UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DEPARTAMENTO DE INGENIERA ELCTRICA








DESARROLLO DE UN MODELO COMPUTACIONAL
DE ESTIMACIN DE ESTADO PARA
SISTEMAS ELCTRICOS DE POTENCIA








PABLO LVAREZ DANKER











2005


2
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS
DEPARTAMENTO DE INGENIERA ELCTRICA



DESARROLLO DE UN MODELO COMPUTACIONAL
DE ESTIMACIN DE ESTADO PARA
SISTEMAS ELCTRICOS DE POTENCIA




PABLO LVAREZ DANKER



COMISIN EXAMINADORA CALIFICACIONES

NOTA (n) (Letras) FIRMA

PROFESOR GUA
RODRIGO PALMA B.

:







PROFESOR CO-GUA
EFRAN ASENJO S.

:







PROFESOR INTEGRANTE
OSCAR MOYA A.

:







NOTA FINAL EXAMEN DE
TTULO

:











MEMORIA PARA OPTAR AL TTULO DE
INGENIERO CIVIL ELECTRICISTA

SANTIAGO DE CHILE
ABRIL DE 2005


3





DESARROLLO DE UN MODELO COMPUTACIONAL DE ESTIMACIN DE
ESTADO PARA SISTEMAS ELCTRICOS DE POTENCIA

En sistemas elctricos de potencia, la estimacin de estado determina el valor de las
variables elctricas de un modelo de red mediante la aplicacin de funciones y criterios
estadsticos a un conjunto redundante e impreciso de mediciones y datos histricos del sistema.
El objetivo general del presente trabajo es contribuir al desarrollo en el contexto docente
de tecnologas de estimacin de estado, mediante la propuesta e implementacin de un modelo y
herramienta computacional de estimacin de estado para Sistemas Elctricos de Potencia.
La herramienta implementa el mtodo de estimacin de estado de mnimos cuadrados
ponderados y su resolucin mediante el algoritmo iterativo de Newton-Raphson.
Adicionalmente, se implementan las principales funciones usualmente asociadas a la estimacin
de estado en los sistemas de control comerciales, como el anlisis de observabilidad y la
deteccin de medidas cuyo error sigue una distribucin no gausseana.
El anlisis de observabilidad se realiza en forma numrica, mediante el mtodo
propuesto por Monticelli, consistente en la deteccin de pivotes nulos en la descomposicin en
factores ortogonales del Jacobiano del sistema de medidas. La deteccin de medidas errneas
implementa el test de chi-cuadrado, el cual se basa en las propiedades estadsticas del sistema de
medidas.
Para proveer al algoritmo de estimacin de una base de datos de mediciones sobre el
sistema, se introdujo un nuevo elemento de red, capaz de registrar magnitudes de voltaje, flujo e
inyeccin de potencia activa y reactiva en el punto de aplicacin. El valor de estas mediciones
puede provenir de los datos exactos obtenidos del flujo de potencia; ingresados manualmente,
para implementar el concepto de pseudo-medidas o bien desde una base de datos actualizada en
tiempo real, para permitir la aplicacin en-lnea de la herramienta desarrollada.
El modelo computacional desarrollado hace uso de programacin orientada al objeto y
tecnologa JAVA y se enmarca dentro de un sistema de anlisis y simulacin de sistemas
elctricos de potencia desarrollado por el rea de Energa del Departamento de Ingeniera
Elctrica de la Facultad de Ciencias Fsicas y Matemticas de la Universidad de Chile, DeepEdit.
Se ha dado nfasis en un diseo que permita con facilidad futuras mejoras y
ampliaciones. En particular, se describe en trminos generales la implementacin de cuatro
mejoras propuestas a la aplicacin desarrollada, tendientes a dar mayor estabilidad numrica a
los algoritmos de clculo, mayor robustez frente a inconsistencias en el conjunto de datos de
entrada al estimador y la modelacin de tecnologas de reciente introduccin en el mercado de
los sistemas de control y adquisicin de datos como los dispositivos fasoriales de medicin.
RESUMEN DE LA MEMORIA PARA OPTAR AL
TTULO DE INGENIERO CIVIL ELECTRICISTA
POR : PABLO LVAREZ DANKER
FECHA : XXVIII/04/2005
PROF. GUA : Sr. RODRIGO PALMA BEHNKE


4
ndice
NDICE DE ILUSTRACIONES......................................................................7
NDICE DE TABLAS .......................................................................................8
NDICE DE ARCHIVOS INCLUIDOS EN CD DE ANEXOS ....................9
1 INTRODUCCIN.....................................................................................10
1.1 MOTIVACIN..........................................................................................10
1.2 OBJETIVOS..............................................................................................11
1.3 ALCANCES ..............................................................................................12
1.4 ESTRUCTURA DEL TRABAJO ...................................................................13
2 EL PROBLEMA DE LA ESTIMACIN DE ESTADO.......................15
2.1 RESUMEN ...............................................................................................15
2.2 INTRODUCCIN.......................................................................................15
2.3 FORMULACIN DEL PROBLEMA..............................................................17
2.4 MTODOS DE SOLUCIN.........................................................................20
2.5 ANLISIS DE OBSERVABILIDAD ..............................................................22
2.6 DESCRIPCIN GENERAL DE UNA RED ELCTRICA ..................................24
2.6.1 Resumen.............................................................................................24
2.6.2 Modelo de lnea de transmisin y transformador..............................25
2.6.3 Modelo de generador y consumo.......................................................27
2.7 ASPECTOS DIDCTICOS DEL ESTUDIO DE LA ESTIMACIN DE ESTADO.....28
2.7.1 Introduccin.......................................................................................28
2.7.2 Objetivos buscados en la enseanza de estimacin de estado ..........29
2.7.3 Ejemplos ............................................................................................30
3 ESTIMADOR DE ESTADO PARA LA HERRAMIENTA
DEEPEDIT SET.....................................................................................31
3.1 RESUMEN ...............................................................................................31
3.2 ENTORNO DE DESARROLLO ....................................................................31
3.3 ANLISIS ................................................................................................33


5
3.4 DISEO...................................................................................................35
3.5 PROGRAMACIN.....................................................................................36
3.5.1 Clase Probe .......................................................................................37
3.5.2 Clase javaSE......................................................................................39
4 VALIDACIN DE LA HERRAMIENTA SET.....................................51
4.1 RESUMEN ...............................................................................................51
4.2 RED ESTUDIADA .....................................................................................51
4.3 VALIDACIN DE MTODOS WLS ............................................................54
4.4 VALIDACIN DE MTODO DE ANLISIS DE OBSERVABILIDAD................57
4.4.1 Ejemplo..............................................................................................57
5 ESTUDIO DE CASOS ..............................................................................60
5.1 RESUMEN ...............................................................................................60
5.2 RED 2 BARRAS........................................................................................60
6 DESARROLLOS FUTUROS...................................................................69
6.1 RESUMEN ...............................................................................................69
6.2 DETECCIN Y CORRECCIN DE DATOS ERRNEOS ..................................69
6.2.1 Test de residuo normalizado..............................................................69
6.2.2 Estimacin de parmetros de la red..................................................70
6.3 TCNICAS DE SOLUCIN ALTERNATIVAS................................................72
6.3.1 Descomposicin ortogonal ................................................................72
6.4 EXTENSIN DEL CONJUNTO DE ENTRADAS DEL ESTIMADOR ...................74
6.4.1 Mediciones fasoriales ........................................................................74
7 CONCLUSIONES .....................................................................................76
REFERENCIAS ..............................................................................................79
8 ANEXO I: NMERO DE CONDICIN................................................82
9 ANEXO: GUA PARA INCORPORAR NUEVOS MDULOS A
DEEPEDIT. ...............................................................................................84
9.1 RESUMEN ...............................................................................................84


6
9.2 ENTORNO DE PROGRAMACIN................................................................84
9.3 AGREGAR UN ELEMENTO AL MEN PRINCIPAL......................................85
9.4 AGREGAR UN NUEVO ELEMENTO DE RED................................................88
9.5 ARCHIVOS .SIM.......................................................................................89


7
ndice de ilustraciones
Figura 2.6-1: Modelo PI de lnea de transmisin. ............................................................25
Figura 3.2-1: Ejemplo del principio de herencia..............................................................32
Figura 3.2-2: Jerarqua de clases de elementos de red en DeepEdit ................................33
Figura 3.3-1: Diagrama de flujo mtodo Newton-Raphson implementado. ....................35
Figura 3.5-1: Distintas representaciones grficas de la clase Probe ................................37
Figura 3.5-2: Ventana de opciones de objetos Probe.......................................................38
Figura 3.5-3: Sistema de 2 barras con objetos Probe. ......................................................39
Figura 3.5-4: Ventana de parmetros de simulacin........................................................40
Figura 3.5-5: Ejemplo resultados del anlisis de observabilidad.....................................44
Figura 3.5-6: Ejemplo resultados de estimacin de estado ..............................................47
Figura 3.5-7: Ejemplo reporte de convergencia de funcin residual J(x) ........................48
Figura 3.5-8: Ejemplo listado de resultados entregado por SET, (parte 1 de 2). .............49
Figura 3.5-9: Ejemplo listado de resultados entregado por SET, (parte 2 de 2). .............50
Figura 4.2-1: Adaptacin de barras con generacin y consumo simultneo al formato de
trabajo de SET.............................................................................................52
Figura 4.2-2: Representacin de la red IEEE-14 en el sistema DeepEdit........................53
Figura 4.2-3: Representacin de la red IEEE-14 en el sistema PET. ...............................54
Figura 4.3-1: Funcin residuos J(x) en prueba validacin de mtodo WLS, red IEEE-14
.....................................................................................................................56
Figura 4.4-1: Resultado del anlisis de observabilidad el ejemplo 4.4.1, por DeepEdit 58
Figura 4.4-2: Resultado del anlisis de observabilidad para el ejemplo 4.4.1, por PET. 59
Figura 5.2-1: Ejemplo red 2 barras en DeepEdit..............................................................61
Figura 5.2-2: Parmetros de simulacin ejemplo red 2 barras .........................................62
Figura 5.2-3: Reporte de convergencia de la funcin J(x) para 10 iteraciones ...............67
Figura 5.2-4: Resultados obtenidos en ejemplo red 2 barras. ..........................................68
Figura 9.3-1: Barra de men ............................................................................................85
Figura 9.4-1: Estructura de clases de elementos de red ...................................................88
Figura 9.5-1: Estructura de archivo .sim..........................................................................90



8
ndice de tablas
Tabla 4-1: Dimensiones de la red IEEE-14......................................................................55
Tabla 4-2: Comparacin de resultados de estimacin DeepEdit y PET. .........................56
Tabla 5-1: Informacin del sistema de medidas del ejemplo red 2 barras .......................62
Tabla 5-2: Matriz de admitancia nodal ejemplo red 2 barras...........................................63
Tabla 5-3: Vector de estado en iteracin 1.......................................................................64
Tabla 5-4: Vector h(x) en iteracin 1...............................................................................64
Tabla 5-5: Matriz H(x) en iteracin 1 ..............................................................................64
Tabla 5-6: Vector ? z en iteracin 1 ................................................................................64
Tabla 5-7: Matriz ganancia G(x) en iteracin 1 ..............................................................64
Tabla 5-8: Matriz H
aa
(x) en anlisis de observabilidad....................................................65
Tabla 5-7: Matriz ganancia G
aa
(x) en anlisis de observabilidad ...................................65
Tabla 5-7: Vector de ngulos de fase
0

en anlisis de observabilidad...........................65
Tabla 5-9: Vector de estado al finalizar iteracin 1. ........................................................66
Tabla 5-10: Vector de estado al finalizar iteracin 10 .....................................................66



9
ndice de archivos incluidos en CD de anexos
/Database Directorio de bases de datos utilizadas por DeepEdit

/Database/Deepdb.mdb Base de datos MS-Access, con el ejemplo de la red
IEEE-14 de la seccin 4.2

/Database/Probe.mdb Base de datos MS-Access, con un ejemplo de valores
de las mediciones de los objetos Probe.

/Schematics Directorio de archivos de ejemplo en formato DeepEdit

/Schematics/IEEE14.sim Ejemplo de la seccin 4.2 en formato DeepEdit

/Schematics/IEEE14(2).sim Ejemplo de la seccin 4.4 en formato DeepEdit

/Schematics/2-barras.sim Ejemplo de la seccin 5 en formato DeepEdit

/Schematics/2_7_3.dat Ejemplo de la seccin 2.7.3 en formato DeepEdit

Informe.doc Este documento en formato Word

/Src Directorio de cdigos fuente

/Src/Probe.java Cdigo fuente clase Probe

/Src/ProbeFrame.java Cdigo fuente clase ProbeFrame

/Src/ProbeOptionsPanel.java Cdigo fuente clase ProbeOptionsPanel

/Src/JavaSE.java Cdigo fuente clase JavaSE

/Src/JavaSEFrame.java Cdigo fuente clase JavaSEFrame

/Src/JavaSEVisualFrame.java Cdigo fuente clase JavaSEVisualFrame

/Src/JavaSEException Cdigo fuente clase JavaSEException






10
1 Introduccin
1.1 Motivacin
Un problema central del anlisis de la operacin de un sistema elctrico es la
obtencin precisa del valor de las variables de estado de la red. Los resultados de este
proceso son utilizados por un conjunto variado de herramientas de anlisis, tales como
flujos de potencia, estudio de cortocircuito, flujo de potencia ptimo y estudios
dinmicos.

La informacin de entrada para estas herramientas proviene de parmetros y
registros acerca de los elementos constitutivos de la red (lneas, transformadores, etc.) y
los datos suministrados en tiempo real por los sistemas de informacin y medicin,
genricamente denominados SCADA
1
, consistentes en un conjunto redundante de datos
sobre el estado de operacin del sistema y su topologa. Por lo general, estas mediciones
contienen inconsistencias, lo cual puede impedir el correcto desempeo de las
herramientas antes mencionadas.

La estimacin de estado es responsable de procesar esta informacin mediante
criterios estadsticos, para proveer a las herramientas de anlisis de una base de datos
consistente con la cual puedan trabajar correctamente.

Por otra parte, la creciente interconexin entre distintos sistemas elctricos y
actual tendencia hacia la bsqueda de mayores condiciones de competencia en los
sectores de generacin y comercializacin, en particular la prxima introduccin de la
generacin distribuida, requieren de sistemas flexibles de planificacin y operacin, en
donde la observacin de la condicin es fundamental, razn por la cual la estimacin de
estado se convertir en una de las funciones clave en los centros de control [1].


1
Supervisory Control And Data Acquisition


11
Considerando lo anterior, se observa una oportunidad para fortalecer los cursos
de especializacin actuales en el rea de Energa, de manera que los tpicos de
estimacin de estado sean tratados con el nivel de profundidad que se requeridos para un
buen desempeo laboral en este nuevo escenario. Una prueba de lo anterior es que el
presente trabajo constituye el primer desarrollo del rea de Energa en esta materia.

1.2 Objetivos
El objetivo general del presente trabajo es contribuir a mejorar e incentivar la
docencia, investigacin y desarrollo de nuevas tecnologas de estimacin de estado,
mediante el desarrollo de un modelo y herramienta computacional de estimacin de
estado para SEP
1
.

Este trabajo tiene como objetivos especficos:
Disponer de un modelo y herramienta computacional de estimacin de estado
como parte de la plataforma computacional de simulacin desarrollada por el
rea de Energa del Departamento de Ingeniera Elctrica de la Universidad
de Chile, DeepEdit, adaptando para esto las metodologas que han sido
utilizadas en forma exitosa.
Proyectar el uso del modelo desarrollado como herramienta docente.
Servir como apoyo para los futuros trabajos que se realicen en torno al tema,
y constituir una plataforma para el desarrollo de nuevas aplicaciones.


1
Sistemas Elctricos de Potencia


12
1.3 Alcances
En el cumplimiento de los objetivos anteriormente planteados, deben tenerse en
consideracin los siguientes aspectos:
El modelo desarrollado debe ser flexible y permitir su aplicacin en distintas
topologas de red.
La interfaz debe ser amigable y mostrar en forma clara los supuestos y
resultados obtenidos al utilizar cada uno de los modelos de estimacin
desarrollados.
El desarrollo computacional debe adaptarse perfectamente a la plataforma
computacional existente, como tambin el lenguaje de programacin
utilizado de modo de permitir posteriores modificaciones por terceros.
Los resultados entregados por el modelo sern validados mediante casos de
referencia existentes en la literatura.
El modelo consistir en una adaptacin de las metodologas que han sido
utilizadas en forma exitosa disponibles en la literatura. Para ello se debe
adquirir una visin del estado del arte y el desarrollo histrico de los diversos
modelos de estimacin de estado de sistemas de potencia, conociendo las
ventajas y desventajas de cada uno de ellos.
La implementacin debe quedar rigurosamente documentada, de manera de
constituir una manual para el desarrollo de nuevas aplicaciones sobre la
plataforma DeepEdit.
No obstante la idoneidad del modelo desarrollado para su uso como una
herramienta en la operacin y planificacin de los sistemas elctricos de potencia por
parte de los agentes del sector elctrico, este fue concebido para su uso en un contexto
docente.



13
El presente trabajo constituye la primera rutina de estimacin de estado
implementada en el sistema DeepEdit. En su formulacin se adaptaron metodologas
existentes en la literatura y no se consideran aportes propios en el campo terico.

1.4 Estructura del Trabajo
El presente trabajo se estructura en siete captulos temticos, cada uno de ellos
precedido de un resumen, siguiendo un enfoque que va desde lo general a lo particular.

Del mismo modo, a lo largo de los primeros cinco captulos, el problema
estudiado se plantea desde una perspectiva cada vez ms cercana a la aplicacin
prctica, comenzando con una introduccin y motivacin del tema, especificando los
objetivos que se persigue cumplir con el desarrollo y la metodologa utilizada.

A continuacin, el segundo captulo hace una descripcin general del problema
de estimacin de estado en el contexto de sistemas de potencia, y a continuacin muestra
la formulacin matemtica de este, en su versin ms utilizada que es la llamada de
mnimos cuadrados ponderados. Posteriormente se hace mencin de los aspectos
relacionados con la docencia de la materia, las metodologas usadas en la enseanza y
las dificultades usualmente encontradas.

Una vez trazados los objetivos y expuestos los principios tericos sobre los
cuales se sustenta el tema en estudio, se describe en el tercer captulo la aplicacin de
estimacin de estado desarrollada, mostrando de que manera fueron implementados
computacionalmente los mtodos formulados en la seccin anterior y la presentacin de
la aplicacin al usuario final.

Los resultados obtenidos por la aplicacin frente a distintos sistemas de prueba,
son analizados en forma cualitativa y cuantitativa en el cuarto captulo. Esto tiene por
objetivo validar de cada una de las funcionalidades de la aplicacin implementadas. En


14
particular la estimacin de estado mediante el criterio de mnimos cuadrados
ponderados, el anlisis de obsevabilidad y la deteccin de medidas errneas en el
conjunto de datos de entrada.

Del mismo modo, aunque presentando con mayor detalle la evolucin de cada
una de las matrices y variables involucradas en el proceso, en el captulo quinto se
desarrolla un caso de estudio, con el fin de ilustrar el funcionamiento interno de la
herramienta.

En el sexto captulo se hace mencin a las mejoras propuestas por el autor y una
breve descripcin de la forma en que estas se pueden implementar a partir de la presente
aplicacin. Adicionalmente, el anexo Gua para incorporar nuevos mdulos a
DeepEdit constituye una gua de carcter prctico que complementa lo expuesto en el
captulo sexto de manera de entregar las herramientas necesarias para facilitar el trabajo
de futuros desarrolladores.

Finalmente, en el sptimo captulo se exponen las conclusiones del estudio sobre
el cumplimiento de los objetivos trazados, la eficacia de las metodologas utilizadas y
recomendaciones propuestas para futuros desarrollos sobre la aplicacin y la docencia de
la estimacin de estado.


15
2 El Problema de la Estimacin de Estado
2.1 Resumen
En este captulo se describe el problema de estimacin de estado. Primero, y a
modo de introduccin, se resume el desarrollo histrico del tema y las clasificaciones de
modelos existentes. Luego, se describen las redes elctricas y los elementos a considerar
en el presente trabajo. A continuacin, se formula de manera extendida el problema de
estimacin de estado de mnimos cuadrados ponderados WLS
1
. Finalmente, se hace una
resea sobre el rol de la estimacin de estado en un contexto docente y se proponen
aplicaciones de la herramienta presentada en este trabajo, dentro de ese contexto.

2.2 Introduccin
Estimacin de estado es el proceso de asignar un valor a una variable de estado
del sistema, basado en mediciones sobre ese sistema y algn criterio determinado. Por lo
general, este proceso involucra un conjunto imperfecto y redundante de medidas y el
criterio utilizado para el clculo de las variables de estado consiste en minimizar alguna
funcin estadstica [2].

El concepto de estimacin de estado fue introducido a principios del siglo XIX
por Gauss y Legendre. La idea bsica era de ajustar las variables de estado de un
sistema mediante la minimizacin de la suma de los cuadrados de los errores asociados a
cada medicin, ponderado por un escalar que da cuenta de la precisin con que cada
medida fue realizada, en lo que posteriormente se denomin mtodo de mnimos
cuadrados ponderados WLS.


1
Weighted Least-Squares


16
El xito de esta formulacin radica en que el estimador WLS es ptimo bajo el
supuesto que los errores siguen una distribucin normal [2], adems en problemas de
una dimensin conduce al promedio aritmtico ponderado de las mediciones, lo cual se
condice con la intuicin. Adems, puede ser computado explcitamente desde las
mediciones a travs de una matriz, lo cual facilita la formulacin del problema.

Diversos autores [1][3][4] coinciden al afirmar que en el contexto de los sistemas
elctricos de potencia, la estimacin de estado fue introducida en 1970 por Schweppe y
Wildes [5] como solucin a los problemas observados al intentar obtener el estado en
sistemas reales mediante flujo de cargas, debido a la carencia y/o inconsistencia de
ciertas medidas obtenidas por los sistemas de monitoreo y la imposibilidad de utilizar
toda la informacin disponible. El flujo de cargas no utiliza, por ejemplo, medidas de
flujo por las lneas ni redundancia el conjunto de mediciones como informacin de
entrada.

Los desarrollos posteriores a este trabajo pionero, avalaron muy pronto la
idoneidad de los estimadores de estado, cuya presencia se hizo indispensable en
cualquier centro de control [1].

La estructura de un estimador de estado bsico en sistemas de potencia considera
los siguiente elementos [3]:
Modelo unilineal;
Datos de entrada correspondientes a mediciones de V, P y Q;
No-simultaneidad de las mediciones;
Modelo de frecuencia nica.
Esta estructura es vlida slo bajo el supuesto que el sistema se encuentra, para
efectos del intervalo de tiempo de anlisis, en estado estacionario, simtrico y


17
balanceado, es decir, todas sus corrientes y voltajes son sinusoides de magnitud y
frecuencia constante, lo cual no siempre se cumple en sistemas reales.

Numerosos esfuerzos se han realizado para afrontar el problema de estimacin de
estado considerando el caso de sistemas no estacionarios [6], sistemas con componentes
armnicas [7], sistemas no balanceados [3] y la inclusin de mediciones fasoriales de
corriente y voltaje. De todas estas mejoras, la medicin fasorial ha sido la con mayor
impacto en los sistemas SCADA comerciales, gracias a la incipiente masificacin y
desarrollo la tecnologa PMU
1
. Estos dispositivos permiten obtener mediciones
fasoriales de voltaje y corriente sincronizadamente en distintas locaciones de la red y
transmitirlas al centro de control, donde pueden ser comparadas, evaluadas y
procesadas.

La capacidad de proveer mediciones sincronizadas sobre la red trae consigo
muchas ventajas. La principal es que el comportamiento dinmico del sistema puede ser
observado, lo cual puede ser utilizado para un modelamiento preciso de la carga frente a
perturbaciones de voltaje y frecuencia. Esto ha abierto un nuevo campo para la
investigacin de nuevos algoritmos de control dinmico de sistemas. En particular, las
referencias [4][8] introducen mecanismos para el desprendimiento de carga de forma
temprana que minimiza el impacto sobre el sistema.

2.3 Formulacin del Problema
El estado de un sistema queda definido por el conjunto de valores que adquieren
aquellas propiedades del sistema que pueden variar [9]. Por otra parte, las variables de
estado de un sistema son el conjunto mnimo de variables internas del sistema que es
necesario conocer para determinar el estado del sistema frente a cualquier estimulo de

1
Phasor Measurement Unit


18
entrada en todo tiempo posterior [10]. En el contexto de los SEP esto corresponde al
conjunto de tensiones complejas de los nudos del sistema [2].

La estimacin de estado en SEP entonces significa estimar las tensiones
complejas en todos los nudos elctricos de un sistema dado, mediante el procesamiento
de las medidas disponibles e informacin sobre la topologa de la red: sus lneas,
transformadores y elementos constitutivos en general.

Los tipos de mediciones ms comnmente utilizados son los siguientes:
Flujos de potencia activa y reactiva a travs de lneas y transformadores;
Inyecciones de potencia activa y reactiva en los nodos de generacin y
consumo;
Mdulos de tensiones en las barras del sistema.
Aunque por lo general estos valores se obtienen a travs de aparatos de medida,
en la prctica, pueden utilizarse valores basados en datos histricos o predicciones,
llamados Pseudo-medidas, los que si bien cuentan con una precisin inferior a las
medidas ordinarias, permiten mejorar la redundancia de datos en aquellas zonas de la red
pobremente monitorizadas.

Dado el modelo de red, cualquier medicin sobre el sistema puede ser expresada
como una funcin, por lo general no lineal, de las variables de estado, ms un trmino
que representa el error asociado a dicha medida.

Para un sistema de N barras, se tienen n=2N-1 variables de estado,
correspondientes a los mdulos de la tensin en las N barras y los N-1 ngulos medidos
con respecto al voltaje en una barra de referencia llamada slack. Considerando adems m
medidas, lo anterior se expresa de la siguiente forma:



19
1 1 1 2 1
2 2 1 2 2
1 2
( , ,..., )
( , ,..., )
( )
( , ,..., )
n
n
m m n m
z h x x x e
z h x x x e
z h x e
z h x x x e
1 1 1
1 1 1
1 1 1
+ +
1 1 1
1 1 1
] ] ]
M M M

(2.1)

Donde:
z es el vector de medidas del sistema.
h
i
es la funcin no lineal que relaciona la medida i con el vector de estado x.
x=(x
1
,,x
n
) es el vector de estado.
e=(e
1
,,e
m
) es vector de errores de las medidas.

Tpicamente el nmero de mediciones m es superior al nmero de estados n. Si
este es el caso, el conjunto de ecuaciones de (2.1) representa un sistema sobre-
determinado de ecuaciones no-lineales. Despejando el vector de errores e de la ecuacin
(2.1) se tiene lo siguiente:

( ) e z h x

(2.2)

El estimador de mnimos cuadrados LS
1
obtiene el vector x tal que minimiza la
suma del cuadrado de las componentes e
i
. Lo anterior puede formularse como sigue:

[ ]
2 2
1
Min ( )
m
T
x i i
i
e e e z h x

(2.3)

Como se observa de la ecuacin (2.3) todas las mediciones son tratadas en la
misma manera en la formulacin del estimador LS, luego, las mediciones ms inexactas

1
Least Squares


20
afectarn la estimacin tan significativamente como las medidas ms precisas, lo cual
puede llevar a resultados poco satisfactorios.

Es posible enfatizar la influencia de las medidas ms precisas en el resultado de
la estimacin, mediante la introduccin de la matriz W, la cual es una matriz diagonal de
dimensiones m x m, en la que cada trmino de la diagonal se interpreta como el peso
relativo de cada medida en el resultado del estimador. Esta formulacin se conoce como
el estimador de mnimos cuadrados ponderados WLS.

[ ]
2
1
Min ( ) ( )
m
T
x ii i i
i
J x e We w z h x

(2.4)

La funcin de residuos J( x ), donde x es el resultado de la estimacin, puede
interpretarse como un ndice de cuanto se ajustan las medidas disponibles al estado del
sistema calculado. Intuitivamente se puede observar que valores muy grandes de J( x )
indican que las medidas no son consistentes entre s.

Bajo el supuesto que el error de cada medida e
i
es una variable aleatoria que
sigue una distribucin normal de media cero y varianza igual al inverso del peso
asociado w
ii
, se puede demostrar que la funcin J( x ) sigue una distribucin chi-
cuadrado de m-n grados de libertad, lo cual se denota ?
2
(n-m). Es posible entonces
estimar la probabilidad con que un determinado valor de J( x ) puede ser obtenido. Si esta
probabilidad es ms baja que una determinada tolerancia, puede considerarse que al
menos uno de los valores e
i
no sigue una distribucin normal, y por lo tanto el conjunto
de medidas es errneo.

2.4 Mtodos de solucin
El vector x que minimiza la funcin planteada en (2.4) debe cumplir con las n
condiciones de optimalidad de primer orden. Matemticamente:


21

( )
0 ( ) [ ( )] 0
T
J x
H x W z h x
x

(2.5)

Donde H(x) es la matriz jacobiana del vector h(x), de dimensin m x n.

( )
( )
h x
H x
x

(2.6)

La ecuacin (2.5) es un sistema de n ecuaciones no-lineales, cuya solucin no
puede ser obtenida en forma directa. Entre los mtodos iterativos para la solucin de este
tipo de sistemas, el ms eficaz [2] es el mtodo de Newton-Raphson, el cual se aproxima
cuadrticamente a la solucin a partir de aproximaciones de primer orden de las
funciones no lineales involucradas.

El desarrollo en serie de primer orden de una funcin genrica f(x) se muestra en
la siguiente ecuacin:

1
( ) 0
( )
( ) ( ) ( ) 0
k
k k k
f x
f x
f x f x x x
x
+

(2.7)

Aplicando el desarrollo en serie mostrado en (2.7) a la ecuacin (2.5), se obtiene
lo siguiente:

[ ]
1
( ) ( ) ( ) ( ) ( ) ( )( ) 0
T T k k T k k k k
H x W z h x H x W z h x H x WH x x x
+
1
]

(2.8)

Reordenando trminos se obtiene el sistema lineal del tipo Ax=b, que debe ser
resuelto en cada iteracin:


22

( ) ( )
k k T k k
G x x H x W z (2.9)

En donde:

1 k k k
x x x
+
+

(2.10)

denota el valor del vector de estados en la iteracin k-sima, actualizado en cada
iteracin,

( )
k k
z z h x (2.11)

representa el vector de residuos del sistema en la iteracin k-sima, y

( ) ( ) ( )
k T k k
G x H x WH x

(2.12)

Es denominada matriz de ganancia. Si la matriz H es de rango completo, es
decir, al menos n de las m ecuaciones que la componen son linealmente independientes,
esta matriz es definida positiva, y el sistema (2.9) tiene solucin nica.

2.5 Anlisis de observabilidad
Se dice que un sistema es observable cuando sus variables de estado pueden ser
determinadas a partir del conjunto de informacin disponible [11].

En el contexto del modelo de estimador de estado presentado en este trabajo, una
condicin necesaria de observabilidad es que el nmero de mediciones linealmente


23
independientes sea igual o superior al nmero de variables de estado n. En el algoritmo
de solucin descrito en el captulo 2.4, la no observabilidad del sistema se traduce en que
la matriz jacobiana que relaciona las mediciones con las variables de estado no es de
rango completo y por lo tanto el sistema de (2.9) no se puede resolver.

Si no es posible estimar todo el sistema en base a las medidas disponibles, se
pueden identificar aquellas partes de la red cuyo estado puede ser estimado
independientemente de los dems, tomando el ngulo de uno de sus nudos como origen
de fases, en lo que la literatura llama islas observables [12].

Existen algoritmos que identifican aquellas islas observables mediante criterios
topolgicos y numricos. Si bien desde el punto terico, ambos mtodos son igual de
efectivos, los mtodos numricos, al hacer uso de operaciones de punto flotante, pueden
no converger en ciertos casos, si se cumple simultneamente que el sistema de
ecuaciones est mal condicionado
1
y la precisin numrica de los algoritmos de clculo
es deficiente [1].

Los algoritmos numricos de observabilidad, por lo general [13], utilizan
sistemas desacoplados (P-?, Q-V) para efectuar el anlisis, basndose en el hecho de que
las mediciones de inyecciones y flujo de potencia, en la prctica, vienen en pares (P y
Q).

El criterio que sustenta el anlisis, se basa en la observacin de que el vector de
estado estimado a partir de un sistema cuyas medidas son nulas, debe conducir a que
todos los flujos por las ramas del sistema deben ser nulos en una red observable [12].

Es posible efectuar este anlisis a partir de un modelo simplificado del sistema de
medidas dado que la observabilidad de una red depende exclusivamente del tipo y

1
En el Anexo I se describe formalmente el concepto de nmero de condicin de
un sistema de ecuaciones.


24
ubicacin de las medidas, y no del punto de operacin y los parmetros de sus
componentes. En particular, los mtodos estudiados [1][13] consideran modelos de red
en continua
1
, y simplificaciones al sistema de ecuaciones (2.2), el cual es utilizado en su
forma linealizada, despreciando el termino asociado al error y la matriz de pesos W.

2.6 Descripcin General de una Red Elctrica
2.6.1 Resumen
En esta seccin se describen los elementos constitutivos de los SEP, y la forma
en que son considerados en la formulacin del problema de estimacin de estado.

Las redes elctricas se basan en la interconexin entre generadores y consumos, a
travs de lneas de transmisin y transformadores, con el fin de abastecer las cargas y
brindar una calidad de suministro adecuada; en el sentido de proporcionar confiabilidad
a la red a travs de la conformacin de una red enmallada [14].

Para efectos de este trabajo, se considera que una red elctrica est compuesta de
consumos y generadores conectados a una barra (o nodo), y lneas de transmisin y
transformadores conectadas entre dos barras. A cada barra se asocia una tensin
compleja, representada en coordenadas polares mediante su magnitud V y ngulo ?.
Estas son las variables de estado del sistema.

El voltaje en las barras V, junto con la inyeccin o retiro de potencia de los
generadores y consumos y el flujo de potencia por lneas y transformadores,
representada en sus componentes activa y reactiva P y Q, constituyen el conjunto de
mediciones que sirven de entrada al estimador de estado.

1
Modelo simplificado de red que establece relaciones lineales entre el flujo de
potencia activa y el ngulo del voltaje en los nodos sistema y que no considera
magnitudes de tensiones ni potencia reactiva.


25

2.6.2 Modelo de lnea de transmisin y transformador
Las lneas de transmisin y transformadores, son los encargados de transmitir la
potencia entre los nodos o barras de la red elctrica y definir y regular los niveles de
tensin entre ellas respectivamente. Sus parmetros estn resumidos en una matriz
compleja denominada matriz de admitancia nodal Y. Esta matriz representa las
admitancias entre los nodos de la red, a partir de un modelo PI asociado a cada lnea de
transmisin o transformador, el cual simboliza en forma de parmetros concentrados los
efectos fsicos fundamentales que caracterizan su funcionamiento (resistencia,
inductancia, capacidad y conductancia).


Figura 2.6-1: Modelo PI de lnea de transmisin.

La construccin de la matriz Y es resultado de la formulacin sistemtica de las
leyes de Kirchoff sobre los nodos del sistema, tal como se describe en la ecuacin
(2.13).

1
n
i ij j
i
I Y V

(2.13)

Donde:


26
I
i
es la intensidad neta inyectada en el nodo i.
Y
ij
es la componente i, j-sima de la matriz de admitancia nodal Y.
V
j
es la tensin en el nodo j.

Una de las magnitudes medidas que sirve de entrada al estimador, es el flujo de
potencia por lneas y transformadores. Considerando una medicin de flujo de potencia
desde el nudo i al j a travs de una lnea o transformador, la funcin h(x) descrita en
(2.1) adquiere la siguiente forma:

2
2
( cos sen )
( sen cos ) ( )
ij i j ij ij ij ij ij i
ij i j ij ij ij ij i ij ij
P VV G B GV
Q VV G B V B b


+
+

(2.14)

Siendo:
P
ij
,Q
ij
las medidas de flujo de potencia activa y reactiva entre las barras i y j.
V
i
,V
j
los mdulos de las tensiones en las barras i y j.
?
ij
= ?
i
- ?
j
el desfase entre las tensiones en las barras i y j.
G
ij
la parte real del elemento i,j-simo de la matriz de admitancia nodal.
B
ij
la parte imaginaria del elemento i,j-simo de la matriz de admitancia nodal.
b
ij
la admitancia paralelo del modelo PI de la lnea que une el nodo i con el j.
Del mismo modo, los trminos correspondientes a flujos de la matriz jacobiana
del vector h, H, se recogen de la siguiente tabla:

( cos sen ) 2
( cos sen )
( sen cos ) 2 ( )
( sen cos )
ij
j ij ij ij ij ij i
i
ij
i ij ij ij ij
j
ij
j ij ij ij ij i ij ij
i
ij
i ij ij ij ij
j
P
V G B G V
V
P
V G B
V
Q
V G B V B b
V
Q
V G B
V

( sen cos )
( sen cos )
( cos sen )
( cos sen )
ij
i j ij ij ij ij
i
ij
i j ij ij ij ij
j
ij
i j ij ij ij ij
i
ij
i j ij ij ij ij
j
P
VV G B
P
VV G B
Q
VV G B
Q
VV G B

(2.15)


27

Trivialmente, se tiene tambin que:

0
ij ij ij ij
k k k k
P Q P Q
V V



(2.16)

2.6.3 Modelo de generador y consumo
Un generador corresponde a una mquina elctrica que es capaz de inyectar
potencia a la red con el fin de satisfacer la demanda de potencia de los usuarios de la red,
genricamente llamados consumos [14]. Para efectos del estimador de estado, la nica
diferencia entre un generador y un consumo es el sentido en que considera el flujo de
potencia en cada caso, la cual es representada en coordenadas cartesianas por su
componente activa P y reactiva Q.

Considerando de signo positivo las mediciones de inyeccin de potencia en el
sistema, la funcin h(x) descrita en (2.1) que relaciona las mediciones con las variables
de estado, adquiere la siguiente forma para estos elementos:

1
1
( cos sen )
( sen cos )
N
i i j ij ij ij ij
j
N
i i j ij ij ij ij
j
P VV G B
Q VV G B

(2.17)

Del mismo modo, los trminos correspondientes a inyecciones de la matriz
jacobiana del vector h, H, se recogen de la siguiente tabla:


28
2
1
1
( cos sen )
( cos sen )
( sen cos )
( sen cos )
N
i
j ij ij ij ij i ij
j
i
i
i ij ij ij ij
j
N
i
j ij ij ij ij i ii
j i
i
i ij ij ij ij
j
P
V G B V G
V
P
V G B
V
Q
V G B V B
V
Q
V G B
V

+ +

(2.18)
2
1
2
1
( sen cos )
( sen cos )
( cos sen )
( cos sen )
N
i
i j ij ij ij ij i ii
j
i
i
i j ij ij ij ij
j
N
i
i j ij ij ij ij i ii
j
i
i
i j ij ij ij ij
j
P
VV G B V B
P
VV G B
Q
VV G B V G
Q
VV G B

(2.19)

2.7 Aspectos didcticos del estudio de la estimacin de estado
2.7.1 Introduccin
El actual proceso de bsqueda de mayores condiciones de competencia en los
sectores de generacin y comercializacin, ha permitido e incentivado la interconexin
de redes elctricas y la aparicin de nuevas frmulas de generacin tales como la
generacin distribuida, incrementando la complejidad de los sistemas de informacin y
control requeridos para la operacin del sistema

En este nuevo escenario dinmico, el estimador de estado ser requerido para
manejar sistemas ms grandes, con configuraciones no homogneas de medicin, en
distintas partes de la red. Por este motivo, es importante para el ingeniero entender las


29
capacidades y limitaciones del estimador de estado, dado un conjunto especfico de
datos sobre la red.

Considerando lo anterior, se observa una oportunidad para fortalecer los cursos
de especializacin actuales del rea de Energa, de manera que los tpicos de
estimacin de estado sean tratados con el nivel de profundidad requeridos para un buen
desempeo laboral en este nuevo escenario.

El objetivo principal de el presente trabajo es, mediante el desarrollo de una
herramienta de simulacin, apoyar la docencia de la estimacin de estado en sistemas
elctricos de potencia.

Los sistemas de modelacin y simulacin han demostrado [15] ser una buena
herramienta para facilitar la comprensin de fenmenos fsicos cuya formulacin
matemtica resulta difcil de comprender. Adems permite al usuario, desarrollar una
sensibilidad con respecto a la relacin entre la entrada y salida de un sistema.

Si bien la herramienta de simulacin no puede ser un sustituto del aula, s facilita
la comprensin de conceptos esencialmente abstractos como por ejemplo, la
observabilidad de un estado, el cual puede ser comprendido por el alumno en forma
intuitiva, mediante la representacin las islas observables resultantes del anlisis de
observabilidad de una determinada configuracin de mediciones.

2.7.2 Objetivos buscados en la enseanza de estimacin de estado
Dentro de los conceptos fundamentales que pueden ser reforzados mediante el
uso de la herramienta de simulacin se encuentran:
Facilitar el entendimiento y la interpretacin de la estimacin de estado:
Graficar el efecto correctivo del estimador de estado aplicado sobre un


30
conjunto de mediciones errneas en los flujos de potencia calculados.
Identificar el efecto de medidas errneas en el resultado de la estimacin.
Introducir el concepto de observabilidad: Identificar la incidencia de un
sistema de mediciones insuficiente en la matriz jacobiana del sistema.
Visualizar el efecto que tienen la ubicacin y el tipo de nuevas mediciones en
la conformacin de islas observables.
Se proponen dos ejercicios
1
los cuales deben ser resueltos con ayuda de la
herramienta de simulacin, para lograr los objetivos recin expuestos.

2.7.3 Ejemplos
Ejemplo 1: Dada una red, incorporar elementos de medicin, de manera de
hacer la red observable.
Ejemplo 2: Dada una red observable, modificar las lecturas de algunas
mediciones, y observar el efecto que tiene en el estimador. En particular su
efecto en el flujo de potencia.

1
Los ejemplos estn disponibles en formato DeepEdit en el CD adjunto a este
trabajo.


31
3 Estimador de Estado para la herramienta DeepEdit SET
3.1 Resumen
En este captulo se describe el software de anlisis y simulacin de sistemas
elctricos DeepEdit, y a continuacin se muestra en detalle el diseo e implementacin
del mdulo de estimacin de estado desarrollada para esta plataforma, SET
1
.

3.2 Entorno de Desarrollo
DeepEdit, es un sistema computacional de anlisis y simulacin de sistemas
elctricos de potencia, desarrollado por el rea de Energa del Departamento de
Ingeniera Elctrica de la Facultad de Ciencias Fsicas y Matemticas de la Universidad
de Chile. Desde su introduccin en 1999 [16], numerosos investigadores han
participado en el desarrollo de nuevos mdulos, dentro de los cuales se enmarca el
presente trabajo.

El sistema est ntegramente desarrollado en lenguaje Java, bajo el paradigma de
programacin orientado al objeto. Esto presenta grandes ventajas en comparacin con
los enfoques tradicionales de programacin, ya que la inclusin de nuevos elementos de
red y rutinas de clculo puede realizarse sin afectar mayormente las otras partes del
programa.

El sistema est diseado para modelar sistemas elctricos de potencia tanto en
sus variables elctricas, como su interaccin con los agentes econmicos de un SEP con
estructura competitiva, siguiendo una estructura jerrquica de clases, en la que cada
elemento de red, agente econmico y herramienta de anlisis es modelado como tal.


1
State Estimation Tool.


32
Por clase se entiende un conjunto de mtodos y atributos que describen a objetos
de similares caractersticas. El conjunto de caractersticas comunes a distintas clases
puede definir una nueva clase que contenga las anteriores, generando de esta forma, una
estructura jerrquica, en la que cada clase hereda caractersticas de la clase que la
contiene, tal como se muestra en el siguiente ejemplo:


Figura 3.2-1: Ejemplo del principio de herencia.

En particular, los elementos de red sealados en la seccin 2.6 son representados
mediante el modelo unilineal en estado estacionario y siguen la jerarqua de clases
mostrada en la Figura 3.2-2, en donde la distincin entre uno y dos polos se refiere a
elementos de red a los que se asocia uno o dos niveles de tensin.



33

Figura 3.2-2: Jerarqua de clases de elementos de red en DeepEdit

La clase Probe fue creada para su uso por el estimador de estado, y representa la
medicin de alguna magnitud elctrica (voltaje, flujo o inyeccin de potencia).

Asimismo, las herramientas de anlisis, conforman un conjunto de objetos
pertenecientes a una estructura jerrquica, los cuales realizan clculos a partir de la
informacin recolectada de los elementos de red existentes. Entre las herramientas de
anlisis disponibles en la actual versin
1
de DeepEdit, se encuentran: Estudio de flujos
de potencia (AC y DC), flujos ptimos de Potencia (OPF), estudio de corto circuito,
entre otros. Este trabajo, agrega a estas herramientas, el clculo de estimacin de estado.

3.3 Anlisis
El mdulo desarrollado implementa las funcionalidades bsicas requeridas en un
sistema de estimacin de estado segn fue descrito en el captulo 2. Esto consiste en:
Formulacin del problema de estimacin de estado de mnimos cuadrados
ponderados [5];

1
Agosto de 2004.


34
Resolucin del sistema mediante mtodo iterativo de Newton-Raphson [1];
Anlisis de observabilidad mediante mtodos numricos [13];
Deteccin de medidas errneas mediante el test de chi-cuadrado [2].
A partir de la ecuacin (2.9) se tiene que la informacin sobre el sistema
requerida por el estimador de estado consiste en lo siguiente.
Y : Matriz de admitancia nodal: Matriz de N x N, (con N el nmero de
barras del sistema), que describe en trminos de sus parmetros fsicos del
modelo PI, las lneas y transformadores que conectan las barras del sistema;
Z : Vector de medidas: Vector de dimensin m, que contiene los valores de
los distintos tipos de mediciones efectuados sobre el sistema;
W : Matriz de pesos: Matriz diagonal de dimensin m x m cuyo elemento w
ii

representa el peso relativo de la medida z
i
en la estimacin;
x : Vector de estados: Vector de dimensin n=2N-1 que representa el
mdulo de las tensiones en las N barras del sistema, y el ngulo de estas
tensiones con respecto a una barra de referencia llamada slack;
h : Funcin de estados: Vector de dimensin m que relaciona las medidas z
i

con los estados x. Se conforma relacionando elementos de la matriz de
admitancia nodal y el vector de estado de acuerdo al tipo de medida
correspondiente tal como se describe en la seccin 2.6;
H : Matriz Jacobiana: Representa la matriz jacobiana del vector h con
respecto al vector de estado. Su formulacin es similar a la del vector h.
Una vez obtenida toda esta informacin sobre el sistema, el proceso de
estimacin de estado se reduce a operaciones algebraicas sobre estas matrices de
acuerdo con el algoritmo de Newton-Raphson descrito en la seccin 2.4, cuyo diagrama
de flujo se muestra en la siguiente figura:


35


Figura 3.3-1: Diagrama de flujo mtodo Newton-Raphson implementado.

3.4 Diseo
Para la obtencin de las medidas, se cre una nueva clase llamada Probe, cuyas
instancias representan la medicin de alguna magnitud elctrica del sistema.

Cada objeto Probe tiene la capacidad de medir simultneamente voltaje y
potencia inyectada (en elementos monopolares) o voltaje y flujo de potencia (en
elementos de dos polos). El valor de esta medicin puede ser obtenido de tres formas:
ingresada por el usuario como pseudo-medidas (captulo 2.3); obtenidas del ltimo flujo
de potencia realizado; o bien, desde una base de datos independiente, lo cual permite la
aplicacin on-line del estimador. Cada una de estas mediciones, tiene asociada un peso,
que representa la influencia de la medicin en el resultado de la estimacin.


36

Adems de l os atributos recin descritos, los objetos de la clase Probe, poseen
mtodos que permiten determinar a que barra y tipo de elemento de red han sido
aplicados y en el caso mediciones sobre elementos de 2 polos, determinar que barras
conecta.

Junto con la clase Probe, se implement la clase javaSE
1
, consistente de una
serie de mtodos que obtienen la informacin de la red y los objetos Probe en particular,
para luego efectuar la estimacin de estado y sus funciones asociadas de anlisis de
observabilidad y deteccin de medidas errneas.

El usuario puede definir parmetros de simulacin, entre ellos el criterio de
convergencia, el cual puede estar basado en el valor de la funcin residual o el nmero
mximo de iteraciones. Para simular la incertidumbre presente en las mediciones
obtenidas en los sistemas SCADA reales, es posible agregar a las mediciones
provenientes del flujo de potencia, por definicin exactas, un trmino de error, generado
por una funcin estocstica de distribucin normal, cuya varianza se puede determinar.

3.5 Programacin
Se desarrollaron dos nuevas clases, javaSE y Probe, las cuales representan la
herramienta de anlisis y los objetos de medida respectivamente. El impacto de la
incorporacin de estas clases en el resto del sistema fue mnimo, reducindose a
modificaciones en los mens y el sistema de lectura de archivos, el cual tuvo que
adaptarse para reconocer el nuevo tipo de elemento de red incorporado.


1
Java State Estimation


37
3.5.1 Clase Probe
Esta clase constituye un nuevo elemento de red, el cual representa la medicin de
magnitudes elctricas sobre el o los elementos del sistema donde es aplicado.

Cada instancia de la clase Probe, puede medir simultneamente hasta tres
magnitudes: Voltaje (V), potencia activa (P) y potencia reactiva (Q). La implementacin
grfica de la clase entrega informacin sobre el tipo de medicin del objeto, segn se
muestra en la siguiente figura:


Figura 3.5-1: Distintas representaciones grficas de la clase Probe

Para cada tipo de magnitud (V,P y Q) la clase Probe consta de 4 variables
miembro o atributos: Valor de la medicin, peso relativo de la medicin,
activacin/desactivacin de la medida y una opcin que permite obtener el valor de la
medicin a partir de los datos entregados por el ltimo flujo de potencia realizado sobre
el sistema.

Todas estas variables pueden modificarse a travs de una ventana de dilogo
perteneciente a la clase ProbeFrame, mostrada en la siguiente figura:



38

Figura 3.5-2: Ventana de opciones de objetos Probe

Como se muestra en la Figura 3.5-2, la ventana de dialogo est formada por tres
paneles, correspondientes a las distintas magnitudes elctricas medidas. Estos paneles,
pertenecen a una nica clase llamada ProbeOptionsPanel, en la cual, el tipo de medicin
es dado como un parmetro al objeto, lo cual facilita la eventual extensin del conjunto
de magnitudes elctricas medidas por la clase Probe.

El voltaje medido, siempre corresponde al de la barra sobre la cual ha sido
aplicado el objeto Probe. Sin embargo, las mediciones de potencia, dependiendo del tipo
de elemento sobre el cual es aplicado el objeto Probe, pueden corresponder a una
inyeccin, retiro o flujo de potencia entre barras. Para hacer ms intuitiva la lectura de
estas mediciones, las inyecciones de potencia al sistema se consideran de signo positivo
en el caso de las mediciones aplicadas en generadores y de signo negativo en el caso de
mediciones aplicadas en consumos. Las mediciones de flujo de potencia consideran a la
barra de donde de ha aplicado el objeto Probe como el origen de la medicin. Lo
anterior se ilustra
1
en la Figura 3.5-3.


1
La salida en pantalla del sistema DeepEdit es presentada en una forma
esquemtica a lo largo de este informe.


39


Valor de la medicin
Probe
V P Q
Probe 1 100 51.05 51.05
Probe 2 - 51.05 51.05
Probe 3 - -50.00 -50.00
Probe 4 - 50.00 50.00
Figura 3.5-3: Sistema de 2 barras con objetos Probe.

3.5.2 Clase javaSE
Esta clase constituye una nueva herramienta de anlisis, responsable de realizar
la estimacin de estado y sus funciones asociadas de anlisis de observabilidad y
deteccin de medidas errneas, a partir de la informacin obtenida de los elementos
constitutivos de la red; de acuerdo con los parmetros de simulacin elegidos.

Al igual que con las otras herramientas de anlisis existentes en DeepEdit, los
parmetros de simulacin son ingresados por el usuario a travs de una ventana de
dilogo. En el caso del estimador de estado, esta ventana pertenece a la clase
javaSEFrame, y se muestra en la siguiente figura:



40

Figura 3.5-4: Ventana de parmetros de simulacin

A continuacin se describen cada una de las opciones mostradas en la Figura
3.5-4.
Get measurements from Data Base: El valor de las mediciones puede
provenir desde la informacin contenida en los objetos Probe existentes en la
red o desde una base de datos llamada Probe.mdb, la cual puede representar
informacin en tiempo real entregada por el sistema SCADA.
Run State Estimation: Ejecuta la estimacin de estado. Cuando no est
seleccionada esta opcin, slo realiza anlisis de observabilidad.
Show Convergence Report: Muestra en forma de grficos, la evolucin de
la funcin residuo en cada iteracin del algoritmo de Newton-Raphson.
Run Bad Data Test: Aplica el test de chi-cuadrado a la funcin residual,
para la deteccin de errores de tipo no gausseano. El resultado de esta


41
funcin es la probabilidad de la existencia de errores de este tipo en el
conjunto de medidas dado.
Add Noise to Load Flow Inputs: Al estar seleccionada esta opcin, a todos
los objetos Probe que obtengan los datos de entrada desde el ltimo flujo de
potencia realizado sobre el sistema, se suma un ruido de distribucin Normal
de media 0 y desviacin estndar ajustable. De esta forma es posible evaluar
el desempeo del estimador en un entorno ms cercano al real, en que las
mediciones son susceptibles de contener errores.
Noise Standard Deviation: Determina la desviacin estndar de la funcin
de ruido aplicado a las medidas.
Tolerance level: Establece un criterio de convergencia basado en el error
promedio en por unidad del conjunto de medidas con respecto a las variables
de estado. Matemticamente:
1
( )
i m
i i
i
z h x
e
m

<

Donde e es el valor seleccionado.
Max. Iterations: Nmero mximo de iteraciones realizadas por el algoritmo
de estimacin de estado cuando no se ha cumplido el criterio de tolerancia
del punto anterior.
Una vez fijados todos los parmetros de simulacin, se da inicio al proceso de
estimacin de estado propiamente tal.

La resolucin del problema comienza con la ejecucin del mtodo getNetwork, el
cual realiza un barrido por todos los elementos constituyentes del sistema (barras,
generadores, consumos, lneas, transformadores y objetos Probe) con el objeto de
obtener la topologa del sistema, construir la matriz de admitancias nodales y las
matrices relacionadas con el sistema de medidas descritas en la seccin 3.3. En esta


42
etapa, se utiliza el perfil plano para inicializar el vector de estado x, es decir, todos los
voltajes se fijan en 1.0 en por unidad, y los ngulos en 0.0.

A continuacin, se procede al anlisis de observabilidad, mediante la ejecucin
del mtodo getObservableBranches. El objetivo de este anlisis es la identificacin de
aquellos estados que pueden ser determinados a partir del sistema de medidas
disponibles. Este mtodo, utiliza un modelo desacoplado de red en continua, como
sigue:

aa a
H z (3.1)

Donde:
H
aa
es la submatriz de H cuyas filas y columnas corresponden a las medidas de
potencia activa y ngulos de fase respectivamente.
z
a
es un vector formado por las componentes del vector de medidas z que son
del tipo flujo o inyeccin potencia activa.
? es el vector de estado, formado por los N-1 ngulos de fase en las barras del
sistema sin contar la barra slack.

Considerando este modelo, la condicin presentada en la seccin 2.5, que dice
que el estimador de un sistema cuyas medidas son nulas da lugar a flujos nulos en una
red observable, puede expresarse como sigue [13]:

0

Y P
0 Si la rama i es observable
0 Si la rama i es no observable
i
p

'

(3.2)

Donde:
Y es la matriz de admitancia nodal del sistema (sin la barra slack).


43
0

es un vector que cumple con la condicin de la ecuacin (3.1) para un vector

z
a
nulo.

Al no ser H
aa
de rango completo, existen infinitos valores posibles para
0

.
. El
mtodo implementado asigna valores arbitrarios a las incgnitas relacionadas con el
conjunto linealmente dependiente de ecuaciones y posteriormente resuelve el resto del
sistema.

Para la identificacin del sub-sistema invertible, se descompone la matriz
G
aa
=H
T
aa
H
aa
, en sus factores LR
1
[13], mediante el mtodo solve
2
de la clase
LUDecomposition de la librera especializada en aplicaciones tcnicas y cientficas en
JAVA, Colt [18]. La existencia de columnas linealmente dependientes de otras conduce
a la aparicin de pivotes nulos durante esta factorizacin.

Una vez identificado el sub-sistema invertible de ecuaciones, mediante
reordenamiento de filas y columnas se plantea el siguiente sistema matricial:

0 11 12
21 22
0

0
0
LI
LD
G G
G G

1
1 1
1
1 1
] ] 1
]
(3.3)

Donde:
0

LI
,
0

LD
son las componentes del vector
0

relacionadas con columnas de la

matriz H
aa
linealmente dependientes e independientes respectivamente.
G
11
es la sub-matriz no singular de G
aa
.


1
G=LR, en donde L es una matriz triangular inferior y R es una matriz triangular
superior.
2
cern.colt.matrix.linalg.LUDecomposition.solve


44
Asignando valores arbitrarios pero distintos a los elementos de
0

LD
se obtiene
una de las infinitas soluciones para
0

que cumplen con la ecuacin anterior, donde los

elementos
0

LI
son determinados de la siguiente forma:

1
0 11 12 0

LI LD
G G

(3.4)

Una vez obtenidos los estados observables del sistema de acuerdo con el
mecanismo antes mencionado, se procede a la entrega de resultados, la cual se realiza en
forma grfica, mediante la asignacin de color rojo a aquellas ramas no observables del
sistema. En el ejemplo de la Figura 3.5-5, la rama que una las barras 1 y 2, ha sido
identificada como observable, mientras que la rama que une las barras 2 y 3, s es
observable.


Figura 3.5-5: Ejemplo resultados del anlisis de observabilidad

La estimacin de estado en la actual implementacin de SET, slo est
implementada para sistemas completamente observables. Para estimar el estado de un
sistema declarado parcialmente observable, se requiere agregar ms mediciones sobre el


45
sistema hasta disponer de un sistema completamente observable. La ubicacin ptima de
mediciones en un sistema elctrico de potencia, es un tema complejo y de alto impacto
en el desempeo y los costos del sistema SCADA, al cual diversos autores se han
referido [2][4][12][19].

En el caso de que el sistema haya sido encontrado completamente observable, se
da inicio al mtodo iterativo newtonRaphson, cuyo objetivo es encontrar el vector de
estados ptimo segn la formulacin de mnimos cuadrados, WLS. El diagrama de flujo
de la Figura 3.3-1 describe el funcionamiento de este mtodo.

En cada iteracin el mtodo newtonRaphson realiza llamados al mtodo
fillJacobian, el cual calcula el vector h(x) y la matriz H(x) a partir de la informacin
recogida de l a matriz de admitancias nodales Y, el vector de medidas z y el vector de
estado x, de acuerdo con las ecuaciones mostradas en la seccin 2.6. A continuacin, el
mtodo efecta operaciones algebraicas sobre estas matrices para formar el sistema
lineal descrito en la ecuacin (2.9), el cual es resuelto mediante el mtodo solve de la
clase LUDecomposition incluida en la librera Colt [18]. La resolucin de este sistema
conducir al nuevo valor del vector de estado en la siguiente iteracin.

Aun cuando el anlisis de observabilidad haya identificado el sistema como
completamente observable basndose en el modelo simplificado de red en continua, es
posible que al considerar el sistema completo en sus componentes activa y reactiva, el
nmero de condicin
1
del sistema aumente, y con esto, la precisin numrica requerida
para efectuar la inversin de la matriz de ganancia del sistema sea superior a la utilizada
por los algoritmos implementados
2
, imposibilitando la resolucin del sistema lineal
(2.9).

1
En el Anexo I se describe formalmente el concepto de nmero de condicin de
un sistema de ecuaciones.
2
Tamao de 64 bits. Representacin numrica de punto flotante de doble
precisin, correspondiente al tipo double en lenguaje JAVA.


46
Al encontrarse en esta situacin, el mtodo solve entrega una notificacin del tipo
Exception
1
, lo cual pone fin al mtodo newtonRaphson
2
declarando al sistema como
numricamente no observable.

En caso de no presentarse problemas con la observabilidad del sistema, en cada
iteracin del mtodo newtonRaphson, se revisa el cumplimiento de las condiciones de
convergencia seleccionadas por el usuario como parmetro de la simulacin. Estas
pueden obedecer a un nmero mximo de iteraciones o a cierta tolerancia del error
promedio en por unidad del conjunto de medidas con respecto a las variables de estado.

Al cumplirse alguno de los criterios antes mencionados, se da lugar a la entrega
de resultados. Para ello, el mtodo writeResults, actualiza los campos u3 y delta3
(voltaje y ngulo respectivamente) de cada uno de los objetos Busbar (barra) con los
valores de voltaje y ngulo de fase calculados por el estimador, los que posteriormente
son mostrados en forma numrica, a un costado de cada barra en valores por unidad,
como se muestra en la siguiente figura:

1
En el lenguaje Java, una Exception es un cierto tipo de error o una condicin
anormal que se ha producido durante la ejecucin de un programa.
2
En la seccin 6.3 sobre desarrollos futuros, se presenta una tcnica de solucin
alternativa al mtodo de Newton-Raphson que minimiza el efecto del mal
condicionamiento de la matriz de ganancia del sistema en el desempeo del estimador.



47

Figura 3.5-6: Ejemplo resultados de estimacin de estado

Junto con estos resultados, el usuario tiene la opcin de observar la evolucin de
la funcin de residuos
1
J(x) en cada iteracin. Los resultados son mostrados en forma de
un grfico de lnea tal como se muestra en la Figura 3.5-7. Para ello se utiliz la clase
DEMainChartFrame disponible en la actual versin de DeepEdit
2
, la cual permite
realizar distintos tipos de grficos a partir de arreglos de valores numricos y de texto.


1
Funcin que da cuenta de la inconsistencia entre el vector de estado y el
conjunto de mediciones. Revisar ecuacin (2.4) para la formulacin matemtica de esta
funcin.
2
Agosto de 2004.


48

Figura 3.5-7: Ejemplo reporte de convergencia de funcin residual J(x)

Si bien la evolucin de la funcin J(x) puede dar cierta informacin sobre la
velocidad de convergencia del algoritmo de estimacin de estado, el valor numrico de
esta funcin es de escaso significado terico sin informacin adicional.

El test de chi-cuadrado, implementado en el mtodo badDataTest, tiene por
finalidad detectar la existencia de medidas errneas en el sistema a partir del anlisis de
la funcin de residuos. Para llevar esto a cabo, se debe determinar el valor de la funcin
de probabilidad acumulativa de la distribucin
1
?
2
(m-n)
asociada al valor J( x ). Conforme
con lo expuesto en la seccin 2.3, un valor muy bajo para esta funcin (tpicamente
menor a 5%), es un indicador de que el error de al menos una de las medidas sigue una
distribucin no gausseana y debe ser descartada.

Este valor se obtiene mediante el mtodo cdf
2
de la clase ChiSquare
perteneciente a la librera Colt [18]. El resultado de este test se incluye en el archivo de
texto generado en cada simulacin, que contiene adems los valores de cada una de las
matrices y vectores generados durante el proceso de estimacin de estado, tal como se
muestra en las siguientes figura:

1
Distribucin chi-cuadrado de (m-n) grados de libertad.
2
Cumulative Distribution Function; cern.jet.random.ChiSquare.cdf.


49

Figura 3.5-8: Ejemplo listado de resultados entregado por SET, (parte 1 de 2).


50

Figura 3.5-9: Ejemplo listado de resultados entregado por SET, (parte 2 de 2).



51
4 Validacin de la herramienta SET
4.1 Resumen
En este captulo se compararon los resultados obtenidos por el estimador con
casos validados en la literatura para el sistema IEEE de 14 barras, el cual incluye
mediciones sobre todos los tipos de elementos de red soportados por el sistema
(generadores, consumos, transformadores y lneas).

Los resultados obtenidos fueron satisfactorios, llegndose a valores con
discrepancias menores al 1% en el algoritmo de estimacin y resultados perfectamente
consistentes en el test de chi-cuadrado de deteccin de medidas errneas y la obtencin
de islas observables.

4.2 Red estudiada
La red IEEE de 14 barras, es una red frecuentemente utilizada como caso de
estudio e instrumento de validacin para herramientas de anlisis de SEP. Consta de 9
barras PQ (de consumo) y 5 barras PV (de generacin) incluida la barra slack.
Adicionalmente, 3 transformadores definen dos niveles distintos de tensin.

La versin de esta red implementada en DeepEdit con la cual se efectu el
anlisis, est basada en la red IEEE-14 disponible en el sistema de simulacin de
sistemas elctricos de potencia, PET
1
, desarrollado por el Departamento de Ingeniera
Elctrica de la Universidad AM de Texas [15].

La inclusin simultnea de medidas de inyeccin y consumo sobre la misma
barra puede llevar a resultados inesperados en la actual implementacin de SET, por lo

1
Power Education Toolbox, versin Beta-3.0


52
que para cada barra en que se present esta configuracin fue necesario reemplazar
ambos elementos por una nica inyeccin cuyo valor correspondiese a la suma neta de la
potencia inyectada por ambos elementos, tal como se muestra en la siguiente figura:

Figura 4.2-1: Adaptacin de barras con generacin y consumo simultneo al formato
de trabajo de SET

Tras el procedimiento de adaptacin anteriormente descrito, se lleg a una
implementacin de la red
1
IEEE-14 en DeepEdit totalmente equivalente a la disponible
en el sistema PET, en su topologa, los parmetros de los elementos constituyentes y el
tipo, ubicacin y magnitud de las mediciones realizadas sobre el sistema; dando origen a
la red esquemtica mostrada en la siguiente figura:


1
Este ejemplo est disponible en formato DeepEdit en el CD adjunto a este
trabajo.


53

Figura 4.2-2: Representacin de la red IEEE-14 en el sistema DeepEdit.


54

Figura 4.2-3: Representacin de la red IEEE-14 en el sistema PET.


4.3 Validacin de mtodos WLS
Para la validacin del mtodo de estimacin de estado se consideran un total de
44 mediciones, de las cuales 2 corresponden a voltaje, 12 pares de mediciones de flujo
de potencia (activa y reactiva) y 9 pares de mediciones de inyecciones de potencia
(activa y reactiva).



55
En la nomenclatura usada en este trabajo, las dimensiones involucradas en este
sistema son las siguientes:

Tabla 4-1: Dimensiones de la red IEEE-14
N 14 Nmero de barras.
n 27 Nmero de variables de estado. n=2N-1
m 44 Nmero de mediciones.
m/n 1.63 Redundancia.


Con este conjunto de datos se ejecut el algoritmo de estimacin de estado,
fijando los parmetros de simulacin de manera que los valores de las mediciones
correspondiesen al valor ingresado en los objetos Probe (sin el trmino opcional de
error). Adems, se seleccionaron las opciones de deteccin de datos errneos y reporte
grfico de la convergencia de la funcin de residuos para el nmero mximo de
iteraciones posible, 25.

Al cabo de 9 iteraciones, se obtuvo convergencia en el algoritmo, ya que las
variaciones en el vector de estado fueron de orden inferior a 10
-4
en p.u.

Si bien el valor de la funcin residuos J(x) en cada iteracin carece de significado
desde el punto de vista cuantitativo, s es posible efectuar un anlisis cualitativo de la
convergencia de la rutina de clculo a partir del grfico de su evolucin durante el
proceso iterativo. En este caso, se obtuvo el siguiente grfico:



56

Figura 4.3-1: Funcin residuos J(x) en prueba validacin de mtodo WLS, red IEEE-14

Los resultados obtenidos una vez alcanzada la convergencia, muestran que la
diferencia promedio entre ambos sistemas es del orden del 0.8% en el caso de los
voltajes y 1.6% para los ngulos de fase.

Tabla 4-2: Comparacin de resultados de estimacin DeepEdit y PET.
DeepEdit PET % Error
Barra V ? V ? ? V / V ?? / ?
1 1,061 0 1,06 0 0,094% 0,000%
2 1,046 -4,9 1,045 -4,98 0,096% 1,633%
3 1,011 -12,6 1,01 -12,72 0,099% 0,952%
4 1,027 -10,3 1,0186 -10,32 0,818% 0,194%
5 1,034 -8,9 1,0203 -8,78 1,325% 1,367%
6 1,071 -14,8 1,07 -14,22 0,093% 4,079%
7 1,045 -13,4 1,062 -13,37 1,601% 0,224%
8 1,089 -13,4 1,09 -13,37 0,092% 0,224%
9 1,028 -15 1,0564 -14,94 2,688% 0,402%
10 1,028 -15,3 1,0513 -15,1 2,216% 1,325%
11 1,047 -15,2 1,0571 -14,79 0,955% 2,772%
12 1,054 -15,7 1,0552 -15,07 0,114% 4,180%
13 1,048 -15,7 1,0505 -15,16 0,238% 3,562%
14 1,019 -16,3 1,0358 -16,04 1,622% 1,621%



57
4.4 Validacin de Mtodo de anlisis de Observabilidad
A diferencia del mtodo WLS cuya validacin se basa en la precisin numrica
de la estimacin, el anlisis de observabilidad entrega un valor binario referente a la
posibilidad de obtener el estado del sistema a partir de las medidas disponibles.

Debido a que no se encontraron en la literatura procedimientos ni pruebas
formales para la validacin de este tipo de anlisis, se opt por comparar los resultados
obtenidos por DeepEdit y la aplicacin usada como referencia, PET, ante
configuraciones arbitrarias del conjunto de medidas.

4.4.1 Ejemplo
Se considera el red IEEE-14
1
de la seccin 4.2 con la salvedad que las
mediciones de flujo entre las barras 6-11 y la medicin de inyeccin de potencia en las
barras 10 y 11 fueron removidas. Esto conduce a que las ramas 9-10, 10-11 y 6-11 se
conviertan en ramas no observables.

En la Figura 4.4-1 y la Figura 4.4-2 se muestran los resultados obtenidos para
este caso por DeepEdit y PET respectivamente, en los que se observa una total
concordancia.


1
Este ejemplo est disponible en formato DeepEdit en el CD adjunto a este
trabajo.


58


Figura 4.4-1: Resultado del anlisis de observabilidad el ejemplo 4.4.1, por DeepEdit



59


Figura 4.4-2: Resultado del anlisis de observabilidad para el ejemplo 4.4.1, por PET.



60
5 Estudio de casos
5.1 Resumen
En este captulo se desarrolla un caso de estudio, disponible en la literatura [20],
presentado en detalle la evolucin de cada una de las matrices y variables involucradas
en el proceso de estimacin de estado, con el fin de ilustrar el funcionamiento interno de
la herramienta.

5.2 Red 2 barras
Una red de dos barras es la red ms simple sobre la cual puede operar el
algoritmo de estimacin de estado. El siguiente ejemplo consta de un generador que
alimenta una carga a travs de una lnea de reactancia 0.1 p.u. Se cuenta con una
medicin de voltaje en cada barra, y una medicin de la potencia activa y reactiva del
consumo. Sobre este sistema se aplicar el algoritmo de estimacin de estado y se
formularn en detalle cada una de las matrices generadas durante la primera iteracin.
Posteriormente se mostraran los resultados obtenidos tras 10 iteraciones.

En el sistema DeepEdit, esta red
1
se ve representada de la siguiente forma:


1
Este ejemplo est disponible en formato DeepEdit en el CD adjunto a este
trabajo.


61

Figura 5.2-1: Ejemplo red 2 barras en DeepEdit

En el ejemplo, las variables de estado son los mdulos del voltaje en la barra 0 y
la barra 1, llamados V
0
y V
1
respectivamente y el ngulo del voltaje de esta ltima barra
denominado ?
0
. La barra 0 se considera slack, por lo tanto, el ngulo del voltaje se fija
arbitrariamente en 0.00.

Los parmetros de simulacin se fijarn de manera de obtener los valores de las
mediciones directamente del valor ingresado en los objetos Probe, sin ruido adicional.



62

Figura 5.2-2: Parmetros de simulacin ejemplo red 2 barras

Lo primero que efecta el algoritmo de estimacin de estado, a travs del mtodo
getNetwork, es obtener toda la informacin sobre los elementos del sistema, para
construir las matrices relacionadas con el sistema de medidas y la matriz de admitancia
nodal, como se muestra en la Tabla 5-1 y la Tabla 5-2 respectivamente:

Tabla 5-1: Informacin del sistema de medidas del ejemplo red 2 barras
Zprobe Ztype Zbus1 Zbus2 W Z
Probe3 P 1 -1 10 5 P
1

Probe3 Q 1 -1 10 -1 Q
1

Probe1 V 0 -1 100 1

V
0

Probe1 V 1 -1 100 1 V
1


En donde:
Zprobecontiene el nombre del objeto Probe al cual pertenece la medicin;
Ztype se refiere al tipo de medicin, cuyos valores posibles son:
P: Medicin de inyeccin de potencia activa.
Q: Medicin de inyeccin de potencia reactiva.
Pf: Medicin de flujo de potencia activa


63
Qf: Medicin de flujo de potencia reactiva
V: Medicin de voltaje
Zbus1 es el nmero de la barra en donde se aplica la medicin;
Zbus2 es el nmero de la barra al otro extremo de la rama en mediciones de
flujo. En mediciones en las que interviene slo una barra, este valor se fija en
-1;
W es el peso relativo de la medicin;
Z es el valor de la medicin en p.u. Equivalente al vector z descrito en la
seccin (2.1).

Tabla 5-2: Matriz de admitancia nodal ejemplo red 2 barras.
-9.99999985098839i 9.99999985098839i
9.99999985098839i -9.99999985098839i
[Y]


En donde:
[Y] es la matriz de admitancia nodal compleja del sistema. En este caso, al no
tener componente resistiva la lnea, todos sus elementos son valores
imaginarios puros.
Adicionalmente, en esta etapa se inicializa el vector de variables de estado
correspondiente a los voltajes en todas las barras y el ngulo del voltaje en todas las
barras menos la barra slack. Como se mencion anteriormente, en la primera iteracin se
utiliza perfil plano
1
.


1
Voltajes en 1.0, ngulos en 0.0.


64
Tabla 5-3: Vector de estado en iteracin 1
x
1

0 ?
1

1 V
0

1 V
1


Conforme al procedimiento descrito en la seccin 3.5.2, el mtodo fillJacobian
construye el vector h(x
1
) y su matriz jacobiana H(x
1
), entregando los siguientes
resultados:

Tabla 5-4: Vector h(x) en iteracin 1
h(x
1
)
0 10V
0
V
1
sen?
1

0 10V
1
(V
0
cos?
1
-V
1
)
1 V
0

1

V
1


Tabla 5-5: Matriz H(x) en iteracin 1
??
0
?V
0
?V
1

10 0 0 ?P
1
10V
0
V1sen?
1
10V
1
sen?
1
10V
0
sen?
1

0 10 10 ?Q
1
10V
0
V1sen?
1
10V
1
sen?
1
10V
0
sen?
1

0 1 0 ?V
0
0 1 0
[H(x
1
)]
0 0 1

?V
1
0 0 1

A continuacin se operan algebraicamente estas matrices para formar el sistema
descrito en la ecuacin (2.9). El resultado de estas operaciones se muestra en la
siguientes tablas:

Tabla 5-6: Vector ?z en iteracin 1
z-h(x
1
) = ? z(x
1
)
5.00
-1.00
0.01
-0.01
Tabla 5-7: Matriz ganancia G(x) en iteracin 1
1000 0 0
0 1100 -1000
H
T
(x
1
)WH(x
1
) = [G(x
1
)]
0 -1000 1100



65
En este punto, el mtodo observableIslands determina la observabilidad del
sistema. Para ello, se identifica la sub-matriz de H(x) cuyas filas y columnas
corresponden a medidas de potencia activa y ngulos de fase respectivamente,
denominada H
aa
(x).

Tabla 5-8: Matriz H
aa
(x) en anlisis de observabilidad
??
0
??
1

[H
aa
(x
1
)]
-10 10

?P
1
10V
0
V1sen?
1
-10V
0
V1sen?
0


Con lo cual se calcula la matriz de ganancia del sistema activo desacoplado,
G
aa
(x).

Tabla 5-9: Matriz ganancia G
aa
(x) en anlisis de observabilidad
100 -100
H
T
aa
(x
1
)H
aa
(x
1
) = [G
aa
(x
1
)]
-100 100

Dando origen al siguiente vector ngulos de fase
0

:

Tabla 5-10: Vector de ngulos de fase
0

en anlisis de observabilidad
4
0

4

Lo cual claramente conduce a flujos nulos por las ramas, es decir, el sistema es
completamente observable.

Dado que el sistema es observable se continua con el proceso iterativo de
Newton-Raphson, de otra forma el algoritmo se dara lugar a la representacin grfica de
islas observables detectadas en el sistema, lo que en una red de 2 barras tiene solucin
trivial.



66
Al resolver el sistema de ecuaciones (2.9) mediante el mtodo solve
1
de la
librera Colt [18], se obtiene el valor de ? x
1
y por consiguiente el valor del nuevo vector
de estados x
2
=x
1
+? x
1
, el cual es utilizado como entrada al mtodo fillJacobian para
comenzar la siguiente iteracin:

Tabla 5-11: Vector de estado al finalizar iteracin 1.
? x
1


x
1
+? x
1
= x
2

0.5000 0.5000
-0.0471 0.9529
0.0471

1.0471

Una vez realizadas 10 iteraciones, el vector de estado tiene los siguientes valores:

Tabla 5-12: Vector de estado al finalizar iteracin 10
x
10


?
0
= 0.00
0.5219 ?
1
= 0.5219 rad
1.0178 V
0
= 1.0178 p.u.
0.9845

V
1
= 0.9845 p.u.

Tras finalizar el proceso iterativo, el mtodo convergenceReport entrega un
grfico donde se muestra la evolucin del vector de residuos J(x)
2
en cada una de las
iteraciones, con el objeto de permitir un anlisis cualitativo de la convergencia, o no, del
proceso de estimacin de estado.

1
cern.colt.matrix.linalg.Algebra.solve
2
Revisar seccin 2.3 para la formulacin matemtica de esta funcin.


67

Figura 5.2-3: Reporte de convergencia de la funcin J(x) para 10 iteraciones

Para permitir un anlisis cuantitativo del proceso, se genera, al final de la
estimacin, un archivo de texto, que incluye cada una de las matrices y vectores
pertinentes al proceso de estimacin, de acuerdo al formato descrito en la Figura 3.5-8.
En particular, todos los valores aqu mostrados fueron obtenidos desde dicho archivo.

Finalmente se procede a mostrar los valores estimados de voltaje y ngulo de
fase para cada una de las barras del sistema mediante el mtodo writeResults. Este
mtodo modifica los campos de voltaje y ngulo en cada barra
1
.


1
Variables miembro un3 y delta3


68

Figura 5.2-4: Resultados obtenidos en ejemplo red 2 barras.



69
6 Desarrollos futuros
6.1 Resumen
En el presente captulo se describe el diseo de cuatro mejoras al mdulo de
estimacin de estado, propuestas en la literatura. El criterio de seleccin incluye la
utilidad de las funcionalidades propuestas con respecto a los objetivos planteados en este
trabajo y la facilidad de implementacin dada la plataforma desarrollada.

6.2 Deteccin y correccin de datos errneos
6.2.1 Test de residuo normalizado
Si bien es posible mediante el test de chi-cuadrado
1
la deteccin de medidas
cuyo error sigue una distribucin no gausseana, basndose en la observacin que la
funcin de de residuos J( x ) sigue una distribucin ?
2
(m-n)
, este anlisis no permite
identificar cual es la medida que debe ser descartada.

Puede demostrarse sin embargo [1], que si slo una de las medidas del conjunto
de mediciones es errnea, el test del residuo normalizado corresponde precisamente a
dicha medida. Este resultado se aplica tambin a mltiples medidas errneas siempre
que la interaccin entre ellas sea despreciable. Este test se basa en la observacin que si
el error de cada medicin e
i
sigue una distribucin normal, el vector de residuos r = z -
h( x ) sigue una distribucin normal de media cero y matriz de covarianzas O. Por lo
tanto el valor:


1
Revisar seccin 2.3 para la formulacin de este test.


70
N i
i
ii
r
r

(6.1)

Sigue una distribucin normal de media cero y varianza uno y en caso de existir
una medida errnea, esta corresponde a aquella cuyo residuo normalizado
N
i
r es el mayor
en mdulo y supere un umbral, c, adecuadamente elegido, (tpicamente c=3).

La matriz O puede obtenerse del siguiente producto matricial:

1 1
( )
T T
R H H R H H

(6.2)

Donde la matriz R representa la matriz de covarianzas de los errores del sistema
de medidas. Bajo el supuesto, generalmente vlido, que los errores son independientes
unos de otros, esta matriz es diagonal y en sentido estricto puede considerarse que la
matriz de pesos W es realmente la inversa de esta matriz, de manera que w
ii
= R
ii
-1
.

Para detectar mltiples errores en el sistema de medidas, debe efectuarse el
reiteradamente la estimacin de estado y eliminar la medida identificada como errnea
mediante el procedimiento antes descrito en cada iteracin.

6.2.2 Estimacin de parmetros de la red
Si existe un elevado nivel de redundancia en el sistema de medidas, es posible
desarrollar modelos de estimadores capaces de detectar errores en los parmetros de la
red como por ejemplo: impedancias de lnea, tomas en transformadores, etc.

Existen mtodos que analizan el vector de residuos una vez realizada la
estimacin y otros que agregan los parmetros a estimar dentro del vector de estado. Se


71
propone el primer mtodo, en cuanto su implementacin tiene menor impacto en el
cdigo actual.

Considerando un subconjunto del vector de medidas z, llamado z
s

correspondiente a aquellas medidas que son funcin del parmetro que se quiere estimar,
p, puede reformularse la funcin h(x) que relaciona los estados con las medidas de
manera de incluir el valor p antes considerado como parmetro:

[ ]
0 0
( , ) ( , ) ( , ) ( , )
s s s s s
z h x p e h x p h x p h x p e + + + (6.3)

Donde el valor p
0
es el valor medido del parmetro p.

Para valores pequeos del error, e
p
=p-p
0,
puede aproximarse el trmino entre
corchetes de la ecuacin (6.3) de manera de introducir directamente el Jacobiano del
sistema de medidas relacionadas con el parmetro p.

0
( , ) ( , )
s
p s s
h
e h x p h x p
p
1

1

]
(6.4)

Por otra parte, es posible expresar el vector de residuos r = z - h( x ) en funcin de
los errores de las mediciones e a travs de la siguiente ecuacin [1]:

r Se (6.5)

Donde S es una matriz de dimensin m x n llamada Matriz de Sensibilidad
Residual, definida como:

1 1 1
( )
T T
S I H H R H H R

(6.6)


72

Considerando la ecuacin (6.4) y (6.5) puede obtenerse el sistema lineal de
mnimos cuadrados de dimensin reducida:

s
s ss p s
h
r S e r
p

(6.7)

Donde:
S
ss
es la submatriz de S correspondiente a las s medidas involucradas.
s
r

es el vector de residuos que se obtendra en ausencia de errores en los
parmetros. Para efectos del sistema de la ecuacin (6.7) esto puede ser
interpretado como la funcin de error de la variable e
p
que se quiere estimar.


El valor ptimo para e
p
, se obtiene de la siguiente ecuacin:
1

T T
s s s
p s ss ss s s
h h h
e W S S W r
p p p

1
_ _ _
1


1 , , ,
]
(6.8)
Luego, el valor estimado para el parmetro, , p se obtiene de
0

p
p p e + .

6.3 Tcnicas de solucin alternativas
6.3.1 Descomposicin ortogonal
Dentro del sistema de mediciones, pueden existir magnitudes que ya sea por
restricciones fsicas u otros motivos se conocen con casi absoluta precisin, como por
ejemplo una medida de inyeccin nula en un nudo de trnsito. Una forma de incorporar
este tipo de mediciones en el mtodo de WLS presentado en este trabajo, es mediante la
asignacin de un valor muy grande al trmino asociado a la medida en la matriz de pesos


73
relativos W. Sin embargo, esto trae como consecuencia un peor condicionamiento
1
de la
matriz ganancia, G, lo cual puede conducir a un sistema singular debido a que la
precisin numrica de los computadores es finita.

El mtodo de descomposicin ortogonal [2], tambin llamado descomposicin de
Gram-Schmidt tiene la ventaja de que los pesos de las medidas pueden ser fijados en
valores extremos sin afectar con ello la precisin numrica necesaria para la resolucin
del problema debido a que no es necesario formar la matriz de ganancia, G, cuyo
condicionamiento es mucho peor que el de H. Sin embargo, tiene la desventaja de
requerir un mayor esfuerzo de clculo [1].

Este mtodo consiste en replantear el sistema lineal que debe ser resuelto en cada
iteracin del algoritmo de Newton-Raphson, en trminos de una matriz ortogonal
2
de
dimensin m x m llamada Q y una matriz de dimensin m x n trapezoidal superior
3

llamada R.

Para la formulacin del mtodo, considrese el sistema de lineal descrito en
(2.9):

T T
H WH x H W z
(6.9)

El sistema anterior puede reordenarse convenientemente de la forma siguiente:
1/ 2 1/ 2 1/ 2 1/ 2 T T
H W W H x H W W z


(6.10)

1
En el Anexo I se describe formalmente el concepto de nmero de condicin de
un sistema de ecuaciones.
2
Q
T
=Q
-1

3

0
U
R
1

1
]
donde U es una matriz (n x n) triangular superior, y 0 es una matriz de
ceros de dimensin (m-n) x n.


74

Efectuando la factorizacin W
-1/2
H
T
= Q R, y notando que:
1/2 1/2
T
T
H W HW

1
]
(6.11)
1/ 2 T T
Q H W R

(6.12)

Se puede llegar al sistema siguiente:
1/ 2 T
U x Q W z

(6.13)

Y dado que U es triangular superior, ? x puede obtenerse mediante sustitucin
hacia atrs.

6.4 Extensin del conjunto de entradas del estimador
6.4.1 Mediciones fasoriales
Las unidades fasoriales de medicin, PMU
1
, son consideradas una de las ms
importantes innovaciones recientes en el mbito de los sistemas elctricos de potencia.
Estos dispositivos permiten medir sincronizadamente magnitudes fasoriales de voltaje y
corriente en puntos distantes de una red elctrica. La masificacin de los dispositivos de
ubicacin satelital GPS
2
, con precisin temporal del orden del microsegundo, han hecho
posible la introduccin exitosa de los PMU en los sistemas SCADA comerciales.

Debido al mayor costo de los PMU en relacin con los medidores
convencionales, diversos autores [4][19] han estudiado estrategias para distribuir estas

1
Phasor measurement units
2
Global Positioning System


75
unidades dentro de la red, de manera de maximizar el efecto de la introduccin de estas
unidades en la observabilidad del sistema.

La introduccin de mediciones fasoriales de voltaje en la actual plataforma SET,
es una tarea relativamente simple debido a que el ngulo de fase del voltaje en las barras
ya es una variable de estado del sistema, por lo que al igual que en el caso de medidas de
voltaje, su representacin en la funcin h(x) que relaciona el vector de mediciones z con
las variables de estado x es la misma medida. Esto conduce a valores 0 y 1 en la matriz
jacobiana del sistema, H(x), tal como se muestra en la ecuacin (6.14):

1
0
i
j
i j
i j

'

0 ,
i
j
i j
V

(6.14)

No obstante lo anterior, existen consideraciones respecto al ngulo de referencia
elegido, ya que en estas condiciones, la eleccin arbitraria de 0.00 puede llevar a
inconsistencias. Debe elegirse un origen entonces, un origen de fases comn a el usado
por las mediciones.

Asimismo, pueden existir problemas en la convergencia del algoritmo de
Newton-Raphson al tomar el perfil plano como punto de partida para las variables de
estado en aquellos casos en que el conjunto de mediciones est muy alejado
angularmente de este punto de operacin. Puede ser necesario en estos casos ajustar el
vector inicial de ngulos de acuerdo a alguna funcin de las mediciones fasoriales
disponibles.




76
7 Conclusiones
En el presente trabajo, se ha implementado computacionalmente una aplicacin
de estimacin de estado para sistemas elctricos de potencia, en su versin ms
extensamente referida, de mnimos cuadrados ponderados, basado en los trabajos de
Schweppe y Wildes en la dcada de 1970.

Para proveer al algoritmo de estimacin de una base de datos de mediciones
sobre el sistema, se introdujo un nuevo elemento de red, capaz de registrar magnitudes
de voltaje, flujo e inyeccin de potencia activa yreactiva en el punto de aplicacin. Para
modelar la incertidumbre habitualmente presente en los datos obtenidos desde un
sistema de telemetra, es posible agregar a los valores obtenidos desde un flujo de
potencia, por definicin exactos, un trmino de error, cuya funcin de distribucin
estadstica puede ser elegida por el usuario. Adicionalmente, se incorpor el concepto de
pseudo-medidas, en las que el usuario puede asignar un valor arbitrario a cualquier
variable elctrica medida, basndose en datos histricos o predicciones, con el fin de
mejorar la redundancia en zonas pobremente monitorizadas de la red. Finalmente, para
permitir la aplicacin on-line de la herramienta desarrollada, es posible alternativamente
obtener la informacin de entrada al estimador desde una base de datos actualizada en
tiempo real.

Junto con lo anterior, se implementaron las principales funcionalidades
generalmente asociadas al proceso en las aplicaciones de control y simulacin de
sistemas elctricos de potencia disponibles en el mercado, como el anlisis de
observabilidad, la identificacin de islas observables y la deteccin de medidas errneas,
dando de esta manera, la robustez necesaria para el proceso de sistemas reales de
medidas, en los cuales frecuentemente ocurren inconsistencias de variada ndole.

En el contexto del alcance de este trabajo, los mtodos utilizados en la
formulacin y resolucin de estas funciones cuentan con un amplio respaldo en la
literatura, no siendo necesario aportes propios significativos en el campo terico.


77

Asimismo, en la validacin de los mtodos desarrollados, se compararon los
resultados obtenidos por el estimador con casos validados en la literatura, para el sistema
IEEE de 14 barras, el cual incluye mediciones sobre todos los tipos de elementos de red
soportados por el sistema (generadores, consumos, transformadores y lneas). De esta
forma se llega a valores con discrepancias menores al 1% en el algoritmo de estimacin
y resultados perfectamente consistentes en el test de chi-cuadrado de deteccin de
medidas errneas y la obtencin de islas observables.

La aplicacin desarrollada se enmarca dentro de un sistema de anlisis y
simulacin de sistemas elctricos de potencia, cuya concepcin se basa en el paradigma
de la programacin orientada al objeto. La naturaleza modular de este enfoque de
desarrollo permiti que la incorporacin de las nuevas funciones al sistema se realizara
en forma independiente, sin afectar el funcionamiento de otras partes del programa.

Por otra parte, es importante para el ingeniero entender las capacidades y
limitaciones del estimador de estado, dado un conjunto especfico de datos sobre la red.
Mediante ejemplos y ejercicios se proyecta el uso de la aplicacin desarrollada como
una herramienta en la docencia de estos tpicos, sustentado en el hecho que los sistemas
de simulacin facilitan la comprensin de fenmenos fsicos cuya formulacin
matemtica resulta difcil de comprender.

Junto con lo anterior, el presente trabajo constituye una plataforma para la
investigacin y el desarrollo de nuevas funcionalidades relacionadas con la estimacin
de estado. En particular, se describe en trminos generales la implementacin de cuatro
mejoras propuestas a la aplicacin desarrollada tendientes a dar mayor estabilidad
numrica a los algoritmos de clculo, mayor robustez frente a inconsistencias en el
conjunto datos de entrada al estimador y la modelacin de tecnologas de reciente
introduccin en el mercado de los sistemas de control y adquisicin de datos como los
dispositivos fasoriales de medicin.



78
Adicionalmente, la confeccin de una gua para la incorporacin de nuevos
elementos de red y herramientas de anlisis en el sistema DeepEdit, hace frente a la

Finalmente, la inclusin de una descripcin detallada del procedimiento utilizado
para la incorporacin del mdulo de estimacin de estado al sistema del que forma parte,
DeepEdit, aminora una de las principales dificultades encontradas en la realizacin de
este trabajo como fue la falta de documentacin relativa al cdigo fuente del programa.


79
Referencias
[1] A. Gmez, Anlisis y operacin de sistemas de energa elctrica, McGraw
Hill, Espaa, 2002, ISBN: 0-8448-13592-X.
[2] A. Wood, B. Wollenberg, "Power Generation, Operation and Control", 2nd
Edition, John Wiley and Sons Inc. New York, 1996, ISBN: 0-471-58699-4.
[3] A. P. Sakis Meliopoulos, B. Fardanesh, S. Zelingher Power System State
Estimation: Modeling Error Effects and Impact on System Operation, IEEE
Transactions Power App. Syst., vol. 11, No.2, pp.939-946, 1996.
[4] R.F. Nuqui, State Estimation and Voltage Security Monitoring Using
Synchronized Phasor Measurements, Tesis de doctorado, Virginia Polytechnic
Institute and State University, Virginia, Julio 2001.
[5] Fred C. Schweppe, J. Wildes, "Power system static-state estimation, Part I, II,
and III" IEEE Transactions on Power Apparatus and Systems, vol. PAS-89,
No.1, pp.120-135, Enero 1970.
[6] S.S. Thakur, A.K. Sinha, A Robust Dynamic State Estimator for Electric
Power Systems, Technical Journals of Electric Engineering, vol. 84, No.8,
Indian Institution of Engineering, Kolkata, Junio 2003.
[7] A. P. Sakis Meliopoulos, F. Zhang, and S. Zelingher, "Hardware and Software
Requirements for a Transmission System Harmonic Measurement System,"
Proceedings of the Fifth International Conference on Harmonics in Power
Systems (ICHPS V), pp. 330-338, Atlanta, Septiembre 1992.
[8] B. Qui Next Generation Information Communication Infrastructure and Case
Studies for Future Power Systems Tesis de doctorado, Virginia Polytechnic
Institute and State University, Virginia, Abril 2002.


80
[9] R. Romn, Apuntes del curso Termotecnia ME-43A", Departamento de
Ingeniera Mecnica de la Facultad de Ingeniera de la Universidad de Chile,
Santiago, 2002. <http://www.cec.uchile.cl/~roroman/>, [consulta: Marzo
2005].
[10] F.E. Cellier, Continuous System Modeling, Springer-Verlag Inc, New York,
1991, ISBN: 0-387-97502-0.
[11] O. Alsac, N. Vempati, B. Stott and A. Monticelli, Generalized State
Estimation, IEEE Transactions on Power Systems, Vol. 13, No. 3, pp 1069-
1075, Agosto 1998.
[12] A. Monticelli, F.F. Wu, Network Observability: Identification of Observable
Islands and Measurement Placement, IEEE Transactions on Power Apparatus
and Systems, vol. PAS-104, No.5, pp.1035-1041, Mayo 1985.
[13] A. Gmez, A. Abur, Generalized Observability Analysis and Measurement
Classification, IEEE Transactions on Power Systems, vol.13, No.3, pp.1090-
1095, Agosto 1998.
[14] J.E. Prez, Flujo de Potencia ptimo con Programacin Secuencial, Tesis de
Magster, Universidad de Chile, Santiago, Octubre 2001.
[15] M. Kezunovic, A. Abur, G. Huang, A. Bose, K. Tomsovic, The Role of Digital
Modeling and Simulation in Power Engineering Education, IEEE
Transactions on Power Delivery, Vol. 19, No.1, pp 64-72, Febrero 2004.
[16] R. Palma, "Modelo Orientado al Objeto para la Planificacin de Redes de
Transmisin Elctrica, bajo Condiciones Competitivas", Tesis de doctorado,
Universidad de Dortmund, 1999.
[17] DRA Systems, OR-Objects release 1.2.4, 1997-2000,
<http://www.OpsResearch.com>, [consulta: Marzo 2005].


81
[18] CERN - European Organization for Nuclear Research, COLT release 1.2.0,
1999, <http://dsd.lbl.gov/~hoschek/colt/>, [consulta: Marzo 2005].
[19] D. J. Brueni, Minimal PMU Placement for Graph Observability, Tesis de
Magster, Virginia Polytechnic Institute and State University, Diciembre 1993.
[20] A. Gmez, J.L. Martnez, J.A. Rosendo, E. Romero, J.M. Riquelme, Sistemas
Elctricos de potencia, Prentice Hall, Madrid, 2002. ISBN: 84-205-3558-3.
[21] E. Handschin, M. Heine, D. Konig, T. Nikodem, T. Seibt, R. Palma, Object
Oriented Software Engineering For Power Systems in Open Access Schemes.
IEEE Transactions on Power Systems, vol.13, No.1, pp.94100, Febrero 1998.
[22] R. Palma, N. Oyarce, Modelo Orientado al Objeto y Plataforma Interactiva
para una Enseanza Moderna en Sistemas Elctricos de Potencia, XIV
Congreso de Educacin en Ingeniera, Chile, Octubre 2000
[23] M. Crow, Computational methods for Electric Power Systems, CRC Press,
Diciembre 2002, ISBN 0-8493-1352-X.
[24] Y. Fukuyama, State Estimation and Optimal Setting of Voltage Regulator in
Distribution Systems IEEE PES Winter Meeting 2001, Panel Session on
Intelligent Systems for Distribution Systems with Distributed Generation,
Columbus, Enero-Febrero 2001.
[25] R. Ebrahimian, R. Baldick, State Estimator Condition Number Analysis,
IEEE Transactions on Power Systems, vol.16, No.2, pp.273-279, Mayo 2001.


82
8 Anexo I: Nmero de condicin
Se define el nmero de condicin de una matriz A, como sigue [25]:
1
( ) Cond A A A

(8.1)
Donde cualquier norma puede ser utilizada.

Este nmero es igual a la unidad para la matriz identidad y tiende a infinito para
matrices cuasi-singulares.

En un sistema de ecuaciones, el condicionamiento da cuenta de la proximidad de
su matriz de coeficientes a la singularidad, lo que en la prctica sirve para cuantificar la
ampliacin los errores de truncamiento que se cometen durante la resolucin del sistema.

En la formulacin de mnimos cuadrados ponderados WLS, un mal
condicionamiento del sistema puede conducir a la no observabilidad de este, aun cuando
este sea sealado como observable en un anlisis topolgico. Entre las causas que
pueden deteriorar el condicionamiento de un sistema de acuerdo a la formulacin de
mnimos cuadrados ponderados, se encuentran:
La utilizacin simultnea de valores muy altos y muy bajos en la matriz de
pesos de las medidas, W;
La incidencia simultnea de lneas muy cortas y muy largas en el mismo
nudo;
La existencia de un porcentaje muy elevado de medidas de inyeccin frente a
medidas de flujo.





83
En la seccin 6.3 sobre desarrollos futuros, se presenta una tcnica de solucin
alternativa al mtodo de Newton-Raphson que minimiza el efecto del mal
condicionamiento de la matriz de ganancia del sistema en el desempeo del estimador.



84
9 Anexo: Gua para incorporar nuevos mdulos a DeepEdit.
9.1 Resumen
En la presente seccin se describir en trminos generales el procedimiento para
la incorporacin de un nuevo mdulo genrico en el sistema DeepEdit. Este documento
es producto del proceso de investigacin realizado durante el desarrollo del mdulo
SET
1
y ha sido incluido en este informe con el propsito de disminuir las barreras de
entrada existentes para el desarrollo de nuevos mdulos en el sistema.

Esta gua es de carcter esencialmente prctico, se recomienda visitar la
bibliografa relacionada [14][16][21][22] para adquirir una visin sobre los principios
tericos en los que se sustenta el diseo de la aplicacin.

9.2 Entorno de programacin
Existen distintos programas comerciales que permiten desarrollar cdigo Java,
lenguaje en el cual est programado DeepEdit. La compaa Sun Microsystems,
creadora de Java, distribuye gratuitamente un conjunto de programas y libreras que
permiten desarrollar, compilar y ejecutar programas en Java, llamado JDK
2
.

Por otra parte, los llamados entornos integrados de programacin, IDE
3
, permiten
desarrollar las aplicaciones de forma mucho ms rpida, facilitando la deteccin de
errores en tiempo de ejecucin e incorporando en muchos casos libreras con
componentes ya desarrollados, los cuales se incorporan al proyecto o programa.


1
State Estimation Tool
2
Java development kit
3
Integrated development environment


85
En el desarrollo de SET se utilizaron los IDE JavaCreator
1
3.1 y NetBeans
2
3.6.
Este ltimo posee un editor que permite en forma grfica disear ventanas y cuadros de
dilogo, algo relativamente engorroso en el lenguaje Java; sin embargo cuenta con la
desventaja de ser particularmente intensivo en uso de recursos del computador, por lo
que la programacin puede llegar a ser poco gil
3
en sistemas grandes como DeepEdit.
Por este motivo, la mayor parte de la programacin fue desarrollada en JavaCreator.

9.3 Agregar un elemento al Men Principal
En la ventana principal de DeepEdit las distintas opciones estn dispuestas en
una estructura jerrquica de mens.

MenuBar es la clase a la cual pertenece la barra horizontal principal, la cual
contiene objetos de la clase Menu. Estos son ventanas desplegables de opciones, los que
a su vez pueden contener otros elementos tipo Menu o elementos del tipo Separator o
MenuItem, tal como se muestra en la siguiente figura:

Figura 9.3-1: Barra de men

1
www.javacreator.com
2
www.netbeans.org
3
En un computador Pentium IV, 1.8 GHz con 256 MB de RAM, bajo Windows
XP.


86
En DeepEdit, la configuracin del men de opciones la determina el mtodo
DeepEditMenuBar de la clase DeepEditFrame.

Dentro de este mtodo, el siguiente cdigo crea el elemento llamado Genetic
Algorithm del tipo MenuItem en el Menu llamado PlanningMenu perteneciente a su
vez al Menu SimulateMenu. Los elementos en rojo deben modificarse para la aplicacin
de este cdigo a un nuevo elemento.

MenuItemsToDisable.addElement(mi = new MenuItem (babel.id(124,id)));
mi.setActionCommand("Genetic Algorithms");
mi.addActionListener(listener);
PlanningMenu.add(mi);


La primera sentencia crea un nuevo elemento del tipo MenuItem y lo agrega al
vector MenuItemsToDisable. Esto tiene la finalidad de lograr identificar aquellos tems
del men que deben ser inhabilitados mientras el sistema se encuentra ocupado
realizando algn proceso. El parmetro utilizado en el constructor del MenuItem es una
llamada al mtodo id de la clase babel cuyo objetivo es permitir la multiplicidad de
lenguajes en los mens del sistema. El texto de cada elemento de los mens debe
ingresarse en alguna fila disponible del arreglo de String de dimensin n x 2 de la
variable miembro de la clase babel en ingls en la columna 0 y espaol en la columna 1.
El parmetro id en el mtodo babel.id es un entero cuyo valor 0 o 1 determina el idioma
de los mens en ingls o espaol respectivamente.

La sentencias segunda y tercera, asocian las acciones efectuadas sobre el
elemento (i.e. hacer clic sobre el tem) a una secuencia de comandos especificados en el
mtodo actionPerformed.

Finalmente, la cuarta sentencia, agrega el MenuItem al men PlanningMenu.



87
Una vez creado el nuevo elemento, hay que definir que comandos se ejecutarn
cuando este sea seleccionado por el usuario. Para esto hay que crear un nuevo bloque
del tipo if en el mtodo actionPerformed, similar a la mostrada en el siguiente cdigo:

} else if (label.equals("Genetic Algorithms")) {
applet.UserWantsrunGa(); }


Por lo general, los comandos que se ejecutan al ser seleccionado un elemento del
men, corresponden a mtodos de la clase DeepEdit, razn por la cual deben ser
llamados mediante la intruccin applet.Mtodo, ya que la nica instancia creada de
DeepEdit ha sido pasada como parmetro a DeepEditFrame con el nombre de applet.

Alternativamente, es posible definir la secuencia de comandos dentro de la clase
DeepEditFrame. El siguiente es un ejemplo de una secuencia de comandos que llama al
constructor de la clase de estimacin de estado, JavaSE.

} else if (label.equals("State Estimation")) {
applet.MySchematic.settypsim(11);
applet.MySchematic.settiposimula(0);
if(MyJavaSE != null) {
MyJavaSE = null;
}
MyJavaSE = new JavaSE(applet, applet.MySchematic);}

En donde la ltima lnea llama al constructor de la clase JavaSE, correspondiente
al mdulo de estimacin de estado, pasando como parmetros la instancia de la clase
DeepEdit y la instancia de la clase Schematic que es la que contiene los elementos de
red utilizados. Recordar que al usar este modo de construccin, debe asegurarse haber
declarado con anterioridad en la clase, un objeto del tipo que se va a inicializar. (en este
caso JavaSE).




88
9.4 Agregar un nuevo elemento de red
Como se mencion en la seccin 3.2, los elementos de red estn conformados
segn una estructura jerrquica de clases, en las variables y mtodos definidos en una
clase pueden ser utilizados por las clases que deriven de ella, gracias al principio de
herencia.

Es conveniente al crear un nuevo elemento de red entonces estudiar los
elementos ya existentes de manera de definir el nuevo elemento a partir de la super-clase
cuyos mtodos y variables miembro sean de mayor utilidad para el objetivo buscado.

La siguiente figura representa la jerarqua de clases de los elementos de red
existentes, similar a la mostrada en la Figura 3.2-2 pero con los nombres reales de las
clases.

Figura 9.4-1: Estructura de clases de elementos de red

Para definir una clase que hereda caractersticas de alguna otra, se utiliza la
instruccin extends. en la definicin de la clase. El siguiente ejemplo muestra el cdigo
utilizado para definir la clase Probe la cual hereda de la clase Ndb_comp.



89
class Probeextends ndb_comp {}

A continuacin se describen algunos de los mtodos y atributos principales de los
elementos de la clase comp, los cuales pueden ser utilizados por todos los elementos de
red que de ella deriven.

Atributo Tipo Descripcin Mtodos
ClassName String Nombre de la clase. Utilizado por el
contructor de cada clase y por algoritmos
de clculo para determinar la clase a la cual
pertenece un determinado elemento.
Alternativamente puede utilizarse la
instruccin instanceof para este fin.
getClassName()
setClassName(String)
ComponentName String Nombre que identifica a cada instancia de
la clase. Por lo general se requiere que este
nombre sea nico.
getName()
setName(String)
Inputs, Outputs int Indica el nmero de pines del elemento.
Por ejemplo, elementos del tipo Generador
y Load poseen Inputs=0 y Output=1. En
los elementos Busbar el nmero de pines
en el lado superior e inferior est
determinado por su campo Input y Output
respectivamente.
Constructor de la clase.
IPin, OPin InputPin[],
OutputPin[]
Un arreglo de los elementos Pin que posee
cada elemento. Un elemento Pin registra en
el vector ConnComps los componentes a
los cuales conecta.
InformAllComponents()
InformConnected-
Components()
RegisterPins(Pin[][])
RemovePins-
Grid(Pin[][])

9.5 Archivos .sim
Los archivos .sim son archivos de texto en los cuales se registra la informacin
concernientes a todos los elementos de red existentes en un sistema.

El archivo cuenta con un encabezado con informacin sobre la versin de
DeepEdit con que fue creado el archivo. A continuacin viene la descripcin de cada
uno de los elementos de red, los cuales se ubican en bloques delimitados por las
sentencias describe component y end describe dentro de los cuales se encuentran
cada una de las variables miembro de la clase y su valor para el elemento respectivo, tal
como se muestra en la siguiente figura:


90

Figura 9.5-1: Estructura de archivo .sim

El mtodo LoadComponent de la clase Schematic es el encargado interpretar la
informacin incluida en este tipo de archivos.
(sigue)