Escolar Documentos
Profissional Documentos
Cultura Documentos
Power Generation Operation and Control 3rd Edition by Allen J. Wood Bruce F. Wollenberg Gerald B. Shebl 429 489
Power Generation Operation and Control 3rd Edition by Allen J. Wood Bruce F. Wollenberg Gerald B. Shebl 429 489
9
Introdução ao estado
Estimativa em Potência
Sistemas
9.1 INTRODUÇÃO
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
Machine Translated by Google
M 13 = 5 MW 0=.05 cv
M 32 = 40 MW 0=.40 cv
Machine Translated by Google
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
Machine Translated by Google
Como sabemos que q3=0 rad, podemos resolver o f 13 equação para q1 e f 32 equação
para q2 , resultando em
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:
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.
Machine Translated by Google
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.
Machine Translated by Google
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.
9.3.1 Introdução
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
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.
medida verdadeiro
de 1 11
z=+ o (9.3)
medida
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
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
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
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.
Machine Translated by Google
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
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
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
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
Machine Translated by Google
f (
(9.16)
eu eu
eu eu
onde
= função que é usada para calcular o valor que está sendo medido pelo th eu
f eu
medição
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.
( )(xf
f xx eu
1 hx
…,
, 2 , hx Ns
=
eu
x ) + ++ i i 11 2 2 hx=
ems N Ns
(9.18)
Machine Translated by Google
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
medida
ÿ de ÿÿ
1
medida
de
2
medida
Com (9.20)
ÿÿ=
medida
Com
ÿ ÿ ÿ ÿN m ÿÿÿÿÿ
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.
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
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.
Machine Translated by Google
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.
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
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)
ÿ ÿÿ ÿ] 2,5
5 5 0ÿ
[
H ÿ 0=
4ÿ
ÿÿÿÿÿ
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
Machine Translated by Google
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
Machine Translated by Google
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
± 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
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.
Machine Translated by Google
(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
{
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
Machine Translated by Google
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)
medida
2
(E eu
| ÿ
|E eu
)
(9.33)
2
p E
eu
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
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
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
f(x), obteremos
ÿ ÿfffÿÿÿ
111
ÿ ÿ ÿÿÿ
xxx 123
(9.39)
ÿ fx
ÿÿÿ
() = fff222
ÿ xÿÿÿ xxx
123
ÿ ÿ
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
2
ÿ p ÿ
1
p 2
2
= []R (9.42)
ÿÿÿÿ ÿÿÿÿ
Machine Translated by Google
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
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.
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
Machine Translated by Google
+
Medições de PjQ : p = 3 MW para a medição
P
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
1 26569.356
2 314.437
3 56.580
4 56.312
62 51 63.440
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.
fluxo
fluxo
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
Machine Translated by Google
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.
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)
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] .)
Machine Translated by Google
A matriz [Q] tem propriedades especiais. É chamada de matriz ortogonal tal que
T
[ ][ ] [ ] QQ I = (9.54)
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
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
(9,59)
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
Leste 2
= zˆ
x2
aos 22
(9.62)
Machine Translated by Google
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)
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
Machine Translated by Google
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]
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
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
• 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.
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
Machine Translated by Google
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)
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
Machine Translated by Google
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).
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.
Machine Translated by Google
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.
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.
p
dividirmos a diferença entre a estimativa f e a medição zi por , obtemos o que é chamado de nós
eu e 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
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
Machine Translated by Google
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 9.9 Solução do estimador de estado com medições apenas nas barras 1 e 2
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
Machine Translated by Google
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
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
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
eu ÿ =eu0,11
1 2 (9,76)
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.
Machine Translated by Google
Figura 9.18 Sistema não observável mostrando a importância da localização das pseudo-medidas.
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
Ônibus A Ônibus B
1
Tensão A
Tensão B
0,5
ÿt
0
ÿ0,5
ÿ1
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
Machine Translated by Google
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).
Machine Translated by Google
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:
• 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.
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.
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.
Machine Translated by Google
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.
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”.
Machine Translated by Google
Console
Computador
Computador principal secundário
Console
EMS
Console
UTR UTR
Computador
Visualização Computador principal secundário
EMS
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
Machine Translated by Google
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,
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
onde
ÿ ÿ xÿ ÿ1 ÿ
ÿÿÿÿÿ
x2
x = ÿÿÿÿ
(9A.4)
xN
s
Machine Translated by Google
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.
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=
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)
Machine Translated by Google
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
( )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)
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
Machine Translated by Google
b
ÿÿÿÿ]
1
ÿÿÿÿ
= yb Tb = [
F aa (9A.14)
1 2 ÿÿ 2
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)
F = = yb yu [ ] A
T T
(9A.19)
ÿ = yF [ A] u (9A.20)
T
isso = []T A (9A.21)
Machine Translated by Google
T T
F = = por uy [] A
então
T
ÿ = yF [ A] u (9A.22)
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
Machine Translated by Google
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)
T T
ÿ =ÿ H HH
x 2[ ] + xJz 2[] [] (9A.28)
T T
ÿ+HHHz
0 2[ ]= ] 2[ ] [ x
ou
T 1T z
x = [[]][]]HH
[ Hÿ (9A.29)
Nm
T2
J ()x = ÿ ÿ wzeu
(ii hx ) (9A.30)
eu
=1
T
J HW H xz x
( ) ( =ÿ [ ] ) [ ]( []) x
ÿ
Com
TTT T T T zz
J (xz) zx =ÿ ÿ [ WHW
] [] WH H
[ WH ] xx [ ][ ] + [ ] [ ][ ] x
0 ÿ = xJ
dá
T 1T
x = ([ H
] [W
][ ])ÿ [] H WH ][ Com
(9A.31)
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)
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
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
min T xx
(9A.35)
sujeito a Com
] =[ H x
Machine Translated by Google
T
eu xx zÿ eu (
[ ])T=+ H x (9A.36)
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
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.