+Ysalpp1*conj(Epp1-V(1))*exp(1i*2.*delta1); %-
V(1)*YNort1 Con este termino no converge
I(4)=YNort4*Epp4+Ysalpp4*conj(Epp4-V(4))*exp(1i*2.*delta4); %-
V(4)*YNort4 Con este termino no converge
% Carga de la barra 2
[P2,Q2] = CargaVf (abs(V(2)), fehz2(p), 1, 0.);
I(2)=complex(-P2,Q2)/conj(V(2));
I(3)=0;
% Recalcula las tensiones de la red con las corrientes
inyectadas
V=Y\I;
% Con los fasores de tensiÛn calcula las frecuencias de la red
% Con las tensiones recalcula Vd, Vq, Id, Iq y Pe que deberÌan
tener los
% generadores
Vd1 = -sin(delta1)*real(V(1))+cos(delta1)*imag(V(1));
Vq1 = cos(delta1)*real(V(1))+sin(delta1)*imag(V(1));
Vd4 = -sin(delta4)*real(V(4))+cos(delta4)*imag(V(4));
Vq4 = cos(delta4)*real(V(4))+sin(delta4)*imag(V(4));
Id1 = ((Edpp1-Vd1)*r1-(Eqpp1-Vq1)*Xqpp1)/(r1^2+Xdpp1*Xqpp1);
Id4 = ((Edpp4-Vd4)*r4-(Eqpp4-Vq4)*Xqpp4)/(r4^2+Xdpp4*Xqpp4);
Iq1 = ((Eqpp1-Vq1)*r1+(Edpp1-Vd1)*Xdpp1)/(r1^2+Xdpp1*Xqpp1);
Iq4 = ((Eqpp4-Vq4)*r4+(Edpp4-Vd4)*Xdpp4)/(r4^2+Xdpp4*Xqpp4);
Pe1 = (Edpp1*Id1+Eqpp1*Iq1)+(Xdpp1-Xqpp1)*Id1*Iq1-
r1*(Id1^2+Iq1^2);
Pe4 = (Edpp4*Id4+Eqpp4*Iq4)+(Xdpp4-Xqpp4)*Id4*Iq4-
r4*(Id4^2+Iq4^2);
% Edp1 = Edp1+(0.5*dt/Tqp01)*(-Edp1-Iq1*(Xq1-Xqp1));
% Edp4 = Edp4+(0.5*dt/Tqp04)*(-Edp4-Iq4*(Xq4-Xqp4));
Anexo 1 123
Eqpp1 = (Eqpp1old+(0.5*dt/Tdpp01)*(Eqp1+Id1*(Xdp1-
Xdpp1)))/(1+0.5*dt/Tdpp01);
Eqpp4 = (Eqpp4old+(0.5*dt/Tdpp04)*(Eqp4+Id4*(Xdp4-
Xdpp4)))/(1+0.5*dt/Tdpp04);
Edpp1 = (Edpp1old+(0.5*dt/Tqpp01)*(Edp1-Iq1*(Xqp1-
Xqpp1)))/(1+0.5*dt/Tqpp01);
Edpp4 = (Edpp4old+(0.5*dt/Tqpp04)*(Edp4-Iq4*(Xqp4-
Xqpp4)))/(1+0.5*dt/Tqpp04);
Xt);
if eventoactivado==1
fehz1(p)=fehz1(p-1); % Hace la
frec igual a la del paso anterior
fehz2(p)=fehz2(p-1); % Hace la
frec igual a la del paso anterior
fehz4(p)=fehz4(p-1); % Hace la
frec igual a la del paso anterior
elseif p==1;
fehz1(p)=60;
fehz2(p)=60;
fehz4(p)=60;
else fehz1(p)=FreqHz(angle(V(1)),teta1(p-1),dt); % Calcula
frec con la desviaciÛn angular
fehz2(p)=FreqHz(angle(V(2)),teta2(p-1),dt); % Calcula frec
con la desviaciÛn angular
fehz4(p)=FreqHz(angle(V(4)),teta4(p-1),dt); % Calcula frec
con la desviaciÛn angular
end
Anexo 1 127
L_w_Xqp;L_delta_Xqp;L_Eqp_Xqp;L_Eqpp_Xqp;L_Edpp_Xqp;
L_w_Xdp;L_delta_Xdp;L_Eqp_Xdp;L_Eqpp_Xdp;L_Edpp_Xdp;
L_w_Xdpp;L_delta_Xdpp;L_Eqp_Xdpp;L_Eqpp_Xdpp;L_Edpp_Xdpp;
L_w_Xqpp;L_delta_Xqpp;L_Eqp_Xqpp;L_Eqpp_Xqpp;L_Edpp_Xqpp;
L_w_Tdp0;L_delta_Tdp0;L_Eqp_Tdp0;L_Eqpp_Tdp0;L_Edpp_Tdp0;
L_w_Tdpp0;L_delta_Tdpp0;L_Eqp_Tdpp0;L_Eqpp_Tdpp0;L_Edpp_Tdpp0;
L_w_Tqpp0;L_delta_Tqpp0;L_Eqp_Tqpp0;L_Eqpp_Tqpp0;L_Edpp_Tqpp0]; % Se
define vector de variables de estado del paso actual
Resta_Vestado= Vestado_new-Vestado_old;
Err= sqrt(dot(Resta_Vestado,Resta_Vestado));
Vestado_old= Vestado_new;
end
AbsV4(p)=abs(V(4)); AngV4(p)=angle(V(4))/DegtoRad;
AbsI1(p)=abs(I(1)-V(1)*YNort1); AngI1(p)=angle(I(1)-
V(1)*YNort1)/DegtoRad;
AbsI4(p)=abs(I(4)-V(4)*YNort4); AngI4(p)=angle(I(4)-
V(4)*YNort4)/DegtoRad;
Q1(p)=(Edpp1*Iq1-Eqpp1*Id1)-Xdpp1*Id1^2-Xqpp1*Iq1^2-r1*(Id1-Iq1);
Q4(p)=(Edpp4*Iq4-Eqpp4*Id4)-Xdpp4*Id4^2-Xqpp4*Iq4^2-r4*(Id4-Iq4);
Ve4(p)=Efd4;
Lamda_Pe_Xd(p)=L_Pe_Xd;
Lamda_Qe_Xd(p)=L_Qe_Xd;
Lamda_Pe_Xqp(p)=L_Pe_Xqp;
Lamda_Qe_Xqp(p)=L_Qe_Xqp;
Lamda_Pe_Xdp(p)=L_Pe_Xdp;
Lamda_Qe_Xdp(p)=L_Qe_Xdp;
Lamda_Pe_Xdpp(p)=L_Pe_Xdpp;
Lamda_Qe_Xdpp(p)=L_Qe_Xdpp;
Lamda_Pe_Xqpp(p)=L_Pe_Xqpp;
Lamda_Qe_Xqpp(p)=L_Qe_Xqpp;
Lamda_Pe_Tdp0(p)=L_Pe_Tdp0;
Lamda_Qe_Tdp0(p)=L_Qe_Tdp0;
Lamda_Pe_Tdpp0(p)=L_Pe_Tdpp0;
Lamda_Qe_Tdpp0(p)=L_Qe_Tdpp0;
Lamda_Pe_Tqpp0(p)=L_Pe_Tqpp0;
Lamda_Qe_Tqpp0(p)=L_Qe_Tqpp0;
tiempo(p)=t;
end
%% Grafico sensibilidades
% figure
%
subplot(3,3,1),plot(tiempo,Lamda_Pe_Xd(1,:),'black',tiempo,Lamda_Qe_Xd(1
,:),'red');
%
subplot(3,3,2),plot(tiempo,Lamda_Pe_Xqp(1,:),'black',tiempo,Lamda_Qe_Xqp
(1,:),'red');
%
subplot(3,3,3),plot(tiempo,Lamda_Pe_Xdp(1,:),'black',tiempo,Lamda_Qe_Xdp
(1,:),'red');
%
subplot(3,3,4),plot(tiempo,Lamda_Pe_Xdpp(1,:),'black',tiempo,Lamda_Qe_Xd
pp(1,:),'red');
%
subplot(3,3,5),plot(tiempo,Lamda_Pe_Xqpp(1,:),'black',tiempo,Lamda_Qe_Xq
pp(1,:),'red');
%
subplot(3,3,6),plot(tiempo,Lamda_Pe_Tdp0(1,:),'black',tiempo,Lamda_Qe_Td
Anexo 1 129
p0(1,:),'red');
%
subplot(3,3,7),plot(tiempo,Lamda_Pe_Tdpp0(1,:),'black',tiempo,Lamda_Qe_T
dpp0(1,:),'red');
%
subplot(3,3,8),plot(tiempo,Lamda_Pe_Tqpp0(1,:),'black',tiempo,Lamda_Qe_T
qpp0(1,:),'red');
xlabel('Tiempo(seg)');
% ylabel('(Mvar)', 'FontSize',14); grid on; hold on
%
% subplot (3,2,5),plot
(tiempo(1:p),Ve4(1:p),'r',tiempo(1:p),Dig(5,1:p),'b');
% set (gca, 'FontSize',12); title('TensiÛn de Campo (p.u.)');
xlabel('Tiempo(seg)');
% ylabel('(Mvar)', 'FontSize',14); grid on; hold on
%
% subplot (3,2,6),plot
(tiempo(1:p),speed4(1:p),'r',tiempo(1:p),Dig(6,1:p),'b');
% set (gca, 'FontSize',12); title('Velocidad (p.u.)');
xlabel('Tiempo(seg)');
% ylabel('(Mvar)', 'FontSize',14); grid on; hold on
%% Salidas en p.u.
P4calc_StepVref = PE4(1:p)/Sn4;
Q4calc_StepVref = Q4(1:p)/Sn4;
ycalc = [P4calc_StepVref;Q4calc_StepVref];
Lambda_y =
permute(cat(3,dy_dXd,dy_dXqp,dy_dXdp,dy_dXdpp,dy_dXqpp,dy_dTdp0,dy_dTdpp
0,dy_dTqpp0),[1 3 2]);
end
B. Anexo 2: Código en Matlab Para la
obtención del sistema de ecuaciones con
derivadas parciales para el cálculo de
sensibilidades de trayectoria
Anexo 2 132
% Ecuaciones
% wp = (wn/2H)(Pm - Ed''Id - Eq''Id + (Xq'' - Xd'')IdIq)
% dp = w - wn
% Eq'p = (Efd - Eq' + Id(Xd - Xd'))/T'd0
% Eq''p = (Eq' - Eq'' + Id(Xd' - Xd''))/T''d0
% Ed''p = (Ed' - Ed'' - Iq(Xq' - Xq''))/T''q0
clear all
syms wn w4 delta4 Eqp4 Eqpp4 Edpp4 Edp4 Id4 Iq4 Efd4 Pm4 Pe4 Qe4 H4 wn4
Xd4 Xdp4 Xdpp4 Xqp4 Xqpp4 Tdp04 Tdpp04 Tqpp04 E0 Zl ...
L_w_Tqpp0 L_delta_Tqpp0 L_Eqp_Tqpp0 L_Eqpp_Tqpp0 L_Edpp_Tqpp0...
L_Id_Tqpp0 L_Iq_Tqpp0...
L_Pe_Tqpp0 L_Qe_Tqpp0...
%% [df/dTqpp04]
dL_w_Tqpp0 = diff(a,w4)*L_w_Tqpp0 + diff(a,delta4)*L_delta_Tqpp0 +
diff(a,Eqp4)*L_Eqp_Tqpp0 + diff(a,Eqpp4)*L_Eqpp_Tqpp0 +
Anexo 2 133
diff(a,Edpp4)*L_Edpp_Tqpp0 + diff(a,Id4)*L_Id_Tqpp0 +
diff(a,Iq4)*L_Iq_Tqpp0 + diff(a,Tqpp04)
dL_delta_Tqpp0 = diff(b,w4)*L_w_Tqpp0 + diff(b,delta4)*L_delta_Tqpp0 +
diff(b,Eqp4)*L_Eqp_Tqpp0 + diff(b,Eqpp4)*L_Eqpp_Tqpp0 +
diff(b,Edpp4)*L_Edpp_Tqpp0 + diff(b,Id4)*L_Id_Tqpp0 +
diff(b,Iq4)*L_Iq_Tqpp0 + diff(b,Tqpp04)
dL_Eqp_Tqpp0 = diff(c,w4)*L_w_Tqpp0 + diff(c,delta4)*L_delta_Tqpp0 +
diff(c,Eqp4)*L_Eqp_Tqpp0 + diff(c,Eqpp4)*L_Eqpp_Tqpp0 +
diff(c,Edpp4)*L_Edpp_Tqpp0 + diff(c,Id4)*L_Id_Tqpp0 +
diff(c,Iq4)*L_Iq_Tqpp0 + diff(c,Tqpp04)
dL_Eqpp_Tqpp0 = diff(d,w4)*L_w_Tqpp0 + diff(d,delta4)*L_delta_Tqpp0 +
diff(d,Eqp4)*L_Eqp_Tqpp0 + diff(d,Eqpp4)*L_Eqpp_Tqpp0 +
diff(d,Edpp4)*L_Edpp_Tqpp0 + diff(d,Id4)*L_Id_Tqpp0 +
diff(d,Iq4)*L_Iq_Tqpp0 + diff(d,Tqpp04)
dL_Edpp_Tqpp0 = diff(e,w4)*L_w_Tqpp0 + diff(e,delta4)*L_delta_Tqpp0 +
diff(e,Eqp4)*L_Eqp_Tqpp0 + diff(e,Eqpp4)*L_Eqpp_Tqpp0 +
diff(e,Edpp4)*L_Edpp_Tqpp0 + diff(e,Id4)*L_Id_Tqpp0 +
diff(e,Iq4)*L_Iq_Tqpp0 + diff(e,Tqpp04)
%% [dg/dTqpp04] = 0
cero = diff(m,w4)*L_w_Tqpp0 + diff(m,delta4)*L_delta_Tqpp0 +
diff(m,Eqp4)*L_Eqp_Tqpp0 + diff(m,Eqpp4)*L_Eqpp_Tqpp0 +
diff(m,Edpp4)*L_Edpp_Tqpp0 + diff(m,Id4)*L_Id_Tqpp0 +
diff(m,Iq4)*L_Iq_Tqpp0 + diff(m,Tqpp04)
cero1 = diff(n,w4)*L_w_Tqpp0 + diff(n,delta4)*L_delta_Tqpp0 +
diff(n,Eqp4)*L_Eqp_Tqpp0 + diff(n,Eqpp4)*L_Eqpp_Tqpp0 +
diff(n,Edpp4)*L_Edpp_Tqpp0 + diff(n,Id4)*L_Id_Tqpp0 +
diff(n,Iq4)*L_Iq_Tqpp0 + diff(n,Tqpp04)
%% [dh/dTqpp04]
L_Pe_Tqpp0 = diff(r,w4)*L_w_Tqpp0 + diff(r,delta4)*L_delta_Tqpp0 +
diff(r,Eqp4)*L_Eqp_Tqpp0 + diff(r,Eqpp4)*L_Eqpp_Tqpp0 +
diff(r,Edpp4)*L_Edpp_Tqpp0 + diff(r,Id4)*L_Id_Tqpp0 +
diff(r,Iq4)*L_Iq_Tqpp0 + diff(r,Tqpp04)
L_Qe_Tqpp0 = diff(s,w4)*L_w_Tqpp0 + diff(s,delta4)*L_delta_Tqpp0 +
diff(s,Eqp4)*L_Eqp_Tqpp0 + diff(s,Eqpp4)*L_Eqpp_Tqpp0 +
diff(s,Edpp4)*L_Edpp_Tqpp0 + diff(s,Id4)*L_Id_Tqpp0 +
diff(s,Iq4)*L_Iq_Tqpp0 + diff(s,Tqpp04)