Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUCCION
1.1 Motivacin
El desarrollo industrial y el crecimiento poblacional en los ltimos aos han traido como
consecuencia el incremento de la demanda de energa elctrica, causando una rpida expansin de los
sistemas elctricos de potencia (SEP). Debido a que las actividades de la poblacin dependen en gran medida
del suministro de energa elctrica, la seguridad del SEP es el objetivo ms importante de su operacin.
Cuando no se logra operar con seguridad se pone en riesgo la continuidad del servicio y la falta de ste
provoca trastornos
Introduccin
de cmo se mide o monitorea. En el contexto de los SEP la seguridad puede ser calificada como la de
ausencia de riesgo. Especficamente de riesgo de interrupcin de continuidad en la operacin del sistema [7].
Esto es, la seguridad se defini como la habilidad del SEP para resistir sin serias consecuencias, alguna lista
preseleccionada de disturbios (contingencias) posibles.
Desde la perspectiva de control, el objetivo durante la operacin del SEP es mantener los flujos
elctricos, magnitudes de voltaje y ngulos, dentro de un lmite aceptable, a pesar de los cambios en la
demanda. Desde esta perspectiva, la seguridad puede ser definida como la probabilidad de que el sistema se
encuentre en un punto de operacin, donde los cambios en el sistema (contingencias) y medio ambiente
(tiempo, clientes, etc.) no interrumpan la continuidad de la operacin.
A continuacin se darn dos definiciones claves que ayudan a entender el concepto de seguridad:
a) Anlisis de Contingencia.- Es una herramienta computacional que se aplica en los centros de control de
energa (CCE), para proporcionar a los operadores una indicacin de cmo se comportar el sistema ante un
evento planeado o no planeado. El uso del anlisis de contingencia tiene como objetivo principal la
deteccin y evaluacin de posibles situaciones peligrosas al presentarse una contingencia en el SEP. La
informacin obtenida se usa para adoptar y ejecutar las decisiones que conducen al SEP a un estado menos
vulnerable (ms seguro) dadas las condiciones y recursos presentes. Es decir, est basado en la idea de
mostrar al operador el estado del sistema, para que ste pueda tomar acciones antes o despus del evento y as
evitar problemas de corte de energa a los consumidores. Esto tiene
una justificacin econmica importante, ya que es deseable
Introduccin
requerimientos computacionales de estos ltimos son substancialmente menores. Las razones del incremento
computacional en los mtodos directos son que estos aproximan los ndices de severidad usando las
cantidades individuales monitoreadas (voltajes de nodo, flujos de rama, generacin reactiva), lo cual implica
que stas cantidades tengan que ser calculadas primero. En contraste, los mtodos indirectos dependen de un
clculo explcito de ndices de severidad [8] sin evaluar las cantidades individuales.
El conocimiento de los rangos de severidad complejos [8] (mediciones) y el conocimiento de las
cantidades individuales monitoreadas, son las principales razones de la exactitud superior de los mtodos
directos.
Introduccin
Normal
Restaurativo
Emergencia
Extrema
Alerta
Emergencia
Introduccin
Mediciones
Filtrado
observabilidad
la red
estado
Procesamiento de
datos falsos
Estado de
emergencia
Estado
normal
Estado
restaurativo
carga
Modelado de
red externa
contingencias
Flujo de carga
contingencias
Estado
seguro
Estado
inseguro
despacho econmico, flujos de potencia ptimos, etc., y as tomar acciones preventivas o correctivas del
sistema.
Los componentes de monitoreo empiezan con las mediciones en tiempo real de las cantidades fsicas,
tales como los flujos de potencia, inyecciones de potencia y magnitudes de voltaje, as como el estatus de
interruptores y switches. Los datos son medidos en puntos del sistema y enviados a los CCE. Las mediciones
Introduccin
anormales o con error transmitidas, son rechazadas por un filtrado sencillo, que consiste en checar la
razonabilidad y consistencia de los datos. Los datos restantes son primero sistemticamente procesados para
determinar la configuracin (generador y conexiones de transmisin en la red) topologa de la red. Entonces
estos datos disponibles son por tanto procesados para obtener un estimado de las variables de estado
(magnitudes de voltaje en los nodos y ngulos de fase en los mismos). La estimacin de estado es un
procedimiento matemtico que calcula los mejores estimados de las variables de estado del SEP basado en los
datos disponibles, que generalmente son corrompidos con errores. Antes de proceder a estimar las variables
de estado, es necesario verificar la observabilidad:
1) La estimacin del sistema es posible si el sistema es completamente observable.
2) Si no, es necesario determinar qu parte del sistema es observable.
Por otra parte a uno le gustara conocer si existen datos errneos en los presentes datos y cuales datos
pueden ser descartados. El anlisis de observabilidad y la deteccin e identificacin de datos errneos son
partes de la estimacin de estado.
Para valorar si
etc.).
Este
procedimiento
puede
ser
representado
por
una
funcin
Introduccin
z = h( x ) + e
(1.1)
J ( x ) = [ z h( x )] W [ z h( x )]
t
(1.2)
donde W es una matriz diagonal cuyos elementos son los factores de ponderacin de las mediciones. El
factor de ponderacin se toma como el recproco de la varianza del error. La estimacin se resuelve por un
esquema iterativo que calcula las correcciones de x en cada iteracin mediente la solucin de :
x = G 1 H t W z
(1.3)
donde:
z = z h( x )
H=
h
x
Matriz Jacobiana
G = H t W H Matriz de ganancia
por tanto x se corrige en un proceso iterativo:
x k +1 = x k + x k
donde: k = 0,1,...,n , obtenindose la correcciones de las variables de estado.
(1.4)
(1.5)
(1.6)
Introduccin
1.5.2
J ( x) = [ z H x] W [ z H x]
t
~
~
= ~
z H x ~
z H x
t
] [
~
= ~
z H x
(1.8)
donde:
~
H W 0.5 H y ~
z W 0.5 z .
Sea Q una matriz ortogonal, Q Q = I , tal que:
t
~ R
Q H =
0
(1.9)
t
~
~
J ( x) = ~
z H x Qt Q ~
z H x
~
= Q ~
z Q H x
= y1 R x
+ y2
(1.10)
2
donde:
y
Q ~
z = 1
y 2
(1.11)
R x = y1
(1.12)
Esto es, este mtodo empieza con la transformacin ortogonal (1.9) y (1.11), es decir de
~
H y z~ , luego se resuelve (1.12) por sustitucin hacia atrs, obtenindose los
incrementos para x . La transformacin de Givens Householder [17] es usada para obtener Q .
CAPITULO II
ESTIMADOR DE MINIMOS CUADRADOS
PONDERADOS (WLS)
2.1 Introduccin
En los ltimos aos la estimacin de estado ha llegado a ser una funcin
generalmente aceptada e implantada en los CCE. La razn principal que motiv la
necesidad de esta funcin, es la importancia que se le ha dado al aspecto de seguridad en
los sistemas elctricos de potencia (SEP), debido al crecimiento y complejidad de los
mismos, los cuales requieren herramientas cada vez ms avanzadas para asegurar una
operacin ptima.
La mayora de los SEP son supervisados contnuamente a travs de mediciones de
variables de inters. Sin embargo en la prctica no se pueden medir todas las variables de
inters de un sistema. An cuando esto fuera factible, los errores e incertidumbres en las
cantidades medidas crean un problema de mayor importancia,
ya que
impiden la
18
factible que se ajusta a los datos de entrada. Sin embargo, se investigaron [23,5] los efectos
de los errores de medicin en los resultados obtenidos, y se concluy que:
Un error en los datos nodales se ver amplificado en las soluciones de flujos.
El mtodo carece de la facultad de detectar, identificar y eliminar los datos anormales.
Ante la falta de uno o varios datos, el mtodo se encuentra imposibilitado para realizar el
clculo.
Debido a los problemas con el mtodo mencionado, se impuso la necesidad de
recurrir a un mtodo que aprovechara la informacin redundante y estuviera preparado
para detectar, identificar y eliminar los datos anormales. El mtodo que agrupa estas
cualidades es el estimador de estado, que es fundamentalmente un procesador en lnea de
las mediciones de campo que se reciben en la computadora del centro de control de
energa. A travs del estimador se resuelven los problemas mencionados mediante el
clculo de variables de estado, a partir de las cuales cualquier variable elctrica del sistema
puede ser calculada. El proceso de clculo esta basado en una formulacin probablistica,
donde las variables de estado son consideradas aleatorias y los resultados son sometidos a
pruebas de hiptesis para su validacin, presentando finalmente un panorama confiable del
estado del SEP. De esta manera se logra una nueva base de datos confiable para implantar
acciones de control sobre el sistema.
En la Tabla 2.1 se muestran las principales caractersticas del estudio convencional
de flujos y el proceso de estimacin de estado.
Tabla (2.1) Estudio de flujos vs Estimacin de estado
Estudio Convencional
Estimacin de Estado
Datos nodales
Siempre observable
19
20
una distribucion T (t-student) [24], que permite efectuar sobre ellos una prueba de
hiptesis. Sin embargo, se tiene como alternativa de identificacin la localizacin residual
normalizada de mayor valor, que corresponde a la medicin con mayor probabilidad de
error.
La Figura 2.1 esquematiza la operacin de un estimador en el SEP. Se presenta
como un sistema que recibe informacin, la procesa y genera resultados que validan la
informacin empleada para el establecimiento del estado del SEP.
ACTUALIZACION DE
DATOS DEL ESTIMADOR
MODELO
ESTIMACION
ACTUALIZA
MEDICIONES
NO
DETECTOR DE
ERRORES
ANORMALES
SI
IDENTIFICADOR DE LA
FUENTE DE ERROR
Se puede decir que despus de que la informacin fue procesada por el estimador, se
tiene una base de datos confiable que podr ser utilizada para tomar acciones de control.
21
(2.1)
Donde:
z : Vector que denota el conjunto de mediciones R m .
e : Vector de errores acumulados, el cual es modelado como un vector aleatorio con media
cero es decir
E (e ) = 0
, Rn .
e = z h ( x)
(2.2)
e$ = z h ( x$ )
(2.3)
J ( x ) = z h ( x ) W 1 z h ( x )
t
(2.4)
22
.
1
22
.
.
.
.
O
.
1
.
m2
.
donde:
(2.5)
H = h ( x ) =
h
x
H0 = h ( x 0 )
x = x x0
Hi , j =
hi
xj
z = z h ( x 0 )
(2.6)
(2.7)
h ( x) = h ( x 0 ) + H0 x
(2.8)
J ( x ) = ( z H 0 x ) W 1 ( z H 0 x )
t
(2.9)
La funcin J ( x) ser minimizada, por lo que se diferenca con respecto a x , e iguala a cero:
J ( x)
t
= ( z H 0 x ) W 1 H 0 = 0
x
(2.10)
(2.11)
x1 = x 0 + x
(2.12)
Debido a que el modelo h ( x ) es una aproximacin lineal del problema, la ecuacin (2.11)
se utiliza en un proceso iterativo cmo:
23
x k = H k W 1 H k
t
H k W 1 z h ( x k )
t
(2.13)
donde ,
Gk = ( H t k W 1 H k )
(2.14)
k
Vk
zm k
S
I k mk m
Yk m
Yk m Vk
Im k
Ym k
m
Vm
24
se tendrn derivadas parciales distintas de cero para las potencias Pk ,m y Qk ,m con respecto a
cuatro variables reales Vk , k ,Vm y m . Las derivadas con respecto a todos los dems
voltajes son igual a cero.
De la Figura 2.2 se pueden obtener las siguientes expresiones para la corriente que
va del nodo k al m:
Vk Vm
+ y km Vk
z km
i km =
(2.15)
La potencia compleja S km es :
Vk Vm
= Vk
+
y
km
k
z km
S km = Pkm + jQkm
r jx
= g + jb
r2 + x2
y = g + jb
Vk Vk = Vk
Vk Vm = Vk e j k Vm e j m = Vk Vm e j ( k m )
= Vk Vm ( cos( k m ) + j sen( k m ))
1
V V
2
S km = + y km
Vk k m (cos( k m ) + j sen( k m ))
z km
z km
donde:
1
z km
= g km jbkm
(2.16)
25
y km
= g km
+ jbkm
(2.17)
(2.18)
(2.19)
Pkm
= H km,k = ( g km sen( k m ) bkm cos( k m )) Vk Vm
k
usando (2.19) se tiene:
Pkm
2
= H km,k = Qkm (bkm +bkm
) Vk
k
(2.20)
Pkm
= Vk
= N km,k
Vk Vk
Vk
Pkm
2
= 2 ( g km + g km
) Vk ( g km cos( k m ) bkm sen( k m )) Vk Vm
Pkm
Vk Vk
= N km,k = Pkm + ( g km + g km ) Vk 2
(2.21)
Pkm
= H km,k = ( g km sen( k m ) bkm cos( k m )) Vk Vm
m
ahora de (2.19) y (2.20)
Pkm
2
= H km,m = H km,k = Qkm + (bkm + bkm
) Vk
m
Pkm
= N km,m = ( g km cos( k m ) bkm sen( k m ) ) Vk Vm
Vm
Vm
(2.22)
26
de (2.18).
Pkm
Vm
= N km,m = Pkm ( g km + g km
) Vk 2
V
(2.23)
En forma anloga, las derivadas parciales de Qkm con respecto a las cuatro variables de
estado resultan:
Qkm
= J km,k = Pkm ( g km + g ' km ) Vk 2 = N km,m
k
(2.24)
Qkm
Vk
= Lkm,m = Qkm ( bkm + bkm
) Vk 2
Vk
(2.25)
Qkm
2
= J km,m = J km,k = Pkm + ( g km + g km
) Vk
m
(2.26)
Qkm
Vm
= Lkm,m = H km,m = Qkm ( bkm + bkm
) Vk 2
Vm
(2.27)
Sk i
zk i
Sk = Pk + jQk
Sk j
zk
Sk m = Pk m + jQk m
zk m
Sk
Vk =Vk ejk
bus j
Smk
bus m
Conjunto
27
Siendo S k funcin de Vk y Vm , m
diferentes de cero para cada una de estas variables. Las derivadas parciales para estas
mediciones son ampliamente conocidas, puesto que son los elementos del problema de
flujos empleando el mtodo de Newton-Rapshon.
De la Figura (2.3) y las definiciones dadas, se tiene:
S k = Pk + jQk = Ykk Vk 2 + Vk
km
= (Gkk jBkk ) Vk 2
(G
m l
Vm
km
(2.28)
Donde Ykk y Ykm son los elementos de la matriz de admitancias nodales. De acuerdo a la
notacin establecida:
(( g
m k
km
+ g km ) + j ( bkm + bkm
)
(2.29)
(2.30)
Donde g kk y bkk son admitancias a tierra en el nodo k , que no estn asociadas a alguna
lnea o transformador incidente en el nodo k . Separando la parte real e imaginaria de
(2.28), resulta:
Pk = Gkk Vk 2 +
( G
m k
Qk = Bkk Vk 2 +
km
( G
m k
km
(2.31)
(2.32)
Pk
= H k ,k = Qk Bkk Vk 2
k
Pk
Vk
= N k , k = Pk Gkk Vk 2
Vk
Pk
= H km, = ( Gkm sen( k m ) Bkm cos( k m )) Vk Vm
m
(2.33)
(2.34)
(2.35)
28
Pk
Vm
= N km = ( Gkm cos( k m ) Bkm sen( k m )) Vk Vm
Vm
(2.36)
Qk
= J k ,k = Pk Gkk Vk 2
k
(2.37)
Qk
Vk
= Lkk = Qk Bkk Vk 2
Vk
(2.38)
Qk
= J km = ( Gkm cos( k m ) Bkm sen( k m )) Vk Vm = N km
m
(2.39)
Qk
Vm
= Lkm = ( Gkm sen( k m ) Bkm cos( k m )) Vk Vm = H km
Vm
(2.40)
Vk
=1
Vk
Vk
=0 , km
Vm
Vk
=0 , m
k
Vk
, los coeficientes
Vk
son:
Vk
Vk
= Vk
Vk
(2.41)
29
estimado, y un Jacobiano
V1
1
P1
V1
PN
V
1
Q1
V1
QN
V1
H = Pkm
Vk
Pmk
Vk
Qkm
Vk
Q
mk
Vk
VN
30
N magnitudes de voltaje Vk
0
P1
P1
2
N
N inyecciones de bus Pk
PN
PN
2
N
Q1
Q1
2
N
N inyecciones de bus Qk
QN
QN
2
N
Pkm
Pkm
B flujos de linea Pkm
k
m
Pmk
Pmk
k
m B flujos de linea Pmk
Qkm
Qkm
k
m B flujos de linea Qkm
Qmk
Qmk B flujos de linea Q
mk
k
m
N 1
0
1
1
P1
VN
PN
VN
Q1
VN
QN
V1
Pkm
Vm
Pmk
Vm
Qkm
Vm
Qmk
Vm
Note que H tiene una columna para V1 , pero no para 1 , debido a que ste ngulo
se considera como referencia angular.
31
z = H xt + e
(2.42)
donde,
z : es el vector de cantidades medidas
x t : es el vector valores verdaderos de las variables de estado
e : es el vector de ruido aleatorio en las mediciones
Bajo la hiptesis de que el ruido de mediciones es una variable aleatoria
gausiana, independiente y normalmente distribuida, presenta las siguientes propiedades:
E ( e) = 0
E ee
)=W
(2.43)
donde:
W : es una matriz diagonal , cuyos elementos son la varianza de lo errores de medicin
32
E ( z ) = H x t + E ( e)
donde:
H xt = zt
(2.44)
(2.45)
por tanto
E ( x$ ) = ( H W 1 H t ) H t W 1 E ( z m ) = x t
1
(2.46)
La cual se define como una matriz de covarianza, que puede calcularse teniendo el
valor esperado del producto de cada uno de los parmetros desconocidos. Por tanto de
(2.45) se tiene:
x$ = C ( H x + e) = x + C e
x$ x = C e
por tanto:
E ( x$ x ) ( x$ x )
} = E {( C e) ( C e) }
t
= C E( e et ) C t
(2.47)
33
E ( x$ x ) ( x$ x )
} = (H
W 1 H
= G 1
(2.48)
que es conocida como la matriz de ganancia o matriz de covarianza, donde sus elementos
diagonales representan las varianzas de los errores entre los estados estimado y verdadero.
(2.49)
similarmente:
{(
)(
E z$ z m z$ z m
) } = E {( H ( x$ x) e) ( H ( x$ x) e) }
t
expandiendo,
= E H ( x$ x) ( x$ x) H t H ( x$ x) e t e ( x$ x) H t + e e t
t
E ( z$ z m ) ( z$ z m )
} = W H G
Ht
(2.50)
(2.51)
34
valor representativo de k . Como es usual el rea total dentro de la curva es igual a 1, pero
no esta simtricamente distribuida. El rea derecha de la curva 2 k , en la Figura 2.4 es
igual a , que representa la probabilidad de que J ( x$ ) exceda el valor de 2 k , . El rea
restante es la probabilidad (1 ) de que el valor calculado de la suma de cuadrados
ponderados J ( x$ ) , con k grados de libertad , tomen valores menores que 2 k , ; esto es
Pr J ( x$ ) < 2 k , = (1 )
(2.52)
Area
(1 )
2 k ,
Fig. 2.4: Funcin de densidad de probabilidad de
2
2 k ,
35
ri
Ri,i
i = 1,2,..., N m
( 2.53 )
(2.54 )
Los residuos con un valor que excede el valor terico de la distribucin, son
candidatos a que la observacin correspondiente tenga un error fuera del rango modelado.
Cuando se tiene varios errores simultneos, las observaciones con los rN ms altos,
son las mediciones ms probables que tengan error; sin embargo, solo se recomienda
identificar un error a la vez por razones de observabilidad [26,27], y por que no se sabe
inicialmente cuantas mediciones tienen error.
36
Estimador de Mnimos Cuadrados Ponderados
V
4
F
I
V
5
z 2 = Q2 = 0.2013
z 3 = P3 = 0.45
z 4 = Q3 = 0150
.
z5 = P5 = 0.600
z 6 = Q5 = 1500
.
z 7 = P1 3 = 0.4072
z8 = Q1 3 = 0.0114
z10 = Q5 4 = 0.0283
z11 = V4 = 100236
.
z12 = V5 = 10180
.
z 9 = P5 4 = 0.0633
Estos valores son la suma de los resultados entregados por un estudio de flujos y los errores
aleatorios que asumen una distribucin gausiana con media cero.
Las varianzas de los errores de medicin se especifican en los siguientes valores:
12 = 0.012
12 = 0.008 2
12 = 0.004 2
37
Estimador de Mnimos Cuadrados Ponderados
mediciones consideradas son las inyecciones y los flujos reales. Inicialmente se construye
la matriz de incidencia del sistema con las mediciones de inters.
Hinc.
1 4 1 1 1
1 1 3 1 0.0
= 0.0 1 0.0 1 2
G0 = 3
2
1
3 3
2
1
7 2 6
7 11 2 1
2 2 4 2
6 1 2 6
18
G0,T
1
0.667 0.333
1 1
0.0 1 0.667 0.0 0.333
1
10
.
0.0
= 0.0 0.0
1
0.0
1
0.0 0.0
0.0 0.0
0.0
0.0
0.0
2 ( 0) = 3 ( 0) = 4 ( 0) = 5 ( 0) = 0.0 y V1
( 0)
= V2
( 0)
= V3
( 0)
= V4
( 0)
= V5
( 0)
= 101
.
Sustituyendo estos valores numricos en las expresiones dadas en (2.18, 2.19, 2.31,
2.32, 2.41) y calculando los errores de las mediciones se tiene en la primera iteracin:
e1( 0) = z1 P2 ( 0) = 0.2000 0.0 = 0.200
e4 ( 0) = z 4 Q3( 0) = 01500
.
( 0.0561) = 0.0939
e6 ( 0) = z 6 Q5 ( 0) = 15000
.
( 0.408) = 15408
.
e 8 ( 0 ) = z 8 Q 1 3 ( 0 ) = 0 .0 1 1 4 ( 0 .0 2 5 5 ) = 0 .0 3 6 9
38
Estimador de Mnimos Cuadrados Ponderados
e10 ( 0) = z10 Q5 4 ( 0) = 0.0283 ( 0.0255) = 0.0028
e11( 0) = z11 V4
( 0)
e12 ( 0) = z12 V5
( 0)
= 10180
.
101
. = 0.0080
( 0)
P2
V1
Q2
V
1
V
1
V1
= P
1 3
V1
Q1 3
V1
P2
P2
P2
P2
V2
Q2
V3
Q2
V4
Q2
V5
Q2
V2
P3
V3
P3
V4
P3
V5
V2
Q3
V3
Q3
V4
Q3
V2
P5
V3
V4
P5
P5
V4
Q5
V5
Q5
V4
V5
P2
2
Q2
2
P3
2
Q3
2
P5
2
Q5
2
P5 4
P5 4
V4
Q5 4
V5
Q5 4
V4
V4
V5
V2
Q5
V2
*
*
*
*
P1 3
V3
Q1 3
V3
V4
*
*
*
V5
V5
P2
3
Q2
3
P3
2
Q3
3
*
*
P1 3
3
Q1 3
3
P2
4
Q2
4
P3
2
Q3
4
P5
4
Q5
4
*
*
P5 4
4
Q5 4
4
P2
5
Q2
5
P5
5
Q5
5
*
P5 4
5
Q5 4
5
39
Estimador de Mnimos Cuadrados Ponderados
1275
.
.
3825
0.0
0.0
0)
(
H =
.
1275
3.774
0.0
0.0
0.0
0.0
Calculando
( ) W
G ( 0) = H ( 0)
.
11051
.
1700
32.979
.
5100
.
.
1700
13176
.
5100
39.416
2.550
0.0
7.650
0.0
0.0
.
1275
0.0
.
3825
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
la
matriz
.
1700
7.650
.
.
.
.
5100
7.650 11051
1704
1700
2.550
.
10.201
5100
0.0
39.528 30.603
0.0
.
.
30.603
13176
0.0
1700
10.201
0.0
.
.
.
.
1275
7.650
3825
3825
0.0
11476
.
.
.
.
3821
11394
2.550
0.0
1275
3825
.
0.0
0.0
0.0
3825
0.0
0.0
.
0.0
0.0
0.0
1275
0.0
0.0
.
.
.
.
1275
1275
0.0
0.0
3825
3825
.
.
.
3825
3.774
0.0
0.0
1275
1275
.
1010
0.0
0.0
0.0
0.0
0.0
.
0.0
0.0
0.0
0.0
0.0
1010
de
2.550
.
5100
.
33153
ganancia
para
la
.
5100
primera
iteracin
H ( 0) se tiene :
.
.
0.539
0106
0.216
0130
0.000 0.0001 0.000
0.0
0.301
0.539
.
0.414 0.019 0.377
1303
0.001
0.0003 0.0003 0.0004
0106
.
.
.
0.410
1311
0.001
1781
0.043 0.0002 0.001
0.000
.
.
1311
0.030
0.019
1777
0.000
0.000
0.000
0.000
0.216
0
.
0.377
0.043 0.030 0.240 0.0002 0.000 0.0002 0.0004 10+7
G ( ) = 0130
1315
0.018
0.001 0.0002 0.000 0.0002
0.417
0.379
.
0.000
0.0001 0.0003 0.001
0.000
0.000
1790
0.043
0.411
1315
.
.
1111
1315
0.030
.
.
0.000 0.0003 0.001 0.000 0.0002 0.018
0.0
0.000 0.0004 0.379
0.043
0.236
0.0004 0.000
0.030
Los valores estimados para las variables de estado en la primera iteracin son :
( ) (H ( ) )
x ( ) = x ( ) + G ( 0)
1
W 1 e (
x1(1) = 1010
.
+ ( 0.0582) = 0.9513
x2(1) = 1010
.
+ ( 0.0193) = 0.9905
x3(1) = 1010
.
+ ( 0.0449) = 0.9646
x4(1) = 1010
.
+ ( 0.0389) = 0.9707
x5(1) = 1010
.
+ ( 0.0563) = 10668
.
x6(1) = 0.0 + ( 0.0695) = 0.0695
0)
40
Estimador de Mnimos Cuadrados Ponderados
x7(1) = 0.0 + ( 010885
.
.
) = 01088
x8(1) = 0.0 + ( 01171
.
.
) = 01171
x9(1) = 0.0 + ( 01658
.
.
) = 01658
Estos valores estimados, actuarn como datos de entrada para la segunda iteracin y
as sucesivamente se continua el clculo, hasta alcanzar la convergencia de acuerdo con la
tolerancia establecida. En este caso 4 iteraciones fueron suficientes para encontrar la
convergencia y los valores obtenidos para las variables de estado fueron los siguientes. Las
magnitudes de voltaje en los nodos respectivos son:
V1 = 0.9366 , V2 = 0.9778 , V3 = 0.9617 , V4 = 0.9727 , V5 = 10548
.
e2 ( 4 ) = z 2 Q2 ( 4 ) = 0.2013 01322
.
= 0.0691
e4 ( 4 ) = z 4 Q3 ( 4 ) = 0150
.
( 01956
.
) = 0.045
e6 ( 4 ) = z 6 Q5 ( 4 ) = 15000
.
12512
.
= 0.2488
e11( 4 ) = z11 V4
(4)
e12 ( 4 ) = z12 V5
(4)
= 10180
.
10548
.
= 0.0372
41
Estimador de Mnimos Cuadrados Ponderados
J ( x$ ) =
NM
j =1
2
2
2
2
e$ j
0.0005 0.0691
0.0002
0.0456
=
+
+
+
$
0.01 0.01
0.01
0.01
j
2
0.2435
0.0409
0.2488
0.0268
+
+
+
+
0.008
0..008
0.01
0.01
2
0.0372
0.0506
0.3811
0.0157
+3
+
= 4.1675 10
+
+
+
0.004
0.004
0.008
0.008
0.013
0.011
0.003
.
0
005
.
0182
.
0147
104
R =
.
0100
.
0144
0.418
0.406
.
0
074
0.802
r1 =
r4 =
rj
Rii
donde j = 1 hasta Nm
0.0005
0.0133 104
0.0546
0.0050 10
= 0.4661 , r2 =
= 64.4009 , r5 =
0.0691
0.0115 104
= 64.4139 , r3 =
0.286
01826
.
10
= 6.2794 , r6 =
0.0002
0.0037 104
0.2488
01476
.
104
= 0.3660
= 64.7423
42
Estimador de Mnimos Cuadrados Ponderados
r7 =
r10 =
0.0409
01009
.
10
0.3811
0.4066 10
= 12.8822 , r8 =
= 59.7701 , r11 =
0.24351
01443
.
10
= 64.1049 , r9 =
0.05061
0.0740 10
= 18.6083 , r12 =
0.01571
0.4186 104
0.03722
0.802 104
= 2.4261
= 131236
.
Note que los errores estandarizados estn asociados con las mediciones ( z i ) . Por lo
que al seleccionar el error estandarizado ms grande, se identifica adecuadamente la
medicin errnea. En este caso fue la medicin 6 con valor de 64.7423 que corresponde a
la medicin Q5 . Ya identificada la medicin errnea se procede a eliminarla tanto en su
parte real como imaginaria, por lo que sern eliminadas las mediciones 5 y 6.
Tras haber eliminado las mediciones mencionadas, se vuelve a verificar si el
sistema an es observable sin estas mediciones. Nuevamente se vuelve a construir la matriz
de incidencia:
Hinc
1 4 1 1 1
1 1 3 1 0.0
G0,T
1
0.667
0.333
1 1
0.0 1 0.7143 0.0714 0.2143
1
0.8333 01667
.
= 0.0 0.0
1
0.0
1
0.0 0.0
0.0 0.0
0.0
0.0
0.0
43
Estimador de Mnimos Cuadrados Ponderados
.
.
.
1549
2.195 35.369 5.429 5.434 8139
6.362 12.07 1581
16.365 35.773 5.429 5.4349 8139
.
.
.
.
1581
1549
2.195
11688
1707
.
.
.
.
13100
0.0
0.0
1992
10.301
5.292 40.743 31512
.
.
0.0
1992
0.0
14.000 10.301
3.937 5.292 40.443 31512
1812
.
0.0
0.0
0.0
0.0
0.0
0.0
0.997
4.174
H=
0.0
0.0
0.997
0.0
0.0
0.0
0.0
4.174
4.197
0.0
1358
.
.
.
.
0.0
0.0
1232
0.0
0.0
3888
3888
3888
1358
.
.
.
.
0.0
0.0
3831
0.0
0.0
1358
0.0
0.0
.
0.0
0.0
1023
0.0
0.0
0.0
0.0
0.0
0.0
.
0.0
0.0
0.0
1018
0.0
0.0
0.0
0.0
0112
.
0.240
.
G = 0147
0.032
0.011
0.022
0.015
.
0.638 0112
0.240
.
0147
0.032
0.011
.
1457
0.453 0.025
0.317
0.009 0.016
0.457
.
1868
.
1377
0.047
0.018 0.032
.
0.025 1377
.
1164
0.021
0.0005
0.021
0.317
0.047
0.021
.
0102
0.017
0.001
0.009
0.018
0.0005
0.017
1419
.
0.454
0.001
0.454
1916
.
0.004
0.001
x1( 3) = 10610
.
+ 0.9043 104 = 10600
.
(
)
x ( ) = 10242
.
+ ( 0.2130 10 ) = 10242
.
x ( ) = 10236
.
+ (0.0008 10 ) = 10236
.
x ( ) = 10180
.
+ ( 0.0008 10 ) = 10180
.
x ( ) = 0.0490 + (0.5072 10 ) = 0.0489
x ( ) = 0.0873 + (0.5856 10 ) = 0.0872
x ( ) = 0.0931 + (0.5754 10 ) = 0.0930
x ( ) = 01074
.
+ (0.5754 10 ) = 01073
.
x2( 3) = 10476
.
+ 0.6243 104 = 10475
.
3
0.015
0.002 0.019
0.001
0.002
0.004 0.0007
0.000 0.0006 10+7
0.000 0.313
0.023 0.047
1157
0.021
.
0.021
0.097
0.022
44
Estimador de Mnimos Cuadrados Ponderados
e$1( 3) = z1 P2 ( 3) = 0.2000 01995
.
= 0.5494 103
( 3)
e$9( 3) = z9 V4 = 10236
.
.
10236
= 0.00032 103
( 3)
e$10( 3) = z10 V1 = 10180
.
.
10180
= 0.00025 103
NM
j =1
e$ j
0.3035 103
0.3032 103
0.5494 103 0.9222 103
=
+
+
+
$
0.01
0.01
0.01
0.01
j
2
0.3871 103
0.2323 103
0.0032 103
0.0090 103
+
+
+
+
0.008
0.008
0.008
0.008
0.0087 103
0.0089 103
= 01666
+
.
+
0.004
0.004
Se puede observar que el valor obtenido es mucho menor que el de 2 1,0.01 , por
tanto se pueden aceptar los valores estimados con un 99% de confiabilidad, de que los
estimados sean satisfactorios, comparados con los valores exactos proporcionados por un
estudio de flujos.