Power Generation Operation and Control 3rd Edition by Allen J. Wood Bruce F. Wollenberg Gerald B. Shebl 429 489

Machine Translated by Google
9
Introdução ao estado
Estimativa em Potência
Sistemas
9.1 INTRODUÇÃO
A estimativa de estado é o processo de atribuir um valor a uma variável de estado desconhecida do

sistema com base nas medições desse sistema de acordo com alguns critérios. Normalmente, o
processo envolve medições imperfeitas que são redundantes, e o processo de estimação dos estados
do sistema é baseado em um critério estatístico que estima o valor real das variáveis de estado para
minimizar ou maximizar o critério selecionado. Um critério comumente usado e familiar é o de minimizar
a soma dos quadrados das diferenças entre os valores estimados e “verdadeiros” (isto é, medidos) de
uma função.
As ideias de estimativa de mínimos quadrados são conhecidas e usadas desde o início do século
XIX. Os maiores desenvolvimentos nesta área ocorreram no século XX em aplicações no campo
aeroespacial. Nesses desenvolvimentos, os problemas básicos envolvem a localização de um veículo
aeroespacial (ou seja, míssil, avião ou veículo espacial) e a estimativa de sua trajetória, dadas
medições redundantes e imperfeitas de sua posição e vetor de velocidade. Em muitas aplicações,
essas medições são baseadas em observações ópticas e/ou sinais de radar que podem estar
contaminados com ruído e conter erros de medição do sistema. Os estimadores de estado podem ser
estáticos e dinâmicos. Ambos os tipos de estimadores foram desenvolvidos para sistemas de potência.
Este capítulo apresentará o desenvolvimento básico de um estimador de estado estático.
Em um sistema de potência, as variáveis de estado são as magnitudes de tensão e os ângulos de

fase relativos nos nós do sistema. As medições são necessárias para estimar o desempenho do
sistema em tempo real, tanto para o controle de segurança do sistema quanto para as restrições econômicas.
Geração de energia, operação e controle, terceira edição. Allen J. Wood, Bruce F. Wollenberg
e Gerald B. Sheblé.
© 2014 John Wiley & Sons, Inc. Publicado em 2014 por John Wiley & Sons, Inc.
403
404 Introdução à Estimativa de Estado em Sistemas de Potência
Despacho. As entradas para um estimador são medições imperfeitas do sistema de

potência de magnitudes de tensão e potência, VAR ou quantidades de fluxo de ampères.
O estimador é projetado para produzir a “melhor estimativa” da tensão do sistema e dos
ângulos de fase, reconhecendo que há erros nas grandezas medidas e que podem haver
medições redundantes. Os dados de saída são então usados nos centros de controle do
sistema na implementação do despacho e controle do sistema com restrições de
segurança, conforme discutido nos Capítulos 7 e 8.
9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA
Conforme apresentado no Capítulo 7, o problema de monitorar os fluxos de potência e tensões

em um sistema de transmissão é muito importante para manter a segurança do sistema.
Simplesmente verificando cada valor medido em relação ao seu limite, os operadores do sistema
de energia podem dizer onde existem problemas no sistema de transmissão - e, espera-se,
podem tomar ações corretivas para aliviar linhas sobrecarregadas ou tensões fora do limite.
Muitos problemas são encontrados no monitoramento de um sistema de transmissão.
Esses problemas vêm principalmente da natureza dos transdutores de medição e de
problemas de comunicação na transmissão dos valores medidos de volta ao centro de
controle de operações.
Os transdutores das medições do sistema de energia, como qualquer dispositivo de
medição, estarão sujeitos a erros. Se os erros forem pequenos, eles podem passar
despercebidos e causar erros de interpretação por aqueles que leem os valores medidos.
Além disso, os transdutores podem ter erros grosseiros de medição que tornam sua saída
inútil. Um exemplo desse erro grosseiro pode envolver ter o transdutor conectado ao
contrário, dando assim o negativo do valor que está sendo medido. Finalmente, o
equipamento de telemetria muitas vezes passa por períodos em que os canais de
comunicação estão completamente fora, privando assim o operador do sistema de qualquer
informação sobre alguma parte da rede do sistema de energia.
É por essas razões que as técnicas de estimativa de estado do sistema de potência foram
desenvolvidas. Um estimador de estado, como veremos em breve, pode “suavizar” pequenos
erros aleatórios nas leituras do medidor, detectar e identificar erros grosseiros de medição e
“preencher” as leituras do medidor que falharam devido a falhas de comunicação.
Para começar, usaremos um exemplo simples de fluxo de carga CC para ilustrar os princípios
da estimativa de estado. Suponha que o fluxo de carga CC de três barras do Exemplo 6A estivesse
operando com a carga e a geração mostradas na Figura 9.1. A única informação que temos sobre
este sistema é fornecida por três medidores de vazão de potência MW localizados conforme
mostrado na Figura 9.2.
Apenas duas dessas leituras do medidor são necessárias para calcular completamente os
ângulos de fase do barramento e todos os valores de carga e geração. Suponha que usamos
M13 e M32 e ainda suponha que M13 e M32 nos dão leituras perfeitas dos fluxos em seus respectivos
linhas de transmissão:
M 13 = 5 MW 0=.05 cv
M 32 = 40 MW 0=.40 cv
9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA 405
Figura 9.1 Sistema de três barras do Capítulo 6, Figuras 6.21 e 6.22.
Figura 9.2 Colocação do medidor.
Em seguida, os fluxos nas linhas 1–3 e 3–2 podem ser ajustados iguais a estas leituras do medidor:
1
M 13
f 13 = (eu ÿ = eu
=. 1 3
x
) 0 05 poderia
13
1
f 32 = (eu ÿ = eu )
=. 3 2 M 32 0 40 pu
x 23
Figura 9.3 Caudal resultante da utilização dos contadores M13 e M32.
Como sabemos que q3=0 rad, podemos resolver o f 13 equação para q1 e f 32 equação
para q2 , resultando em
eu1 = 0 .02 rad

eu2 =ÿ
0 .10 rad
Vamos agora investigar o caso em que todas as três leituras do medidor apresentam pequenos erros.
Suponha que as leituras obtidas sejam
M 12 = 62 MW 0=.
62 cv
M 13 = 6 MW 0=.
06 hp
M 32 = 37 MW 0=.37 cv
Se usarmos apenas as leituras M13 e M32 , como antes, calcularemos os ângulos de fase
do seguinte modo:
eu1 = 0 .024 rad

eu2 =ÿ
0 .0925 rad
eu3 = 0 rad (ainda assumido igual a zero)
Isso resulta nos fluxos do sistema conforme mostrado na Figura 9.3. Observe que os fluxos
previstos correspondem em M13 e M32, mas o fluxo na linha 1–2 não corresponde à leitura
de 62MW de M12. Se ignorássemos a leitura em M13 e usássemos M12 e M32, poderíamos
obter as vazões mostradas na Figura 9.4.
9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA 407
Figura 9.4 Vazões resultantes da utilização dos medidores M12 e M32.
Tudo o que conseguimos foi igualar o M12, mas à custa de não corresponder mais ao M13.
O que precisamos é de um procedimento que use as informações disponíveis de todos os três
medidores para produzir a melhor estimativa dos ângulos reais, fluxos de linha, carga e
gerações de ônibus.
Antes de prosseguir, vamos discutir o que temos feito. Como a única coisa que sabemos
sobre o sistema de potência vem das medições, devemos usar as medições para estimar as
condições do sistema. Lembre-se de que, em cada instância, as medições foram usadas para
calcular os ângulos de fase da barra nas barras 1 e 2. Uma vez que esses ângulos de fase
fossem conhecidos, todos os fluxos de energia, cargas e gerações não medidos poderiam ser
determinados. Chamamos de q1 e q2 as variáveis de estado para o sistema de três barras,
pois conhecê-las permite que todas as outras grandezas sejam calculadas.
Em geral, as variáveis de estado para um sistema de potência consistem na magnitude da
tensão da barra em todas as barras e nos ângulos de fase em todas menos uma barra. O
ângulo de oscilação ou de fase do barramento de referência é geralmente assumido como zero
radianos. Observe que poderíamos usar componentes reais e imaginários da tensão do
barramento, se desejado. Se pudermos usar medições para estimar os “estados” (ou seja,
magnitudes de tensão e ângulos de fase) do sistema de energia, então podemos continuar
calculando quaisquer fluxos de energia, geração, cargas e assim por diante que desejarmos.
Isso pressupõe que a configuração da rede (ou seja, status do disjuntor e da chave
seccionadora) seja conhecida e que as impedâncias na rede também sejam conhecidas.
Autotransformadores automáticos com mudança de tap de carga ou reguladores de ângulo de
fase são frequentemente incluídos em uma rede, e suas posições de tap podem ser
telemetradas para o controle como uma quantidade medida. A rigor, as posições dos taps do
transformador e do regulador do ângulo de fase também devem ser consideradas como
estados, pois devem ser conhecidas para calcular os fluxos nos transformadores e reguladores.
Voltando ao modelo de fluxo de potência CC de três barras, temos três medidores que nos
fornecem um conjunto de leituras redundantes para estimar os dois estados q1 e q2 . Dizemos
que as leituras são redundantes pois, como vimos anteriormente, são necessárias apenas duas
leituras para calcular q1 e q2 ; a outra leitura é sempre “extra”. No entanto, a leitura “extra”
carrega informações úteis e não deve ser descartada sumariamente.
Este exemplo simples serve para introduzir o assunto de estimativa de estado estático, que é a
arte de estimar o estado exato do sistema dado um conjunto de medições imperfeitas feitas no
sistema de potência. Faremos uma digressão neste ponto para desenvolver o embasamento teórico
para a estimativa do estado estático. Voltaremos ao nosso sistema de três barras na Seção 9.3.4.
9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS

PONDERADOS DE MÁXIMA VEROSIBILIDADE
9.3.1 Introdução
A estimativa estatística refere-se a um procedimento em que se usa amostras para calcular o

valor de um ou mais parâmetros desconhecidos em um sistema. Como as amostras (ou
medições) são inexatas, a estimativa obtida para o parâmetro desconhecido também é inexata.
Isso leva ao problema de como formular uma “melhor” estimativa dos parâmetros desconhecidos,
dadas as medições disponíveis.
O desenvolvimento das noções de estimação de estado pode seguir várias linhas,
dependendo do critério estatístico selecionado. Dos muitos critérios que foram examinados e
usados em várias aplicações, os três seguintes são talvez os mais comumente encontrados.
a. O critério de máxima verossimilhança, em que o objetivo é maximizar a probabilidade de

que a estimativa da variável de estado, xˆ, seja o valor verdadeiro do vetor da variável de
estado, x (ou seja, maximizar P() ) xˆ x =
b. O critério dos mínimos quadrados ponderados, onde o objetivo é minimizar a soma dos
quadrados dos desvios ponderados das medições estimadas, zˆ, das medições reais, z
c. O critério de variância mínima, onde o objetivo é minimizar o valor esperado da soma dos
quadrados dos desvios dos componentes estimados do vetor de variável de estado dos
componentes correspondentes do vetor de variável de estado verdadeiro
Quando são assumidas distribuições de erro do medidor normalmente distribuídas e imparciais,

cada uma dessas abordagens resulta em estimadores idênticos. Este capítulo utilizará a
abordagem de máxima verossimilhança porque o método introduz a matriz de ponderação de
erro de medição [R] de maneira direta.
O procedimento de máxima verossimilhança faz a seguinte pergunta: “Qual é a probabilidade
(ou probabilidade) de obter as medições que obtive?” Essa probabilidade depende do erro
aleatório no dispositivo de medição (transdutor), bem como dos parâmetros desconhecidos a
serem estimados. Portanto, um procedimento razoável seria aquele
9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS PONDERADOS DE MÁXIMA VEROSIBILIDADE 409
que simplesmente escolheu a estimativa como o valor que maximiza essa probabilidade. Como
veremos em breve, o estimador de máxima verossimilhança assume que conhecemos a função
de densidade de probabilidade (PDF) dos erros aleatórios na medição. Outros esquemas de
estimativa também podem ser usados. O estimador de “mínimos quadrados” não requer que
conheçamos o PDF para a amostra ou erros de medição. No entanto, se assumirmos que o PDF
da amostra ou erro de medição é uma distribuição normal (Gaussiana), acabaremos com a
mesma fórmula de estimativa. Continuaremos a desenvolver nossa fórmula de estimativa usando
o critério de máxima verossimilhança assumindo distribuições normais para erros de medição. O
resultado será uma fórmula de estimativa de “mínimos quadrados” ou mais precisamente uma
fórmula de estimativa de “mínimos quadrados ponderados”, embora desenvolvamos a formulação
usando o critério de máxima verossimilhança. Ilustraremos esse método com um circuito elétrico
simples e mostraremos como a estimativa de máxima verossimilhança pode ser feita.
Primeiro, introduzimos o conceito de erro de medição aleatório. Observe que
descartamos o termo “amostra”, pois o conceito de medição é muito mais apropriado para
nossa discussão. Presume-se que as medições estejam com erro: ou seja, o valor obtido
do dispositivo de medição está próximo do valor real do parâmetro sendo medido, mas
difere por um erro desconhecido. Matematicamente, isso pode ser modelado da seguinte maneira.
Seja zmeas o valor de uma medição conforme recebido de um dispositivo de medição.

Seja ztrue o valor verdadeiro da grandeza medida. Finalmente, seja h o erro de
medição aleatório. Podemos então representar nosso valor medido como
Com
medida
= z verdadeiro +
o (9.1)
O número aleatório, h, serve para modelar a incerteza nas medições. Se o erro de

medição for imparcial, a PDF de h é geralmente escolhida como uma distribuição normal
com média zero. Observe que outros PDFs de medição também funcionarão no máximo
método de verossimilhança também. O PDF de h é
2
1 ÿ ÿoÿ ÿ
PDF( o) = exp ÿ ÿ ÿ 2 (9.2)
p 2pi 2p
onde s é chamado de desvio padrão e s2 é chamado de variância do número aleatório.

PDF(h) descreve o comportamento de h. Um gráfico de PDF(h) é mostrado na Figura 9.5.
Observe que s, o desvio padrão, fornece uma maneira de modelar a gravidade do
erro de medição aleatório. Se s for grande, a medição é relativamente imprecisa
Figura 9.5 A distribuição normal.

Figura 9.6 Circuito CC simples com medição de corrente.
(ou seja, um dispositivo de medição de baixa qualidade), enquanto um pequeno valor de s

denota uma pequena dispersão de erro (ou seja, um dispositivo de medição de qualidade
superior). A distribuição normal é comumente usada para modelar erros de medição, pois é a
distribuição que resultará quando muitos fatores contribuírem para o erro geral.
9.3.2 Conceitos de Máxima Verossimilhança
O princípio da estimativa de máxima verossimilhança é ilustrado usando um exemplo de circuito CC

simples, conforme mostrado na Figura 9.6. Neste exemplo, desejamos estimar o valor da fonte de tensão,
xtrue, usando um amperímetro com um erro tendo um desvio padrão conhecido. O amperímetro dá uma
medida
leitura igual à soma de 1z ,
verdadeiro
1z (a verdadeira corrente que flui em nosso circuito) e h1 (o erro presente no amperímetro).

Então podemos escrever
medida verdadeiro
de 1 11
z=+ o (9.3)
medida
Como o valor médio de h1 é 0, sabemos que o valor médio de 1z é igual a

verdadeiro medida
1z . 1zIsso nos permite escrever um PDF para
como
medida verdadeiro
medida
1 ÿ ÿÿ
( de 1 2
z1
) ÿ
=
PDF( ) a partir
de 1 ÿ exp 2
(9.4)
p 1 2 pi ÿ
2p ÿÿ
1
onde s1 é o desvio padrão para o erro aleatório h1 . Se assumirmos que o valor
da resistência, r1 , em nosso circuito é conhecido, podemos escrever
2
ÿ medida
medida
1
ÿ
( de
1
ÿ
1x
r1
) ÿ
=
PDF( ) a partir
de 1
ÿ exp 2
(9.5)
p 2 pi ÿ
ÿ
2p
1 1 ÿÿÿ
Voltando à nossa definição de um estimador de máxima verossimilhança, agora desejamos

encontrar uma estimativa de x (chamada xest) que maximize a probabilidade de ocorrência da
medida medida
medida observada 1z . Como temos o PDF de podemos escrever 1z ,
medida medida
a partir
de 1 d + de 1
) = ÿ
medida medida medida medida
prob ( Com PDF( )dcomo dzz z 0ÿ
1 medida 11 1
de
1
(9.6)
= PDF( )d medida Com Com
medida
1 1
O procedimento de máxima verossimilhança requer então que maximizemos o valor de prob( ) z

medida
1
, que é uma função de x. Aquilo é,
medida =
) max PDF( )d z 11
medida medida
(9.7)
prob máx( a partir
de 1
x x
Uma transformação conveniente que pode ser usada neste ponto é maximizar o logaritmo natural de
medida medida
PDF( ) 1z
desde a maximização do Ln de PDF( ) 1z
também maximizará
medida
PDF( ) 1z . Então queremos encontrar
medida
máx Ln[PDF( )] de
1
x
ou
2
medida 1
( de 1
ÿ
x) ÿ
r1
ÿ ÿ max Ln( 2 p) ÿ1 pi
ÿ ÿ
2
x 2p ÿÿ
1
Como o primeiro termo é constante, ele pode ser ignorado. Podemos maximizar a função entre
parênteses minimizando o segundo termo desde que tenha um coeficiente negativo; aquilo é,
medida
2
ÿ
( de 1 )
ÿ
1x
r
1
ÿ ÿ max Ln( 2 p) ÿ1 pi
ÿ ÿ
2
x 2p
1 ÿÿ
é o mesmo que
medida
2
ÿ ÿ
)
ÿ
de 1x
1 r
1
( ÿ min (9.8)
2
x
ÿÿ
2p
1 ÿÿÿ
O valor de x que minimiza o termo do lado direito é encontrado simplesmente tomando a primeira
derivada e definindo o resultado como 0:
medida
2 medida 1
ÿ d ( )(11)zx
ÿ =zxÿ ÿr 1
ÿ ÿ ÿÿ
1 r
1
= 0 (9.9)
2 2
d x ÿÿÿ 2p r p
1 11
ou
éx = medida
rz11
Para a maioria dos leitores, esse resultado era óbvio desde o início. Tudo o que conseguimos
foi declarar a estimativa de probabilidade máxima de nossa tensão como simplesmente a
corrente medida vezes a resistência conhecida. No entanto, adicionando um segundo circuito
de medição, temos uma situação totalmente diferente na qual a melhor estimativa não é tão
óbvia. Vamos agora adicionar um segundo amperímetro e resistência conforme mostrado na Figura 9.7.
Figura 9.7 Circuito CC com duas medições de corrente.
Suponha que r1 e r2 sejam conhecidos. Como antes, modele cada leitura do medidor como a
soma do valor verdadeiro e um erro aleatório:
medida
z 1 11=
verdadeiro
+o
medida
(9.10)
z 2 22=
verdadeiro
+o
onde os erros serão representados como média zero independente, variáveis aleatórias normalmente
distribuídas com PDFs:
2
1 ÿ
ÿ
(o) 1 ÿ
PDF ( )o =
1 exp ÿ 2
p 1 2 pi ÿ
2p 1 ÿÿ
2 (9.11)
1 ÿ
ÿ
(o) 2 ÿ
PDF( )o 2
= exp 2
p 2
2 pi ÿÿ
2p 2 ÿÿ
medida medida
e como antes podemos escrever os PDFs de 1z e de
2
como
ÿ medida 1 ÿ
ÿ
de
1
ÿ
x
r1
medida 1 ÿÿ ÿÿ
PDF ( de
1 )= ÿÿ 2
ÿ 2p1
exp ÿ ÿ ÿÿÿÿ
(9.12)
2
2ÿÿ1ÿÿÿ 1 ÿ
xÿ
medida
ÿ ÿ
de
ÿ
2
r
medida 1 ÿÿ 2 ÿÿ
PDF( )de 2 =
exp 2
2 ÿ2 ÿ ÿ ÿ 2 p2 ÿÿÿÿ
medida
A função de verossimilhança deve ser a probabilidade de obter as medidas 1z ez 2

medida
. Como estamos assumindo que os erros aleatórios h1 e h2 são variáveis aleatórias

medida medida
independentes, a probabilidade de obter 1z e z é simplesmente o produto

2 da probabilidade de obter
medida medida
1z e a probabilidade de obter com

2 .
prob (zz12 z1 e
medida medida
=
) prob(
medida
×
) (problema( de
2
medida
)
= PDF ( )PDF ( )dd ÿdeÿ zz medida medida meu próprio
2 12 a partir
de 1
2
ÿ ÿ 1 ÿ ÿ
ÿ
medida ÿ
x
ÿ
ÿ de ÿ ÿÿ
1 1ÿ
r
1
= ÿ ÿ exp
ÿÿÿ
ÿ ÿ1 ÿ2ÿ ÿ ÿ 2p 2
1 ÿ
ÿÿ
2
(9.13)
ÿ ÿ 1 ÿ ÿ
ÿ
medida ÿ
x
ÿ
ÿ de ÿ ÿÿ
1 2ÿ
r2
× ÿ ÿ exp
ÿÿÿ
ÿdzÿÿ
eu como meas
div
ÿ ÿ2 ÿ 2ÿ 2p 22 1 2
Para maximizar a função, tomaremos novamente seu logaritmo natural:
2
ÿ
ÿ medida
1 ÿ
de
1
ÿ
x
ÿÿ r1 ÿÿ
prob máx (
medida
ez2 medida
) =ÿ ÿ
máx Ln 2
x
(p 1
pi )
2p
a partir
de 1
2
x
ÿÿÿÿ 1
2
1 ÿ
ÿ
de
medida
ÿ
xÿ
2 ÿ
ÿÿ r2 ÿÿÿÿ
ÿ
Ln (p
2
2pi ) ÿ
(9.14)
22e2 ÿ
2 2
ÿ ÿ ÿÿ ÿ ÿ ÿ ÿ ÿ ÿÿ ÿ ÿ
medida ÿ
medida
1 ÿ
11
z xz x r 1 ÿÿ ÿ
ÿ
2
r2
= min x +
2p 2
1
2p 2
2
ÿ
O mínimo procurado é encontrado por
2 2
ÿ
ÿ medida
1 ÿÿÿ medida
1 11ÿ ÿÿÿ ÿÿ ÿ ÿÿ ÿ
a partir
de 1
ÿ
x ÿ z x 2 12
ÿ ÿÿ ÿ
ÿ
ÿ
z medida
xzx medida
ÿd ÿ r1 ÿÿ
+
r r 2 12ÿ ÿ ÿ ÿÿ
= ÿ=
0
dx ÿÿ
2ss22ss22 r 1 2 2 2 2 ÿ r
11
dando
medida medida
ÿ Com
1 2 ÿ
com +
2 2 r 11 2 2
p p
x Leste = ÿ ÿÿ
(9.15)
ÿ 1 1 ÿ
+
22 22 rr 11 22
ÿÿÿ
p p ÿÿ
Se um dos amperímetros for de qualidade superior, sua variação será bem menor
p 2
que a do outro medidor. Por exemplo, se p 2 1 ,então a equação para xest se torna
2
medida
xz r ×
Leste
2 2
Assim, vemos que o método de máxima verossimilhança de estimar nosso parâmetro

desconhecido nos dá uma maneira de ponderar as medições adequadamente de acordo com
sua qualidade.
Deve ser óbvio agora que não precisamos expressar nosso problema de estimativa
como um máximo do produto de PDFs. Em vez disso, podemos observar uma maneira
direta de escrever o que é necessário observando as Equações 9.8 e 9.14. Nessas
equações, vemos que a estimativa de probabilidade máxima de nosso parâmetro
desconhecido é sempre expressa como o valor do parâmetro que fornece o mínimo da
soma dos quadrados da diferença entre cada valor medido e o valor verdadeiro sendo
medido (expresso como uma função do nosso parâmetro desconhecido) com cada
diferença quadrada dividida ou “ponderada” pela variância do erro do medidor. Assim, se
estivéssemos estimando um único parâmetro, x, usando medições Nm , escreveríamos a expressão
2
Nm medida
x ÿ) ÿ
Com ÿ
f (
(9.16)
eu eu
min (xJ) ÿÿ=ÿ

x
=1
p 2
eu eu
onde
= função que é usada para calcular o valor que está sendo medido pelo th eu
f eu
medição
p 2 = i variância para a enésima medição

eu
J x( ) = residual de medição
N = número de medições independentes
m
z
medida = a quantidade medida
eu
Observe que a Equação 9.16 pode ser expressa por unidade ou em unidades físicas,
como MW, MVAR ou kV.
Se tentássemos estimar Ns parâmetros desconhecidos usando Nm medições,
escreveríamos
2
Nm ÿ zfii xx x( ÿ =
ÿ
,, , …
1 2ÿ ,, ) Ns
ÿ) ÿ
min ( Jxx x, … (9.17)
12 Ns 2
xx1 }x 2 …
{,,, Ns
_
=1
p
eu eu
O cálculo de estimativa mostrado nas Equações 9.16 e 9.17 é conhecido como estimador de
mínimos quadrados ponderado , que, como mostramos anteriormente, é equivalente a um
estimador de máxima verossimilhança se os erros de medição forem modelados como
números aleatórios com distribuição normal.
9.3.3 Formulação da Matriz
Se as funções f xx( x,,1forem

, … funções
) lineares, a Equação 9.17 tem uma forma fechada )
eu 2 Ns
solução. Vamos escrever a função (,, , f xx x como
eu
1 2 … Ns
( )(xf
f xx eu
1 hx
…,
, 2 , hx Ns
=
eu
x ) + ++ i i 11 2 2 hx=
ems N Ns
(9.18)
Então, se colocarmos todas as funções f em um vetor, podemos escrever

eu
ÿ
f ()ÿ
x ÿ
1
()
f x
ÿÿÿ()
fx ()= 2
= H [] x (9.19)
ÿÿÿÿ ÿÿ
x
ÿfÿ N m
onde
[H NN ]=an por
m matrizs contendo os coeficientes das funções lineares fi (x)
N = número de medições
m
Ns = número de parâmetros desconhecidos sendo estimados
Colocando as medidas em um vetor
medida
ÿ de ÿÿ
1
medida
de
2
medida
Com (9.20)
ÿÿ=
medida
Com
ÿ ÿ ÿ ÿN m ÿÿÿÿÿ
podemos então escrever a Equação 9.17 de uma forma bem compacta:
T
meu j (x ) = ÿ zmedida
fx ÿ ÿ
ÿ ÿ zÿÿfxÿ ÿ1ÿ ( ) (medida
Rÿ ) (9.21)
x
ÿ ÿ ÿÿ
onde
2
ÿ p ÿ
1
ÿ ÿ
2
p
[]
R = 2
2
p
ÿ Nm ÿ
[R] é chamada de matriz de covariância dos erros de medição. Para obter a expressão geral para o
mínimo na Equação 9.21, expanda a expressão e substitua [H]x por f(x) da Equação 9.19.
T T 1 medida
min J ( )= meu [ 1 medida
R HR ] xz z x
T
]
ÿ ÿ
]z
ÿ
{ [ [
x
(9.22)
meu T 1 T 1
ÿ [RH HRH ][
] +] xx
T} ÿ ] x
ÿ ÿ
ÿ
ÿ
Com
[ÿ [
Semelhante aos procedimentos do Capítulo 3, o mínimo de J(x) é encontrado quando ÿ J(x)/ÿ xi =0,
para i=1,…,Ns ; isso é idêntico a afirmar que o gradiente de J(x),ÿJ(x) é exatamente 0.
O gradiente de J(x) é (veja o apêndice deste capítulo)

Tabela 9.1 Fórmulas de estimativa
Caso Descrição Solução Comente
Ns<Nm xest=[[H] T[Rÿ1 ] xest é a probabilidade máxima

[H]ÿ1×{H] T[Rÿ1 ]zmeas estimativa de x dada a
medições zmeas
ÿ1
xst=[H] pipa xest ajusta as quantidades medidas
Ns=Nm Completamente
determinado às medições zmeas exatamente xest
ÿ1
Ns>Nm Subdeterminado xest=[H] T[[H][H] T]
pipa é o vetor de mínimo
norma que se ajusta ao medido
quantidades para as medições
exatamente. (A norma de um vetor
é igual à soma dos quadrados de
seus componentes)
T
=ÿJ ÿÿ + (H) ] [ T2xz
HRÿÿHR ÿÿ x1 ÿ
medida
2[
ÿ
1
[ ] ]
Então ÿJ(x)=0 dá
ÿ
1 T
x
Leste = ÿ HRT H
ÿ ÿÿ1 [ ÿ ÿÿ
HR ÿ
[ ] ÿÿ
ÿ
1 medida z
(9.23)
[ÿ ] ] ÿÿ
Observe que a Equação 9.23 é válida quando Ns<Nm, ou seja, quando o número
de parâmetros estimados é menor que o número de medições feitas.
Quando Ns=Nm, nosso problema de estimativa se reduz a
ÿ
x
Leste
= [H 1z
medida
(9.24)
]
Há também uma solução de forma fechada para o problema quando Ns>Nm, embora neste caso
não estejamos estimando x para maximizar uma função de verossimilhança, pois Ns>Nm geralmente
medida
implica que muitos valores diferentes para xest podem ser encontrados que causam f (xest ) eu
Com
eu
igual para todo i=1,…,Nm exatamente. Em vez disso, o objetivo é encontrar xest tal que a soma dos
Leste
quadrados de x seja minimizada. Aquilo é,

eu
Ns
min ÿ =
x
2
eu
xx
T
(9.25)
x
eu
=1
sujeito à condição de que zmeas=[H]x. A solução de forma fechada para este caso é
1
éx = [ H HH
T T
ÿ medida
(9.26)
ÿ [][ ] ÿ
] ÿ
z
Na estimativa do estado do sistema de potência, problemas subdeterminados (ou seja, onde Ns>Nm)
não são resolvidos, conforme mostrado na Equação 9.26. Em vez disso, “pseudomedidas” são
adicionadas ao conjunto de medições para fornecer um problema completamente determinado ou sobredeterminado.
Discutiremos pseudomedidas na Seção 9.6.3. A Tabela 9.1 resume os resultados
desta seção.
Figura 9.8 Distribuição normal dos erros do medidor.
9.3.4 Um Exemplo de Estimativa de Estado de Mínimos Quadrados Ponderados
Agora voltamos ao nosso exemplo de três barras. Lembre-se da Figura 9.2 que
temos três medições para determinar q1 e q2 , os ângulos de fase nas barras 1 e 2.
Do desenvolvimento na seção anterior, sabemos que os estados q1 e q2 podem
ser estimados minimizando um resíduo J( q1 ,q2 ) onde J(q1 ,q2 ) é a soma dos
quadrados dos resíduos de medição individuais dividido pela variância para cada medição.
Para começar, assumiremos que todos os três medidores possuem as seguintes características.
Valor de fundo de escala do medidor: 100MW
Precisão do medidor: ±3MW
Isso é interpretado como significando que os medidores fornecerão uma leitura dentro de ±3
MW do valor real sendo medido por aproximadamente 99% do tempo. Matematicamente,
dizemos que os erros são distribuídos de acordo com uma PDF normal com desvio padrão,
s, conforme mostra a Figura 9.8.
Observe que a probabilidade de um erro diminui à medida que a magnitude do erro aumenta.
Ao integrar a PDF entre ÿ3s e +3s, chegamos a um valor de aproximadamente
0,99. Assumiremos que a precisão do medidor (no nosso caso ±3 MW) está sendo
declarada igual aos 3s pontos no PDF. Então ±3 MW corresponde a um desvio
padrão de medição de s=1 MW=0,01 pu.
A fórmula desenvolvida na última seção para a estimativa de mínimos quadrados
ponderada é dada na Equação 9.23, que é repetida aqui:
1 T 1 medida
ÿ
éx = ÿ HRT H
ÿ ÿÿ1 [ ÿ ÿÿ]
HR ÿÿ
ÿ ÿ
[ÿ ]
[ ] ÿÿ z
onde
x = vetor de variáveis de estado estimadas

Leste
[H] = matrizes de coeficientes de função de medição
[R] = matriz de covariância de medição

medida
z = vetor contendo os próprios valores medidos
Para o problema de três barras, temos

Leste
ÿ eu ÿ
éx 1
=ÿ Leste
(9.27)
ÿ
eu ÿÿ
2
Para derivar a matriz [H] , precisamos escrever as medições como uma função das variáveis
de estado q1 e q2 . Essas funções são escritas por unidade como
1
M 12
f == ÿ=12 ÿ 5 ( º)
1 2
5eu1 eu
2
0,2
1M
13 f == 13
(º 1
ÿ= 2,5 0,4 2 )
eu
1
1
M 32
f = = 0,25
32
(º3 ÿ =ÿ
4eu2 (9.28)
2)
O ângulo de fase do barramento de referência, q3 , ainda é considerado 0. Então
ÿ ÿÿ ÿ] 2,5
5 5 0ÿ
[
H ÿ 0=
4ÿ
ÿÿÿÿÿ
A matriz de covariância para as medições, [R], é
2
ÿ p
M 12
ÿ ÿ ÿ 0,0001 ÿ
ÿ ÿ=
[]R = 2 ÿ
p
M 13
0,0001
2
p 0,0001 ÿ
ÿ M 32 ÿÿ
Note que como os coeficientes de [H] estão em por unidade, também devemos escrever [R] e zmeas
em por unidade.
Nossa “melhor” estimativa de mínimos quadrados de q1 e q2 é então calculada como
1 1
ÿ
ÿ 0,0001 ÿÿ ÿ ÿ2,5
5 50ÿÿÿÿÿ ÿ
ÿ euLeste
ÿÿÿÿ=ÿÿÿ 5 2,5 0 ÿ ÿ ÿÿ ÿ ÿ ÿÿ ÿ
1
ÿÿÿ
0,0001
ÿÿ
euLeste
2
ÿ
ÿÿ ÿÿ 50 4 ÿ ÿ
ÿÿ 0,0001 04
ÿÿÿÿ
1
ÿ 0,0001 ÿÿ ÿ 0,62
ÿ 5 2,5 0 ÿÿ ÿ 0,06
0,0001 ÿÿ ÿ
×ÿ
ÿÿ ÿÿ ÿ
ÿ ÿÿÿ
ÿ 50 4 ÿ
ÿ
ÿ
ÿ0,0001
0,37 ÿÿ 2500
ÿ3ÿ
ÿ
1
ÿ ÿ 312500 250000 ÿ ÿ
ÿ 45800
=ÿ ÿ
ÿ
ÿ
250000 410000 ÿ ÿ ÿÿ
ÿ
ÿ 0,028571
=ÿ
ÿ
ÿ
ÿ 0,094286
ÿ
Figura 9.9 Exemplo de três barras com as melhores estimativas de q1 e q2 .
onde
ÿ ÿ 0,62
0,06 ÿ
medida =ÿÿÿÿÿ
Com 0,37 ÿ
A partir dos ângulos de fase estimados, podemos calcular a potência que flui em cada linha de
transmissão e a geração líquida ou carga em cada barra. Os resultados são mostrados na Figura 9.9.
Se calcularmos o valor de J(q1 ,q2 ), o resíduo, obtemos
2
[ z12f ÿ
(eu eu
, ÿ, ÿ, )]
2
[ zf
12 1 13 32 32 (eu eu )]
+12 13
2 222 [ zf + (eu eu )] 2
j () eu1eu
, =
2 12 32 1 2
13
2 2
[ 0,62 sss
(5 th ] ] 5[ ) 0,06 (2,5eu)1 [] 0,37+(4)eu2
ÿÿ ÿ
1 2
= ++ 0,0001 0,0001 (9.29)
0,0001
= 2.14
Suponha que o medidor na linha de transmissão M13 seja superior em qualidade aos
medidores em M12 e M32. Como isso afetará a estimativa dos estados? Intuitivamente,
podemos raciocinar que qualquer leitura de medição que obtivermos de M13 estará muito
mais próxima da verdadeira potência fluindo na linha 1–3 do que se pode esperar ao comparar M12 e M32
aos fluxos nas linhas 1–2 e 3–2, respectivamente. Portanto, esperamos que os resultados do estimador
de estado reflitam isso se configurarmos os dados de medição para refletir o fato de que M13 é uma
medição superior. Para mostrar isso, usamos os seguintes dados de medição.
Metros e MILÍMETROS
12 32 : 100 MW em escala completa
± 3 MW de precisão )
(
p = 1 MW 0,01
= cv
Metro M 13 : 100 MW em escala completa
± 0,3 MW de precisão
(p = 0,1 MW 0,001
= cv )
A matriz de covariância a ser usada na fórmula dos mínimos quadrados agora se torna
2 ÿ
4
ÿ p M 12 ÿ ÿ × ÿ1
ÿ ÿ10 ÿ
ÿ 2 ÿÿ ÿ
[R
] = =× ÿ p M 13
ÿÿÿ
1 10
2 ÿ
4
p M 32 1 10 ×
ÿÿ ÿÿÿÿ
Agora resolvemos com a nova matriz [R] :

ÿ
1
ÿ
1
ÿ
4
ÿ ÿ
1 10 × ÿ ÿ ÿ 5 5 ÿ ÿ ÿ ÿ ÿ 2,5
ÿ
ÿ ÿ ÿ0 ÿ ÿ
ÿ eu
ÿ ÿ1 ÿ ÿ ÿ ÿ = ÿÿ 5 2,5 0 ÿÿ ÿ ÿ
6
ÿÿ
ÿÿÿÿÿÿÿÿ 1 10 ×
50
ÿ eu2
ÿ
4ÿÿÿ ÿ
4
1 10 × 04 ÿ
1
ÿ
4
ÿ 1 10 ÿ ÿ ÿ2,5
5 50ÿÿÿÿ
ÿ
ÿ 5 2,5 0 × ÿ
6 ÿ ÿÿÿÿ04ÿ
= 1 10 ×
ÿÿ
ÿ
ÿÿ ÿ 50 4 ÿ ÿ ÿ
4
1 10 × ÿ
1
6 5 5
ÿ××= ÿ ÿ ÿ = 2,5
ÿ 6,5 10 ÿ ÿ 10 ÿ ÿ .81 10ÿ ÿ× ÿ1
5 5
2,5 10 5 4,1 10 ÿ× × ÿÿ ÿÿ
ÿ
0,458 10 ×
ÿ 0,024115
ÿ
ÿ 0,097003 ÿ
A partir desses ângulos de fase estimados, obtemos as condições de rede mostradas na Figura 9.10.
Compare o fluxo estimado na linha 1–3, como recém calculado, com o fluxo estimado calculado na linha
1–3 na estimativa de mínimos quadrados anterior. Definir sM13 para 0,1MW trouxe o fluxo estimado na
linha 1–3 muito mais próximo da leitura do medidor de 6,0MW. Além disso, observe que as estimativas
de fluxo nas linhas 1–2 e 3–2 estão agora mais distantes das leituras do medidor M12 e M32 ,
respectivamente, que é o que deveríamos esperar.
9.4 ESTIMATIVA DE ESTADO DE UMA REDE AC 421
Figura 9.10 Exemplo de três barras com medidor melhor em M13.
9.4 ESTIMATIVA DE ESTADO DE UMA REDE AC
9.4.1 Desenvolvimento do Método
Demonstramos como o esquema de estimativa de máxima verossimilhança

desenvolvido na Seção 9.3.2 levou a um cálculo de mínimos quadrados para medições
de um sistema linear. No cálculo dos mínimos quadrados, estamos tentando minimizar
a soma dos resíduos de medição:
2
Nm
ÿzÿf x
()ÿÿ
min J ÿx( )ÿ = eu eu
(9h30)
x
=1
p 2
eu eu
No caso de um sistema linear, as funções f (x) são lineares e resolvemos o mínimo de J(x)
eu
diretamente. Em uma rede CA, as grandezas medidas são MW, MVAR, MVA, ampères,
posição do tap do transformador e magnitude da tensão. As variáveis de estado são a
magnitude da tensão em cada barra, os ângulos de fase em todas as barras, exceto na barra
de referência, e os taps do transformador. A equação para a entrada de energia em uma barra
é fornecida na Equação 4.21 e claramente não é uma função linear da magnitude da tensão e
do ângulo de fase em cada barra. Portanto, as funções f (x) serão funções não lineares, exceto para uma ten
eu
medição de magnitude onde f (x) é simplesmente a unidade vezes o xi particular que

eu
corresponde à magnitude da tensão que está sendo medida. Para medições de MW e

MVAR em uma linha de transmissão da barra i para a barra j, teríamos os seguintes termos em J(x):
{
MW | medida ÿ
ÿ EG|2EE
eu
( | cos
) |ÿ ÿ+ÿ
eu j
|| ÿ ij j i
eu
( (
enésimoG enésimo(
j ) ij
pecado
eu
j )
B
ij
)ÿÿ }
(9.31)
2
p
MW ij
medida 2 2
{MVAR [ ÿ ÿ | EBB| SIM
(
j +ÿ|) || | (pecado(
enésimo) enésimo
G ij
ÿ
cos( ÿ ÿ
) B)]}
ij
eu j eu j
eu eu
j eu
j
eu cap ij
2
p
MVAR ij
(9.32)
Uma medição de magnitude de tensão resultaria no seguinte termo em J(x):
medida
2
(E eu
| ÿ
|E eu
)
(9.33)
2
p E
eu
Funções semelhantes podem ser derivadas para medições de MVA ou ampères.

Se não tivermos uma relação linear entre os estados (|E| valores e q valores) e
os fluxos de potência em uma rede, teremos que recorrer a uma técnica iterativa
para minimizar J(x). Uma técnica comumente usada para estimar o estado do
sistema de energia é calcular o gradiente de J(x) e então forçá-lo a 0 usando o
método de Newton, como foi feito com o fluxo de carga de Newton no Capítulo 6.
Revisaremos como usar o método de Newton em problemas multidimensionais
antes de proceder à minimização de J(x).
do
g gx= para
Dadas as funções gi (x), i=1,…, n, queremos encontrar x que dê ( ) eu
eu
,
i=1,…,n. Se organizarmos as funções gi em um vetor, podemos escrever

do
0ggx ÿ = () (9.34)
Perturbando x podemos escrever
do do ÿ
ÿ +ÿ(= ÿ ÿ [ ( ))] ÿ = 0 g gx (xg
) gx gx x (9.35)
onde expandimos g(x+Dx) em uma série de Taylor sobre x e ignoramos todos os termos de
ordem superior. O termo [ ( )] g xÿ é a matriz jacobiana das primeiras derivadas de g(x). Então
ÿ
1 do
ÿ ÿ= () [ÿ xgxg
ÿ
] () gx ÿ
ÿ
(9.36)
ÿ
Note que se gdes for identicamente 0, temos

ÿ
xgx gx[ [ () ()
ÿ ÿ
] ] ÿ= (9.37)
Para resolver gdes, devemos resolver Dx usando a Equação 9.36, depois calcular xnew
=x+Dx e reaplicar a Equação 9.36 até que Dx fique muito pequeno ou g(x) se aproxime de gdes.
Agora vamos retornar ao problema de estimação de estado dado na Equação 9.30:
2
N
x
ÿ zÿ fÿ
m
eu eu ()ÿÿ
min J x
=ÿ() 2
x
eu
=1 p eu
Primeiro formamos o gradiente de J(x) como

9.4 ESTIMATIVA DE ESTADO DE UMA REDE CA 423
ÿ ÿ ÿ Jx( )
ÿ ÿ ÿxÿ ÿ ÿ
=ÿÿ 1
J xx ( ) ÿ Jx
( ) xÿ
ÿ ÿ 2ÿ
ÿ
ÿÿ ÿÿ ÿ
(9.38)
ÿÿÿÿÿ1 ÿ ÿÿÿÿ
fffÿ2ÿÿÿ
ÿ ÿÿÿ = 3
1
ÿÿÿ ÿ ÿ
2 xxx 111 1 p
ÿ ÿ( ÿÿ ÿÿ1ÿÿxzf
1) ÿÿÿ ÿ
fff222 1 zf ÿ ÿÿ ÿ ÿx ÿ
2 2( )
xxx p ÿ ÿ2
2 111 1
Se colocarmosas funções f (x) na forma vetorial f(x) e calcularmos o jacobiano de

eu
f(x), obteremos
ÿ ÿfffÿÿÿ
111
ÿ ÿ ÿÿÿ
xxx 123
(9.39)
ÿ fx
ÿÿÿ
() = fff222
ÿ xÿÿÿ xxx
123
ÿ ÿ
Chamaremos essa matriz de [H]. Então,
ÿ ÿfffÿÿÿ
111
ÿ ÿ ÿÿÿ
xxx 123
ÿÿÿ fff
[H ] = 222
(9.40)
ÿÿÿ
xxx 123
ÿ ÿ
E sua transação é
ÿ ÿfffÿÿÿ
111
ÿ ÿ ÿÿÿ
xxx 123
T ÿÿÿ fff
[H ] = 222
(9.41)
ÿÿÿ
xxx 123
ÿ ÿ
Mais adiante, escrevemos
2
ÿ p ÿ
1
p 2
2
= []R (9.42)
ÿÿÿÿ ÿÿÿÿ
A equação 9.38 pode ser escrita
ÿ zf1 ÿ
ÿ
1 ()ÿÿx ÿ ÿ
T ÿ
1
ÿ
x ] [ zf ÿ ]ÿ ÿ ÿ 2
J ÿxÿ ( ) =ÿÿ ÿ 2 [ FC 2 (x) ÿÿÿÿ
ÿÿ (9.43)
Para tornar ÿx J(x) igual a 0, aplicaremos o método de Newton conforme a Equação 9.37; então
ÿ
ÿ ÿÿ x J ÿx
ÿ x= ÿ ( ) ÿÿ ÿÿ ÿÿ x J ÿx( ) ÿ (9.44)
ÿÿ x
O jacobiano de ÿx J(x) é calculado tratando [H] como uma matriz constante:
ÿ z 1f ÿ ÿ ÿ1
ÿ
x ÿ ÿ
ÿÿ x J (x)
()ÿÿÿ
ÿÿ T 1
2 [ HR] zf
[] (x)
ÿ
ÿ
ÿÿÿ
=ÿ
2 2 ÿÿ
ÿ x ÿÿÿ
x
ÿÿ ÿ
T 1
2 [HR] H
[]
ÿ
=ÿ [
ÿ
] (9.45)
T 1
= 2 []HR
[] H[]
ÿ
Então
1
1 x
ÿ
ÿ
1 T 1 T
HR] H
[ ]HR ÿ ÿ [ÿ] ÿÿ 2 [ ][] ÿ z 1f ÿ ÿ ÿ1 ÿ
ÿ ÿ
ÿ()ÿÿÿ
ÿ=x ÿ
[ÿ ÿ
2 ÿÿ ÿÿ
ÿ zf1 ÿ ÿ
ÿ
1 x
ÿÿ()
1
ÿ
T1 1
] ] HR
[ ] zf ÿ[ ÿ ÿ ÿ ÿ[] (x)ÿÿ
ÿ ÿ
= ÿ [FC 2
ÿ
2 (9.46)
A Equação 9.46 é obviamente um paralelo próximo à Equação 9.23. Para resolver o problema de
estimativa do estado CA, aplique a Equação 9.46 iterativamente, conforme mostrado na Figura 9.11.
Observe que isso é semelhante ao processo iterativo usado na solução de fluxo de potência de Newton.
9.4.2 Resultados Típicos da Estimativa de Estado em uma Rede AC
A Figura 9.12 mostra nosso sistema familiar de seis barras com medições P+jQ em cada extremidade
de cada linha de transmissão e em cada carga e gerador. A magnitude da tensão do barramento
também é medida em cada barramento do sistema. As medições do ângulo de fase não estão incluídas
neste exemplo.
Para demonstrar o uso da estimativa de estado nessas medições, as condições de
caso base mostradas no Exemplo 6A foram usadas junto com um algoritmo de geração
de números aleatórios para produzir medições com erros aleatórios. As medições foram
obtidas adicionando os erros aleatórios aos fluxos do caso base, cargas, gerações e
9.4 ESTIMATIVA DE ESTADO DE UMA REDE AC 425
Figura 9.11 Algoritmo de solução de estimativa de estado.
magnitudes de tensão do barramento. Os erros foram gerados de modo a serem representativos

de valores extraídos de um conjunto de números com PDF normal com média zero e variância
conforme especificado para cada tipo de medição. As variâncias de medição usadas foram
+
Medições de PjQ : p = 3 MW para a medição
P
p = 3 MVAR para a medição

Q
Medição de tensão : p = 3,83 kV
As condições de base e as medições são apresentadas na Tabela 9.2. O algoritmo de

estimativa de estado mostrado na Figura 9.11 foi executado para obter estimativas para as
magnitudes de tensão da barra e ângulos de fase dadas as medições mostradas na Tabela 9.2.
Ônibus 3
mv3
MG3
Ônibus 2 M35
M23 M32
MG2
Ônibus 6
M36 M63
M24
M24
mv6
M24
mv2 M42
M21
M65
Ônibus 1
ML6
M12
MG1 Ônibus 5
M52
M56
M15 M51
MV1
M14 MV1
Referência MS2
Ônibus
Ônibus 4
M41
M54
ML5
Medição P+jQ
M45
MV4
ML4
Medição de magnitude
de tensão / ângulo de fase
Figura 9.12 Sistema de seis barras com medições.
O procedimento levou quatro iterações com x0 sendo inicialmente definido como

1,0 pu e 0 rad para a magnitude da tensão e o ângulo de fase em cada barra,
respectivamente. No início de cada iteração, a soma dos resíduos de medição, J(x)
(consulte a Equação 9.30), é calculada e exibida. As etapas iterativas para o sistema
de seis barras usadas aqui produziram os resultados fornecidos na Tabela 9.3 com o
número de medições ativas, grau de liberdade e limite de dados jincorreto t (mais
sobre isso na Seção 9.6.2).
9.4 ESTIMATIVA DE ESTADO DE UMA REDE CA 427
Tabela 9.2 Condições de Caso Base
O valor de J(x) ao final do procedimento iterativo seria 0 se todas as medições

fossem sem erro ou se não houvesse redundância nas medições. Quando
existem medições redundantes com erros, o valor de J(x) normalmente não irá
para 0. Seu valor representa uma medida do ajuste geral dos valores estimados
aos valores medidos. O valor de J(x) pode, de fato, ser usado para detectar a
presença de medições ruins.
Tabela 9.3 Resultados iterativos da solução de estimativa de estado
Resumo da iteração do estimador

Número de Graus Ativos de
Resíduo de Iteração Limite de Dados Inválidos maior Ruim
J Liberdade de Medições Medição Normalizada tJ
residual em
1 26569.356
2 314.437
3 56.580
4 56.312
62 51 63.440
Os valores estimados do estimador de estado são mostrados na Tabela 9.4, juntamente

com os valores do caso base e os valores medidos. Observe que, em geral, os valores
estimados fazem um bom trabalho de cálculo das condições verdadeiras (caso-base) a partir
das quais as medições foram feitas. Por exemplo, a medição M23 mostra um fluxo P de 8,6
MW, enquanto o fluxo real é de 2,9 MW e o estimador prevê um fluxo de 3,0 MW.
O exemplo mostrado aqui partiu de um caso base ou estado “verdadeiro” que foi mostrado
na Tabela 9.2. Na prática, temos apenas as medições e a estimativa resultante do estado;
nunca sabemos exatamente o estado “verdadeiro” e só podemos comparar medições com
estimativas. Nas apresentações a seguir, no entanto, deixaremos o caso-base ou as condições
“verdadeiras” em nossas ilustrações para ajudar o leitor.
Os resultados na Tabela 9.4 mostram uma das vantagens de usar um algoritmo de
estimativa de estado, pois, mesmo com erros de medição, o algoritmo de estimativa calcula
quantidades que são as “melhores” estimativas possíveis das verdadeiras tensões de
barramento e gerador, carga e transmissão linha MW e valores MVAR.
Há, no entanto, outras vantagens em usar um algoritmo de estimativa de estado. A primeira
é a habilidade do estimador de estado de detectar e identificar medições ruins, e a segunda
é a habilidade de estimar quantidades que não são medidas e telemetradas. Estes são
introduzidos mais adiante no capítulo.
9.5 ESTIMATIVA DE ESTADO POR DECOMPOSIÇÃO ORTOGONAL
Um problema com o método padrão dos mínimos quadrados apresentado anteriormente no

capítulo são as dificuldades numéricas encontradas com alguns problemas especiais de
estimativa de estado. Uma delas ocorre quando desejamos direcionar uma solução de
estimador de estado para corresponder à sua medição quase exatamente. Este é o caso
quando temos um circuito como o mostrado na Figura 9.13. Todos os fluxos e injeções reais
são mostrados na Figura 9.13 junto com os valores assumidos para as medições.
Neste sistema de amostra, a medição de potência na barra 1 será assumida como 0MW.
Se o valor de 0 for ditado pelo fato de que a barra não tem carga ou geração a ela associada,
então sabemos esse valor de 0MW com certeza e o conceito de erro em seu valor “medido”
não tem sentido. No entanto, continuamos estabelecendo
9.5 ESTIMATIVA DE ESTADO POR DECOMPOSIÇÃO ORTOGONAL 429
Tabela 9.4 Solução de estimativa de estado
as equações do estimador de estado padrão e especificando o valor da medição s para M1

como sM1=10ÿ2 . Isso resulta na seguinte solução ao usar as equações do estimador
de estado, conforme mostrado na Equação 9.23:
P estimativa na linha 1 2 30,76 MW

ÿ=
fluxo
P estimativa na linha 3 2 72,52

ÿ=
fluxo
Estimativa de injeção na barra=1 0,82

Figura 9.13 Exemplo de sistema de injeção zero.
O estimador não forçou a injeção de barramento para ser exatamente 0; em vez disso, lê
0,82MW. Isso pode não parecer um erro tão grande. No entanto, se houver muitos desses
barramentos (digamos, 100) e todos tiverem erros dessa magnitude, o estimador terá uma
grande quantidade de carga alocada para os barramentos que são conhecidos como zero.
A princípio, a solução para este dilema pode parecer simplesmente forçar o valor de s para
um número muito pequeno para as barras de injeção zero e executar novamente o estimador.
O problema com isso é o seguinte. Suponha que mudamos a injeção de zero s para sM1=10ÿ10.
Esperançosamente, isso forçaria o estimador a tornar a injeção de zero tão dominante que
resultaria no valor zero correto saindo do cálculo do estimador. Nesse caso, a matriz [HTRÿ1
H] usada no método padrão dos mínimos quadrados ficaria assim para o sistema amostral:
ÿ ÿÿ ÿÿ 4,0
5,0ÿÿ5,0
ÿÿÿ
= 7,5 5,0 ÿ ÿ
[H ] 0
ÿ
4
ÿ 10 ÿ ÿ
[R ] =
4
10
ÿ
20
10
ÿ
ÿ ÿ
20 20
ÿ ÿ56,25
ÿ ÿ 10 37,5 10 × ÿ× ÿ = ÿ
HRT 1H
ÿ
ÿ
ÿ 20
37,5 10 20 25,0 10 ÿ× × ÿÿ
Infelizmente, esta matriz é quase singular. A razão é que os termos na matriz são
dominados pelos termos que são multiplicados pelos 1020 termos do inverso da matriz
R , e os outros termos são tão pequenos em comparação que são perdidos do
computador (a menos que alguém esteja usando um comprimento de palavra
extraordinariamente longo ou precisão dupla extra). Quando o mencionado acima é
apresentado a uma rotina de inversão de matriz padrão ou executado em uma rotina de
solução de eliminação gaussiana, uma mensagem de erro resulta e lixo sai do estimador.
A solução para esse dilema é usar outro algoritmo para a solução de mínimos quadrados.
Esse algoritmo é chamado de algoritmo de decomposição ortogonal e funciona da seguinte maneira.
9.5.1 O Algoritmo de Decomposição Ortogonal
Este algoritmo recebe vários nomes diferentes em textos sobre álgebra linear. Muitas vezes
é chamado de algoritmo QR ou decomposição de Gram-Schmidt. A ideia é pegar a equação
de mínimos quadrados de estimativa de estado, Equação 9.23, e eliminar a matriz Rÿ1 da
seguinte forma: deixe
[ ] RRR=ÿ ÿÿ
1 1/2 1/2
(9.47)
onde
ÿ 1 ÿ
ÿ ÿ
p
1m _
1/2
1
ÿR ÿ= (9.48)
ÿ
ÿ ÿ p
2m _
ÿ p ÿ
3m _
Então
][ H HR RH=H =” ][ ]
T1 1 T 1/2 1/2 1 T
[ HR
1
(9.49)
ÿÿ ÿ ÿ ÿ ÿ
com
ÿ
1/2
[]][ ] HRH
[ ÿ = (9,50)
Finalmente, a Equação 9.23 torna-se

é
x z =” “[]T HH H[]
1 T medida
(9.51)
ÿ
onde
z
ÿ medida = [ ] R-1/2 medida z (9.52)
A ideia do algoritmo de decomposição ortogonal é encontrar uma matriz [Q] tal que:
] H [=][ ]
ÿ
[ QU (9.53)
(Observe que na maioria dos livros de álgebra linear, essa fatoração seria escrita como [Hÿ]=[Q]
[R]; entretanto, usaremos [Q][U] para não confundir a identidade da matriz [R] .)
A matriz [Q] tem propriedades especiais. É chamada de matriz ortogonal tal que
T
[ ][ ] [ ] QQ I = (9.54)
onde [I] é a matriz identidade, ou seja, a transposta de [Q] é sua inversa.

A matriz [U] agora tem uma estrutura triangular superior, embora, como a matriz [H] pode
não ser quadrada, [U] também não será quadrada. Por isso,
ÿ 11 ÿ 12 11 12 13 11 12
ÿhhÿ ÿ ÿ qqq uu ÿÿ ÿ
ÿ ÿ ÿ = == 21
[h]hh
[ ][ ]
22
ÿ
Q. Q
ÿ 21
qq
22 23
0 aos 22
(9,55)
ÿ
31 ÿ 32
ÿhh ÿ ÿ qqq
31 32 33
00
ÿÿ ÿÿ ÿÿ ÿÿ ÿÿÿÿ
Agora, se substituirmos [Q][U] por [Hÿ] na equação de estimativa de estado,

TT
ÿ
1 T
Leste T
ÿ
x = UQ QU U ÿQÿÿÿÿ ÿ ÿ ÿ ÿÿ Com ÿ
(9.56)
ÿ
ou
Leste T
ÿ
1
T
x = ÿ ÿU U U ÿ ÿ
Com
(9,57)
desde
T
ÿÿÿÿQQ I =
e
ˆ T ÿ
Com
= Q Com
(9.58)
ÿÿÿÿ
Então, rearranjando, obtemos

T T
Leste
ˆ
ÿÿÿÿxÿÿ UU U = ÿ ÿ
Com
(9,59)
e podemos eliminar UT de ambos os lados para que fiquemos com

ˆ
[
E ]xz
é =
(9,60)
ou
ˆ
ele 11 12 Leste
ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿde=1 ÿ
ÿÿÿxÿÿ1ÿÿÿÿ ÿ ˆ
0 aos 22 Leste
de
2 (9.61)
x2 ˆ
de
ÿÿÿÿÿ00 3
Isso pode ser resolvido diretamente, pois U é triangular superior:
Leste 2
= zˆ
x2
aos 22
(9.62)
é 1 ˆ é
x = ( z ux 1 12 2
ÿ
(9.63)
1
às
)
11
A matriz Q e a matriz U são obtidas, para nosso problema simples de dois estados-
três medidas aqui, usando o método de rotação de Givens.
Para o método de rotação de Givens, começamos por definir os passos necessários para resolver:
TÿÿQH U [ ]] =
ÿ
ÿ ÿ[ (9,64)
onde [H] é uma matriz 2 × 2:
hh
11 12 ÿ
ÿ ÿ21ÿ hh 22 ÿ ÿ
e [U] é
ÿ ele
11 12 ÿ
em
ÿÿ0 22 ÿÿ
A matriz [Q] deve ser ortogonal e, quando multiplicada por [H], elimina o termo h21 . Os
termos na matriz [Q] são simplesmente
ÿ ÿcs
ÿÿÿ
ÿÿ
sc
onde
h11
c= (9,65)
2 2
hh
11 + 21
e
h21
s= (9.66)
2 2
hh
11 + 21
O leitor pode facilmente verificar que a matriz [Q] é de fato ortogonal e que
ÿ em
11você
12 ÿÿÿ 1 ch12sh + 22
) ÿ
=ÿ
(9,67)
ÿÿ0 aos 22 ÿ 0 ÿ
(( sh 12
ch ÿ + 22 ÿ)ÿ
Quando resolvemos a matriz 3×2[H] em nosso problema amostral de três medidas e dois
estados, aplicamos a rotação de Givens três vezes para eliminar h21, h31 e h32. Ou seja,
precisamos resolver
ÿ hh
11 uu ÿ
12 ÿ
ÿ ÿÿÿ
ÿ ÿ ÿ11hh 12 ÿ
T ÿÿ0 (9,68)
Qhh u ÿ21ÿ ÿ ÿ22ÿ ÿ =ÿ 0 0 22
31 32 ÿÿÿÿ
Faremos isso em três etapas distintas, onde cada etapa pode ser representada como uma
rotação de Givens. O resultado é que representamos [QT] como o produto de três matrizes:
QNNN
ÿ
T
ÿ = ÿ ÿ[ 321 ][ ][ ] (9.69)
Essas matrizes são numeradas conforme mostrado para indicar a ordem de aplicação.
No caso da matriz 3×2[H],
ÿÿ0ÿÿcs
N 01
0 sc ÿ0 = ÿÿ ÿ ÿ ÿ ÿ (9,70)
[ 1]
onde c e s são definidos exatamente como antes. Em seguida, deve-se calcular

[N2 ] de forma a eliminar o 31º termo que resulta de [N1 ][H]. O procedimento atual
carrega [H] em [U] e então determina cada [N] com base no conteúdo atual de [U].
A matriz [N2 ] terá termos como
ÿ ÿ
ÿ c 0 s
N ÿ ÿ 0 10 ÿ (9.71)
ÿ[2]=ÿÿ ÿ
ÿ
ÿ
ÿÿ s 0 cÿ
onde c' e s' são determinados a partir de [N1 ][H]. Da mesma forma para [N3 ],
ÿ ÿÿ ÿ10ÿ 0
ÿÿÿÿÿÿÿ
0ÿ ÿÿ
(9,72)
[3]
N cs = 0
sc
Para nosso exemplo de injeção zero, começamos com as matrizes [H] e [R] como mostrado
antes:
ÿ ÿÿ ÿÿ 05,0
4,0
ÿ ÿ5,0
ÿÿ
= ÿ 7,5 5,0 ÿ ÿ
[H ] ÿ
e
ÿ
4
ÿ 10 ÿ ÿ
4 ÿ
[]R = 10
ÿ
20
10
ÿ
ÿ ÿ
Então, a matriz [H'] é

9.6 UMA INTRODUÇÃO A TÓPICOS AVANÇADOS EM ESTIMAÇÃO DE ESTADO 435
Figura 9.14 Estimativa de estado resultante do algoritmo de decomposição ortogonal.
2 2
ÿ 5,0 10 5,0 10 × ÿ× ÿ
[H
ÿ
]= ÿ
0 4,0 10 ÿ×
2 ÿ
10 10
7,5 10 5,0 10 ×
ÿ× ÿ ÿ
e o vetor de medição é
ÿ 32
ÿÿÿ
ˆ =ÿÿÿ
Com 72
ÿÿÿ
0
A estimativa de estado resultante é mostrada na Figura 9.14. Observe particularmente que a

injeção na barra 1 é estimada em 0, como desejávamos.
O algoritmo de decomposição ortogonal tem a vantagem de que os pesos de medição podem
ser ajustados para valores extremos, conforme demonstrado pelo exemplo numérico mostrado.
Como tal, suas vantagens numéricas robustas o tornaram um algoritmo útil para estimadores de
estado do sistema de energia.
9.6 UMA INTRODUÇÃO A TÓPICOS AVANÇADOS EM ESTIMAÇÃO DE

ESTADO
9.6.1 Fontes de erro na estimativa de estado
A qualidade das medições usadas em um estimador de estado varia, e o uso de um estimador de

estado oferece aos engenheiros e operadores do sistema de energia um meio de lidar com os erros.
Segue uma lista parcial de fontes de erro:
• Erros de modelagem. Isso tem a ver com o fato de que o modelo do sistema de transmissão
pode estar incorreto para começar. Os dados de impedância para linhas de transmissão
e transformadores podem ser calculados incorretamente ou podem ter se desviado devido
a fatores ambientais, como umidade do solo. Por fim, erros de modelagem podem estar
presentes porque as indicações de status do disjuntor e da chave seccionadora podem
estar erradas devido a erro humano ou devido a erro de telemetria através do sistema
SCADA. • Erros de dados. Por estes entende-se os erros que vêm com especificações de
dados incorretas que indicam qual transformador de corrente está conectado a qual trans
redutor, que são os lados positivo e negativo dos dispositivos de medição, quais contatos
de status do disjuntor estão conectados a quais conectores de régua de terminais no
edifício da subestação, etc.
• Erros do transdutor. Estes são erros nos valores transmitidos da corrente
transformadores, transformadores de potencial e transdutores que produzem sinais
proporcionais aos fluxos P e Q. Estes podem ser erros de polarização simples que
fornecem um deslocamento constante ao valor de medição ou podem ser erros aleatórios
que fornecem um erro distribuído em torno de um valor médio que representa o valor de
medição real. • Erros de amostragem. Isso se deve ao fato de que os sistemas SCADA não
amostram todas as medições simultaneamente, nem todas as medições são amostradas
na mesma frequência. Assim, estamos usando medições de quantidades variáveis no
tempo que foram feitas em momentos diferentes e podem estar erradas simplesmente
devido à natureza dinâmica (valor variável no tempo) da quantidade sendo medida.
9.6.2 Detecção e Identificação de Medições Ruins
A capacidade de detectar e identificar medições incorretas é extremamente valiosa para o

departamento de operações de um sistema de energia. Os transdutores podem ter sido
conectados incorretamente ou o próprio transdutor pode estar com defeito, de modo que
simplesmente não fornece mais leituras precisas. A teoria estatística necessária para entender e
analisar a detecção e identificação de medições incorretas é direta, mas demorada. Vamos abrir
a porta para o assunto neste capítulo. O estudante sério que deseja seguir este assunto deve
começar com as referências listadas no Capítulo 1. De resto, apresentamos resultados dessas
teorias e indicamos áreas de aplicação.
Para detectar a presença de medições incorretas, contaremos com a noção intuitiva de que,
para uma determinada configuração, o resíduo, J(x), calculado após a convergência do algoritmo
estimador de estado, será menor se não houver medições incorretas. Quando J(x) é pequeno,
foi encontrado um vetor x (ou seja, tensões e ângulos de fase) que faz com que todos os fluxos
calculados, cargas, gerações e assim por diante coincidam com todas as medições.
Geralmente, a presença de um valor de medição incorreto fará com que o valor convergente de
J(x) seja maior do que o esperado com x=xest.
Que magnitude de J(x) indica a presença de medições incorretas?
Os erros de medição são números aleatórios, de modo que o valor de J(x) também é um número
aleatório. Se assumirmos que todos os erros são descritos por seus respectivos
PDFs normais, podemos mostrar que J(x) tem uma PDF conhecida como distribuição qui-quadrada, que
é escrita como ÿ2 (K). O parâmetro K é chamado de graus de liberdade da distribuição qui-quadrada.
Este parâmetro é definido da seguinte forma:
KN N = ÿm s
onde
Nm = número de medições (observe que uma medição p + jQ conta como duas medições)
Ns = número de estados = (2n–1) n =

número de barras na rede,
Observe que não contamos o ângulo de fase do barramento de referência (slack) como um estado, pois
ele é conhecido e mantido constante desde o início, geralmente como zero radianos.
Pode-se mostrar que quando x=xest, o valor médio de J(x) é igual a K e o padrão
desvio, ÿJ(x) , igual a 2K.
Quando uma ou mais medições são ruins, seus erros são frequentemente muito maiores do que o
limite de erro assumido de ±3ÿ para a medição. Entretanto, mesmo sob circunstâncias normais (isto é,
todos os erros dentro de ±3ÿ), J(x) pode chegar a ser grande—embora a chance disso acontecer seja
pequena. Se simplesmente definirmos um limite para J(x), que chamaremos de t , J
poderíamos declarar que medições ruins estão presentes quando J(x)>t J
.
teste de limiar pode estar errado de duas maneiras. Se definirmos t J
para um valor pequeno, nós
receberia muitos “alarmes falsos”. Ou seja, o teste indicaria a presença de medidas ruins quando, na
verdade, não havia. Se definissemos t , frequentemente indicaríamos J ser um valor grande, o teste
que “tudo está bem” quando, de fato, medições ruins estavam presentes.
Isso pode ser colocado em uma base formal, escrevendo a seguinte equação:
() x
Jx t J ( ) é Jum qui-quadrado)
problema ( | > =a
(9,73)
K de liberdade
com graus
Esta equação diz que a probabilidade de que J(x) seja maior que t que a J é igual a ÿ, dado
densidade de probabilidade para J(x) seja qui-quadrado com K graus de liberdade.
Esse tipo de procedimento de teste é formalmente conhecido como teste de hipótese, e o parâmetro
ÿ é chamado de nível de significância do teste. Ao escolher um valor para o nível de significância ÿ,
sabemos automaticamente qual limite t usar em nosso teste. J
Ao usar um t ÿ. J derivado desta maneira, a probabilidade de um “alarme falso” é igual a
Definindo ÿ para um número pequeno, por exemplo ÿ=0,01, diríamos que falsos alarmes ocorreriam em
apenas 1% dos testes realizados. Um gráfico da função de probabilidade na Equação 9.73 é mostrado
na Figura 9.15.
Na Tabela 9.3, vimos que o valor mínimo para J(x) era 56,312. Observando a Figura 9.12 e contando
todas as medições P+jQ como duas medições, vemos que Nm é igual a 62 (as medições são 6 Vmag+6
Pinj+6 Qinj+22 Pflows+22 Qflows).
Portanto, os graus de liberdade para a distribuição qui-quadrada de J(x) em nosso sistema amostral de
seis barras são
Figura 9.15 Função de probabilidade de teste de limiar.
KN1)NN
51 n = ÿ = ÿ ÿ= (2
ms m
onde
N m = 62 e n
=6
Se definirmos nosso nível de significância para este teste em 0,01 (ou seja, ÿ=0,01 na
obtemos J Equação 9.73), de 63,44,1 Portanto, com a J(x)=56,312, parece razoável supor
um t de que não há medições “ruins” presentes.
Agora vamos assumir que uma das medições é realmente ruim. Para simular esta situação, o
algoritmo de estimativa de estado foi executado novamente com a medição M12 invertida. Em vez
de P=123,6 e Q=ÿ35,6, foi definido como P=ÿ123 e Q=+35 e, em seguida, foi adicionado ruído.
O valor de J(x) para cada iteração para este caso é dado na Tabela 9.5. A
presença de dados ruins não impede que o estimador converja, mas aumenta o
valor do resíduo, J(x).
Tabela 9.5 Resultados iterativos com medição ruim
Resumo da iteração do estimador
Graus de Ruim
Limite de dados
Número residual de iteração ativo Maior tJ Ruim
J Medidas Normalizado
Liberdade Medição
residual em
1 26641.718
2 6706.949
3 6492.852
4 6456.845
5 6455.592
62 51 63.440
1 Tabelas padrão de c2 (K) normalmente só vão até K=30. Para K>30, uma aproximação muito próxima de c2 (K)
usando a distribuição normal pode ser usada. O aluno deve consultar qualquer referência padrão sobre probabilidade e
estatística para ver como isso é feito.
As vazões e tensões calculadas para esta situação são apresentadas na Tabela 9.6.
Observe que o número de graus de liberdade ainda é 51, mas J(x) agora é 6455,592 no
final de nosso cálculo.
Desde t é 63,44, esperaríamos imediatamente medições ruins em nosso nível de
J
significância de 0,01. Se não soubéssemos antes de executar o algoritmo de estimativa
que uma medição ruim estava presente, certamente teríamos boas razões para suspeitar
de sua presença quando um J( x) tão grande resultasse.
Tabela 9.6 Solução de estimativa de estado com medição M12 invertida

Até agora, podemos dizer que olhando para J(x), podemos detectar a presença de medições
ruins. Mas se houver medições ruins, como saber quais medições são ruins? Sem entrar na teoria
estatística, damos a seguinte explicação de como isso é feito.
Suponha que estejamos interessados na medição do fluxo de megawatts em uma determinada

linha. Chame esse valor medido de zi . Na Figura 9.16a, temos um gráfico da PDF normal de zi .
Como assumimos que o erro em zi é normalmente distribuído com valor médio zero, a PDF é
centrada no valor verdadeiro de zi . Uma vez que os erros em todas as medições são considerados
normais, assumiremos que a estimativa xest é aproximadamente distribuída normalmente e que
qualquer quantidade que seja uma função de xest também é uma quantidade aproximadamente
normalmente distribuída. Na Figura 9.16b, mostramos a PDF para o fluxo de megawatts calculado,
, xest. Desenhamos a função de densidade da medição zi
f que é uma função do estado estimado, eu
para indicar que, devido à redundância eu

como tendo um desvio menor de sua média do que
nas medições, a estimativa é mais precisa.
A diferença entre a estimativa, f e a medição, zi ,, é chamada de resíduo de medição e é

eu
designada yi . A PDF para yi também é normal e é mostrada

na Figura 9.16c como tendo uma média zero e um desvio padrão de . p Se
e eu
p
dividirmos a diferença entre a estimativa f e a medição zi por , obtemos o que é chamado de nós
eu e eu
resíduo de medição normalizado. O resíduo de medição normalizado é designado y e é mostrado

norma
na Figura 9.16d junto com seu PDF, que é normal e tem um desvio padrão de unidade. Se o valor
eu
absoluto de for maior que 3, temos boas razões para suspeitar que zi é um valor de y de medição
norma
eu
ruim. O procedimento usual para identificar medições ruins é calcular todos os f
eu
valores para as medições de Nm uma vez que xest esteja disponível no estimador de estado.
Usando os valores zi que foram usados no estimador e os valores f , uma medida residual yi pode eu
ser calculada para cada medida. Além disso, usando informações do estimador de estado, podemos
p e Capítulo 1 para obter detalhes desse cálculo). Usando yi e
calcular (consulte as referências no eu
p ,
podemos calcular um resíduo normalizado para cada medição. Medições com o maior resíduo
e eu
normalizado absoluto são rotuladas como principais suspeitas. Esses principais suspeitos são
removidos do cálculo do estimador de estado um de cada vez, começando com a medição com o
maior resíduo normalizado. Após a remoção de uma medição, o cálculo da estimativa de estado
(consulte a Figura 9.11) é executado novamente. Isso resulta em um xest diferente e, portanto, em
um J(x) diferente . A PDF qui-quadrada para J(x) terá que ser recalculada, assumindo que usamos
o mesmo nível de significância para nosso teste. Se o novo J(x) agora for menor que o novo valor
para t , podemos dizer que a medição que foi removida foi identificada como ruim.
J
,
Se, no entanto, o novo J(x) for maior que o novo t , devemos,proceder para recalcular f (xest) e, em
J
seguida, pnorm y para cada

eu
uma das medições restantes. A medição com o maior absoluto é então
você , eu
eu
norma
e
novamente removida e todo o procedimento repetido sucessivamente até que J(x) seja menor que
eu
.
t Este é um problema que o processo de identificação pode encontrar, onde várias medições podem J
precisar ser removidas para eliminar uma “ruim” medição. Ou seja, o procedimento de identificação
muitas vezes não consegue identificar uma única medição ruim, mas, em vez disso, identifica um
grupo de
Figura 9.16 PDF do resíduo de medição normalizado.

medições, uma das quais é ruim. Nesses casos, os grupos devem ser eliminados para
eliminar a medição ruim.
O exemplo dado na Tabela 9.2 e na Tabela 9.3 agora é reexecutado com a lógica
de detecção de dados ruins do estimador ativada. Os resultados são dados na Tabela
9.7 e na Tabela 9.8 na próxima página, com o valor de medição M12 invertido. Quando J ,
J(x)>t M12 foi encontrado para ter o maior resíduo normalizado e removido.
Tabela 9.7 Solução de estimativa de estado após a remoção de dados inválidos

Tabela 9.8 Resultados iterativos mostrando remoção de dados inválidos
A capacidade de detectar (usando a estatística qui-quadrado) e identificar (usando resíduos

normalizados) é um recurso extremamente útil de um estimador de estado. Sem o cálculo do
estimador de estado usando os dados de medição do sistema, aquelas medições cujos valores não
estão obviamente errados têm poucas chances de serem detectadas e identificadas.
Com o estimador de estado, o pessoal de operações tem uma garantia maior de que as quantidades
exibidas não estão totalmente erradas.
9.6.3 Estimativa de quantidades não medidas
A outra característica útil de um cálculo de estimador de estado é a capacidade de calcular (ou

estimar) quantidades que não estão sendo telemetradas. Isso é mais útil em casos de falha dos
canais de comunicação que conectam os centros de operações aos equipamentos remotos de coleta
de dados ou quando o equipamento remoto de coleta de dados falha. Freqüentemente, os dados de
algumas subestações da rede simplesmente não estão disponíveis porque nenhum transdutor ou
equipamento de coleta de dados foi instalado.
Um exemplo disso pode ser a falha de toda a telemetria das barras 3, 4, 5 e 6 em nosso sistema
de seis barras. Mesmo com a perda dessas medições, podemos executar o algoritmo de estimativa
de estado nas medições restantes nas barras 1 e 2, calcular as magnitudes de tensão da barra e os
ângulos de fase em todas as seis barras e, em seguida, calcular todas as gerações, cargas e fluxos
de trabalho líquido . Os resultados desse cálculo são apresentados na Tabela 9.9. Observe que a
estimativa de quantidades nos ônibus sem telemetria está próxima do caso base obtido ao usar o
conjunto completo de medições (isto é, compare a Tabela 9.9 com a Tabela 9.4).
Tabela 9.9 Solução do estimador de estado com medições apenas nas barras 1 e 2
9.6.4 Observabilidade de Rede e Pseudo-medições
O que acontece se continuarmos a perder a telemetria para que cada vez menos medições
estejam disponíveis? Eventualmente, o procedimento de estimativa de estado falha completamente.
Matematicamente, a matriz
T 1
ÿ FC] Hÿÿ ÿ ÿ
[
[ÿ ÿ ÿ]ÿ
na Equação 9.46 torna-se singular e não pode ser invertido. Há também uma interpretação de
engenharia muito interessante desse fenômeno que nos permite alterar a situação para que o
procedimento de estimação de estado não seja completamente desativado.
Se tomarmos o exemplo de três barras usado no início da Seção 9.2, notamos que quando
todas as três medições são usadas, temos um conjunto redundante e podemos usar um ajuste
de mínimos quadrados para os valores de medição. Se uma das medições for perdida, teremos
apenas medições suficientes para calcular os estados. Se, no entanto, duas medições
estão perdidos, estamos com problemas. Por exemplo, suponha que M13 e M32 foram perdidos
deixando apenas M12. Se agora aplicarmos a Equação 9.23 de maneira direta, obtemos
1
0,212 12 (º)5 2 f ==eu
1 5 M ÿ=
1 ÿ eu2
Então
[] [5 5] H = ÿ
2
R [] = ÿÿ p M 12 ÿ
ÿ
= [0,0001]
e
ÿ
1
Leste
ÿeuÿ1 ÿ ÿ ÿ ÿ 5 ÿ ÿ ÿ = ÿÿ ÿ ÿ1 ÿ ÿ ÿ
[0,0001]
Leste5 ÿ[5ÿ ÿ5]ÿ[5ÿ 5][0,0001]
ÿ ÿ ÿ ÿ ÿ (0,55)
eu2
ÿ
1
(9,74)
= 2500 2500
ÿÿ ÿ
2500 ÿ
1
[5 5][0,0001] (0,55)
ÿ
2500 ÿ
A matriz a ser invertida naé Equação

1
9.74 é claramente singular e, portanto, não temos
Leste
eu que
como resolver para 2 . Por e é eu
isso? As razões tornam-se bastante óbvias quando
olhamos para o diagrama unifilar dessa rede, conforme mostrado na Figura 9.17.
Com apenas M12 disponível, tudo o que podemos dizer sobre a rede é que o ângulo de
fase na linha 1–2 deve ser 0,11rad, mas sem nenhuma outra informação disponível, não podemos
Figura 9.17 Conjunto de medição “não observável”.

diga qual relação a1 ou q2 tem com q3 , que se supõe ser 0 rad. Se escrevermos
descendo as equações para a potência líquida injetada na barra 1 e na barra 2, temos
P = 7.5 eu ÿ
5eu
1 12
(9,75)
P 5 =ÿ +eu 9eu
2 12
Se a medição M12 estiver lendo 55MW (0,55 pu), temos
eu ÿ =eu0,11
1 2 (9,76)
e substituindo a Equação 9.17 na Equação 9.55 e eliminando q1 , obtemos
P2 P =ÿ 1,6 1,87 (9,77)

1
Além disso,
P PP
=ÿ Pÿ =ÿ + 0,6 1,87 (9,78)
3 12 1
As equações 9.77 e 9.78 fornecem uma relação entre P1 , P2 e P3 , mas ainda não
conheça seus valores corretos. O termo técnico para esse fenômeno é dizer que a rede é
inobservável; isto é, com apenas M12 disponível, não podemos observar (calcular) o estado do
sistema.
É muito desejável poder contornar esse problema. Freqüentemente, uma grande rede de
sistema de energia terá dados ausentes que tornam a rede inobservável.
Em vez de apenas interromper os cálculos, é usado um procedimento que permite que o cálculo
do estimador continue. O procedimento envolve o uso das chamadas pseudomedidas. Se
observarmos as Equações 9.77 e 9.78, é óbvio que q1 e q2 poderiam ser estimados se o valor
de qualquer uma das injeções de barramento (isto é, P1 , P2 ou P3 ) pudesse ser determinado
por algum meio diferente da medição direta. Esse valor, a pseudomedida, é usado no estimador
de estado como se fosse um valor medido real.
Para determinar o valor de uma injeção sem medi-la, devemos ter algum conhecimento sobre
o sistema de energia além das medições que estão sendo feitas.
Por exemplo, é comum ter acesso aos valores de MW e MVAR gerados nas estações geradoras
por meio de canais de telemetria (ou seja, os MW e MVAR gerados normalmente seriam
medições disponíveis para o estimador de estado). Se esses canais estiverem fora e precisarmos
ter essa medição para observabilidade, provavelmente podemos nos comunicar com os
operadores na sala de controle da planta por telefone e solicitar os valores de MW e MVAR e
inseri-los no cálculo do estimador de estado manualmente. Da mesma forma, se precisássemos
de um barramento de carga MW e MVAR para uma pseudomedição, poderíamos usar registros
históricos que mostram a relação entre uma carga individual e a carga total do sistema. Podemos
estimar a carga total do sistema com bastante precisão conhecendo a potência total sendo
gerada e estimando as perdas da rede.
Finalmente, se acabamos de experimentar uma falha de telemetria, podemos usar os valores
estimados mais recentemente do estimador (supondo que ele seja executado periodicamente)
como pseudomedidas. Portanto, se necessário, podemos fornecer ao estimador de estado
um valor razoável para usar como uma pseudomedida em qualquer barra do sistema.
9.7 O Uso de Unidades de Medição Fasorial (PMUs) 447
Figura 9.18 Sistema não observável mostrando a importância da localização das pseudo-medidas.
O sistema de amostra de três barras na Figura 9.18 requer uma pseudomedida.

A medição M12 nos permite estimar a magnitude da tensão e o ângulo de fase na barra 2 (a
magnitude da tensão da barra 1 é medida e seu ângulo de fase é assumido como 0). Mas
sem conhecer a saída de geração na unidade geradora na barra 2 ou a carga na barra 3,
não podemos dizer qual magnitude de tensão e ângulo de fase colocar na barra 3; portanto,
a rede não é observável. Podemos tornar esse sistema de três barras observável adicionando
uma pseudomedição do MW e MVAR injetados na barra líquida na barra 2 ou na barra 3,
mas não na barra 1. Ou seja, uma pseudomedição na barra 1 não será boa porque não diz
nada sobre a relação dos ângulos de fase entre a barra 2 e a barra 3.
Ao adicionar uma pseudomedição a uma rede, simplesmente escrevemos a equação
para a potência injetada da pseudomedição como uma função das magnitudes de tensão do
barramento e dos ângulos de fase como se ela fosse realmente medida. No entanto, não
queremos que o estimador trate a pseudo-medição da mesma forma que uma medida
legítima, uma vez que muitas vezes é bastante imprecisa e é pouco melhor do que um
palpite. Para contornar essa dificuldade, atribuímos um grande desvio padrão a essa
medida. O grande desvio padrão permite que o algoritmo do estimador trate a pseudomedida
como se fosse uma medição de um dispositivo de medição de qualidade muito ruim.
Para demonstrar o uso de pseudomedidas em nosso sistema de teste de seis barras,
todas as medições foram removidas das barras 2, 3, 4, 5 e 6 de forma que a barra 1 tivesse
todas as medições restantes. Isso tornava a rede inobservável e exigia a adição de
pseudomedidas nas barras 2, 3 e 6. No caso, as pseudomedidas foram retiradas apenas de
nosso fluxo de potência do caso base. Os resultados são apresentados na Tabela 9.10.
Observe que as estimativas resultantes estão bem próximas dos valores medidos para a
barra 1, mas que as barras restantes têm grandes resíduos de medição. As injeções líquidas
nas barras 2, 3 e 6 não correspondem de perto às pseudomedidas, pois as pseudomedidas
foram ponderadas muito menos do que as medições legítimas.
9.7 O Uso de Unidades de Medição Fasorial (PMUs)
Uma unidade de medição fasorial (PMU) foi definida pelo IEEE como “um dispositivo que
produz estimativas sincronizadas de fasor, frequência e taxa de mudança de frequência
(ROCOF) a partir de sinais de tensão e/ou corrente e um sinal de sincronização de tempo.”2
2 Norma IEEE C37.118-2011 para Sincrofasores

Tabela 9.10 Solução do Estimador de Estado com Medições na Barra 1 e

pseudomedidas nas Barras 2, 3 e 6
Ao medir um ponto comum na onda senoidal da tensão em duas partes de um sistema de

energia com alta precisão (erro dentro de 1 ms), podemos determinar a diferença do ângulo de
fase entre as duas tensões usando a diferença de tempo conforme mostrado na Figura 9.19 que
segue.
As Unidades de Medição Fasorial possuem muitos recursos úteis. Eles podem ser usados para
ver os efeitos dinâmicos do sistema e para ajudar os engenheiros a medir a resposta do sistema a
9.7 O Uso de Unidades de Medição Fasorial (PMUs) 449
Ônibus A Ônibus B
Relação de tensão A, tensão B
1
Tensão A
Tensão B
0,5
ÿt
0
ÿ0,5
ÿ1
0 0,002 0,004 0,006 0,008 0,01 0,012 0,014 0,016

O tempo é segundos
Figura 9.19 Diferença de fase em função da diferença de tempo.
perturbações de modo a calcular corretamente os parâmetros dinâmicos. As PMUs exigem que

as medições sejam feitas virtualmente simultaneamente, de modo que um sinal de GPS seja
necessário na subestação da medição. Além disso, determinações precisas do pico da forma
de onda de tensão podem ser determinadas por meio do uso de técnicas de processamento
de sinal no sinal de tensão amostrado rápido. Estes têm bons efeitos quando a fase da PMU e
a magnitude da tensão são usadas em um estimador de estado. Além da magnitude da tensão
e da determinação do ângulo de fase, as PMUs geralmente também incluem medições da
magnitude e do ângulo da corrente da linha ou do transformador que também podem ser
usados com vantagem em um estimador de estado.
Neste capítulo, assumimos que o estimador de estado existe apenas para fornecer um meio
de fornecer uma solução de fluxo de potência precisa para um modelo paralelo ao próprio
sistema de potência real e para detectar e identificar medições incorretas. Não tratamos do uso
de PMUs para monitorar a dinâmica do sistema. As PMUs melhoram a precisão do estimador
de estado através dos seguintes meios3 :
3 PMU Impact on State Estimation Reliability for Improved Grid Security, Hongxia Wu e Jay Giri, IEEE Transactions on Power
Systems, 2006 Recent Experience with a Hybrid
SCADA/ PMU On-line State Estimator, Rene Avila-Rosales, Mark J. Rice, Jay Giri, Lisa Beard e Floyd Galvan, IEEE
Transactions on Power Systems, 2009
Tabela 9.11 Estimador de estado com medições de tensão e ângulo de fase definidas
com precisão muito alta
• A precisão de tempo das medições de PMU significa que as diferenças de tempo agora
tidas como certas nos sistemas SCADA são amplamente eliminadas.
• Fornecer medição direta de uma magnitude e fase de tensão permite que o estimador de
estado tenha medições adicionais para o mesmo número de estados (magnitudes de
tensão e ângulos de fase de tensão).
9.8 APLICAÇÃO DA ESTIMATIVA DE ESTADO DE SISTEMAS DE ENERGIA 451
A experiência com o uso da adição de dados de PMU a estimadores de estado existentes é relatada
na literatura de engenharia (consulte a nota de rodapé) e inclui:
• Maior confiabilidade e robustez do estimador de estado. • PMUs podem

melhorar a estimativa de medições de potência ativa imprecisas
perto da subestação PMU.
• Se apenas o ângulo de fase for usado no estimador de estado, a PMU terá pouco efeito
na melhoria da precisão da magnitude da tensão e da potência reativa.
• O melhor desempenho é obtido quando as PMUs são distribuídas uniformemente ao longo do
sistema de energia.
• Ao observar as tendências de dados das PMUs, um disjuntor ou chave de desconexão

mudança pode ser facilmente detectada e identificada.
• O uso de dados de PMU de um sistema externo (ou seja, um sistema de energia vizinho)
pode melhorar o desempenho do estimador.
• O uso de fasores de corrente, bem como fasores de tensão, melhora a capacidade de detectar
e identificar erros em subestações próximas.
• A observabilidade é melhorada com o uso de PMU e o número de críticas
medidas é reduzida.
• Os resíduos normalizados usados para detectar problemas com topologia e estimativa de

parâmetros são reduzidos.
• Por último, o uso de PMUs em um estimador de estado faz a detecção e

identificação de erros na própria PMU mais fácil.
No exemplo final de estimativa de estado AC na Tabela 9.11, a precisão das medições de magnitude
de tensão e medições de ângulo de fase foi definida de modo que s fosse um décimo do usado no
mesmo conjunto de dados mostrado na Figura 9.2.
9.8 APLICAÇÃO DA ESTIMATIVA DE ESTADO DE SISTEMAS DE ENERGIA
Nesta última seção, tentaremos apresentar o “quadro geral” mostrando como a estimativa de estado,
a análise de contingência e a ação corretiva do gerador se encaixam em um centro de controle de
operações moderno. A Figura 9.20 é um diagrama esquemático que mostra o fluxo de informações
entre as várias funções a serem executadas em um sistema de computador do centro de controle de
operações. O sistema obtém suas informações sobre o sistema de energia de unidades terminais
remotas que codificam saídas de transdutores de medição e informações de status aberto/fechado em
sinais digitais que são transmitidos ao centro de operações por meio de circuitos de comunicação.
Além disso, o centro de controle pode transmitir informações de controle, como comandos de aumento/
descida para geradores e comandos de abertura/fechamento para disjuntores e interruptores.
Dividimos as informações que chegam ao centro de controle como indicações de status do disjuntor/
chave e medições analógicas.
As medições analógicas da saída do gerador devem ser usadas diretamente pelo programa de controle
automático de geração (AGC) (consulte o Capítulo 10), enquanto todos os outros dados serão
processados pelo estimador de estado antes de serem usados por outros programas.
Figura 9.20 Esquema de segurança do sistema do centro de controle de energia.

9.8 APLICAÇÃO DA ESTIMATIVA DE ESTADO DE SISTEMAS DE ENERGIA 453
Para executar o estimador de estado, devemos saber como as linhas de transmissão

estão conectadas às barras de carga e geração. Chamamos essa informação de
topologia de rede. Uma vez que os disjuntores e chaves em qualquer subestação
podem fazer com que a topologia da rede mude, deve ser fornecido um programa que
leia as indicações telemétricas de status do disjuntor/chave e reestruture o modelo elétrico do sistema.
Um exemplo disso foi mostrado na Figura 6.9 e repetido aqui na Figura 9.21, onde a
abertura de quatro disjuntores requer duas barras elétricas para representar a subestação
ao invés de uma barra elétrica. Rotulamos o programa que reconfigura o
Figura 9.21 Exemplo de atualização da topologia de rede.

topologia de rede como o programa de topologia de rede. 4 O modelo elétrico do programa de

deve ter uma descrição completa de cada subestação e como as linhas de transmissão estão
conectadas aos equipamentos da subestação. As seções do barramento que estão conectadas a
outras seções do barramento por meio de disjuntores ou chaves fechadas são designadas como
pertencentes ao mesmo barramento elétrico. Assim, o número de barramentos elétricos e a forma
como eles são interligados podem ser alterados no modelo para refletir as mudanças de status do
disjuntor e do interruptor no próprio sistema de energia.
Conforme visto na Figura 9.20, o modelo elétrico do sistema de transmissão do sistema de
potência é enviado ao programa estimador de estado juntamente com as medições analógicas.
A saída do estimador de estado consiste em todas as magnitudes de tensão do barramento e ângulos
de fase, fluxos MW e MVAR da linha de transmissão calculados a partir da magnitude da tensão do
barramento e ângulos de fase e cargas e gerações do barramento calculadas a partir dos fluxos da
linha. Essas grandezas, juntamente com o modelo elétrico desenvolvido pelo programa de topologia
de rede, fornecem a base para o programa de despacho econômico, programa de análise de
contingência e programa de ação corretiva de geração. Observe que, como o modelo elétrico completo
do sistema de transmissão está disponível, podemos calcular diretamente os fatores de penalidade
do barramento, conforme mostrado no Capítulo 6.
9.9 IMPORTÂNCIA DA VERIFICAÇÃO E VALIDAÇÃO DOS DADOS
Quando um estimador de estado é instalado pela primeira vez, os engenheiros que trabalham na
instalação geralmente descobrem que muitas das medições usadas pelo escritório de operações
estão mal calibradas, algumas estão conectadas de trás para frente e algumas medições estão
conectadas de modo que estão medindo a quantidade errada. Tudo isso resulta em um período de
tempo muito difícil enquanto os engenheiros fazem medição por medição para determinar se as
medições estão calibradas corretamente, conectadas na polaridade correta e conectadas aos
transdutores adequados para medir o que deveriam medir. Os engenheiros devem planejar com
bastante tempo para lidar com esses problemas, para que o estimador de estado seja confiável. Isso
significa que os testes são executados para verificar as medições em comparação com outras
medições, por exemplo, que estão na extremidade oposta de uma linha de transmissão e que ambas
as medições fazem sentido. A lógica de detecção de medição ruim também pode ser usada com
grande vantagem nesses períodos para encontrar medições que estão fora da calibração ou não
conectadas corretamente.
Quando as medições são verificadas e usadas no estimador de estado, os resultados podem ser
confiáveis e usados para todas as outras aplicações (OPF, análise de segurança, etc.) que dependem
dos resultados do fluxo de potência resolvido do estimador de estado.
9.10 CENTROS DE CONTROLE DO SISTEMA DE ENERGIA
A Figura 9.22 mostra o projeto do centro de controle do sistema de energia entregue no início dos
anos 1970 e comumente rotulado como um Sistema de Gerenciamento de Energia (EMS). As
unidades terminais remotas (RTUs) amostraram os dados e transmitiram os dados a cada 2 s para
4 Nomes alternativos frequentemente usados para esse programa são “processador de status do sistema” e
“configurador de rede”.
9.10 CENTROS DE CONTROLE DO SISTEMA DE ENERGIA 455
Console
Computador
Computador principal secundário
Console
EMS
Console
UTR UTR
Figura 9.22 Sistema de gerenciamento de energia.
Computador
Visualização Computador principal secundário
EMS
Ação Bem RTUC

corretiva
sistema PDC
UTR
UTR
PMU PMU
Figura 9.23 Arquitetura do sistema de gerenciamento de energia aumentada com medições fasoriais.
dados e cada minuto para dados não críticos. Os dados críticos incluíam geração, frequência, fluxos
da linha de amarração e dados de status do disjuntor. Observe que os dados de ângulo não foram
incluídos porque os dados de carimbo de data/hora não eram viáveis. Os dados incluíam magnitude
de tensão, potência real, potência reativa e status do disjuntor (aberto ou fechado). Os consoles eram
a interface pessoa-máquina para os operadores do sistema de energia revisarem os dados e a saída
dos aplicativos discutidos neste texto. Havia uma ou mais RTUs em cada subestação. Os
concentradores RTU foram utilizados para reduzir os custos de comunicação e fornecer a análise
inicial dos dados para verificar a qualidade da transmissão.
A Figura 9.23 mostra a inclusão dos dados da unidade de medição fasorial (PMU). Os dados
fasoriais são a magnitude e o ângulo da tensão e da corrente, pois a sincronização de tempo do
satélite de posicionamento global (GPS) permite a marcação de data e hora dos dados com precisão
para encontrar a fase de cada variável. A tecnologia de satélite de posicionamento global permite que
relés digitais determinem os ângulos de fase de cada variável usando técnicas de ajuste de curva de forma de onda.
Dados fasoriais são atualmente amostrados até 200 vezes/s e enviados para concentradores de
dados fasoriais (PDCs). As unidades de medição fasorial são componentes adicionais de relés digitais
ou são versões independentes de relés digitais para adquirir os dados e fornecer o carimbo de data/
hora do GPS. Os PDCs coletam dados para sincronizar dados do mesmo carimbo de data/hora e
realizar análises de qualidade de dados. Os algoritmos do estimador de estado agora são

divididos em vários níveis, desde a subestação, passando pelo PDC até o EMS, para fornecer
uma validação de dados mais rápida no nível do fluxo de energia. Espera-se que as PMUs
substituam as RTUs, pois o custo de ambos os sistemas não é viável. Os dados fasoriais
permitem que um novo conjunto de algoritmos aumente os algoritmos tradicionais apresentados
neste livro no nível da análise fasorial (PA). O sistema de visualização é uma interface estendida
de pessoa-máquina que permite que os operadores entendam o estado do sistema de energia
(seguro, alerta, etc.) com gráficos extensos e apresentações de topologia em consoles
aprimorados e exibições projetadas. O sistema de ação corretiva (RAS) é uma coleção de
esquemas para estender o sistema de proteção do relé do nível da subestação para o nível regional.
APÊNDICE 9A
Derivação de equações de mínimos quadrados
Muitas vezes somos confrontados com problemas em que os dados foram obtidos fazendo
medições ou coletando amostras em um processo. Além disso, as próprias grandezas medidas
são funções de outras variáveis que desejamos estimar. Esses
outras variáveis serão chamadas de variáveis de estado e designadas x, onde o número Os
variáveis de estado são valores de medição serão chamados z. Assumiremos aqui que as
Ns . que o processo em que estamos interessados pode ser modelado usando um modelo
linear. Então dizemos que cada medição zi é uma função linear dos estados xi ; aquilo é,
zh =hx hx( x)h x=+ ++

eu eu eu 11 2 2 eu em N N
s
(9A.1)
s
Também podemos escrever essa equação como uma equação vetorial se colocarmos os coeficientes
hij em um vetor h; aquilo é,
ÿ ÿh
ÿÿÿÿ eu 1
ÿÿÿÿÿÿ
h eu 2
ÿÿ
h =
eu (9A.2)
h em
s
Então a Equação 9A.1 torna-se

T
z=hx eu
eu
(9A.3)
onde
ÿ ÿ xÿ ÿ1 ÿ
ÿÿÿÿÿ
x2
x = ÿÿÿÿ
(9A.4)
xN
s
9A.1 O Caso Sobredeterminado 457
Finalmente, podemos escrever todas as equações de medição em uma forma compacta
Com
H x] = [
onde
ÿ ÿ ÿde ÿ1 ÿ ÿ
ÿÿÿÿÿÿ
de
2
Com
= ÿÿ
Com
Nm
ÿ hh
11
hÿ 12 1N s
ÿ
ÿ
hh
[H ] =
21 22
h h
ÿ Nm1 NN
EM ÿ
T
onde a linha i de [H] é igual ao vetor hi (consulte a Equação 9A.2).
Com medições Nm podemos ter três casos possíveis para resolver. Ou seja, o
Ns , número de estados, é menor que Nm, igual a Nm ou maior que Nm. Trataremos
de cada caso separadamente.
9A.1 O Caso Sobredeterminado (Nm >Ns )
Nesse caso, temos mais medições ou amostras do que variáveis de estado; portanto,
podemos escrever mais equações, hi (x), do que incógnitas xj . Uma forma de estimar
os valores de xi é minimizar a soma dos quadrados da diferença entre os valores
medidos zi e a estimativa de zi que é, por sua vez, uma função das estimativas Aquilo
de xi .é,
queremos minimizar
Nm
j ( x) = ÿ [ z hxx (x 1 ,,,
eu2
…
ÿ
eu
Ns
)] 2 (9A.5)
eu 1=
A Equação 9A.5 pode ser escrita como
Nm
J ()x ( = ÿ ÿ dia
hxT 2 )
eu
(9A.6)
eu
=1
e isso pode ser escrito de uma forma ainda mais compacta como
x T()=ÿ (ÿ z xz [])([])
J HH x
(9A.7)
Se quisermos encontrar o valor de x que minimiza J(x), podemos obter a primeira

derivada de J(x) em relação a cada xj (j=1,…,Ns ) e definir essas derivadas como 0. Isso é ,
ÿ J (x)
= 0 para = N…
1d s (9A.8)
ÿx j
Se colocarmos essas derivadas em um vetor, teremos o chamado gradiente de J(x),

que se escreve ÿx J(x). Então,
ÿ ÿ ÿ (x)
Jÿ
ÿÿÿÿÿÿÿ
x1
j ( )x
ÿ x J x=(ÿ) ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿ ÿ (9A.9)
x2
Então o objetivo de forçar cada derivada a 0 pode ser escrito como
( )xJ
ÿ =x 0 (9A.10)
onde 0 é um vetor de Ns elementos, cada um dos quais é 0. Para resolver este problema, vamos
primeiro expandir a Equação 9A.7:
T
Jx(]z)) = ( [ ] ) ( Hx
H ÿ
Com
ÿ
[ x
TTT TTT [ (9A.11)
zzx =ÿ ÿ [H ] ] + zzx[ ][x ]
H HH x
O segundo e o terceiro termos da Equação 9A.11 são idênticos, de modo que podemos escrever
T T TT x zz zx x
J( ) =ÿ + H HH
2 [[ ]][ ] x (9A.12)
Antes de prosseguir, derivaremos algumas relações simples.

O gradiente é sempre um vetor de primeiras derivadas de uma função escalar que é ela própria
uma função de um vetor. Assim, se definirmos F(y) como uma função escalar, então seu gradiente
ÿy F é
ÿÿÿF
ÿ ÿ ÿÿ
e1
ÿÿÿÿ
Fÿÿÿ
F = ÿÿ ÿ
ÿ ÿe ÿ ÿ e2 (9A.13)
ÿ
ÿ
F
en ÿ
ÿ ÿÿ
ÿ
Então, se definirmos F como segue,
b
ÿÿÿÿ]
1
ÿÿÿÿ
= yb Tb = [
F aa (9A.14)
1 2 ÿÿ 2
onde b é um vetor de constantes bi ,i=1,…, n, então F pode ser expandido como
Fyb yb11yb =+++

2 2 33
(9A.15)
e o gradiente de F é
ÿÿÿFÿ
ÿ
e1 b
ÿÿ ÿ ÿ ÿ 1
ÿ ÿÿ ÿÿ Fb ÿ ÿ
ÿÿ ÿ ÿ=ÿ = F ÿ 2
ÿ ÿe ÿ ÿ ÿ ÿ ÿ eÿ2ÿ
ÿ
=b (9A.16)
ÿ
b
n
ÿ Fÿ
e nÿ
ÿ ÿÿ
Deveria ser óbvio que escrever F com y e b invertido não faz diferença.
Aquilo é,
T T
F = = por yb (9A.17)
e, portanto, ÿ T
, ( por
)= b
e
Suponha que agora escrevamos o vetor b como o produto de uma matriz [A] e um vetor u:
isso = [] A (9A.18)
Então, se tomarmos F como mostrado na Equação 9A.14,
F = = yb yu [ ] A
T T
(9A.19)
Nós podemos dizer que
ÿ = yF [ A] u (9A.20)
Da mesma forma, podemos definir
T
isso = []T A (9A.21)
Se pudermos tomar F como mostrado na Equação 9A.17,
T T
F = = por uy [] A
então
T
ÿ = yF [ A] u (9A.22)
Finalmente, veremos uma função escalar F que é quadrática, ou seja,
T
F = [ ] aaA
e
ÿ ÿ ÿÿ
1ÿ
ÿ
aa 11 12
ÿÿ ÿ ÿÿ ÿ
= e 2
ÿ yy
1 ya a
2 ÿ ÿ n
ÿ
ÿÿ 21 22
ÿ ÿÿ ÿ ÿ ÿ (9A.23)
ÿÿÿÿ
en
nn
= ÿÿ sim ije j
eu
eu
= =1 1
j
Então
ÿ ÿF ÿÿ
ÿ ÿÿ ÿ
e
ÿ ÿ ÿ1ÿ
2F2 ÿ+éÿ ÿ ÿÿ ÿ 11 1 +12 2 ÿ
ÿ
F 2 2 y é 2ÿ ÿ ÿ ÿ ÿ ÿ21ÿ1 ÿ +ÿ
ÿ=e = 22 2
+ (9A.24)
ÿ
F
en ÿ
ÿ ÿÿ
= A 2[ ] e
Então, em resumo,
T
1. F = y b Fbÿ =e
T
.= ÿ = 2 F por F eb
T
FA A [] .= [] F
você ÿ =e 3 em (9A.25)
T
FA A [] .=
oi F[] ÿ =e 4 você _
T
5 aaA 2[ ]ÿ.==e [ ]
F FA em
Agora usaremos a Equação 9A.5 para derivar o gradiente de J(x), ou seja, ÿ x J, onde
J(x) é mostrado na Equação 9A.12. O primeiro termo, zTz, não é uma função de x,
então podemos descartá-lo. O segundo termo tem a mesma forma que (4) na Equação
9A.25, de modo que
T T
ÿ ÿx ( 2 [z ] ) H =ÿ zx
2[ H
] (9A.26)
O terceiro termo é o mesmo que (5) na Equação 9A.25 com [H]T[H] substituindo [A];
então,
T T
ÿ x ([])
T xx2[]HH
x [] [ HH ]= (9A.27)
Então, das Equações 9A.26 e 9A.27, temos
T T
ÿ =ÿ H HH
x 2[ ] + xJz 2[] [] (9A.28)
Mas, como afirmado na Equação 9A.10, desejamos forçar ÿx J a 0. Então
T T
ÿ+HHHz
0 2[ ]= ] 2[ ] [ x
ou
T 1T z
x = [[]][]]HH
[ Hÿ (9A.29)
Se quiséssemos colocar um peso diferente, wi , em cada medição, poderíamos ter

escrito a Equação 9A.6 como
Nm
T2
J ()x = ÿ ÿ wzeu
(ii hx ) (9A.30)
eu
=1
que pode ser escrito como
T
J HW H xz x
( ) ( =ÿ [ ] ) [ ]( []) x
ÿ
Com
onde [W] é uma matriz diagonal. Então
TTT T T T zz
J (xz) zx =ÿ ÿ [ WHW
] [] WH H
[ WH ] xx [ ][ ] + [ ] [ ][ ] x
Se mais uma vez usarmos a Equação 9A.25, obteríamos

T T
HWx
ÿ =ÿ 2[ ] [ + xJz ] 2[ WH
H ] [ ][ ]
0 ÿ = xJ
dá
T 1T
x = ([ H
] [W
][ ])ÿ [] H WH ][ Com
(9A.31)
9A.2 O Caso Totalmente Determinado (Nm =Ns )
Nesse caso, o número de medições é igual ao número de variáveis de estado e podemos resolver
x diretamente invertendo [H]:
x = [] H- 1z (9A.32)
9A.3 O Caso Subdeterminado (Nm <Ns )
Nesse caso, temos menos medições do que variáveis de estado. Nesse caso, é possível
resolver para muitas soluções xest que fazem com que J(x) seja igual a 0. A técnica de
solução usual é encontrar xest que minimize a soma dos quadrados dos valores da solução.
Ou seja, encontramos uma solução tal que
Ns
ÿ 2
xj
(9A.33)
j =1
é minimizado enquanto atende à condição de que as medições serão resolvidas exatamente.

Para fazer isso, tratamos o problema como um problema de minimização restrita e usamos
multiplicadores de Lagrange conforme mostrado no Apêndice 3A.
Formulamos o problema como
Ns
Minimizar : ÿ 2
xj
j =1
(9A.34)
Ns
Sujeito a ÿ z : eu
= hx
ij j
para =, , … N m
eu 1
j =1
Este problema de otimização pode ser escrito na forma vetor-matriz como
min T xx
(9A.35)
sujeito a Com
] =[ H x
9A.3 O Caso SUBDETERMINADO 463
O Lagrangeano para este problema é
T
eu xx zÿ eu (
[ ])T=+ H x (9A.36)
Seguindo as regras estabelecidas no Apêndice 3A, devemos encontrar o gradiente de L

em relação a x e em relação a l. Usando as identidades encontradas na Equação 9A.25,
obtemos
T
ÿ=2ÿ[]x0
L H eu=
x
que dá
T
[ x = 1H ] 2 eu
ÿ = Lÿ []= 0z
eu
xH
que dá
Com H x] = [
Então
T
1z = HH
2 [ ][ ] eu
ou
eu= 2[[][]] HH-

T1
Com
e finalmente,
x = [ H] [[HH-
T
][ ] ] T1
Com (9A.37)
O leitor deve estar ciente de que a inversão de matrizes mostrada nas Equações
9A.29, 9A.32 e 9A.37 pode não ser possível. Ou seja, a matriz [[H]T[H]] na
Equação 9A.32 pode ser singular, ou [H] pode ser singular na Equação 9A.37,
ou [[H][H]T] pode ser singular em Equação 9A.37. No caso sobredeterminado
(Nm > Ns ) cuja solução é a Equação 9A.29 e no caso totalmente determinado
(Nm = Ns ) cuja solução é a Equação 9A.32, a singularidade implica o que é
conhecido como um sistema “não observável”. Por inobservável queremos
dizer que as medições não fornecem informações suficientes para permitir uma
determinação dos estados do sistema. No caso do caso subdeterminado (Nm
< Ns ) cuja solução é a Equação 9A.37, a singularidade simplesmente implica
que não há solução única para o problema.

Power Generation Operation and Control 3rd Edition by Allen J. Wood Bruce F. Wollenberg Gerald B. Shebl 429 489

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Power Generation Operation and Control 3rd Edition by Allen J. Wood Bruce F. Wollenberg Gerald B. Shebl 429 489

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

A estimativa de estado é o processo de atribuir um valor a uma variável de estado desconhecida do

Em um sistema de potência, as variáveis de estado são as magnitudes de tensão e os ângulos de

404 Introdução à Estimativa de Estado em Sistemas de Potência

Despacho. As entradas para um estimador são medições imperfeitas do sistema de

9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA

Conforme apresentado no Capítulo 7, o problema de monitorar os fluxos de potência e tensões

9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA 405

Figura 9.1 Sistema de três barras do Capítulo 6, Figuras 6.21 e 6.22.

Figura 9.2 Colocação do medidor.

406 Introdução à Estimativa de Estado em Sistemas de Potência

Figura 9.3 Caudal resultante da utilização dos contadores M13 e M32.

eu1 = 0 .02 rad

eu1 = 0 .024 rad

9.2 ESTIMATIVA DO ESTADO DO SISTEMA DE ENERGIA 407

Figura 9.4 Vazões resultantes da utilização dos medidores M12 e M32.

408 Introdução à Estimativa de Estado em Sistemas de Potência

9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS

A estimativa estatística refere-se a um procedimento em que se usa amostras para calcular o

a. O critério de máxima verossimilhança, em que o objetivo é maximizar a probabilidade de

Quando são assumidas distribuições de erro do medidor normalmente distribuídas e imparciais,

9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS PONDERADOS DE MÁXIMA VEROSIBILIDADE 409

Seja zmeas o valor de uma medição conforme recebido de um dispositivo de medição.

O número aleatório, h, serve para modelar a incerteza nas medições. Se o erro de

onde s é chamado de desvio padrão e s2 é chamado de variância do número aleatório.

Figura 9.5 A distribuição normal.

410 Introdução à Estimativa de Estado em Sistemas de Potência

Figura 9.6 Circuito CC simples com medição de corrente.

(ou seja, um dispositivo de medição de baixa qualidade), enquanto um pequeno valor de s

9.3.2 Conceitos de Máxima Verossimilhança

O princípio da estimativa de máxima verossimilhança é ilustrado usando um exemplo de circuito CC

1z (a verdadeira corrente que flui em nosso circuito) e h1 (o erro presente no amperímetro).

Como o valor médio de h1 é 0, sabemos que o valor médio de 1z é igual a

onde s1 é o desvio padrão para o erro aleatório h1 . Se assumirmos que o valor

da resistência, r1 , em nosso circuito é conhecido, podemos escrever

Voltando à nossa definição de um estimador de máxima verossimilhança, agora desejamos

9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS PONDERADOS DE MÁXIMA VEROSIBILIDADE 411

O procedimento de máxima verossimilhança requer então que maximizemos o valor de prob( ) z

412 Introdução à Estimativa de Estado em Sistemas de Potência

Figura 9.7 Circuito CC com duas medições de corrente.

A função de verossimilhança deve ser a probabilidade de obter as medidas 1z ez 2

. Como estamos assumindo que os erros aleatórios h1 e h2 são variáveis aleatórias

independentes, a probabilidade de obter 1z e z é simplesmente o produto

1z e a probabilidade de obter com

9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS PONDERADOS DE MÁXIMA VEROSIBILIDADE 413

Para maximizar a função, tomaremos novamente seu logaritmo natural:

O mínimo procurado é encontrado por

414 Introdução à Estimativa de Estado em Sistemas de Potência

Assim, vemos que o método de máxima verossimilhança de estimar nosso parâmetro

min (xJ) ÿÿ=ÿ

p 2 = i variância para a enésima medição

9.3.3 Formulação da Matriz

Se as funções f xx( x,,1forem

9.3 ESTIMATIVA DE MÍNIMOS QUADRADOS PONDERADOS DE MÁXIMA VEROSIBILIDADE 415

Então, se colocarmos todas as funções f em um vetor, podemos escrever

Ns = número de parâmetros desconhecidos sendo estimados

Colocando as medidas em um vetor

podemos então escrever a Equação 9.17 de uma forma bem compacta:

O gradiente de J(x) é (veja o apêndice deste capítulo)

416 Introdução à Estimativa de Estado em Sistemas de Potência

Tabela 9.1 Fórmulas de estimativa

Caso Descrição Solução Comente

Ns<Nm xest=[[H] T[Rÿ1 ] xest é a probabilidade máxima