CAPITULO I

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

socio-econmicos graves. De ah que se pueda decir que la seguridad del SEP,

juega un papel muy importante en la economa de cualquier nacin.

1.2 Evolucin del concepto de seguridad

En la historia de la industria elctrica, el concepto de seguridad ha sido relativo. A travs de las dos
terceras partes de este siglo, los principales aspectos concernientes con la seguridad fueron: garantizar la
suficiente energa ante aumentos aleatorios de carga o la prdida de potencial de un generador, y prever los
efectos de la remocin de alguna lnea u otro equipo por mantenimiento. En ese tiempo, la seguridad fu
incluida dentro del problema de confiabilidad, y fu tomada en cuenta en los procesos de planificacin para
proveer un sistema robusto que pudiera soportar alguna serie de disturbios importantes sin sufrir serias
interrupciones. Quizs la eptome de ste enfoque fue el sistema elctrico de potencia americano (AEP), el
cual en 1974, soport 5 tornados mayores simultneamente, perdiendo 11 lneas de 345 KV, una lnea de
500 KV, dos lneas de 765 KV, y tres de las mayores subestaciones de switcheo, sin interrupcin a los clientes
[1].
El problema de seguridad tom importancia a partir del apagn de 1965 en el noreste de los Estados
Unidos. Posiblemente la primera mencin en la literatura del concepto seguridad en el actual sentido, fu en
los procedimientos de la segunda conferencia de computacin de SEP en 1966 [2]. Quiz l articulo ms
significativo es el de DyLiacco sobre relevadores adaptivos [3]. En este trabajo se define el concepto de
sistema de operacin de estados y se introduce el problema del monitoreo de seguridad a travs del anlisis
de contingencias [4,5,6].
Debido a que el concepto de seguridad fu un concepto abstracto, se defini la seguridad en trminos

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

evitar sobrecargar los equipos o perder

componentes debido a acciones de relevadores, causando cortes de energa a los consumidores.

b) Contingencia.- Es un evento inesperado o aleatorio, que los operadores del sistema no esperan que ocurra.
Las contingencias ms tpicas en los SEP consisten en la prdida de unidades de generacin o componentes de
transmisin (lneas, transformadores, etc.). En suma, las contingencias pueden ser causadas por la remocin
de equipo y cortos circuitos. Estas causas son clasificadas como internas y externas. Las causas internas
surgen de fenmenos tales como el rompimiento de aislamiento, accin de relevadores por temperatura o
simplemente una operacin incorrecta de los dispositivos relevadores. Las causas externas resultan de
algunos efectos ambientales tales como descargas atmosfricas.

1.3 Valoracin de seguridad

La valoracin de seguridad es un anlisis desempeado para determinar si el SEP o una parte del
mismo, es razonablemente seguro en su operacin, debido a las interferencias que puede sufrir durante su
operacin. Esto es, la valoracin de seguridad envuelve la evaluacin de los datos disponibles para estimar la
robustez relativa (nivel de seguridad) del sistema en el presente o en un futuro cercano. La forma de valorar la
seguridad es comnmente evaluada usando una lista de contingencias, esto es, si el sistema se encuentra
dentro de un nmero mnimo especificado de contingencias, el sistema puede ser clasificado como inseguro,
haciendo necesario el uso de medidas de control correctivas.
Pueden distinguirse dos alternativas de aproximacin para la valoracin de seguridad: los mtodos de

Introduccin

valoracin directa e indirecta.

1.3.1 Valoracin de seguridad directa

La valoracin directa estima la probabilidad de que el sistema se pueda mover de un estado de
operacin normal a un estado de emergencia, condicionado al estado actual y a las variaciones de carga
proyectadas y condiciones ambientales. La prctica comn en la valoracin directa es hacerlo a travs de una
lista estacionaria de contingencias, que los operadores del SEP conocen en base a su experiencia e intuicin.
La lista es construida para ser usada en un programa de computadora. Esto es aceptable para muchos
operadores pero en realidad se presenta un problema ya que la lista puede no ser muy grande y dejar pasar por
alto algunas contingencias importantes.

1.3.2 Valoracin de seguridad indirecta

La valoracin indirecta es formulada por la definicin de un conjunto de mrgenes de seguridad
relativos que predeterminan niveles adecuados para mantener el sistema en operacin, frente a una lista
reducida de contingencias preseleccionadas. Esto es, la lista de casos es construida dinmicamente y los casos
que son incluidos en la lista pueden cambiar en funcin de las condiciones cambiantes del sistema.

1.3.3 Comparacin de mtodos directos e indirectos

En general los mtodos

directos son ms exactos y selectivos que los indirectos, pero los

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.

1.4 Partes fundamentales del anlisis de seguridad en lnea

Debido al crecimiento y complejidad del SEP, el operador del sistema requiere de herramientas ms
avanzadas para asegurar una operacin ptima. De ah que el anlisis de seguridad y control sea un auxiliar
importante en el manejo del sistema. Este auxiliar se encuentra compuesto de tres elementos bsicos, es
decir, monitoreo, valoracin y control, los cuales son esquematizados de la siguiente manera, Figura 1.1:

Introduccin

Normal

Restaurativo

Emergencia
Extrema

Alerta

Emergencia

Fig. 1.1: Estados operativos

1) Seguridad de monitoreo: Usando las mediciones en tiempo real del sistema, identificar s el sistema esta en
estado normal o no. Si el sistema est en estado de emergencia ir al paso 4, y si la carga se perdi ir al paso 5.
2) Valoracin de seguridad: Si el sistema est en estado normal, determinar si el sistema es seguro o inseguro
con respecto a un conjunto de prximas contingencias.
3) Incremento de seguridad: Si es inseguro el sistema con alguna contingencia que caus el estado de
emergencia, determinar qu accin podra ser tomada para hacer el sistema seguro a travs de acciones
preventivas.
4) Control de emergencia: Ejecutar la accin correctiva propia que lleve el sistema a su estado normal,
tomando en cuenta la contingencia que caus el estado de emergencia. Esto es llamado algunas veces accin
de remedio.
5) Control restaurativo: Restablece el funcionamiento del sistema devolviendo la carga a los usuarios.
El anlisis de seguridad y control es implementado a travs de numerosos paquetes computacionales
en los modernos centros de control de energa [9]. Los principales componentes del anlisis de seguridad
sobre lnea estn mostrados en la Figura 1.2.

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

Fig. 1.2: Principales componentes del anlisis de seguridad en lnea

Los SEP son supervisados contnuamente para observar su comportamiento, es por ello que se
requiere contar con una gran cantidad de mediciones para evaluar su desempeo. Esta informacin es
recolectada en los CCE, pero no puede ser utilizada directamente ya que normalmente se encuentra
contaminada por incertidumbres (parmetros de la red, topologa de la misma etc.) y errores (descompostura
de medidores, ruido en las comunicaciones etc.), de ah que se requiera de un proceso que valide esta
informacin. El estimador de estado es un procesador de mediciones en lnea, que aprovecha la informacin
redundante recibida en los CCE, para hacer un filtrado de los errores de las mediciones por medio de tcnicas
de deteccin e identificacin de los datos anormales. Adems, proporciona un estimado de estas mediciones,
presentando una nueva base de datos suficientemente confiable para ser utilizada en otras aplicaciones como
anlisis de seguridad,

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

el estado de operacin de un sistema es seguro o no ante un conjunto de

contingencias, es necesario emplear un esquema para seleccionar un conjunto de disturbios importantes. La

valoracin de la seguridad corrientemente involucra un anlisis de flujos de carga en estado estable.
Restricciones de estabilidad se expresan en trminos de los lmites sobre los flujos de lnea. Por lo tanto, para
estimar la respuesta del sistema a contingencias, se lleva a cabo la evaluacin de contingencias usando
estudios de flujos de carga en lnea.

1.5 Estimadores que se han propuesto y sus resultados

La exitosa implementacin de la estimacin de estado en los sistemas modernos de control de
energa se han incrementado en la ultima dcada, demandndose cada vez mejores mtodos de estimacin de
estado para SEP cada vez ms grandes. Los mtodos de estimacin para SEP de gran escala han presentado
problemas [10]. Uno de estos es el mal condicionamiento numrico, debido a que el estimador de estado
emplea un proceso iterativo. Cuando el sistema sta mal condicionado, se manifiesta una lenta o nula
convergencia. Esto puede explicarse de la siguiente manera: el mtodo de estimacin de estado genera una
solucin en una secuencia de puntos x 0 , x1 , x 2 . .. x n . En cada iteracin se resuelve un subproblema, y
el prximo punto x k +1 es generado usando el punto actual x k y el valor del parmetro p (impedancias,
voltajes,

etc.).

Este

procedimiento

puede

ser

representado

por

una

funcin

x1 = f ( x 0 , p) , x 2 = f ( x1 , p) ... x n = f ( x n 1 , p) . El proceso iterativo converge si x n se aproxima

a la solucin x . Por tanto, debido al proceso iterativo, se presenta el efecto de errores por redondeo que
puede conducir a una lenta convergencia o falla en la misma.
El anlisis ha mostrado que el mal condicionamiento numrico puede suceder en la solucin de
estimacin de estado, cuando se presentan algunos de los siguientes factores:

Introduccin

Disparidad en los factores de ponderacin [11]

Un gran nmero de mediciones de inyecciones[10]
Conexin de lneas largas y cortas de transmisin[12]
Se han sugerido varios mtodos de estimacin de estado para resolver el problema de mal
condicionamiento numrico, los cuales sern resumidos brevemente.

1.5.1 Ecuaciones normales [13,14] (E.N)

El mtodo de E.N fu el primero en ser usado para resolver el problema de estimacin de estado.
Este se implement en tres versiones: Bsico, H constante y desacoplado. Ganando una amplia aceptacin en
los CCE su versin desacoplada, ya que sus matrices presentan dispersidad, lo que lo hace atractivo en
trminos computacionales, pues se utilizan tcnicas de dispersidad para la solucin de las mismas. Sin
embargo ste mtodo present problemas de mal condicionamiento numrico, que dieron paso a los mtodos
de estimacin que se utilizaron posteriormente.
Sea z el conjunto de mediciones, x el vector de variables de estado, h la relacin matemtica
entre las seales medidas y las variables de estado, y e el vector de errores aleatorios asociado a cada
medicin. Se tiene:

z = h( x ) + e

(1.1)

La estimacin del vector de estado x se obtiene mediante la minimizacin de la funcin de mnimos

cuadrados ponderados:

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

Transformacin ortogonal [ 15,16 ] (T.Ort)

Este mtodo es numricamente muy estable lo que mejora la robustez de la estimacin de estado.

Est basado en la factorizacin de la matriz Jacobiana H por medio de la transformacin ortogonal

(mediante la transformacin de Givens o Householder), que lo hace numricamente estable. De igual manera
que el mtodo de E.N es implementado en tres versiones: Bsico, H constante y desacoplado. Sin embargo
su versin desacoplada no es muy prctica ya que generalmente sufre de una prdida de dispersidad,
especialmente cuando la redundancia es alta.
La funcin objetivo del problema linealizado de mnimos cuadrados ponderados en cada iteracin es,

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)

donde R es una matriz triangular superior. Por tanto se tiene:

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)

El mnimo de (1.10) ocurre en

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

utilizacin directa de la informacin. A pesar de que en la mayora de los sistemas de

adquisicin de datos se tienen verificaciones primarias para los datos medidos, es posible
que errores de importancia pasen este primer filtro y den como resultado una caracterstica
no deseable en la vigilancia del SEP. De ah que se requiera un proceso de validacin de la
informacin que sea confiable.
Los modelos matemticos ayudan en el proceso de validacin, ya que permiten
establecer un juicio a priori del estado del sistema ante diversas condiciones de operacin.
En este rengln se han desarrollado una amplia gama de ellos. Una de las primera ideas
[22,23] fu utilizar el estudio de flujos convencionales para aplicaciones en lnea. El
objetivo de este estudio es determinar el estado del sistema, resolviendo un sistema de n
ecuaciones, generalmente no-lineales, con n incgnitas, para el cual existe una solucin

Estimador de Mnimos Cuadrados Ponderados

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

Datos nodales y de rama

Solucin ajustada a los datos

Solucin estimada a los datos

Siempre observable

Observable por partes o totalmente

No es posible identificar errores Posibilidad de detectar e identificar errores

Estimador de Mnimos Cuadrados Ponderados

19

2.2 Descripcin del problema de estimacin de estado

El estimador de estado que se presenta es de tipo estocstico, esto es, estima el
estado del SEP bajo condiciones de variaciones lentas. El estimador de tipo estocstico
forma parte de un programa de anlisis de seguridad y control que opera en tiempo real; y
se puede definir como un algoritmo que procesa los datos medidos, tranformndolos
en el estado del sistema.
Las variables de inters para el estimador son las siguientes cantidades fsicas:
a) Inyecciones nodales de potencia real y reactiva ( P, Q ), ya sean de generacin o demanda.
b) Flujos de potencia real y reactiva en las lneas y ramas del SEP ( Pk ,m , Qk ,m ).
c) Magnitudes de voltaje nodales ( V ).
Estas mediciones son recolectadas en los CCE, y evaluadas por un estimador de estado,
calculando el mejor estimado de las variables de estado (magnitud del voltaje nodal V y
ngulos de fase ), a partir de las cuales es posible evaluar cualquier variable del sistema.
Debido a que en el proceso de envo y recoleccin de las mediciones de inters se
tiene contaminacin por ruido, descomposicin de aparatos de medicin, cambios
topolgicos, etc. se utilizan tcnicas de deteccin e identificacin de mediciones errneas.

2.2.1 Deteccin de errores

Este problema se resuelve utilizando tcnicas estadsticas de prueba de hiptesis
sobre un ndice J ( x$ ) , en un intervalo de confianza tpico del 99%. Las pruebas estadsticas
se realizan al considerar que el ndice J ( x$ ) posee una distribucin 2 (ji-cuadrada), ya que
los errores de medicin presentan una distribucin normal [24,13]. As, si el valor de J ( x$ )
se encuentra fuera del intervalo de confianza, se manifiesta la presencia de datos
anormales, motivando el rechazo de alguna parte de la informacin capturada.

2.2.2 Identificacin de la fuente de error

Esta etapa tiene como objetivo identificar las mediciones anormales, recurriendo
para ello al anlisis del valor absoluto de los residuos de cantidades medidas menos
cantidades estimadas, normalizadas por

su desviacin estndar. Los residuos tienen

Estimador de Mnimos Cuadrados Ponderados

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

Fig. 2.1: Etapas fundamentales del Estimador de Estado

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.

2.3 Modelo de estimacin de estado por el mtodo de ecuaciones normales

Un acercamiento al sistema real requiere de modelos adecuados de los diversos
componentes. Como ya se mencion, cualquier variable, parmetro medido o calculado,
est sujeto a errores ( por ejemplo el error acumulado desde el punto de medicin hasta la
entrada a la computadora central ), lo cual hace que los valores verdaderos de las
cantidades fsicas nunca sean conocidas exctamente y se tengan que considerar formas de
calcular los mejores estimados posibles de esas cantidades. El mtodo de mnimos

21

Estimador de Mnimos Cuadrados Ponderados

cuadrados ponderados (WLS) por ecuaciones normales fu el primer mtodo utilizado

[13,14], para realizar el mejor ajuste de los datos medidos, con la minimizacin de la
suma ponderada de los cuadrados de los errores de medicin.
Considere que el modelo de los datos disponibles se puede expresar en funcin del
error acumulado como:
z = h ( x) + e

(2.1)

Donde:
z : Vector que denota el conjunto de mediciones R m .

x : Vector de las variables de estado R n .

h : Relacin matemtica entre las variables medidas y las variables de estado R .
m

e : Vector de errores acumulados, el cual es modelado como un vector aleatorio con media

cero es decir

E (e ) = 0

, Rn .

Reordenando la ecuacin (2.1) se tiene:

e = z h ( x)

(2.2)

Debido a que los valores de x no pueden calcularse exactamente, se deben estimar

lo mejor posible, de modo que:

e$ = z h ( x$ )

(2.3)

* las cantidades con sombrero indicarn cantidades estimadas.

La necesidad de detectar e identificar los errores nos lleva a la idea intuitiva de tener
redundancia de mediciones. Al tener ms ecuaciones (datos) que incgnitas no todos los
datos se pueden ajustar exactamente. Por lo que la estimacin del vector de estado x se

obtiene por medio de la minimizacin de la funcin cuadrtica,

J ( x ) = z h ( x ) W 1 z h ( x )
t

(2.4)

Donde W 1 es un matriz diagonal R mm , cuyos elementos son los factores de ponderacin

de las mediciones, es decir :

22

Estimador de Mnimos Cuadrados Ponderados

1
2
1
.
1
W =
.
.

.
1

22
.
.

.
.

O
.
1
.
m2
.

*: Indica un valor cero

donde:

k 2 : es la varianza del error de la medicin respectiva.

Ahora, como h ( x ) es en general, una funcin no-lineal, esta puede ser linealizada
expandindose en una serie de Taylor como sigue:
h ( x ) = h ( x 0 ) + h ( x 0 ) ( x x 0 )

(2.5)

Definindose los trminos de la ecuacin (2.5) como:

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)

Por lo que la expansin realizada puede reescribirse de la siguiente manera:

h ( x) = h ( x 0 ) + H0 x

(2.8)

Sustituyendo los trminos definidos de (2.6) y (2.7) en (2.4) se tiene:

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)

Resolviendo (2.10) para x se tiene:

x = ( H 0 t W 1 H 0 ) H 0 t W 1 z
1

(2.11)

por tanto x se corrige haciendo:

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

Estimador de Mnimos Cuadrados Ponderados

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)

es conocida como matriz de ganancia.

2.4 Modelado y estructura de la matriz Jacobiana H [13,14]

La matriz H es en realidad un matriz Jacobiana, cuyos elementos son las primeras
derivadas de las funciones h con respecto a las variables de estado. Tienen por lo tanto una
estructura bastante similar al Jacobiano de flujos de potencia de Newton-Raphson. Sin
embargo, existen algunas diferencias, ya que H es rectangular en el problema de
estimacin de estado, debido a que en un sistema de N nodos se tiene la necesidad de
medir ms de 2 N 1 variables de estado para aprovechar la redundancia y tener un mejor
efecto de filtrado[25] en los errores de medicin. Cuando se miden solamente 2 N 1
variables, el estimador de estado se reduce a un estudio de flujos convencional.
Enseguida, se analizan los elementos que componen H , que son producidos por
mediciones de flujo de potencia en lnea e inyecciones de potencia nodal.

2.4.1 Mediciones de flujo de potencia en lneas de transmisin

Estas mediciones son las ms abundantes y tiles en estimacin de estado.
Considere la lnea de transmisin de la figura 2.2.

k
Vk

zm k

S
I k mk m
Yk m

Yk m Vk

Fig. 2.2: Circuito

Im k
Ym k

equivalente de un lnea de transmisin

m
Vm

Estimador de Mnimos Cuadrados Ponderados

24

Como se puede ver la potencia compleja S km es funcin de los voltajes Vk y Vm

donde:
V = V e j
S = P + jQ

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

Considrense las siguientes definiciones:

V = V e j
z = r + jx
y=

r jx
= g + jb
r2 + x2
y = g + jb

de estas definiciones se tiene:

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)

Estimador de Mnimos Cuadrados Ponderados

25

y km
= g km
+ jbkm

Por lo que S km finalmente es,

S km = ( ( g km + g km
) j(bkm + bkm
)) V k

( g km jbkm ) (cos( k m ) + j sen( k m )) Vk Vm

(2.17)

separando (2.17) en parte real e imaginaria resulta:

2
Pkm = ( g km + g km
) Vk ( g km cos( k m ) + bkm sen( k m )) Vk Vm

Qkm = (bkm + bkm

) Vk ( g km sen( k m ) + bkm cos( k m ) ) Vk Vm
2

(2.18)
(2.19)

Los elementos del Jacobiano H se obtienen de las derivadas parciales de (2.18) y

(2.19), con respecto a las cuatro variables Vk , k ,Vm y m . Para simplificar los trminos del
Jacobiano, las derivadas parciales con respecto a V se multiplican por V .

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

y usando (2.18) se tiene:

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

Estimador de Mnimos Cuadrados Ponderados

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)

2.4.2 Mediciones de inyecciones de potencia nodal

En la Figura 2.3 se muestra un modelo para un nodo k y la ecuacin de inyeccin
de potencia.
bus i

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

Fig. 2.3: Modelo de inyeccin de potencia compleja en el nodo k

Conjunto

27

Estimador de Mnimos Cuadrados Ponderados

Siendo S k funcin de Vk y Vm , m

, la matriz Jacobiana H tendr elementos

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

jBkm ) (cos( k m ) + sen( k m )) Vk Vm

km

(2.28)

Donde Ykk y Ykm son los elementos de la matriz de admitancias nodales. De acuerdo a la
notacin establecida:

Ykm = Gkm + jBkm = ( g km + bkm )

Ykk = Gkk + jBkk = ( g kk + jbkk ) +

(( 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

cos( k m ) + Bkm sen( k m )) Vk Vm

km

sen( k m ) Bkm cos( k m )) Vk Vm

(2.31)
(2.32)

Diferenciando (2.31) y (2.32) con respecto a las variables de estado mencionado, se

obtienen las componentes del Jacobiano H correspondientes a las inyecciones. Despus
de ciertas simplificaciones se obtiene:

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

Estimador de Mnimos Cuadrados Ponderados

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)

2.4.3 Mediciones de magnitudes de voltaje nodal

Existe una correspondencia uno a uno entre las mediciones de voltaje nodal y la
magnitud de voltaje a estimar. La fila de la matriz Jacobiana H para una medicin de
voltaje tiene un uno en la columna correspondiente al nodo y ceros en todas las otras
posiciones. Estas mediciones no dan informacin alguna acerca de la estructura del sistema.
Las derivadas parciales para este tipo de mediciones son triviales ya que:

Vk
=1
Vk

Vk
=0 , km
Vm

Vk
=0 , m
k

dado que la formulacin de las variables de voltaje que se usan son

Vk
, los coeficientes
Vk

son:

Vk
Vk
= Vk
Vk

(2.41)

2.4.4 Estructura de la matriz Jacobiana H [14,25]

Los ngulos de fase ( ) de los voltajes nodales ( V ), no pueden medirse
fcilmente, aunque las magnitudes si son constantemente monitoriadas. Normalmente se
selecciona un ngulo nodal como referencia para los otros ngulos, por lo que se tendrn

Estimador de Mnimos Cuadrados Ponderados

29

N 1 ngulos y N magnitudes de voltajes calculados por la ecuacin (2.11). Si se miden

Vi , Pi , Qi en cada nodo, y se miden los flujos Pi , j , Pj ,i , Qi . j , Q j ,i en cada lnea, el
conjunto de mediciones esta completo, y H tiene dimensiones de Nm = (3 N + 4 B )
renglones y 2 N 1 variables de estado asociadas a las columnas, Nm es el nmero de
mediciones y B es igual al nmero de lneas del sistema. La relacin entre renglones y
columnas se llama factor de redundancia global y es igual a Nm 2 N 1 . En la prctica el
factor puede ser pequeo

(1.1 y 3) [26]. Cuando Nm = 2 N 1 , no existe redundancia ya

que H es cuadrada y la matriz W 1 no tiene efecto, resultando un problema de flujos

convencionales. As que se necesita un adecuado nmero de mediciones, colocadas en
puntos estratgicos del sistema, para garantizar un buen

estimado, y un Jacobiano

rectangular, necesario para la estimacin de estado. Cuando el conjunto de mediciones esta

completa, H tiene la siguiente estructura:

Estimador de Mnimos Cuadrados Ponderados

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.

2.5 Deteccin e identificacin de datos errneos

Estimador de Mnimos Cuadrados Ponderados

31

Una caracterstica importante que todo estimador de estado debe poseer es la

capacidad de evitar soluciones no aceptables. Para poder lograrlo se requiere una
redundancia adecuada de mediciones y un modelado adecuado de los errores de medicin.
Los errores de medicin pueden surgir por varias razones, por ejemplo:
1.- Mediciones ( errores de medicin , ruido en las comunicaciones).
2.- Parmetros (incertidumbre en los parmetros).
3..- Datos falsos (errores inesperadamente grandes de medidores y comunicacin).
Para detectar la presencia de mediciones errneas, se emplea la nocin intuitiva de
que el residual (2.4), calculado despus de que el algoritmo de estimacin converge, ser
ms pequeo si no hay errores sustanciales presentes en las mediciones; en cambio ser
mayor en presencia de los mismos.
La solucin del problema se resuelve probando la validez estadstica de los
resultados entregados por el estimador, por medio de una prueba de hiptesis. As que el
modelo de las mediciones se puede escribir de la siguiente manera:

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

2.5.1 Valor esperado de z m y z$ .

El valor esperado de la ecuacin (2.42) es :

32

Estimador de Mnimos Cuadrados Ponderados

E ( z ) = H x t + E ( e)

donde:
H xt = zt

es el vector de valores verdaderos de las cantidades medidas.

El valor calculado de las cantidades medidas esta dado por:

z$ = H x$

(2.44)

Tomando el valor esperado en ambos lados de (2.44), el valor esperado de z$ puede

expresarse como:
E ( z$) = H E ( x$ )

Ahora utilizando la teora de mnimos cuadrados se tiene que:

x$ = ( H W 1 H t ) H t W 1 z m
1

(2.45)

por tanto
E ( x$ ) = ( H W 1 H t ) H t W 1 E ( z m ) = x t
1

por lo que se puede decir que:

E ( z$) = H x t = z t

concluyendo que z$ es un estimado insesgado de z t .

2.5.2 Varianza y esperanza de x$

De la ecuacin (2.45) se define
C = ( H W 1 H t ) H t W 1
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

Estimador de Mnimos Cuadrados Ponderados

Despus de sustituir E ( e e t ) de (2.43) en la ecuacin (2.47) y simplificar resulta,

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.

2.5.3 Varianza y esperanza de z$ .

Desarrollando los mismos clculos para z$ se tiene:
z$ z = H ( x$ x) e

(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

y simplificando se tiene finalmente que:

E ( z$ z m ) ( z$ z m )

} = W H G

Ht

(2.50)

es una matriz covarianza.

De los resultados obtenidos

hasta ahora, puede decirse que la solucin de la

estimacin es aceptada, si es alta la probabilidad de que los valores calculados estn ms

cerca de los valores verdaderos que los valores medidos.

2.5.4 Deteccin del error [26]

Para la deteccin de datos errneos se utiliza una tcnica estadstica llamada 2 k ,
(ji-cuadrada), la cual consiste en probar si:
J ( x$ ) > 2 k ,

(2.51)

34

Estimador de Mnimos Cuadrados Ponderados

indicando que si se cumple (2.51), existen

errores anormales en las mediciones.

k = ( Nm N ) , indica los grados de libertad, obtenidos de la diferencia del nmero de

mediciones ( Nm ) y el nmero de variables de estado ( N ); el valor de indica la

probabilidad de falsa alarma .
La teora estadstica demuestra [24] que la suma ponderada de cuadrados J ( x$ ) de
la ecuacin (2.4) tiene una distribucin 2 k , , la cual es muy cercana a una distribucin
estndar gausiana cuando k > 30 , lo cual es frecuente en aplicaciones de sistemas de
potencia. La figura 2.4 muestra la funcin de densidad de probabilidad de 2 k , , para un

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)

P( 2 ) para k grados de libertad

Area

(1 )

2 k ,
Fig. 2.4: Funcin de densidad de probabilidad de

2
2 k ,

Basado en la ecuacin (2.53), el valor crtico estadstico de J ( x$ ) puede ser

determinado usando los valores tabulados de 2 k , , presentados en tablas [24].

2.5.5 Identificacin de las mediciones errneas [26]

Estimador de Mnimos Cuadrados Ponderados

35

Si se detectan errores de medicin y se decide que la estimacin x$ no es

satisfactoria, es necesario repetir el proceso de estimacin eliminando las mediciones
errneas .
La identificacin de una medicin errnea ( j ) no es inmediata, ya que el residuo
r j correspondiente a sta, no es necesariamente el mayor de todos los residuos. Por ello es

necesario analizar los residuos normalizados:

rN =

ri
Ri,i

i = 1,2,..., N m

( 2.53 )

donde Ri,i es el elemento diagonal correspondiente en la matriz de sensitividad residual

(2.50). El mayor de los residuos normalizados corresponde, con alta probabilidad, a la
medicin con error.
Antes de suprimir la medicin correspondiente al mayor residuo normalizado, es
necesaria una segunda prueba estadstica para poder afirmar que la medicin es
efectivamente errnea. Los residuos rN

tienen una distribucin t-student [24] con k

grados de libertad. La aceptacin rechazo de la hiptesis se obtiene comparando el valor

de rN con el valor terico de la distribucin t con k grados de libertad para una
probabilidad especificada , esto es:
rN < t k ,

(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

2.6 Ejemplo de aplicacin

En el siguiente ejemplo se consideran 12 mediciones en por unidad (p.u) sobre el
sistema elctrico[28] de la Figura 2.5, tomadas en un determinado instante de tiempo. En
una de las mediciones se provoca un error grande, alterando su magnitud real, para poder
comprobar la bondad de los mtodos de estimacin, deteccin e identificacin.
G

V
4

F
I

V
5

Fig. 2.5: Sistema de 5 nodos

F: es flujo real y reactivo en lneas, I: es inyeccin real y reactiva, V: es magnitud de voltaje

Los valores de las mediciones con error aleatorio incluido son:

z1 = P2 = 0.200

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

para inyecciones real y reactiva.

12 = 0.008 2

para flujos real y reactivo.

12 = 0.004 2

para magnitud de voltajes.

Antes de iniciar el clculo iterativo de estimacin de estado por el mtodo de

mnimos cuadrados ponderados, se verificar si el sistema es observable mediante el
mtodo de obsevabilidad de F.Wu [30,31], que se analizar con detalle en el captulo 4. Las

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

1 0.0 1 0.0 0.0

0.0 0.0 0.0 1 1

Se calcula la matriz de ganancia dada en la ecuacin (2.14),

3
3

G0 = 3

2
1

3 3

2
1
7 2 6
7 11 2 1

2 2 4 2
6 1 2 6

18

despus se diagonaliza esta matriz obtenindose:

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

Como se puede ver en la matriz diagonalizada G0,T solo se encuentra un cero en la

diagonal, lo que indica que el sistema es observable.
Despus de verificar que el sistema es observable se inicia la solucin, usando los
siguientes valores de arranque para las variables de estado (se toma 1 como ngulo de
referencia)

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

e2 ( 0) = z 2 Q2 ( 0) = 0.2013 ( 0.0867) = 0.2888

e3 ( 0) = z 3 P3 ( 0) = 0.4500 0.0 = 0.4500

e4 ( 0) = z 4 Q3( 0) = 01500
.
( 0.0561) = 0.0939

e5( 0) = z5 P5( 0) = 0.600 0.0 = 0.600

e6 ( 0) = z 6 Q5 ( 0) = 15000
.
( 0.408) = 15408
.

e7 ( 0) = z 7 P1 3 ( 0) = 0.4072 0.0 = 0.04072

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

e9 ( 0) = z 9 P5 4 ( 0) = 0.0633 0.0 = 0.0630

e11( 0) = z11 V4

( 0)

e12 ( 0) = z12 V5

= 1.0236 1.01 = 0.136

( 0)

= 10180
.
101
. = 0.0080

La matriz Jacobiana es:

( 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

donde: * indica ceros

*
*

*
*

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

Evaluando las derivadas parciales en sus respectivos valores numricos se tiene:

.
5100
15.301

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
.

los ngulos en grados son:

1 = 0.0 o , 2 = 5.0721o , 3 = 7.9565o , 4 = 8.6563o , 5 = 10.9853o

Los errores estimados correspondientes de las mediciones son:

e1( 4 ) = z1 P2 ( 4 ) = 0.2000 0.2005 = 0.0005

e2 ( 4 ) = z 2 Q2 ( 4 ) = 0.2013 01322
.
= 0.0691

e3 ( 4 ) = z 3 P3 ( 4 ) = 0.4500 ( 0.4498) = 0.0002

e4 ( 4 ) = z 4 Q3 ( 4 ) = 0150
.
( 01956
.
) = 0.045

e5 ( 4 ) = z5 P5 ( 4 ) = 0.600 ( 0.6268) = 0.0268

e6 ( 4 ) = z 6 Q5 ( 4 ) = 15000
.
12512
.
= 0.2488

e7 ( 4 ) = z 7 P1 3 ( 4 ) = 0.4072 0.4481 = 0.0409

e8 ( 4 ) = z8 Q1 3 ( 4 ) = 0.0114 ( 0.2321) = 0.2435

e9 ( 4 ) = z 9 P5 4 ( 4 ) = 0.0633 ( 0.0473) = 0.0157

e10 ( 4 ) = z10 Q5 4 ( 4 ) = 0.0283 0.3528 = 0.3811

e11( 4 ) = z11 V4

(4)

= 1.0236 0.9727 = 0.0506

e12 ( 4 ) = z12 V5

(4)

= 10180
.
10548
.
= 0.0372

Despus de que el mtodo converge se evalan los resultados obtenidos mediante

la prueba estadstica ji cuadrada ( 2 ) , la cual determina si existen errores grandes en las
mediciones. Para esta prueba se utilizan los ltimos errores estimados de las mediciones.
Se usa un 99% de confianza para satisfacer que J ( x$ ) 2 k , , donde k son los grados de
libertad y es el porciento de confianza. En este caso se encontr en una tabla de 2 que
para 2 grados de libertad y 99% de confianza su valor

es 2 2 ,0.01 = 9.21. Por tanto

calculando la suma ponderada de los errores al cuadrado se tiene :

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

Como se puede ver el valor calculado de J ( x$ ) es excesivo comparado con el valor

encontrado para la 2 , lo cual indica la presencia de datos anormales. Por consecuencia
no se pueden aceptar los valores calculados para las variables de estado, y se tendr que
utilizar otra prueba estadstica para identificar la medicin con error. Esta prueba es la
llamada

t-student, la cual se efecta de la siguiente manera.

Primero se determinan los elementos diagonales de la matriz de covarianza (2.50)

R = I H G 1 H t W 1 , con los ltimos estimados.

0.013

0.011

0.003

.
0
005

.
0182

.
0147

104
R =
.
0100

.
0144

0.418

0.406

.
0
074

0.802

De esta matriz de covarianza solo se consideran los elementos diagonales para el

clculo del error estandarizado , por tanto:
rN =

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

= 1 0.0 1 0.0 0.0

0.0 0.0 0.0 1 1

0.0 0.0 0.0 0.0 0.0

y la matriz de ganancia diagonalizada indica nuevamente que el sistema es observable.

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

Al confirmarse que el sistema es observable el estimador vuelve a iterar, resultando

su convergencia en 3 iteraciones con la siguiente matriz jacobiana:

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

La nueva matriz de ganancia es:

0.359
0.638

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
.

0.016 0.032 0.021

0.002
0.019

0.004
0.001

0.000 0.000 0.023 1396

.
0.0007 0.0006 0.313 0.047

El valor de las variables de estado es:

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

Los errores de las mediciones estimados:

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

e$2( 3) = z2 Q2( 3) = 0.2013 0.2022 = 0.9222 103

e$3( 3) = z3 P3( 3) = 0.4500 ( 0.4503) = 0.3032 103

e$4 ( 3) = z4 Q3( 3) = 01500

.
.
( 01497
) = 0.3035 103

e$5( 3) = z5 P1 3( 3) = 0.4072 0.40723 = 0.3571 103

e$6( 3) = z6 Q1 3( 3) = 0.0114 01160

.
= 0.2323 103

e$7 ( 3) = z7 P5 4 (3) = 0.0633 ( 0.6030) = 0.0032 103

e$8( 3) = z8 Q5 4 ( 3) = 0.02036 ( 0.0283) = 0.0090 103

( 3)
e$9( 3) = z9 V4 = 10236
.
.
10236
= 0.00032 103

( 3)
e$10( 3) = z10 V1 = 10180
.
.
10180
= 0.00025 103

De nueva cuenta se realiza la prueba 2 , pero debido a que se eliminaron las

mediciones 5 y 6, la redundancia y los grados de libertad se vern afectadas, con una
reduccin en sus valores, por lo que el nuevo valor para 2 1,0.01 = 6.64 .
J ( x$ ) =

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.