Anda di halaman 1dari 31

Universidad Nacional Experimental Politécnica

“Antonio José de Sucre”

Vice-rectorado Puerto Ordaz

Unidad Regional de Investigación y Postgrado

Maestría Csc. de la Ing. Eléctrica

Asignatura: Sistemas de Potencia I

Profesor: Alumna:
Dario Silva. Ing. Alicsirp Bericoto
C.I 24.035.167

Cuidad Guayana, Noviembre 2017.

0
ÍNDICE GENERAL

ÍNDICE DE FIGURAS .................................................................................................................................3


ÍNDICE DE TABLAS ...................................................................................................................................4
RESUMEN ....................................................................................................................................................5
INTRODUCCIÓN .........................................................................................................................................6
ESTIMACIÓN DE ESTADOS DE SISTEMAS DE POTENCIA ............................................................7
Método de los mínimos cuadrados .....................................................................................................11
Estadística, Errores y Estimados ........................................................................................................13
Pruebas para datos erróneos ..............................................................................................................15
Estimación de Estado de un Sistema de Potencia ..........................................................................19
La Estructura y Formación de Hg .......................................................................................................21
Aplicación de ejemplos concretos.......................................................................................................26
REFERENCIA BIBLIOGRÁFICA ............................................................................................................31

2
ÍNDICE DE FIGURAS

FIG. 1. CIRCUITO SENCILLO DC..................................................................................................................................... 9


FIG. 2. FUNCIÓN DE DENSIDAD DE PROBABILIDAD GAUSSIANA P(Z)............................................................................ 13
FIG. 3. FUNCIÓN DE DENSIDAD DE PROBABILIDAD DE LA DISTRIBUCIÓN JI-CUADRADA PARA UN VALOR PEQUEÑO DE
K GRADOS DE LIBERTAD. ..................................................................................................................................... 17
FIG. 4. UNIFILAR SECCIÓN NEUQUEN Y RIO NEGRO. .................................................................................................. 29
FIG. 5. ÍNDICE VS UMBRAL COMPARACIÓN PARA EL CASO REAL. ................................................................................ 30

3
ÍNDICE DE TABLAS

TABLA 1. RESUMEN DE TÉRMINOS RESIDUALES Y MATRICES COVARIANTES´. ........................................................... 15


TABLA 2. VALORES DE  A LA DERECHA DE x  xk , EN LA FIG. 3. ...................................................................... 17
2 2

TABLA 3. VECTOR DE MEDICIONES EN FORMA DE BLOQUE. ........................................................................................ 22


TABLA 4. MATRIZ HX EN FORMA DE BLOQUE............................................................................................................... 23
TABLA 5. ECUACIONES PARA LOS ELEMENTOS DE LA MATRIZ JACOBIANA HX DE ESTIMACIÓN DE ESTADO. ............. 24

4
RESUMEN

En este trabajo se examinan el desempeño del estimador de estado en sistemas de


potencia. Se desarrolla e implementa el método convencional de mínimos cuadrados.
Este es tomado para desarrollar una metodología de optimización combinatorial
aplicada al problema de la identificación de medidas erróneas con el fin de mejorar este
procedimiento. El estimador de estado se encarga de depurar la información que será
usada como datos de entrada en otras aplicaciones como son; programas de despacho
económico, análisis de contingencias, acciones correctivas de generación y perdidas
negras, entre otras. A través de un ejemplo se presenta el procedimiento por medio del
cual se identifican medidas erróneas. Generalmente estos errores son causados por
perdida de comunicación con medidores o introducción de ruido en la medida, por mala
calibración o por defectos en los equipos.

La importancia dada a la estimación del estado de los sistemas eléctricos ha creado la


necesidad de nuevas metodologías de análisis que mejoren la confiabilidad y precisión.

Palabras claves: Estimador de estado, mínimos cuadrados, medidas erróneas.

5
INTRODUCCIÓN

La estimación de estado realiza un análisis matemático del sistema basándose en datos


recolectados por medidores e información sobre los parámetros de los modelos de los
componentes de la red. Está recolección de información implica el análisis de
mediciones muy grandes en la corriente y tensión, modelamiento de redes externas y
detección errores en las mediciones de los parámetros que describen el estado de la
red, estos últimos se conocen con el nombre de errores grandes o groseros en los
cuales, una función debe detectar las mediciones erróneas y eliminarlas o substituirlas.

Con este trabajo, se pretende profundizar el tema de la estimación de estado, el cual


puede ser considerado dentro de muchas aplicaciones. Además, se proporciona una
herramienta de estimación de estado basada en el método tradicional de mínimos
cuadrados que permite enfrentar el problema de optimización de estimación de estado
con errores. Generalmente estos errores son causados por perdida de comunicación
con medidores o introducción de ruido en la medida, por mala calibración o por defectos
en los equipos.

6
ESTIMACIÓN DE ESTADOS DE SISTEMAS DE POTENCIA

Schweppe definió la estimación de estado como “un algoritmo de procesamiento de


datos que convierte las medidas redundantes y otra información disponible en un
estimado del estado del sistema eléctrico”. [1]. Hoy en día, la estimación de estado es
una parte esencial en los sistemas de gestión de energía en todo el mundo. Más aún,
son el corazón de los modernos sistemas de gestión de energía y el rendimiento de
otras aplicaciones, como las de análisis de seguridad, despacho económico, entre
otros…, dependen en gran medida de la exactitud de los datos que proporciona el
estimador de estado. [2].

Las fuentes de información necesarias para el estimador de estado son [3]:

 Los valores de los parámetros de diseño (R, L, entre otros.).

 La información topológica o estructural (posición de interruptores, entre otros.).

 El modelo matemático del sistema.

 Los distintos tipos de medidas:

- Telemedidas: son las medidas que se obtienen en tiempo real. Los datos
típicos que se incluyen son:
 Las tensiones e inyección de potencia activa y reactiva en los
nodos.

 Los flujos de potencia activa y reactiva en las líneas.

- Pseudomedidas: son valores obtenidos basándose en los datos históricos


existentes, por lo que tienen menos precisión que si fuesen medidos; por
ejemplo, la potencia generada en las centrales o la demanda de las
subestaciones.

7
- Medidas virtuales: son aquellas que no requieren ser medidas, como por
ejemplo, la inyección cero en las subestaciones de transporte (nodos de
tránsito).

El estado de un sistema de potencia hace referencia a su condición de


operación y matemáticamente, todas las cantidades se pueden calcular una
vez que se conoce las magnitudes de las tensiones y los desfases de los
ángulos. Por lo tanto, el modelo matemático de la estimación de estado se
basa en las relaciones matemáticas entre las medidas y las variables de
estado.

En los sistemas de transmisión de energía eléctrica usa wáttmetros, vármetros,


voltímetros y medidos de corriente para medir la potencia real, la potencia reactiva, los
voltajes y las corrientes, respectivamente. Estas medidas continuas o análogas son
registradas a través de transformadores de corriente y de potencial (u otro mecanismo
equivalentes), instalados en las líneas y en los transformadores y barras de las plantas
de potencia y subestaciones de los sistemas. Las cantidades análogas pasan a través
de transductores y de convertidores análogo-digitales, y las salidas digitales son,
entonces, medidas a distancia en el centro de control de energía a través de vario
enlaces de comunicación. Los datos recibidos en el centro de control se procesan por
computadora para informar a los operadores del sistema sobre el estado presente del
mismo. Los datos adquiridos siempre contienen inexactitudes que son inevitables
porque las medidas físicas (en oposición a los cálculos numéricos) no pueden estar
libres por completo de errores aleatorios o, en otras palabras, de ruido. Estos errores se
pueden cuantificar en un sentido estadístico y los valores estimados en las cantidades
que se miden se aceptan como razonables o se rechazan si se exceden de ciertas
medidas de exactitud.

Debido al ruido, los valores de las cantidades físicas nunca son conocidos y se tiene
que consideras la forma de calcular los mejores estimados posibles de las cantidades

8
desconocidas. El “método de mínimos cuadrados” se usa frecuentemente para
encontrar el “mejor ajusto” de los datos medidos al relacionar dos o más cantidades [4].

Los métodos de estimación de estado se pueden obtener del siguiente circuito DC:

Fig. 1. Circuito sencillo DC.


Fuente: Estimación de Estado en Sistemas Eléctricos de Potencia. Scientia et Technica Año IX, No 22,
Octubre 2003.

Z1  Av  Medición del amperímetro

Z 2  Vm  Medición del voltímetro

Las variables de estado a ser estimadas son el voltaje y la corriente, esto es X 1  I y

X 2  V . Por lo tanto, se pueden plantear las siguientes ecuaciones para los elementos

Z medidos :

1 1
Z1  X 1  e1 ; donde el termino es el responsable de relacionar los
r1  r2 r1  r2

1
elementos activos del sistema y e1 es el error de la medición Z1 . Haciendo h1 
r1  r2

la expresión anterior toma la forma:

Z1  h1 X 1  e1 1

9
Aplicando la misma metodología para obtener Z 2 se llega a:

Z 2  h2 X 2  e2 2
Donde h1  h2 , e 2 es el error de la medición Z 2 y X 2 es la variable de estado
correspondiente al voltaje.

En el caso de tener n variables de estado y m mediciones se puede configurar el


siguiente sistema:

Z1  h11 X 1  h12 X 2    h1n X n  e1


Z 2  h21 X 1  h22 X 2    h2 n X n  e2
3

Z1 m  hm1 X 1  hm 2 X 2    hmn X n  em

Nótese que la cantidad de variables de estado puede diferir de la cantidad de


mediciones debido a que pueden existir mediciones redundantes, lo cual es necesario
en caso de que una de las mediciones definitivamente no sirva a causa del deterioro. El
sistema anterior se puede expresar en forma matricial:

Z  H X  e 4

e  Z  HX  Z medida  Z verdadera 5


Para diferenciar los datos estimados de los medidos, se adopta la siguiente
nomenclatura:

 
e  Z  HX
 
Donde e y X denotan los estimativos de los errores y de las variables de estado
respectivamente.

   
e  Z  Z  Z  HX  HX  e  HX 6

10
Finalmente se obtiene una expresión para el estimado del error dado por:

 
e eH X  X   7
Para minimizar 7  se utilizan métodos muy utilizados en las literaturas.

El método de los mínimos cuadrados:

m
f  W j e 2j 8
j 1

El método de los valores absolutos:

m
f  Wj s j 9
j 1

Donde W j es un factor de ponderación que permite tratar favorablemente aquellas

mediciones que se consideran más exactas. e j es el error y s j son los valores

absolutos de los errores [5].

Método de los mínimos cuadrados

m
f  W j e 2
j
j 1
Usando el criterio de primera derivada igual a cero, se pueden conocer si un punto es
crítico y posteriormente saber si éste es un mínimo local. Se conforma, entonces la
matriz Jacobiana [4].

11
 e1 e2 em 
 W e  W e  W e
X 1 X 1 X 1 
1 1 2 2 m m
 
f W e e1  W e e2  W e em 
 2  1 1 X 2 2
X 2
m m
X 2   0 10 
X 
X 
2


 e e e 
W1e1 1  W2 e2 2  Wm em m 
 X n X n X n 

Separando algunos términos y escribiendo en forma matricial se obtiene:


 e1 
e 
 eij 
  Wii i 1,2,,m  2   0 11
 X i  ij11,,22, ,n 
,, m 
X  
e n 

 eij 
La derivada parcial   permite obtener los coeficientes que conforman la matriz H
 X i  
X

en forma transpuesta, por lo tanto:


 e1 
e 
H Wii I 1, 2,,m  2   0
T

 
e n 

Usando 6  y 7  , despejando e y definiendo Ganancia  G  H T WH se llega a:



e  I  HG 1 H T W e  0  12
Esta es una solución directa para un sistema DC. En sistemas AC las ecuación es no
son lineales y por lo tanto se requieren soluciones iterativas [4].

12
Estadística, Errores y Estimados

Las simulaciones en computadora, como es el caso de los estudios de flujos de


potencia, dan respuestas exactas, pero en la realidad nunca se sabe el estado
absolutamente verdadero de la operación de un sistema físico. A un cuando se extrema
el cuidado para obtener exactitud, se tienen entradas inevitables y aleatorias de ruido
en los procesos de medición que distorsionan en mayor o menor medida los resultados
físicos. Sin embargo, las mediciones repetitivas de una misma cantidad bajo
condiciones controladas cuidadosamente, revelan ciertas propiedades estadísticas de
las que se puede estimar el valor verdadero.

Si los valores medidos se grafican como una función de su frecuencia de ocurrencia


relativa, se obtiene un histograma al que se puede ajustar una curva continua conforme
se incrementa el número de mediciones (teóricamente un número infinito). La curva
continua que se muestra comúnmente es la función en forma de campana p z  que se

muestra en la Fig. 2. A la función p z  se le conoce como “función de densidad de


probabilidad normal o gaussiana” y tiene la siguiente ecuación:

1  z 
2
  
pz   13
1
 2  

 2
La función de probabilidad de densidad define la campana que permite encontrar la
probabilidad de que e ocurra en un intervalo ab y está dada por la expresión 13 .

Fig. 2. Función de densidad de probabilidad gaussiana p(z).


Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,
McGRAW-HILL, México 1998.

13
Donde  se define como la desviación estándar y  2 como la varianza de un número
aleatorio. Por lo tanto la probabilidad que ocurra e en un intervalo ab (ver Fig. 2)
está dada por:

1  z  
2
b b   
Pra z b    pz dz  14 
1

2  
dz
a  2 a

La función de densidad de probabilidad gaussiana de la ecuación 13 está determinada


completamente una vez que se conocen los parámetros  y  . En la Fig.2 se muestra

que la función p z  tiene su valor máximo cuando z es igual a  , que es el valor

esperado de z , el cual se denota por Ez  , y está definido por la siguiente forma:


  Ez    z pz dz 15


Frecuentemente, al valor esperado de m se le llama media porque los valores de z


están agrupados en forma simétrica alrededor de  . El grado en el que la curva p z 

se extiende alrededor de  (esto es, el ancho de la curva) depende de la varianza  2


de z , que se define por:

   z   

  E z    
2 2 2
pz dz 16 


La media, desviación estándar y la varianza son parámetros importantes de muchas


funciones de densidad de probabilidad que se encuentran comúnmente. Cada una de
estas funciones tiene una curva con áreas fundamentales que cuantifican las
probabilidades de las variables aleatorias asociadas [4].

El factor W es mayor a medida que las mediciones son más exactas. Mientras que la
varianza al ser mayor hace que la campana sea más cerrada. Lo anterior evidencia una
relación recíproca entre estos dos ponderados:

14
W 1
2
17 
1
Haciendo  R 1 y utilizando la definición de Ganancia de la expresión 12  la
 2

función objetivo queda:

m m e 2j
f  W j e  2

j 1
j
j 1 2j

Pruebas para datos erróneos

Cuando el modelo del sistema es correcto y las mediciones son exactas, hay una buena
razón para aceptar los estimados de estado que se calculan por el estimador de
mínimos cuadrados ponderados. Pero si las mediciones son significativamente malas o
erróneas, se deben detectar e identificar con el fin de quitarlas de los cálculos de
estimación. Las propiedades estadísticas de los errores de medición facilitan esta
detección e identificación.

Tabla 1. Resumen de términos residuales y matrices covariantes´.



Término Enunciado Expresión Matriz de covarianza
e  z  Hx (medido – verdadero)z z  Hx R
 
ex  x  x (verdadero – estimado)x  G 1 H T R 1e 
G 1  H T R 1 H 
1

 
e  zz (medido – estimado)z I  HG 1

H T R 1 e 
R´ R  HG 1 H T 
  
Donde x  G 1 H T R 1Wz * y z  Hx

G  H T R 1 H G es la matriz de Ganancia
Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,
McGRAW-HILL, México 1998.

En la Tabla 1., se muestra un resumen de algunos términos con sus propiedades


estadísticas que se utilizan para analizar los datos erróneos.

15
En las aplicaciones de ingeniería el error verdadero de medición ej nunca se conoce, lo

mejor que se puede hacer es calcular el error estimado e j , que entonces reemplace a
ej en la función objetivo.

 Nm
 2 Nm
 2 Nm e j
f  W j e j   2  
zj  zj
 2
18
j 1  j j
2
j 1 j 1

Donde Nm es el número de mediciones, y el factor de ponderación W j es igual a la



ecuación 17  . La suma ponderada de los cuadrados f es en sí misma una variable
aleatoria que tiene una distribución de probabilidad bien conocida con valores (áreas).

El valor de f siempre es numéricamente igual al número de grados de libertad

N m  N s  esto es:

 Nm  z j  z j 2 


E f   E
 2
  Nm  Ns 19 
j 1  j 

Donde hay un conjunto de N m medicines y N s variables de estado independientes que



se tiene que estimar. Así, el valor medio de f es un entero que se encuentra al restar
el número de variables de estado del número de mediciones. El número N m  N s  se

conoce también como la redundancia del esquema de medición y es, obviamente,


grande cuando hay una mayor cantidad de mediciones que de variables de estado.

La teoría estadística muestra que la suma ponderada de los cuadrados de f se

comporta de acuerdo con la distribución ji-cuadrada xk2, , donde x es la letra griega ji,
k  N m  N s  es el número de grados de libertad y  está relacionada con el área bajo

la curva de xk2, . La distribución ji-cuadrada se aproxima mucho a la distribución

16
gaussiana estándar cuando el valor de k es muy grande k  30  , que frecuentemente
es el caso en aplicaciones de sistemas de potencia. En la Fig. 3., se muestra la función
de probabilidad de xk2, para un valor representativo pequeño de k . El área total bajo la

curva es igual a 1, pero en esta función esta simétricamente distribuida.

Fig. 3. Función de densidad de probabilidad de la distribución ji-cuadrada para un valor pequeño


de k grados de libertad.
Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,
McGRAW-HILL, México 1998.


La probabilidad de que la función f exceda el valor de xk2, es el área bajo la curva de

Fig.3., es igual a  (área sombreada) y el área restante bajo la curva es la probabilidad



1    de que el valor calculado de las suma de cuadrados ponderados f , con k
grados de libertad, tenga un valor menor a xk2, , esto es:


 
Pr f  x k2,  1    20 
Tabla 2. Valores de  a la derecha de x  xk , en la Fig. 3.
2 2

k  k 
0.05 0.025 0.01 0.005 0.05 0.025 0.01 0.005
1 3.84 5.02 6.64 7.88 11 19.68 21.92 24.73 26.76

17
2 5.99 7.38 9.21 10.60 12 21.03 23.34 26.22 28.30
3 7.82 9.35 11.35 12.84 13 22.36 24.74 27.69 29.82
4 9.49 11.14 13.28 14.86 14 23.69 26.12 29.14 31.32
5 11.07 12.83 15.09 16.75 15 25.00 27.49 30.58 32.80
6 12.59 14.45 16.81 18.55 16 26.30 28.85 32.00 34.27
7 14.07 16.01 18.48 20.28 17 27.59 30.19 33.41 35.72
8 15.51 17.54 20.09 21.96 18 28.87 31.53 34.81 37.16
9 16.92 19.02 21.67 23.59 19 30.14 32.85 36.19 38.58
10 18.31 20.48 23.21 25.19 20 31.41 34.17 37.57 40.00
Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,
McGRAW-HILL, México 1998.


Con base a esta ecuación, el valor crítico de la estadística, f se puede determinar

mediante los valores tabulados en la Tabla 2. Así, la distribución ji-cuadrada de f es
una prueba para la detección de las mediciones erróneas. El procedimiento para usarla
es el siguiente:

 Use las mediciones reales de z j del sistema para determinar los estimados

ponderados de mínimos cuadrados, x j de los estados del sistema, mediante el

uso de la ecuación * que se encuentra en la Tabla 1.

  
 Sustituya los x j en la ecuación z  Hx para calcular los valores estimados de z j
 
de las mediciones y así, estimar los errores e j  z j  z j .


 Nm e j2
 Evalúe la suma ponderada de cuadrados f   2
j 1 j

 Determine, para un número apropiado de grados de libertad k  N m  N s  y para



una probabilidad específica  , si el valor de f es menor o no al valor critico
correspondiente a  . En la práctica, significa que se debe satisfacer la

18

desigualdad f  x k2, Si esto es así, los datos de las mediciones y los estimados

de estado se aceptan como muy aproximados.

 Cuando no se cumple la desigualdad anterior, hay razones para sospechar la


presencia de, al menos, una medición errónea. Una vez detectada hay que omitir
la medida correspondiente al más grande error estandarizado, este es,
z j  z j  y volver a calcular los estimados de estado y la suma de los
R´ jj
 
cuadrados f . Si los nuevos valores de f satisfacen la prueba ji-cuadrado de la
desigualdad, entonces, la medición omitida se ha identificado exitosamente como
el dato erróneo.

La suma de los cuadrados de los errores estimados se hará grande cuando estén
presentes mediciones erróneas. Así, la detención de datos erróneos se realiza
fácilmente mediante la prueba ji-cuadrados. La identificación del dato erróneo
particular no es fácil de llevar a cabo. En aplicaciones prácticas de sistemas de
potencia, el número de grados de libertad es grande, lo que permite descartar todo
un grupo de mediciones que correspondan a los residuos estandarizados más
grandes. Aunque no hay todavía garantía de que los errores estandarizados más
grandes siempre indican las mediciones erróneas, se ha facilitado el problema de
localizar el grueso de los errores [4].

Estimación de Estado de un Sistema de Potencia

El estado de un sistema de potencia de AC se expresa a través de las magnitudes de


voltaje y los ángulos de fase en las barras. Aunque los ángulos de fase relativos de los
voltajes de barra no se pueden medir, se pueden calcular mediante datos en tiempo
real que se adquieren del sistema. Estos datos se procesan por el estimador de estado,
que es un programa de computadora que calcula las magnitudes de voltaje y los
ángulos de fase relativos de las barras del sistema. Aunque el estimador de estado da
resultados similares a los disponibles a través de un programa de flujos de potencia

19
convencional, los procedimientos para la alimentación de datos y para los cálculos son
bastante diferentes.

El estimador de estado opera con entradas en tiempo real que son de dos clases:
información de datos y de estado. El estado activo/no activo de los mecanismos de
interrupción (tales como interruptores, cuchillas desconectadas y derivaciones de
transformadores) determina la configuración de la red, que cambia siempre que estos
mecanismos operan. Las unidades terminales remotas que se localizan en el sistema
para registrar estos cambios también se verifican: 1) datos analógicos en forma de
flujos de megawatts y megavars en todas las líneas grandes, 2) cargabilidad de P y Q
de generadores y transformadores y 3) magnitudes de voltaje de la mayoría de las
barras del sistema. Con un periodo de unos cuantos segundos, las unidades remotas
se verifican y el conjunto completo de mediciones se toman a distancia en el centro de
control de energía. Así, el estimador de estado se alimenta de una base de datos más
grande que la que se describió previamente para el flujo convencional.

En una estimación de estado práctica, el número de las mediciones reales es por


mucho, mayor que el número de entradas de datos requeridas para el flujo de potencia
de tipo de planeación. Como resultado, hay muchas más ecuaciones por resolver que el
número de las variables de estado desconocidas. Es necesaria esta redundancia,
porque las mediciones algunas veces son completamente erróneas o no se encuentran
disponibles debido a errores en los sistemas de adquisición de datos. El uso directo de
las mediciones reales no es aconsejable y se necesita una especie de filtrado de datos
antes de que los datos reales se usen en los cálculos. La estimación de estado realiza
esta función de filtrado procesando el conjunto de mediciones como un todo, de manera
que resulte un estimado promedio de todas las variables de estado del sistema. De esta
manera, el mejor ajuste del conjunto completo de datos de entrada se obtiene en lugar
del procesamiento separado de las mediciones individuales.

Para un sistema de potencia AC, como se mencionó anteriormente las ecuaciones no


son lineales y se requieren soluciones iterativas como en el procedimiento de flujos de
potencia de Newton-Raphson [4].

20
Para sistemas de potencia CA se requieren soluciones iterativas y con ello la
convergencia o no de dicho sistema, en la convergencia de, la solución x k 1
corresponde a los estimados de los mínimos cuadrados ponderados de las variables de
estado, que están dados por:

 

x k 1  x  x1

x2

 xNs 
T

 Con el fin de verificar los estimados usando pruebas estadísticas mencionada


anteriormente.

 Se calculan los errores de mediciones correspondientes mediante:



  
e j  z j  h j x1 , x2 ,  , x N s 

Se evalúa la suma de cuadrados f a través de la ecuación 18 y se aplica la
prueba de ji-cuadrada para verificar las mediciones erróneas.

La Estructura y Formación de Hg

Para la formación de la matriz Jacobiana es recomendable consolidar la información de


forma estructurada. Para esto se hace un agrupamiento de los datos recolectados
(mediciones) y calculados en función de cada una de las posibles medidas eléctricas
del sistema. La estructura aquí utilizada en cada iteración tiene la apariencia mostrada
en la Tabla 3 y 4.

La matriz Jacobiana de estimación de estado H x tiene siempre 2 N  1 columnas y un

mayor número N m de filas. Cada una de las filas de esta matriz corresponde de

manera única a una de las cantidades medidas.

Cuando el conjunto completo de mediciones se numera de tal manera que los que son
del mismo tipo de agrupan, el vector de mediciones tiene la forma que se muestra en la
Tabla 4.

21
Tabla 3. Vector de mediciones en forma de bloque.

Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,


McGRAW-HILL, México 1998.

Y la matriz Jacobiana tiene la forma que se muestra en la Tabla 4.

22
Tabla 4. Matriz Hx en forma de bloque.

Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,


McGRAW-HILL, México 1998.

23
Si de derivan las ecuaciones Pi , Qi , Pij y Q ij con respecto a las variables de estado

 2 ,,  N y V1 ,, VN , se obtienen expresiones para los elementos restantes H x como


se muestra en la Tabla 5.

Tabla 5. Ecuaciones para los elementos de la matriz Jacobiana Hx de estimación de estado.

Fuente: JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de Potencia,


McGRAW-HILL, México 1998.

24
Las ecuaciones de la Tabla x determinan el patrón de elementos cero y no cero en la
matriz Jacobiana H x que aparecen en la Tabla x. Para un conjunto completo de

mediciones, en H x :

 Cada elemento del bloque 1 es cero.

 Calda elemento fuera de la diagonal del bloque 2 es cero y cada elemento de la


diagonal es igual a 1.

Se examinara ahora el patrón de los elementos cero y no cero en los bloques 3, 4, 5


y 6 que involucran las derivadas de las inyecciones de potencia real y reactiva en las
barras. Cuando está completo el conjunto de mediciones, los bloques 4 y 6 son
cuadrados N  N  y tiene elementos fuera de la diagonal con un factor multiplicador

de Yij . Por lo tanto, si se enumeran todas las mediciones de Pi y Qi de acuerdo

con sus números, se encuentra que.

 Los bloques 4 y 6 siguen exactamente el mismo patrón de ceros y no ceros


de la Ybarra y del sistema. Esto es porque las localizaciones (fila, columna) de

los elementos i, j  y  j, i  , en esos bloques tienen elementos que no son

cero, si y solo si Yij no es cero.

De acuerdo con el hecho de que no hay una columna para  1 en H x , se observa

que:

 Los bloques 3 y 5 tienen el mismo patrón de ceros y no ceros que la matriz


Ybarra omitiendo la primera columna.

Nuevamente, al suponer un conjunto completo de mediciones, se examinaran los


bloques 7 a 14, que involucran los flujos de P y Q de las líneas. Si las

mediciones de B en cada uno de los subconjuntos P ,


ij Pji , Qij  y Q ji  se

numeran exactamente con la misma secuencia que las ramas de la red,


entonces:

25
 Los bloques 8, 10, 12 y 14 tienen exactamente la misma estructura de ceros y
no ceros que la matriz de incidencias rama-barra A de la red. Esto es debido a
que cada flujo de las líneas es incidente en sus barras terminales.

 Los bloques 7, 9, 11 y 13 tienen la misma estructura de ceros y no ceros que


A con la primera columna omitida.

Cuando no está completo el conjunto de mediciones, aquellas filas que


correspondan a las mediciones que se han perdido se quitan de la matriz
Jacobiana [4].

Aplicación de ejemplos concretos

Ejemplo

26
27
28
Caso real [6]

Además de las pruebas teóricas, el algoritmo fue probado en una sección del sistema
interconectado argentino. Esta zona está ubicada en el Alto Valle que incluye las
provincias de Neuquen y Río Negro. La red considerada tiene una tensión nominal de
132kV y tensiones menores en barras y líneas, que unen los generadores con los
consumos. Este sistema tiene 87 barras y 29 generadores. El diagrama unifilar es
presentado en la

Fig. 4. Unifilar sección Neuquen y Rio Negro.


Fuente: Métodos de estimación aplicados a problemas de tráfico vehicular y sistemas eléctricos de
potencia”, Tandil, 2016.
El SCADA de este sistema reporta 52 medidas de tensión y 64 medidas de flujo de
potencia (32 potencia activa y 32 potencia reactiva).  2 es de 0,0004 para medidas de
tensión y 0,008 para medidas de potencia. Se considera un índice de confianza de
  3 para este ejemplo. El método fue aplicado durante 24 horas considerando un
intervalo de 15 minutos. En la Fig. 4 existe una comparación entre índice k y el umbral
.

29
Fig. 5. Índice vs umbral comparación para el caso real.
Fuente: Métodos de estimación aplicados a problemas de tráfico vehicular y sistemas eléctricos de
potencia”, Tandil, 2016.

En la Fig. 5 se observa que los primeros 15 pasos (3 horas y 45 minutos) no se calculan



el índice k ya que la f no supera el test de x 2 . Considerando esto, el método
propuesto selecciona como resultado el valor del WLS (método de los mínimos
cuadrados) durante estos pasos. Desde la cuarta hora (paso 16) el índice k es menor

que yk (umbral) y se queda con el resultado del f . En el paso 58 de la fig. 3.13 se
observa un pico del índice k superando el umbral yk dicho pico se debe a la

detección de un comportamiento anómalo sobre la f y es debido a la puesta en
servicio de un generador.

30
REFERENCIA BIBLIOGRÁFICA

[1] Wu F., “Power System State Estimation”. Electrical Power & Energy Systems, Vol.
12, No. 2, pp. 80-87, April 1990.

[2] Pedro Zarco y Antonio Gómez., “Estimación de Estado y de Parámetros en Redes


Eléctricas”. Departamento de Ingeniería Eléctrica de la Universidad de Sevilla, pp 2-3.
Febrero 1999.

[3] Gómez A., “Estimación de Estado en Sistemas Eléctricos de Potencia”. Automática e


Instrumentación. No. 155, pp. 185-193. Febrero 1986.

[4] JHON J. GRAINGER, WILLIAM D. STEVENSON Jr., Análisis de sistemas de


Potencia, McGRAW-HILL, México 1998.

[5] ALLEN J. WOOD, BRUCE F., “Power Generation Operation and Control”, Ed. Book
News, Estados Unidos 1996.

[6] MARIANO A. RISSO., “Métodos de estimación aplicados a problemas de tráfico


vehicular y sistemas eléctricos de potencia”, Tandil, 2016.

31

Anda mungkin juga menyukai