1
Análise de Fatores de Participação e Mode Shapes
usando dados de Medição Sincronizada de Fasores
M. M. Santos, I. C. Decker e M. N. Agostini
Resumo—Os estudos acerca dos Sistemas de Medição Faso-
rial Sincronizada (SPMSs - Synchronized Phasor Measurement
System) têm-se intensificado fortemente, impulsionados princi-
palmente pelos significativos avanços tecnológicos nas áreas de
telecomunicações. Fundamentalmente, o interesse desses estudos
tem sido explorar potenciais aplicações de SPMSs, visando à
melhoria dos atuais sistemas de supervisão, controle e proteção de
Sistemas de Energia Elétrica (SEEs). Neste contexto, o presente
artigo tem por objetivo apresentar uma metodologia baseada
no uso de dados de monitoramento de SPMSs, visando estimar
fatores de participação e mode shapes, associados a modos de
oscilações eletromecânicas. Os resultados da aplicação dessa
metodologia são discutidos e confrontados com os obtidos através
do software PacDyn.
Index Terms—Sistema de Medição Fasorial Sincronizada, Fa-
tores de Participação, Mode Shapes.
I. I NTRODUÇ ÃO
N As últimas décadas, a complexidade da operação elétrica
e energética do sistema elétrico tem aumentado vertigi-
nosamente, sobretudo após o processo de desregulamentação
ocorrido em diversos paı́ses. O setor convive em ambiente
competitivo, na busca por menores custos e pela maximização
do uso de ativos, estreitando os limites de operação e poten-
cializando ocorrências de grandes proporções.
Este cenário tem desafiado a comunidade cientı́fica, em-
presas e órgãos governamentais a buscarem alternativas que
torne mais segura e integrada a operação do sistema. Dentre
tais alternativas, os Sistemas de Medição Fasorial Sincronizada
(SPMSs - Synchronized Phasor Measurement System) têm pa-
pel de destaque, principalmente com os significativos avanços
tecnológicos na area de telecomunicações, de informática, de
processamento de sinais e de automação.
Os SPMSs, geralmente citados na literatura técnica
como Wide Area Measurement System (WAMS), são con-
stituı́dos essencialmente por Unidades de Medição Fasorial
(PMUs Phasor Measurement Units) conectadas ao Concen-
trador de Dados Fasoriais (PDC Phasor Data Concentra-
tor) e de metodologias de aplicação envolvendo aspectos de
monitoração e controle em tempo real [1].
Como principais caracterı́sticas dos Sistemas de Medição
Fasorial Sincronizada, destacam-se a elevada taxa de
amostragem (tipicamente 30 fasores por segundo) e a base
de referência temporal comum [2]. Essas caracterı́sticas pos-
sibilitam obter visibilidade do comportamento dinâmico dos
M. M. Santos, I. C. Decker e M. N. Agostini são integrantes do
Laboratório de Planejamento de Sistemas de Energia Elétrica (LabPlan),
vinculado à Universidade Federal de Santa Catarina, Florianópolis, Santa
Catarina, Brasil (e-mail: moises@labplan.ufsc.br, decker@labplan.ufsc.br e
agostini@labplan.ufsc.br).
Sistemas de Energia Elétrica (SEEs) de modo sistêmico. Esse
atributo torna a medição fasorial uma poderosa ferramenta
para a melhoria dos atuais sistemas de supervisão, controle
e proteção de SEEs, em tempo real.
Atualmente, o foco principal dos estudos envolvendo
os SPMSs tem sido investigar as potenciais aplicações
da medição fasorial, voltadas à segurança operacional e a
otimização no uso de recursos energéticos e estruturais dos
SEEs.
Dentre as possı́veis aplicações de SPMSs, destaca-se neste
trabalho o monitoramento de oscilações eletromecânicas. As
pesquisas acerca dessa aplicação estão mais avançadas, princi-
palmente, na identificação de modos dominantes de oscilação
e na caracterização dos mesmos, em termos de freqüência de
oscilação e taxa de amortecimento. [3], [4].
O presente artigo tem por objetivo especı́fico o estudo da
aplicação de monitoramento de oscilações eletromecânicas do
ponto de vista da identificação de fatores de participação
e mode shapes. Essas informações são extremamente im-
portantes para o aprimoramento de sistemas de controle de
amortecimento como, por exemplo, estabilizadores de sistemas
de potência (PSS - Power Systems Stabilizers). Fundamen-
talmente, propõe-se uma metodologia baseada no uso de
dados de monitoramento de Sistemas de Medição Fasorial
Sincronizada e na aplicação do método de Prony. A abor-
dagem em questão se fundamenta na identificação autovetores
associados à matriz de coeficientes A.
O artigo está estruturado como descrito a seguir. Na seção 2,
apresenta-se de forma sintética a estrutura básica dos SPMSs,
bem como suas potenciais aplicações. Essas aplicações são ca-
tegorizadas em: Básicas; Monitoramento; Controle e Proteção;
e Especiais. Na seção 3, descreve-se a metodologia para
identificação de fatores de participação e mode shapes, a partir
de dados de SPMSs e da aplicação do método de Prony. Na
seção 4, apresentam-se os resultados obtidos na análise com-
parativa entre as respostas obtidas através do software PacDyn1
e da metodologia proposta. Na seção 5, são apresentadas as
principais conclusões do estudo.
II. S ISTEMAS DE M EDIÇ ÃO FASORIAL S INCRONIZADA
Os SPMSs podem ser compreendidos como sistemas de
medição de grandezas elétricas, em instalações distantes geo-
graficamente, onde as medidas são sincronizadas no tempo e
disponibilizadas na forma de fasores [1].
1 O PadDyn é um programa de análise de estabilidade para pequenas
perturbaç ões,desenvolvido pelo CEPEL - Centro de Pesquisas de Energia
Elétrica
 2

A. Estrutura básica de SPMSs com o intuito de avaliar a confiabilidade dos resultados de

A Figura 1 ilustra a estrutura básica de um SPMS cons- simulações e contribuir para a modelagem de novos sistemas
tituı́da por: Unidades de Medição Fasorial, Concentrador de e equipamentos [12], [13].
Dados e Canais de Comunicação.
III. M ETODOLOGIA PARA IDENTIFICAÇ ÃO DE FATORES DE
PARTICIPAÇ ÃO E Mode Shapes
Na âmbito da aplicação de monitoramento de oscilações
eletromecânicas, a metodologia proposta visa a obtenção dos
fatores de participação e mode shapes, a partir de dados de
monitoramento de Sistemas de Medição Fasorial Sincronizada
e da aplicação do método de Prony.
A análise de fatores de participação é utilizada para men-
surar as contribuições de cada variável de estado em um dado
modo de oscilação. Essas informações são extremamente úteis
para a construção de modelos reduzidos e na definição de
Figura 1: Estrutura Básica de um SPMS. estratégias de controle [14]–[16].
A abordagem clássica trata os fatores de participação a partir
A unidade de medição fasorial (PMU - Phasor Measurement de um modelo linear do sistema, com parâmetros invariantes
Unit) é um dispositivo de medição de tensões e correntes al- no tempo, dado por [17]:
ternadas, com uma referência temporal comum, obtida através
de sinais via satélite (GPS - Global Positioning System). As ẋ = Ax, (1)
medidas de tensão e de corrente são processadas pela PMU, onde A tem dimensão (n × n) e representa a matriz de
convertidas em fasores e, então, enviadas ao concentrador coeficientes.
de dados, a taxas que variam de 10 a 60 sincrofasores por Os fatores de participação representam a medida de sensibi-
segundo [5]. O concentrador de dados fasoriais (PDC - Phasor lidade dos modos de oscilação2 (λi ), em relação aos elementos
Data Concentrador) tem como funções: receber os fasores da diagonal principal da matriz (akk ), definidos como:
enviados pelas PMUs; verificar eventuais erros de transmissão;
organizar observando-se as respectivas etiquetas de tempo; e ∂λi k = 1, · · · , n
pki = ; (2)
disponibilizar os dados para outras aplicações [1]. Os Canais ∂akk i = 1, · · · , n
de Comunicação têm o objetivo bem definido de viabilizar a
Uma forma alternativa de se obter os fatores de participação
transferência de dados entre a PMU e o PDC ou, ainda, a troca
é apresentada em (3).
de informações entre PDCs [1].
|wki ||vik |
B. Aplicações de SPMSs pki = , (3)
|wit ||vi |
As potenciais aplicações de SPMSs podem categorizadas
onde w, v são os autovetores à esquerda e à direita associados
em: básicas; monitoramento; controle e proteção; e especi-
à matriz A, respectivamente [17]. Os autovetores à direita e
ais [6]. As aplicações básicas contemplam a plataforma de
à esquerda relacionam os autovalores (λ) e as variáveis de
integração de dados fasoriais (PDC central), o registro de even-
estado (x) da matriz, segundo a disposição apresentada em
tos e a visualização do dados. Essas aplicações compreendem a
(4).
estrutura básica para o desenvolvimento das demais aplicações
da medição fasorial. λ1 λ2 ··· λn
As aplicações de monitoramento têm o objetivo de fornecer
x1 v11 , w11 v12 , w12 ··· v1n , w1n
informações que permitam avaliar a segurança operacional
do sistema, em tempo real. Podem ser incluı́das nessa ca- x2 v21 , w21 v22 , w22 ··· v2n , w2n (4)
tegoria as aplicações de monitoramento de oscilações de .. .. .. ..
. . . ··· .
eletromecânicas, a estimação de estados hı́brida, o monitora-
mento de estabilidade de tensão e o monitoramento do estado xn vn1 , wn1 vn2 , wn2 · · · vnn , wnn
de operação de geradores [3], [7], [8].
Para determinação dos fatores de participação a abordagem
Com relação às aplicações de controle e proteção, essas
em questão se baseia, justamente, na identificação autovetores
visam melhorar a operação do sistema através de ações pre-
associados a matriz de coeficiente A.
ventivas, corretivas e restaurativas. Podem ser divididas em:
No caso do autovetores à direita, estes são determinados
estrutura de predição para esquema de controle emergencial
de forma direta através do método de prony. Inicialmente,
em tempo real; predição e alarme de estabilidade angular
supõe-se um sistema linear invariante no tempo, sujeito a uma
em SPMSs; identificação de perturbações em tempo real; e
perturbação a partir da condição inicial x(0) = x0 . Retirada
controle automático de tensão [9]–[11].
As aplicações especiais de SPMSs envolvem a validação 2 Os modos de oscilação correspondem ao par de autovalores conjugado
de simulações e a identificação de parâmetros e modelos, complexo, α ± iw [18].
 3

a perturbação, a resposta dinâmica do sistema autônomo fasorial sincronizada, as variáveis de estado em questão se
(sistema livre) irá se comportar de acordo com a Equação referem à freqüência e ao ângulo.
1, cuja solução é dada por [16]: Tendo em vista que a matriz formada pelos autovetores à
n
direita vi (Equação 4) deva admitir inversa, faz-se necessário
X
que o número de modos analisados seja igual ao número de
x(t) = wit xo vi e(αi ±j2πfi )t (5)
i=1
| {z } barras.
Γ Em relação aos mode shapes, os mesmos são os próprios
A parcela wit xo
é um escalar, assim a distribuição da autovetores à direita, associados à matriz A. Tais autovetores
resposta modal entre os componentes de x é determinada descrevem a forma com que os modos de oscilação se dis-
inteiramente pelos autovetores à direita, vi . Na Equação 5, a tribuem entre as variáveis de estado [20]. Assim, conforme
parcela “Γ” equivale aos coeficientes complexos hi (resı́duos), constatado, usando-se o método de Prony e dados de SPMSs,
estimados através do método de Prony [19]. é possı́vel estimar o autovetores à direta e, portanto, obter os
mode shapes.
p É importante destacar que a aplicação da metodologia
X Ai
x̂(n) = e±jφi e(αi ±j2πfi )(n−1)T , n = 1, . . . , N. proposta é torna possı́vel em função da caracterı́stica de
2
i=1 | {z } sincronismo proporcionada pelos SPMSs, isto é, onde todas as
hi medições realizadas ao longo do sistema apresentam a mesma
(6) base de tempo.
onde,
Ai : amplitude da componente i;
αi : coeficiente de amortecimento da componente i (sec−1 ); IV. R ESULTADOS DE E XPERIMENTOS
φi : fase da componente i (radianos); Objetivando a validação a metodologia proposta se realizou
fi : freqüência da componente i (Hz); durante os estudos experimentais uma análise comparativa,
p: ordem do modelo; tendo como base os resultados obtidos a partir do software
N : número de amostras. PacDyn. Os desenvolvimentos metodológicos foram realizados
Assumindo-se, então, que seja realizada a análise das res- em ambiente Matlab, adotando-se os seguintes critérios:
postas temporais, sincronizadas em cada barra do sistema, • tempo de simulação: 10 seg;
é possı́vel estimar a parcela “Γ” da Equação 5. Tal parcela • número de amostras: 600;
equivale aos próprios autovetores à direita, multiplicados por • desconsiderado o efeito de off-sets (componentes DCs)
um escalar complexo. O módulo e fase de tal escalar varia nas amostras;
de acordo com a condição inicial x(0). Nota-se, por hipótese, • desconsiderado os modos de oscilação com taxas de
que para vi ser o autovetor à direta da matriz A é necessário amortecimento superiores a 80%;
que este satisfaça a Equação 7. • uso de um filtro passa-baixa, com freqüência de corte
de 5Hz, para eliminar os efeitos dos transitórios eletro-
Avi = λi vi (7) magnéticos;
Assim, assumindo que vi seja multiplicado por um escalar • taxa de amostragem de 60 fasores por segundo.

x ∈ C 6= 0, tem-se: O sistema teste utilizado se refere ao Sistema Equivalente

Brasileiro Sul Sudeste Modificado de 7 barras e 5 máquinas,
apresentado na Figura 2 [21].
(Avi ) x = (λi vi ) x
(Avi ) x = λi (vi x)
A (vi x) = λi (vi x) , (8)
ou seja, vi x continua sendo autovetor à direita da matriz A.
Dessa forma, determinado os autovetores à direita, faz-se
necessário obter os autovetores à esquerda. Neste caso, realiza-
se a reconstrução da matriz de coeficientes A e, a partir da
decomposição em valores singulares (SVD - Singular Value
Decomposition), determinam-se os autovetores à esquerda.
Para reconstrução da matriz de coeficientes A se utiliza as
informações dos autovalores e dos autovetores à direita na
Equação 9.

 = v̂Λλ̂(v̂)−1 , (9)
onde Λλ̂ é uma matriz diagonal formada por {λ̂1 , λ̂2 , · · · , λ̂n }.
A matriz  estimada se refere à matriz reduzida do sistema, Figura 2: Equivalente Brasileiro Sul Sudeste Modificado.
associada às variáveis de estado monitoradas. Na medição
 4

Nesse sistema não são modelados os reguladores de veloci-

dade, o que implica na redução ou no aumento da freqüência
em regime permanente. A fim de evitar esse efeito, adotou-se
o sistema equivalente sudeste como barra de referência. Neste
caso, obteve-se o comportamento da freqüência pós-distúrbio
(degrau de potência mecânica em Foz do Areia) em todas as
barras do sistema, apresentado na Figura 3.

Figura 4: Fatores de contribuição do sistema equivalente.

Para fins de análise comparativa, utilizando-se o software

do Pacdyn foram identificados os modos de oscilação apre-
sentados na Figura 5.

Figura 3: Desvio de freqüência pós-distúrbio.

Esta resposta temporal foi gerada através do software Mat-

lab, utilizando informações da matriz de espaço de estado
do sistema extraı́da do software PacDyn. As amostras dessas
curvas, considerando um perı́odo de amostragem de 0, 0167
segundos, foram utilizadas como dados de entrada no método Figura 5: Modos de oscilação do sistema equivalente - soft-
de Prony. ware PacDyn.
Tendo em vista que a barra 7, referente ao sistema equiva-
lente sudeste foi tomada com barra de referência, realizou-se
a análise de fatores de participação somente das barras 1, 2, No sistema em questão, analisou-se os fatores de
3 e 4, referente à Foz do Areia, Salto Segredo, Salto Santiago participação associados aos quatro principais modos de
e Itaipu, respectivamente. Assim, aplicando-se a metodologia oscilação dominantes identificados. O primeiro modo de
desenvolvida, estimaram-se os autovalores e os autovetores à oscilação corresponde ao −0, 4187 ± 2, 7653i, cujos fatores
direita, apresentados na Equação 10. de participação são apresentados na Figura 6.

Autovalor −0, 4188 ± 2, 7649i −1.8572 ± 13.8560i

0, 0145 − 0, 0011i 0, 0101 + 0, 0020i
Autovetor 0, 6517 − 0, 3964i −0, 4290 + 0, 6985i
−0, 6379 − 0, 3377i 0, 3678 − 0, 4711i
0, 0131 + 0, 3485i 0, 0003 + 0, 3530i
Autovalor −1, 2175 ± 12, 3061i −1, 7842 ± 13, 9076i
0, 0250 − 0, 0072i −0, 0235 + 0, 0030i
Autovetor −0, 1246 − 0, 4491i 0, 0028 − 0, 0057i
0, 0322 + 0, 8788i −0, 0030 + 0, 0088i
Figura 6: Fatores de participação −0, 4187 ± 2, 7653i.
0, 0189 + 0, 3441i 0, 2503 + 0, 5894i
(10)
A partir das informações da Equação 10, obtiveram-se os Observou-se que o referido modo de oscilação está mais
fatores de participação, apresentados na forma de histograma associado à Itaipu (barra 4). O mesmo pode ser observado em
na Figura 4. relação ao modo −1, 2108 ± 12, 313i, conforme Figura 7.
 5

modos −1, 7675 ± 13, 905i e −1, 8499 ± 13, 873i estão mais
relacionados às barras de Salto Segredo e de Salto Santiago,
respectivamente.
Em termos de mode shapes, os resultados obtidos também
são coerentes. Na Figura 10, são apresentados os resultados
obtidos para o modo −1, 2108 ± 12, 313i.

Figura 7: Fatores de participação −1, 2108 ± 12, 313i.

Na Figura 8 são apresentados os fatores de participação

relacionados ao modo −1, 7675 ± 13, 905i, onde observaram-
se contribuições significativas de Salto Santiago (Barra 2) e
Foz do Areia (Barra 1).
Figura 10: Mode shapes associados ao modo −1, 2108 ±
12, 313i.

Nota-se que os resultados obtidos são muito similares aos

do software PacDyn. Nas Figuras 11 e 12 são apresentados os
resultados de mode shapes para os modos −1, 8499 ± 13, 873i
e −0, 41871 ± 2, 7653i. Observou-se uma pequena diferença
entre os resultados estimados, associada principalmente à
informação de fase dos modos.

Figura 8: Fatores de participação −1, 7675 ± 13, 905i.

No caso particular do modo −1, 8499 ± 13, 873i, Salto

Segredo (barras 1) e Foz do Areia (barra 3) contribuem
praticamente com a mesma intensidade, conforme pode ser
observado na Figura 9.

Figura 11: Mode shapes associados ao modo −1, 7675 ±

13, 905i.

Figura 9: Fatores de participação −1, 8499 ± 13, 873i.

Tais resultados são concordantes aos estimados pela

metodologia proposta. Na Figura 4, assim como os resultados
obtidos através do Pacdyn, observou-se que os modos de Figura 12: Mode shapes associados ao modo −1, 8499 ±
oscilação −1, 2108 ± 12, 313i e −0, 4187 ± 2, 7653i estão 13, 873i.
diretamente associados à barra de Itaipu, enquanto que os

Figura 13: Mode shapes associados ao modo −0, 41871 ±
2, 7653i.
Ao analisar as causas dessas diferenças se constatou que
quando os modos possuem baixa amplitude e, conseqüente-
mente, não possuem uma contribuição significativa na resposta
temporal do sistema, as estimativas de seus parâmetros não
são tão precisas. Entretanto, essas diferenças não foram signi-
ficativas, a ponto de prejudicar a análise de mode shapes, de
modo que através dos resultados obtidos é possı́vel verificar
que os modos −1, 8499 ± 13, 873i e −0, 41871 ± 2, 7653i são
modos de oscilação locais, entre Foz do Areia (barra 1), Salto
Santiago (barra 2) e Salto Segredo (barra 3).
Na Figura 13, são apresentados os mode shapes associados
ao modo −0, 41871 ± 2, 7653i. Percebe-se a semelhança
dos resultados, em que o modo −0, 41871 ± 2, 7653 está
relacionado à Foz do Areia (barra 1), a Salto Santiago (barra
2) e a Salto Segredo (barra 3), oscilando em relação à Itaipu
(barra 4).
V. C ONCLUS ÕES
Neste artigo, apresentou-se uma metodologia para a
obtenção de fatores de participação e mode shapes, utilizando-
se de dados de medição fasorial sincronizada e da aplicação
do método de Prony. Tal abordagem foi fundamentada na
análise de fatores de participação a partir das estimativas
dos autovetores, associados a matriz de coeficiente A. A
obtenção dos autovetores à direita se deu de forma direta,
através da aplicação método de Prony e os autovetores à
esquerda, a partir da reconstrução da matriz reduzida de
coeficiente A , associada as variáveis monitoradas. No que
diz respeito aos mode shapes, estes foram obtidos diretamente
através dos autovetores à direita. Os resultados da aplicação da
metodologia proposta se mostraram concordantes aos obtidos
através do software PacDyn, demonstrando o bom desempenho
da metodologia proposta. Nos trabalhos futuros, pretende-se
estender a metodologia apresentada através da investigação
de novos métodos paramétricos, baseados em sistemas multi-
entradas e multi-saı́das (MIMO), visando o processamento
simultâneo de dados de monitoramento de SPMSs, de diversas
barras do sistema.
AGRADECIMENTOS
Os autores agradecem à Coordenação de Aperfeiçoamento
de Pessoal de Nı́vel Superior (CAPES) e ao Conselho Nacional
6
de Desenvolvimento Cientı́fico e Tecnológico (CNPq), projeto
550571/2005-1, pelo suporte financeiro.
R EFER ÊNCIAS
[1] I. C. Decker, D. Dotta, M. N. Agostini, S. L. Zimath, and A. S. e Silva.
Performance of a synchronized phasor measurements system in the
brazilian power system. IEEE - Power Engineering Society General
Meeting, pages 18–22, jun. 2006.
[2] I. C. Decker, D. Dotta, M. N. Agostini, A. S. e Silva, S. L. Zimath,
and A. L. Bettiol. Applications of a synchronized phasor measurements
system in southern brazil. Anais do X Symposium of Specialists in
Electric Operational and Expansion Planning- SEPOPE, 2006.
[3] Xiaorong Xie, Yaozhong Xin, Jinyu Xiao, Jingtao Wu, and Yingduo
Han. Wams applications in chinese power system. IEEE - power &
energy magazine, 1:54– 63, June 2006.
[4] M. M. Santos, I. C. Decker, and M. N. Agostini. Análise de
oscilações eletromecâmicas usando dados de medição fasorial sin-
cronizada. Simpósio Brasileiro de Sistemas Elétricos - SBSE, 2008.
[5] Daniel Karlsson, Morten Hemmingsson, and Sture Lindahl. Wide area
system monitoring e control: Terminology, phenomena, and solution
implementation strategies. IEEE - Power and Energy Magazine, 2:68–
76, Sept.-Oct. 2004.
[6] M. M. Santos. Análise da dinâmica de sistemas elétricos usando dados
de medição fasorial sincronizada. Master’s thesis, UFSC Universidade
Federal de Santa Catarina, Março 2008.
[7] C Martinez, M Parashar, and J Dyer. Wide area monitoring control
phasor data requirements. EIPP Real Time Task Team. White Paper
DRAFT, December 2004.
[8] Nayana Niglye, Frederick S Peritore, Richard D. Soper, Chris Anderson,
Roy Moxley, and Armando Guzmán. Considerations for the application
of synchrophasors to predict voltage instability. Top Twelve - Schweitzer
Engineering Laboratories, Inc, 2005.
[9] Bonian Shi, Xiaorong Xie, and Yingduo Han. Wams-based load
shedding for systems suffering power deficit. IEEE/PES - Transmission
and Distribution Conference and Exhibition: Asia and Pacific, pages
1–6, 2005.
[10] K.K. Yi, J.B. Choo, S.H. Yoon, T.S. Lee, B.C. Park, H.K. Nam, S.G.
Song, and K.S. Shim. Development of wide area measurement and
dynamic security assessment systems in korea. IEEE - power Power
Engineering Society Summer Meeting, 3:1495–1499, 2001.
[11] J.H. Chow, A. Chakrabortty, M. Arcak, B. Bhargava, and A. Salazar.
Synchronized phasor data based energy function analysis of power
transfer paths. IEEE - Power Engineering Society General Meeting,
pages 18–22, June 2006.
[12] Joana Rasmussen and Preben Jorgensen. Synchronized phasor measure-
ments of a power system event in eastern denmark. IEEE - Bologna
Power Tech (Jun 2003: Bologna, Itália). Proceedings., 2003.
[13] Dmitry Kosterev. Hydro turbine-governor model validation in pacific
northwest. IEEE - Transactions on Power Systems, 19(2):1144–1149,
May 2004.
[14] Maria Inez Cardoso. Problemas de identificação paramétrica. Master’s
thesis, UFSC Universidade Federal de Santa Catarina, Março 2000.
[15] David Rojas. Métodos de redução de ordem aplicados a sistemas de
potência. Master’s thesis, UFSC Universidade Federal de Santa Catarina,
Março 1994.
[16] Robson Luis Valim Marini. Uso de medição fasorial sincronizada
visando a melhoria da estabilidade de sistemas elétricos de potência.
Master’s thesis, Universidade Federal de Santa Catarina, março 2005.
[17] P.W. SAUER and M. A. PAI. Power System Dynamics and Stability.
Prentice Hall, New Jersey.
[18] G. Rogers. Power System Oscillations. Kluwer Academic Publishers,
Boston.
[19] S L Marple. Digital Spectral Analysis with Applications. Prentice Hall,
1987.
[20] P Kundur. Power System Stability and Control. McGraw-Hill, Inc, New
York, 1 edition, 1994.
[21] Nelson Martins. Eigenvalue and frequency domain analysis of small
signal electromechanical stability problem. IEEE - Symposium on Ap-
plication of Eigenanalysis and Frenquency Domain Method for System
Dynamic Perfornance, pages 17–33, 1989.