Anais do XX Congresso Brasileiro de Automática

Belo Horizonte, MG, 20 a 24 de Setembro de 2014

SÍNTESE DE UM FILTRO INVERSO - VECTOR FITTING VERSUS

LEVENBERG-MARQUARDT

Eubis Pereira Machado∗, Damásio Fernandes Júnior†, Washington Luiz Araújo Neves†
∗
Colegiado de Engenharia Elétrica da Universidade Federal do Vale do São Francisco
Av. Antônio Carlos Magalhães, 510, Santo Antônio, Juazeiro-BA, Brasil
†
Departamento de Engenharia Elétrica da Universidade Federal de Campina Grande
Av. Aprı́gio Veloso, 882, Bairro Universitário, Campina Grande-PB, Brasil

Emails: eubis.machado@univasf.edu.br, damasio@dee.ufcg.edu.br, waneves@dee.ufcg.edu.br

Abstract— This work presents the inverse filters identification for amplitude and phase capacitive voltage
transformers correction. The identification occurs through the synthesis of rational functions using a strategy for
startup Levenberg-Marquardt method which, because it is Newton type method, requires good initial conditions
to ensure an appropriate solution on the parameters to be identified. With regard to vector fitting, one of the
most successful methods for systems identification based on rational functions, the Levenberg-Marquardt method,
when initialized by Levy algorithm in conjunction with a pre-conditioning technique, provides best results.

Keywords— Inverse filters, Levenberg-Marquardt, vector fitting.

Resumo— Este trabalho apresenta a identificação de filtros inversos destinados à correção de amplitude e
fase de transformadores de potencial capacitivos. A identificação ocorre através da sı́ntese de funções racionais
utilizando-se uma estratégia de inicialização do método de Levenberg-Marquardt que, por se tratar de um método
tipo Newton, requer boas condições iniciais para assegurar uma solução apropriada nos parâmetros a serem
identificados. Relativamente ao vector fitting, um dos métodos mais bem sucedidos na identificação de sistemas
com base em funções racionais, o método de Levenberg-Marquardt, quando inicializado pelo algoritmo de Levy
em conjunto com uma estratégia de pré-condicionamento, fornece melhores resultados.

Palavras-chave— Filtros inversos, Levenberg-Marquardt, vector fitting.

1 Introdução fia podem não retratar com fidelidade a tensão do

Os transformadores de potencial capacitivos
(TPC) são transdutores de tensão instalados nos
sistemas elétricos de potência (SEP) com o pro-
pósito de reduzir o nı́vel de tensão a valores ade-
quados aos instrumentos de medição, proteção e
controle de modo que haja uma relação fixa en-
tre os valores instantâneos dos sinais de tensão de
saı́da e de entrada, com diferenças de fase despre-
zı́veis entre as mesmas. Não obstante, os TPC
não apresentam uma largura de banda bem defi-
nida o que pode afetar o desempenho da proteção
de distância (Machado et al., 2014) e dos algorit-
mos que utilizam os sinais de tensão para detectar,
classificar, e analisar a grande variedade de pertur-
bações a que os sistemas elétricos são submetidos
(Carvalho and Carneiro Jr., 2006).
Em Machado et al. (2014) foi desenvolvida
uma metodologia para correção dos transitórios
de baixa frequência de TPC a partir da filtragem
digital da tensão secundária. Uma das dificulda-
des para implementação da técnica está associ-
ada à obtenção de filtros inversos de baixa ordem
para descrever os dados de resposta em frequên-
cia de referência, sobretudo, quando o processo de
identificação leva em consideração a resposta em
frequência dos filtros anti-aliasing presentes nos
IED (Intelligent Electronic Device). A presença
dos filtros anti-aliasing tem por objetivo evitar a
sobreposição de espectros durante a amostragem
dos sinais. Não obstante, os dados de oscilogra-
sistema, haja visto que os sinais de tensão podem
estar corrompidos pelo erro de relação de trans-
formação dos TPC, bem como pelo atraso de fase
e atenuação do ganho proporcionados pelos filtros
anti-aliasing. Logo, a fim de eliminar essas distor-
ções, a identificação do filtro inverso deve levar em
consideração a resposta do TPC e do anti-aliasing.
O vector fitting proposto por Gustavsen and
Semlyen (1999) é reportado na literatura como um
método de referência na identificação de sistemas
com base em funções racionais. Não obstante, no
presente trabalho, verifica-se que o método pode
falhar durante a identificação de filtros inversos
que se destinam a corrigir a distorção de ampli-
tude e fase de TPC. Como alternativa ao vec-
tor fitting, implementa-se uma versão do método
de Levenberg-Marquardt (LM) que, apesar de ser
mais lento, apresenta, em geral, uma melhor pre-
cisão (Knockaert et al., 2009). Por outro lado, por
ser um método do tipo Newton, faz-se necessário
uma boa estimativa inicial para assegurar uma so-
lução apropriada nos parâmetros a serem identifi-
cados. Nesse sentido, apresenta-se uma versão do
algoritmo de Levy (1959) que, em conjunto com
uma estratégia de pré-condicionamento, fornece as
estimativas iniciais que serão utilizadas como pa-
râmetros de entrada do método de LM. A estabili-
dade para estudos do domı́nio do tempo é forçada
por meio da restrição de polos, cabendo ao algo-
ritmo de LM o refinamento das estimativas iniciais
sob condições de restrição de desigualdade.

1298
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

2 Identificação de Sistemas a Partir da Analisando a Equação (8), observa-se que o mé-

Sı́ntese de Funções Racionais todo de Newton apresenta a inconveniência do cál-
culo das segundas derivadas do vetor de resı́duos.
A partir dos dados de resposta em frequência de Além disso, o método apresenta convergência lo-
um sistema fı́sico, é possı́vel obter um modelo ma- cal e, portanto, para garantir que o processo itera-
temático baseado no ajuste de funções racionais no tivo convirja para um ponto estacionário da fun-
domı́nio s, para sistemas contı́nuos e no domı́nio ção objetivo, é necessário que a estimativa inicial
z −1 para sistemas discretos. Ainda que o modelo x(k) |k=0 esteja próxima da solução (Rao, 2009).
matemático não forneça a função de transferência Com intuito de eliminar o cálculo das segun-
do sistema fı́sico em estudo, ele deve fornecer com das derivadas da função objetivo para computar
precisão suas caracterı́sticas dinâmicas. A princı́- a matriz Hessiana, Karl Friedrich Gauss (1777-
pio, a função de transferência de um sistema pode 1855) sugeriu que a parte das segundas derivadas
ser modelada por uma função racional do tipo: da função objetivo fosse ignorada. Assim, a dire-
a0 + a1 γv + . . . + an γvn ção de busca p(k) passa a ser a solução da equação:
H(γv , x) = , (1)
1 + b1 γv + . . . + bm γvm h i
J(x(k) )T J(x(k) ) p(k) = −∇F (x(k) ) . (10)
sendo γv = jωv para identificação na frequência
analógica e γv = z −1 = e−jΩv para identificação O método iterativo com essa direção de busca é
na frequência discreta, em que 1 ≤ v ≤ npt e x = conhecido como método de Gauss-Newton. Este
[xa xb ]T o vetor de parâmetros a ser determinado: método supera a inconveniência do cálculo das de-
xa = [a0 a1 ··· an ]
T
(2) rivadas de segunda ordem dos resı́duos, contudo,
T assim como o método de Newton, apresenta carac-
xb = [b1 b2 ··· bm ] . (3) terı́sticas de convergência local e pode não conver-
De modo geral, o vetor x pode ser obtido por meio gir em problemas com grandes resı́duos.
da técnica dos quadrados mı́nimos não lineares, Levenberg (1944) e mais tarde Marquardt
cuja função objetivo pode ser expressa por: (1963) sugeriram a Equação (11) como modifi-
cação do método de Gauss-Newton para torná-
npt npt
1X 2 1X 2 lo global e superar problemas de convergência
F (x) = (hv − H(γv ; x)) = (Rv (x)) ,
2 v=1 2 v=1 (Dennis and Schnabel, 1996; Rao, 2009).
(4) h i
sendo hv o v-ésimo ponto da resposta em frequên- J(x(k) )T J(x(k) ) + µ(k) I p(k) = −∇F (x(k) ) .
cia de referência. Por ser não linear em x, a mini- (11)
mização da função objetivo é realizada por meio de Em (11), I ∈ ℜ(n+m−1)×(n+m−1) é a matriz iden-
métodos numéricos (Dennis and Schnabel, 1996). tidade e µ(k) ≥ 0 é um parâmetro definido na
Usando o método de Newton para minimizar k -ésima iteração o qual proporciona os seguintes
F (x), o vetor x na k -ésima iteração vale: efeitos:
x(k+1) = x(k) + p(k) . (5) 1. Para todo µ(k) > 0, a matriz Hessiana de
Sendo p(k) a direção de busca que satisfaz: F (x) é positivo definida, o que assegura que
p(k) está na direção descendente de F (x);
∇2 F (x(k) )p(k) = −∇F (x(k) ) . (6)
2. Para grandes valores de µ(k) , p(k) =
O gradiente e a Hessiana de F (x) são dados, res- (k)
− ∇Fµ(x
(k)
)
é um pequeno passo na direção de
pectivamente, por (Dennis and Schnabel, 1996):
busca definida pelo gradiente, aproximando-
∇F (x(k) ) = J(x(k) )T R(x(k) ) (7) se do método do máximo declive descendente
npt
X ou método do gradiente;
∇2 F (x(k) ) = J(x(k) )T J(x(k) ) + Rv (x(k) )Rv′′ (x(k) ) .
3. Se µ(k) é muito pequeno, então o método
v=1
(8) iguala-se ao método de Gauss-Newton que é
bom quando a iteração atual está próxima da
Nessas equações, R(x(k) ) ∈ ℜnpt×1 é o vetor de re- solução ótima x∗ .
sı́duos, ao passo que J(x(k) ) ∈ ℜnpt×(n+m−1) é de-
finido como jacobiano e contém as derivadas parci- O problema dos quadrados mı́nimos não line-
ais de primeira ordem da função residual Rv (x(k) ), ares geralmente é mal condicionado se a faixa de
isto é: frequência é larga ou quando as funções de trans-
 ∂R1 (x(k) ) ferências requerem um número elevado de polos.
∂R1 (x(k) )

∂x1 ··· ∂xn+m−1 Visando superar essas inconveniências, estratégias
J(x(k) ) = 
 .. .. ..  como utilização de polinômios ortogonais (Rolain
. . .
 .

(k) (k)
 et al., 1994) e funções base ortonormais (Ninness
∂Rnpt (x ) ∂Rnpt (x )
∂x1 . . . ∂xn+m−1 and Gustafsson, 1997; Ades and da Silveira, 2002)
(9) têm sido investigadas. Neste último caso, a função

1299
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
racional é expressa por uma combinação linear de
funções que são numericamente estáveis:
n
X conhecido. Ainda no primeiro estágio do ajuste
H(γ, x) = λv Gv (γ) .
v=0
Em (12), o escalar λv ∈ ℜ enquanto Gv (γ)
corresponde a um conjunto de funções racio-
nais que formam uma base ortonormal. As ba-
ses comummente utilizadas são as de Laguerre
(Wulhynek, 2002; Campello et al., 2007), de
Kautz (da Rosa, 2005), as ortonormais genera-
lizadas (Ninness and Gustafsson, 1997; de Vries
and Van den Hof, 1998) e as bases formadas por
conjunto geradores otimizados (Ades and da Sil-
veira, 2002; Wulhynek, 2002). Sem dúvida, uma
das motivações para o uso de base de funções or-
tonormais é que a solução do problema sempre é
alcançada por meio do incremento do número de
funções base. Por outro lado, essa metodologia
de identificação enfrenta alguns problemas: a se-
leção dos polos que definem a base das funções e
o número elevado de funções base para represen-
tação dos sistemas. De modo geral, quanto mais
próximo o polo estiver da dinâmica dominante do
sistema, menor será a quantidade de funções base
para aproximar o sistema com uma dada precisão
(Campello et al., 2007). Apesar do ajuste sempre
ser possı́vel por meio do incremento do número
funções base, o modelo resultante é de ordem ele-
vada podendo inviabilizar a sı́ntese de filtros digi-
tais para os fins de processamento em tempo real.
Gustavsen and Semlyen (1999) desenvolveram
um método de ajuste a partir de expansões em
frações parciais que culminou numa melhoria do
condicionamento numérico da matriz da aproxi-
mação linear dos quadrados mı́nimos não lineares.
No vector fitting, a função racional com γ = s é
escrita na forma:
X m
ci
Qm+1
(s − zi )
H(s) = ∼ + d + hs = h Qi=1 m
i=1
s − pi i=1 (s − pi )
Os resı́duos ci , os polos pi e os zeros zi podem ser
reais ou pares complexos conjugados, enquanto d
e h são reais. Embora essa equação seja não li-
near nos polos, o vector fitting resolve o problema
da determinação dos resı́duos e polos sequencial-
mente, como um problema linear em dois estágios.
No primeiro estágio, estimativas iniciais dos polos,
p̃i , devem ser fornecidas. Com estes polos, duas
funções são construı́das:
m Qm
c̃i i=1 (s − z̃i )
X
σ(s) = + 1 = Qm
i=1
s − p̃ i i=1 (s − p̄i )
m Qm+1
c̄i (s − zi )
¯ ¯ ¯
X
p(s) = + d + sh = h Qi=1m
i=1
s − p̃ i i=1 (s − p̄i )
cujos resı́duos c̃i , c̄i para i = 1, 2, . . . , m e os parâ-
metros d¯ e h
¯ devem ser determinados. Nota-se que
σ(s) e p(s) diferem apenas quanto ao polinômio do
numerador, apresentando o mesmo denominador
(12) impõem-se (Gustavsen and Semlyen, 1999):
σ(s)H(s) ≈ p(s)
m
! m
X c̃i
+ 1 H(s) ≈
X c̄i
+ d¯ + sh
¯.
i=1
s − p̃i i=1
s − p̃ i
(16)
Rearranjando (16) e substituindo-se s = jωv para
todos os npt pontos de H(s), obtém-se um sis-
tema sobredeterminado de equações lineares nas
variáveis c̃i , c̄i , d¯ e h,
¯ isto é, um problema dos qua-
drados mı́nimos lineares. Com os resı́duos com-
putados, a fase seguinte do algoritmo é definida
pela obtenção dos zeros aproximados z̃i de σ(s),
os quais correspondem aos autovalores do sistema
(Gustavsen, 2006):
A − bc̃T , (17)
em que A e b são, respectivamente, a matriz dos
coeficientes e o vetor independente dos quadra-
dos mı́nimos lineares definido em (16). Analisando
esta equação na forma de divisão,
p(s)
Qm+1
(s − zi )
¯
= h Qi=1
m ≈ H(s) . (18)
σ(s) i=1 (s − z̃i )
Portanto, os zeros de σ(s) fornecem os polos ajus-
tados da função racional H(s). Contudo, para
um ajuste mais preciso pode ser necessário rea-
locar os polos de H(s) realizando mais iterações.
Conforme Hendrickx and Dhaene (2006), o pro-
cesso iterativo de realocação dos polos de H(s) é
essencialmente uma reformulação do SK iteration
usando frações parciais. Na segunda etapa do al-
goritmo, tendo obtido os polos aproximados da
função H(s) na primeira etapa, procura-se os seus
. demais parâmetros ci , d e h a partir da imposição:
m
(13) X ci
H(s) ≈ + d + hs . (19)
i=1
s − pi
Observa-se que a Equação (19) é linear nos pa-
râmetros ci , d e h. Assim, com os polos pi es-
timados na primeira fase do algoritmo, resolve-se
outro problema dos quadrados mı́nimos lineares
para obter os parâmetros de interesse.
Diferentemente do LM, em que a sı́ntese de
funções racionais é apenas uma aplicação parti-
cular, o vector fitting foi concebido especialmente
(14) para tal finalidade. Sem dúvida, além de ter sua
eficiência já validada mediante um grande número
de publicações nas mais diversas áreas de estu-
, dos, um dos fatores que levaram a popularização
do método é a interface do código fonte que pro-
(15)
porciona flexibilidade durante o ajuste de funções
racionais contendo dezenas e até centenas de po-
los. Contudo, conforme Knockaert et al. (2009),
1300
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
o vector fitting ainda não tem sido bem aceito
na comunidade de identificação de sistemas em
detrimento da convergência do processo iterativo
de realocação dos polos, que se trata de um pro-
blema ainda não resolvido na literatura. De fato,
como a maioria dos métodos iterativos, o vector
fitting pode apresentar problemas de convergên-
cia (Lefteriu and Antoulas, 2013), ou mesmo não
apresenta a solução ótima sob a ótica do número
de polos necessários para representar uma deter-
minada resposta em frequência.
3 Proposta para Inicialização dos
Métodos Tipo Newton
O método de LM é um dos métodos mais bem su-
cedidos na identificação sistemas. Contudo, por
ser um método do tipo Newton, requer uma boa
estimativa inicial para se ter sucesso no processo
iterativo. Nesta seção é apresentada uma ver-
são do algoritmo de Levy (1959) que, em con-
junto com uma técnica de pré-condicionamento,
fornece as estimativas iniciais que serão utiliza-
das como parâmetros de entrada do método de
LM. Para assegurar que H(γv , x) seja estável no
domı́nio do tempo, as restrições aplicadas aos
coeficientes polinomiais devem obedecer algumas
parametrizações regidas pelo teorema de Khari-
tonov (Minnichelli et al., 1989), o que dificulta
a implementação. Apesar de existirem traba-
lhos devotados para estabilização de sistemas pre-
viamente identificados como instáveis (D’haene
et al., 2006; Balogh and Pintelon, 2008), por sim-
plicidade, optou-se por solucionar a aproximação
linear dos quadrados mı́nimos não lineares atra-
vés da fatoração QR sem restrições e introduzir
no segundo estágio do ajuste, a ser realizado pelo
método de LM, condições de contorno para a ob-
tenção de funções estáveis no domı́nio do tempo.
3.1 Computação das Estimativas Iniciais
Considerando, a priori, que H(γv , x) representa
adequadamente os dados experimentais, o vetor
de resı́duo é aproximadamente nulo, isto é,
a0 + a1 γv + . . . + an γvn
R(x) = hv − ≈ 0 . (20)
1 + b1 γv + . . . + bm γvm
Logo,
a0 + a1 γv + . . . + an γvn
= hv ,
1 + b1 γv + . . . + bm γvm
para todo 1 ≤ v ≤ npt.
Reescrevendo (21) para identificação na
frequência analógica, γv = jωv , tem-se:
ar (ωv ) + jai (ωv )
= hv .
1 + br (ωv ) + jbi (ωv )
Em que,
ar (ωv ) = a0 − a2 ωv2 + a4 ωv4 − a6 ωv6 + · · ·
ai (ωv ) = a1 ωv − a3 ωv3 + a5 ωv5 − a7 ωv7 + · · ·
br (ωv ) = −b2 ωv2 + b4 ωv4 − b6 ωv6 + b8 ωv8 − · · ·
bi (ωv ) = b1 ωv − b3 ωv3 + b5 ωv5 − b7 ωv7 + · · · .
(23)
A partir de (22), pode-se escrever:
ar (ωv ) + jai (ωv ) = hv [1 + br (ωv ) + jbi (ωv )] . (24)
Substituindo hv = αv + jβv em (24) é possı́vel
definir duas equações com coeficientes reais que
podem ser expressas por:
ar (ωv ) − αv br (ωv ) + βv bi (ωv ) = αv
(25)
ai (ωv ) − αv bi (ωv ) − βv br (ωv ) = βv .
Incorporando (23) em (25), tem-se o seguinte sis-
tema linear sobreterminado:
    
s11 s12 xa α
=
s21 s22 xb β (26)
| {z } | {z } | {z }
A x b
cujos elementos da v − ésima linha e j − ésima
coluna das submatrizes s11 , s12 , s21 e s22 podem
ser expressos conforme (27), ao passo que A ∈
ℜ2v×(n+m−1) , x ∈ ℜ(n+m−1) e b ∈ ℜ2v .
3.2 Pré-Condicionamento da Aproximação
A partir da lei de formação da matriz dos coefici-
entes da aproximação linear dos quadrados mı́ni-
mos não lineares, Equação (27), observa-se que as
colunas da matriz A possuem diferentes potências
de ωv , o que torna o sistema mal condicionado.
Nesse sentido, independentemente do método a
ser utilizado para solucionar o sistema linear, mé-
todo direto ou iterativo, é recomendável utilizar
técnicas de pré-condicionamento a fim de se obter
um sistema equivalente melhor condicionado. No
que tange aos métodos iterativos, diversas estra-
tégias de pré-condicionamento têm sido avaliadas
com a finalidade de melhorar o condicionamento
e, consequentemente, acelerar o processo de con-
vergência da solução (Paz, 2012). Nos métodos
de solução direta, o pré-condicionamento é mais
simples e consiste basicamente em equilibrar (es-
calonar) as linhas ou colunas antes de inicializar a
fatoração do sistema.
(21) As colunas da matriz dos coeficientes podem
ser equilibradas a partir da inserção de uma ma-
triz diagonal DC ∈ ℜ(n+m−1)×(n+m−1) , tal que o
sistema equivalente
ADC D−1
C x = b ⇔ Ãx̃ = b (28)
seja melhor condicionado. A solução do sistema
(22)
transformado para o espaço original, isto é, sem
1301
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

h  π i
s11 = 1 0 − ωv2 0 . . . sen j ωv(j−1)
h 2  π  π i
s12 = βv ωv αv ωv − βv ωv − αv ωv4 . . . sen j
2 3
ωvj βv − cos j ωvj αv
h  π i 2 2 (27)
s21 = 0 ωv 0 − ωv3 . . . − cos j ωv(j−1)
h 2  π  π i
2 3 4
s22 = −αv ωv βv ωv αv ωv − βv ωv . . . − sen j ωvj αv − cos j ωvj βv .
2 2

escalonamento das colunas, pode ser obtida por

meio da equação: 100

80

log10 (k(A))
D−1
60
C x = x̃ . (29) 40

20
Sob a ótica dos quadrados mı́nimos, a solução do 0
20
sistema sobredeterminado escalonado por coluna é 15
15
20
10
invariante para qualquer matriz DC não singular. 5
0
5
10

Ordem do denominador 0
Uma prática comum para melhorar o condici- Ordem do numerador

onamento durante a identificação de sistemas no (a)

domı́nio da frequência é a normalização da faixa
de frequência envolvida no ajuste (Pintelon and 40

Kollár, 2005). Embora seja utilizada na literatura 30

log10 (k(A))
de forma heurı́stica, no presente trabalho tem-se 20

verificado que a normalização da frequência pode 10

ser interpretada como um escalonamento das co- 0

20
lunas de A por meio da matriz: 15
15
20
10
10
5 5
! 0 0
Ordem do denominador
1 1 1 1 1 Ordem do numerador

DC = diag 1 · · · (n−1) 2 ··· m . (b)

ωb ωb ωb ωb ωb
(30)
ωv,max +ωv,min
Em que, ωb = 2 ou ωb = 20

15
median{ω1 , ω2 , . . . , ωv }.
log10 (k(A))

Apesar da frequência discreta ser normali- 10

zada, isto é, −π ≤ Ω ≤ π, a identificação em 5

z −1 também pode apresentar problemas de mal 0

condicionamento. Nesse sentido, como uma al-
ternativa ao método de normalização da frequên-
cia (Pintelon and Kollár, 2005) e visando me-
lhorar o condicionamento da aproximação linear
dos quadrados mı́nimos não lineares, tanto em s
quanto em z −1 , utilizou-se uma matriz de pré-
condicionamento do tipo diagonal cujos elementos
são a norma-p da j-ésima coluna de A, isto é,
! p1
2v
X
DCij = |aij |p , com j = 1, . . . , n + m − 1.
i=1
(31)
Definindo-se κ(A) como o número de condição da
aproximação linear dos quadrados mı́nimos não
lineares (Equação (26)), a aproximação é compu-
tacionalmente solucionável se:
log10 κ(A) ≪ d ,
sendo d o número de dı́gitos significativos usados
nos cálculos (Pintelon and Kollár, 2005). A tı́-
tulo de exemplo, apresenta-se na Figura 1 o com-
portamento do número de condição da matriz A
20
15
10 15
20
10
5
0 0
5
Ordem do denominador Ordem do numerador
(c)
Figura 1 – Número de condição do sistema da
aproximação linear dos quadrados mı́nimos não
lineares. (a) sem pré-condicionamento. (b) Nor-
malização da frequência. (c) Normalização das
colunas com p = 2.
durante a identificação de um filtro inverso, cu-
jas frequências estão compreendidas entre 10Hz e
1kHz. Observa-se que, mesmo para funções racio-
nais de segunda ordem, é praticamente impossı́vel
utilizar a aproximação linear dos quadrados mı́-
nimos não lineares sem fazer uso de recurso de
(32) pré-condicionamento. Apesar da normalização da
frequência analógica melhorar o condicionamento,
ela pode ser insuficiente para viabilizar o uso da
aproximação linear dos quadrados mı́nimos não li-
neares. Relativamente aos resultados exibidos na
Figura 1, observa-se a obtenção de um sistema me-

1302
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

lhor condicionado quando se usa a normalização
das colunas segundo a norma p = 2.
De modo análogo ao escalonamento das colu-
nas, as linhas também podem ser equilibradas por
meio da inserção de uma matriz DL na Equação
(28), obtendo-se:
DL ADC D−1 x = DL b ⇔ Ãx̃ = b̃ . (33)
| {z } C
Ã
Embora as equações sejam matematicamente
equivalentes, pode ser verificado que, sob a ótica
dos quadrados mı́nimos, a solução do sistema so-
bredeterminado escalonado por linha depende da
escolha da matriz DL . Conforme Strang (2011),
ao multiplicar pela esquerda ambos os lados da
igualdade de um sistema sobreterminado por uma
matriz não nula, gera-se um problema de quadra-
de 138, 230 e 500 kV foram identificados como
sendo de ordem seis, oito e oito, respectivamente.
Essas mesmas ordens foram consideras como re-
ferência nos experimentos realizados com o RVF.
Além disso, considerando-se apenas funções racio-
nais estritamente próprias, os parâmetros d e h do
RVF não entraram no processo de sı́ntese dos fil-
tros inversos. A partir da identificação dos filtros,
percebe-se que o LM exibe os melhores resultados.
Contudo, não foi possı́vel realizar um ajuste idea-
lizado para todas as respostas em frequência sob
investigação. A dificuldade na obtenção de um
ajuste mais preciso está associada à correção dos
polos instáveis, geralmente associados ao método
de computação das estimativas iniciais do LM.
5
10
Referência

dos mı́nimos ponderados. Nesse sentido, DL cor- 10

4
LM
RVF

responde a uma matriz de pesos ou ponderação.

Ganho (PU)
3
10

4 Sı́ntese de Filtros Inversos - Vector 2

10
Fitting versus Levenberg-Marquardt
1
10 1
Através de simulações numéricas, esta seção apre- 10 10
2
10
3

Frequência (Hz)
senta algumas comparações entre RVF (Relaxed
(a)
Vector Fitting) o qual consiste de uma versão apri-
400
morada do vector fitting (Gustavsen, 2006) e o 300
Referência
LM
método de LM, que é um dos métodos mais bem 200
RVF

sucedidos na solução do quadrados mı́nimos não

Fase (graus)

100

lineares. Por se tratar de um método tipo New- 0

ton, o LM requer uma boa estimativa inicial para -100

-200
assegurar uma solução plausı́vel. Neste sentido,
-300
nas simulações numéricas apresentadas, o LM foi -400 1 2 3
inicializado por meio de estimativas iniciais cuja 10 10
Frequência (Hz)
10

metodologia de obtenção foi delineada na seção 3. (b)

Os filtros inversos devem processar em tempo
real a resposta oriunda do secundário dos TPC
e disponibilizar um sinal de tensão o mais fiel
possı́vel para os equipamentos de medição e pro-
teção do SEP. Nesse contexto, funções racionais
de ordem elevada não devem ser candidatas ao
protótipo analógico de tais filtros, pois, sob a
perspectiva de implementação em hardware, po-
dem demandar um elevado processamento para
operações em tempo real e serem mais suscetı́-
veis aos erros de quantização. Os dados da res-
posta em frequência de três TPC, a saber: 138
kV (Kojovic et al., 1994), 230 kV (IEEE POWER
SYSTEM RELAYING COMMITTEE, 2004) e
500 kV (Pajuelo et al., 2010) foram convoluı́dos
com resposta de um filtro anti-aliasing do tipo
Butterworth de 3a ordem com frequência de corte
de 180 Hz e utilizados para sı́ntese de filtros inver-
sos por meio do RVF e do LM.
Nas Figuras 2, 3 e 4 apresentam-se a sı́ntese
do ganho e da fase dos filtros inversos associados
aos TPC de 138, 230 e 500 kV, respectivamente.
Uma vez que a rotina computacional que imple-
menta o método LM determina de forma auto-
mática a ordem das funções, os filtros dos TPC
Figura 2 – Identificação do filtro inverso para o
TPC de 138 kV. (a) Ganho. (b) Fase.
Na Figura 5 é apresentado o comportamento
dinâmico de algumas variáveis de controle do mé-
todo de LM implementado. Em todas as simula-
ções numéricas apresentadas, percebeu-se que, a
partir de um determinado número de iterações, o
parâmetro de controle µk aumenta de forma exces-
siva na tentativa manter a aproximação da matriz
Hessiana de F (x(k) ) definida positiva. No algo-
ritmo do LM, valores elevados de µk proporcio-
nam um pequeno passo na direção de busca de-
finida pelo gradiente, sinalizando que a solução
ótima pode estar longe da solução atual e, por-
tanto, que a rotina computacional deve ser finali-
zada. No caso do TPC de 138 kV (Figura 5(a)),
observa-se uma certa instabilidade na função ob-
jetivo e no parâmetro µk . Apesar deste parâmetro
assumir valores relativamente pequenos, tornando
o LM equivalente ao método de Gauss-Newton,
pode ser necessário um número elevado de itera-
ções para obtenção de resultados plausı́veis.

1303
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014

3 10
10 10
Referência Ñ F(x ) F(xk) m
k k
LM
2 RVF 5
10 10

Ganho (PU)
1
10 0
10

0
10 -5
10

-1
10 1 2 3
-10
10 10 10 10
0 200 400 600 800 1000
Frequência (Hz) k (Iterações)

(a) (a)
400 20
Referência 10
LM Ñ F(x ) F(x ) m
k k k
300 RVF
10
10
Fase (graus)

200

0
100 10

0 -10
10

-100 1 2 3
10 10 10 -20
Frequência (Hz) 10
0 20 40 60 80 100 120 140
k (Iterações)
(b)
(b)
10

Figura 3 – Identificação do filtro inverso para o 10

Ñ F(x ) F(x ) m
k k k
TPC de 230 kV. (a) Ganho. (b) Fase. 10
5

4 0
10 10
Referência
3 LM -5
10 RVF 10

2 -10
Ganho (PU)

10 10

1
10 -15
10
0 50 100 150 200 250 300
k (Iterações)
0
10
(c)
-1
10 1 2 3
10 10 10
Frequência (Hz)
Figura 5 – Comportamento do vetor gradiente
(a) (∇F (xk )), da função objetivo (F (xk )) e do parâ-
400
Referência
metro de controle (µk ) do algoritmo de LM du-
300 LM rante a sı́ntese dos filtros inversos. (a) TPC de
RVF

200
138 kV. (b) TPC de 230 kV. (c) TPC de 500 kV.
Fase (graus)

100

0
Marquardt trata-se de um método do tipo Newton
-100
que, portanto, requer uma boa estimativa inicial
-200 1
10 10
2
10
3 para assegurar uma solução apropriada nos parâ-
Frequência (Hz)
metros a serem identificados.
(b)

Figura 4 – Identificação do filtro inverso para o Referências

TPC de 500 kV. (a) Ganho. (b) Fase.
Ades, R. and da Silveira, M. A. (2002). Problema
H2 /H∞: Soluções Aproximadas por meio de
5 Conclusões Expansões em Bases, Sociedade Brasileira de
Automatica: Controle & Automação 13: 193
Como alternativa ao vector fitting, durante a iden- – 218.
tificação de filtros inversos de baixa ordem que se
destinam a correção das distorções de amplitude Balogh, L. and Pintelon, R. (2008). Stable Appro-
e de fase de transformadores de potencial capa- ximation of Unstable Transfer Function Mo-
citivos, foi apresentada uma versão do algoritmo dels, IEEE Transactions on Instrumentation
de Levy que, em conjunto com uma estratégia and Measurement 57(12): 2720 –2726.
de pré-condicionamento, forneceu as estimativas
iniciais necessárias para um bom desempenho do Campello, R. J. G. B., Oliveira, G. H. C. and
método de Levenberg-Marquardt. Apesar de ser Amaral, W. C. (2007). Identificação e Con-
um dos métodos mais bem sucedidos na área de trole de Processos via Desenvolvimentos em
identificação de sistemas, o método de Levenberg- Séries Ortonormais. Parte A: Identificação,

1304
 Anais do XX Congresso Brasileiro de Automática
Belo Horizonte, MG, 20 a 24 de Setembro de 2014
Sociedade Brasileira de Automatica: Con-
trole & Automação 18: 301 – 321.
Carvalho, F. S. and Carneiro Jr., S. (2006). Tran-
sient Conditions in CCVTs Outputs and
Their Effects on the Detection of Trave-
ling Waves, Electric Power Systems Research
76(8): 616 – 625.
da Rosa, A. (2005). Desenvolvimento de Mode-
los Discretos de Volterra Usando Funções de
Kautz , Mestrado, Universidade Estadual de
Campinas, Faculdade de Engenharia Elétrica
e de Computação.
de Vries, D. and Van den Hof, P. (1998).
Frequency Domain Identification With Ge-
neralized Orthonormal Basis Functions,
IEEE Transactions on Automatic Control
43(5): 656 –669.
Dennis, J. E. and Schnabel, R. B. (1996). Numeri-
cal Methods for Unconstrained Optimization
and Nonlinear Equations, Society for Indus-
trial and Applied Mathematics, Philadephia,
PA.
D’haene, T., Pintelon, R. and Vandersteen, G.
(2006). An Iterative Method to Stabilize a
Transfer Function in the s - and z -Domains,
IEEE Transactions on Instrumentation and
Measurement 55(4): 1192 –1196.
Gustavsen, B. (2006). Improving the Pole Re-
locating Properties of Vector Fitting, IEEE
Transactions on Power Delivery 21(3): 1587–
1592.
Gustavsen, B. and Semlyen, A. (1999). Rational
Approximation of Frequency Domain Res-
ponse by Vector Fitting, IEEE Transactions
on Power Delivery 14(1): 1052–1061.
Hendrickx, W. and Dhaene, T. (2006). A Discus-
sion of Rational Approximation of Frequency
Domain Responses by Vector Fitting, IEEE
Transactions on Power Systems 21(1): 441–
443.
IEEE POWER SYSTEM RELAYING COMMIT-
TEE (2004). EMTP Reference Models for
Transmission Line Relay Testing.
Knockaert, L., Ferranti, F. and Dhaene, T. (2009).
Vector Fitting vs. Levenberg-Marquardt:
Some Experiments, IEEE Workshop on Sig-
nal Propagation on Interconnects, pp. 1–4.
Kojovic, L., Kezunovic, M., Skendzic, V., Fro-
men, C. W. and Sevcik, D. R. (1994). A New
Method for the CCVT Performance Analysis
Using Field Measurements, Signal Processing
and EMTP Modeling, IEEE Transactions on
Power Delivery 9(4): 1907–1915.
1305
Lefteriu, S. and Antoulas, A. C. (2013). On
the Convergence of the Vector-Fitting Al-
gorithm, IEEE Transactions on Microwave
Theory and Techniques 61(4): 1435–1443.
Levy, E. C. (1959). Complex Curve Fit-
ting, Ire Transactions On Automatic Control
4(1): 37–43.
Machado, E. P., Fernandes Jr., D. and Neves,
W. L. A. (2014). Melhoria do Desempenho
da Protecão de Distância via Correção dos
Transitórios de Baixa Frequência de Trans-
formadores de Potencial Capacitivos, Sim-
pósio Brasileiro de Sistemas Elétricos-SBSE,
Foz do Iguaçu .
Minnichelli, R. J., Anagnost, J. J. and Desoer,
C. A. (1989). An Elementary Proof of Kha-
ritonov’s Stability Theorem With Extensi-
ons, IEEE Transactions on Automatic Con-
trol 34: 995–998.
Ninness, B. and Gustafsson, F. (1997). A Unifying
Construction of Orthonormal Bases for Sys-
tem Identification, IEEE Transactions on
Automatic Control 42: 515–521.
Pajuelo, E., Ramakrishna, G. and Sachdev, M.
(2010). Strengths an Limitations of a New
Phasor Estimation Technique to Reduce the
CCVT Impact in Distance Protection, Elec-
tric Power Systems Research 80(4): 417–425.
Paz, A. R. A. (2012). Aplicação do Método GM-
RES na Solução de Problemas de Estabili-
dade em Sistemas de Energia Elétrica, Dou-
torado, Pontı́fica Universidade Católica do
Rio de Janeiro.
Pintelon, R. and Kollár, I. (2005). On the Fre-
quency Scaling in Continuous-Time Mode-
ling, IEEE Transacions on Instrumentation
and Measurement 54(1): 318 – 321.
Rao, S. S. (2009). Engineering Optimization: The-
ory and Practice, 4 edn, John Wiley & Sons,
Inc., Hoboken, New Jersey.
Rolain, Y., Pintelon, R., Xu, K. Q. and Vold, H.
(1994). On the Use of Orthogonal Polyno-
mials in High Order Frequency Domain Sys-
tem Identification and its Application to Mo-
dal Parameter Estimation , Proceedings of the
33rd IEEE Conference on Decision and Con-
trol, Vol. 4, pp. 3365 –3373.
Strang, G. (2011). Álgebra Linear e suas Aplica-
ções, 1 edn, Cengage Learning, São Paulo.
Wulhynek, S. (2002). Identificação de Sistemas
no Domı́nio da Frequência Utilizando Con-
junto Geradores Otimizados, Mestrado, Ins-
tituto Militar de Engenharia.