UniversidadeFederal Fluminense

Escola de Engenharia
Departamento de Engenharia Elétrica

FUNDAMENTOS DA OPERAÇÃO DE
SISTEMAS DE POTÊNCIA

TEE00139
Aula 03
Prof. Marcio Guimaraens
Operação em tempo real e planejamento da operação

UFF – TCE/TEE – TEE00139

Estimação de estado
 Funções do estimador de estado
 Filtrar erros de pequena magnitude
 Detectar medidas portadoras de erros grosseiros
 Estimar grandezas que não foram medidas em função de
perda dos canais de comunicação
 Método dos mínimos quadrados ponderados

 
2
Nm z meas
 fi x1 , x2 , , xN s 
min J  x     i 
x
i 1  i2
t
x   x1 x2  xN s 

UFF – TCE/TEE – TEE00139

Método dos mínimos quadrados ponderados
 Formulação DC
 fi(x)  combinações lineares das variáveis de estado
 Solução direta do sistema de equações J(x) = 0

 
1
  H   R   H   H t   R 1  z meas
est t 1
x   

UFF – TCE/TEE – TEE00139

Método dos mínimos quadrados ponderados
 Formulação AC
 fi(x)  funções não-lineares das variáveis de estado
 Solução iterativa do sistema de equações J(x) = 0

 z1meas  f1  x  
  1  
1
 t
  1
    t

x  H  R  H  H  R     
 z Nmeas  f N  x  
 m m 

UFF – TCE/TEE – TEE00139

Método dos mínimos quadrados ponderados
 Decomposição ortogonal
 Tratamento de problemas numéricos do métodos dos
mínimos quadrados ponderados
 Cálculo de [HtR-1H]-1
 Conversão do problema de inversão matricial em um
sistema linear de equações (Fatoração QR)
 Fatoração de Cholesky
 Prof. Abel

UFF – TCE/TEE – TEE00139

ESTIMAÇÃO DE ESTADOS

ESTIMAÇÃO DE ESTADOS (EE) Modulos

 Processador Topologia (fora scopo da disciplina)

 Análise de Observabilidade-Criticalidade
 Filtragem
 Residual Analysis

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Medidas com grau de imprecisão muito maior do que o
suposto no modelo de medição
z meas  z true  

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 A presença destas medidas no processo de estimação
deteriora a qualidade das estimativas das variáveis de
estado
 Método dos mínimos quadrados ponderados minimiza a
soma dos desvios ou resíduos de cada medida em relação
ao respectivo valor estimado
 Ajuste do valor estimado relacionado com a medida
portadora de erro grosseiro prejudica as demais
estimativas

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Exemplo: estimação dos parâmetros de uma reta
12,0000

10,0000

8,0000

6,0000

4,0000

2,0000

0,0000
0 1 2 3 4 5 6
UFF – TCE/TEE – TEE00139
Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Exemplo: estimação AC
Barra 2 M23 M32 Barra 3 MG3
M35

MG2
MV3
M24 M36 M63

M26
ML6

M62
M25
MV2 M21 MV6 Barra 6

M65
Barra 1

MG1 M12 M51

M52

Barra 5 M56
MV1 M14

M42 Barra 4
M51
M53
MV4 M41
MV5
M54
M45 ML5
ML4

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Exemplo: medidor M12 com conexão invertida
 Considerando M12 com conexão correta
Início da iteração Final da iteração
Iteração J(x) max(E) max(q)
1 3696,86 0,1123 0,06422
2 43,67 0,004866 0,0017
3 40,33 0,0000146 0,0000227

 Considerando M12 com conexão invertida

Início da iteração Final da iteração
Iteração J(x) max(E) max(q)
1 3701,06 0,09851 0,06416
2 211,13 0,004674 0,001481
3 207,94 0,00002598 0,00004848

UFF – TCE/TEE – TEE00139

 Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Exemplo: medidor M12 com conexão invertida
Valores verdadeiros e desconhecidos Valores medidos Estimativa com M12 correto Estimativa com M12 invertido
Medidores KV MW MVAR KV MW MVAR KV MW MVAR KV MW MVAR
MV1 241,5 238,4 240,6 240,6
MG1 107,9 16,0 113,1 20,2 111,9 18,7 99,3 21,9
Barra 1

M12 28,7 -15,4 31,5 13,2 30,4 -14,4 25,0 -12,2

M14 43,6 20,1 38,9 21,2 44,8 21,2 40,6 21,9
M15 35,6 11,3 35,7 9,4 36,8 11,8 33,7 12,3
MV2 241,5 237,8 239,9 239,9
MG2 50,0 74,4 48,4 71,9 47,5 70,3 54,4 67,0
M21 -27,8 12,8 -34,9 9,7 -29,4 11,9 -24,4 9,2
Barra 2

M24 33,1 46,1 32,8 38,3 32,4 45,3 35,0 44,1

M25 15,5 15,4 17,4 22,0 15,6 14,8 16,3 14,7
M26 26,2 12,4 22,3 15,0 25,9 10,8 25,1 11,3
M23 2,9 -12,3 8,6 -11,9 3,0 -12,6 2,3 -12,2
MV3 246,1 250,7 244,7 244,6
MG3 60,0 89,6 55,1 90,6 59,5 87,4 61,4 86,3
Barra 3

M32 -2,9 5,7 -2,1 10,2 -3,0 6,2 -2,3 5,8

M35 19,1 23,2 17,7 23,9 19,2 22,9 -20,5 22,2
M36 43,8 60,7 43,3 58,3 43.3 58,3 43,2 58,2

UFF – TCE/TEE – TEE00139

 Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 Exemplo: medidor M12 com conexão invertida
Valores verdadeiros e desconhecidos Valores medidos Estimativa com M12 correto Estimativa com M12 invertido
Medidores KV MW MVAR KV MW MVAR KV MW MVAR KV MW MVAR
MV4 227,6 225,7 226,1 226,1
ML4 70,0 70,0 71,8 71,9 70,2 70,2 69,0 70,0
Barra 4

M41 -42,5 -19,9 -40,1 -14,3 -43,6 -20,7 -39,6 -21,9

M42 -31,6 -45,1 -29,8 -44,3 -30,9 -44,4 -33,5 -43,1
M45 4,1 -4,9 0,7 -17,4 4,3 -5,1 4,1 -5,0
MV5 226,7 225,2 225,3 225,3
ML5 70,0 70,0 72,0 67,7 71,8 69,4 71,8 69,3
M54 -4,0 -2,8 -2,1 -1,5 -4,2 -2,5 -4,1 -2,6
Barra 5

M51 -34,5 -13,5 -36,6 -17,5 -35,6 -13,6 -32,7 -14,7

M52 -15,0 -18,0 -11,7 -22,2 -15,1 -17,4 -15,8 -17,2
M53 -18,0 -26,1 -25,1 -29,9 -18,1 -25,8 -19,3 -25,1
M56 1,6 -9,7 -2,1 -0,8 1,3 -10,1 0,1 -9,6
MV6 231,0 228,9 230,1 230,1
ML6 70,0 70,0 72,3 60,9 68,9 65,8 66,9 66,7
Barra 6

M65 -1,6 3,9 1,0 2,9 -1,2 4,4 -0,1 3,9

M62 -25,7 -16,0 -19,6 -22,3 -25,4 -14,5 -24,6 -15,0
M63 -42,8 -57,9 -46,8 -51,1 -42,3 -55,7 -42,3 -55,6

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Medidas portadoras de erros grosseiros
 A presença de uma medida portadora de erro grosseiro
não impediu a convergência do método
 Foram obtidas estimativas para as variáveis de estado
do sistema
 Porém, as estimativas divergem em relação às estimativas
anteriores, obtidas considerando M12 corretamente
conectado
 Resíduo da estimação, ou seja, o valor de J(x) também foi
alterado

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Problemas
 Detectar a presença de medidas portadoras de erros
grosseiros
 Estimado o estado do sistema, como concluir sobre a
existência ou não de medidas portadoras de erros
grosseiros no processo de estimação?
 Identificar as medidas portadoras de erros grosseiros
 Detectada a presença de medidas portadoras de erros
grosseiros, como identificá-las dentre o conjunto de
medidas?

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Resíduos de estimação no tratamento de erros grosseiros


  
 z1meas  f1 x est  z1meas  z1est 
 
r  meas est
    z  z
 meas   meas
   
est
z
 Nm  f x
est z
  Nm z Nm 
Nm

 r  vetor com os resíduos para cada medida

 zmeas  vetor com o conjunto de medidas
 zest  vetor com os respectivos valores estimados

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Resíduos de estimação no tratamento de erros grosseiros
 Considerando que a topologia da rede é perfeitamente
conhecida e que os parâmetros que definem a rede
também o são:
 r  estimativa do vetor de erros de medição
 Na ausência de erros grosseiros, os pressupostos do
modelo de medição tendem a ser confirmados
 ~ N(0,)
 Assim, se os resíduos violarem as suposições, pode-se
inferir sobre a presença de erros grosseiros

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Teste de hipóteses
 Procedimento estatístico para decidir se uma hipótese
estatística deve ser aceita ou rejeitada
 Hipótese estatística  conjectura acerca da distribuição
de uma ou mais variáveis aleatórias

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Componentes de testes de hipóteses
 Hipótese básica ou nula (H0)  hipótese principal
 Hipótese alternativa (H1)  complemento da hipótese
nula; quando H0 é falsa, H1 é verdadeira e vice-versa
 Estatística de teste (t)  informação amostral sobre a
hipótese nula
 Região de rejeição  intervalo de valores da estatística de
teste para o qual a hipótese nula é rejeitada
 Quando a hipótese nula é verdadeira, a probabilidade
de ocorrerem valores da estatística de teste neste
intervalo é baixa

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Formato geral de um teste de hipótese
1. Determine as hipóteses nula (H0) e alternativa (H1)
2. Especifique a estatística de teste (t) e sua distribuição de
probabilidade se H0 for verdadeira
3. Especifique o nível de significância do teste  e
determine a região de rejeição com base na distribuição
de probabilidade se H0 for verdadeira
4. Calcule o valor amostral da estatística de teste. Se t
estiver na região de rejeição, a hipótese H0 é rejeitada.
Do contrário, não podemos rejeitar H0.

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Detecção de erros grosseiros
 Sob estes pressupostos, na ausência de erros grosseiros,
J(x) apresenta distribuição chi-quadrado com (Nm- Ns)
graus de liberdade, isto é,

J  x  ~  2  Nm  Ns 

 Nm  número de medidas independentes

 Ns  número de variáveis de estado a estimar
 Na presença de erros grosseiros, J(x) não apresenta este
tipo de distribuição

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Distribuição 2(Nm – Ns)
Área A ou nível de significância 
Graus de liberdade 0,1 0,05 0,025 0,01 0,005
1 2,706 3,841 5,024 6,635 7,879
2 4,605 5,991 7,378 9,21 10,597
3 6,251 7,815 9,348 11,345 12,838
4 7,779 9,488 11,143 13,277 14,86
Unicaudal à direita
5 9,236 11,071 12,833 15,086 16,75
6 10,645 12,592 14,449 16,812 18,548
7 12,017 14,067 16,013 18,475 20,278
8 13,362 15,507 17,535 20,09 21,955
9 14,684 16,919 19,023 21,666 23,589
10 15,987 18,307 20,483 23,209 25,188
11 17,275 19,675 21,92 24,725 26,757
12 18,549 21,026 23,337 26,217 28,3
13 19,812 22,362 24,736 27,688 29,819
14 21,064 23,685 26,119 29,141 31,319
15 22,307 24,996 27,488 30,578 32,801
16 23,542 26,296 28,845 32 34,267
17 24,769 27,587 30,191 33,409 35,718
18 25,989 28,869 31,526 34,805 37,156
19 27,204 30,144 32,852 36,191 38,582
20 28,412 31,41 34,17 37,566 39,997

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Detecção de erros grosseiros
 Hipótese nula (H0)
 J(x) ~ 2(Nm – Ns)
 Ausência de erros grosseiros na estimação de estado
 Hipótese alternativa (H1)
 J(x) não apresenta distribuição 2(Nm – Ns)
 Presença de erros grosseiros na estimação de estado
 Estatística de teste
 J(x) obtido ao final do processo de estimação

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Detecção de erros grosseiros
 Região de rejeição

P  J  x   K J  x  ~  2  N m  N s     0

P  J  x   K J  x  ~  2  N m  N s    1   0

 0  nível de significância do teste especificado

 K  valor tabelado da distribuição 2(Nm – Ns)
 Se J(x) > K, devemos rejeitar H0, isto é, há evidência
de que existem medidas portadoras de erros grosseiros

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Exemplo: Considerando uma distribuição 2(10), ou seja,
com 10 graus de liberdade, ache o limiar K para um nível de
significância 0 igual a 5% (alpha não e confiança)
Área A ou nível de significância 
Graus de liberdade 0,1 0,05 0,025 0,01 0,005
1 2,706 3,841 5,024 6,635 7,879
2 4,605 5,991 7,378 9,21 10,597
3 6,251 7,815 9,348 11,345 12,838
4 7,779 9,488 11,143 13,277 14,86
5 9,236 11,071 12,833 15,086 16,75
6 10,645 12,592 14,449 16,812 18,548
7 12,017 14,067 16,013 18,475 20,278
8 13,362 15,507 17,535 20,09 21,955
9 14,684 16,919 19,023 21,666 23,589
10 15,987 18,307 20,483 23,209 25,188
11 17,275 19,675 21,92 24,725 26,757
12 18,549 21,026 23,337 26,217 28,3
13
14
19,812
21,064
22,362
23,685
24,736
26,119
27,688
29,141
29,819
31,319 K  18,307
15 22,307 24,996 27,488 30,578 32,801
16 23,542 26,296 28,845 32 34,267
17 24,769 27,587 30,191 33,409 35,718
18 25,989 28,869 31,526 34,805 37,156
19 27,204 30,144 32,852 36,191 38,582
20 28,412 31,41 34,17 37,566 39,997

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Algoritmo para detecção de erros grosseiros
1. Estime as variáveis de estado e obtenha J(x)
2. Especifique o nível de significância 0 do teste
3. Determine o nível K considerando uma distribuição
2(Nm – Ns) e o nível de significância 0
P  J  x   K J  x  ~  2  N m  N s     0

4. Se J(x) > K, existem medidas portadoras de erros

grosseiros no conjunto atual de medidas
5. Se J(x) < K, não podemos rejeitar a hipótese de ausência
de medidas portadoras de erros grosseiros no conjunto
de medidas
UFF – TCE/TEE – TEE00139
Processamento de erros grosseiros
 Uma vez detectada a presença de erros grosseiros, como
proceder?
 Por definição todas as medidas são portadoras de erros
 Como identificar as medidas portadoras de erros
grosseiros?

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Identificação de erros grosseiros
 Método do máximo resíduo normalizado
1. Estime as variáveis de estado e obtenha J(x)
2. Verifique a existência de medidas portadoras de erros
grosseiros por meio da análise de J(x). Não existindo
medidas espúrias, encerre o algoritmo.
3. Calcule os resíduos normalizados rinorm
r (i )
rN (i )   =3
E (i, i )
onde E(i,i) representa o i-ésimo elemento da diagonal
da matriz de covariância dos resíduos E dada por:
UFF – TCE/TEE – TEE00139
Processamento de erros grosseiros
 Identificação de erros grosseiros
 Método do máximo resíduo normalizado

E  R  H ( H tWH ) 1 H t W  R 1

4. Elimine ou substitua a medida com maior resíduo

normalizado e retorne ao passo 1.
5. Após testar cada medida suspeita e ainda persis-
tirem a ocorrência de resíduos violados então elimine
pares, triplas, k-tuplas até que sejam identificadas

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Identificação de erros grosseiros
 Método do máximo resíduo normalizado
 Vantagens e limitações
 Quando o erro é simples e há bastante redundância,
o método vai muito bem.
 Entretanto existem situações onde a detecção não é
alcançada.
 Existem situações onde detecta-se a existência de
erros mas a identificação falha.
Medidas Críticas, Conjuntos Críticos, k-Tuplas Críticas

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Identificação de erros grosseiros
 Substituição da medida portadora de erro grosseiro
 A medida portadora de erro grosseiro pode ser uma
medida crítica, ou seja, que compromete a
observabilidade do sistema.
 A medida portadora de erro pode pertencer a um
conjunto crítico. Reduz a confiabilidade.
 Existindo redundância suficiente no conjunto de
medidas, convêm retirar a medida portadora de
erro grosseiro.

UFF – TCE/TEE – TEE00139

Processamento de erros grosseiros
 Identificação de erros grosseiros
 Substituição da medida portadora de erro grosseiro
Rii bad
z subst
i z bad
i  ri
Eiiii
 zisubst  novo valor para a medida zi
 zibad  medida espúria identificada
 ribad  resíduo de modelagem considerando zibad na
estimação
 Rii  i-ésimo elemento da diagonal da matriz de
covariância dos erros de medição

UFF – TCE/TEE – TEE00139

Próximos capítulos

 Observabilidade de redes

 O que são medidas críticas?

 Pseudo-medidas

UFF – TCE/TEE – TEE00139