Unico Ganador PDF

IDENTIFICACIN DE LOS
PARMETROS DE LNEAS DE
TRANSMISIN USANDO
ALGORITMOS DE ESTIMACIN DE
ESTADO
Fredy Andrs Olarte Dussn
Universidad Nacional de Colombia
Hernando Daz Morales
Universidad Nacional de Colombia
CONCURSO DE TRABAJOS DE GRADO SOBRE EL
SECTOR ENERGTICO
En honor de Fabio Chaparro
Empresa de Energa Bogot S.A. ESP
Julio de 2007
ii Contenido
Contenido
Contenido ii
Prlogo v
1 Introduccin 1
2 Estimacin de Estado 5
2.1. Presentacin . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Modelo de una Lnea de Transmisin . . . . . . . . . . . . . 6
2.3. Estimacin de Estado por Mnimos Cuadrados . . . . . . . 10
2.4. Solucin usando SVD . . . . . . . . . . . . . . . . . . . . . 11
2.5. Solucin usando Factorizacin QR . . . . . . . . . . . . . . 11
2.6. Errores en la Estimacin de Estado . . . . . . . . . . . . . . 12
2.7. Estimacin de Estado por Mnimos Cuadrados . . . . . . . 13
2.8. Estimacin por Mnimo Valor Absoluto Ponderado . . . . . 14
2.9. Estructura y Formacin de H . . . . . . . . . . . . . . . . . 15
2.10. Estimacin de Estado con Condiciones . . . . . . . . . . . . 17
2.11. Estimacin de Estado Robusta . . . . . . . . . . . . . . . . 19
2.12. Estimacin de Parmetros por Aumento . . . . . . . . . . . 20
2.13. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Incertidumbre en la Estimacin de Estado 23
3.1. Incertidumbre en la Estimacin de Estado: Modelamiento de
Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2. Metodologa experimental . . . . . . . . . . . . . . . . . . . 24
3.3. Sistema de Prueba . . . . . . . . . . . . . . . . . . . . . . . 24
3.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 Identicacin de Algunos Parmetros del Sistema 33
4.1. Metodologa experimental . . . . . . . . . . . . . . . . . . . 33
4.2. Sistema de Prueba . . . . . . . . . . . . . . . . . . . . . . . 34
Contenido iii
4.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 Identicacin de Todos los Parmetros del Sistema 43
5.1. Descripcin de los Algoritmos . . . . . . . . . . . . . . . . . 43
5.2. Identicacin de Todos los Parmetros del Sistema . . . . . 45
5.3. Modicacin del Algoritmo . . . . . . . . . . . . . . . . . . 48
5.4. Efecto de los Errores Sistemticos . . . . . . . . . . . . . . . 52
5.5. Identicacin de Lneas Altamente Cargadas . . . . . . . . . 54
5.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6 Identicacin de los Parmetros del Transformador 59
6.1. Transformadores con Cambio de Tap . . . . . . . . . . . . . 59
6.2. Aplicacin del Algoritmo de Estimacin de Parmetros al
Transformador de Potencia . . . . . . . . . . . . . . . . . . 61
6.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7 Conclusiones y Trabajo Futuro 65
7.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7.2. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7.3. Aportes Originales . . . . . . . . . . . . . . . . . . . . . . . 68
7.4. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . 69
A Optimizacin Matemtica 71
A.1. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
A.2. Solucin de los Problemas de Optimizacin . . . . . . . . . 72
A.3. Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . 72
A.4. Programacin Lineal . . . . . . . . . . . . . . . . . . . . . . 73
A.5. Optimizacin Convexa . . . . . . . . . . . . . . . . . . . . . 73
A.6. Optimizacin No Lineal . . . . . . . . . . . . . . . . . . . . 74
A.7. Problemas de Optimizacin Convexa . . . . . . . . . . . . . 75
A.8. Optimizacin Cuadrtica . . . . . . . . . . . . . . . . . . . . 76
A.9. Programacin Semidenida . . . . . . . . . . . . . . . . . . 76
Bibliografa 79
Prlogo
Este libro presenta un algoritmo de estimacin de parmetros para las
lneas de transmisin de energa elctrica, usando los datos de potencias
activas y reactivas obtenidos durante la operacin (datos histricos). La
solucin planteada hace uso de un conjunto de mediciones para diferentes
condiciones de carga. Mediciones que pueden obtenerse en diferentes ins-
tantes de tiempo. Con los datos de voltaje, potencia activa y reactiva de
los extremos de cada lnea se construye un estimador que es independiente
de las dems lneas y es capaz de determinar los parmetros del modelo
. El algoritmo se valid mediante la obtencin de todos los parmetros
para un sistema de trece nodos y algunas lneas individuales del sistema de
treinta nodos de IEEE. El mtodo se destaca por su independencia respecto
a la cantidad de parmetros a identicar y su capacidad de transformar el
problema de la incertidumbre del sistema completo en un problema local.
Se elabora esta propuesta con base en los siguientes hechos: (1) Exis-
te evidencia experimental de que los parmetros calculados para las lneas
de transmisin suelen tener errores que pueden ser mayores que un 20 %
[Deb74]. (2) los errores de modelamiento de los parmetros son una proble-
mtica que impacta el desempeo econmico y de seguridad de todos los
sistemas de potencia actuales puesto que los parmetros de las lneas deter-
minan la cargabilidad de las lneas y los lmites de intercambios de potencia
entre reas. Errores de esta magnitud pueden tener un efecto muy signi-
cativo sobre la operacin econmica de un sistema como el colombiano que
en 2006 tuvo transacciones por cerca de $5.5 billones y $291 mil millones
en restricciones. Cualquier porcentaje de mejora en el despacho, debido a
una mejor estimacin de lmites de intercambios, o de reduccin de errores
en la estimacin de restricciones de capacidad representan ahorros muy sig-
nicativos para el pas o disminucin en la probabilidad de la ocurrencia de
apagones. (3) Los estimadores de estado utilizan informacin redundante de
mediciones de potencia y voltaje que cuentan con un alto nivel de precisin.
(4) Hasta la fecha no existan algoritmos capaces de identicar la totalidad
de los parmetros de la red del sistema de potencia.
vi Contenido
La contribucin central de este trabajo es el planteamiento de un algo-
ritmo que transforma el problema de la estimacin de los parmetros del
sistema en un problema de identicacin de cada lnea individualmente.
Para cumplir con este objetivo, se realiz una revisin terica de la esti-
macin de estado por mnimos cuadrados, mnimo valor absoluto y de la
estimacin de parmetros. Posteriormente, se caracteriz el desempeo de
los estimadores frente a incertidumbres en los parmetros. Mediante este
anlisis se determinaron los parmetros de mayor y menor incidencia sobre
los errores de estimacin. Se pudo comprobar que la inductancia serie es el
parmetro que tiene mayor inuencia sobre la estimacin de estado. Tam-
bin se comprob que la admitancia paralelo prcticamente no tiene efecto
sobre los valores estimados.
El paso siguiente implic la construccin de estimadores de estado que
incluan algunos parmetros como estados a estimar. Una serie de experi-
mentos permiti valorar qu cantidad de parmetros podan identicarse de
esta forma. Adems, de la proporcin en que esta estimacin se vea afec-
tada por la incertidumbre de los parmetros de las lneas conectadas a los
mismos nodos de la lnea cuyos parmetros estn siendo identicados. Co-
mo resultado, se puede concluir que los algoritmos de estimacin de estado
que incluyen restricciones de igualdad, tales como los que incluyen nodos
con cero inyeccin en la forma de restricciones de igualdad, son extrema-
damente susceptibles a la presencia de errores en los parmetros de lneas
adyacentes.
Con el n de evaluar la precisin de la estimacin de parmetros que per-
mite el mtodo propuesto, se desarroll adems un algoritmo que permite
estimar los parmetros de transformadores, incluyendo la posicin del cam-
biador de tomas o taps. Puesto que los parmetros de los transformadores
se suelen medir con bastante precisin, este desarrollo permite estimar con
exactitud la impedancia y la posicin del tap, en condiciones cambiantes de
carga. Se espera poder validar de esta manera la tcnica de estimacin. Este
ltimo algoritmo se prob usando datos simulados de potencias en trans-
formadores del sistema de treinta nodos de IEEE con excelentes resultados.
Este libro se basa en los resultados obtenidos en la tesis de maestra:
Identicacin de los Parmetros de Lneas de Transmisin Usando Algorit-
mos de Estimacin de Estado, desarrollada en el programa de Automatiza-
cin Industrial de la Universidad Nacional de Colombia. Tesis que mereci el
primer puesto en el concurso de trabajos de grado sobre el sector energtico
de la Empresa de Energa de Bogot en el ao 2007.
Captulo 1
Introduccin
Los estimadores de estado son fundamentales para el funcionamiento
seguro y econmico de un sistema de potencia elctrica. Los estimadores
calculan las magnitudes y los ngulos de fase de los voltajen en los nodos a
partir de un conjunto redundante de mediciones, entre los que se incluyen
voltajes nodales y ujos de potencia. Los primeros estimadores fueron los de
mnimos cuadrados; se desarrollaron a principios de los 70s, y son actual-
mente los ms usados [AC95][AVSM98][SFZ01]. A partir de ese momento,
un enorme esfuerzo investigativo se ha enfocado en solucionar problemas in-
herentes al proceso de estimacin; entre ellos, la deteccin y eliminacin de
errores sistemticos, el aumento en la velocidad de procesamiento y el uso
de condiciones del sistema para aumentar la conabilidad de los resultados.
[AC91][AC95][APA97][Kor02][KV82][Liu97][SA94][ZWX92].
No obstante, un problema bsico para cualquier tipo de estimador es
la necesidad de jar valores para los parmetros de la red de potencia. Las
lneas de transmisin se modelan mediante cuatro parmetros: resistencia,
inductancia, capacitancia y conductancia; generalmente el ltimo de stos se
desprecia [Elg71][GS00]. Para resolver las ecuaciones del estimador se deben
suponer valores exactos de estos parmetros para cada una de las lneas que
componen el sistema de potencia. En la realidad esta condicin muy dif-
cilmente se cumple [AOI05][CQ88][KG04][SFZ01][ZE00]. En la literatura se
encuentran tcnicas que han sido propuestas para enfrentar este problema;
algunas involucran el uso de herramientas surgidas de la teora de control
robusto [NP99]. Dada la incertidumbre del modelo, estas tcnicas buscan
intervalos de conanza donde pueda encontrarse el estado del sistema. Aun-
que estas tcnicas entregan mayor informacin que el estimador tradicional,
requieren tal cantidad de clculos que dicultan su implementacin en lnea;
adems, tampoco proporcionan el valor real del estado, sino un conjunto de
2 Introduccin
puntos igualmente probables. Otras soluciones se fundamentan en anlisis
de sensibilidad de los residuos para determinar un grupo de lneas cuyos pa-
rmetros podran contener errores de modelamiento [LL95][LWL92][ZE00].
Sin embargo, esta estrategia slo puede aplicarse a un pequeo subconjunto
de la red y sus resultados se deterioran conforme se aumenta la cantidad de
parmetros estimados [KG04]. Algunas propuestas se basan en aumentar el
vector de estado con los parmetros de los cuales se sospecha que pueden
contener mayor incertidumbre [ZE00]. Tambin se ha intentado aumentar
la redundancia por medio del uso de mediciones en tiempos diferentes y re-
solver secuencialmente los estimadores surgidos de las diferentes mediciones
[Deb74].
Aunque la cantidad de trabajos que se dedican a la estimacin de par-
metros es baja, una conclusin que se puede extraer de todos ellos es que los
mtodos propuestos no pueden identicar todos los parmetros presentes en
el sistema de potencia, sino un pequeo subconjunto que se determina como
de mayor incertidumbre. Adems, todos los mtodos propuestos fallan en
presencia de errores gruesos y requieren un alto costo computacional [ZE00].
El objetivo de esta trabajo es desarrollar una tcnica para identicar
todos los parmetros de las lneas de transmisin a partir de datos usa-
dos para la estimacin del estado del sistema de potencia de manera que
la calidad de los resultados no se degenere si se aumenta la cantidad de
parmetros a estimar.
Se proponen, entonces, dos algoritmos para la estimacin de los parme-
tros del sistema de transmisin; uno basado en mnimos cuadrados y otro
basado en mnimo valor absoluto. Para obtener esta solucin se llevan a
cabo los siguientes pasos:
1. Hacer estimacin de estado en presencia de incertidumbre. Correr u-
jos de carga con el programa de simulacin Power World 11.0 [Pow06]
y utilizar los resultados obtenidos para la estimacin de estado con
Matlab. Posteriormente, modicar los valores de algunos de los par-
metros y observar su incidencia en el error de la estimacin.
2. Seleccionar los parmetros con mayor efecto sobre la estimacin y con-
siderar sus valores como estados adicionales del sistema. Esta identi-
cacin en lnea, se hace tanto para el estimador de mnimos cuadrados
ponderados como para el de mnimo valor absoluto.
3. Probar la identicacin fuera de lnea usando redundancia de me-
3
diciones en diferentes condiciones de carga, para obtener todos los
parmetros de un sistema de potencia. De acuerdo con los resultados
es posible implementar modicaciones en los algoritmos y explorar su
desempeo.
Estas tcnicas pueden ser utilizadas para mejorar el algoritmo de estimacin
de estado en lnea y no requieren de ningn elemento adicional a los ya
instalados en los nodos. Adicionalmente, la identicacin de los parmetros
de cada lnea del sistema es independiente de las dems y por tanto el
algoritmo no se deteriora con el aumento de lneas.
Los resultados obtenidos se fundamentan en la teora de estimadores
de estado y en anlisis de incertidumbre. En el desarrollo de este trabajo,
inicialmente se recopil la informacin necesaria sobre estimadores de es-
tado, incertidumbre y solucin de los estimadores de estado; informacin
que se presenta brevemente en el captulo dos. En el captulo tres se pre-
senta un estudio de cmo la incertidumbre en los parmetros incide en los
resultados del estimador utilizando tres casos: un sistema de tres nodos,
uno de seis y uno de trece. Este anlisis permiti denir cules parmetros
tienen mayor incidencia en los errores de estimacin y cul tipo de estima-
dor presenta mayor robustez. El captulo cuatro recoge los resultados de
estimacin de estado junto con algunos de los parmetros del sistema; estas
pruebas permitieron obtener los resultados en lnea para los parmetros con
mayor incertidumbre. El captulo cinco presenta las soluciones propuestas
en este trabajo de identicacin de los parmetros del sistema de poten-
cia. Se exponen dos algoritmos junto con algunas variantes de aplicacin
y se presentan los resultados de todos los parmetros del sistema de trece
nodos. Con el n de validar experimentalmente los resultados de la esti-
macin y teniendo en cuenta que los parmetros de los transformadores se
pueden medir experimentalmente, se utilizaron los algoritmos propuestos
para estimar parmetros de transformadores de potencia. los resultados se
presentan en el captulo seis. Finalmente, en el captulo siete se presentan
las conclusiones y se proponen trabajos futuros. En un anexo se presenta la
teora de optimizacin utilizada para la solucin de los estimadores.
Captulo 2
Estimacin de Estado
La estimacin de estado es un procedimiento matemtico por el cual
las variables que describen el estado de un sistema de potencia se obtienen
a partir de un conjunto de mediciones. Tradicionalmente, las mediciones
incluyen magnitudes de voltajes nodales y ujos tanto de potencia activa
como de potencia reactiva. Este captulo presenta una introduccin a la es-
timacin de estado por mnimos cuadrados ponderados y por mnimo valor
absoluto ponderado, junto con un breve comentario sobre la solucin nu-
mrica. Tambin, contiene la metodologa de aumento del vector de estado
para la obtencin de algunos parmetros.
2.1. Presentacin
La estimacin de estado de un sistema de potencia proporciona una
aproximacin del vector de estado de la red en tiempo real a partir de un
conjunto redundante de medidas a distancia y algunos valores jos. Los re-
sultados del estimador son tiles para diferentes aplicaciones, como anlisis
de seguridad, despacho econmico y clculo de ujo de potencia [GS00].
Las cantidades que intervienen en un sistema de transmisin de energa
elctrica son variables anlogas y se registran a travs de transformadores
de corriente y de potencial instalados en lneas, transformadores y barras de
plantas de generacin y subestaciones del sistema. Las cantidades anlogas
pasan a travs de transductores y de convertidores anlogo - digitales para
su medicin a distancia desde el centro de control. Los datos recibidos en
el centro de control se procesan para informar a los operadores del sistema
sobre el estado presente. Sin embargo, los datos adquiridos siempre contie-
nen inexactitudes que son inevitables; en otras palabras, presentan ruido,
que se puede cuanticar de manera estadstica. Por otro lado, los valores de
6 Estimacin de Estado
los parmetros de las lneas pueden ser incorrectos debido a imprecisiones
en los datos de manufactura, errores en calibracin o condiciones de imple-
mentacin. En consecuencia, el desempeo del estimador de estado depende
de la precisin de los datos medidos y de los parmetros del modelo de red
[AC95][LWL92][SFZ01].
Debido a estas imprecisiones, los valores reales de las cantidades fsi-
cas nunca son conocidos y se tiene que considerar la forma de calcular los
mejores estimados posibles de las cantidades desconocidas. El mtodo de
mnimos cuadrados se usa frecuentemente para encontrar el mejor ajuste
de los datos medidos. Se seleccionan los mejores estimados considerando
aqullos que minimizan la suma ponderada de los cuadrados de los errores
de medicin. Sin embargo, este estimador slo entrega un resultado ptimo
si los errores de medicin tienen una distribucin gaussiana y, generalmen-
te, en las mediciones del sistema de potencia se presentan errores que no
cumplen con esta condicin [KV82]. Errores de este tipo se deben princi-
palmente a fallas en los dispositivos y al deterioro en la precisin de las
mediciones por clima, temperatura o tiempo. En la literatura se presentan
mtodos de deteccin y eliminacin de estos datos errneos [GS00]. Una
solucin diferente surge del uso de estimadores de estado basados en la
minimizacin de la norma uno. Trabajos previos han mostrado cmo el es-
timador por mnimo valor absoluto ponderado es menos sensible a errores
gruesos [AC91][KV82].
El smbolo z se usa normalmente para las mediciones sin considerar la
cantidad fsica que est siendo medida y, de la misma manera, el smbolo x se
aplica a las cantidades que estn siendo estimadas. La funcin h(x) relaciona
las cantidades medidas con las variables estimadas. La siguiente ecuacin
matricial relaciona estas cantidades junto con los errores de medicin:
z = h(x) + (2.1)
Donde, z es un vector m1, x es un vector n 1, h(x) es un vector de
funciones de tamao m1 y es un vector m1 que representa el ruido.
Generalmente se dene el residuo r como la diferencia entre el valor medido
y el estimado:
r = z h(x) (2.2)
2.2. Modelo de una Lnea de Transmisin
La disponibilidad de un sistema de transmisin bien desarrollado y de
alta capacidad, hace tcnica y econmicamente posible mover grandes blo-
2.2 Modelo de una Lnea de Transmisin 7
ques de energa elctrica por largas distancias. El desempeo elctrico de las
lneas de transmisin puede expresarse en trminos de los siguientes cuatro
parmetros [Elg71]:
1. Inductancia de lnea, en henrys por metro
2. Capacitancia paralela, en Faradays por metro
3. Resistencia de lnea, en ohms por metro
4. Conductancia paralela, en Siemens por metro
Estos parmetros se simbolizan por L, C, R y G, respectivamente.
Resistencia y conductancia
R y G son los parmetros de menor importancia porque afectan las
impedancias de lnea y por tanto la capacidad de transmisin en un grado
relativamente bajo. Sin embargo, las prdidas de transmisin de potencia
real dependen de estos parmetros. La resistencia, medida en ohms por
metro por fase, se obtiene, en principio, a partir de tablas dadas por los
fabricantes de conductores, pero aspectos como detalles de construccin,
efecto piel y variacin de temperatura, son factores que modican su valor.
Para la conductancia G no hay ecuaciones conocidas y su magnitud vara
fuertemente con la temperatura, la humedad atmosfrica y el contenido
salino de la atmsfera. Comnmente, su efecto en el comportamiento de las
lneas es mnimo, por lo cual se desprecia.
Inductancia
La inductancia de la lnea es el parmetro ms importante y est di-
rectamente asociado con el ujo magntico dentro y alrededor de los con-
ductores. Para calcular la inductancia total se deben sumar los aportes del
campo magntico dentro y fuera de los conductores:
L = L
i
+L
o
(2.3)
Las expresiones para estas dos inductancias estn dadas por:
L
i
=

0
4
(2.4)
L
o
=

0
ln
D
R
(2.5)
Donde
0
es la permeabilidad magntica del vaco, es la permeabilidad
magntica relativa del material del conductor, D es la distancia entre con-
ductores y R es el radio del conductor. En las lneas trifsicas, es necesario
considerar la distribucin geomtrica de los conductores, incluyendo el con-
ductor de neutro y el cable de guarda [And95].
Capacitancia
Los elementos en serie, de los cuales la inductancia es el dominante,
imponen un lmite a la corriente que puede uir a travs de la lnea y por
tanto a la capacidad de transmisin de potencia. Los elementos en paralelo
de los cuales la capacitancia es el dominante representan caminos de fuga
para las corrientes de lnea. Estas corrientes de fuga son proporcionales
al voltaje de la lnea y la importancia de estas capacitancias crece con el
aumento del voltaje de operacin. La expresin para la capacitancia entre
dos conductores de igual radio est dada por:
C =

0
ln
D
R
(2.6)
Donde
0
es la permitividad elctrica del material de los conductores, D es
la distancia entre los conductores y R es el radio de cada conductor. La ex-
presin anterior es valida nicamente si los conductores estn lejos de otros
conductores y en especial de la supercie de la tierra. La presencia de la
tierra modica considerablemente la conguracin del campo elctrico y las
supercies equipotenciales y por tanto, la capacitancia entre los conducto-
res. Las ecuaciones correspondientes a lneas trifsicas se pueden consultar
en [Elg71].
Modelos de Lneas Largas
Los parmetros de lnea presentados anteriormente corresponden a va-
lores por fase y por metro. Si se necesita conocer el modelo de una lnea
especca de longitud l, la solucin sera, en principio, multiplicar cada
parmetro por l; pero este procedimiento slo es valido para longitudes li-
mitadas. La gura 2.1 representa el modelo de una seccin de una lnea de
transmisin, planteando el problema en forma de ecuaciones diferenciales.
As es posible recoger los aportes de cada seccin para construir un mode-
lo de parmetros concentrados. La gura 2.2 muestra el modelo de una
lnea, en el cual los valores de las impedancias se obtienen a partir de las
siguientes ecuaciones:
2.2 Modelo de una Lnea de Transmisin 9
G dx C dx
R dx L dx
dx
V (x)
I(x) I(x) +dI(x)
V (x) +dV (x)
Figura 2.1: Elemento diferencial de una lnea de transmisin
Y
1
Y
2
Z
Figura 2.2: Modelo de una lnea de transmisin
Z = Z
w
sinhx (2.7)
Y
1
= Y
2
=
1
Z
w
tanh
x
2
(2.8)
Donde,
Z
w
=
_
L
C
_
1 j
R
2L
_
(2.9)
= j
LC
_
1 j
R
2L
_
(2.10)
y es la frecuencia angular de las seales elctricas existentes en la
lnea.
2.3. Estimacin de Estado por Mnimos
Cuadrados Ponderados: Caso Lineal
Con este mtodo, los valores estimados se obtienen al minimizar la suma
de los cuadrados de los errores [AVSM98]. En el caso lineal los residuos estn
dados por:
r = z Hx (2.11)
Sin embargo, para asegurar que las mediciones de los instrumentos de mayor
exactitud sean tratadas de forma ms favorable que las correspondientes a
instrumentos menos exactos, cada trmino de la suma de los cuadrados
se multiplica por un factor de ponderacin o peso w
1
adecuado para as
obtener la funcin objetivo:
f =
m
j=1
w
j
r
2
j
= w
1
r
2
1
+w
2
r
2
2
+ +w
m
r
2
m
(2.12)
Se seleccionan como mejores estimados de las variables de estado, aquellos
valores x que dan como resultado que la funcin objetivo f tenga su valor
mnimo. Si se escribe la ecuacin en forma matricial se obtiene:
mn f = r
T
Wr (2.13)
El problema anterior se conoce como de mnimos cuadrados ponderados
(Weighted Least Squares, WLS). De acuerdo con las condiciones usuales
necesarias para minimizar la funcin f, los estimados x
1
, . . . , x
n
son aquellos
valores de x
1
, . . . , x
n
que satisfacen la ecuacin:
df
dx
=
d
dx
_
(z Hx)
T
W (z Hx)
_
= 2H
T
W(z Hx) = 0 (2.14)
Despejando el vector de estado de la ecuacin anterior:
x =
_
H
T
WH
_
1
H
T
Wz (2.15)
La ecuacin anterior provee la solucin del problema de estimacin lineal.
1
De esta manera, se busca que los errores correspondientes a los instrumentos con
mayores pesos (los ms precisos), sean menores. Esto garantiza que las medidas ms
precisas afecten ms la estimacin que las menos precisas.
2.4 Solucin usando SVD 11
2.4. Solucin usando SVD
La descomposicin en valores singulares (Singular Value Descomposi-
tion SVD) es un conjunto de tcnicas para tratar conjuntos de ecuaciones
o matrices que son numricamente cercanas a singulares. La SVD es, ade-
ms, el mtodo comnmente ms usado para resolver problemas de mnimos
cuadrados lineales. La solucin directa de los mnimos cuadrados pondera-
dos es generalmente susceptible a errores de redondeo. Es decir, una o ms
ecuaciones de las mediciones son una combinacin lineal de las otras o un
elemento pivote es cercano a cero, en cuyo caso el sistema no tiene solucin.
En el caso de un sistema sobredeterminado, la SVD provee una solucin que
es la mejor aproximacin en el sentido WLS. En el caso contrario entrega
una solucin cuyos valores son los ms pequeos en el sentido WLS [GM81].
El mtodo SVD representa la matriz H (mn) como el producto de
tres matrices. Con m el nmero de mediciones y n el nmero de estados.
H = UV
T
(2.16)
Donde, U y V son matrices unitarias de dimensiones m m y n n res-
pectivamente y es una matriz diagonal con los valores singulares
k
en su
diagonal, con la condicin
1

2

k
0. Para utilizar la solucin
por SVD es necesario replantear el problema en la siguiente forma:
f (x) = [z Hx]
T
W [z Hx]
f (x) =
_
z

Hx
_
T
_
z

Hx
_
=
_
_
_ z

Hx
_
_
_
2
(2.17)
Donde

H = W
1/2
H y z = W
1/2
z. Al minimizar la norma se obtiene la
expresin:
x = V
1
U
T
z (2.18)
2.5. Solucin usando Factorizacin QR
Cualquier matriz se puede triangularizar mediante transformaciones or-
togonales de la forma [GM81]:
H =

Q
_

R
0
_
(2.19)
donde,

R es una matriz triangular superior y

Q es ortogonal. El problema
de la ecuacin 2.17 se puede expresar como:
f (x) =
_
_
_
_
z

Q
_

R
0
_
x
_
_
_
_
2
=
_
_
_
_
Q
T
z
_

R
0
_
x
_
_
_
_
2
(2.20)
si

Q
T
z se particiona en
_
y
1
y
2
_
el problema se convierte en:
f (x) =
_
_
_
_
_
y
1

Rx
y
2
__
_
_
_
2
(2.21)
El mnimo ocurre en:
y
1
=

Rx x =

R
1
y
1
(2.22)
2.6. Errores en la Estimacin de Estado
En la estimacin de estado por WLS se supone que los trminos de ruido
1
,
2
, ,
m
son variables aleatorias gaussianas independientes con media
cero y varianzas
2
1
,
2
2
, ,
2
m
, respectivamente. Dos variables aleatorias
i
y
j
son independientes cuando el valor esperado del producto de las
dos es cero (E (
i
j
) = 0) para i = j. La suposicin de que la media es
cero implica que el error en cada medicin tiene igual probabilidad de ser
positivo o negativo con una magnitud dada. El producto del vector y su
transpuesta
T
est dado por:
T
=
_
2
.
.
.
m
_
_
_

1

2

m
=
_
2
1

1
2

1
1

2
2

2
m
.
.
.
.
.
.
.
.
.
.
.
.
1

m
2

2
m
_
_
(2.23)
El valor esperado de
T
se encuentra al calcular el valor esperado de cada
elemento de la matriz de la ecuacin anterior. Los valores esperados de todos
los elementos fuera de la diagonal son cero porque los errores se han supuesto
independientes. Los valores esperados de los elementos de la diagonal no
son cero y corresponden a la varianza E
_
2
i
_
=
2
i
para i = 1, 2, . . . , m. La
matriz diagonal resultante se designa, por lo general, mediante el smbolo
R y as, el valor esperado de la ecuacin (2.23) es:
E
_
T
_
= R =
_
2
1

2
2

.
.
.
.
.
.
.
.
.
.
.
.

2
m
_
_
(2.24)
2.7 Estimacin de Estado por Mnimos Cuadrados 13
Con esta base se pueden considerar algunas propiedades estadsticas del
procedimiento de estimacin de mnimos cuadrados ponderados. La medi-
cin z
i
es la suma de la variable aleatoria gaussiana
i
y el trmino constante
h
i
(x). Aadir el trmino constante a
i
desplaza la curva hacia derecha o iz-
quierda una cantidad dada por h
i
(x); pero este cambio no altera de ninguna
manera la forma y dispersin de la funcin de densidad de probabilidad de
i
. De aqu que z
i
tambin tenga una funcin de densidad de probabilidad
gaussiana con un valor medio de
1
igual al valor de h
i
(x) y una varianza
2
i
igual a la de
i
. As, los instrumentos con menores varianzas de error
tienen curvas ms estrechas y dan mediciones ms exactas. Al formular la
funcin objetivo f de la ecuacin (2.12), se da una ponderacin preferencial
a las mediciones ms exactas cuando se selecciona la ponderacin w
i
como
el recproco de la varianza
2
i
. Los errores de varianza pequea tienen as
una mayor ponderacin [GS00]. Finalmente, la matriz de ponderaciones W
se especica en la siguiente forma:
W = R
1
=
_
_
1
2
1

2
2

.
.
.
.
.
.
.
.
.
.
.
.

1
2
m
_
_
(2.25)
2.7. Estimacin de Estado por Mnimos
Cuadrados Ponderados: Caso No Lineal
Para obtener la solucin del problema de estimacin no lineal [SFZ01],
[AVSM98], se asume que se conoce un vector x
0
y se linealiza el vector de
funciones h(x) en ese punto:
h(x) = h(x
0
) +
h(x)
x
x=x
0
(x x
0
) (2.26)
Si se dene H como la matriz jacobiana, se produce la expresin:
h(x) = h(x
0
)H (x x
0
) (2.27)
Al reemplazar la ecuacin anterior en la expresin del error se produce:
r = z
h(x) = z h(x
0
) +Hx
0
Hx (2.28)
Como los trminos z, h(x
0
) y Hx
0
se conocen, se puede denir z
= z
h(x
0
) + Hx
0
y as se obtiene una expresin similar a la del problema de
estimacin lineal:
r = z
Hx (2.29)
Entonces, la solucin es la misma del caso lineal. Despus de reemplazar z
y efectuar los productos se llega a:

x = x
0
+
_
H
T
WH
_
1
H
T
W (z h(x
0
)) (2.30)
La ecuacin anterior se generaliza en la siguiente forma iterativa:
x
k+1
= x
k
+
_
H
T
WH
_
1
H
T
W (z h(x
k
)) (2.31)
Donde, H es la matriz jacobiana de h(x) evaluada en el punto x
k
. El clcu-
lo anterior se ejecuta hasta que la diferencia entre un estado estimado y
el anterior sea menor a un umbral previamente establecido; por ejemplo,
0.01 %.
2.8. Estimacin por Mnimo Valor Absoluto
Ponderado
Los estimadores por Mnimo Valor Absoluto Ponderado (Weighted Least
Absolute Value WLAV) han demostrado ser ms robustos que su contra-
parte WLS, los cuales son ms susceptibles a puntos fuera de tendencia.
Por otro lado, una importante desventaja de estos estimadores es su baja
eciencia computacional para sistemas grandes. La aproximacin de primer
orden de la ecuacin (2.1) se puede escribir como:
z = Hx + (2.32)
El estimador por mnimo valor absoluto ponderado para x minimiza la
funcin objetivo dada por:
f =
m
j=1
w
j
|
j
| (2.33)
El estado estimado ptimo se puede obtener resolviendo el siguiente pro-
blema de programacin lineal (LP):
mn C
T
(u +g) (2.34)
s.c Hx
u
Hx
g
+u g = z (2.35)
x
u
, x
g
, u, g 0 (2.36)
2.9 Estructura y Formacin de H 15
Donde:
x
u
(i) =
_
x(i) si x(i) 0
0 en otro caso
(2.37)
x
g
(i) =
_
x(i) si x(i) 0
0 en otro caso
(2.38)
C = [w
1
, w
2
, . . . , w
m
]
T
(2.39)
u y g son vectores de holgura no negativos de tamao m1 tal que:
mn[u(i), g(i)] = 0 max [u(i), g(i)] = |
i
|
El problema de LP anterior se puede solucionar con el uso de algn al-
goritmo de solucin de problemas de programacin lineal como el smplex
revisado o algoritmos de punto interior [Boy04][Liu97][SA94].
2.9. Estructura y Formacin de H
Los ngulos de fase de los voltajes en las diferentes subestaciones del
sistema no pueden medirse econmicamente, pero las magnitudes de los
voltajes se miden rutinariamente. Con el n de estimar tanto los ngulos
como las magnitudes de los voltajes, se selecciona como referencia un valor
para el ngulo de uno de los N nodos del sistema, lo cual deja N1 ngulos
y N magnitudes que deben ser calculados mediante la ecuacin (2.31). Por
tanto, la matriz jacobiana de estimacin de estado H tiene siempre (2N1)
columnas y un mayor nmero N
m
de las. Cada una de las las de H
corresponde de manera nica a una de las cantidades medidas en una lnea
de transmisin, como se ilustra en la gura 2.3. Las cantidades son:
La magnitud del voltaje |V
i
| en el nodo terminal i de la lnea
La potencia activa P
i
que se inyecta en el terminal i de la lnea
La potencia reactiva Q
i
que se inyecta en el terminal i de la lnea
El ujo de potencia activa P
ij
en el nodo i o el ujo P
ji
en el nodo j
en la lnea que conecta los nodos i y j
El ujo de potencia reactiva Q
ij
en el nodo i o el ujo Q
ji
en el nodo
j en la lnea que conecta los nodos i y j
Si |V
i
|, P
i
y Q
i
se miden en cada nodo y los ujos P
ij
, Q
ij
, P
ji
y Q
ji
se
miden en cada lnea, se tiene completo el conjunto de mediciones y H tiene
un total de N
m
= (3N + 4B) las; donde B es el nmero de lneas de la
red.
La relacin entre las y columnas en H (que es equivalente a la relacin
de mediciones con respecto a las variables de estado) se llama factor de
redundancia y es igual a (3N + 4B)/(2N 1) o aproximadamente 4.5 en
un sistema de potencia grande completamente vericado con un promedio
de 1.5 lneas por nodo.
En la prctica, el factor de redundancia puede ser ms pequeo porque
el conjunto de mediciones podra ser menor que el total existente, mientras
que el nmero de variables de estado sigue siendo 2N 1.
Un nmero adecuado de mediciones redundantes en puntos estratgicos
del sistema es absolutamente esencial para asegurar una buena estimacin
del estado y esto hace que la matriz jacobiana sea rectangular en el esti-
mador de estado. Cuando el conjunto completo de mediciones se enumera
de tal manera que los que son del mismo tipo se agrupan, el vector de
mediciones toma la forma:
z =
_
z1 . . . zN zN+1 . . . z2N z2N+1 . . . z3N z3N+1 . . . z3N+B
z3N+B+1 . . . z3N+2B z3N+2B+1 . . . z3N+3B z3N+3B+1 . . . z3N+3B
T
(2.40)
z =
_
|V1| . . . |VN| P1 . . . PN Q1 . . . QN . . . Pij . . .
. . . Pji . . . . . . Qij . . . . . . Qji . . .
T
(2.41)
Entonces la matriz jacobiana H tiene la forma que muestra la ecuacin
(2.42). Con una la para P
1
, una la para Q
1
y una columna para |V
1
|, pero
no para
1
. Puesto que para el nodo 1 se ha especicado el ngulo como
referencia, los elementos del primer bloque son cero porque la medicin |V
i
|
Y
2
Y
1
R
X
L
i j
|V
i
| |V
j
|
P
i
P
j
Q
i
Q
j
P
ij
Q
ij
P
ji
Q
ji
Figura 2.3: Representacin de una lnea de transmisin
2.10 Estimacin de Estado con Condiciones 17
no depende explcitamente de ; as que |V
i
| / es igual a cero para todos
los valores de i y de j. Adems, los elementos de la diagonal del segundo
bloque son unitarios porque |V
i
| / |V
j
| = 1 cuando i es igual a j; de otra
manera son cero.
H =
_
_
0 1
.
.
.
.
.
.
0 1
P
1
2

P
1
N
P
1
|V
1
|

P
1
|V
N
|
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
P
N
2

P
N
N
P
N
|V
1
|

P
N
|V
N
|
Q
1
2

Q
1
N
Q
1
|V
1
|

Q
1
|V
N
|
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Q
N
2

Q
N
N
Q
N
|V
1
|

Q
N
|V
N
|
.
.
.
.
.
.
P
ij
i

P
ij
j
P
ij
|V
i
|

P
ij
|V
j
|
.
.
.
.
.
.
.
.
.
.
.
.
P
ji
i

P
ji
j
P
ji
|V
i
|

P
ji
|V
j
|
.
.
.
.
.
.
.
.
.
.
.
.
Q
ij
i

Q
ij
j
Q
ij
|V
i
|

Q
ij
|V
j
|
.
.
.
.
.
.
.
.
.
.
.
.
Q
ji
i

Q
ji
j
Q
ji
|V
i
|

Q
ji
|V
j
|
.
.
.
.
.
.
_
_
(2.42)
2.10. Estimacin de Estado con Condiciones
Algunas caractersticas de los sistemas de potencia pueden usarse para
mejorar la conabilidad de los estimadores de estado. Estas caractersticas
se incluyen en el estimador en forma de restricciones en el proceso de op-
timizacin. Las condiciones pueden representar nodos de cero inyeccin de
potencia (nodos sin generacin ni carga) o lmites impuestos a nodos con
inyeccin de potencia reactiva, entre otras [APA97][Kor02].
Las mediciones en un sistema de potencia se pueden clasicar en tres
grupos:
1. Mediciones no condicionadas; las cuales se realizan a distancia y con-
tienen errores.
2. Mediciones exactas, las cuales no son medidas propiamente, pero se
conocen a priori con total exactitud. Los nodos de cero inyeccin son
de este tipo.
3. Mediciones que se encuentran limitadas entre una o dos fronteras,
como las inyecciones externas del sistema.
Los multiplicadores de Lagrange son la herramienta matemtica usada
para la solucion del estimador con condiciones de cero inyeccin. En el caso
no condicionado se tiene una funcin derivable f (x
1
, . . . , x
n
) : R
n
R que
se quiere minimizar. Esto se puede lograr buscando los puntos extremos
de f que son puntos donde el gradiente f es cero. En optimizacin bajo
condiciones, adems de la funcin f se tienen algunas restricciones, puntos
en R
n
vlidos para evaluar la funcin. Los lmites complican la optimizacin
porque en general los puntos extremos dentro de la regin factible no cum-
plen la condicin de derivada igual a cero. Los multiplicadores de Lagrange
permiten encontrar puntos ptimos sujetos a restricciones de igualdad o
desigualdad.
Se dene el siguiente problema de optimizacin con restricciones de
igualdad:
mn f (x) (2.43)
sujeto a g (x) = 0 (2.44)
Para este problema los puntos extremos se encuentran donde se cumplan
las siguientes condiciones:
f (x) = g (x) (2.45)
g (x) = 0 (2.46)
Estas condiciones representan los puntos factibles donde los gradientes de
la funcin y las restricciones son paralelos. De una forma ms compacta se
puede denir la funcin Lagrangiana:
(x, ) = f (x) g (x) (2.47)
2.11 Estimacin de Estado Robusta 19
De esta forma la condicin se convierte en:
(x, ) = 0 (2.48)
2.11. Estimacin de Estado Robusta
Los parmetros que intervienen en el estimador de estado siempre con-
tienen incertidumbre en su valor. Por tanto, contar con mtodos que sean
capaces de manejar la incertidumbre parmetrica es muy valioso en la prc-
tica. Nagar y Powell [NP99] describen una metodologa para la construccin
de estimadores de estado robustos con algunas tcnicas procedentes de la
teora de control robusto. As, un parmetro con incertidumbre p
i
se pue-
de representar como p
i
+
p
i
donde, p
i
es el valor nominal del parmetro
y
p
i
describe una perturbacin desconocida alrededor del valor nominal.
Esta perturbacin est condicionada a un conjunto de incertidumbre que
representa todos los posibles valores. La incertidumbre se puede representar
en el estimador de la siguiente forma:
z = H (p
1
, p
2
, . . . , p
k
) x + (2.49)
Donde p
i
+
i
p
i
, i = 1, 2, . . . , k; adems 1
i
1 representan los pa-
rmetros con incertidumbre y H es la matriz jacobiana. Reescribiendo la
ecuacin anterior en trminos de parte nominal y parte con incertidumbre:
z = H (p
1
, p
2
, . . . , p
k
) x +
k
i=1
i
H
i
( p
i
) x + (2.50)
Mediante un cambio de variables es posible separar las perturbaciones que
afectan el desempeo nominal del estimador. Sean:
0
=
0
=
0
=
0
0
tal que = 1/
0
(2.51)
i
= H
i
( p
i
) x
i
=
i
i
para i = 1, 2, . . . , k (2.52)
As la ecuacin (2.50) se convierte en:
z = H (p
1
, p
2
, . . . , p
k
) x +
k
i=1
i
+
0
(2.53)
Finalmente, en forma matricial la ecuacin anterior puede representarse
como:
_

z
_
=
_
M
11
M
12
M
21
M
22
_ _

x
_
(2.54)
Y es posible determinar una expresin que relacione z, los estados y la
incertidumbre:
z =
_
M
22
+M
21
(I M
11
)
1
M
12
_
x

= {|
1}
(2.55)
La representacin anterior se denomina transformacin lineal fraccional (Li-
near Fractional Transformation, LFT) y es utilizada comnmente en proble-
mas de control robusto. Este problema puede resolverse empleando desigual-
dades matriciales como aparece en [Gha97]. El problema de programacin
semidenida robusta se plantea como:
mn
x,P
Tr P (2.56)
_
_
P
_
M22 +M21(I M11)
1
M12
z
_
_
M22 +M21(I M11)
1
M12
_
T
I
_
_
0
(2.57)
Donde Tr representa la traza de la matriz, P es una matriz semidenida
positiva y representa la pseudo-inversa.
2.12. Estimacin de Parmetros por Aumento del
Vector de Estado
Debido a la incertidumbre que siempre est presente en los parmetros
del sistema elctrico, se han propuesto algunos mtodos para identicar esos
valores a partir de las mediciones que alimentan los estimadores de estado
[Deb74][ZE00]. Los mtodos de aumento del vector de estado adicionan,
como variables independientes, los parmetros que se sospecha tienen mayor
incertidumbre. De esta forma, los parmetros son estimados junto con las
magnitudes de voltaje y las fases. El vector de estado puede representarse
como:
x = [x(1) , x(2) , , x(n) , p] (2.58)
Donde las n primeras variables denotan los estados del sistema y p
representa el vector de parmetros con mayor incertidumbre. Otro tipo de
mtodos, diseados para la estimacin de parmetros constantes fuera de
lnea, se fundamentan en el uso de mediciones en tiempos diferentes para
obtener un aumento en la redundancia. Cuando se consideran mediciones
regulares nicamente, la funcin objetivo se convierte en:
f (x, p) =
q
k=1
m
i=1
w
i
[z
i
(k) h
i
(x(k) , p)]
2
(2.59)
2.13 Resumen 21
Donde, m es la cantidad de mediciones y q es la cantidad de veces que
se toma una medida dada. En cada iteracin debe calcularse una enorme
matriz para la solucin de las ecuaciones. Con mtodos de matrices dispersas
puede lograrse la implementacin de este algoritmo de forma eciente.
2.13. Resumen
En este captulo se ha presentado el marco terico del trabajo. Se ha
recopilado informacin relativa a la estimacin de estado por mnimos cua-
drados y por mnimo valor absoluto. Tambin se ha incluido el modelo de
las lneas de transmisin. Adems, se mencionaron brevemente las solucio-
nes numricas de las ecuaciones del estimador, se presentaron tcnicas de
estimacin de estado robusta y de identicacin de parmetros de las lneas
con mayor incertidumbre.
Captulo 3
Incertidumbre en la
Estimacin de Estado
Los parmetros del modelo de las lneas de transmisin se suponen
conocidos para la solucin del estimador. Esta situacin no se da en la
prctica debido a condiciones ambientales, de envejecimiento de los con-
ductores, entre otros. En este captulo se realiza un anlisis de los efectos
de la incertidumbre mediante la obtencin de los estados cuando se intro-
ducen errores en los valores de los parmetros. Los experimentos se realizan
para el estimador de mnimos cuadrados ponderados y mnimo valor ab-
soluto ponderado para un sistema de tres, seis y trece nodos. Adems, se
analiza el comportamiento cuando se aaden condiciones de cero inyeccin.
3.1. Incertidumbre en la Estimacin de Estado:
Modelamiento de Parmetros
La longitud y la altura, respecto de la tierra, de las lneas de trans-
misin de potencia tienen un efecto directo sobre los parmetros de las
mismas. Adems, factores como la carga de las lneas, la temperatura del
ambiente, la velocidad del viento y la cantidad de radiacin solar afectan
las caractersticas elctricas de los conductores [LL95][LWL92]. Para medir
la capacitancia de la lnea es necesario desconectar una de las terminales,
prueba que no puede llevarse a cabo en todo el sistema por razones econ-
micas. La construccin de nuevas lneas paralelas con acoplamiento mutuo
afecta la base de datos anterior. La reactancia serie de la lnea de transmi-
sin muy rara vez se mide, as que el valor usado es el calculado para una
lnea idealmente transpuesta. Las lneas no estn transpuestas debido a los
costos que implicara alterar mecnicamente las posiciones de los conduc-
24 Incertidumbre en la Estimacin de Estado
tores con respecto a las torres cada tercio de la distancia. Con todas estas
variaciones de las condiciones ideales y las pocas mediciones reales, los va-
lores de los parmetros usados para los clculos del estimador cuentan con
un 25 % a 30 % de error [KG04]. Esto nalmente produce un nivel de incer-
tidumbre en los datos usados para el clculo del estado que desembocan en
problemas econmicos y de operacin segura del sistema. Adicionalmente,
los errores en los parmetros de las lneas lmitan la capacidad del esti-
mador de detectar datos erroneos y lo hace una herramienta poco efectiva
bajo esta circunstancias. Tambin, se resalta el hecho de que la inductancia
de lnea determina el mximo ujo de potencia y los errores presentes en
este parmetro pueden implicar aumentos considerables en el costo de la
energa, como se discute en [KG04].
3.2. Metodologa experimental
Con el n de medir el impacto de la incertidumbre de los parmetros
se realizaron pruebas en tres sistemas diferentes. El primero fue un sistema
sencillo de tres nodos. Este se escogi dado que es el caso ms simple en el
cual se pueden incluir condiciones de cero inyeccin de potencia, ver gura
3.1. Con este sistema se realizaron un conjunto de simulaciones donde se
modicaban los valores de cada parmetro (20 %) para las dos lneas y se
media su efecto en la estimacin de estado resultante. Para caracterizar el
efecto estadstico de los errores de medicin se realizaron cincuenta simu-
laciones para cada caso y se promedi el error cometido en la estimacin.
Este proceso se realiz para cuatro clases de estimadores: WLS, WLS con
condiciones de cero inyeccin, WLAV y WLAV con condiciones de cero in-
yeccin. Esta misma metodologa experimental se us para el sistema de
seis nodos presentado en la gura 3.2. Las conclusiones obtenidas con esta
serie de experimentos se enumeran en la seccin nal de este captulo. Por
ltimo, se emple un sistema de trece nodos para nalizar la pruebas, los
resultados para este sistema se exponen en detalle en la seccin siguiente.
3.3. Sistema de Prueba
La ltima serie de estimaciones se realiz para un sistema de trece nodos.
Este sistema se asemeja al IEEE14, donde dos de los nodos se han unido.
Esta modicacin se debe a que el programa de simulacin de ujos de
carga para este trabajo, Power World 11.0 [Pow06], en su versin de prueba
permite este nmero mximo de trece nodos. Adems, puesto que el n del
trabajo es la presentacin del algoritmo de identicacin de los parmetros
3.3 Sistema de Prueba 25
G
1 2 3
L
Figura 3.1: Sistema de Potencia de Tres Nodos
G
G
G
L
L
L
1
2
4
3
5
6
Figura 3.2: Sistema de Potencia de Seis Nodos
y ste es secuencial, no importa cul sea el tamao del sistema. El efecto de
la incertidumbre en los parmetros se realiz de la misma forma que para
el sistema de seis nodos. El sistema de trece nodos se muestra en la gura
3.3
G
G
G
G
L
L
L
L
1
2
4
3
5
6
7 8
9
10
11 12 13
Figura 3.3: Sistema de Potencia de Trece Nodos
Estimador por Mnimos Cuadrados Ponderados
Sin condiciones de Cero Inyeccin
En la tabla 3.1 se recogen los promedios de los porcentajes de error para
todas las condiciones de incertidumbre. Las conclusiones son denitivas, en
este caso la variacin de un 20 % de la resistencia ocasion un error mximo
del 1.11 % que cae en el rango de error de las mediciones. La incertidumbre
en la susceptancia no tuvo importancia alguna. El error en la inductancia,
se movi entre 18.13 % y 20.99 % rearmando su mayor importancia.
Condiciones de Cero Inyeccin en los Nodos Cinco, Siete, Nueve
y Doce
Los resultados del error cuando se introducen condiciones de cuatro
nodos de cero inyeccin se muestran en la tabla 3.2. El aumento de las
mediciones no logr hacer mejores los resultados. El comportamiento del
estimador es bsicamente el mismo. Los niveles de error se conservan y la
precisin se mantiene igual.
Error % Nom R 80 % R 120 % X 80 % X 120 % B 80 % B 120 %
2 0.0394 0.0131 0.0409 19.0269 18.6557 0.0435 0.0184
3 0.0566 0.0008 0.0997 18.6017 18.1334 0.0033 0.0137
4 0.0436 0.6078 0.6363 19.7736 19.4183 0.0428 0.0187
5 0.0428 0.8715 0.9034 20.0062 19.6446 0.0431 0.0182
6 0.0460 1.0331 1.0692 20.7764 20.6234 0.0440 0.0198
7 0.0461 0.7277 0.7530 19.8684 19.5008 0.0415 0.0193
8 0.0420 0.0308 0.0527 19.0983 18.6972 0.0486 0.0202
9 0.0473 0.9290 0.9633 20.3149 20.0230 0.0433 0.0207
10 0.0465 0.9783 1.0135 20.5381 20.3099 0.0442 0.0204
11 0.0458 0.9004 0.9353 20.9986 20.9811 0.0440 0.0212
12 0.0459 0.9853 1.0197 20.8747 20.7785 0.0441 0.0203
13 0.0472 1.0754 1.1133 20.8912 20.7681 0.0443 0.0208
v1 0.0223 0.1605 0.1785 0.4864 0.4973 0.0119 0.0188
v2 0.0226 0.1040 0.1228 0.5432 0.5527 0.0114 0.0186
v3 0.0239 0.1692 0.1879 0.4761 0.4843 0.0109 0.0190
v4 0.0320 0.0313 0.0672 0.3058 0.3364 0.0203 0.0272
v5 0.0288 0.0478 0.0795 0.2300 0.2593 0.0188 0.0253
v6 0.0319 0.1116 0.0766 0.4629 0.4119 0.0224 0.0275
v7 0.0284 0.0452 0.0734 0.2776 0.3001 0.0163 0.0241
v8 0.0241 0.1269 0.1451 0.5193 0.5260 0.0129 0.0199
v9 0.0297 0.0273 0.0046 0.0399 0.0044 0.0191 0.0250
v10 0.0333 0.0704 0.0321 0.2324 0.1822 0.0239 0.0284
v11 0.0276 0.1964 0.1696 0.7198 0.6674 0.0203 0.0265
v12 0.0278 0.1443 0.1140 0.5716 0.5236 0.0196 0.0253
v13 0.0325 0.1366 0.0964 0.6025 0.5529 0.0232 0.0287
Tabla 3.1: Error Estimador WLS sin condicin
Estimador por Mnimo Valor Absoluto Ponderado
Sin condiciones de Cero Inyeccin
La tabla 3.3 presenta el comportamiento del error para el ltimo sistema
analizado cuando se estiman sus estados por WLAV. La nica considera-
cin de importancia se reere a que los errores en promedio son mayores
que los alcanzados con el estimador WLS. Por ejemplo, en el caso nominal
el error mximo del estimador WLS fue de 0.0566 % mientras el WLAV
cometi un error del 0.3734 %, casi siete veces superior. En lo que respec-
ta a la incertidumbre no existe diferencia en el comportamiento de los dos
estimadores.
Error % Nom R 80 % R 120 % X 80 % X 120 % B 80 % B 120 %
2 0.0393 0.0133 0.0419 19.0170 18.6373 0.0641 0.0042
3 0.0563 0.0038 0.0953 18.5878 18.1112 0.0153 0.0093
4 0.0434 0.6082 0.6374 19.7637 19.3997 0.0635 0.0041
5 0.0419 0.8164 0.8440 19.9290 19.5520 0.1075 0.0515
6 0.0458 1.0343 1.0711 20.7668 20.6038 0.0652 0.0036
7 0.0433 0.6930 0.7202 19.8237 19.4463 0.1320 0.0732
8 0.0417 0.0300 0.0530 19.0876 18.6775 0.0752 0.0079
9 0.0467 0.9050 0.9402 20.2792 19.9777 0.1005 0.0374
10 0.0464 0.9795 1.0155 20.5287 20.2910 0.0647 0.0024
11 0.0456 0.9013 0.9369 20.9884 20.9599 0.0662 0.0033
12 0.0456 0.9834 1.0193 20.8609 20.7555 0.0821 0.0209
13 0.0470 1.0766 1.1151 20.8814 20.7480 0.0655 0.0027
v1 0.0222 0.1605 0.1787 0.4926 0.5051 0.0219 0.0076
v2 0.0225 0.1040 0.1230 0.5495 0.5605 0.0214 0.0074
v3 0.0238 0.1692 0.1881 0.4824 0.4922 0.0210 0.0078
v4 0.0319 0.0313 0.0675 0.3123 0.3447 0.0309 0.0154
v5 0.0290 0.0486 0.0795 0.2192 0.2427 0.0101 0.0321
v6 0.0318 0.1116 0.0763 0.4551 0.4015 0.0351 0.0136
v7 0.0282 0.0454 0.0738 0.2738 0.2944 0.0002 0.0397
v8 0.0240 0.1269 0.1453 0.5255 0.5337 0.0226 0.0090
v9 0.0294 0.0275 0.0043 0.0463 0.0155 0.0045 0.0384
v10 0.0333 0.0704 0.0318 0.2250 0.1723 0.0362 0.0149
v11 0.0275 0.1964 0.1692 0.7118 0.6567 0.0335 0.0120
v12 0.0285 0.1457 0.1156 0.5698 0.5217 0.0137 0.0304
v13 0.0324 0.1366 0.0960 0.5945 0.5422 0.0364 0.0142
Tabla 3.2: WLS con condicion
Condiciones de Cero Inyeccin en los Nodos Cinco, Siete, Nueve
y Doce
Por ltimo la tabla 3.2 entrega el error promedio cuando se incluyen
cuatro condiciones de cero inyeccin al estimador WLAV. Contrariamente
a lo esperado el efecto nal fue un leve aumento en el error cometido.
Llegando a un error mximo, en el caso de la inductancia, del 21.5 %.
3.4. Conclusiones
Los resultados obtenidos en este captulo evidencian algunas caracters-
ticas de los estimadores de estado, en lo que respecta a la incertidumbre en
los parmetros, que se resaltan en esta seccin:
La incertidumbre en el valor de los parmetros se reeja dbilmente
en el error mximo cometido en la estimacin. Como se observ con
el sistema de tres nodos, 20 % de error en la inductancia, produce un
3.4 Conclusiones 29
Error % Nom R 80 % R 120 % X 80 % X 120 % B 80 % B 120 %
2 0.3458 0.6834 0.4687 19.5020 18.3111 0.3413 0.3880
3 0.3246 0.5758 0.5055 19.5193 18.3767 0.8077 0.4579
4 0.3506 0.0883 1.0681 20.3157 19.1484 0.4055 0.4315
5 0.3467 0.1765 1.3332 20.5298 19.3455 0.4089 0.4356
6 0.3663 0.3085 1.5058 21.3509 20.3824 0.4368 0.4549
7 0.3494 0.0336 1.1837 20.4048 19.2252 0.4224 0.4458
8 0.3355 0.6827 0.5383 19.5857 18.1992 0.4947 0.4841
9 0.3571 0.2247 1.3955 20.8815 19.7794 0.4306 0.4545
10 0.3618 0.2629 1.4458 21.1011 20.0522 0.4364 0.4543
11 0.3734 0.1526 1.3853 21.5938 20.7542 0.4502 0.4588
12 0.3686 0.2480 1.4616 21.4609 20.5478 0.4444 0.4602
13 0.3675 0.3462 1.5488 21.4833 20.5434 0.4445 0.4610
v1 0.1759 0.1955 0.4075 0.1313 0.5889 0.2041 0.2151
v2 0.1759 0.2507 0.3516 0.1896 0.6494 0.2195 0.2241
v3 0.1757 0.1847 0.4174 0.1222 0.5778 0.2139 0.2159
v4 0.1897 0.3355 0.3007 0.0541 0.4366 0.2299 0.2323
v5 0.1891 0.3224 0.3142 0.1338 0.3562 0.2247 0.2293
v6 0.2056 0.5193 0.1721 0.8513 0.3146 0.2441 0.2306
v7 0.1864 0.3231 0.3065 0.0829 0.4008 0.2180 0.2250
v8 0.1760 0.2283 0.3709 0.1757 0.6195 0.1987 0.2154
v9 0.1946 0.4125 0.2439 0.4116 0.0973 0.2292 0.2259
v10 0.2021 0.4663 0.2110 0.6134 0.0864 0.2358 0.2302
v11 0.2087 0.6196 0.0855 1.1167 0.5725 0.2428 0.2200
v12 0.2055 0.5586 0.1357 0.9674 0.4293 0.2394 0.2206
v13 0.2100 0.5487 0.1551 0.9935 0.4471 0.2446 0.2275
Tabla 3.3: Error Estimador WLAV sin condiciones
20 % error en las fases pero slo aumenta el error entre las mediciones
y los clculos de 0.0028 a 0.0069 en el caso WLS y de 0.0035 a 0.0139
en el caso WLAV. Estos ltimos valores no indican claramente que
un error importante en los estados se est cometiendo.
La inductancia es el parmetro que ms afecta la estimacin y lo hace
en un orden de magnitud similar a su incertidumbre. No importa qu
tipo de estimador est implementado, el error que se comete es de
la misma proporcin. En los casos analizados aqu, errores de 20 %
llevaron a errores alrededor del 20 % en las fases.
La susceptancia es el parmetro que menos error genera cuando exis-
ten imprecisiones en su modelamiento. El error cometido por la incer-
tidumbre de este parmetro, que se supuso del 20 %, en ninguno de
los casos sobrepas el 0.5 %. Para la estimacin de estado los errores
en el valor de este parmetro no repercuten de manera considerable.
Error % Nom R 80 % R 120 % X 80 % X 120 % B 80 % B 120 %
2 0.4683 0.6012 0.6403 19.3679 17.9918 0.4568 0.5016
3 0.4314 0.4943 0.2543 19.5744 17.2413 0.0657 0.2019
4 0.4733 0.0088 1.2105 20.2525 18.8510 0.4593 0.5078
5 0.4614 0.2670 1.5060 20.3756 19.0899 0.4102 0.4540
6 0.4937 0.3550 1.6257 21.2849 19.9436 0.4816 0.5375
7 0.4129 0.1486 1.2807 20.3344 18.9612 0.4016 0.5367
8 0.1724 0.4181 0.3175 19.6812 18.4349 0.2750 0.2510
9 0.4817 0.2980 1.5310 20.8376 19.4041 0.4700 0.5422
10 0.4885 0.3117 1.5654 21.0687 19.6560 0.4727 0.5319
11 0.5039 0.2040 1.5137 21.4999 20.3048 0.4905 0.5459
12 0.4949 0.2996 1.5853 21.3820 20.1059 0.4844 0.5519
13 0.4958 0.3904 1.6758 21.3957 20.1023 0.4825 0.5312
v1 0.2357 0.1556 0.4650 0.1986 0.7845 0.2245 0.2538
v2 0.2356 0.2113 0.4095 0.2561 0.8448 0.2243 0.2541
v3 0.2352 0.1452 0.4751 0.1881 0.7722 0.2112 0.2465
v4 0.2516 0.2953 0.3615 0.0103 0.6425 0.2412 0.2745
v5 0.2516 0.2820 0.3755 0.0699 0.5644 0.2580 0.2890
v6 0.2732 0.4758 0.2383 0.7807 0.1237 0.2645 0.2985
v7 0.2696 0.2997 0.3842 0.0189 0.6100 0.2600 0.2590
v8 0.2573 0.2063 0.4483 0.2471 0.8251 0.2405 0.3379
v9 0.2571 0.3678 0.3062 0.3245 0.2955 0.2463 0.2622
v10 0.2675 0.4230 0.2754 0.5380 0.1076 0.2599 0.2919
v11 0.2790 0.5769 0.1543 1.0567 0.3795 0.2708 0.3045
v12 0.2735 0.5146 0.2026 0.8960 0.2354 0.2676 0.2796
v13 0.2783 0.5052 0.2230 0.9254 0.2482 0.2696 0.3040
Tabla 3.4: Error Estimador WLAV con condiciones
La resistencia tampoco implic errores importantes debidos a su in-
certidumbre. En todos los tipos de estimadores presentados y en los
tres casos estudiados, un 20 % de incertidumbre condujo a errores
levemente superiores al 2 % en las fases.
Las condiciones de cero inyeccin de potencia no son tiles para me-
jorar la robustez del estimador. En todos los experimentos realizados,
incluir condiciones de cero inyeccin no mejor los resultados cuando
los parmetros tenan errores en el modelo. An cuando la cantidad
de nodos es signicativa, cuatro de los trece, fueron usados como con-
diciones adicionales y en el caso del estimador WLAV el porcentaje
de error se mantuvo igual.
Los estimadores por WLS y WLAV se afectan en la misma propor-
cin debido a las incertidumbres de los parmetros de las lneas. En
ninguna de las pruebas de robustez se pudo observar que alguno de
los dos estimadores tuviera un desempeo superior.
3.4 Conclusiones 31
Los errores cometidos por el estimador WLAV son un poco mayores
que los obtenidos con el estimador WLS. Un resultado comn a todas
las pruebas fue el mejor desempeo del estimador WLS cuando los pa-
rmetros tienen su valor nominal. En el caso de trece nodos, los errores
en los estados fueron casi diez veces mayores para WLAV en compa-
racin con WLS. Por ejemplo, el error en el estado
2
= 0,0563 % para
el WLS mientras que para el WLAV fue de
2
= 0,4314 %.
Cabe aclarar que estas conclusiones se han obtenido de tres sistemas de
prueba pequeos y que adems no se han tenido en cuenta otros factores
de incertidumbre y error como la resolucin o sesgos en los datos. Sin em-
bargo, los resultados sugieren datos de valor en el rea de la estimacin de
parmetros.
Captulo 4
Identicacin de Algunos
Parmetros del Sistema
En este captulo se presentan los resultados de incluir algunos de los
parmetros de las lneas de transmisin como estados a estimar. El propsito
aqu es determinar la posibilidad de identicar los parmetros con mayor
incertidumbre del sistema y adems cuntos de ellos. Se analiza tambin
cmo esta estimacin se ve afectada por la incertidumbre en los parmetros
de otras lneas del sistema. Las pruebas se realizaron nuevamente en los
sistemas de seis y trece nodos expuestos en el captulo anterior y se utilizaron
los estimadores WLS y WLAV.
4.1. Metodologa experimental
Para los dos sistemas de prueba se sigui el el mismo procedimiento
experimental que buscaba caracterizar la capacidad del algoritmo de esti-
macin de estado de hallar algunos de los parmetros del sistema, adems
de su robustez frente a otros datos errneos. La primera serie de simulacio-
nes identicarn un slo parmetro de lnea de todo el sistema. A partir de
los resultados del captulo anterior se determin que el parmetro ms sus-
ceptible a la incertidumbre es la inductancia y por tanto ste se busc para
seis de las lneas presentes en el sistema de seis nodos. Con el n de carac-
terizar el efecto del ruido (las mediciones se contaminaron con ruido blanco
de 50 dB) se realizaron 50 simulaciones, se calcul el promedio de cada es-
tado y se hall el error con respecto al valor real. En el primer caso se ha
supuesto que los restantes parmetros son completamente conocidos. Para
determinar la robustez en la identicacin de algunos de los parmetros del
sistema se usaron cuatro condiciones diferentes. En la condicin S1 se mo-
34 Identicacin de Algunos Parmetros del Sistema
dican los restantes dos parmetros de la lnea modelando la incertidumbre
en la lnea completa. En la condicin S2 se modican los parmetros de la
lnea identicada y de una de las lneas conectadas al mismo nodo. En la
condicin S3 se modicaron todos los parmetros de la lnea identicada y
las lineas conectadas a los dos nodos de la lnea. Finalmente en la condicin
S4 se modican algunos parmetros de las lneas no conectadas a la lnea
identicada. En todas las condiciones los parmetros fueron aumentados en
un 20 %. Nuevamente, las conclusiones obtenidas se recogen en la seccin
nal de este captulo y a continuacin se expone el trabajo experimental
para el sistema de trece nodos.
4.2. Sistema de Prueba
En esta seccin se recogen los experimentos realizados para el sistema
de trece nodos. Los valores de los parmetros para este sistema se presentan
en la tabla 4.1
Variable R X B
L
15
0.0180 0.1704 0.0100
L
25
0.0190 0.1724 0.0110
L
21
0.0200 0.1744 0.0120
L
23
0.0210 0.1764 0.0130
L
34
0.0220 0.1784 0.0140
L
45
0.0230 0.1804 0.0150
L
49
0.0240 0.1824 0.0160
L
47
0.0250 0.1844 0.0170
L
42
0.0260 0.1864 0.0180
L
56
0.0270 0.1884 0.0150
L
612
0.0280 0.1904 0.0140
L
610
0.0290 0.1924 0.0130
L
79
0.0300 0.1704 0.0120
L
78
0.0240 0.1764 0.0110
L
910
0.0230 0.1784 0.0100
L
116
0.0220 0.1824 0.0090
L
1112
0.0210 0.1864 0.0120
L
1213
0.0200 0.1804 0.0160
L
139
0.0190 0.1884 0.0150
Tabla 4.1: Valores de los Parmetros del Sistema de Trece Nodos por Unidad
Error % L
25
L
34
L
49
L
612
L
79
L
1112
2
0.0092 0.0377 0.0044 0.0282 0.0090 0.0379
3
0.0102 0.0383 0.0032 0.0286 0.0100 0.0387
4
0.0098 0.0369 0.0057 0.0268 0.0097 0.0370
5
0.0090 0.0373 0.0055 0.0275 0.0090 0.0374
6
0.0090 0.0377 0.0047 0.0267 0.0092 0.0377
7
0.0099 0.0368 0.0060 0.0265 0.0094 0.0369
8
0.0101 0.0370 0.0068 0.0273 0.0099 0.0372
9
0.0086 0.0377 0.0049 0.0269 0.0087 0.0377
10
0.0092 0.0378 0.0052 0.0266 0.0093 0.0378
11
0.0093 0.0380 0.0042 0.0268 0.0095 0.0383
12
0.0096 0.0376 0.0048 0.0263 0.0098 0.0374
13
0.0092 0.0373 0.0048 0.0263 0.0095 0.0371
v
1
0.0047 0.0184 0.0025 0.0137 0.0047 0.0185
v
2
0.0042 0.0179 0.0028 0.0131 0.0041 0.0180
v
3
0.0038 0.0172 0.0031 0.0130 0.0038 0.0177
v
4
0.0024 0.0250 0.0034 0.0193 0.0025 0.0248
v
5
0.0007 0.0224 0.0012 0.0173 0.0007 0.0224
v
6
0.0001 0.0249 0.0029 0.0181 0.0003 0.0250
v
7
0.0029 0.0246 0.0045 0.0187 0.0037 0.0244
v
8
0.0033 0.0189 0.0019 0.0106 0.0026 0.0187
v
9
0.0034 0.0196 0.0010 0.0134 0.0038 0.0194
v
10
0.0004 0.0233 0.0017 0.0169 0.0007 0.0233
v
11
0.0011 0.0271 0.0058 0.0203 0.0008 0.0283
v
12
0.0028 0.0272 0.0067 0.0216 0.0026 0.0264
v
13
0.0005 0.0234 0.0036 0.0186 0.0002 0.0229
R 1.2661 0.0060 0.1001 1.0229 1.1469 3.6035
X 0.0397 0.0227 0.0332 0.7011 0.5583 0.4444
B 0.0502 0.1789 0.0623 0.0522 0.1423 0.1343
Tabla 4.2: Error Promedio en los Estados y en los Parmetros de Seis Lneas
Mnimos Cuadrados Ponderados
Identicacin de Tres Parmetros de Lnea
Inicialmente se identicaron todos los parmetros de una lnea de trans-
misin, los errores promedio se exponen en la tabla 4.2. La prueba de ro-
bustez de se presenta en la tabla 4.3.
Se obtienen resultados satisfactorios en el caso nominal, pero las pruebas
en presencia de incertidumbre indican que la identicacin est sujeta a
Error % Nom S2 S3 S4
2
0.0092 12.9179 26.5197 0.4623
3
0.0102 13.0026 31.6266 0.7267
4
0.0098 5.3745 17.1921 0.4875
5
0.0090 3.3991 14.5820 0.3293
6
0.0090 1.9703 13.4990 0.8264
7
0.0099 4.5134 16.6584 2.5653
8
0.0101 5.6501 20.8406 3.1359
9
0.0086 3.2947 13.7813 0.5486
10
0.0092 2.5806 13.5332 1.9540
11
0.0093 1.7918 11.4997 0.6820
12
0.0096 1.9591 11.7901 0.6512
13
0.0092 2.1111 10.6732 0.5769
v
1
0.0047 0.0178 0.2510 0.0031
v
2
0.0042 0.0348 0.1071 0.0159
v
3
0.0038 0.0298 0.0839 0.0211
v
4
0.0024 0.0220 0.0926 0.0336
v
5
0.0007 0.0368 0.3342 0.0163
v
6
0.0001 0.0208 0.0039 0.0598
v
7
0.0029 0.0213 0.0320 0.1540
v
8
0.0033 0.0149 0.0237 0.1412
v
9
0.0034 0.0122 0.0081 0.0209
v
10
0.0004 0.0016 0.0239 0.0904
v
11
0.0011 0.0122 0.0029 0.0552
v
12
0.0028 0.0061 0.0065 0.0529
v
13
0.0005 0.0060 0.0228 0.0254
R
25
1.2661 57.0221 16.7280 2.4171
X
25
0.0397 15.6794 12.0539 2.1144
B
25
0.0502 15.0072 12.3315 1.9867
Tabla 4.3: Error en los Estados y los tres parmetros de lnea con Incerti-
dumbre en el Sistema
los valores de los parmetros cercanos especialmente para el caso de la
resistencia que produce un error mximo del 57.02 %. Este efecto tambin
se ve representado en los errores cometidos en los estados que sobrepasan
el 20 %.
Identicacin de Seis Parmetros del Sistema
En este caso se introdujeron los parmetros de dos lneas del sistema y
se realizaron las pruebas de robustez, los resultados se muestran en la tabla
4.4. Esta prueba fortalece la conclusin presentada en los casos anteriores,
si bien los parmetros se pueden determinar la robustez es muy escasa y
los errores se aumentan, especialmente en el caso de las resistencias que
tienen un error mximo cercano al 100 %. En los estados el maximo error
sobrepasa el 35 %.
Mnimos Cuadrados Ponderados con Condiciones de Cero
Inyeccin
Aqu se ratic la situacin observada en el caso del sistema de seis
nodos, aumentar las condiciones de cero inyeccin no favorece la identica-
cin. En este caso ninguno de los parmetros de las lneas de prueba pudo
hallarse.
Mnimo Valor Absoluto Ponderado
Identicacin de tres Parmetros de Lnea
La tabla 4.5 presenta el error promedio de los estados y los parme-
tros de seis de las lneas del sistema de trece nodos usando el estimador
de WLAV. Los resultados indican que las resistencias y las inductancias
pueden determinarse con bastante precisin, el error mximo fue del 4.14 %
para el caso de la resistencia y del 0.05 % para la inductancia, no as la
suceptancia donde se cometi un error mximo del 16.52 %. La prueba de
robustez, muestra que el valor de la suceptancia es el que ms se afecta con
la incertidumbre pasando de un 0.87 %, en el caso nominal, a casi un 30 %
cuando existe incertidumbre en los parmetros de las lneas cercanas. La
inductancia tambin se ve afectada en una proporcin semejante, llegando
a un error del 20 %. En menor proporcin se err en la resistencia, 10 %.
Estos datos se enumeran en la tabla 4.6.
Identicacin de Seis Parmetros del Sistema
En este ltimo experimento se identicaron los parmetros de dos lneas
y se realizaron las pruebas de robustez. La tabla 4.7 recoge estos datos. Para
este caso la resistencia y la susceptancia fueron los parmetros con mayor
error, 6.40 % y 7.07 % respectivamente. En la condicin de mayor incerti-
dumbre, la suceptancia lleg a un error mximo del 26.27 %, la resistencia
2
0.0925 21.2193 25.5539 0.4944
3
0.0876 24.5211 35.8397 1.0936
4
0.0904 22.0586 17.8464 0.6172
5
0.0889 17.5975 14.9155 0.2178
6
0.0902 15.4273 13.7675 0.7233
7
0.0908 20.7851 17.2124 2.6854
8
0.0926 25.9781 21.5308 3.2626
9
0.0912 16.8401 14.1930 0.4347
10
0.0906 15.9807 13.8648 1.8457
11
0.0894 13.2537 11.7483 0.5794
12
0.0895 13.6898 12.0550 0.5472
13
0.0882 12.6905 10.9512 0.4699
v
1
0.0445 0.4581 0.3872 0.0352
v
2
0.0445 0.3614 0.1731 0.0536
v
3
0.0474 0.2967 0.0837 0.0692
v
4
0.0523 0.0507 0.0955 0.0782
v
5
0.0500 0.2429 0.2717 0.0255
v
6
0.0499 0.0763 0.0379 0.0135
v
7
0.0505 0.0080 0.0289 0.1995
v
8
0.0456 0.0139 0.0229 0.1871
v
9
0.0445 0.0516 0.0162 0.0256
v
10
0.0480 0.0770 0.0417 0.0430
v
11
0.0504 0.0689 0.0344 0.0078
v
12
0.0488 0.0698 0.0338 0.0054
v
13
0.0449 0.0755 0.0416 0.0241
R
25
0.7319 3.6442 1.9613 2.3727
X
25
0.0214 9.8951 8.2964 1.9087
B
25
0.1670 8.3447 8.6183 1.8140
R
23
1.8854 39.6698 93.1388 13.1969
X
23
0.1646 2.9347 34.3433 3.0338
B
23
0.0739 0.5129 2.8181 0.0706
al 10.4 % y la inductancia casi al 20 %. Estos valores son muy similares a
los obtenidos en el caso de tres parmetros.
4.3 Conclusiones 39
Error % L
25
L
34
L
49
L
612
L
79
L
1112
2
0.4963 0.3606 0.3066 0.2360 0.3633 0.2918
3
0.4988 0.3622 0.3085 0.2396 0.3676 0.2937
4
0.4997 0.3592 0.3076 0.2358 0.3663 0.2942
5
0.5033 0.3587 0.3077 0.2376 0.3649 0.2929
6
0.5097 0.3667 0.3150 0.2401 0.3756 0.3016
7
0.5022 0.3600 0.3103 0.2363 0.3674 0.2964
8
0.5064 0.3605 0.3091 0.2401 0.3692 0.2990
9
0.5051 0.3625 0.3118 0.2380 0.3707 0.2987
10
0.5079 0.3644 0.3126 0.2381 0.3730 0.2999
11
0.5113 0.3680 0.3168 0.2417 0.3784 0.3035
12
0.5108 0.3675 0.3150 0.2409 0.3766 0.3025
13
0.5089 0.3675 0.3151 0.2402 0.3766 0.3029
v
1
0.2480 0.1780 0.1529 0.1175 0.1805 0.1458
v
2
0.2482 0.1781 0.1528 0.1164 0.1820 0.1466
v
3
0.2475 0.1800 0.1527 0.1166 0.1818 0.1465
v
4
0.2591 0.1886 0.1631 0.1253 0.1938 0.1570
v
5
0.2567 0.1872 0.1613 0.1235 0.1919 0.1549
v
6
0.2700 0.1967 0.1688 0.1301 0.2028 0.1646
v
7
0.2581 0.1879 0.1626 0.1249 0.1934 0.1571
v
8
0.2453 0.1770 0.1562 0.1156 0.1822 0.1471
v
9
0.2589 0.1872 0.1603 0.1223 0.1937 0.1554
v
10
0.2653 0.1925 0.1651 0.1269 0.1989 0.1609
v
11
0.2725 0.1993 0.1712 0.1324 0.2051 0.1668
v
12
0.2723 0.1996 0.1718 0.1329 0.2056 0.1669
v
13
0.2690 0.1960 0.1686 0.1293 0.2022 0.1639
R 4.1402 0.0949 0.1214 0.0387 0.1077 0.0344
X 0.0517 0.0081 0.0030 0.0025 0.0046 0.0038
B 0.8767 16.5285 0.8056 0.2868 7.7421 0.8578
Tabla 4.5: Error Promedio en los Estados y en los Parmetros de Seis Lneas
4.3. Conclusiones
El conjunto de experimentos realizados anteriormente permitieron di-
lucidar ciertos comportamientos en los estimadores de estados de mnimos
cuadrados y mnimo valor absoluto, cuando se incluyen algunos parmetros
como parte de la estimacin.
Se encontr que la estimacin se hace cada vez menos robusta con-
forme se aumentan la cantidad de parmetros a identicar. Se not
Error % Nom S1 S2 S3 S4
2
0.4963 0.0525 19.1845 0.3440 0.3633
3
0.4988 0.0324 33.3963 0.3436 0.3676
4
0.4997 0.0999 16.4145 0.3487 0.3663
5
0.5033 0.0867 19.3008 0.3525 0.3649
6
0.5097 0.1368 8.1390 0.3570 0.3756
7
0.5022 0.1075 14.4691 0.3479 0.3674
8
0.5064 0.0952 18.2323 0.3462 0.3692
9
0.5051 0.1237 10.9762 0.3531 0.3707
10
0.5079 0.1302 9.4180 0.3555 0.3730
11
0.5113 0.1415 7.0677 0.3580 0.3784
12
0.5108 0.1397 7.5202 0.3586 0.3766
13
0.5089 0.1399 7.4512 0.3554 0.3766
v
1
0.2480 0.0855 0.4241 0.1736 0.1805
v
2
0.2482 0.0844 0.4790 0.1759 0.1820
v
3
0.2475 0.0840 0.2946 0.1756 0.1818
v
4
0.2591 0.0921 0.3061 0.1854 0.1938
v
5
0.2567 0.0892 0.2359 0.1811 0.1919
v
6
0.2700 0.0948 0.3139 0.1863 0.2028
v
7
0.2581 0.0916 0.3041 0.1957 0.1934
v
8
0.2453 0.0832 0.2901 0.1846 0.1822
v
9
0.2589 0.0883 0.3056 0.1820 0.1937
v
10
0.2653 0.0927 0.3102 0.1816 0.1989
v
11
0.2725 0.0971 0.3174 0.1883 0.2051
v
12
0.2723 0.0979 0.3173 0.1888 0.2056
v
13
0.2690 0.0947 0.3147 0.1896 0.2022
R
25
4.1402 3.8517 10.1298 4.0050 0.1077
X
25
0.0517 0.0622 20.0023 0.0627 0.0046
B
25
0.8767 0.4524 29.8066 0.7759 7.7421
cmo en el caso del estimador WLS y el sistema de seis nodos, al
identicar todos los parmetros de una lnea, la incertidumbre de los
parmetros de las lneas cercanas afectan fuertemente la estimacin.
Por ejemplo, en el caso de la susceptancia el error del caso nominal
fue de 1.28 % mientras que en condiciones de mayor incertidumbre
este error aument hasta el 426.10 %.
Las matrices que representan la ecuaciones se acercan a la singularidad
4.3 Conclusiones 41
2
0.4166 0.5350 18.7369 0.4442
3
0.4327 0.5725 18.8328 0.4614
4
0.4231 0.5807 18.7795 0.4531
5
0.4276 0.5832 18.7727 0.4555
6
0.4309 0.6024 15.2718 0.4579
7
0.6649 0.5847 16.5359 0.4518
8
0.7156 0.5843 20.8821 0.4513
9
0.4258 0.5922 17.1838 0.4556
10
0.4311 0.6012 17.5172 0.4572
11
0.4311 0.6056 13.3849 0.4591
12
0.4317 0.6049 14.1787 0.4594
13
0.4289 0.5999 11.8416 0.4572
v
1
0.2095 0.2887 0.6082 0.2238
v
2
0.2115 0.3089 0.6701 0.2261
v
3
0.2079 0.2945 0.6387 0.2219
v
4
0.2211 0.3109 0.4320 0.2345
v
5
0.2171 0.3072 0.4024 0.2310
v
6
0.2223 0.3162 0.0714 0.2368
v
7
0.2452 0.3119 0.4327 0.2399
v
8
0.2330 0.2974 0.4156 0.2275
v
9
0.2176 0.3088 0.1911 0.2315
v
10
0.2165 0.3083 0.0689 0.2306
v
11
0.2245 0.3191 0.0734 0.2395
v
12
0.2248 0.3182 0.0746 0.2392
v
13
0.2255 0.3181 0.1986 0.2390
R
25
4.5947 3.3353 10.4016 4.6655
X
25
0.0568 0.0137 19.8227 0.0580
B
25
0.7566 4.8065 26.2780 0.9143
R
23
6.4170 13.2536 5.5574 6.9615
X
23
1.0144 0.7485 18.6366 0.9691
B
23
7.0760 7.2673 6.0037 7.0356
con mayor nmero de parmetros. Como es de esperarse, conforme
se aumenta el nmero de parmetros a identicar se reduce el nivel
de redundancia y las ecuaciones se acercan ms una condicin de
singularidad. Este hecho degrada la convergencia del algoritmo y por
tanto impide la obtencin de los restantes estados.
Se observ que la inclusin de las condiciones de cero inyeccin tiene
un efecto perjudicial en la obtencin de los parmetros. Las restriccio-
nes que imponen las condiciones de cero inyeccin de potencia tienen
un efecto muy negativo en la intencin de obtener los parmetros en
lnea. Por ejemplo, en el sistema de seis nodos con el estimador WLS
y condicin de cero inyeccin en el nodo dos, no se pudo identicar
los parmetros an sin incertidumbre en el resto del sistema. De igual
forma ocurri para el estimador WLAV tanto en el sistema de seis
como en el de trece nodos.
Por otro lado, las conclusiones acerca del estimador de mnimo valor
absoluto son bastante errticas. En el caso de seis nodos, la obtencin
de los parmetros produjo ms fracasos que xitos, pero para el siste-
ma de trece nodos los resultados fueron levemente mejores que para
el estimador WLS. Por ejemplo, en la identicacin de dos lneas y
seis parmetros, el estimador WLS arroj un error mximo para una
de las resistencias del 93.1 %, mientras que el mximo error con el
estimador WLAV, para una susceptancia, fue del 26.2 %.
En trminos generales, la identicacin en lnea de los parmetros del
sistema tiene una gran limitacin en la cantidad adicional de estados que
pueden buscarse y adems presenta una muy fuerte dependencia de la in-
certidumbre del sistema completo.
Captulo 5
Identicacin de Todos los
Parmetros del Sistema
Este captulo presenta los resultados centrales de este trabajo. Se des-
criben los algoritmos propuestos para la obtencin de todos los parmetros
de un sistema de potencia elctrica. La metodologa expuesta aqu se sus-
tenta en una estimacin independiente de cada lnea en diferentes instantes
de tiempo. Los resultados de identicacin se presentan para el sistema de
trece nodos. En la seccin nal del captulo se presentan algunas modica-
ciones de los algoritmos.
5.1. Descripcin de los Algoritmos
El algoritmo propuesto para la identicacin de la totalidad de los pa-
rmetros del sistema elctrico aprovecha la abundante cantidad de informa-
cin disponible a travs del tiempo y el inters de obtener nicamente el
valor de los parmetros de las lneas. En un sistema de potencia se toman
mediciones de ujos de potencia y voltajes con una periodicidad promedio
de 10 minutos, lo que indica que en un slo da es posible tener aproxi-
madamente 144 mediciones de la misma cantidad. Esta redundancia puede
usarse para generar grupos de mediciones de potencia y voltaje de una l-
nea determinada en diferentes instantes de tiempo. Con esta informacin
se realizan estimaciones de estado cticias que incluyen los parmetros de
la lnea, pero que no determinan los valores reales de las fases del sistema,
debido a que se han forzado todas las fases de un extremo a ser cero. El
algoritmo de estimacin de parmetros es similar a la estimacin varias ve-
ces del sistema presentado en la gura 5.1, donde cada lnea representa una
medicin en un instante diferente de tiempo y
k
= 0 para k = 1, 2, . . . , q.
44 Identicacin de Todos los Parmetros del Sistema
El proceso usado para la identicacin de los parmetros se describe a
continuacin:
1. Obtencin de las mediciones de voltaje y ujos de potencia en q ins-
tantes de tiempo para todo el sistema.
2. Organizacin de los datos por cada lnea para las q mediciones de
tiempos diferentes.
3. Revisin del sentido del ujo de potencia en cada una de las q medi-
ciones para establecer el signo de la fase local en cada medicin.
4. Estimacin de los estados, junto con los tres parmetros, donde todas
las fases de uno de los dos extremos de las lneas se han supuesto cero.
Los valores estimados de estos estados no tendrn sentido en el marco
del sistema total pero permitirn aumentar la relacin de mediciones
contra estados a estimar. Por tanto, el nivel de redundancia alcanzado
depender del tamao de q de la siguiente manera:
=
6q
(3q + 3)
(5.1)
Donde se supone que por cada nuevo instante de tiempo se introducen
seis mediciones que se componen de dos voltajes, dos potencias activas
y dos reactivas. Pero, de igual forma se introducen tres nuevos estados
a estimar, dos voltajes y una fase. Es evidente que sin importar qu tan
grande sea q el mximo nivel de redundancia que se puede alcanzar es
dos. Aqu, se ha supuesto que los parmetros se mantienen constantes
para todas las condiciones de carga y que adems no varan con el
tiempo.
5. Se realiza la estimacin de estado basado en WLS o en WLAV.
6. Los resultados de los parmetros se almacenan.
7. Se toma un nuevo grupo de q mediciones, que pueden corresponder a
datos de otras horas o das, y se realiza la estimacin de los parmetros
de la forma expuesta anteriormente.
8. Este proceso se realiza hasta que se termine con todas las mediciones
disponibles, cuyo nmero debe ser sucientemente alto para caracte-
rizar de forma estadstica el error cometido en la identicacin.
9. Se promedian los estimados de los parmetros obtenidos, para alcan-
zar un valor denitivo.
5.2 Identicacin de Todos los Parmetros del Sistema 45
v
1
v
2
v
q
q
v
q+1
v
q+2
v
2q
q+1
q+2
2q
R X B
R X B
R X B
Figura 5.1: Algoritmo de Identicacin de Todos Los Parmetros
5.2. Identicacin de Todos los Parmetros del
Sistema de Prueba
El sistema de trece nodos presentado en el captulo tres se us para
probar la efectividad de los algoritmos propuestos. Los valores de los pa-
rmetros se presentan en la tabla 4.1. En los experimentos realizados, se
usaron 24 condiciones de carga diferentes (p = 24) y se ejecut el algoritmo
20 veces con semillas diferentes para la seal de ruido de 50 dB que se adi-
cion a los datos. Esto ltimo equivale a repetir la estimacin con bloques
de informacin de tiempos diferentes.
Mnimos Cuadrados Ponderados
Usando el algoritmo descrito anteriormente se estimaron los valores de
todos los parmetros del sistema de trece nodos. La tabla 5.1 rene los
resultados para cada lnea. All se muestran el promedio del de error y el
mximo y mnimo error cometidos todo en porciento. Para la totalidad de
las lneas el algoritmo es efectivo. A excepcin de la resistencia de la lnea
L
79
todas las resistencias estuvieron por debajo del 11 % y en muchos de los
casos no superaron el 6 %. Las suceptancias, se identicaron con un nivel
de error an menor, la mayora de los errores fueron cercanos al 2 % y el
0
20
40
60
80
100
120
0 0.01 0.02 0.03 0.04 0.05
0
20
40
60
80
100
120
-100 -60 -20 20 60 100
Figura 5.2: Histograma de la estimacin de R y el error [ %]
mximo error, en la lnea L
47
, fue del 12.93 %. Los resultados obtenidos
para las inductancias son los ms notables. El mximo error cometido fue
del 7.46 %, en la lnea L
23
, y en la mayora de las lneas restantes el error
se encuentra alrededor del 1 % o menos. Dado el nivel de error tpico de
los parmetros de un 20-25 % [KG04] y la importancia de este parmetro,
el resultado es excelente. Es necesario resaltar el hecho de que una sola
identicacin puede no ser suente en muchos casos. Por ejemplo, para la
resistencia R
1213
aunque el error promedio es del 7.24 % los errores mxi-
mo y mnimo obtenidos son 123.39 % y -125.59 %, respectivamente. Este
comportamiento resalta la necesidad de ejecutar la identicacin en varios
grupos de datos para obtener resultados satisfactorios. Una posible solucin
consiste en realizar remuestreo de los datos almacenados de varios das y
organizar grupos de forma aleatoria. En la grcas 5.2, 5.3 y 5.2 se mues-
tran los comportamientos estadsticos de cada parmetro de la lnea L
45
cuando se toman 1000 grupos de 24 mediciones cada uno. En estas mismas
guras se ilustra el comportamiento del error. Estas grcas permiten ob-
servar que tomar una cantidad mayor de bloques de datos permite obtener
mejores resultados.
Mnimo Valor Absoluto Ponderado
El segundo algoritmo propuesto realiza la estimacin de parmetros ba-
sado en WLAV. Los errores, presentados con la misma estructura del caso
anterior, se muestran en la tabla 5.2. Claramente los resultados son menos
5.2 Identicacin de Todos los Parmetros del Sistema 47
Error Prom Mx Min Error Prom Mx Mn
R15 0.9190 5.7250 -3.6108 R21 0.2927 5.1901 -7.0465
X15 0.1273 0.6809 -0.3052 X21 0.1984 1.0847 -1.3390
B15 0.9995 5.9856 -3.8789 B21 1.1171 4.9449 -7.3841
R23 5.4690 55.2287 -45.7750 R25 5.4663 41.3657 -26.3498
X23 7.4680 25.9874 -5.5563 X25 2.0156 4.7298 -7.8215
B23 1.6853 5.8331 -1.3511 B25 3.2845 7.7746 -13.0889
R42 1.4932 18.3924 -15.2433 R45 11.1908 60.1621 -66.7589
X42 1.3859 12.5053 -11.9327 X45 1.2935 23.4252 -27.4370
B42 1.3405 11.9614 -11.5759 B45 0.1703 3.8789 -4.9548
R47 2.2020 68.0465 -103.0265 R49 0.1611 13.8337 -16.9930
X47 6.6006 21.3700 -36.9909 X49 0.7559 2.2387 -4.2874
B47 12.9319 15.4840 -10.0924 B49 1.5779 4.0919 -8.2510
R34 3.1818 18.8451 -18.8627 R56 0.8688 6.8644 -5.4132
X34 0.1280 7.7514 -4.1450 X56 0.1948 0.8295 -0.6112
B34 0.2161 13.8323 -7.3496 B56 1.3532 5.9244 -3.5955
R610 6.0356 39.1957 -53.4088 R612 9.0950 71.1763 -61.8039
X610 3.1968 22.9984 -9.2301 X612 0.0787 26.8960 -29.9758
B610 1.8904 13.4931 -5.4621 B612 0.0310 3.7468 -4.5950
R78 9.1329 62.5326 -25.4809 R79 19.2721 58.0663 -10.3933
X78 2.4171 9.5222 -23.3039 X79 1.9760 13.5397 -16.7403
B78 1.9764 7.5670 -18.9183 B79 10.9734 31.7782 -8.2227
R910 5.1999 36.0381 -72.9755 R139 0.6502 25.3872 -17.3387
X910 4.7927 30.9715 -9.9166 X139 0.9518 6.0896 -7.2796
B910 3.3089 21.7005 -7.0331 B139 2.3636 15.0241 -18.0717
R116 8.9580 30.8667 -64.5118 R1112 4.1168 125.7623 -83.2512
X116 1.9506 14.5547 -13.6223 X1112 1.0279 28.9318 -34.5903
B116 2.3493 18.5089 -17.5627 B1112 0.1330 3.5856 -4.2022
R1213 7.2400 123.3963 -125.5905
X1213 0.3064 27.9600 -34.3635
B1213 0.0003 1.9910 -2.3445
Tabla 5.1: Identicacin de Todos los Parmetros del Sistema Algoritmo
Basado WLS
tiles que en el caso WLS. Los parmetros de las lneas L
45
, L
47
, L
78
, L
1112
y L
1213
no pudieron identicarse. Salvo las lneas L
15
y L
56
la identica-
cin tuvo una precisin muy pobre. Por tanto, con el nivel de redundancia
alcanzado con esta propuesta, el estimador WLAV no puede emplearse.
0
20
40
60
80
100
120
140
160
0.05 0.10 0.15 0.20 0.25
0
20
40
60
80
100
120
140
-52 -37 -22 -7 8 23 38
Figura 5.3: Histograma de la Estimacin de X y el error [ %]
5.3. Modicacin del Algoritmo
Identicacin de las Inductancias del Sistema
Con base en la experiencia obtenida con el anlisis del captulo tres, la
importancia de la inductancia es sobresaliente, por tanto se implement el
algoritmo buscando nicamente este parmetro en las lneas. Se escogieron
unas pocas lneas para comparar el desempeo con respecto a la propuesta
inicial. Los resultados para cuatro lneas del sistema usando el estimador
WLS se presentan en la tabla 5.3. Para el caso de la lnea L
610
el error pro-
medio pas del 3.19 % al 2.40 % y los errores mximo y mnimo se redujeron
de 22.93 % a 16.17 % y -9.23 % a -5.56 % respectivamante. En el caso de la
inductancia X
612
, la modicacin no present una mejora en la estimacin,
el error aument de 0.0787 % al 4.9536 %. De igual forma ocurri con X
1213
que aument levemente el error de 0.3064 % a 1.6435 %. El valor estimado de
la inductancia de la lnea L
1112
mejor su precisin de 1.0279 % a 0.3665 %.
Los resultados para el algoritmo basado en WLAV se exponen en la tabla
5.4 y concuerdan con los del estimador WLS. Estos datos permiten concluir
que la reduccin en los estados estimados considerando menos parmetros
no conlleva a una mejora en los valores obtenidos en la inductancia. Esta
conclusin podra preveerse desde la siguiente idea. El nivel de redundancia
para el ejemplo propuesto es de: = 6x24/ (3x24 + 3) = 1,92, si se identi-
ca slo la inductancia se logra, = 6x24/ (3x24 + 1) = 1,97 y ste aumento
5.3 Modicacin del Algoritmo 49
0
20
40
60
80
100
120
5.5 6.5 7.5 8.5
x 10
3
0
20
40
60
80
100
120
-20 -15 -10 -5 0 5 10 15 20
Figura 5.4: Histograma de la Estimacin de B y el error [ %]
en la redundancia no es considerable.
Nodos de Voltaje Controlado
Una forma de aumentar el nivel de redundancia es suponer que en todas
las mediciones usadas uno de los nodos de la lnea mantiene un voltaje
constante, situacin que se presenta en los nodos de voltaje controlado.
Grcamente, el sistema identicado es el representado por la gura 5.5.
Este hecho modica la relacin que determina la redundancia a la expresin
siguiente:
=
6q
(2q + 4)
(5.2)
Ahora, se impone un lmite de tres a la mxima redundancia. En el ejemplo
del sistema de trece nodos con 24 mediciones, las lneas de voltaje contro-
lado aumentan la redundancia de = 1,92 a = 2,77. Los errores en la
identicacin usando estimacin por mnimos cuadrados se presentan en
la tabla 5.5. Los resultados obtenidos con esta estrategia en la lnea L
15
fueron mejores que en el caso anterior, los errores fueron de menos de la
mitad en todos los parmetros y la dispersin se hizo ms pequea tambin.
En el caso L
21
la mejora es menos notable y en algunos casos el error se
hace levemente ms grande. Para la lnea L
23
la mejora en la identicacin
de la inductancia fue importante. Se pas de un error del 7.46 % a 0.61 %.
La ltima lnea probada, L
78
, tuvo un mejor comportamiento en el error
Error Prom Mx Min Error Prom Mx Mn
R15 0.4487 0.8504 -0.0816 R21 3.1252 4.4919 -1.5091
x15 2.4744 3.0149 -1.9242 X21 10.7058 23.7479 -9.4293
B15 11.5814 17.1210 -7.8223 B21 53.9768 139.1754 -46.9446
R23 155.5229 183.9003 -144.9843 R25 20.5312 42.5559 -2.7192
X23 198.0043 200.8676 -194.7105 X25 60.2328 61.1462 -59.2448
B23 36.9630 38.4680 -35.3014 B25 83.5936 85.0782 -81.9513
R42 1.1840 7.7478 -9.7933 R45 340.6473 610.9814 -255.0101
X42 40.6251 41.3415 -39.8887 X45 320.3216 784.0017 -190.5331
B42 38.1478 39.0460 -36.5820 B45 84.9237 319.6693 -18.7362
R47 393.1221 999.9999 -222.2077 R49 0.7124 6.1423 -10.3452
X47 438.5131 999.9999 -202.0553 X49 27.9561 28.7294 -27.3935
B47 62.6248 999.9999 -27.9758 B49 47.0221 48.7350 -45.8086
R34 9.4323 14.6011 -1.9217 R56 6.6661 0.7626 -10.1454
X34 33.5849 34.3158 -32.5508 X56 3.2550 3.9819 -2.4416
B34 65.7090 67.5189 -64.0809 B56 8.3427 13.8292 -4.3340
R610 6.5012 8.6334 -3.3122 R612 60.9921 82.8501 -43.3249
X610 91.3042 105.6795 -89.5461 X612 307.7750 390.7141 -257.6270
B610 60.1834 69.4540 -57.8804 B612 26.9328 53.8678 -18.3734
R78 999.9999 999.9999 -999.9999 R79 9.4017 22.6589 -0.3938
X78 999.9999 999.9999 -999.9999 X79 62.7541 64.0522 -61.8172
B78 999.9999 999.9999 -999.9999 B79 94.7698 97.3054 -89.7845
R910 33.8868 36.4158 -25.2759 R139 15.7820 21.0220 -10.2678
X910 116.3875 119.3771 -114.9921 X139 24.1233 25.5659 -23.1417
B910 90.8784 93.7266 -89.1525 B139 49.0011 52.2678 -46.2600
R116 30.1025 37.0406 -27.3545 R1112 254.8213 364.2070 -223.6477
X116 94.0989 95.7923 -91.5882 X1112 367.5827 914.2609 -282.1170
B116 99.5926 100.9561 -97.2335 B1112 54.3228 242.1677 -28.1754
R1213 300.1239 999.9999 -235.6981
X1213 446.9658 999.9999 -285.2905
B1213 40.9145 999.9999 -13.8548
Tabla 5.2: Identicacin de Todos los Parmetros del Sistema Algoritmo
Basado WLAV
promedio, el error en la inductancia pas de 2.41 % a 1.82 %, pero mayores
dispersiones en los mismos. En el algoritmo basado en WLAV, los resulta-
dos tambin fueron mejores. El error en la inductancia de la lnea L
15
se
redujo de 2.47 % a 1.44 % y la susceptancia de 11.58 % a 0.62 %. En la lnea
L21 de igual forma que en el caso WLS los errores se mantuvieron igual
y en el caso de la resistencia se aument de forma considerable. El error
en los parmetros de la lnea L
23
se hicieron ms pequeos para el caso
de la susceptancia y la resistencia pero aumentaron para la inductancia.
Finalmente, la lnea L
78
que no pudo determinarse con el algoritmo inicial,
5.3 Modicacin del Algoritmo 51
Error % Promedio Mx Min
X
610
2.4002 16.1737 -5.5646
X
1112
0.3665 26.8403 -22.2395
X
612
4.9536 31.4461 -15.6838
X
1213
1.6435 39.9242 -35.8662
Tabla 5.3: Identicacin de Inductancias Algoritmo Basado en WLS
X
610
152.2135 155.4723 -149.4371
X
1112
596.0088 621.3816 -508.8318
X
612
646.3363 670.4151 -628.0822
X
1213
832.6259 881.1076 -685.1939
Tabla 5.4: Identicacin de Inductancias Algoritmo Basado en WLAV
v
1
1
v
2
v
3
v
p+1
p+1
R X B
R X B
R X B
Figura 5.5: Algoritmo de Identicacin de Todos los Parmetros Nodos
Voltaje Controlado
produjo niveles de error muy altos pero signicativamente menores que an-
tes. Esta modicacin permite deducir dos conclusiones: (1) el aumento de
la redundancia es beneciosa para la obtencin de los parmetros; (2) exis-
te una condicin en la topologa del sistema o en los datos obtenidos que
hace que los resultados sean denitivamente mejores independientemente
del aumento en la redundancia. El caso de la lnea L
15
es un ejemplo.
R
15
0.4852 1.4188 -3.0083
X
15
0.0130 0.3338 -0.5299
B
15
0.0164 5.3200 -3.7269
R
21
1.1754 7.7093 -9.8436
X
21
0.1452 2.4248 -1.4952
B
21
0.6117 13.4482 -8.5122
R
23
9.3726 39.0923 -60.4446
X
23
0.6132 38.7707 -36.6067
B
23
0.1499 8.4961 -8.0564
R
78
2.2261 51.4628 -52.4031
X
78
1.8217 16.9530 -14.4377
B
78
1.4524 13.8507 -12.1338
Tabla 5.5: Identicacin Parmetros Voltaje Controlado Algoritmo Basado
en WLS
R
15
1.2254 1.5896 -0.8720
X
15
1.4495 1.7680 -1.1514
B
15
0.6281 1.8988 -0.0818
R
21
17.7494 27.3753 -10.1413
X
21
12.0045 13.2882 -10.0921
B
21
53.2173 55.6448 -48.4736
R
23
36.9637 57.1315 -30.1106
X
23
237.9767 520.6833 -198.2167
B
23
53.3394 146.8949 -42.0109
R
78
225.9121 712.4483 -119.1228
X
78
874.9120 999.9999 -222.5783
B
78
277.4972 862.5159 -45.8082
Tabla 5.6: Identicacin Parmetros Voltaje Controlado Algoritmo Basado
en WLAV
5.4. Efecto de los Errores Sistemticos
Todos los algoritmos propuestos en la literatura fallan cuando errores
gruesos no se detectan en los datos recolectados [ZE00]. Es bien conocido
que los estimadores de estado basados en WLS son muy sensibles a los
5.4 Efecto de los Errores Sistemticos 53
Sin Sesgo
R
15
0.9190 5.7250 -3.6108
X
15
0.1273 0.6809 -0.3052
B
15
0.9995 5.9856 -3.8789
Sesgo 2 %
R
15
2.1210 7.2287 -1.2292
X
15
4.0778 4.5527 -3.6176
B
15
4.1059 1.2646 -9.2397
Sesgo 5 %
R
15
5.4334 10.1416 -1.9416
X
15
10.2291 10.5966 -9.6739
B
15
11.8089 8.6520 -16.1169
Tabla 5.7: Identicacin Con Sesgos Algoritmo Basado en WLS
sesgos. Es por esto que el proceso de identicacin que se describi en este
captulo tambin es sensible a los puntos fuera de tendencia y es necesario
realizar anlisis previos de los datos para retirarlos de la base de mediciones
usada. Los mtodos de identicacin de datos errneos no se exploran en
este trabajo y son propuestos como extensin del mismo. Por otro lado
los estimadores de mnimo valor absoluto son ms robustos a ese tipo de
errores [AC95][KV82], por tanto se realizaron estimaciones de parmetros
para la lnea L
15
que se identic exitosamente con los tipos de algoritmos.
Se adicionaron sesgos del 2 y 5 % en todas las mediciones de voltaje de un
nodo. Los resultados se muestran en la tablas 5.7 y 5.8 para el estimador
WLS y WLAV respectivamente. Las primeras tres columnas muestran los
resultados, sin sesgos, obtenidos anteriormente. Las primeras tres las y tres
ultimas columnas muestran el comportamiento de la identicacion cuando
se introduce un sesgo del 2 %. Las tres ltimas las y columnas exponen el
resultado con un sesgo del 5 %. Los experimentos muestran que los errores
gruesos afectan signicativamente el desempeo de los dos estimadores. La
inductancia es el parmetro que ms aumenta su error de 0.127 % a 10.22 %
para el estimador WLS y de 2.47 % a 13.2 % para el WLAV. Un dato que
parece contradictorio es el error de la susceptancia para el estimador WLAV,
pues mejora visiblemente el error al introducir los sesgos. Sin embargo, es
importante recalcar que la precisin alcanzada con el estimador WLS an
cuando se presentan sesgos es lo sucientemente buena como para tener
utilidad prctica.
Sin Sesgo
R
15
0.4487 0.8504 -0.0816
X
15
2.4744 3.0149 -1.9242
B
15
11.5814 17.1210 -7.8223
Sesgo 2 %
R
15
4.2778 5.0170 -3.6425
X
15
6.6615 7.2997 -6.1717
B
15
7.0457 10.2662 -3.7105
Sesgo 5 %
R
15
10.2354 11.1833 -9.3978
X
15
13.2032 13.7539 -12.7139
B
15
2.8758 7.5448 -0.5123
Tabla 5.8: Identicacin Con Sesgos Algoritmo Basado en WLAV
5.5. Identicacin de Lneas Altamente Cargadas
Una condicin que podra ser responsable de la variedad de resultados
obtenidos con los algoritmos descritos anteriormente es la condicin de car-
ga de la lnea. Para explorar esta hiptesis, se utiliz la lnea L
78
que no
pudo identicarse usando el estimador WLAV y se cambiaron algunas de
las mediciones de baja carga por datos cuando la lnea est ms cargada.
Los errores de los parmetros estimados para el caso WLS se renen en la
tabla 5.9. La relacin entre mayor nmero de mediciones de alta carga y la
precisin de la identicacin de todos los parmetros no parece ser comple-
tamente correcta, aunque s es muy notable la mejora en el error cuando se
usan mediciones en alta carga. Para el estimador WLS se obtuvo un error
en la inductancia que pas de 2.41 % a 0.08 %, una diferencia de casi 30
veces, con veinte mediciones de alta carga. No obstante, no fue mejor tener
16 que 12 mediciones de alta carga. El mismo comportamiento se present
con el estimador WLAV que pas de un error superior a 1000 % a 27.12 %
para la inductancia.
5.6. Conclusiones
A continuacin se resumen los resultados alcanzados en este captulo:
Por medio del uso de mediciones en diferentes instantes de tiempo y la
estimacin local de los estados, se construy un algoritmo basado en
5.6 Conclusiones 55
Cero Mediciones de Alta Carga
R
78
9.1329 62.5326 -25.4809
X
78
2.4171 9.5222 -23.3039
B
78
1.9764 7.5670 -18.9183
Doce Mediciones de Alta Carga
R
78
1.4807 6.0187 -7.6252
X
78
0.2575 1.4118 -1.5782
B
78
1.2058 5.5817 -6.5922
Diecisis Mediciones de Alta Carga
R
78
0.4793 6.5467 -4.8098
X
78
3.6510 4.6220 -2.3842
B
78
7.4710 1.7737 -14.3372
Veinte Mediciones de Alta Carga
R
78
0.6191 5.5835 -2.2605
X
78
0.0841 0.9411 -0.7436
B
78
0.2937 8.3218 -6.8762
Tabla 5.9: Identicacin Con Alta Carga Algoritmo Basado en WLS
WLS y WLAV que determina los valores de los parmetros de lnea.
En el caso del estimador de parmetros WLS fue posible identicar
la totalidad de los parmetros del sistema. Los errores promedio se
mantuvieron en el orden del 6 %, en muchos casos menores, para las
resistencias, del 4 % para la susceptancia y cercanos al 1 % para la
inductancia.
El estimador de parmetros WLAV tuvo un desempeo inferior. No
fue posible encontrar el valor de todos los parmetros del sistema
cuando la estimacin de estado se realizaba basada en mnimo valor
absoluto. Por ejemplo, la lnea radial L
78
tuvo un error que sobrepas
el 1000 %. Sin embargo, algunas lneas fueron identicadas comple-
tamente, como la lnea L
15
o L
56
, lo que sugiere que existe alguna
importancia en la topologa de la lnea.
La identicacin nicamente de la inductancia arroj resultados simi-
lares al caso cuando se identican todos los parmetros. Para algunas
lneas los errores se reducan un poco y en otras aumentaban leve-
mente. Si se tiene en cuenta que los restantes dos parmetros se estn
Cero Mediciones de Alta Carga
R
78
999.9999 999.9999 -999.9999
X
78
999.9999 999.9999 -999.9999
B
78
999.9999 999.9999 -999.9999
Doce Mediciones de Alta Carga
R
78
11.4158 12.2236 -7.8627
X
78
52.2963 53.6000 -50.8403
B
78
59.4431 62.1745 -56.6304
Diecisis Mediciones de Alta Carga
R
78
5.2372 11.7785 -8.5175
X
78
43.1395 44.0427 -42.1691
B
78
194.9968 209.6503 -176.9855
Veinte Mediciones de Alta Carga
R
78
6.4980 7.5880 -4.4309
X
78
27.1258 27.8087 -25.2753
B
78
154.0762 162.6023 -138.5000
Tabla 5.10: Identicacin Con Alta Carga Algoritmo Basado en WLAV
suponiendo completamente conocidos no se logra ninguna ventaja con
esta modicacin.
El aumento en la redundancia usando los nodos de voltaje controlado
mostraron ser una opcin interesante para la obtencin de los par-
metros pero evidenci nuevamente que la caracterstica determinante
en la estimacin de parmetros depende de las mediciones. Por ejem-
plo, en el caso del estimador WLAV se redujo el error en la lnea L
78
de 1000 % a 225 % qu aunque es una reduccin importante sigue sin
cumplir el objetivo del proceso.
El anlisis frente a errores sistemticos evidenci que los dos algorit-
mos son muy susceptibles a sesgos. Un sesgo del 5 % en las mediciones
de voltaje de uno de los nodos, produj un aumento del 0.1 % al 10 %
en la inductancia para el algoritmo WLS. A diferencia de los estima-
dores de estado basados en WLAV que se reportan en la literatura, el
algoritmo de identicacin de parmetros basado en WLAV no result
ser ms robusto.
Un comportamiento muy interesante se encontr cuando las medi-
ciones incluidas en el estimador de parmetros se componan prin-
5.6 Conclusiones 57
cipalmente de datos cuando la lnea est ms cargada. As, se logr
mejorar ostensiblemente el error cometido en la identicacin. Se us
como prueba la lnea L
78
que no pudo identicarse con el estimador
WLAV y pudo obtenerse nalmente un error del 23 %. La evidencia
sugiere usar mediciones de alta carga para la identicacin.
Captulo 6
Identicacin de los
Parmetros del Transformador
Este captulo presenta la aplicacin del algoritmo descrito en el cap-
tulo anterior para la obtencin de los parmetros de un transformador de
potencia. En este caso se determinan la resistencia, inductancia y la locali-
zacin del tap. Mediante simulacin se muestra la efectividad de algoritmo
para este problema particular. Debido a que los parmetros del transfor-
mador se conocen con precisin ste puede un mecanismo de comprobacin
experimental para esta propuesta.
6.1. Transformadores con Cambio de Tap
Las potencias activas y reactivas pueden controlarse por medio del uso
de transformadores con cambio de tap y transformadores reguladores. En
estos transformadores, cuando la razn est en el valor nominal, el transfor-
mador se representa por una admitancia en serie y
t
en por unidad. Considere
un transformador con admitancia y
t
en serie con un transformador ideal re-
presentando razn del tap o-nominal 1/a como se muestra en la gura 6.1.
y
t
es la admitancia en por unidad basada en la razn nominal de vueltas
y a es la posicin del tap o-nominal por unidad, permitiendo un pequeo
ajuste en el voltaje usualmente de 10 %. En el caso de transformadores
con corrimiento de fase, a es un nmero complejo. Considere un nodo cti-
cio x entre la razn de vueltas y la admitancia del transformador. Como la
potencia compleja en cualquiera de los dos lados del transformador ideal es
la misma, entonces si el voltaje tiene un corrimiento de ngulo de fase po-
sitivo, la corriente tendr un ngulo de fase negativo. As, para la direccin
60 Identicacin de los Parmetros del Transformador
asumida para las corrientes, se tiene:
V
x
=
1
a
V
j
(6.1)
I
i
= a
I
j
(6.2)
Donde la corriente I
i
est dada por:
I
i
= y
t
(V
i
V
x
)
Substituyendo para V
x
, se tiene:
I
i
= y
t
V
i

y
t
a
V
j
(6.3)
Adems, de la relacin entre las corrientes se tiene:
I
j
=
1
a
I
i
Substituyendo I
i
nalmente se obtiene:
I
j
=
y
t
a
V
i
+
y
t
|a|
2
V
j
(6.4)
Expresando estos resultados de forma matricial se obtiene:
_
I
i
I
j
_
=
_
y
t

yt
a
yt
a
yt
|a|
2
_
_
V
i
V
j
_
(6.5)
Para el caso cuando a es real, el modelo mostrado en la gura 6.2 repre-
senta la matriz de admitancia de la ecuacin anterior. En el modelo , el
lado izquierdo corresponde al lado sin tap y el lado derecho al lado del tap
[Saa99].
V
i
I
i
y
t
V
x
1 : a
I
j
V
j
Figura 6.1: Transformador con razn de Tap a : 1
6.2 Aplicacin del Algoritmo de Estimacin de . . . 61
Sin Tap
i
y
t
/a
V
x
_
a1
a
_
y
t
_
1a
a
2
_
y
t
Tap
j
Figura 6.2: Circuito Equivalente para un Transformador con Cambio de
Tap
6.2. Aplicacin del Algoritmo de Estimacin de
Parmetros al Transformador de Potencia
Para este experimento se us el estimador WLS dada su efectividad en
el procedimiento. Se toman las mismas mediciones que fueron usadas para
la obtencin de los parmetros de la lnea y se modican las ecuaciones de
tal forma que se busque el valor del tap en el transformador en lugar de la
susceptancia de la lnea. Los resultados para 1000 simulaciones, tomando
conjuntos de datos de 24 mediciones, se presentan a continuacin. La gura
6.2, muestra el comportamiento estadstico de la estimacin la resistencia
del transformador y el histograma del error para el mismo parmetro. Las
guras 6.2 ilustra los comportamientos para el caso de la inductancia, en
este caso el error promedio fue del 0.03 %. Por ltimo, se tiene el compor-
tamiento en la estimacin del tap en la grca 6.2. Con estas simulaciones
se determin que es perfectamente aplicable el algoritmo de identicacin
de parmetros de las lneas de transmisin al problema de estimar los pa-
rmetros del transformador de potencia.
6.3. Conclusiones
En este captulo se realiz la aplicacin del algoritmo basado en estima-
cin de estado WLS presentado en el captulo anterior para la obtencin
de los parmetros de un transformador de potencia. La modicacin con-
sisti en cambiar de las ecuaciones de potencia, la componente debida a la
susceptancia por el efecto del tap del transformador. Mediante mil simula-
ciones se caracteriz el desempeo de la identicacin de esos parmetros y
se valid su efectividad. Esta aplicacin fue probada como posible mtodo
62 Identicacin de los Parmetros del Transformador
0
20
40
60
80
100
120
140
160
180
200
220
0 0.008 0.016 0.024
0
20
40
60
80
100
120
140
160
180
200
220
-85-65-45-25 -5 15 35 55 75 95
Figura 6.3: Histograma de la Estimacin de R y el error [ %]
0
20
40
60
80
100
120
140
160
180
200
220
240
0.26 0.27 0.28 0.29
0
20
40
60
80
100
120
140
160
180
200
220
240
-52 -32 -12 8 28 48
Figura 6.4: Histograma de la Estimacin de X y el error [ %]
experimental para la evaluacin experimental del algoritmo, debido a que
los parmetros del transformador se conocen con precisin.
6.3 Conclusiones 63
0
20
40
60
80
100
120
140
160
180
200
0.94 0.95 0.96
0
20
40
60
80
100
120
140
160
180
200
-0.56-0.36-0.16 0.04 0.24 0.44
Figura 6.5: Histograma de la Estimacin de a y el error [ %]
Captulo 7
Conclusiones y Trabajo Futuro
7.1. Resumen
Se present una propuesta de dos algoritmos de identicacin de los
parmetros de las lneas de transmisin de un sistema interconectado de
potencia. Los algoritmos se fundamentan en la aplicacin de la estimacin
de estado por mnimos cuadrados ponderados y por mnimo valor absoluto
a un conjunto de mediciones en diferentes condiciones de carga para el
sistema completo y la identicacin nicamente de los parmetros y no
de los estados. La propuesta de este trabajo surge de la importancia de
contar con valores precisos de los parmetros elctricos para la estimacin
de estado y la operacin segura y conable del sistema elctrico. Ademas,
estos valores determinan las capacidades de transmisin y las perdidas de
cada lnea desembocando en un importante problema econmico.
El primer paso de la propuesta fue la recopilacin de la informacin del
estimador de estado por WLS y WLAV, la implementacin de estimadores
con condiciones de cero inyeccin de potencia, estrategias de manejo de
incertidumbre en la estimacin y estimadores de parmetros, lo cual se llev
a cabo en el captulo dos. De esta bsqueda se reconoci el escaso desarrollo
que se ha realizado en el rea de estimacin de parmetros. El captulo tres
presenta una serie de estimaciones de estado para tres sistemas: de tres, seis
y trece nodos. All, se realizaron diversas modicaciones de los parmetros
con el n de determinar qu parmetro es el que ms afecta la estimacin
y en qu proporcin. Tambin, se busc caracterizar la robustez de cada
tipo de estimador. Para cumplir con este objetivo se realizaron pruebas en
estimadores de mnimos cuadrados ponderados y mnimo valor absoluto con
y sin condiciones de cero inyeccin.
La estimacin en lnea de unos pocos parmetros del sistema fue el
66 Conclusiones y Trabajo Futuro
tema del captulo cuatro. Mediante un aumento del vector de estado se
experiment acerca del comportamiento de cada estimador cuando se iden-
ticaba una cantidad mayor de parmetros. Se realiz adems un anlisis
del efecto de la incertidumbre en las lneas cercanas a la que se identica-
ba, evidenciando la fuerte dependencia de los resultados a la incertidumbre
adicional. El captulo cinco describe la propuesta central de este trabajo,
presentando dos algoritmos de identicacin de parmetros que funcionan
individualmente para cada lnea del sistema. A travs de la estimacin de
todos los parmetros del sistema de trece nodos, se demostr la efectividad
del algoritmo basado en WLS.
7.2. Conclusiones
Las conclusiones obtenidas en este trabajo se enumeran para cada cap-
tulo a continuacin:
Incertidumbre en la Estimacin de Estado
La incertidumbre en el valor de los parmetros se reeja dbilmente
en el error mximo cometido en la estimacin. El error entre las me-
diciones y los clculos de potencia no indican claramente que un error
importante en los estados se est cometiendo.
La inductancia es el parmetro que ms afecta la estimacin y lo hace
en un orden de magnitud similar a su incertidumbre sin importar
qu tipo de estimador est implementado. Errores del 20 % en las
inductancias generan errores del 20 % en las fases.
La susceptancia es el parmetro que menos error genera cuando exis-
ten imprecisiones en su modelamiento. Errores del 20 % no implican
errores en las fases mayores la 0.5 %.
La resistencia implic errores en las fases levemente superiores a los
de la susceptancia. Un 20 % de incertidumbre genera mximo un 2 %
de error de estimacin
Las condiciones de cero inyeccin de potencia no son tiles para me-
jorar la robustez del estimador. En todos los experimentos realizados,
incluir condiciones de cero inyeccin no mejor los resultados cuando
los parmetros tenan errores en el modelo.
Los estimadores por WLS y WLAV se afectan en la misma propor-
cin debido a las incertidumbres de los parmetros de las lneas. En
7.2 Conclusiones 67
ninguna de las pruebas de robustez se pudo observar que alguno de
los dos estimadores tuviera un desempeo superior.
Un resultado comn a todas las pruebas fue el mejor desempeo del
estimador WLS frente al estimador WLAV cuando los parmetros
tienen su valor nominal.
Identicacin en Lnea de Algunos Parmetros del Sistema de
Potencia
Se encontr que la estimacin se hace cada vez menos robusta con-
forme se aumentan la cantidad de parmetros a identicar. Identi-
caciones de parmetros exitosas cuando los restantes parmetros son
nominales pueden terminar en errores del 400 % por la incertidumbre
del resto del sistema.
Las matrices que representan la ecuaciones se acercan a la singularidad
con mayor nmero de parmetros. Este hecho degrada la convergencia
del algoritmo y por tanto impide la obtencin de los restantes estados.
Se observ que la inclusin de las condiciones de cero inyeccin tiene
un efecto perjudicial en la obtencin de los parmetros. Las restriccio-
nes que imponen las condiciones de cero inyeccin de potencia tienen
un efecto muy negativo en la intencin de obtener los parmetros en
lnea. En ningn caso pudo identicarse los parmetros cuando se
introducan estas restricciones.
No se pudo obtener una conclusin denitiva acerca del estimador de
mnimo valor absoluto, debido a que no en todos los casos pudieron
hallarse los parmetros buscados.
Algoritmos de Identicacin de Todos los Parmetros del Sis-
tema de Potencia
Por medio del uso de mediciones en diferentes instantes de tiempo y la
estimacin local de los estados, se construy un algoritmo basado en
WLS y WLAV que determina los valores de los parmetros de lnea.
En el caso del estimador de parmetros WLS fue posible identicar
la totalidad de los parmetros del sistema. Los errores promedio se
mantuvieron en el orden del 6 % para las resistencias, del 4 % para la
susceptancia y cercanos al 1 % para la inductancia.
68 Conclusiones y Trabajo Futuro
El estimador de parmetros WLAV tuvo un desempeo inferior. No
fue posible encontrar el valor de todos los parmetros del sistema
cuando la estimacin de estado se realizaba basada en mnimo valor
absoluto. Sin embargo, algunas lneas fueron identicadas comple-
tamente, como la lnea L
15
o L
56
, lo que sugiere que existe alguna
importancia en la topologa de la lnea.
La identicacin nicamente de la inductancia arroj resultados simi-
lares al caso cuando se identican todos los parmetros. Debido a que
los restantes dos parmetros tienen incertidumbre no se logra ninguna
ventaja con esta modicacin.
El aumento en la redundancia usando los nodos de voltaje controlado
mostraron ser una opcin interesante para la obtencin de los par-
metros pero evidenci nuevamente que la caracterstica determinante
en la estimacin de parmetros depende de las mediciones.
El anlisis frente a errores sistemticos evidenci que los dos algorit-
mos son muy susceptibles a sesgos. Un sesgo del 5 % en las mediciones
de voltaje de uno de los nodos, produj un aumento del 0.1 % al 10 %
en la inductancia para el algoritmo WLS. A diferencia de los estima-
dores de estado basados en WLAV que se reportan en la literatura, el
algoritmo de identicacin de parmetros basado en WLAV no result
ser ms robusto.
Un comportamiento muy interesante se encontr cuando las medi-
ciones incluidas en el estimador de parmetros se componan prin-
cipalmente de datos cuando la lnea est ms cargada. As, se logr
mejorar ostensiblemente el error cometido en la identicacin. Se us
como prueba la lnea L
78
que no pudo identicarse con el estimador
WLAV y pudo obtenerse nalmente un error del 23 %. La evidencia
sugiere usar mediciones de alta carga para la identicacin.
7.3. Aportes Originales
Segn nuestro conocimiento del contexto actual de los algoritmos de
estimacin de parmetros, esta es la primera vez que se propone un algo-
ritmo que trabaja individualmente con cada lnea del sistema de potencia
usando mediciones en diferentes condiciones de carga para la obtencin de
los parmetros del sistema. Mientras que esto constituye un logro original,
no es el nico:
7.4 Trabajo Futuro 69
En el captulo tres se realiz un anlisis de incertidumbre para los
estimadores de estado por mnimo valor absoluto ponderado que no
son mencionados en la literatura de estimacin de parmetros.
Por primera vez se propuso un algoritmo de identicacin de par-
metros que es capaz de estimar la totalidad de los parmetros del
sistema sin afectarse por la cantidad. sto, gracias a la caracterstica
absolutamente local del algoritmo.
Se realiz la propuesta de una modicacin del algoritmo para los
nodos de voltaje controlado y seleccionando mediciones de potencia de
alta carga. Estas modicaciones presentan ventajas representativas en
cuanto a la precisin de los resultados en comparacin con el algoritmo
inicialmente propuesto.
7.4. Trabajo Futuro
A partir de los resultados obtenidos con el desarrollo de este trabajo se
visualiza la posibilidad de proponer algunos trabajos de experimentacin e
implementacin:
Se propondr el diseo de un software especializado para la experi-
mentacin con una mayor cantidad de datos, que realice de forma
automtica la estimacin de parmetros del sistema utilizado.
Se buscar una comprobacin experimental del algoritmo por medio
de la identicacin de los parmetros de un transformador, debido
a la exactitud de los valores provistos por los fabricantes de estos
dispositivos.
Es interesante realizar un tratamiento previo de los datos para mejorar
el resultado de la identicacin. Debido a la gran cantidad de datos
con la cual puede contarse algunas tcnicas de remuestreo o deteccin
de errores gruesos pueden explorarse.
Para que el algoritmo pueda llevarse a la prctica, debe ser lo sucien-
temente rpido dada la cantidad de lneas que contiene un sistema de
potencia real. Por lo tanto, deben usarse metodologas de solucin de
la ecuaciones que permitan un desempeo eciente en el tiempo de
computo.
Apndice A
Optimizacin Matemtica
Un problema de optimizacin tiene la siguiente forma [Boy04]:
mn f
0
(x)
sujeto a f
i
(x) b
i
, i = 1, 2, 3, . . . , m (A.1)
Donde el vector x = (x
1
, x
2
, . . . , x
n
) es la variable de optimizacin del
problema, la funcin f
0
(x) : R
n
R es la funcin objetivo, las funciones
f
i
(x) : R
n
R, i = 1, 2, . . . , m son las funciones de condicin y las cons-
tantes b
1
, b
2
, . . . b
m
son los lmites de la condiciones. Un vector x
se llama
solucin ptima del problema de optimizacin si tiene el valor ms pequeo
de la funcin objetivo entre todos los vectores que cumplen las condiciones.
Generalmente se consideran familias o clases de problemas de optimi-
zacin caracterizadas por formas particulares de las funciones objetivo y
restricciones. Un caso importante se da cuando estas funciones son lineales,
es decir:
f
i
(x +y) = f
i
(x) +f
i
(y) (A.2)
en este caso se tiene un problema de optimizacin lineal (programacin
lineal).
A.1. Aplicaciones
El problema de optimizacin denido en (A.1) es una abstraccin del
problema de seleccionar el mejor vector R
n
dentro de un conjunto de posi-
bles candidatos. La variable x representa la seleccin hecha. Las condiciones
f
i
(x) b
i
representan los requerimientos o especicaciones que limitan la
seleccin del vector x. El valor de la funcin objetivo f
0
(x) representa el
costo de escoger x.
72 Optimizacin Matemtica
Un ejemplo de este problema se presenta en diseo electrnico donde la
tarea es escoger el largo y ancho de los dispositivos en un circuito electrnico.
Aqu las variables representan el largo y el ancho de los dispositivos. Las
condiciones representan la variedad de requerimientos de ingeniera, como
los limites de los tamaos de los dispositivos impuestos por los procesos
de manufactura, requerimientos que aseguren que el circuito puede operar
conablemente a una velocidad dada y el rea total del circuito. Un objetivo
comn en diseo electrnico es el mnimo consumo de potencia.
A.2. Solucin de los Problemas de Optimizacin
Un mtodo de solucin para los problemas de optimizacin es una al-
goritmo que calcula una solucin del problema (con alguna precisin) de
cierta clase. Desde nales de 1940 se han desarrollado algoritmos para so-
lucionar varias clases de problemas de optimizacin junto con una eciente
implementacin. Aun cuando las funciones objetivo y condiciones son sua-
ves (por ejemplo polinomios) el problema (A.1) es muy difcil de solucionar.
Algunas excepciones son la optimizacin lineal, la optimizacin convexa y
el clculo de mnimos cuadrados.
A.3. Mnimos Cuadrados
Un problema de mnimos cuadrados es un problema de optimizacin
sin condiciones (i.e., m = 0) y una funcin objetivo que es una suma de
trminos al cuadrado de la forma a
T
i
x b
i
.
mn f
0
(x) = Ax b
2
2
=
k
i=1
_
a
T
i
x b
i
_
2
(A.3)
Donde A R
kn
con k n, a
T
i
son la las de A y el vector x R
n
es la
variable a optimizar.
Solucin de los problemas de mnimos cuadrados
La solucin del problema (A.3) puede reducirse a solucionar un conjunto
de ecuaciones lineales:
_
A
T
A
_
x = A
T
b (A.4)
as se obtiene una solucin analtica x =
_
A
T
A
_
1
A
T
b. El problema de
mnimos cuadrados puede solucionarse en un tiempo proporcional a n
2
k.
A.4 Programacin Lineal 73
En muchos casos se pueden solucionar problemas grandes de mnimos cua-
drados aprovechando la estructura especial de la matriz de coecientes A.
Suponga por ejemplo que esta matriz es dispersa, lo que signica que tiene
menos de kn elementos diferentes de cero. Esto permite reducir signicati-
vamente el tiempo de computo, as por ejemplo en un computador personal
se pueden solucionar problemas de mnimos cuadrados con decenas de miles
de variables y cientos de miles de trminos en alrededor de un minuto.
El problema de mnimos cuadrados es la base del anlisis de regresiones,
control ptimo y muchos mtodos de estimacin de parmetros.
A.4. Programacin Lineal
Otra clase importante de problemas de optimizacin es la programacin
lineal donde la funcin objetivo y las condiciones son funciones lineales:
mnc
T
x
sujeto a a
T
i
x b
i
, i = 1, 2, 3, . . . , m (A.5)
Donde los vectores c, a
1
, . . . , a
m
R
n
y los escalares b
1
, b
2
, . . . , b
m
R.
Solucin de los programas lineales
No existe una forma analtica de solucionar los problemas de programa-
cin lineal pero hay una amplia variedad de mtodos muy efectivos para
solucionarlos, incluyendo el mtodo smplex de Dantzig y los mtodos ms
recientes de punto interior. No se puede dar un nmero exacto de tiempo
para las operaciones aritmticas requeridas para solucionar un problema de
programacin lineal pero se pueden hallar lmites estrictos para el nmero
de operaciones requeridas por un algoritmo de punto interior. De forma que
se puede solucionar fcilmente un problema con cientos de variables y miles
de condiciones en un computador personal en unos cuantos segundos.
A.5. Optimizacin Convexa
Un problema de optimizacin convexa tiene la siguiente forma:
mn f
0
(x)
sujeto a f
i
(x) b
i
, i = 1, 2, 3, . . . , m (A.6)
donde las funciones f
0
, . . . , f
m
: R
n
R son convexas; es decir:
f
i
(x +y) f
i
(x) +f
i
(y) (A.7)
para todo x, y R
n
y todo , R con + = 1 y 0, 0. El
problema de programacin lineal y mnimos cuadrados son casos especiales
del problema de optimizacin convexa.
Solucin de los problemas de optimizacin convexa
No hay una forma analtica para solucionar los problemas de optimiza-
cin convexa pero s mtodos muy efectivos para enfrentarlos. Los mtodos
de punto interior trabajan muy bien en la prctica y en algunos casos puede
probarse que solucionan el problema con una precisin especicada en un
nmero de operaciones que no excede un polinomio de las dimensiones del
problema. Sin embargo, la investigacin en mtodos de punto interior para
optimizacin no lineal convexa es aun muy activa. Usar optimizacin con-
vexa es, al menos conceptualmente, tanto como usar mnimos cuadrados o
programacin lineal. Si se puede plantear el problema como un problema de
optimizacin lineal se puede solucionar ecientemente. El reto radica preci-
samente en el reconocimiento de los problemas convexos o en su formulacin
como tales.
A.6. Optimizacin No Lineal
Optimizacin no lineal es el trmino que se usa para describir un pro-
blema de optimizacin donde la funcin objetivo y las condiciones son no
lineales pero no se sabe si son convexas. Actualmente no existen mtodos
efectivos para solucionar el problema de programacin no lineal (1). Aun
problemas con unas pocas variables pueden ser un desafo, mientras proble-
mas con cientos de variables pueden ser intratables.
Optimizacin Local
En optimizacin local, el compromiso es desistir de buscar el punto x
ptimo que minimiza el objetivo en todos los puntos factibles. Por el con-
trario se busca un punto que slo es ptimo localmente, lo que signica que
minimiza la funcin objetivo entre puntos factibles que estn cercanos. Los
mtodos de optimizacin local pueden ser rpidos y pueden manejar pro-
blemas grandes, adems solo requieren diferenciabilidad de las funciones
objetivo y condiciones. Hay varias desventajas en los mtodos de optimi-
zacin local, entre ellas, posiblemente no se obtiene la verdadera solucin
ptima. Adems, estos mtodos requieren un punto inicial que es crtico y
puede afectar gravemente la solucin obtenida.
A.7 Problemas de Optimizacin Convexa 75
Optimizacin Global
En optimizacin global se halla el verdadero mnimo de la funcin, el
compromiso aqu es la eciencia. Aun pequeos problemas con decenas de
variables puede tomar horas o hasta das en solucionarse. La optimizacin
global se usa en problemas con pocas variables donde el tiempo de computo
no es importante. Un ejemplo de ingeniera, es el anlisis de peor caso o
vericacin de alto nivel de seguridad.
A.7. Problemas de Optimizacin Convexa
Terminologa Bsica
Se usa la notacin:
mn f
0
(x)
sujeto a f
i
(x) 0, i = 1, . . . , m (A.8)
h
i
(x) = 0, i = 1, . . . , p
para describir el problema de encontrar un x que minimiza f
0
(x) entre
todos los x que satisfacen las condiciones f
i
(x) 0 y h
i
(x) = 0. Si no
hay condiciones (m = 0 y p = 0) el problema se llama no condicionado. El
conjunto de puntos para los cuales las funciones condicin y objetivo estn
denidas:
D =
m
i=0
domf
i
i=0
domh
i
(A.9)
se llama el dominio del problema de optimizacin. Un punto x D se deno-
mina factible. El problema es factible si existe al menos un punto factible.
Problemas de Factibilidad
Si la funcin objetivo es idnticamente cero, el valor ptimo en cero (si
el conjunto factible no es vaco) o (si el conjunto factible es vaco). Este
problema se conoce como el problema de factibilidad y algunas veces se
escribe como:
Hallar x
sujeto a f
i
(x) 0, i = 1, . . . , m (A.10)
h
i
(x) = 0, i = 1, . . . , p
As, el problema es determinar si las condiciones son consistentes y si lo
son, encontrar un punto x que las satisfaga.
A.8. Optimizacin Cuadrtica
Un problema de optimizacin convexa se denomina de programacin
cuadrtica si la funcin objetivo es cuadrtica y las funciones objetivo anes.
Un programa cuadrtico puede expresarse de la forma:
mn1/2x
T
Px +q
T
x +r
s.a Gx h (A.11)
Ax = b
Donde P es una matriz simtrica de tamao n semidenida positiva. En
programacin cuadrtica se minimiza una funcin cuadrtica convexa sobre
un poliedro.
Ejemplo
El problema de minimizar la funcin convexa cuadrtica:
Ax b
2
2
= x
T
A
T
Ax 2b
T
Ax +b
T
b (A.12)
es un problema no condicionado de programacin cuadrtica. Cuando se
incluyen como condiciones desigualdades lineales el problema se conoce co-
mo de mnimos cuadrados condicionados. Como ejemplo suponga que las
variables se acotan:
mnAx b
2
2
s.a l
i
x
i
u
i
, i = 1, . . . , n (A.13)
A.9. Programacin Semidenida
Un problema de programacin semidenida (Semidenite Programming
SDP) se representa de la siguiente forma [VB95]:
mn c
T
x
s.a x
1
F
1
+ +x
n
F
n
+G 0 (A.14)
Ax = b
Donde, G, F
1
, . . . , F
n
, S
k
(matrices simtricas de tamao k) y A R
pn
.
La desigualdad de esta condicin es una desigualdad matricial. Si las ma-
trices G, F
1
, . . . , F
n
son diagonales entonces la LMI es equivalente a un
conjunto de n desigualdades lineales y el SDP se reduce a un problema de
programacin lineal.
A.9 Programacin Semidenida 77
Una forma estndar de un problema SDP se formula con igualdades
como restricciones y una condicin matricial de no negatividad:
tr (CX)
s.a tr (A
i
X) = b
i
i = 1, 2, . . . , p (A.15)
X 0
Donde C, A
1
, . . . , A
p
S
n
.
Ejemplo
Minimizacin de la norma de una matriz
Sea A(x) = A
0
+x
1
A
1
+ +x
n
A
n
, donde A
i
R
pq
. Si se considera
el problema no condicionado:
mn A(x)
2
(A.16)
Donde
2
representa la norma espectral (mximo valor singular) y x R
n
es la variable. Este es un problema convexo debido a que A(x)
2
es una
funcin convexa de x. Usando el hecho que A
2
s sii A
T
A sI y s 0,
el problema se puede expresar en la siguiente forma:
mn s
s.a. A(x)
T
A(x) sI (A.17)
con x y s como variables.
Bibliografa
[AC91] A. Abur and M. K. Celik, A fast algorithm for the weighted
least absolute value state estimation, IEEE Trans. Power Syst 6
(1991), no. 1, 18.
[AC95] , Least absolute value state estimation with equality and
inequality constraints, IEEE Trans. Power Syst. 8 (1995), 680
686.
[And95] Paul M. Anderson, Analysis of faulted power systems, Wiley-
IEEE Press, 1995.
[AOI05] A.K. Al-Othman and M.R. Irving, Analisis of condence bounds
in power system state estimation with uncertainty in both mea-
surements and parameters, Electric Power Systems Research El-
sevier (2005).
[APA97] F. C. Aschmoneit, N. M. Peterson, and E. C. Adrian, State esti-
mation with equality constraints, Proc. 10th PICA Conf. Toronto
Canada (1997), 427430.
[AVSM98] O. Alsac, N. Vempati, B. Stott, and A. Monticelli, Generalized
state estimation, IEEE Trans. Power Syst 13 (1998), no. 3, 1069
1075.
[Boy04] Stephen Boyd, Convex optimization, Cambridge University
Press, 2004.
[CQ88] Th. Van Custen and V. H. Quintana, Network parameter es-
timation using online data with application to transformer tap
postion estimation, IEE Proc 135 (1988), no. 1, 3140.
[Deb74] A. S. Debs, Estimation of steady-state power system model pa-
rameters, IEEE PES Winter Meeting, New York (1974), 1261
1268.
80 BIBLIOGRAFA
[Elg71] Olle I. Elgerd, Electric energy systems theory: An introduction,
Mc Graw-Hill, 1971.
[Gha97] L. El Ghaoui, Robust solutions to least squares problems with
uncertain data, SIAM J. Matrix Analisis Appl. 18 (1997), no. 4,
34023406.
[GM81] P. E. Gill and W. Murray, Practical optimization, Academic
Press, 1981.
[GS00] John J. Grainger and William D. Stevenson, Anlisis de sistemas
de potencia, Mc Graw-Hill, 2000.
[KG04] G. L. Kusic and D. L. Garrison, Measurement of transmission
line parameters from scada data, IEEE Proc (2004).
[Kor02] George Korres, A robust method for equality constrained state
estimation, IEEE Transactions on Power Systems 17 (2002),
305314.
[KV82] W. Kotiuga and M. Vidyasagar, Bad data rejection properties
of weighted least absolute value techniques applied to static state
estimation, IEEE Trans. Power Syst 101 (1982), no. 4, 844851.
[Liu97] H. Singh F.L. Alvarado W-H E. Liu, Constrained LAV state
estimation using penalty functions, IEEE Trans. Power Syst 12
(1997), no. 1, 383388.
[LL95] W. H.Edwin Liu and Swee Lian Lim, Parameter error identi-
cation and estimation in power system state estimation, IEEE
Trans. Power Syst 10 (1995), no. 1, 210219.
[LWL92] Wen Hsiung E. Liu, Felix F. Wu, and Shau M. Lun, Estimation
of parameter errors from measurement residuals in state estima-
tion, IEEE Trans. Power Syst 7 (1992), no. 1, 8189.
[NP99] Atulya K. Nagar and Roger S. Powell, An LFT/SDP approach to
the uncertainty analisis for state estimation of water distribution
systems, Departament of systems Engineering Brune University
(1999).
[Pow06] Power World Corporation, http://www.powerworld.com/, Po-
wer World Simulator version 11 manual, 2006.
81
[SA94] H. Singh and F.L. Alvarado, Weighted least absolute value state
estimation using interior point methods, IEEE Trans. Power Syst
9 (1994), no. 3, 14781484.
[Saa99] Hadi Saadat, Power system analysis, Mc Graw Hill, 1999.
[SFZ01] A. P. Sakis, B. Fardanesh, and Shalom Zelingher, Power system
state estimation: Modeling error eects and impact on system
operation, Proc. 34th Hawaii Conference System Sciences (2001).
[VB95] Lieven Vandenberghe and Stephen Boyd, Semidenite program-
ming, Tech. report, Stanford University and Katholieke Univer-
siteit Leuven, May 1995.
[ZE00] P. Zarco and A. Gmez Expsito, Power system parameter es-
timation: A survey, IEEE Trans. Power Syst 15 (2000), no. 1,
216222.
[ZWX92] B. Zhang, S. Wang, and N. Xiang, A linear recursive bad data
identication method with real - time application to power system
state estimation, IEEE Trans. Power Syst 7 (1992), no. 3, 1378
1395.

Unico Ganador PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Unico Ganador PDF

Transféré par

Droits d'auteur :

Formats disponibles

IDENTIFICACIN DE LOS

y efectuar los productos se llega a:

Vous aimerez peut-être aussi