Tesis de investigacin presentada como requisito parcial para optar al ttulo de:
Magister en Ingeniera - Automatizacin Industrial
Director (a):
Ph. D. ROSA ELVIRA CORREA GUTIRREZ
Codirector (a):
Ph. D. JUAN MANUEL RAMIREZ ARREDONDO
Lnea de Investigacin:
Ingeniera y Tecnologa - Ingenieras Elctrica, Electrnica e Informtica
Grupo de Investigacin:
Grupo de Investigacin en Tecnologas Aplicadas - GITA
Agradecimientos
A Dios, por darme la fuerza necesaria para no desfallecer y persistir cada da.
A la Doctora Rosa Elvira y al Doctor Juan Manuel por darme su consejo, su gua y
apoyo incondicional.
A mi madre que siempre quiso que sus hijos se superaran y lucharan por salir
adelante, a mi padre y hermanos que incondicionalmente me han brindado su
apoyo y su consejo.
A mi pequea hija que es la fuerza para trabajar mejor cada da.
A todas las personas que de una u otra manera me apoyaron y me guiaron en
todo este proceso de aprendizaje.
Resumen
En este trabajo, se propone una metodologa de estimacin de estado de dos
etapas. En la primera etapa, las mediciones son procesadas por un estimador de
mnimos cuadrados ponderados, en el cual se hace la verificacin de los valores
de las mediciones (errores de medicin y errores gruesos) y se entrega su
estimado actual. En la segunda etapa se recolecta la informacin de la estimacin
de estado entregada por el estimador de mnimos cuadrados ponderados para ser
el estado inicial del estimador basado en la metodologa del filtro de Kalman, y
junto con las pseudomediciones entregar el estado a priori del sistema de
potencia, el cual se presume muy cercano al estado real en la siguiente estimacin
de estado. El algoritmo del filtro de Kalman permite tener una idea de los posibles
escenarios a los que puede verse enfrentado el sistema de potencia en un instante
futuro [2].
Abstract
In this job, we propose a metodology of estimation of state in two stages. In the
first stage, the measurements are processed by an estimator of weighted least
squares, in which we make the verification of the values of the measurements
(measurements mistakes and thick mistakes) and it gives its current estimation. In
the second stage, we collect the information of the first estimation of stage given by
the estimator of the weighted least squares for being the beginning state of the
estimator based on the metodology of the Kalman's filter, and with pseudomeasurements, deliver the state a priori of the power system, which we presume is
very near to the real state in the next state estimation. Kalman's filter algorithm lets
us have an idea of the possibles scenarios that we can see face-to-face in the
power system in a future instant [2].
Contenido
.................................................................................................................... Pg.
Resumen ................................................................................................................ 4
Lista de figuras ...................................................................................................... 8
Lista de tablas ....................................................................................................... 9
Introduccin........................................................................................................ .10
1. ANALSIS DE OBSERVABILIDAD
1.1
1.2
Observabilidad...21
Anlisis de observabilidad aplicados a los sistemas de potencia.
OBSERVADORES DE ESTADO....33
Estimacin de estado............................................................................39
2.2
2.3
2.4
Filtro de Kalman..46
2.5
Anlisis de Observabilidad....56
3.2
3.3
3.4
Evaluacin de Resultados....61
3.5
3.6
3.7
3.8
4. Conclusiones ................................................................................................ 78
ANEXO A
INVESTIGACIONES BASADAS EN EL PROBLEMA DE ESTIMACIN DE
ESTADO EN SISTEMAS DE ENERGA. .............................................................. 80
Bibliografa....84
Lista de figuras
.................................................................................................................... Pg.
Figura 1. Sistema no lineal..20
Figura 2. Bosque constituido por dos rboles..30
Figura 3. Realimentacin de estados observados...33
Figura 4. Observador de Orden Completo36
Figura 5. Observador de Orden Reducido....38
Figura 6. Algoritmo de prediccin correccin de Kalman51
Figura 7. La lnea de tiempo muestra la relacin entre el a posteriori, a priori,
suavizado, y el estimador de estado predictor. 52
Figura 8. Representacin secuencial de los valores de las variables del filtro en
tiempo discreto53
Figura 9. Sistema de prueba de 39 barras de New England con 10
generadores.........................................................................................................69
Figura 10. Resultados de la simulacin del sistema de prueba de 39 barras
en el cual se realiza la prediccion de la tension en las barras del sistem70
Figura 11. Resultados de la simulacin del sistema de prueba de 39 barras en el
cual se realiza la prediccion del angulo de tension en las barras del sistema.71
Lista de tablas
.................................................................................................................... Pg.
10
Introduccin
11
12
13
14
15
16
Objetivos.
Objetivo general.
Objetivos especficos.
aplican
actualmente,
con
el fin
de
17
1. ANALISIS DE OBSERBAVILIDAD.
Un sistema es llamado lineal si para cada 0 y para cualquiera de los dos estados
entrada-salida hay un par ( , ):
= +
(1.1)
18
(1.2)
, y .
: Seal de entrada.
: Seal de salida.
: Vector de estados.
: Matriz de transicin.
: Matriz de distribucin.
: Matriz de salida.
(), 0 ;
Para = 1,2,
(1.3)
1 (0 ) + 2 (0 )
} 1 () + 2 (), 0 (Aditividad)
1 (0 ) + 2 (0 ), 0
(1.4)
1 (0 )
} 1 (), 0 (Homogeneidad)
1 (), 0
(1.5)
(1.6)
19
(1.7)
= ()
(1.8)
20
(1.9)
es el vector de estado.
es el vector de entradas (de control). Tambin se considera una ecuacin
de salida.
= (, )
(1.10)
21
(1.11)
() = (())
(), (): , ():
es el vector de estados del sistema.
es la seal de control.
es la salida.
1.1
Observabilidad.
22
1.2
23
(1.12)
Donde:
(): Matriz de ganancia de estimacin.
: Matriz de pesos de las mediciones.
: Numero de nodos del sistema.
Si es de rango , entonces es no singular y se puede hallar una matriz
triangular superior , tal que > 0; = 1,2, . Si el rango de es menor que
, es decir , entonces el proceso de factorizacin finaliza y es de la forma:
= [ 11
0
12
]
0
(1.13)
24
sistema que tuvo un arranque plano (Voltaje igual uno y ngulo de fase igual cero).
Si un sistema es numricamente observable, es algebraicamente observable, pero
esto no implica que un sistema algebraicamente observable sea numricamente
observable. Esto puede ser debido a los problemas generados por los clculos
numricos porque el Jacobiano puede ser mal condicionado; al calcular el rango o
tambin el estado real puede estar muy lejos del principio plano nominal [48].
+1 = + 1 [ ( )]
(1.14)
(
) = 0
(1.15)
= 0
25
(1.16)
11
21
12
0
][ ] = [ ]
22
0
(1.17)
posibles para .
1
= 11
12
(1.18)
(1.19)
26
(1.20)
(1.21)
27
(1.22)
1 . 1
. . .
..
.
. ]
.
1 .
(1.23)
28
1 .
1
= () () = [ ..
(1.24)
= +
(1.15)
(1.26)
= [() , () , () , . . ,
Donde:
: Vector de medidas.
() ]
(1.27)
29
Definicin:
El vector ms ortogonal se define como el vector que minimiza la suma de
cuadrados de los productos internos entre y cada una de las columnas de la
matriz , donde es de longitud unitaria, es decir, = 1.
Se normalizan los vectores columnas de la matriz . Esta normalizacin no
afecta los resultados, ya que se est interesado solamente en los ngulos
existentes de dichos vectores columnas. Con lo cual se obtiene una matriz
normalizada de , donde:
= [1 , 2 , ]
(1.28)
30
Definicin:
Un rbol se define como un grfico conectado sin ciclos. Un rbol es un tipo
especial de grafo. Un bosque se define como un grafo cuyos compontes estn
conectados a los rboles, es decir, un bosque es un grafo sin ciclos. Tambin, se
puede decir que un bosque conectado es un rbol y que un bosque es una unin
disjunta de rboles. La Figura 2 ilustra un grafo que tiene dos subgrafos en lneas
gruesas; cada subgrafo es un rbol y dos rboles constituyen un bosque [48].
31
32
Los sistemas de potencia se disean observables en la mayora de las condiciones de operacin, aunque temporalmente puede no serlo debido a cambios en la
topologa del sistema o a fallos en los instrumentos de comunicacin [47].
Mtodos Numricos de Observabilidad
Anlisis Topolgico de
Observabilidad.
Observabilidad.
la matriz .
modelo linealizado
[47].
= () +
Hachtel.
0
=[0
0
1
]
0
desacoplado,
Este
mtodo
se
basa
en
la
la
factorizacin
() = ()()
2
= [() , () , () , . ,
() ]
: Matriz de ganancia.
() =
()
: Vector de mediciones.
= es el producto interno de los vectores
y ,
numrica.
: Vector de funciones no lineales.
Una red es observable si dado un conjunto
El
observable
Jacobiana
del sistema.
sistema
de
potencia
cuando
la
ser
matriz
singular.
1.3
OBSERVADORES DE ESTADO.
34
(1.29)
=
De donde las matrices , , son conocidas. Se propone la siguiente estructura
genrica para el observador.
= 0 + +
(1.30)
Donde las matrices 0 y , deben ser diseadas para cumplir el objetivo de forzar
la convergencia de los estados del observador a los estados del sistema (1.29).
Por otra parte es una seal a determinar, si bien an no es conocida es
razonable pensar que depende de la excitacin del sistema a observar [50].
La dinmica del error definido por la diferencia entre los estados del sistema y los
estados del observador, resulta de la diferencia entre las ecuaciones (1.29) y
(1.30).
= -
= ( ) 0 +
(1.31)
35
(1.32)
(1.33)
(1.34)
Luego el diseo del observador se reduce a encontrar una matriz que asigne los
valores propios de en:
36
. ]
(1.35)
+2
. ]
(1.36)
12 1
] [ ] + [ 1]
2
22 2
1
= [ 0] [ ] +
2
= [ 1 ] = [ 11
2
21
37
(1.37)
(1.38)
(1.39)
= 21 1 + 2
(1.40)
Definiendo
= 1 11 1
(1.41)
(1.42)
= 12 2
Se puede disear un observador de orden completo para este nuevo sistema (en
realidad un observador de orden reducido del sistema real).
Luego, puede escribirse:
1 = 1 =
2 = 0 2 +
(1.43)
38
= 2 2 = 21 1 + 22 2 + 2 + 0 2 12 2
(1.44)
y se hace:
0 = 21 1 + 2
(1.45)
0 = 22 21
(1.46)
resulta:
= 0
(1.47)
39
2.1
Estimacin de estado.
40
Dado el
modelo de red, cualquier medicin sobre el sistema puede ser expresada como
una funcin, por lo general no lineal, de las variables de estado, ms un trmino
que representa el error asociado a dicha medida.
Para un sistema de barras, se tienen = 2 1 variables de estado,
correspondientes a los mdulos de la tensin en las barras y los 1 ngulos
medidos con respecto al voltaje en una barra de referencia llamada slac,
considerando adems medidas.
Las ecuaciones no lineales para la estimacin del estado del sistema de potencia
que se relacionan con las medidas y el vector de estado se pueden expresar
como:
1 (1
=[
(1
. . )
.
]+
.
. . )
= () +
(2.1)
41
1 = .
[.
22
(2.2)
(2.3)
2]
Donde:
= 1 Matriz de pesos de las mediciones.
1
12
=0
(2.4)
() = ()[ ()] =
() =
[ 0
(2.5)
(2.6)
42
= +1
(2.7)
(2.8)
(2.9)
(2.10)
(2.11)
() = ()()
(2.12)
Por lo tanto,
2.2
43
Medidas crticas: Son aquellas cuya eliminacin del set de datos resultan
en un sistema no observable.
Par crtico: Dos medidas redundantes cuya remocin simultnea del vector
har que el sistema sea no observable.
(2.13)
(2.14)
una medicin es errnea, siendo la medida que tiene mayor residuo normalizado
la que se considera errnea, siendo:
=
( )
(2.15)
44
1 : Lo anterior es falso.
Para proceder a la aceptacin de una de las hiptesis se utiliza el test del ndice
():
() =
(2.16)
= ()
(2.17)
donde
45
(2.18)
(2.19)
= 2 1
(2.20)
: Nmero de mediciones.
: Nmero de estados del sistema.
Si el valor calculado de () es menor que cierto umbral se acepta la hiptesis
0 y en caso contrario 1 . El valor de es una constante que se calcula de la
distribucin 2 . Dicha constante se elige de forma que la probabilidad de rechazar
la hiptesis 0 , supuesta cierta, sea (1 ), donde es el nivel de confianza
[46].
2.3
: Medida nueva.
2
( )
( )
(2.21)
46
: Medida errnea.
: Medida estimada.
Existen dos maneras de eliminar las medidas errneas:
-
Eliminacin ordenada.
2.4
Filtro de Kalman.
(2.22)
(2.23)
47
(2.24)
()~ (0, )
(2.25)
(2.26)
(2.27)
(2.28)
48
(2.29)
(2.30)
(2.31)
lim = 1
49
(2.32)
(2.33)
50
(2.34)
= 1 +
(2.35)
(2.36)
= + ( )
(2.37)
= ( )
(2.38)
51
52
53
54
(2.39)
La estimacin del estado posteriori (2.30) refleja la media (el primer momento) de
la distribucin del estado. Se distribuye normalmente si se cumplen las
condiciones de la ecuacin (2.24) y la ecuacin (2.25). La ecuacin a posteriori de
las covarianza del error estimado (2.29) refleja la varianza de la distribucin de
estado. (El segundo momento) [31].
( | )~ ([ ], [( )( ) ]) = ( , )
(2.40)
55
56
El filtro de Kalman puede ser pensado como estimador esttico con las
siguientes modificaciones: la etapa de prediccin es equivalente al clculo
de un conjunto de pseudo-mediciones que representan el estado futuro. El
paso de correccin es equivalente a la estimacin esttica, donde las
mediciones normales y las pseudo-mediciones se incorporan en el vector
de medicin [60].
() =
[ 0
57
(3.0)
() = ()()
(3.1)
Donde:
(): Matriz de ganancia de estimacin.
: Matriz de pesos de las mediciones.
: Numero de nodos del sistema.
58
> 1.2
(3.2)
Donde:
: Nmero de mediciones utilizadas en la estimacin de estado.
: Nmero de nodos del sistema en anlisis.
Si suponemos que se tienen variables de estado y mediciones linealmente
independientes, se dan tres casos para la observabilidad del sistema:
< : El sistema es no observable.
= : No hay redundancia en las mediciones.
> : Hay medidas redundantes.
Para el segundo y tercer caso el sistema puede ser o no observable,
dependiendo de las medidas disponibles y la topologa del SEP.
En casos concretos, un sistema se puede convertir en observable, mediante el
uso de pseudomedidas. Estas pueden venir de:
-
59
(3.3)
(3.4)
una medicin es errnea, siendo la medida que tiene mayor residuo normalizado
la que se considera errnea, siendo [41].
=
( )
(3.5)
Para eliminar las medidas errneas o sustituirlas basta con hacer la sustitucin
siguiente [4].
2
( )
( )
(3.6)
60
: Medida nueva.
: Medida errnea.
: Medida estimada.
3.3
La estimacin de estado en los centros de control solo interpreta una muestra (ya
sea una instantnea o un escaneo) de las mediciones para determinar el estado
del sistema . Como tal, la formulacin ignora cualquier informacin a partir de
muestras anteriores (con la excepcin de que la conjetura inicial sea tpicamente
la estimacin del estado anterior). Una representacin tpica de se muestra en
(3.7), donde es el ngulo del voltaje es la magnitud del voltaje, la medicin
es representada como:
= [ 1 , 2 , , 1, 2 , , ]
(3.7)
= [1 2 ]
(3.8)
(3.9)
() = [ ()] [ ()]
61
(3.10)
=0
() = ()[ ()] =
() =
()
(3.11)
(3.12)
(3.13)
(): es una funcin no lineal, puede ser necesario usar un proceso iterativo para
resolver la estimacin de estado que minimiza ():
3.4
() 1 ()[+1 ] = () 1 [ ()]
(3.14)
+1 = + [ 1 ()]1 () 1 [ ()]
(3.15)
Evaluacin de Resultados.
() =
=1
Donde:
(): Estimado del vector de estado.
(): Estimacin de la medicin.
: Valor de la medicin.
2 : Varianza del error.
( ())2
2
(3.16)
62
: Numero de mediciones.
(3.17)
2
Si () (),
3.5
(3.18)
(3.19)
63
(3.20)
(3.21)
(,)
+ = 0
(3.22)
: Error de linealizacion.
(,)
(3.23)
3.6
(3.24)
( + 1) = () + 1 [( + 1) ()]
(3.25)
64
( + 1) = [() + 1 (1 ) ] [[() + 1 [1 ] ] + ]1
(3.26)
(3.27)
[ ( + 1)][() + 1 (1 ) ][ ( + 1)] + ( + 1) ( + 1)
(3.28)
3.7
Para validar los resultados obtenidos por el estimador de estado se han utilizado
los ndices de desempeo de aproximacin para estimadores de estado en
sistemas de potencia.
Los indices de desempeo de aproximacin usados en la validacin de resultados
de estimacin de estado en sistemas de potencia, se basan en los ngulos de
fase, teniendo en cuenta el nodo de referencia y discriminando que alli se tendra
un dato menos en la medicion de las tensiones nodales y el numero de nodos del
sistema de potencia, para entregan el valor de la desviacin de los resultados
obtenidos en la estimacin de estado, tanto en ngulo de fase como en magnitud
de tension. Estos ndices se basan en el valor absoluto de los errores y
discriminan los datos de ngulo de los datos de tensin, lo cual entrega
65
resultados ajustados a cada una de estas variables de estado del sistema por
separado [55].
1
=
=1 | |
1
= 1 1
=1 | |
(3.29)
(3.30)
donde:
: nmero de barras del sistema.
y representan los valores exactos.
y representan los valores estimados.
66
Este diadrama de flujo entrega el estimado de los voltajes y angulos del sistema
de potencia en el instante y utiliza esas estimaciones para hacer una pruyeccion
en el intante futuro y entregar el estimado de estado del sistema + 1.
3.8
Sistema de Prueba.
67
Tipo de Medicin
Cantidad de
mediciones
27
27
19
19
Magnitudes de voltaje
10
Total de mediciones
102
> 1.2
Donde:
: Nmero de mediciones utilizadas en la estimacin de estado.
: Nmero de nodos del sistema en anlisis.
(3.31)
68
102
= 2.61
39
69
70
71
72
= 39 39
1 |1.0016| = 0.0025
73
tensin.
1
= 38 38
1 |0.04846| = 0.0128
ngulo.
74
= 39 39
1 |1.0028| = 0.00257
75
tensin.
1
= 38 38
1 |0.6236| = 0.0164
ngulo.
76
= 39 39
1 |1.0019| = 0.00275
77
tensin.
1
= 38 38
1 |0.5895| = 0.0155
ngulo.
78
4. Conclusiones.
las tablas que describen estos resultados y en los ndices de precisin que
se presentan como resultado de la estimacin de prediccin y la
estimacin del instante actual, esto se evidencia con los valores numricos
que se entrega con cada estimado.
79
ANEXO A.
AO
AUTOR
2000
2001
Meter
Placement for
Power System
State Estimation
Using Simulated
Annealing.
Alessandra B.
Antonio, Jose
R. A. TorreBo,
Milton Brown
Do
Coutto
Filho.
2002
Bad
Data
Detection
of
Unequal
Magnitudes in
State Estimation
of
Power
Systems.
Estimacin de
Estado
en
Sistemas
Elctricos
de
Potencia: Parte I
deteccin
de
errores grandes.
J.L.
DuranPaz, F. PrezHidalgo,
M.J. DuranMartnez
2003
2004
2005
2006
Grupo
de
Investigacin
en
Planeamiento
de
Sistemas
Elctricos
Universidad
Tecnolgica
de Pereira
Amitabh
Mishrq
Lamine Mili,
A
m
G.
Phadke.
H.B.
Suna,
B.M. Zhanga.
Algorithm
Based
Fault
Tolerant State
Estimation
of
Power Systems.
Global
state
estimation for
whole
transmission
and distribution
networks.
A Study on Anjia Mao.
Power System
State Estimation
PROBLEMA
HERRAMIENTA
Algoritmo de estimacin de
estado en paralelo y herramientas
de optimizacin, aplicado a
sistemas distribuidos.
Mtodos
heursticos
y
herramientas de optimizacin.
FALENCIA
82
2007
An
efficient S.-S. Lin.
algorithm
for
state estimation
problems with
coupling
inequality
constraints
2008
Combination of
Kalman Filter
and Least-Error
Square
Techniques in
Power System
Distributed State
Estimation with
PMU
Using
Grid Computing
2009
2010
2011
2012
State estimation
of
power
systems
containing facts
controllers.
AMultilevel
State Estimation
Paradigm
for
Smart Grids
Performance
analysis for the
robustness of
MNMR
state
estimation
in
power system.
perturbaciones
(errores
de
comunicacin,
falta
de
mantenimiento entre otros).
Ineficiencia en la estimacin de
estado
cuando
presenta
restricciones de desigualdad a la
hora de resolver el problema de
optimizacin.
Ramin Agha
Zadeh,
Arindam
Ghosh, Gerard
Ledwich.
Qinghua
Huang,
Anurag K.
Srivastava,
Tomasz
Haupt.
A.
ZamoraCrdenasa,b,
Claudio
R.
FuerteEsquivelb
A Gomez, A.
Abur, A. de la
Villa Jaen, C.
Gomez.
Jianmin
Zhang,
Ancheng Xue,
Member,
IEEE, Tianshu
Bi,
No se considera el anlisis de
observabilidad, solo se hace un anlisis de
los atributos de la seal y se realiza la
estimacin de estado.
Un algoritmo de mnimos
cuadrados ponderados para la
estimacin de estado de sistemas
de energa que contienen los
dispositivos FACTS.
Los sistemas de energa crecen Uso de sistemas multinivel para el
de manera independiente por uso de estimacin de estado
reas, lo que genera problemas jerarquizada.
de interconexin.
Los errores de medicin y los Herramientas estadsticas basadas
malos datos son inevitables en la en la ponderacin de las
estimacin de estado de sistemas mediciones.
de potencia.
2013
2014
2014
Accelerated
Parallel
WLS
State Estimation
for
Large-Scale
Power Systems
on GPU
Decentralized
Dynamic State
Estimation
in
Power
Systems Using
Unscented
Transformation.
A method for
evaluating the
accuracy
of
power system
state estimation
results based on
correntropy.
Hadis
Karimipour
Venkata
Dinavahi
Debido al tamao y la
complejidad de las redes de
energa en crecimiento, el
monitoreo en lnea del estado
del sistema de energa es un
problema computacional difcil.
83
Utilizacin de unidades de
procesamiento paralelo grficos
GPU para estimacin de estado
basado por mnimos cuadrados
ponderados WLS.
Abhinav
La estimacin de estado Uso de PMU y la metodologa del
Kumar Singh, descentralizada es compleja y es filtro de Kalman para hacer ms
Bikash C. Pal. poco eficiente.
eficiente y sencilla la estimacin
de estado descentralizada.
Ye Guo,
Wenchuan
Wu, ,
Boming
Zhang,
Hongbin Sun.
Numerosas investigaciones se han realizado en torno a la estimacin de estado en sistemas de potencia, todas ellas buscando tener
mejores resultados en la estimacin de estado, mejor tratamiento de la informacin de las mediciones, menor costo computacional,
mayor capacidad de estimacin en sistemas estresados, mayor confiabilidad en los resultados de la estimacin de estado, pero en la
actualidad no se cuenta con metodologas que apunten al anlisis predictivo de la tendencia que el sistema pueda seguir, basados en
histricos de cambios de carga y el comportamiento del estado del sistema de potencia.
Bibliografa.
86
87
[21] Nam H. Jo and Jin H. Seo, Input Output Linearization Approach to State
Observer Design for Nonlinear System, IEEE Transactions on Automatic Control,
vol. 45, no. 12, December, 2000.
[22] A.G. Phadke, J.S. Thorp Synchronized Phasor Measurements and Their
Applications, 2008 Springer Science Business Media, LLC.
[23] P. Alvarez, Desarrollo de un Modelo Computacional de Estimacin de
Estado
para
Sistemas
Elctricos
de
Potencia,
Universidad
de
Chile,
88
89
90
91
[60] Wu F, Liu W, Observability analysis and bad data processing for state
estimation using hachtels augmented matrix method, IEEE Transactions on
Power Systems February 1989.
[61] B. Frontana, Bases de la teora de la probabilidad, Universidad Nacional
Autnoma de Mxico. Facultad de Ingeniera. Agosto 2010.