Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.

ISSN 0122-1701

25

ALGORITMO GENTICO MODIFICADO CHU-BEASLEY APLICADO A LA IDENTIFICACIN DE ERRORES EN LA ESTIMACIN DE ESTADO EN SISTEMAS ELCTRICOS
Error identification in power system state estimation using a modified chu-Beasley genetic algorithm
RESUMEN En este artculo se utiliza un algoritmo gentico modificado por Chu-Beasley para mejorar la estimacin del estado de un sistema elctrico de potencia. El algoritmo garantiza una poblacin diversa durante todo el proceso de convergencia. Esta poblacin, junto con una tcnica de estimacin clsica y combinada con la teora de punto de apalancamiento, permite obtener resultados de buena calidad. Los resultados reportados demuestran un mejor desempeo cuando estos son comparados con los obtenidos por un estimador de estado tradicional. PALABRAS CLAVES: Estimacin de estado, deteccin de errores iterativos y conformativos, optimizacin combinatorial, algoritmo gentico modificado Chu-Beasley. ABSTRACT A genetic algorithm modified by Chu-Beasley is used in this paper to improve a power system state estimation. The proposed algorithm guarantees a diversified population during the convergence time. The proposed technique is able to find a better solution when it is combined with classical estimation algorithms and the theory of leverage points. Numerical results show that a better estimation is achieved when they are compared with results obtained from a classical solution technique. KEYWORDS: State estimation, estimation of iterative errors. Chu-Beasley optimization algorithm, HUGO ANDRS RUIZ F. Ingeniero Electricista Profesor Catedrtico Facultad de Ingenieras Universidad Tecnolgica de Pereira hugor@ohm.utp.edu.co ELIANA MIRLEDY TORO O. Ingeniera Industrial, Ms.C. Profesor Catedrtico Facultad de Ingeniera Industrial Universidad Tecnolgica de Pereira elianam@utp.edu.co HAROLD SALAZAR ISAZA Ingeniero Electricista, Ph.D(C) Profesor Asistente Programa de Ingeniera Elctrica Universidad Tecnolgica de Pereira hsi@utp.edu.co

1. INTRODUCCIN Una gran cantidad de problemas que tienen inters en ciencia y tecnologa pueden modelarse como problemas de optimizacin Para resolver estos problemas, una alternativa consiste en disear algoritmos aproximados que encuentren soluciones de alta calidad en tiempos razonables. De entre todos los mtodos aproximados se destacan las metaheursticas por su eficiencia, efectividad y flexibilidad. Estos mtodos se han aplicado con xito a una gran variedad de problemas de optimizacin. Para el caso en estudio se aplicar el algoritmo gentico modificado de Chu-Beasley que es una tcnica de bsqueda basada en la teora de la evolucin de Darwin. Uno de estos problemas es el estimador de estado, el cual es un procedimiento matemtico que permite estimar el estado ms probable de operacin del sistema, por medio de datos recolectados de los medidores e informacin de los parmetros de los componentes de la red. Tiene por objetivo principal identificar y descartar las mediciones que presentan errores en su adquisicin. La informacin recolectada es utilizada por los centros de control de energa (CCE) para evaluar diferentes procedimientos
Fecha de Recepcin: 31 Mayo de 2007 Fecha de Aceptacin: 12 Julio de 2007

propios de la operacin del sistema elctrico de potencia (SEP), es decir, todo lo relacionado con la seguridad, control y operacin del sistema. En la estimacin de estado existen mediciones con presencia de errores iterativos y conformativos, los cuales alteran el funcionamiento adecuado de la metodologa clsica. Los errores iterativos afectan los residuos de otras medidas, generalmente las que se encuentran en su vecindad. La influencia de los errores iterativos puede ser negativa sobre las medidas no portadoras de errores. Los errores conformativos hacen que las medidas portadoras de error acten como mediciones sin presencia de error y provocan que los residuos normalizados tomen un valor alto en las medidas correctas que poseen correlacin con los valores errneos. El problema de identificacin de errores iterativos y conformativos ha sido tratado por diferentes autores. En la referencia [1] y [2], este problema es resuelto usando el mtodo Bsqueda Tab. En este artculo el problema de identificacin de errores iterativos y conformativos es resuelto usando una versin modificada del algoritmo gentico, denominado algoritmo de Chu-Beasley. El

26

Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira

algoritmo es verificado usando un sistema de prueba de la IEEE de 14 nodos, obteniendo resultados satisfactorios. Este articulo esta organizado de la siguiente manera. El problema de la estimacin de estado es presentado en la seccin 2. Seccin 3 explica el mtodo de solucin y el modelo matemtico, en la seccin 4 se presentan los resultados de la metodologa y en la seccin 5 se comentan las conclusiones y recomendaciones de acuerdo a los resultados obtenidos. 2. PROBLEMA DE ESTIMACIN DE ESTADO

xi en cuenta que xi = xi forma matricial la siguiente expresin:

(k )

( k +1)

(k )

, se obtiene en

x ( k +1) x ( k ) = (G ( k ) )( 1) ( H ( k ) )(t ) R ( 1) e( k ) (4)

Por medio de (4), se actualizan las variables de estado del sistema en cada iteracin, hasta cumplir con el criterio de convergencia, mostrado en (5):

max x ( k +1) x ( k ) < tol

2.1 PRUEBAS ESTADSTICAS

(5)

En la estimacin de estado, se emplean diferentes procedimientos y pruebas estadsticas para el clculo de las variables de estado [3] y [4]. En el modelamiento de dicho problema, el error en las mediciones (e) se calcula como la diferencia entre la medicin especificada (z), tales como: potencia activa, potencia reactiva y magnitudes de voltaje, y la medicin calculada (h(x1,x2,,xn )), donde x representa las variables de estado del sistema, magnitud de voltaje (V) y ngulo de voltaje () descrito de la siguiente forma: e= error en la medicin. H= matriz Jacobiana que relaciona las mediciones y las variables de estado del sistema R= matriz de ponderaciones de las mediciones. G= matriz de ganancia.
e 1 = z 1 h1 ( x 1 , x 2 , , x n ) e n = z n h n ( x1 , x 2 , , x n )

Despus de que han sido estimadas las variables de estado del sistema en (4) , se requiere tener certeza acerca de la validez de los resultados obtenidos. Esto se logra a travs de pruebas estadsticas. Los errores estimados presentan una distribucin gaussiana, la teora estadstica demuestra que la funcin ) mostrada en (2) es representada por la f (x de grados de libertad k = ( nm 2 n 1) , equivale al grado de confianza, nm es igual a el nmero de mediciones y n es el nmero de variables de estado del sistema . Se aplica de la forma f ( x ) k2, , es decir, si la suma de todos los errores es mayor que el valor que arroja la prueba chi-cuadrado, indica presencia de datos anormales dentro de las mediciones. Con el fin de identificar la medida errada con mayor incidencia en el error global, detectado anteriormente, se lleva a cabo una segunda prueba estadstica. Para esta prueba se calculan los residuos normalizados rN para c/u de las mediciones, representadas por una distribucin de probabilidad t-student [5] con k grados de libertad. Esta prueba tiene la forma max rN tk , . ., lo cual indica que si el mximo residuo normalizado es mayor que el resultado del estadstico t, con k grados de libertad y un nivel de confianza alfa, identifica la medicin errnea. 2.2 CRITERIOS DE OBSERVABILIDAD PUNTOS DE APALANCAMIENTO Y distribucin chi-cuadrada [5] k2, donde k es el nmero

(1)

La suma ponderada de los errores al cuadrado tiene la siguiente presentacin:

f =
j =1 n

ej 2

( z1 h1( x1, , xn )) 2

2 1

+ +

( zn hn ( x1, , xn)) 2

(2)

n2

donde i representa el factor de ponderacin de la medicin i . Con el fin de minimizar el error, se deriva la ecuacin (2) respecto a las variables de estado e igualando a cero se obtiene:

1, , x n ) z1 h1( x z 2 h 2( x 1, , x n ) t 1 =0 H R 1, , x n ) z n hn ( x

(3)

Un concepto importante en el estimador de estado son las tcnicas de observabilidad [6], las cuales permiten determinar si con las mediciones existentes es posible calcular las variables de estado del sistema. Los puntos de apalancamiento son mediciones que influyen en los resultados del estimador de estado, modificando los valores estimados. Los puntos de apalancamiento evitan visualizar la presencia de datos

Para resolver (3) se requiere linealizar las ecuaciones alrededor de un punto de operacin ( x , , x ) usando expansin en series de Taylor. Despus de hacer el desarrollo del modelo descrito anteriormente y teniendo
(0) (0)

Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.

27

errneos en la iteracin, al presentar interaccin con otros datos. Este efecto de enmascaramiento produce residuos normalizados pequeos asociados con los datos errneos, lo cual hace que no sean detectables [2]. 2.3. MODELO MATEMTICO La funcin objetivo o funcin de evaluacin proporciona informacin acerca de la calidad de la configuracin que ha sido propuesta. Esta informacin permite establecer una comparacin entre configuraciones. La funcin objetivo utilizada para esta aplicacin est representada por la siguiente ecuacin:

poblacin se reemplaza sistemticamente un nico descendiente. Esta estrategia tiene como ventaja encontrar soluciones de alta calidad y garantizar diversidad en la poblacin a lo largo de las generaciones. 3.1 CODIFICACIN El algoritmo gentico permite implementar la codificacin con variables binarias, enteras o reales, esto depende de la naturaleza de las variables. En este caso especfico se adopt la codificacin binaria ya que representa satisfactoriamente el estado de las variables. En trminos del algoritmo gentico un cromosoma es un elemento de la poblacin que representa una posible solucin del problema. Los posibles estados de un medidor i se definen por una variable binaria que toma los siguientes valores:

} fobj(x)=nbad + max {0;f(x)

(6)

nbad Nmero de mediciones consideradas errneas. Suma ponderada de los errores al cuadrado. f(x)

Valor suministrado por la prueba chi-cuadrada. Factor de penalizacin.

En la formulacin (6) se penaliza la funcin objetivo en caso de que la restriccin representada por el ndice sea violada, es decir, si la configuracin indica f(x) presencia de errores grandes. Adems, la restriccin de observabilidad se verifica aplicando la teora de puntos de apalancamiento. 3. MTODO DE SOLUCIN La deteccin de errores como problema combinatorio fue propuesta en [7] para el tratamiento de errores mltiples, iterativos y conformativos basado en la teora de decisin. En la estimacin de estado se presentan dificultades en la deteccin de medidas errneas debido a que la metodologa clsica interpreta algunas mediciones incorrectas como correctas, lo cual ocurre debido a la correlacin que se presenta entre ellas. Por esta razn se proponen metodologas de tipo combinatorial, tales como el algoritmo gentico de Chu-Beasley, a fin de modelar el problema de estimacin de estado como un problema de optimizacin. Este problema combinatorio permite establecer una serie de soluciones donde cada una representa una alternativa que puede contener mediciones correctas o combinaciones de correctas e incorrectas. El algoritmo Chu-Beasley es una versin modificada del algoritmo gentico bsico, la principal caracterstica consiste en mantener diversidad entre los cromosomas que conforman la poblacin durante todo el proceso. En cada generacin es reemplazado un solo cromosoma (alternativa) en la poblacin, siempre y cuando, cumpla con las condiciones de optimalidad y/o factibilidad establecidas. Dicho mecanismo busca que en cada ciclo generacional, la calidad de la solucin sea mejorada por optimalidad y/o factibilidad. Durante el proceso en la

di = 0, si la i sima medida es incorrecta. di = 1, si la i sima medida es correcta.

La poblacin de alternativas de solucin se conforma por un nmero determinado de cromosomas como el mostrado en la Figura 1.
1 2 3 4 n dk = 0 1 1 1 0

Figura 1. Codificacin del problema.

n representa el nmero de mediciones que existen en el sistema.

3.2 POBLACIN INICIAL Algunas metaheursticas inician el proceso iterativo generando una poblacin inicial a travs de algoritmos inicializadores, intentando con esto, encontrar soluciones de muy alta calidad que estn prximas a la solucin ptima del problema. Este modo de inicializacin es usado en problemas de alta complejidad matemtica. En la teora se tiene establecido que la obtencin del ptimo global es independiente de la solucin inicial. La experiencia ha mostrado que la obtencin de soluciones de alta calidad en problemas de gran complejidad matemtica depende del punto en el cual se inicie el proceso. En problemas de baja o mediana complejidad matemtica, como es el caso estudiado en este artculo, la generacin de la poblacin inicial podr ser efectuada de forma aleatoria alcanzndose la solucin ptima. Para generar la poblacin inicial del caso en estudio se us el siguiente criterio: el tamao del cromosoma depende del nmero de mediciones. Se generan tantos nmeros aleatorios como genes tenga el cromosoma, si el nmero aleatorio generado es menor que 0.75 el valor del

28

Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira

gen es igual a 1 y cero en caso contrario, esto con el fin de que la configuracin tenga la mayor cantidad de unos para garantizar la observabilidad del sistema [6]. 3.3 SELECCIN En la literatura especializada se contemplan diferentes algoritmos de seleccin para definir los padres. En este trabajo se estudiaron dos tipos de seleccin: por ruleta y torneo. Finalmente, en el desarrollo de este artculo se utiliz seleccin por torneo. La seleccin por torneo consiste en escoger la alternativa que tenga mejor funcin objetivo de los k cromosomas seleccionadas aleatoriamente (Figura 3). El xito de aplicar esta metodologa radica en escoger adecuadamente un valor de k que se ajuste a cada problema en particular teniendo en cuenta tamao y complejidad de la aplicacin. Un valor de k muy alto puede eventualmente hacer caer el proceso en ptimos locales de muy baja calidad. El valor de k puede ser variable dependiendo el tamao de la poblacin; un valor recomendado de k es 2. En problemas con poblacin grande el valor de k podr ser mayor o igual a 2.
1 0 0 1 0 0 0 1 0 0 1 1 0 0 1 0
Figura 2. Seleccin de los padres para

3.4 RECOMBINACIN Con los dos padres seleccionados, el siguiente paso consiste en combinarlos de forma tal que se obtengan los descendientes. De estos dos descendientes uno ser eliminado y el otro entrar a formar parte de la poblacin, siempre y cuando cumpla con los criterios de optimalidad y/o factibilidad establecidos. Lo anterior representa una diferencia significativa con respecto al mtodo tradicional del algoritmo gentico y se traduce, en este caso, en una estrategia eficiente de bsqueda local. En el proceso de recombinacin es necesario definir el nmero p de puntos de recombinacin. Dichos puntos son escogidos de forma aleatoria. Posteriormente, se combinan las caractersticas de los padres haciendo un cruzamiento de las porciones de cromosoma existentes entre cada punto de recombinacin como se muestra en las Figuras 4 y 5 para un cromosoma de 8 genes y un punto de recombinacin. El resultado de la recombinacin produce dos hijos de los cuales uno es desechado de forma aleatoria.
Punto de recombinacin 1 0 0 1 0 0 1 0 0 0 1 1 0 0 0 1
Figura 4. Proceso de recombinacin

k=2

0 0 1 1 0 0 0 1
Figura 5. Seleccin del hijo

DATOS DE ENTRADA k, poblacin. Inicializar: j=1

El objetivo de recombinar es encontrar nuevas alternativas de solucin que permitan intercambiar medidas que mejoren la estimacin 3.5 MUTACIN

j=2 ?

si

Salida:
2 Padres

no

De la poblacin, escoger de forma aleatoria k alternativas de solucin:

alternativas k
escoger un

El proceso de mutacin se encuentra fuertemente ligado al concepto de intensificacin en el vecindario. As, una mutacin drstica puede alejar el proceso de la zona de bsqueda actual y llevarlas a regiones distantes, determinando una especie de diversidad. Por otra parte, una mutacin dbil eventualmente puede ocasionar convergencias a soluciones locales y no permite una solucin eficiente alrededor de la solucin actual. La mutacin aplicada para el caso en estudio consiste en generar un nmero aleatorio y realizar la mutacin si este valor es mayor a 0.85 Si la mutacin es aceptada, se genera un nmero aleatorio entre uno y la longitud del cromosoma para cambiar el valor del gen de uno para cero viceversa, ver Figura 6.

Del vector

alternativas k ,
padre j

padre aleatoriamente:

Figura 3. Proceso de Seleccin

Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira.

29 infactible de la poblacin, entonces reemplazar la peor infactible por la alternativa actual. Si la configuracin es factible y existe por lo menos una infactible en la poblacin actual, entonces reemplazar la peor infactible por la alternativa actual. Si la configuracin es factible y todas las alternativas de la poblacin actual son factibles, entonces reemplazar la alternativa con peor funcin objetivo por la alternativa actual. Lo anterior se realiza slo si la alternativa actual es de mejor calidad que la peor de la poblacin.

0 0 1 1 0 0 0 1 Punto de mutacin 0 0 1 1 1 0 0 1
Figura 6. Proceso de mutacin

b.

c.

Con este operador se pretende explorar el espacio de soluciones a fin de encontrar alternativas con mejor funcin objetivo. 3.6 MEJORA DE LA FACTIBILIDAD Este proceso busca mejorar el valor de la funcin objetivo y garantizar que la configuracin sea observable. El proceso consiste en evaluar la alternativa actual haciendo las reasignaciones que garanticen la observabilidad de la configuracin, cambiando aleatoriamente genes con valor cero por uno tomando como lmite un nmero mximo de mediciones en valor cero. 3.7 MEJORA DE LA OPTIMALIDAD El proceso consiste en evaluar el descendiente haciendo que algunos de los genes con valor cero se cambie por uno y evaluando la funcin objetivo. Las reasignaciones que permitan la observabilidad del sistema y mejoren la funcin objetivo son almacenadas. Finalmente, de todas las reasignaciones almacenadas se escoge la que mas favorezca la funcin objetivo. Es importante notar que la alternativa resultante se diferencia de la alternativa original solamente en un elemento. 3.8 DESCRIPCIN DEL ALGORITMO El procedimiento seguido en el algoritmo Chu-Beasley es el siguiente: 1 2 3 4 5 Generar una poblacin inicial Se obtienen 2 alternativas padre usando seleccin por torneo de la poblacin actual Se obtiene una alternativa hijo aplicando Recombinacin a los padres obtenidos en el paso anterior Se obtiene una alternativa modificada aplicando Mutacin siempre y cuando el parmetro obtenido lo permita. Si la configuracin no es observable se repara obteniendo una alternativa observable. Esto se logra aplicando de forma consecutiva un proceso de mutacin hasta encontrar un nmero mximo de ceros en la configuracin. Para modificar la poblacin se propone la siguiente estrategia: a. Si la alternativa actual es infactible y a su vez es menos infactible que la peor 7 8

En caso contrario desechar la alternativa resultante y volver al paso 2. El proceso termina hasta cumplir el criterio de parada. En este caso se considera un nmero mximo de iteraciones.

4 RESULTADOS Se ha considerado un sistema de prueba [8] de 14 nodos y 20 lneas (ver Figura 7), y se cuenta con 58 mediciones. En primera instancia, se aplica un flujo de carga para determinar los voltajes (magnitud y ngulo) en cada uno de los nodos del sistema, una vez se conocen estas cantidades, se obtienen las mediciones del sistema que servirn como datos de entrada al estimador de estado. Posteriormente, se procede a alterar algunas mediciones, de tal manera que en su gran mayora contengan errores del tipo iterativo y conformativo ver Tabla 1.
z1 = P 1 = 1.9306 z5 = P 3 = 0.5405 z9 = P 6 = 0.13 z13 = P 8 = 0.03 z17 = P 11 = 0.034 z21 = P 13 = 0.1347 z25 = P 12 = 1.2843 z29 = P 23 = 0.5159 z33 = P 25 = 0.4158 z37 = P 43 = 0.0404 z41 = P 78 = 0.03 z45 = P 1413 = 0.0516 z49 = V5 = 0.96 z53 = V9 = 0.8594 z57 = V13 = 0.8497 z2 = Q1 = 0.2618 z6 = Q3 = 0.195 z10 = Q6 = 0.094 z14 = Q8 = 0.0009 z18 = Q11 = 0.8 ** z22 = Q13 = 0.08 z26 = Q12 = 0.0323 z30 = Q23 = 0.2934 z34 = Q25 = 0.2846 z38 = Q43 = 0.0676 z42 = Q78 = 0.0011 z46 = Q1413 = 0.0145 z50 = V6 = 0.876 ** z54 = V10 = 0.8531 z58 = V14 = 0.8291 z3 = P 2 = 0.2165 z7 = P 4 = 0.464 z11 = P 7 = 0.02 z15 = P 10 = 0.091 z19 = P 12 = 0.062 z23 = P 14 = 0.149 z27 = P 15 = 0.6461 z31 = P 24 = 0.5402 z35 = P 34 = 0.040 z39 = P 45 = 0.5142 z43 = P 149 = 0.7 ** z47 = V3 = 0.952 ** z51 = V7 = 0.887 z55 = V11 = 0.8603 z4 = Q2 = 1.0032 z8 = Q4 = 0.10 z12 = Q7 = 0.73 ** z16 = Q10 = 0.06 z20 = Q12 = 0.022 z24 = Q14 = 0.0489 z28 = Q15 = 0.294 z32 = Q24 = 0.8 ** z36 = Q34 = 0.0529 z40 = Q45 = 0.1812 z44 = Q149 = 0.0341 z48 = V4 = 0.9443 z52 = V8 = 0.887 z56 = V12 = 0.8554

Tabla 1. Mediciones del sistema

Para el estudio en cuestin fueron alteradas 6 mediciones marcadas con (**), las que contienen errores iterativos y conformativos. Dichas medidas, despus de analizar mltiples estudios de estimacin, resultaron ser difciles de detectar por la metodologa clsica. Al correr el estimador de estado fueron detectadas como mediciones erradas las presentadas en la Tabla 2, usando las pruebas estadsticas chi-cuadrado y t-student.

30
z32 = Q34 ** z 43 = P z34 = Q25 14 9 ** z3 = Q43 z5 = P3 ** z33 = P25 z12 = Q7 ** z50 = V6 ** z47 = V3 **

Scientia et Technica Ao XIII, No 35, Agosto de 2007. Universidad Tecnolgica de Pereira

tipo iterativo y conformativo. A pesar de esto el algoritmo propuesto las identifica eficientemente. 5. CONCLUSIONES Y RECOMENDACIONES En algunas situaciones la metodologa clsica WLS de estimacin de estado no identifica correctamente las mediciones que presentan errores, suministrando de este modo, un estimativo que no es correcto sobre el comportamiento del sistema estudiado. En el sistema de prueba de este artculo, la metodologa clsica de estimacin elimina mediciones que no presentan ningn tipo de error. Esta prdida de informacin puede conducir a que el sistema sea no observable, de no contarse con un nivel de redundancia alto. Los resultados que arroja la implementacin combinada de la teora clsica WLS (Weighted Least Square) y el algoritmo de optimizacin combinatorial Chu-Beasley muestran eficiencia en la identificacin de mediciones erradas y que sean del tipo iterativo y conformativo. Este artculo brinda un enfoque alternativo en el estudio de la estimacin de estado, pues adems de utilizar la metodologa clsica, implementa criterios de observabilidad y utiliza la tcnica combinatorial de ChuBeasley. Diferentes tcnicas de estimacin sern comparadas en trabajos futuros. Esto permitir establecer las ventajas y desventajas de cada una de ellas. BIBLIOGRAFA [1] Asada, E.; Garca, A; and Romero, R. Identifying multiple interacting bad data in power system state estimation. IEEE Power Engineering Society General Meeting, Vol. 1 Jun 2005. [2] Ruiz, H.; Toro, E.; y Granada, M. Identificacin de errores grandes en la estimacin de estado usando Bsqueda Tab. Revista Scientia et Tcnica, No 34, Mayo 2007. Universidad Tecnolgica de Pereira. [3] Grainger, J.; Stevenson, W. D. Anlisis de Sistemas de Potencia, Mc Graw Hill, Mxico 1998. [4] Stagg, G.; El Abiad, A. Computer Methods in Power System Analisys, Mc Graw Hill, 1968. [5] Walpole M. Probabilidad y Estadstica para ingenieros, Mc Graw Hill, 1995. [6] Monticelli, A; and Wu, F.F. Network Observability: Theory. IEEE Trans. Power System, vol Pas 104, no. 5, May 1985. [7] Monticelli, A. State Estimation in Electric Power Systems: A Generalized Approach, Editora Kluwer, 1999. [8] El-Habachi, A; Generation mix planning using genetic algorithm. IEEE Power Engineering Society Summer Meeting. Vol. 1 2002.

Tabla 2. Medidas detectadas por el estimador clsico

Al analizar los resultados del estimador de estado, presentados en la Tabla 2, se observa que en efecto fueron identificadas las seis mediciones alteradas inicialmente y tres ms que no deban haber sido identificadas como errneas. Parmetros usados en la simulacin: Tamao de la poblacin = 20. Tasa de cruzamiento = 1. Tasa de mutacin = 0.15. Nmero de participantes en el torneo k = 2 . Factor de penalizacin = 0.01 . Nmero mximo de mediciones con valor cero = 6.
13

12 11 1
6

14

10 8 9

Figura 7. Sistema IEEE 14 nodos

2
55 50 45 40 Funcin Objetivo 35 30 25 20 15 10 5 0 50 100 150 200 No. de Generaciones 250 300

G 3

Figura 8. Evolucin del Proceso Generacional En la Figura 8, el valor ptimo corresponde a 6, ya que, la funcin objetivo es la suma del nmero de mediciones erradas mas un factor de penalizacin dado por las pruebas estadsticas.

De los resultados obtenidos se observa que el algoritmo identifica como medidas erradas, z12 = Q7 , z18 = Q11 ,

z32 = Q3 4 , z43 = P 14 9 , z47 = V3 , z50 = V6 las cuales

corresponden efectivamente a las que fueron alteradas inicialmente. Existe la posibilidad que entre las mediciones erradas existan algunas de ellas que sean del