Observa Bili Dad

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES
DE ESTADO EN SISTEMAS DE ENERGA ELCTRICA.
METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA

ESTIMADORES DE ESTADO EN SISTEMAS DE ENERGA
ELCTRICA.
Analysis Methodology of Observability for Estimators of State in Electric Power

Systems.
ALEXANDER EDUARDO FLORIAN VILLA
Universidad Nacional de Colombia

Departamento de Ingeniera Elctrica, Electrnica y Computacin.
Manizales, Colombia
2015


ESTIMADORES DE ESTADO EN SISTEMAS DE ENERGA ELCTRICA.
Analysis Methodology of Observability for Estimators of State in Electric Power

Systems.
ALEXANDER EDUARDO FLORIAN VILLA
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
Universidad Nacional de Colombia

Departamento de Ingeniera Elctrica, Electrnica y Computacin.
Manizales, Colombia
2015

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].
Palabras clave: mediciones, observabilidad, estimacin de estado, Filtro de

Kalman, mnimos cuadrados ponderados.
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].
Keywords: Measurement, observability, state estimation, power system, Kalman

filter, weighted least squares.

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.
1.2.1 Mtodos basados en anlisis Numricos..24

1.2.2 Matriz Gram para el Anlisis de Observabilidad..26
1.2.3 Observabilidad a Partir de Valores y Vectores Caractersticos.28
1.2.4 Anlisis Topolgico de Observabilidad..30
1.3
OBSERVADORES DE ESTADO....33
1.3.1 Observador de Orden Completo.34

1.3.2 Observador de Orden Reducido.36
2. ESTIMACIN DE ESTADO EN UN SISTEMA ELCTRICO DE POTENCIA ...
2.1
Estimacin de estado............................................................................39
2.2
Determinacin de Medidas Errneas...42
2.3
Eliminacin de Medidas Errneas....45
2.4
Filtro de Kalman..46
2.5
Filtro Kalman Discreto....49
3. METODOLOGA DE ESTIMACIN DE ESTADO EN DOS ETAPAS

3.1
Anlisis de Observabilidad....56
3.2
Validacin de las Mediciones Disponibles .57

3.3
Estimacin por Mnimos Cuadrados Ponderados..,.60
3.4
Evaluacin de Resultados....61
3.5
Construccin Modelo Pseudodinmico 62
3.6
Diseo de Predictor por Filtro de Kalman..63
3.7
Anlisis de los ndices de Desempeo del Estimador de Estado..64
3.8
Validacin de la Metodologa en un Caso de Prueba..66
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.
Tabla 1. Mtodos de observabilidad en sistemas de energa elctrica..32

Tabla 2. Nmero y tipo de mediciones utilizadas en la estimacin de estado del
sistema propuesto..67
Tabla 3. Resultado de la estimacin del sistema de 39 barras, en el cual se
predice el estado del sistema un paso adelante..72
Tabla 6. Tabla 6. Resumen de las principales referencias bibliogrficas
consultadas.....84
10

Introduccin
Las estrategias de operacin de los sistemas de manejo de la energa elctrica

han experimentado cambios en el entorno moderno, debido al crecimiento en la
dimensin de los sistemas de transmisin, la rpida expansin de los mismos, el
uso de fuentes renovables de energa y los problemas asociados a la calidad en el
suministro elctrico. Estas estrategias impulsan el desarrollo de nuevas tcnicas
que permitan mantener el suministro de energa elctrica con condiciones mnimas
de calidad, economa de servicio, y fiabilidad. Para logar esto se requiere de
monitoreo, vigilancia y control de las redes por medio de sistemas confiables y
seguros de manejo de energa [6].
Para operar un sistema de energa elctrica de forma econmica y segura, se
debe disponer de datos confiables que permitan efectuar acciones de control
cuando sean necesarias. Tradicionalmente, esto se ha logrado con los
estimadores de estado [1]. La estimacin de estado es computacionalmente
costosa, no es fcil de ejecutar en intervalos cortos de tiempo para lograr
monitorizacin en tiempo real de sistemas que cambian dinmicamente [7]. La
aparicin inesperada de grandes perturbaciones, errores de comunicacin y otros
factores que afectan el funcionamiento normal de los estimadores de estado [8], y
los cambios dinmicos en el sistema de potencia no pueden ser capturados por
los estimadores de estado tradicionales [9]. La estimacin de estado se ejecuta a
intervalos fijos de tiempo, ofrece una instantnea del sistema en ese momento,
pero no captura la naturaleza dinmica del sistema de potencia [10].
La estimacin de estado es una herramienta esencial en el monitoreo del sistema
de potencia debido a que entrega los estimados de las variables del sistema
elctrico, como pueden ser: generacin, cargas activas y reactivas, flujos de
potencia activa y reactiva de las lneas de transmisin, las magnitudes y fases de
las tensiones nodales del sistema. Adems, depura la informacin que ser usada
como datos de entrada en otras aplicaciones como son: programas de despacho

11
econmico, anlisis de contingencias, acciones correctivas de generacin y

prdidas, entre otras. Estas estimaciones se logran mediante la obtencin de
mediciones, que normalmente son proporcionadas por el sistema de supervisin
del control y adquisicin de datos (SCADA, por sus siglas del ingls) [11]. La
debilidad de los estimadores de estado es que su alcance se limita principalmente
a nivel de transmisin, los niveles de baja tensin y de distribucin quedan
desprotegidos de la supervisin de los centros de control, ya que no es fcil
obtener un modelo del sistema en estos niveles, debido a que no se cuenta con
mediciones y algoritmos que puedan cubrir estos niveles [12].
El problema de la observacin de los estados de un sistema no lineal ha sido
considerado en la literatura. Las primeras contribuciones para el diseo de un
observador no lineal fueron hechas por Krener e Isidori [13][14], quienes
propusieron las condiciones algebraicas de Lie en las que los observadores no
lineales con dinmicas de error linealizable pueden ser diseados. Bestle y Zeitz
[14] introdujeron un observador no lineal de forma cannica en el que las no
linealidades del sistema dependen solamente de la entrada y la salida del sistema
original. Para ampliar la clase de los sistemas no lineales para los observadores
de estado existentes, Keller [15] present el diseo de un observador basado en
una transformacin de una forma cannica generalizada (GOCF, por sus siglas del
ingls) que depende de los primeros instantes de tiempo derivados de la entrada
variable. Los enfoques antes mencionados requieren condiciones muy restrictivas
sobre la transformacin de coordenadas. Adems de los observadores que se
basan en la transformacin del estado en formas cannicas, se han estudiado
mtodos alternativos para el diseo de observadores lineales. Walcott y Zak [16]
investigaron una tcnica de diseo de observador que utiliza la teora de los
sistemas de estructura variable (VSS, por sus siglas del ingls). Slotine [17]
discute el uso potencial del diseo de observadores para superficies deslizantes.
Tsinias [18] proporciona una condicin suficiente de Lyapunov para la existencia
de un observador no lineal y demostr que es equivalente a la condicin de
detectabilidad para el caso lineal. Sin embargo, en general, la construccin de esta
12

funcin de Lyapunov es bastante difcil. Gauthier [19] mostr que si un sistema no

lineal es uniformemente observable para cualquier entrada y algunas funciones
son globalmente Lipschitz, entonces existe un observador no lineal cuya ganancia
depende de la solucin de la ecuacin de Lyapunov. Ciccarella [20] propuso una
extensin del Luenberger como observador de sistemas no lineales de grado
relativo completo, bajo la condicin global de Hlder para ciertas funciones. Sin
embargo, si el sistema no lineal tiene grado relativo menor que el del sistema, la
tcnica requiere una suposicin adicional de que algunos derivadas de tiempo de
la entrada deben ser cero en casi todas partes [21].
Actualmente, las compaas de gestin de energa estn aumentando las
unidades de medicin fasorial instaladas en los sistemas de transmisin y con el
advenimiento de los sistema de posicionamiento global (GPS, por sus siglas del
ingls), la estimacin de estado se ha hecho mucho ms confiable, ya que la
precisin de la estimacin de estado es directamente dependiente de la precisin
de las medidas utilizadas [22]. Las unidades de medicin fasorial (PMU, por sus
siglas del ingls) han revolucionado la forma en que se realiza la estimacin del
estado, gracias a su capacidad nica para medir los fasores de tensin y corriente
(magnitud y ngulo de fase) con una precisin muy alta, que resulta muy til en
sistemas modernos de gestin de energa. Los PMU toman mediciones
sincronizadas satelitalmente, por lo cual proporcionan mediciones sincronizadas
en lnea para el estimador de estado [9]. El objetivo del sistema elctrico de
potencia es suministrar energa elctrica entre generacin y la carga, a travs de
lneas de transmisin y transformadores para abastecer las cargas y brindar un
suministro de energa elctrica de buena calidad [23][24]. La calidad del servicio
en un sistema de energa elctrica desde el punto de vista de la tensin implica
garantizar un nivel adecuado de voltaje y a su vez permitir una operacin segura,
eficiente, y con un mximo de vida til de los equipos elctricos conectados [25].
El crecimiento en la dimensin de los sistemas elctricos de potencia, un entorno
moderno cambiante, el aumento en la produccin de energa a partir de fuentes
renovables, as como los problemas asociados a la calidad en el suministro

13
elctrico, impulsan el desarrollo de nuevas tcnicas, que permitan aumentar la

eficiencia y la fiabilidad de los sistemas elctricos de potencia. Esto requiere
monitoreo, vigilancia y control de las redes por medio de sistemas de manejo de
energa confiables y seguros [6][26].
Para garantizar un funcionamiento seguro del sistema de potencia se debe
disponer del modelo de la red, de all que los estimadores de estado toman gran
importancia y se convierten en una herramienta fundamental en el anlisis de
sistemas de energa elctrica, dado que ellos tienen la capacidad de estimar los
estados probables de un sistema de potencia mediante el procesamiento de las
mediciones disponibles y redundantes. Estas normalmente son proporcionadas
por el sistema de supervisin del control y adquisicin de datos, teniendo en
cuenta su ubicacin en la red y la topologa de la misma. Los estimadores de
estado modelan las variaciones naturales del sistema, por lo que es una gran
ventaja para el operador en la realizacin de anlisis de seguridad y otras
funciones del centro de control [9][27][28]. La precisin de la estimacin de estado
es directamente dependiente de la precisin de las medidas utilizadas. Las PMU,
con su alta precisin y capacidad nica de medir los ngulos de tensin, ofrecen
grandes mejoras en las mediciones entregadas a los estimadores de estado, dado
que estas mediciones son dadas en tiempo real y, por lo tanto, brindan
informacin en todo instante de tiempo a cerca de la dinmica del sistema [10].
Los estimadores de estado han sido desarrollados para proporcionar los datos
necesarios para el control en tiempo real de los sistemas de energa, y esto se
puede lograr fcilmente utilizando PMU que proporcionan voltaje de secuencia
positiva y las mediciones de corriente sincronizadas. Tambin miden la frecuencia
local y la tasa de cambio de frecuencia y puede ser personalizado para medir los
armnicos, las cantidades de secuencia negativa y cero, as como los voltajes de
fase y las corrientes individuales [22].
Una de las funciones de los estimadores de estado en los centros de control es el
procesamiento sistemtico de datos recibidos en tiempo real para la obtencin de
la estimativa ms probable del estado de operacin del sistema [29][30]. Se debe
14

tener en cuenta que no slo es importante tener una cantidad suficiente de

mediciones, sino que tambin stas estn bien distribuidas en toda la red, para
garantizar la observabilidad del sistema [26]. El anlisis de observabilidad es
fundamental en el diseo de los estimadores de estado, dado que ste garantiza
la fiabilidad de los datos entregados. En la ltima dcada ha existido un inters
creciente en los estimadores de estado generalizados que utilizan modelos
mejorados para lograr un estimador de estado para el procesamiento de errores
topolgicos [31].
En la actualidad, el alcance de los estimadores de estado se limita principalmente
a nivel de transmisin, en el cual cada operador del sistema de transmisin hace
seguimiento continuo a su propia red dentro de un sistema centralizado de
energa. A medida que el tamao del sistema de potencia aumenta, un estimador
de estado debe ser computacionalmente ms eficiente y robusto. Esto puede
lograrse por el avance tcnico en la ciencia computacional y el mejoramiento de
los algoritmos de estimacin de estado [32]. Sin embargo, en algunos sistemas de
energa, como son los de bajo voltaje, los estimadores de estado no se han
implementado, debido principalmente a la falta de un conjunto suficiente de
mediciones en estos niveles de tensin. Por lo tanto, existe una necesidad de
mejorar la capacidad de supervisin de los sistemas en estos niveles de voltaje
[33]. El paradigma en el diseo de estimadores de estado descrito anteriormente
tendr que cambiar drsticamente con el advenimiento de las redes inteligentes.
Ya que las nuevas generaciones de dispositivos digitales tales como las unidades
de gestin o aparatos electrnicos inteligentes destinados a la medicin,
proteccin y control, los cuales son menos costosos y ms flexibles que el equipo
analgico existente, van a invadir prcticamente todos los rincones de las futuras
redes elctricas. Esto permitir extender el alcance de los estimadores de estado
mucho ms all de las zonas actualmente observables, e incorporar funciones
avanzadas que an no han sido implementadas en los grandes procesos de la
cadena de valor de la energa elctrica, a pesar de estar conceptualmente
maduras [34][35].

15
En el estudio de R. A. Zadeh, A. Ghosh y, G. Ledwich, en el artculo Power system

state estimation with fusion method se presenta una arquitectura para el estimador
de estado multinivel que facilita la integracin de los existentes estimadores de
estado que estn diseados para funcionar en diferentes niveles, con el fin de
considerar el crecimiento en tamao y la complejidad de los datos e informacin
obtenida de los sistemas de potencia actuales y futuros, los cuales representan un
reto importante para los centros de control [36]. La tcnica de fusin de estimacin
es bien conocida en el procesamiento de seales. Para aplicar este concepto a la
estimacin de estado, se necesita un centro de fusin para estimar el estado del
sistema con base en las salidas recibidas de todos los estimadores miembros los
cuales son: (i) estimacin del estado distribuida; (ii) estimacin de estado
integrado; y (iii) estimacin de estado paralelo. Las soluciones de estas
estimaciones se combinan y se ejecuta el algoritmo de estimacin de estado
fusin (SEF), para obtener una estimacin de esta fusin de todo el sistema en
estudio [37].La estimacin de estado es una herramienta fundamental en el control
y la seguridad de los sistemas de energa, gracias a los estudios realizados en
este campo actualmente se tienen datos y estimaciones muy precisos y oportunos
del sistema de potencia que ayudan a la toma de decisiones a los operadores de
red en los centros de control. A continuacin se hace una descripcin de algunas
investigaciones realizadas alrededor de este tpico lo cual muestra la importancia,
vigencia y la necesidad de este tipo de estudios.
16

Objetivos.
Objetivo general.
Formular una metodologa de estimacin de estado que considere el anlisis de

observabilidad del sistema y la caracterizacin de las mediciones disponibles, y
que adems con el conocimiento del estado presente se pueda valorar la
tendencia del estado futuro del sistema de potencia elctrico, con el fin de generar
alertas tempranas y predecir estados.
Objetivos especficos.
Definir por lo menos tres formas de anlisis de observabilidad aplicables a

sistemas complejos.
Explorar los principales mtodos de diseo de estimadores de estado que

se
aplican
actualmente,
con
el fin
de
identificar las principales
caractersticas que los rigen.
Proponer una metodologa de estimacin de estado, a partir del anlisis de

observabilidad y la caracterizacin de las mediciones disponibles de un
sistema elctrico de potencia, que permita estimar el comportamiento a
priori del estado de la red elctrica, magnitudes de voltaje y fases en todos
los nodos.
Validar la metodologa en un sistema de prueba previamente establecido.
Utilizar alguna tcnica que permita cuantificar la exactitud de la estimacin

de estado.

17
1. ANALISIS DE OBSERBAVILIDAD.
En este captulo se realiza un estudio de las herramientas matemticas formales

de las cuales se har uso para fundamentar la descripcin de los estimadores de
estado en sistemas elctricos de potencia, partiendo desde el punto de vista de los
sistemas dinmicos, tanto lineales como no lineales, los cuales brindan
conocimientos bsicos necesarios para la comprensin de los sistemas de energa
elctrica.
El anlisis de sistemas dinmicos entrega informacin acerca del comportamiento

de los sistemas fsicos, este comportamiento est estrechamente ligado a su
representacin matemtica, la cual se puede dividir en dos grandes grupos,
sistemas lineales y sistemas no lineales, estos dos grupos obedecen a una serie
de propiedades que los diferencia uno del otro y describen su comportamiento. A
continuacin se har un anlisis de estos dos grupos de sistemas.
Los sistemas lineales obedecen a una serie de propiedades, las cuales los
describen y facilitan el estudio del comportamiento de dichos sistemas, estas
propiedades son:
Un punto de equilibrio nico si es no singular.
El punto de equilibrio es estable si todos los valores propios de tienen

parte real negativa, con independencia de las condiciones iniciales.
La respuesta transitoria de un sistema lineal se compone de los modos

naturales del sistema, y la solucin general puede ser resuelto
analticamente [38].
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.
A continuacin se describen algunas propiedades de los sistemas.

(0 )
}
(), 0
(), 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)
Para cualquier constante real . Las propiedades de aditividad y homogeneidad

pueden ser combinadas.
1 1 (0 ) + 1 2 (0 )
} 1 1 () + 2 2 (), 0
1 1 () + 2 2 (), 0
Para cualquier constante real
superposicin [45].
(0 ): Estado inicial.
(1.6)
1 y 2 , (1.6) es llamada propiedad de

19
(): Entrada del sistema.

0 : Tiempo inician de anlisis.
Los sistemas fsicos son inherentemente no lineales. Sin embargo, s el rango de
anlisis de estos sistemas es pequeo la no linealidad se suaviza y muchos de los
fenmenos de no linealidad se ven atenuados y podra pensarse en el sistema
como un sistema lineal. Pero esta aproximacin solo es aplicable a una pequea
regin de estudio, dado que el sistema fuera de esa regin de anlisis presenta
fenmenos que son solo posibles en sistemas no lineales [39].
Sea la funcin del sistema autnomo descrita por:
= ()
(1.7)
= ()
(1.8)
y su ecuacin de salida es:
Un sistema es llamado no lineal si la propiedad de superposicin no se mantiene

apropiadamente. Adems, si se presentan fenmenos esencialmente no lineales
que pueden tener lugar slo en presencia de no linealidad, por lo que no pueden
ser descritos o predichas por los modelos lineales [39].
Supongamos que () tiene derivadas parciales continuas sobre el espacio
euclidiano real . Existe una solucin nica de (1.7) que pasa a travs de 0 en
un tiempo inicial, en algn intervalo que contiene en su interior. En una ecuacin
diferencial autnoma, desplazando el eje de tiempo, el tiempo inicial, puede ser
igual a 0, no pierde generalidad. Existe un mximo intervalo (1 (0 ), 2 (0 ) ) que
contiene la solucin de (1.8) que pasa a travs de 0 a 0 = 0.
20

Para sistemas dinmicos modelados por un nmero finito de ecuaciones

diferenciales ordinarias de primer orden, acopladas entre s, representadas en
forma compacta con la ecuacin diferencial vectorial de primer orden en (1.9),
= (, )
(1.9)
es el vector de estado.
es el vector de entradas (de control). Tambin se considera una ecuacin
de salida.
= (, )
(1.10)
donde y es un vector de variables de inters, por ejemplo variables

fsicamente medibles o variables que deseamos se comporten de alguna forma
especial [40].
Figura 1. Sistema no lineal.

En la Figura 1 se observa un sistemas no lineal; algunas veces la entrada no
aparece explcitamente, ya sea porque la entrada es cero o porque fue
especificada como una funcin del estado = () (control por realimentacin). En
este caso la ecuacin de estado es la ecuacin no forzada. A continuacin de
definir un sistema no lineal con entrada de control.

21
Dado un sistema no lineal de la forma [26]:

() = (()) + (())()
(1.11)
() = (())
(), (): , ():
es el vector de estados del sistema.
es la seal de control.
es la salida.
1.1
Observabilidad.
El modelado de un sistema dinmico es una herramienta de suma importancia en

el estudio y anlisis de sistemas de control, ya que permite comprender el
comportamiento del sistema. En los sistemas de control se requiere de la
informacin del vector de estados, el cual describe la dinmica del sistema, sta
informacin normalmente no es accesible por razones fsicas. Por lo tanto, resulta
necesario resolver el problema mediante la implementacin de un algoritmo capaz
de estimar los estados no medibles del sistema [41].
El concepto de observabilidad investiga la posibilidad de estimar el estado del
sistema, cuyo problema radica en encontrar condiciones en las que un
conocimiento de los datos de entrada-salida reconstruya de forma nica el estado
del sistema [42].
La ecuacin de estado (1.1) es observable si para cualquier estado inicial (0)
(desconocido), existe un tiempo finito 1 tal que el conocimiento de las entradas
y las salidas sobre el intervalo [0, 1] es suficiente para determinar en forma
nica el estado inicial (0). En caso contrario el sistema es no observable. El
estado inicial debe ser capaz de determinarse para cualquier tiempo final [43].
22

En la ecuacin de estado (1.11) el estado () es observable para cualquier

entrada () si existe un tiempo finito 0 , tal que con el conocimiento de la
entrada () y la salida () para 0 son suficiente para determinar ()
[44].
Una de las aplicaciones ms relevantes de las definiciones y pruebas de
observabilidad es el diseo e implementacin de observadores de estados, que se
estudian en el prximo captulo [45].
1.2
Anlisis de observabilidad aplicados a los sistemas de potencia.
El objetivo de este anlisis es encontrar un conjunto de mediciones linealmente

independientes que garantice la observabilidad del sistema. El mdulo de
observabilidad de un estimador de estado determina si el conjunto de medidas
disponibles en permite obtener los elementos del conjunto de variables de
estado del sistema. El primer objetivo es valorar, si con las medidas disponibles,
es posible determinar el estado del sistema. En caso de no ser posible, es preciso
determinar las zonas del sistema donde de forma aislada es posible determinar su
estado. Estas zonas son denominadas islas observables y quedan unidas entre s
a travs de lneas no observables, cuyos flujos no pueden estimarse. Cada isla
requiere de una referencia de fase.
El concepto de observabilidad va ligado al nmero y distribucin de las medidas
disponibles, adems a la topologa del sistema. Es necesario realizar una serie de
suposiciones para simplificar el anlisis, tales como [46]:
Todas las medidas de potencia tanto la activa como la reactiva se analizan

simultneamente.
Una vez realizado el anlisis, se comprueba que en cada isla existe, al

menos una medida de tensin.

23
Estas suposiciones permiten realizar el anlisis de observabilidad sobre el

problema desacoplado [26].
Con base en lo anterior puede decirse que un sistema es observable cuando sus
variables de estado pueden ser determinadas a partir del conjunto de informacin
disponible. Una condicin necesaria de observabilidad es que el nmero de
mediciones linealmente independientes sea igual o superior al nmero de
variables de estado . La no observabilidad del sistema se traduce en que la
matriz Jacobiana que relaciona las mediciones con las variables de estado no
es de rango completo y, por lo tanto, el sistema de (1.12) no se puede resolver
[47].
() = ()()
(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)
donde 11 es una matriz triangular superior de dimensiones ( )( ) y

elementos diagonales positivos [41].
Un sistema de energa es numricamente observable si la ecuacin (1.14) puede
ser resuelta de forma iterativa para obtener la estimacin del estado , en un
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)
: Estado del sistema en la iteracin kaesima.

: Matriz de ganancia del sistema.
( ): Funcin de que relaciona los estados con las mediciones.
Existen diversos mtodos para el anlisis de observabilidad en un sistema, dentro

de las cuales se pueden destacar:
Mtodos basados en anlisis numricos
Mtodos basados en anlisis topolgicos
1.2.1 Mtodos basados en anlisis Numricos.
Estos mtodos estn basados en el anlisis de la matriz de ganancia. Considere el

problema de potencia activa del modelo desacoplado. A partir de las
condiciones de optimalidad, suponiendo pesos unitarios en las medidas, se puede
expresar como [30].
(
) = 0
(1.15)

= 0
25
(1.16)
: Estimado de ngulo de fase.

: Elementos de la matriz de jacobianos.
Si no es singular, el sistema ser completamente observable y = 0.
Si es singular, existen infinitas soluciones, y es necesario determinar las islas
observables del sistema. Se debe buscar entre las infinitas soluciones, una que
anule los flujos por las ramas observables, y presente flujos no nulos en aquellas
ramas no observables. De esta forma pueden identificarse las islas del sistema [4].
Para ello, las filas y las columnas de la matriz pueden permutarse y
reagruparse de la siguiente manera:
11
21
12
0
][ ] = [ ]
22
0
(1.17)
Donde 11 es la matriz no singular de .

Asignando valores arbitrarios a ,
pero diferentes a , se obtiene una solucin
posibles para .
1
= 11
12
(1.18)
La observabilidad de un sistema es independiente de los valores de los

parmetros de las lneas y del valor de las medidas. Es posible adoptar un modelo
linealizado desacoplado , suponiendo impedancias de lneas ficticias de valor
1.0, con ello los flujos de potencia activa por las ramas resultan:
=
(1.19)
26

es el vector de flujos de potencia activa en el modelo simplificado por las ramas.

es la matriz de incidencia de rama-nodo reducido (excluyendo el nodo de
referencia).
Los flujos por las ramas correspondientes a la solucin ( , ) = pueden
obtenerse de:
=
(1.20)
Aquellas ramas con () 0, sern identificadas como no observables. Estas

ramas dividen al sistema completo en islas observables. Las ramas denominadas
irrelevantes no tienen medidas incidentes. El estado estimado es independiente de
los parmetros de dicha rama y de su estado. Por lo tanto estas ramas pueden
ignorarse en el anlisis de observabilidad [3].
1.2.2 Matriz Gram para el Anlisis de Observabilidad.
En el caso de un sistema formado por partes observables e inobservables, se

tiene un problema que implica la restauracin de la observabilidad, es decir,
encontrar el conjunto de pseudomediciones que hacen observable al sistema
completo.
La matriz Gram es construida a partir de las filas del Jacobiano de mediciones,
este mtodo puede ser empleado para la restauracin de la observabilidad del
sistema y para efectuar un anlisis de mediciones redundantes, empleando el
modelo de estimacin de estado, las mediciones son representadas por [4]:
= ()
(1.21)

27
donde es el vector de ngulos de voltaje y (transpuesta de ) es la fila de

(). Si se tienen mediciones contempladas, la matriz equivalente estar
representada por:
() = 1 , 2 , . .
(1.22)
La matriz Gram asociada a los vectores , = 1, . , es:

1
= () () = [ ..
1 . 1
. . .
..
.
. ]
.
1 .
(1.23)
Donde = es el producto interno de los vectores y , siendo no

singular si y solo si = 1, . son linealmente independientes, lo que significa
que las mediciones son no redundantes. La factorizacin triangular de la matriz
Gram, corresponde a la ortogonalizacin de Gram-Schmidt de las filas de (), en
donde las operaciones lineales aplicadas a esta matriz muestra que si el pivote
es cero durante la factorizacin triangular de , el conjunto de vectores =
1, . es linealmente dependiente, en otras palabras, las medidas de 1 ,
forman un conjunto de mediciones redundantes [49].
Otro mtodo de observabilidad se basa en el anlisis de la matriz de ganancia =
()(), aunque y parecen ser matrices similares, los pivotes de la matriz
estn asociados con las variables de estado, mientras que los pivotes de lo
estn con las mediciones del sistema.
28

1.2.3 Observabilidad a Partir de Valores y Vectores Caractersticos.
El criterio de observabilidad del arreglo:

1 . 1
. . .
..
.
. ]
.
1 .
1
= () () = [ ..
(1.24)
= +
(1.15)
donde la solucin es expresada como:

= 0 +
(1.26)
Para este criterio , es la matriz de coeficientes, es la funcin, 0 es el estado

inicial, es la matriz de transicin y es la respuesta debida a de 0 .
Definicin:
Se establece que un sistema es observable si y solo si, en un tiempo finito con y
iguales a cero, el estado inicial del sistema en 0 puede ser determinado a partir
de .
= () +
2
= [() , () , () , . . ,
Donde:
: Vector de medidas.
() ]
(1.27)

29
(): Matriz Jacobiana.

: Matriz de coeficientes.
El sistema es observable cuando el rango de la matriz es y es una matriz de
.
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)
Para cualquier sistema el vector corresponde al vector ms ortogonal de las

columnas de la matriz , que es el vector propio asociado con el valor propio ms
pequeo de la matriz [49].
En un sistema con mediciones, el criterio ms recomendable para agregar un
conjunto de mediciones es agregar aquellas mediciones que estn lo ms cerca
posible al vector ms ortogonal. En el sentido prctico el valor ms cercano a uno
o el valor mayor de todos los componentes del vector. El mejor caso de
observabilidad se resulta cuando los valores propios de , son iguales.
De la ecuacin (1.27) se sabe que la suma de los elementos de la diagonal
principal de una matriz cuadrada es igual a la suma de sus valores propios. La
traza de es igual al nmero de columnas no cero de . Por lo tanto, la traza
ser y el mejor caso de observabilidad se presentara cuando todas las columnas
30

de sean ortogonales, es decir, no sea posible calcular vectores ms ortogonales

en el sistema [49].
1.2.4 Anlisis Topolgico de Observabilidad.
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].
Figura 2. Bosque constituido por dos rboles.
Para realizar el anlisis topolgico se utiliza un modelo linealizado
desacoplado, formulado mediante variables de ramas; es decir, diferencias de

fases entre los nodos extremos de ramas, en lugar de variables nodales. Se
establecen unas reglas de asignacin de las medidas disponibles de las ramas del
grafo de la red, para ello:
Una medida de flujo se asigna a la propia rama cuyo flujo se mide.
Una medida de inyeccin se asigna a alguna de las ramas incidentes al

nodo cuya inyeccin se mide.

31
Una rama solo puede asociarse a una nica medida.
Si es posible realizar una asignacin de las medidas disponibles a las ramas de un

rbol maximal en el grafo de la red, el sistema ser observable. Inicialmente se
asignan las medidas de flujo a las ramas correspondientes, sin formar bucles,
dando lugar a islas de flujo conexas entre s, se asignan las inyecciones, y dado
que estas pueden ser asignadas a varias ramas, la construccin del rbol requiere
el ensayo de diferentes combinaciones. El objetivo es que la nueva rama haga
crecer alguno de los rboles o bien los interconecte.
Finalizando el proceso de construccin del rbol maximal, se dispone de rboles
inconexos en el grafo. Aquellas inyecciones que tengan al menos una rama
incidente sin asignar, cuyos nodos extremos pertenezcan a arboles distintos, son
eliminadas junto con las ramas afectadas, repitindose de nuevo el proceso [4].
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
Matriz Gram para el Anlisis de
Anlisis Topolgico de
Mtodos numricos basados en
basado en la matriz aumentada de
Observabilidad.
Observabilidad.
la matriz .
Este mtodo se basa en la resolucin del
La matriz Gram es construida a partir de las
En el anlisis topolgico se utiliza un
problema de WLS utilizando la matriz que
filas del Jacobiano de mediciones, este mtodo
modelo linealizado
relaciona las ponderaciones, los Jacobianos
puede ser empleado para la restauracin de la
formulado mediante variables de ramas;
y criterios de estabilidad numrica para
observabilidad del sistema y para efectuar un
es decir, diferencias de fases entre los
triangular de la matriz de ganancia
encontrar la observabilidad del sistema [60].
anlisis de mediciones redundantes [4].
nodos extremos de ramas, en lugar de
[47].
min () = [ ()] [ ()]
= () +
variables nodales [48].
Hachtel.
0
=[0
0
1
]
0
desacoplado,
Este
mtodo
se
basa
en
la
determinacin del rango de la matriz

mediante
la
factorizacin
() = ()()
2
= [() , () , () , . ,
() ]
: Matriz de ganancia.
() =
()
: Vector de mediciones.
= es el producto interno de los vectores
: Ponderacin de las mediciones.

: Parmetro de control para estabilidad
y ,
Bosque constituido por dos rboles.
numrica.
: Vector de funciones no lineales.
Una red es observable si dado un conjunto
El sistema es observable cuando el rango de la
Si es posible asignar las mediciones
El
de mediciones se puede estimas el estado
matriz es y es una matriz de .
disponibles a las ramas de un rbol
observable
maximal el sistema ser observable.
Jacobiana
del sistema.
sistema
de
potencia
cuando
la
ser
matriz
que relaciona las
Si la red es observable entonces es no
mediciones con las variables de
singular.
estado es de rango completo.
Tabla 1. Mtodos de observabilidad en sistemas de energa elctrica.
1.3
OBSERVADORES DE ESTADO.
Un observador de estados es un sistema dinmico cuyos estados convergen a los

del sistema observado. La posibilidad de disear un observador de estados est
directamente asociada a la propiedad de observabilidad, que relaciona la salida
del sistema con la ecuacin de estado que describe al mismo, este anlisis puede
realizarse tanto para sistemas lineales como para sistemas no lineales [50][51].
La observabilidad para los sistemas representados por modelos lineales
determinsticos invariantes en el tiempo, es de tipo global. Es decir, es
independiente de la regin del espacio de estado donde se encuentre operando el
sistema y del valor que tome la variable de comando. Por este motivo, se pueden
construir observadores con convergencia exponencial de tipo global si el sistema
es observable [52].
Los observadores para sistemas no lineales no son de tipo global, o sea, que
presentan no adecuadas propiedades de convergencia en cualquier regin del
espacio de estado y para todo control admisible, es una propiedad muy
caracterstica de cada sistema de estudio. El problema es que la observabilidad
es una condicin, generalmente, de tipo local, dependiente de un punto de
operacin, fijado por una seal de control y una trayectoria de estados. Adems,
conseguir que la convergencia sea de tipo exponencial aumenta, en general, la
cantidad de hiptesis que debe satisfacer el sistema [53].
Figura 3. Realimentacin de estados observados.

: Ganancia del observador.
34

La Figura 3 muestra un diagrama de bloques de un sistema fsico y un estimador

de estados de lazo cerrado, en el cual la entrada , y la salida del sistema
alimentan el observador para obtener la estimacin ms probable del sistema.
1.3.1 Observador de Orden Completo.
Los observadores de alta ganancia involucran el ajuste de un parmetro de

ganancia para cualquier nmero de estados y/o parmetros a estimar. Estos
estimadores son muy estables y permiten que el error tienda a cero, es decir
presentan convergencia exponencial.
Si se desea estimar los estados de un sistema lineal [44].
= +
(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
Para asegurar que el error = converja a cero, ms all de la excitacin u

del sistema, de su salida y, y del valor inicial del error (0), la ecuacin (1.31)
debe poder reducirse a:
=
(1.32)
Donde los valores propios de la matriz deben pertenecer al semiplano

izquierdo. Esta reduccin es posible si:
0 = =
(1.33)
(1.34)
Luego el diseo del observador se reduce a encontrar una matriz que asigne los
valores propios de en:
1. El semiplano izquierdo, lo cual asegura la estabilidad del observador,

2. A la izquierda de los valores propios del sistema para asegurar que la dinmica
del error
= 0 Sea ms rpida que la del sistema.
36

Figura 4. Observador de Orden Completo.
En la Figura 4 se observa el diagrama de bloques de un sistema fsico y su

correspondiente estimador de estados.
1.3.2 Observador de Orden Reducido.

Ahora, se asume que uno de los estados del sistema puede ser medido en
forma directa.
Estos estados se agrupan en el vector 1 [50].
1 = [1
. ]
(1.35)
Mientras que los restantes estados se agrupan en

1 = [+1
+2
. ]
(1.36)
Luego, la ecuacin de estados del sistema en lazo abierto puede dividirse de

acuerdo a:

12 1
] [ ] + [ 1]
2
22 2
1
= [ 0] [ ] +
2
= [ 1 ] = [ 11
2
21
37
(1.37)
(1.38)
En la ecuacin de salida se ha puesto de manifiesto que todos los estados 1 son

accesibles y sern tomados como salidas para su realimentacin. La ecuacin
(1.36) puede ser ordenada como:
2 = 22 2 + 21 1 + 2
12 2 = 1 11 1 1
(1.39)
= 21 1 + 2
(1.40)
Definiendo
= 1 11 1
(1.41)
Se obtiene una ecuacin de estados de un sistema fsico que tiene los

estados que deseamos observar.
2 = 22 2 +
(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 +
Si se plantea la ecuacin dinmica del error de estimacin:
(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)
Debiendo elegirse para que los valores propios de 0 = 22 21 aseguren

la rpida convergencia del error de estimacin a cero [50].
Figura 5. Observador de Orden Reducido.
En la Figura 5 se observa el diagrama de bloques de un sistema fsico y un

estimador de estados de orden reducido.
En este captulo se introdujeron algunos conceptos fundamentales la compresin
de la estimacin de estado aplicada a los sistemas de potencia; el cual ser
tratado con ms detalle en el captulo siguiente.

39
2. ESTIMACIN DE ESTADO EN UN SISTEMA ELECTRICO DE POTENCIA.
En sistemas elctricos de potencia, la estimacin de estado determina el valor de

las variables elctricas de un modelo de red mediante la aplicacin de funciones y
criterios estadsticos a un conjunto redundante e impreciso de mediciones y datos
histricos del sistema [59].
Un estimador de estado es un algoritmo de procesamiento de datos que convierte
mediciones redundantes y otra informacin disponible en un estimado del estado
ms probable de un sistema elctrico de potencia, depurando la informacin
recolectada de una serie de mediciones capturadas de forma remota o por las
unidades de medicin sincronizadas, las cuales son recogidas peridicamente
para una construccin, en tiempo real, del modelo elctrico del sistema [3].
2.1
Estimacin de estado.
La estimacin de estado fue introducida en 1970 por Schweppe y Wildes [27],

como solucin a los problemas observados al intentar obtener el estado en
sistemas reales mediante flujo de cargas, debido a la carencia y/o inconsistencia
de ciertas medidas obtenidas por los sistemas de monitoreo y la imposibilidad de
utilizar toda la informacin disponible. El flujo de cargas no utiliza, por ejemplo,
medidas de flujo por las lneas, ni redundancia en el conjunto de mediciones
como informacin de entrada. Las medidas utilizadas por el estimador de estados
incluyen [54]:
40

Flujos de potencia activa y reactiva a travs de lneas y transformadores.
Inyecciones de potencia activa y reactiva en los nodos de generacin y

consumo.
Mdulos de tensiones en las barras del sistema.
Aunque por lo general estos valores se obtienen a travs de instrumentos de

medida, en la prctica, pueden utilizarse valores basados en datos histricos o
predicciones, llamados Pseudo-medidas, los que si bien cuentan con una
precisin inferior a las medidas ordinarias, permiten mejorar la redundancia de
datos en aquellas zonas de la red pobremente monitorizadas [23].
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)
= (): Vector de errores de mediciones.

Donde es el vector de medidas, el vector de variables de estado (tensin y
ngulos en las barras), es la funcin de ecuaciones no lineales que relacionan
las medidas y el vector de estado, es el vector de errores en la medicin. La

41
estimacin del vector de estado se obtiene mediante la minimizacin de la

funcin de mnimos cuadrados ponderados:
() = [ ()] [ ()]
1
12
1 = .
[.
22
(2.2)
(2.3)
2]
Donde:
= 1 Matriz de pesos de las mediciones.
1
12
: Es la varianza del error de medicin.
(): Funcin objetivo.
La solucin del problema de mnimos cuadrados ponderados (2.2) proporciona el

estado estimado que satisface la condicin de optimizacin siguiente:
()
=0
(2.4)
() = ()[ ()] =
() =
[ 0
(2.5)
(2.6)
() Es la matriz de Jacobianos del vector () con dimensiones .
42

La solucin de la ecuacin no lineal (2.4) se puede calcular mediante un mtodo

iterativo en el que el vector de estado -simo es y en cada iteracin se
resuelve la ecuacin lineal:
( ) = ( )[ ( )]
() =
= +1
(2.7)
(2.8)
(2.9)
Donde es el valor de en la -sima iteracin, ( ) es una matriz no singular

que depende del mtodo iterativo utilizado para que el sistema converja. El
mtodo de Newton garantiza la convergencia cuadrtica local del sistema para
que este converja; este mtodo ignora los trminos de segunda derivada para la
matriz (),
() = () ()
(2.10)
As la ecuacin (2.7) se convierte en:

() = ()[ ()]
(2.11)
() = ()()
(2.12)
Por lo tanto,
(): Matriz de ganancia.

La matriz de ganancia es dispersa, definida positiva, y simtrica.
2.2
Determinacin de Medidas Errneas.
Los sistemas elctricos de potencia pueden contener varios tipos de mediciones

distribuidas sin patrn topolgico aparente. Estos datos exhibirn diversas
propiedades, y afectarn el resultado de la estimacin de estado, de acuerdo a

43
esto dependiendo no solo de su valor, sino tambin de su ubicacin. Por lo tanto,

pueden pertenecer a una o ms de las siguientes categoras [55]:
Medidas crticas: Son aquellas cuya eliminacin del set de datos resultan
en un sistema no observable.
Medidas redundantes: Son aquellas que no son crticas.
Par crtico: Dos medidas redundantes cuya remocin simultnea del vector
har que el sistema sea no observable.
N-tupla crtica: Una n-tupla redundante contiene medidas redundantes,

donde la eliminacin de todas ellas causar que el sistema se vuelva no
observable. Ninguno de estos datos pertenece a una tupla de menor
orden. Las columnas de la matriz de covarianza residual correspondientes
a los miembros de una n-tupla crtica sern linealmente dependientes [55].
La identificacin se basa en suponer que la medida de mayor residuo

normalizado es errnea. Sea el residuo de las variables de estado y el
residuo de las mediciones:
=
(2.13)
(2.14)
donde es la variable estimada y la medida estimada.

2
Si () > ,
se puede deducir, con una probabilidad de error , que al menos
una medicin es errnea, siendo la medida que tiene mayor residuo normalizado
la que se considera errnea, siendo:
=
( )
: Residual de la matriz de covarianza de estimacin.
(2.15)
44

Determinacin de la Presencia de Errores.
Una de las funciones esenciales de un estimador de estado es la de detectar

errores de medicin, identificarlos y eliminarlos, de ser posible. Estos errores
pueden existir por una serie de razones, tales como en una unidad terminal
remota (RTU) que tiene precisin finita, o fallos en el medio de comunicacin. Si
se tienen suficientes medidas redundantes, es posible filtrar estos errores. En
este punto es necesario considerar la naturaleza de los datos que se toman a fin
de llevar a cabo una estimacin de estado [55].
Existen ciertos errores que se pueden detectar fcilmente, tales como voltajes
negativos, datos con varios rdenes de diferencia con respecto los valores
esperados, pero lamentablemente no todos los errores son tan obvios, por lo que
se requiere una herramienta que los pueda detectar. Esta herramienta es el test,
que se describir a continuacin.
La presencia de medidas errneas queda reflejada en los residuos de las
mediciones, es decir, en la diferencia entre los valores de las telemedidas y las
medidas estimadas, y se plantea como un problema estadstico que tiene como
hiptesis [8].
0 : No existen medidas errneas.
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
(): Representa la suma de los cuadrados de las variables aleatorias

independientes con distribucin normal cuya media es cero y su desviacin tpica
es , por lo que () es una 2 de Pearson con grados de libertad.
2 = 12 + 22 + 32 + + 2
(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
Eliminacin de Medidas Errneas.
Un algoritmo de estimacin de estado idealmente se debe ejecutar una vez sea

determinada la no existencia de errores de datos o estructurales, pero esta
situacin es poco frecuente, por lo que se hace necesario tcnicas de deteccin,
identificacin y eliminacin de mediciones problemticas o mediciones errneas,
y eliminarlas en el proceso de estimacin [4].
Para eliminar las medidas errneas o sustituirlas basta con hacer la sustitucin
siguiente:
: Medida nueva.
2
( )
( )
(2.21)
46

: Medida errnea.
: Medida estimada.
Existen dos maneras de eliminar las medidas errneas:
-
Eliminacin ordenada.
Eliminacin por grupos.
En el primer caso se sustituye la medida cuyo residuo sea mayor, y se vuelve a

estimar el estado con una nueva medida. Si la deteccin vuelve a resultar positiva
se sustituye ahora la medida que tenga mayor residuo, y as sucesivamente.
En el segundo caso se sustituyen todas las medidas correspondientes a los
residuos mayores a un cierto valor y se realiza nuevamente la estimacin de
estado [41].
2.4
Filtro de Kalman.
El Filtro de Kalman es un estimador de estado que permite calcular el estado de

un sistema dinmico lineal, perturbado por seales ruidosas, mediante
mediciones que se relacionan linealmente con el estado, pero que estn
contaminadas con este tipo de seales. Este estimador es ptimo desde el punto
de vista estadstico, ya que el estado estimado se obtiene de la solucin de un
problema cuadrtico lineal [31]. El filtro de Kalman aborda el problema general del
estimador de estado de .
Un proceso controlado en tiempo discreto que se rige por la ecuacin en
diferencias estocsticas lineales,
= 1 + + 1
(2.22)
Con una medicin

= +
(2.23)

47
Las variables aleatorias y representan el ruido de proceso y medicin,

respectivamente. Se asume que son independientes (una de otra), con ruido
blanco, y con distribuciones de probabilidad normal,
()~ (0, )
(2.24)
()~ (0, )
(2.25)
En la prctica, la covarianza del ruido del proceso y la covarianza del ruido de

medicin pueden cambiar con cada paso de tiempo o de medicin. Sin
embargo, aqu se supone que son constantes. La matriz de de la ecuacin
en diferencias (2.22) se refiere al estado anterior de tiempo 1 para estimar el
estado actual , en ausencia de cualquier funcin o del ruido del proceso. Tenga
en cuenta que en la prctica puede modificarse con cada paso de tiempo, pero
aqu asumimos que es constante. La matriz se refiere a la entrada de control
para el estado . La matriz de en la ecuacin de medicin (2.23) se
refiere al estado de la medicin . En la prctica puede modificarse con cada
paso de tiempo o la medicin, pero aqu suponemos que es constante. Definimos
para una estimacin de estado a priori al tiempo dado el conocimiento
del proceso anterior en la etapa , y
para hacer una estimacin del
estado posterior al tiempo dada la medicin . Se definen entonces los errores

de la estimacin a priori y a posteriori como [31]:
=
(2.26)
(2.27)
La covarianza del error de estimacin a priori es:

= [ ]
(2.28)
48

La covarianza del error de estimacin a posteriori es:

= [ ]
(2.29)
Al derivar las ecuaciones para el filtro de Kalman, se comienza con el objetivo de

encontrar una ecuacin que calcula una estimacin de un estado a posteriori ,
como una combinacin lineal de una estimacin a priori , y una diferencia
ponderada entre la medida real y una prediccin de medicin , como se
muestra a continuacin en la ecuacin (2.30). Una justificacin para la ecuacin
(2.30) se da en "Los orgenes probabilsticos del filtro" que se encuentra a
continuacin [44].
= + ( )
(2.30)
La diferencia ( ) en la ecuacin (2.30) se llama la innovacin de

medicin, o la residual. El residual refleja la discrepancia entre la medicin
predicha y la medicin real . Un residual de cero significa que los dos
estn en completo acuerdo. La matriz de en la ecuacin (2.30) es elegida
para ser la ganancia o factor de mezcla que minimiza la ecuacin de covarianza
del error a posteriori (2.29). Esta reduccin puede llevarse a cabo por primera
sustitucin de la ecuacin (2.30) en la definicin de arriba, sustituyendo que en la
ecuacin (2.28), tomando la derivada de la traza del resultado con respecto a ,
lo establecido en ese resultado igual a cero y, la solucin de resulta,
= ( + )1
(2.31)
En cuanto a la ecuacin (2.31) note que a medida que la covarianza de error

de medicin se acerca a cero, la ganancia residual de los pesos se hace
mayor.

lim = 1
49
(2.32)
Por otro lado, ya que el error de estimacin a priori de covarianza se aproxima

a cero, la ganancia residual de los pesos se reduce,
lim = 0
(2.33)
Otra forma de ver la ponderacin de es que a medida que la covarianza del

error de medicin se aproxima a cero, la medida real es de mayor confianza,
mientras que la medicin prevista es de menor confianza. Por otro lado, ya
que el error de estimacin a priori de covarianza se aproxima a cero la
medicin real es cada vez de menor confianza, mientras que la medicin
predicha es de mayor confianza [31].
2.5
Filtro Kalman Discreto.
El filtro de Kalman estima los estados de un proceso mediante el uso de la

retroalimentacin, estima el estado del proceso en algn momento y luego
obtiene retroalimentacin en forma de mediciones ruidosas. Las ecuaciones para
el filtro de Kalman se dividen en dos grupos:
Ecuaciones de actualizacin de tiempo y ecuaciones de actualizacin de la

medicin.
Las ecuaciones de actualizacin son responsables de proyectar hacia adelante el
estado actual y la covarianza del error del de las estimaciones obtenidas, para
conseguir la estimacin a priori de los estados del sistema.
Las ecuaciones de actualizacin de la medida son responsables de la
regeneracin, es decir, incorporan la nueva medicin a la estimacin a priori para
obtener una mejor estimacin a posteriori de los estados del sistema. Las
ecuaciones de actualizacin tambin pueden ser consideradas como las
50

ecuaciones de prediccin, mientras que las ecuaciones de actualizacin de

medicin pueden ser pensadas como ecuaciones de correccin. De hecho, el
algoritmo de estimacin final se parece al de un algoritmo predictor-corrector para
la resolucin de problemas numricos [32].
Actualizacin de las Ecuaciones en Tiempo Discreto del Filtro de Kalman.

= 1 +
(2.34)
= 1 +
(2.35)
Actualizacin de las Ecuaciones de Medicin en Tiempo Discreto del Filtro

de Kalman.
= ( + )1
(2.36)
= + ( )
(2.37)
= ( )
(2.38)
La primera tarea durante la actualizacin de la medida es calcular la ganancia de

Kalman , el siguiente paso es medir realmente el proceso para obtener , y
luego para generar una estimacin de un estado a posteriori mediante la
incorporacin de la medicin como en la ecuacin (2.37). El paso final es obtener
una estimacin de covarianza del error a posteriori a travs de la ecuacin (2.38).
Despus de cada tiempo de medicin y de actualizacin, el proceso se repite con
las anteriores estimaciones a posteriori y se utiliza para proyectar o predecir las
nuevas estimaciones a priori. Esta naturaleza recursiva es una de las
caractersticas ms atractivas del filtro de Kalman que hace las implementaciones
prcticas mucho ms factible [32].

51
Figura 6. Algoritmo de prediccion correccion de Kalman.
Es importante resear que el filtro de Kalman es una herramienta matemtica, de

la cual se destaca la prediccin, que es una parte integral de filtrado de Kalman,
ya que los valores estimados y sus covarianzas asociadas de incertidumbre,
siempre se predicen un paso de tiempo por delante como las variables a priori. En
la prctica, este tipo de prediccin se contina generalmente hacia adelante cada
vez que las mediciones previstas no estn disponibles o se considere poco fiable.
Los predictores utilizan observaciones estrictamente antes del momento en que el
estado del sistema es estimado. Si se cuenta con todas las mediciones anteriores
(pero sin incluir) al tiempo , disponibles para usarla en nuestro estimado de ,
entonces se puede formar una estimacin a priori, que se denota como . Una
manera de formar la estimacin del estado a priori, consiste en calcular el valor
esperado de , condicionado a todas las mediciones anteriores pero no
incluyendo al tiempo [58].
= [ |1 , 2 . 1 ] (Estimacin a priori)
52

Es importante sealar que y + son ambas estimaciones de la misma

cantidad; ambas son estimaciones de . Sin embargo, es nuestra estimacin
de antes de la medicin se tiene en cuenta, y + es la estimacin de ,
despus de tomar la medicin en cuenta. Naturalmente, se espera que +
sea una estimacin mejor que , porque utiliza ms informacin para calcular
+ . Si se desea encontrar la mejor prediccin de ms de un paso de tiempo
por delante de las mediciones disponibles, entonces se forma un estimador
predictivo. Una manera de formar la estimacin de estado predictivo es calcular el
valor esperado de condicionado en todas las mediciones que estn
disponibles, ntese que si gran cantidad de mediciones no estn disponibles el
filtro pierde exactitud y el resultado de la estimacin se degradara.
( ) = [ |1 , 2 . ] (Estimador predictor)
Donde es algn entero positivo cuyo valor depende del problema especfico
que est siendo resuelto. La relacin entre las estimaciones a posteriori, a priori,
suavizada, y prediccin se representa en la figura 7, donde suponemos que
hemos recibido mediciones a veces hasta e incluyendo k = 5. Una estimacin del
estado en k <5 se llama una estimacin suavizada. Una estimacin del estado en
= 5 se llama la estimacin a posteriori. Una estimacin del estado en k = 6 se
llama la estimacin a priori. Una estimacin del estado en k> 6 se llama la
prediccin [59].

53
Figura 7. La lnea de tiempo muestra la relacin entre el a posteriori, a priori,

suavizado, y el estimador de estado predictor, en la figura se supone que se han
recibido mediciones hasta en instante = 5.
Una caracterstica importante del (KF) es que el Jacobiano en la ecuacin
para la ganancia de Kalman sirve para propagar correctamente o "magnificar"
la informacin de la medicin . Por ejemplo, si no hay un mapeo uno a uno
entre la medicin y el estado a travs del Jacobiano afecta la ganancia de
Kalman que slo aumenta la porcin de la residual ( , 0) que afecta el
estado.
Por supuesto, si en todas las mediciones no existe una correlacin uno a uno
entre la medicin y el estado , entonces, como se podra esperar el filtro se
desviar rpidamente [2].
Figura 8. Representacion secuencial de los valores de las variables del filtro en

tiempo discreto [2].
En esta aplicacin, el filtro de Kalman (KF) se utiliza para obtener la estimacin

ptima de las magnitudes de voltaje de las barras del sistema de potencia y sus
ngulos de fase, Con el fin de estimar el estado a priori de las variables de estado
54

del sistema de potencia. Se hace uso de la accin de prediccin del filtro de

Kalman vista anteriormente, y que grficamente se observa en la figura (8).
Orgenes Probabilsticos del Filtro de Kalman.
La justificacin de la ecuacin (2.9) se basa en la probabilidad de la estimacin a

priori condicionado en todas las mediciones anteriores . Por ahora, basta
sealar que el filtro de Kalman mantiene los dos primeros momentos de la
distribucin estado.
[ ] =
[( )( ) ] =
(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)
Con base en lo mostrado en la ecuacin (2.39) se observa que la matriz de

covarianza cuantifica la incertidumbre de la estimacin de los estados del
sistema en anlisis, dando as una mtrica de la confiabilidad de la estimacin
realizada.
En este captulo se presentaron los elementos ms importantes que deben ser
considerados dentro de la propuesta de estimacin de estado.
En el prximo captulo se har un anlisis de la metodologa de estimacin de
estado de dos etapas, la cual utiliza las herramientas matemticas vista
anteriormente.

55
3. METODOLOGA DE ESTIMACIN DE ESTADO EN DOS ETAPAS.
La estimacin de estado en sistema de energa elctrica, ha sido estudiada con

gran rigurosidad y durante mucho tiempo; esto nos da informacin de la
importancia que el tema tiene para los sistemas elctricos de potencia, y los
desafos que enfrenta a travs del tiempo, con el crecimiento de las redes de
energa. Lo que hace que los sistemas cada da trabajen ms al lmite de su
capacidad y se haga necesario tcnicas de monitorizacin del sistema cada vez
ms precisas, rpidas y efectivas, que ayuden a la toma correcta de decisiones
en los diferentes aspectos del sistema de energa, para que este trabaje de forma
ptima y segura todo el tiempo; garantizando un suministro continuo y de calidad.
Con base en lo planteado anteriormente se hace un estudio de los mtodos de

estimacin de estado actuales y se encuentra que las tcnicas de estimacin de
estado estticas no tratan de resolver el problema de estimacin de estado a
priori, que ayudara en gran medida a los operadores de red en la toma oportuna
de decisiones, dado que tendran informacin de un posible escenario futuro.
A continuacin se hace una descripcin de una tcnica de estimacin de estado

en dos etapas que estudia y propone una solucin a la estimacin de estado a
priori en sistemas e potencia.
Para formular un modelo matemtico adecuado para estimacin de estado, es

necesario hacer las siguientes suposiciones:
56

Funcionamiento normal, el sistema de energa se considera cuasi esttico.
Se considera el sistema de potencia lineal.
Todos los componentes R, L, C y G son independientes de la frecuencia.
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].
PRIMERA ETAPA DE LA METODOLOGIA.
3.1 Anlisis de Observabilidad.
Por lo general un sistema de potencia se disea observable 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. Se dice que un sistema es observable cuando sus variables de
estado pueden ser determinadas a partir del conjunto de informacin disponible lo
que quiere decir que existen suficientes medidas para estimar a partir de ellas
todas las variables de estado.
Si la matriz es de rango completo, es decir, al menos de las ecuaciones
que la componen son linealmente independientes, esta matriz es definida
positiva, y el sistema (3.1) tiene solucin nica. La no observabilidad del sistema
se traduce en que la matriz Jacobiana que relaciona las mediciones con las
variables de estado no es de rango completo y, por lo tanto, el sistema de (3.1) no
se puede resolver [46].

() =
[ 0
57
(3.0)
() = ()()
(3.1)
Donde:
(): Matriz de ganancia de estimacin.
: Matriz de pesos de las mediciones.
: Numero de nodos del sistema.
Cuando se detecta que una red no es observable se puede utilizar un algoritmo

de observabilidad que permita procesar una lista de pseudomediciones que
determine el nmero mnimo de pseudomediciones que hagan observable el
sistema, adems es necesario encontrar las zonas del sistema donde de forma
aislada es posible determinar el estado, estas son las denominadas islas
observables y estn unidas entre s por lneas no observables cuyos flujos no
pueden ser estimados [26][47].
3.2 Validacin de las Mediciones Disponibles.
La estimacin de estado es una herramienta que a partir de un conjunto de

mediciones y otra informacin disponible entrega es estimado del sistema de
potencia, de all la importancia de contar con un nmero apropiado de mediciones
ya que de esto depende la convergencia o no de la estimacin de estado.
El anlisis de redundancia en las mediciones es de gran importancia ya que nos
entrega informacin acerca de la observabilidad del sistema y de la posibilidad de

58
poderse realizar la estimacin de estado o no, dado que el nmero de mediciones

linealmente independientes debe ser igual o superior al nmero de variables de
estado , una prueba para verificar el cumplimiento de esta condicin se puede
realizar haciendo un anlisis de redundancia de datos como se muestra en la
ecuacin (3.2) [47].
> 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:
-
Valores de estimaciones anteriores. Si se supone que el estado del

sistema cambia lentamente, es posible pensar que el mdulo de la tensin
en una barra dada en el tiempo + 1 ser muy similar a la tensin en esa
barra en el tiempo .
Valores no medidos, pero conocidos. Si en el sistema se tienen barras de

trnsito, es decir, que no consumen potencia aparente, se puede agregar a

59
la lista de medidas datos nulos de y asignndole un peso

razonablemente alto.
-
Valores inventados pero coherentes (por ejemplo, = 1). Esto siempre es

posible, sin embargo, el problema es asignar el peso adecuado a esta
medida inventada [54].
La identificacin de medidas errneas se basa en suponer que la medida de

mayor residuo normalizado es errnea. Sea el residuo de las variables de
estado y el residuo de las mediciones:
=
(3.3)
(3.4)
donde es la variable estimada y la medida estimada.

2
Si () > ,
se puede deducir, con una probabilidad de error , que al menos
una medicin es errnea, siendo la medida que tiene mayor residuo normalizado
la que se considera errnea, siendo [41].
=
( )
(3.5)
: Residual de la matriz de covarianza de estimacin.

Eliminacin de Medidas Errneas.
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
Estimacin por Mnimos Cuadrados Ponderados.
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)
Se supone que las medidas ideales son determinsticas y calculables dado un

estado conocido (Las medidas deterministas se caracterizan fundamentalmente
porque se puede determinar por anticipado el resultado del fenmeno cuando
este ocurra, siempre y cuando ocurra bajo las mismas hiptesis y circunstancias
dictadas por las leyes cientficas). Las medidas reales a menudo se modelan
como medidas ideales que han sido contaminadas por ruido gaussiano de media
cero [61].
= () +
(3.9)
La estimacin del vector de estado se obtiene mediante la minimizacin de la

funcin de mnimos cuadrados ponderados:

() = [ ()] [ ()]
61
(3.10)
La solucin del problema de mnimos cuadrados ponderados (3.10) proporciona

el estado estimado que satisface la condicin de optimizacin siguiente:
()
=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.
Una vez que el mtodo converja se procede a la evaluacin de los resultados en

busca de errores grandes en la medicin, esta anlisis se realiza utilizando la
prueba estadstica de Chi-cuadrada ( 2 ).
El anlisis de Chi-cuadrada se realiza de la siguiente manera:
-
Resolver el problema de LWS y comprobar la funcin objetivo.
() =
=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.
Revisar que la distribucin de la Chi-cuadrada este en una probabilidad

de confianza del 95% con los ( ) grados de libertad.
2
= (() (),
)
(3.17)
2
Si () (),
Si lo anterior se cumple, entonces se sospechara de los datos.

De lo contrario, las mediciones sern asumidas libre de malos datos [3].
SEGUNDA ETAPA DE LA METODOLOGIA.
3.5
Construccin Modelo Pseudodinmico.
Modelo Pseudodinmico a travs de linealizacion del flujo de potencia para la

barra .
( ) = +
(3.18)
Las ecuaciones de flujo de potencia relacionan la potencia activa y la potencia

reactiva en la barra .
es la potencia activa y es la potencia reactiva en la barra , es el
elemento de la matriz de admitancia , y se define el fasor de tensin en la barra
como:
= .
(3.19)

63
Si definimos para representar las inyecciones de potencia y para representar

el estado.
= [1 2 . . 1 2 . . ]
(, ) = ( ) ( ) = 0
(3.20)
(3.21)
Podemos definir una expresin:

(,)
(,)
+ = 0
(3.22)
: Error de linealizacion.
(,)
(3.23)
: Jacobiano del flujo de potencia.
3.6
Diseo de Predictor por Filtro de Kalman.
Calculamos la prediccin ( + 1) a partir de la estimacin de estado actual (),

nuestro modelo y la entrada y de la estimacin de la covarianza del error :
() = [( )( ) ]
(3.24)
( + 1) = () + 1 [( + 1) ()]
(3.25)
Calculamos la ganancia de Kalman de la matriz de covarianza de estado (), la

covarianza de medicin , la covarianza de entrada , el modelo, y la medicin.
La ganancia de Kalman () es:
64

( + 1) = [() + 1 (1 ) ] [[() + 1 [1 ] ] + ]1
(3.26)
Se actualizan las estimaciones de estado con las mediciones. Se calcula el error

entre las mediciones reales y sus valores calculados a partir del estado predicho
se convierten en el vector de innovacin.
( + 1) = ( + 1) + ( + 1)[( + 1) ( ( + 1))]
(3.27)
Actualizar la matriz de covarianza . Esto nos da un valor actualizado de la

confianza que tenemos en el valor del estado.
( + 1) =
[ ( + 1)][() + 1 (1 ) ][ ( + 1)] + ( + 1) ( + 1)
(3.28)
El diagrama de flujo que a continuacin se muestra resume y explica claramente

cada uno de los pasos a seguir en esta metodologa de estimacin de estado de
dos etapas.
3.7
Anlisis de los ndices de Desempeo del Estimador de Estado.
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.
Como se puede observar en cada uno de estos ndices, a medida que el

resultado de estos crece, el error de estimacin crece, y a medida que estos se
hacen pequeos los resultados de estimacin se hacen ms confiables. Esto se
puede ver numricamente con un resultado unitario que sugiere un error mximo
de estimacin. Estos ndices pueden tener desviaciones diferentes entre el
coeficiente de desviacin de la tensin y el ngulo de la tensin, dado que el
ngulo de la tensin es muy sensible este es debe ser analizado con mayor
rigurosidad [51].
Este trabajo hace uso de la estimacin de estado tradicional por mnimos
cuadrados ponderados y adicional a esto se hace una estimacin de estado
utilizando el filtro de Kalman discreto, con el fin de obtener un estimado del
sistema en el instante siguiente (a priori). A continuacin se muestra el diagrama
de flujo que resume la metodologa de estimacin de estado en dos etapas.
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
Validacin de la Metodologa en un Caso de Prueba.
Sistema de Prueba.
Para realizar el anlisis de la metodologa propuesta se emplea el sistema de

prueba del modelo reducido basado en la red de 345 kV del Noreste de Estados
Unidos, conocido como New England. Este sistema cuenta con 10 generadores,
12 transformadores y sus respectivos modelos dinmicos para el control de
tensin y de unidades de control primario, lo cual garantiza obtener una correcta
respuesta dinmica del sistema [5][59].

67
Este sistema de 39 nodos consta de 77 estados hallados como se a continuacin:

(, ) = 2 1 = (2)(39) 1 = 77
Tpicamente el nmero de mediciones es superior al nmero de estados, las
mediciones utilizadas para estimar este sistema son 102, las cuales son
obtenidas as [47]:
Tipo de Medicin
Cantidad de
mediciones
Flujos de potencia activa
27
Flujos de potencia reactiva
27
Inyecciones de potencia activa
19
Inyecciones de potencia reactiva
19
Magnitudes de voltaje
10
Total de mediciones
102
Tabla 2. Nmero y tipo de mediciones utilizadas en la estimacin de estado del

sistema propuesto.
De la tabla anterior obtenemos que el nmero de mediciones mayor que el
nmero de estados, haciendo un anlisis de redundancia de datos veremos que
es nmero de mediciones del que se dispone es suficiente para realizar la
estimacin de estado del sistema [29].
=
> 1.2
Donde:
: Nmero de mediciones utilizadas en la estimacin de estado.
: Nmero de nodos del sistema en anlisis.
(3.31)
68

Para este caso de estudio se tiene que la redundancia de datos es:

=
102
= 2.61
39
Lo que indica claramente que la relacin de la ecuacin (3.31) se cumple y el

nmero de mediciones con el que se cuenta es suficiente para realizar la
estimacin de estado.
El modelo es mostrado en la figura (9), y es evaluado en un escenario de varias
muestras, cada una de las cuales corresponde a una instantnea del sistema, en
la que el sistema es sometido a una serie de cambios de carga, las cuales se
realizan de manera aleatoria, para determina la eficiencia de prediccin del
sistema y la robustez del estimador de estado, para predecir el comportamiento
futuro del sistema de potencia.

69
Figura 9. Sistema de prueba de 39 barras de New England con mediciones de

tension tension representadas con v, mediciones de flujos de potencia
representadas con recuadro y mediciones de inyeccion de potencia representada
con flecha.
Donde.
V
Mediciones de magnitud de tensin.

Mediciones de flujos de potencia (, ).
Mediciones de inyecciones de potencia (, ).
70


cual se realiza la prediccion de la tension en las barras bajo un cambio de carga
en el sistema de 5%, en color verde prediccin del vector de voltajes y en
rojo la estimacin por WLS, la cual se realiza con el fin de contrastar los
resultados de la metodologia propuesta.

71

cual se realiza la prediccion del angulo de tension en las barras bajo un cambio
de carga en el sistema de 5%, en color verde prediccin del vector de
angulos de tension y en rojo la estimacin por WLS, la cual se realiza con el fin de
contrastar los resultados de la metodologia propuesta.
72


predice el estado del sistema un paso adelante. En la primera etapa se obtiene el
resultado de la estimacin de estado tradicional WLS, la segunda etapa muestra
los resultados del anlisis del flujo de carga del sistema, el cual es la referencia
de comparacin con la cual se mide las estimaciones entregadas. Por ltimo, se
muestra la estimacin del sistema, el cual es la prediccin de los resultados
entregados en las otras dos tablas.

= 39 39
1 |1.0016| = 0.0025
73
Evaluacin de la precisin de la estimacin de
tensin.
1
= 38 38
1 |0.04846| = 0.0128
ngulo.
Evaluacin de la precisin de la estimacin del
74


predice el estado del sistema un paso adelante ante la aplicacin de un cambio
de carga P-Q en el sistema de 5%.

1
= 39 39
1 |1.0028| = 0.00257
75
tensin.
1
= 38 38
1 |0.6236| = 0.0164
ngulo.
76


predice el estado del sistema un paso adelante ante la aplicacin de un cambio
de carga P-Q en el sistema de 5% partiendo de la condicin anterior.

1
= 39 39
1 |1.0019| = 0.00275
77
tensin.
1
= 38 38
1 |0.5895| = 0.0155
ngulo.
Segn lo antes visto en el anlisis de los ndices de desempeo, a medida que

los resultados numricos sean ms cercanos a cero los datos de estimacin se
hacen ms confiables. Para el sistema de prueba estos resultados son muy
satisfactorios dado que sus valores numricos estn en el orden de centsimas y
milsimas, lo que nos da una idea del buen rendimiento de la estimacin de
estado a priori, y proporciona confianza en sus resultados.
La estimacin de estado en dos etapas se basa en la realizacin de una
estimacin primaria que tiene como objetivo verificar el cumplimiento de los
criterios de observabilidad del sistema, anlisis de mediciones y depuracin de
las mismas en caso de ser necesario, cumplidos estos anlisis se procede a
realizar la estimacin de estado correspondiente a la primera etapa, en la que se
obtiene la estimacin de estado del sistema en el nstate presente. Una vez esta
etapa haya concluido se utilizan los resultado de esta primera estimacin como
parmetro de partida para la realizacin de la segunda etapa de estimacin, la
cual se lleva a cabo con base en el modelo del sistema de potencia y el conjunto
de pseudo mediciones registradas del sistema de potencia, con lo cual se
preceder a la utilizacin de la formulacin del filtro de Kalman para la proyeccin
del sistema en el instante futuro.
78

4. Conclusiones.
En este trabajo, se propone una metodologa de estimacin de estado de

dos etapas, la cual cumple el objetivo de predecir el estado del sistema de
potencia. En la primera etapa, las mediciones son procesadas por un
estimador de mnimos cuadrados ponderados, en el cual se hace la
verificacin de los correctos valores de las mediciones (errores de
medicin y errores gruesos) y se entrega el estimado actual de sistema de
potencia, la segunda etapa recolecta la informacin de la estimacin de
estado actual generada en la primera etapa, y as formar los valores de
inicializacin para el estimador de estado con
filtro de Kalman para
entregar la tendencia futura del sistema de potencia.

-
La prediccin del estado del sistema de potencia tiene gran importancia

dado que de la estimacin de estado en los centros de control dependen:
Anlisis de seguridad, despacho econmico, anlisis de contingencias,
pronstico de carga entro otras, los cuales se vera muy beneficiados si
con antelacin se conoce su tendencia, la cual puede generar alertas
tempranas y evitar inconvenientes en la operacin del sistema de potencia.
Los resultados de simulacin muestran que la metodologa propuesta

cumple satisfactoriamente con el objetivo de estimar el estado futuro del
sistema. Esto se evidencia con los resultados comparativos de las tablas
que relacionan la corrida del flujo de carga y la prediccin de esos estados
del sistema el cual es sometido a una serie de cambios de carga.
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.
Se implementa un algoritmo de filtro de Kalman para la estimacin de

estado, con el fin de tener una idea de los posibles escenarios a los que
puede verse enfrentado el sistema de potencia en el instante futuro, como

79
cambios de carga, contingencias y otros posibles problemas a los que el

sistema se pudiese enfrentar.
-
La evaluacin de la exactitud de la estimacin de estado es de gran

importancia, debido a que los estados reales de los sistemas de energa
son desconocidas. En este documento se hace uso de los indices de
desempeo de aproximacin para evaluar la precisin de la estimacin de
estado a priori, con el fin de evaluar el mtodo de estimacin propuesto y
su robustez.
Las investigaciones futuras deben enfocar sus esfuerzos en metodologas

de estimacin de estado robustas que faciliten el diagnstico de la
tendencia futura del estado del sistema elctrico, con el fin de tener un
umbral de tiempo amplio para una toma de decisiones que puedan
mantener al sistema electico de potencia en niveles confiables y seguros.
En la actualidad el uso de herramientas de medicin fasorial ha tenido

mucho auge, gracias a su gran precisin y su velocidad en la captura de
datos, estos y otros atributos los han convertido en parte fundamental en el
monitoreo de los sistemas de energa. La utilizacin de esta herramienta
en esta propuesta mejorara enormemente la precisin de la estimacin de
estado en el instante actual y por consiguiente dara un mejor punto de
partida para el paso de estimacin de estado a priori.
ANEXO A.
AO
INVESTIGACIONES BASADAS EN EL PROBLEMA DE ESTIMACIN DE ESTADO EN SISTEMAS DE ENERGA.

TITULO
AUTOR
2000
State Estimation Reza

Distributed
Ebrahimian,
Processing.
Ross Baldick.
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
Los grandes sistemas de energa

presentan problemas de rapidez
en la convergencia de datos en
la estimacin de sus parmetros.
Eleccin apropiada de las
mediciones, de tal manera que
estas
garanticen
la
observabilidad,
fiabilidad,
calidad y que su ubicacin sea
apropiada para obtener una
estimacin aceptable.
Difcil deteccin de datos
errneos en mediciones de
diferente magnitud en la
Algoritmo de estimacin de
estado en paralelo y herramientas
de optimizacin, aplicado a
sistemas distribuidos.
Mtodos
heursticos
y
herramientas de optimizacin.
FALENCIA
El estimador de estado invierte

su mayor esfuerzo en el clculo
y construccin de la matriz
Jacobiana y la matriz de
ganancia, las cuales son muy
grandes y en el caso de la
segunda muy dispersa.
Debido a la natura dispersa de la Lo que significa que datos errneos

matriz de ganancia, no se invierte considerables se tienen que filtrar e
explcitamente. En lugar de ello, identificar a travs de pruebas estadsticas.
se emplea ordenamiento ptimo y
la factorizacin LDU.
Los errores en los clculos

computacionales pueden llevar a
los estimadores de estado a la no
convergencia o a la entrega de
datos errneos.
La estimacin de estado a nivel
de distribucin y de transmisin
se realiza por separado.
Algoritmos iterativos basados en Hace falta clasificar los errores en las

el mtodo de Newton y Gauss.
mediciones y su aleatoriedad.
No investigan las caractersticas

vnculos entre las zonas estimadas.
Hace falta estudios que garanticen la

exactitud en las mediciones.
Utilizacin de los lmites de Hace falta una metodologa para la

errores para mediciones basados eliminacin de los datos errneos
en probabilidades.
encontrados.
Divisin de la estimacin de Hace falta una metodologa para la

estado global en subconjuntos de evaluacin del costo computacional para
basados en la distribucin algoritmos hbridos.
geogrfica de lneas.
Exactitud de la estimacin de Combinacin de un mtodo Hace falta anlisis de observabilidad que

estado en sistemas de potencia heurstico de estimacin de estado complementen esta metodologa, para
ante la aparicin de grandes y el mtodo de mnimos entregar un estimado confiable.
82
Ttulo de la tesis o trabajo de investigacin

under Extremely
Bad Conditions.
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.
Control y proteccin del sistema

de energa depende crticamente
los atributos de las seales tales
como (amplitud, frecuencia y
Angulo de fase).
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,
Con el crecimiento de los

sistemas
de
energa
la
estimacin de estado necesita
ser ms eficiente, lo cual exige
una
gran
capacidad
de
procesamiento de datos.
Estimar las variables de estado
del sistema de potencia.
cuadrados ponderados basado en

el modelo topolgico del sistema.
Tcnica de gradiente paralelo que
puede resolver el problema de
minimizacin sin restricciones y
tcnica de estrategia conjunto
activo modificado para resolver
los pequeos problemas de
proyeccin inducidos por las
restricciones de acoplamiento
lineales.
Un algoritmo basado en el
concepto de combinar el filtro de
Kalman y los mnimos cuadrados
ponderados.
No se realiza un anlisis de la estimacin

de estado a nivel de distribucin teniendo
en cuenta las restricciones que este
presenta.
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 distribuida Esta metodologa no considera sistemas de

(subsistemas a estimar) basada en gran tamao.
unidades de medicin fasorial y la
metodologa de los mnimos
cuadrados ponderados.
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.
No se hace un anlisis del costo

computacional que este tipo de algoritmo
implica.
Uso de herramientas de medicin de alto

costo como lo son las PMU.
Esta metodologa no aborda los posibles

escenarios futuros que pueda tener el
sistema de potencia.
Anexo A. Nombrar el anexo A de acuerdo con su contenido
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.
Esta metodologa presenta grandes

dificultades computacionales dado que su
exigencia aritmtica es muy elevada para
los procesadores convencionales.
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.
Esta metodologa presenta dificultades a

nivel econmico debido a que fundamenta
sus mediciones en PMU ubicadas en cada
generador.
Ye Guo,
Wenchuan
Wu, ,
Boming
Zhang,
Hongbin Sun.
Hace falta realizar anlisis predictivos de

la exactitud del sistema en la estimacin
de estado.
Comprobar si los resultados de

la EE son lo suficientemente
aceptables para ser utilizados
para la toma de decisiones
acerca del sistema de potencia.
Anlisis estadstico de densidad

espectral.
Tabla 6. Resumen de las principales referencias bibliogrficas consultadas.
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.
[1] G. N. Korres y N. M. Manousakis, State Estimation and Bad Data Processing

for Systems Including PMU and SCADA Measurements, Electric Power Systems
Research, vol. 81, no. 7, pp. 15141524, jul. 2011.
[2] G. Welch, G. Bishop, An Introduction to the Kalman Filter, Department of
Computer Science University of North Carolina at Chapel Hill Chapel Hill, NC
27599-3175, Monday, July 24, 2006.
[3] P. J. Zarco Perian, D. A. Gmez Expsito, Estimacin de Estado y de
Parmetros en Redes Elctricas, Departamento de Ingeniera Elctrica
Universidad de Sevilla, 1999.
[4] M. Hernandez Estimacin de Estado por Mnimos Cuadrados Ponderados en
Sistemas de Potencia Empleando el Mtodo de Newton, Instituto Politcnico
Nacional, 2009.
[5] J. Castao, G. Lpez, W. Gonzlez, H. Cardona, I. Isaac, R. Len,
Herramientas Computacionales para el Anlisis y Monitoreo de Sistemas de
Potencia Basadas en Modelos Angulares, Revista Investigaciones Aplicadas |
ISSN 2011-0413 | Medelln - Colombia Vol. 6, No.2 (2012) Julio Diciembre |
PP.62-69.
[6] A. T. Sari y A. Rankovi, Load Reallocation Based Algorithm for State
Estimation in Distribution Networks With Distributed Generators, Electric Power
Systems Research, vol. 84, no. 1, pp. 7282, mar. 2012.
[7] N. R. Shivakumar y A. Jain, A Review of Power System Dynamic State
Estimation Techniques, en Joint International Conference on Power System
Technology and IEEE Power India Conference, 2008. Powercon 2008, 2008, pp.
1-6.
[8] A. Mao, A Study on Power System State Estimation under Extremely Bad
Conditions, Department of Electric Engineering, North China Electric Power
University, Beijing, 2006.
86

[9] A. Jain y N. R. Shivakumar, Impact of PMU in Dynamic State Estimation of

Power Systems, in Power Symposium, 2008. NAPS -08. 40th North American,
2008, pp. 1 8.
[10] A. Jain y N. R. Shivakumar, Phasor Measurements in Dynamic State
Estimation of power systems, in TENCON 2008 - 2008 IEEE Region 10
Conference, 2008, pp. 1 6.
[11] Q. Huang, N. N. Schulz, A. K. Srivastava, y T. Haupt, Distributed state
estimation with PMU using grid computing, in Power Energy Society General
Meeting, 2009. PES-09. IEEE, 2009, pp. 1 7.
[12] G. Exposito, A. Abur, A. de la Villa Jaen, y C. Gomez Quiles, A Multilevel
State Estimation Paradigm for Smart Grids, Proceedings of the IEEE, vol. 99, no.
6, pp. 952 976, june, 2011.
[13] A. J. Krener and A. Isidori, Linearization by output injection and nonlinear
observers, Syst. Contr. Lett., vol. 3, pp. 4752, 1983.
[14] D. Bestle and M. Zeitz, Canonical form observer design for nonlinear timevariable systems , Int. J. Contr., vol. 38, pp. 419431, 1983.
[15] H. Keller, Non-linear observer design by transformation into a generalized
observer canonical form, Int. J. Contr., vol. 46, pp. 19151930, 1987.
[16] B. L. Walcott and S. H. Zak, State observation of nonlinear uncertain
dynamical systems, IEEE Trans. Automat. Contr., vol. 32, pp. 166170, 1987.
[17] J. J. E. Slotine, J. K. Hedrick, and E. A. Misawa, On sliding observers for
nonlinear systems, J. Dyn. Syst., Meas. Contr., vol. 109, pp. 245252, 1987.
[18] J. Tsinias, Observer design for nonlinear systems, Syst. Contr. Lett., vol.
13, pp. 135142, 1989.
[19] J. P. Gauthier, H. Hammouri, and S. Othman, A simple observer for
nonlinear systems: Applications to bioreactors, IEEE Trans. Automat. Contr., vol.
37, pp. 875880, 1992.
[20] G. Ciccarella, M. Dallamora, and A. Germani, A Luenberger-like observer for
nonlinear systems, Int. J. Contr., vol. 57, pp. 537556, 1993.

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,
Departamento de Ingeniera Elctrica, 2005.

[24] A. Acosta, Anlisis de Sistemas de Potencia, Universidad Tecnolgica de
Pereira Facultad de Ingeniera Elctrica.
[25] M. R. Arrieta Paternina, Herramienta de Anlisis de Estabilidad de Tensin
para Sistemas Elctricos de Potencia, Universidad Nacional de Colombia,
Facultad de Ingeniera y Arquitectura, 2009.
[26] D. A. de la Villa Jaen, Modelo Reducido de Subestaciones en Estimadores
de Estado Generalizado, Universidad de Sevilla, Departamento de Ingeniera
Elctrica, 2001.
[27] N. Salame da Silva, A. Simoes Costa, y E. M. Lourenco, A Numerical
Method for Observability Analysis Based on Givens Rotations, in North American
Power Symposium (NAPS), 2011, 2011, pp. 1 7.
[28] N. R. Shivakumar y A. Jain, A Review of Power System Dynamic State
Estimation Techniques, in Power System Technology and IEEE Power India
Conference, 2008. POWERCON 2008. Joint International Conference on, 2008,
pp. 1 6.
[29] J. Chen y A. Abur, Placement of PMUs to Enable Bad Data Detection in
State Estimation, Power Systems, IEEE Transactions on, vol. 21, no. 4, pp. 1608
1615, nov. 2006.
[30] J.B.A. London Jr, N.G. Bretas, Estimacin de Estado y Parmetros de
Lneas de Transmisin, Congreso Nacional de Ingeniera Elctrica, Jul. 2007.
[31] H. Botero, Formalismo para la Sntesis de Sensores Virtuales Basados en
un Modelo Maestro de Base Fenomenolgica, Facultad de Minas, Doctorado en
88

Ingeniera - Sistemas Energticos, Universidad Nacional de Colombia sede

Medelln, 2010.
[32] G. Welch, G. Bishop, An Introduction to the Kalman Filter, Department of
Computer Science, University of North Carolina at Chapel Hill, 2001.
[33] Y. Hu, A. Kuh, T. Yang, y A. Kavcic, A Belief Propagation Based Power
Distribution System State Estimator, Computational Intelligence Magazine, IEEE,
vol. 6, no. 3, pp. 36 46, august. 2011.
[34] X. Bian, X. R. Li, H. Chen, D. Gan, y J. Qiu, Joint Estimation of State and
Parameter With Synchrophasors, Power Systems, IEEE Transactions on, vol.
26, no. 3, pp. 1196 1208, ago. 2011.
[35] A. Zamora-Crdenas y C. R. Fuerte-Esquivel, State estimation of power
systems containing facts controllers, Electric Power Systems Research, vol. 81,
no. 4, pp. 9951002, abr. 2011.
[36] V. Nguyen, V. Shin, G. Shevlyakov, Power system state estimation with
fusion method, in Computer and Automation Engineering (ICCAE), 2010 The 2nd
International Conference on, 2010, vol. 5, pp. 71 76.
[37] R. A. Zadeh, A. Ghosh, G. Ledwich, Combination of Kalman Filter and
Least-Error Square Techniques in Power System, Power Delivery, IEEE
Transactions on, vol. 25, no. 4, pp. 2868 2880, oct. 2010.
[38] E Slotine, W.Li Applied Nonlinear Control, by Prentice-Hall, Inc. A Division
of Simon & Schuster T k Englewood Cliffs, New Jersey 07632, 1991.
[39] K. Khalil, Nonlinear Systems, Prentice Hall, Department of Electrical and
Computer Engineering Michigan State University, 2002.
[40] M. Seron, Sistemas No Lineales, Laboratorio de Sistemas Dinmicos y
Procesamiento de Seales (LSD) , Universidad Nacional de Rosario Primer
Cuatrimestre 2000.
[41] P. Zarco, A. Gmez, Estimacin de Estado y de Parmetros en Redes
Elctricas, De partamente de Ingeniera Elctrica, Universidad de Sevilla, 1999.

89
[42] S. Guerra, Diseo de observadores y controladores discretos para sistemas

no lineales, Universidad Autnoma de Nuevo Leon, Facultad de Ingeniera
Mecnica y Elctrica, 2001.
[43] O. A. Esquivel, Anlisis de Observabilidad y Controlabilidad para Sistemas
Diferencialmente Planos. Aplicacin a un Sistema de Oscilaciones de Calcio,
Universidad Autnoma Metropolitana, Maestra en ciencias de la computacin,
Julio de 2007.
[44] M. Angeles, Diseo de Observadores no Lineales para Procesos de
Intercambio de Calor, Centro Nacional de Investigacin y Desarrollo tecnolgico,
Diciembre de 2003.
[45] Shi. C, Linear Systems Theory and Design, State University of New York at
Stony Brook, 1999.
[46] P. Danker, Desarrollo de un Modelo Computacional de Estimacin de
Estado para Sistemas Elctricos de Potencia, Universidad de Chile facultad de
ciencias fsicas y matemticas departamento de ingeniera elctrica, 2005.
[47] A. Ochoa, Network Observability Analysis for Power Systems State
Estimation, the University of Texas at Arlington, 1987.
[48] A. de la villa Jaen, Modelo Reducido de Subestaciones en Estimadores de
Estado Generalizados, Sevilla mayo de 2001.
[49] J. Mantz, Observadores de Estados, Universidad Nacional de La Plata.
Facultad de Ingeniera, Departamento de Electrotecnia Ctedra de Control
Moderno, 2003.
[50] J. Solsona, Tcnicas de Control no Lineal en Sistemas Electrnicos de
Potencia, Departamento de Electrotecnia, Facultad de Ingeniera, U.N.L.P., Abril,
1995.
90

[51] T. Kailath, Linear Systems, Prentice-Hall Information And System Sciences

Series, 1980.
[52] R. Garca, Algunos aspectos de la Teora del Control de Sistemas no
Lineales: Observadores de tipo Luenberger, Tesis Doctoral, Facultad de
Ciencias Exactas y Naturales, UBA, Argentina, 1993.
[53] M. Granada, Estimacin de estado en sistemas elctricos de potencia: parte
I deteccin de errores grandes, Universidad Tecnolgica de Pereira, octubre
2003.
[54] N. Lopez, Desarrollo de un Modelo de Estimacin de Estado para la Red
Elctrica de Huatacondo, universidad de chile facultad de ciencias fsicas y
matemticas departamento de ingeniera elctrica, Noviembre, 2011.
[55] G. Exposito, C. Gomez Quiles, A. Jan, Bilinear Power System State
Estimation, IEEE Transactions on Power Systems, vol. 27, no. 1, February,
2012.
[56] S. Grewal, P. Andrews, Kalman Filtering: Theory and Practice Using
Matlab, A Wiley-Intercience Publication, 2001.
[57] D. Simon, Optimal State Estimation, Kalman, H, and Nonlinear
Approaches, Cleveland State University, 2006.
[58] I. Gmez, Sintonizacin de Estabilizadores de Potencia (PSS) en Sistemas
Multimquina, Departamento de Ingeniera Elctrica, Electrnica y Automtica,
Universidad Carlos III de Madrid, Julio 2009.
[59] E. A. Blood, B. H. Krogh, y M. D. Ilic, Electric power system static state
estimation through Kalman filtering and load forecasting, en 2008 IEEE Power
and Energy Society General Meeting - Conversion and Delivery of Electrical
Energy in the 21st Century, 2008, pp. 1-6.

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.

Observa Bili Dad

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Observa Bili Dad

Diunggah oleh

Hak Cipta:

Format Tersedia

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

DE ESTADO EN SISTEMAS DE ENERGA ELCTRICA.

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA

Analysis Methodology of Observability for Estimators of State in Electric Power

ALEXANDER EDUARDO FLORIAN VILLA

Universidad Nacional de Colombia

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA

Analysis Methodology of Observability for Estimators of State in Electric Power

ALEXANDER EDUARDO FLORIAN VILLA

Universidad Nacional de Colombia

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Palabras clave: mediciones, observabilidad, estimacin de estado, Filtro de

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Keywords: Measurement, observability, state estimation, power system, Kalman

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

1.2.1 Mtodos basados en anlisis Numricos..24

1.3.1 Observador de Orden Completo.34

Determinacin de Medidas Errneas...42

Eliminacin de Medidas Errneas....45

Filtro Kalman Discreto....49

3. METODOLOGA DE ESTIMACIN DE ESTADO EN DOS ETAPAS

Validacin de las Mediciones Disponibles .57

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Estimacin por Mnimos Cuadrados Ponderados..,.60

Construccin Modelo Pseudodinmico 62

Diseo de Predictor por Filtro de Kalman..63

Anlisis de los ndices de Desempeo del Estimador de Estado..64

Validacin de la Metodologa en un Caso de Prueba..66

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Tabla 1. Mtodos de observabilidad en sistemas de energa elctrica..32

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Las estrategias de operacin de los sistemas de manejo de la energa elctrica

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

econmico, anlisis de contingencias, acciones correctivas de generacin y

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

funcin de Lyapunov es bastante difcil. Gauthier [19] mostr que si un sistema no

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

elctrico, impulsan el desarrollo de nuevas tcnicas, que permitan aumentar la

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

tener en cuenta que no slo es importante tener una cantidad suficiente de

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

En el estudio de R. A. Zadeh, A. Ghosh y, G. Ledwich, en el artculo Power system

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

Formular una metodologa de estimacin de estado que considere el anlisis de

Definir por lo menos tres formas de anlisis de observabilidad aplicables a

Explorar los principales mtodos de diseo de estimadores de estado que

identificar las principales

caractersticas que los rigen.

Proponer una metodologa de estimacin de estado, a partir del anlisis de

Validar la metodologa en un sistema de prueba previamente establecido.

Utilizar alguna tcnica que permita cuantificar la exactitud de la estimacin

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

En este captulo se realiza un estudio de las herramientas matemticas formales

El anlisis de sistemas dinmicos entrega informacin acerca del comportamiento

Un punto de equilibrio nico si es no singular.

El punto de equilibrio es estable si todos los valores propios de tienen

La respuesta transitoria de un sistema lineal se compone de los modos

METODOLOGA DE ANLISIS DE OBSERVABILIDAD PARA ESTIMADORES

A continuacin se describen algunas propiedades de los sistemas.

Para cualquier constante real . Las propiedades de aditividad y homogeneidad

1 y 2 , (1.6) es llamada propiedad de