Escolar Documentos
Profissional Documentos
Cultura Documentos
TES03
Supervisão em Tempo Real da Segurança
Operativa de Sistemas de Potência
3 Características da EESP 11
1
9 Processamento de Medidas com Erros Grosseiros (EG) 32
9.1 Redundância de Medidas . . . . . . . . . . . . . . . . . . . . . . . 32
9.1.1 Redundância Global de Medidas . . . . . . . . . . . . . . . 33
9.1.2 Redundância Local de Medidas . . . . . . . . . . . . . . . 33
9.2 Detecção de Erros Grosseiros em Medidas . . . . . . . . . . . . . 34
9.3 Identificação de Medidas com Erros Grosseiros . . . . . . . . . . . 35
9.3.1 Método do Maior Resíduo Normalizado . . . . . . . . . . . 37
9.3.2 Método b-Chapéu . . . . . . . . . . . . . . . . . . . . . . . 37
9.3.3 Recuperação de Medidas Portadoras de Erros Grosseiros . 38
9.4 Aplicação Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2
11.4.7 Rotações de Givens . . . . . . . . . . . . . . . . . . . . . . 87
11.4.8 Solução do Problema: Ax=b, via Fatoração QR . . . . . . 91
11.4.9 Quadro Comparativo de Esforço Computacional . . . . . . 91
11.5 Sistemas de Equações Diferenciais Lineares . . . . . . . . . . . . . 92
11.5.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . 92
11.5.2 Definições Básicas . . . . . . . . . . . . . . . . . . . . . . . 93
11.5.3 Interpretação Geométrica . . . . . . . . . . . . . . . . . . 94
11.5.4 Exemplo de Aplicação . . . . . . . . . . . . . . . . . . . . 95
11.6 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . 97
3
Estimação de Estados em Sistemas de Potência (EESP)
1 Introdução
Nas últimas décadas, a filosofia para a operação de sistemas de potência tem se
caracterizado pela incorporação de funções que visam a avaliação em tempo real
da segurança do sistema. A implementação e coordenação destas funções são rea-
lizadas nos modernos Centros de Operação de Sistemas (COS), sendo esta uma
tendência crescente na maioria das empresas de energia elétrica. Mais recente-
mente, a desregulamentação do setor elétrico e o estabelecimento de um mercado
“spot” de energia fizeram aumentar a importância dos COS na manutenção da
segurança operativa da rede.
4
Este documento está organizado da seguinte maneira. A seção 2 apresenta a
relação das principais funções executadas num moderno Centro de Operação de
Sistemas. Atenção especial é dirigida aos centros de operação e controle da malha
principal de transmissão (COS) bem como aos modernos centros de operação e
controle de sistemas de distribuição (COD). A seção 3 descreve as característi-
cas básicas do estimador de estados em sistemas de potência. A seção 4 resume
as principais aplicações dos resultados do estimador. A seção 5 estabelece uma
classificação para os algoritmos de estimação de estados. Na seção 6 revisita-se
a formulação clássica de estimadores de estados. A seção 7 apresenta o modelo
simplificado de estimadores de estados (Estimador CC). Na seção 8 desenvolve-se
a formulação clássica de estimadores não-lineares de estados (Estimador CA).
Finalmente, na seção 9 apresenta-se o tópico de processamento (detecção + Iden-
tificação + recuperação) de erros grosseiros. O conteúdo dos Anexos desenvolve-se
em duas seções. A seção 10 apresenta os manuais de utilização dos programas
que permitem simular as principais funções do EMS (Energy Management Sys-
tem). Na seção 11 são abordados alguns tópicos de álgebra linear necessários ao
desenvolvimento teórico da formulação matemática do problema abordado neste
curso.
5
2 Modernos Centros de Operação de Sistemas
A seguir apresenta-se uma descrição sucinta das funções mais executadas nos
modernos centros de operação em tempo real.
MONITORAÇÃO
DE
REDUÇÃO SEGURANÇA
DA
REDE EXTERNA EMERGÊNCIA CONTROLE
DE
NORMAL EMERGÊNCIA
SELEÇÃO
DE RESTAURATIVO CONTROLE
CONTINGÊNCIAS RESTAURATIVO
ANÁLISE
ANÁLISE
DE SENSIB. DE SEGURANÇA
SEGURO
FIM
6
• Configurador de rede: A função deste aplicativo é processar as medidas
digitais monitoradas e definir a topologia da rede. As medidas digitais
processadas correpondem aos estados operativos de chaves e disjuntores, p.
ex.: 0 → aberto e 1 → fechado.
7
2.2 Centro de Operação de Distribuição (COD)
A figura 2 mostrada a seguir apresenta a seqüência de funções excutadas num
Centro de Operação de Distribuição (COD). As funções realizadas no COD obje-
tivam assegurar o cumprimento dos índices de qualidade operativa estabelecidos
pelas agências reguladoras.
DISTRIBUTION SYSTEM
Power Flow SISTEMA DE DISTRIBUIÇÃO DE
(Fluxo de Potência) ENERGIA ELÉTRICA - Monitorado por GIS (Sistema de
UTR´s (unidades terminais remotas) Informações
Geográficas)
State Estimator
(Estimador de Estados) CIS (Sistema de
Informações
SCADA (System Comerciais)
Control and Data
Acquisition)
Volt/Var Control
(Controle de Tensão
e Reativos) Call Center (Central
de Atendimento)
CONFIGURATOR
(Configurador)
D.G. Control
(Controle de Geração Outage
Distribuída) Management
(Gerenciamento de
DB
Eventos)
MMI (Interface
Fault Location Homem Máquina)
(Localizador de
Faltas) Market Previsor
(Previsor de Mercado)
OPERATOR
Reconfiguration
(Reconfigurardor)
Energy Loss Control
COD - Centro de Operação do Sistema de Distribuição (Controle de Perdas))
Load Forcasting
(Previsor de Carga)
EMS
(Energy Management System)
8
2.2.2 Funções Técnicas
As principais funções técnicas executadas no COS estão listadas à esquerda na
Fig. 2 e podem ser descritas da seguinte maneira:
9
2.2.3 Funções Gerenciais e Comerciais
• Sistema de Informações Geográficas: Esta função gerencia o cadastro da
rede de distribuição. O cadastramento da rede de distribuição é geo-
referenciada e, preferencialmente, prioriza informações sobre a localiza-
ção do poste, instalação de equipamentos de distribuição (transformadores,
chaves, reguladores de tensão, etc.), tipos de consumidores conectados à
rede, ou seja: industrial, comercial ou residencial. Informa se a estrutura
(poste) é partilhada com outros tipos de prestadores de serviço, tipo serviços
de telefonia, TV a cabo e internet.
10
3 Características da EESP
A principal função da Estimação de Estados em Sistemas de Potência é fornecer
uma base de dados em tempo real e confiável que permite ao operador do sistema
manter a segurança operativa da rede. Geralmente, as medidas processadas pelo
estimador de estados são do tipo:
Com base nas medidas efetuadas permite-se estimar valores para a tensão
complexa em todas as barras da rede elétrica, o que descreve completamente o
estado do sistema em regime permanente de funcionamento. Conseqüentemente,
outras quantidades não medidas diretamente, i.é, obtidas sem a utilização de ins-
trumentos de medição (injeções de potência ativa e reativa em barras de trans-
ferência), podem ser estimadas e representam informações igualmente relevantes
capazes de revelar a margem de segurança operativa do sistema.
• Previsão de Carga;
• Planejamento da Manutenção.
11
5 Classificação dos Estimadores de Estados
Quanto ao modo de processar as telemedidas, os estimadores de estados podem
ser classificados em:
12
Com base nas observações realizadas, o problema de fazer estimativas ou
b pode ser contornado através da abordagem clássica de
previsões num instante x
encontrar uma função y = f (x) que melhor se ajuste aos pares ordenados (xi , yi )
em z, de tal forma que o experimento pode ser estimado em qualquer instante
b cujo resultado pode ser avaliado através da função yb = f (b
não observado x x).
eixo - y
eixo - x
13
Uma das primeiras técnicas de cálculo do valor mínimo de uma função consiste
em determinar a solução do sistema de equações descrito abaixo:
∂ P m (ax +b−y )2 P
( i=1 i i )
∂a
=2× m i=1 (axi + b − yi ) × xi = 0
(3)
P
∂( m Pm
i=1 (axi +b−yi ) )
2
∂b
= 2 × i=1 (axi + b − yi ) = 0
Agrupando os termos semelhantes no sistema de equações acima, obtém-se:
µm ¶ µm ¶
P P 2 Pm
x × b + x × a = xi × yi
i=1
i
i=1
i
i=1
µm ¶ µm ¶ (4)
P P Pm
1 ×b+ xi × a = yi
i=1 i=1 i=1
AT A × x = AT × y (6)
O sistema acima tem solução, se e somente se, a condição de rank(A) = 2
for satisfeita. Neste último caso, o sistema tem uma única solução que é obtida
através da equação:
G = AT A e bb = AT y (8)
Finalmente, deve-se observar que a soma total do quadrado dos erros ou resí-
duos (r) pode ser conhecida a partir da seguinte expressão:
X
m X
m
2
ri = (axi + b − yi )2 = (Ax − b)T × (Ax − b) = rT × r (9)
i=1 i=1
14
Exemplo
Ano 1 2 3 4 5
Vendas Realizadas 23 27 30 34 ?
Valores Estimados
xT = ( 3.6 19.5 )
O que permite definir f (x) = ax + b, como sendo:
15
Com base na função obtida, pode-se determinar a soma ponderada
do quadrado dos resíduos (SPQR), que representa a norma Euclidiana
(norma 2 ) do vetor de erros, isto é:
Ano 1 2 3 4
Vendas Realizadas (y) 23.0 27.0 30.0 34.0
Valores Estimados (b
y) 23.1 26.7 30.3 33.9
ε = r = y − yb -0.1 0.3 -0.3 0.1
r2 0.01 0.09 0.09 0.01
Então:
X
4
SP QR = ri2 = 0.2
i=1
Este índice representa a soma do quadrado dos erros de cada es-
timativa (ri2 ) cometidos no processo de estimação das grandezas de-
sejadas. Usualmente, o índice SP QR é usado em bases estatísticas
para inferir a existência (detecção) de observações errôneas.
m µ
X ¶2
ri
= (Ax − b)T × R−1 × (Ax − b) = rT × R−1 × r (12)
i=1
σi
16
7 Estimador de Estados Linearizado (CC)
7.1 Considerações Iniciais
Embora seja de pouco interesse para aplicação prática, o estimador de estados
linearizado é importante como ferramenta auxiliar no aprendizado dos métodos
e técnicas ligados à estimação de estados em sistemas de potência. As hipóteses
simplificadoras em que se baseia, embora limitem bastante a abrangência e vali-
dade de seus resultados, permitem a simplificação do problema para uma forma
não-iterativa que facilita o entendimento dos diversos métodos de solução da es-
timação de estados. Além disso, o estimador linearizado é útil na interpretação
de técnicas de processamento de erros grosseiros, de análise de observabilidade,
etc.
tij = γ ij × (δ i − δ j ) (14)
e
X
pi = tik (15)
k ∈ Ωi
onde
1
γ ij = (16)
xij
é a capacidade de transmissão da linha i − j e Ωi é o conjunto de barras
adjacentes à barra i.
17
7.3 Estrutura de Dados do Estimador CC
7.3.1 Vetor de Grandezas Medidas
O vetor de medidas z envolve apenas medidas de fluxo e de injeção de potência
ativa, ou seja:
t → f luxo de pot. ativa
z m×1 =
p → inj. de potência ativa
Já que as magnitudes das tensões nas barras são supostas constantes, as únicas
variáveis a serem estimadas são os ângulos das tensões, ou seja, o vetor de estados
reduz-se aos estados angulares da rede, δ. Assim, tomando-se a barra 1 como
barra de referência, a estrutura do problema reduz-se a:
δ = [δ 2 , δ 3 , . . . , δ N ]T (17)
e
.
z = [z t ..z p ]T (18)
onde N é o número de barras do sistema, z t é o vetor de medidas de fluxo de
potência ativa e z p é o vetor de injeção de potência ativa.
7.3.2 Exemplos
As figuras mostradas a seguir exemplificam a estrutura que as matrizes de ob-
servação (H) e ganho (G) assumem quando o estimador de estados linearizado
(Estimador DC) é aplicado aos sistemas IEEE-14, 30 e 118 barras.
18
H33×13 G13×13
0 0
5 2
10 4
IEEE-14 Barras
IEEE-14 Barras
15
6
20
8
25
10
30
12
0 5 10 0 2 4 6 8 10 12
Matriz de Observação - H (nz = 72) Matriz Ganho - G (nz = 58)
H51×29 G29×29
0 0
5
10
15
10
20
IEEE-30 Barras
IEEE-30 Barras
25
15
30
35 20
40
45 25
50
0 5 10 15 20 25 0 5 10 15 20 25
Matriz de Observação - H (nz = 119) Matriz Ganho - G (nz = 168)
19
H259×117 G117×117
0 0
50 20
40
100
IEEE-118 Barras
IEEE-118 Barras
60
150
80
200
100
250
0 50 100 0 20 40 60 80 100
Matriz de Obervação - H (nz = 671) Matriz Ganho - G (nz = 952)
z =H ×δ+η (19)
£ ¤ £ ¤ £ ¤
E η =0 E η × η T = R = diag σ 21 , σ 22 , . . . , σ 2m (20)
onde m é o número total de medidas. É importante se observar que, segundo
as equações (13) e (14), as relações entre as quantidades medidas e os estados são
lineares. Consequentemente, a matriz de observação H do modelo de medição
expresso em (19) é constante. Além disso, ainda a partir das equações (13) e (14),
verifica-se que os elementos de H são combinações lineares das capacidades dos
ramos (linhas de transmissão + transformadores) da rede.
(H T × R−1 × H) × b
δ = H T × R−1 × z (21)
20
7.6 Construção do Modelo Linear de Medição
Considere o sistema de 4 barras e o plano de medição constantes na Figura 7
mostrada abaixo:
1 Ref. 2
3 4
t1,2 −γ 12 0 0 η t1,2
t2,1 γ 12 0 0 η t2,1
t3,1 0 γ 31 0 η t3,1
t4,3 = 0 −γ 34 γ 34 ×b
δ+ η t4,3
p1 −γ 12 −γ 13 0 η p1
p2 γ 12 + γ 23 + γ 24 −γ 23 −γ 24 η p2
p4 −γ 24 −γ 34 γ 24 + γ 34 η p4
onde os σ 2tij são as variâncias das medidas de fluxo de potência ativa e os σ 2pk
são as variâncias das medidas de injeção de potência ativa.
21
8 Estimador de Estados Não-Linear (CA)
8.1 Modelo Não-Linear de Medição
Considere um sistema de potência com N barras, no qual m quantidades são
medidas supondo-se ainda que a topologia e os parâmetros da rede elétrica são
conhecidos. Sob estas condições, é possível determinar os fluxos de potência em
qualquer linha de transmissão e/ou a injeção de potência em qualquer barra, a
partir do conhecimento das tensões complexas nas barras do sistema. Esta é a
razão pela qual as tensões complexas nas barras são chamadas de variáveis de
estado do sistema de potência.
O conjunto de medidas fornecido pelo sistema SCADA, as variáveis de estado
do sistemas e os erros de medição estão relacionados através do seguinte modelo
não-linear de medição:
z = h(x) + η (22)
onde:
h(x) : vetor, dimensão (m×1), que contém os valores verdadeiros das quantidades
medidas e que são funções não-lineares dos estados;
A suposição de que η tem média zero e que os erros de medição são não-
correlacionados, isto é, a matriz de covariância R dos erros de medição é diagonal,
permite estabelecer as seguintes igualdades:
σ 21
σ 22
E(η) = 0; E(ηη T ) = R = . .. (23)
σ 2m
onde:
22
8.2 Solução do Método MQP Aplicado ao Problema de
EESP
Considerando-se o método MQP apresentado nas seções anteriores, têm-se que o
vetor de estimativa dos estados xb em sistemas de potência é calculado de forma
análoga ao que já foi apresentado anteriormente, isto é, o problema a ser resolvido
consiste em minimizar a função custo referente ao modelo de medição já mostrado
em relação ao vetor de estados estimados x b, ou seja:
bk+1 = x
x bk + 4b
x (25)
As correções 4bx são obtidas a partir da expansão da função custo J(b
x) em
k
série de Taylor, em torno de um ponto x b próximo à solução, até o termo de
segunda ordem, isto é:
¯ ³ 2 T ´¯
x)T ¯ ¯
J(bxk + 4b
x) = J(bxk ) + ∂J(b
∂b
x ¯ k
4bx + 1
2
× 4b
xT ∂ J(b
x)
x2
∂b
¯ k 4b x
b=b
x x b=b
x x
ou seja,
1
xk + 4b
J(b xk ) + g(b
x) ' J(b x) × 4b xT × F(b
x + 4b T
x) × 4b
x (26)
2
23
onde:
¯
x)T ¯¯
∂J(b
g(b
x) = é o vetor gradiente de J(b
x)
x ¯xb=bxk
∂b
µ 2 ¶¯
∂ J(bx) ¯¯
F(bx) = ¯ k é a matriz Hessiana de J(b
x)
x2
∂b xb=b
x
x) = rT × R−1 × r
J(b
onde r = z − h(b
x). Assim sendo, a derivada primeira desta última função em
b é dada por
relação a x
¯ µ ¶T µ ¶¯
∂J(bx) ¯¯ ∂r x) ¯¯
∂J(b
g(b
x) = = × (29)
x ¯xb
∂b ∂b
x ∂r ¯ k
b=b
x x
ou ainda,
µ ¶T
∂h(b
x)
=− × 2 × R−1 × (z − h(b
x))|
∂b
x xk
b =b
x
ou seja:
x) × R × M z
T −1
x) = −2 × H(b
g(b (30)
supondo-se que próximo à solução é válido assumir que
x)
∂h(b
≈ cte = H(bx) (31)
∂b
x
e
T −1
F(bx) ≈ −2 × H(b
x) × R × H(bx) (32)
24
Agora é possível escrever que:
F(bx) × 4b
x = −g(b
x) (33)
isto é:
T −1 T −1
x) × R
H(b × H(bx) × 4b x) × R
x = H(b × 4z (34)
ou ainda,
¡ T ¢ 4
G(bx) = H(bx) × R−1 × H(bx) = matriz Ganho
bb = H T × R−1 × 4z
(b
x)
v → tensão
t → f luxo de pot. ativa
z m×1 =
u → f luxo de pot. reativa
p → inj. de potência ativa
q → inj. de potência reativa
A razão pela qual o vetor de medidas z tem a estrutura acima não é única.
A principal motivação é a disposição assumida pelos elementos na matriz de
coeficientes do sistema de equações lineares resultante do problema de EESP.
A estruturação de dados adotada favorece a fatoração da matriz G(bx) (modelo
clássico), ou ainda, da matriz H(bx) (solução via métodos ortogonais, p.ex.: Método
de Givens), pois diminui o número de “fill in” (enchimentos) durante o processo
de fatoração das matrizes referidas anteriormente.
25
8.4.2 Exemplos
As figuras mostradas a seguir exemplificam a estrutura que as matrizes de ob-
servação (H) e ganho (G) assumem quando o estimador de estados não-linear
(Estimador CA) é aplicado aos sistemas IEEE-14, 30 e 118 barras.
H73×27 G27×27
0 0
10
5
20
10
30
IEEE-14 Barras
IEEE-14 Barras
15
40
50
20
60
25
70
0 5 10 15 20 25
0 10 20
Matriz de Observação - H (nz=299) Matriz Ganho - G (nz = 341)
H180×59 G59×59
0 0
20
10
40
60 20
IEEE-30 Barras
IEEE-30 Barras
80
30
100
120
40
140
50
160
180
0 20 40 60 60
0 10 20 30 40 50 60
Matriz de Observação - H (nz = 826) Matriz Ganho - G (nz = 1049)
26
H332×235 G235×235
0 0
50
50
100
IEEE-118 Barras
IEEE-118 Barras
100
150
200
150
250
200
300
..
∂Vi ∂Vi . ∂Vi
∂δ j
e ∂δ i .. ∂Vj
e ∂V
∂Vi
i
············ . ············
..
∂tij ∂t
; ∂δiji . ∂tij ∂t
; ∂Viji
∂δ j ∂Vj
..
e . e
∂tji ∂t
; ∂δjii .. ∂tji ∂t
; ∂Vjii
∂δ j . ∂Vj
············ .. ············
∂uij ∂u . ∂uij ∂u
H(bx)m×n = ∂δ j
; ∂δiji .. ∂Vj
; ∂Viji
.
e e
..
∂uji ∂u
; ∂δjii . ∂uji ∂u
; ∂Vjii
∂δ j ∂Vj
············ .. ············
.
∂pi
e ∂p i .. ∂pi ∂pi
e ∂V
∂δ j ∂δ i . ∂Vj i
············ .. ············
∂qi ∂qi
e ∂δ . ∂qi ∂qi
e ∂V
∂δ j i .. ∂Vj i
.
27
As equações a partir das quais são obtidos todos os elementos da matriz
Jacobiano são derivadas das equações apresentadas nos itens subseqüentes.
X
N
Pi = Vi2 × Gii + Vi × Vj × Yij × cos(θij + δ j − δ i ) → P ot. ativa
j=1
j6=i
X
N
Qi = −Vi2 × Bii − Vi × Vj × Yij × sin(θij + δ j − δi ) → P ot. reativa
j=1
j6=i
µ ¶
Bij0
uij = −Vi2 × + Bij − Vi × Vj × Yij × sin(θij + δ j − δ i )
2
(f luxo de potência reativa da i − ésima para a j − ésima barras)
µ ¶
Bij0
uji = −Vj2 × + Bij − Vi × Vj × Yij × sin(θij + δ i − δ j )
2
(f luxo de potência reativa da j − ésima para a i − ésima barras)
28
8.5.3 Cálculo dos elementos da Matriz Jacobiano H(bx)
Medidas de Tensão
∂Vi ∂Vi
∂δ j
e ∂δ i
= 0, para quaisquer valores de i e j;
∂Vi
∂Vj
= 0, para i 6= j;
∂Vi
∂Vi
= 1, para j = i;
29
Medidas de Fluxo de Potência
∂t
ij
= −Vi × Vj × Yij × sin(θij + δ j − δ i )
∂δ j
∂tij ∂tij
∂δi = Vi × Vj × Yij × sin(θij + δ j − δ i ) = − ∂δj
sentido i → j
∂tij
= Vi × Yij × cos(θij + δ j − δ i )
∂Vj
∂tij = −2 × V × G + V × Y × cos(θ + δ − δ )
∂Vi i ij j ij ij j i
Ativa:
· ·
········································
∂tji
= Vi × Vj × Yij × sin(θij + δ i − δ j )
∂δ j
∂tji ∂tji
∂δi = −Vi × Vj × Yij × sin(θij + δ i − δ j ) = − ∂δj
sentido j → i
∂tji
= −2 × Vj × Gij + Vi × Yij × cos(θij + δ i − δ j )
∂Vj
∂tji = V × Y × cos(θ + δ − δ )
∂Vi j ij ij i j
∂uij
= −Vi × Vj × Yij × cos(θij + δ j − δi )
∂δ j
∂uij
= Vi × Vj × Yij × cos(θij + δ j − δi ) = −
∂uij
∂δ i ∂δ j
sentido i → j
∂uij
= −Vi × Yij × sin(θij + δ j − δi )
∂Vj
³ B0 ´
∂uij
∂Vi
= −2 × Vi × 2ij + Bij − Vj × Yij × sin(θij + δ j − δ i )
Reativa: ∂u·ji· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
= −Vi × Vj × Yij × cos(θij + δ i − δ j )
∂δ j
∂uji ∂uji
∂δi = −Vi × Vj × Yij × cos(θij + δ i − δ j ) = − ∂δj
sentido j → i
³ B0 ´
∂uji
= −2 × Vj × ij
+ Bij − Vi × Yij × sin(θij + δ i − δ j )
∂Vj 2
∂uji
= −Vj × Yij × sin(θij + δ i − δj )
∂Vi
30
A partir de Medidas de Injeção de Potência
∂pi P
N
=− Vi × Vj × Yij × sin(θij + δ j − δ i )
∂δ j
j=1
j6=i
P
N
∂pi
= Vi × Vj × Yij × sin(θij + δ j − δ i ) = − ∂pi
∂δ i ∂δ j
j=1
j6=i
Ativa:
P
N
∂pi
= Vi × Yij × cos(θij + δj − δ i )
∂Vj
j=1
j6=i
P
N
∂pi
∂Vi
= 2 × Vi × Gii + Vj × Yij × cos(θij + δ j − δi )
j=1
j6=i
∂qi P
N
=− Vi × Vj × Yij × cos(θij + δ j − δ i )
∂δ j
j=1
j6=i
P
N
∂qi
= Vi × Vj × Yij × cos(θij + δ j − δ i )
∂δ i
j=1
j6=i
Reativa:
P
N
∂qi
=− Vi × Yij × sin(θij + δ j − δ i )
∂Vj
j=1
j6=i
P
N
∂qi
∂Vi
= −2 × Vi × Gii − Vj × Yij × sin(θij + δj − δ i )
j=1
j6=i
31
9 Processamento de Medidas com Erros Gros-
seiros (EG)
Os erros de medição, incorporados ao modelo apresentado na Seção 7.1, apresen-
tam distribuição gaussiana, isto é, os valores das componentes do vetor de erros
aleatórios de medição η se enquadram na faixa de ±3 desvios-padrão (σ) [1].
Os erros que se apresentam no intervalo de ±3σ são satisfatoriamente filtrados
pelo estimador de estado, devido à redundância das medidas. Erros em medi-
das cujas magnitudes estão fora da faixa de ± 3σ podem ser considerados erros
grosseiros. Estes erros não podem estar no conjunto de medidas válidas porque
comprometem o resultado do processo de obtenção dos estados do sistema. Os
erros grosseiros superiores a ±20σ costumam ser identificados por algoritmos de
pré-filtragem [2], o que diminui consideravelmente o esforço computacional dis-
pendido pelo estimador na etapa de processamento de erros grosseiros.
As medidas com erros grosseiros que se situam na faixa de ±3σ a ±20σ
desvios-padrão devem ser detectados e identificados adequadamente. Para isto,
vários métodos podem ser encontrados na literatura [3], [4], [5],[6], [7], etc.
O algoritmo de detecção de erros grosseiros mais utilizado em EESP baseia-se
no teste estatístico de hipóteses [4] que é apresentado sucintamente em seguida.
Porém, antes de fazê-lo é oportuno destacar a importância da redundância de
medidas necessária para que os algoritmos de detecção e identificação de erros
grosseiros tenham pleno êxito.
32
9.1.1 Redundância Global de Medidas
Um índice bastante usado para qualificar o modelo de medição adotado é referido
na literatura técnica como medida de redundância global do sistema, que é definida
por:
m
ρ= (37)
n
onde:
m : representa o número de medidas disponíveis;
n = 2N − 1 : representa o número de estados estimados.
Um índice adequado de redundância global de medidas associado à técnicas de
análise de observabilidade topológica, como por exemplo em [10], permite obter
pequenas discrepâncias nos valores estimados em relação aos valores verdadeiros
de grandezas medidas [8], [9]. Por isto que o índice de redundância global quando
analizado isoladamente, não garante as condições mínimas de utilização de méto-
dos de identificação de medidas com erros grosseiros. Em trabalhos mais recentes,
o conceito de redundância global foi estendido ao problema de redundância local
de medidas.
33
9.2 Detecção de Erros Grosseiros em Medidas
Conforme foi discutido anteriormente, os erros grosseiros em EESP são carac-
terizados quando as telemedidas violam as hipóteses estabelecidas no modelo de
medição.
O método convencional de detecção de medidas errôneas baseia-se comumente
em um teste de hipóteses que utiliza o índice J(b x), Eq. 24, calculado no ponto
de solução, conforme o conjunto de equações (25-35). O índice J(b x) representa a
soma ponderada do quadrado dos resíduos para o modelo linearizado num ponto
próximo à solução do problema.
O índice J(bx) quando usado em um método de detecção de erros em telemedi-
das, deve ser caracterizado estatisticamente tendo por base as seguintes premissas:
H1 : H0 é falso.
K = χ2(m−n); α0 (39)
onde χ2(m−n); α0 é o percentil (1 − α0 ) da distribuição Qui-quadrado com (m − n)
número de graus de liberdade2 .
34
- Por outro lado, se a condição J(b
x) ≥ K ocorrer, pode-se afirmar que pelo
menos um erro grosseiro está presente no conjunto de medidas disponíveis.
Por conta disto, deve-se estabelecer uma base de comparação única para os
resíduos de estimação. Isto é feito através da normalização dos resíduos. Quando
se considera o modelo de medição linear descrito abaixo:
xk ). 4 b
4z = H(b x+η
(40)
E(η) = 0 E(η.η t ) = R
O vetor de resíduos de estimação pode ser expresso por:
r = 4z − 4b
z (41)
ou
b
r = 4z − H. 4 x (42)
onde H(b
x) por conveniência é escrito como H.
Usando a equação normal de Gauss, Eq. (34), a partir da Eq. 41, obtém-se:
35
• covariância dos resíduos de estimação:
W = R − H.C0 .H t (44)
• covariância dos erros de estimação:
r = (W.R−1 ). 4 z = S. 4 z (46)
Nesta última expressão define-se a matriz de sensibilidade dos resíduos pela
igualdade:
4
S = W.R−1 (47)
que torna possível mostrar os efeitos de contaminação de uma medida com erro
grosseiro sobre as demais medidas.
A propriedade de idempotência da matriz de sensibilidade dos resíduos, i.é
[3]:
S.S = S (48)
e o auxílio da Eq. 46, permite justificar a denominação dada à matriz definida
na Eq. 44, i.é, matriz de covariância dos resíduos de estimação, pois:
z . 4 z t ].S t
= S.E[4b (49)
= S.R.S t = W
36
2. a matriz de covariâncias dos erros, Eq. 45, pode apresentar problemas de
condicionamento numérico [16], [17];
1. Estimar os estados;
5. Retornar à etapa 1.
37
λ × σ i , onde σ i é o desvio-padrão da medida considerada e λ é um múltiplo de
σ i , usualmente considerado igual a 4. Desta comparação, pode-se inferir se o erro
está ou não fora da faixa esperada de ±3 × σ do modelo gaussiano de medição.
A expressão que permite calcular a magnitude dos erros é dada pela seguinte
equação:
zierro = zi + β (52)
onde zierro é o valor da medida errônea; zi é o valor da medida
correta; e β representa a magnitude do erro grosseiro.
O vetor correspondente ao modelo linearizado de medidas errôneas
e corretas, mostrado nas seções anteriores, numa dada iteração pode
ser escrito como sendo:
4z erro = 4z + β × ei (53)
onde ei é um vetor operador de dimensão m × 1, cujos elementos
são todos nulos exceto o elemento da i-ésima posição que é unitário.
Os vetores 4z erro e 4z são calculados com auxílio do vetor de estados
3
Medidas que pertencem a conjuntos críticos e que são, simultaneamente, erros grosseiros
são detectáveis porém não são identificadas.
4
Medidas críticas que são simultaneamente erros grosseiros não são detectáveis e, conseqüen-
temente, não são identificadas.
38
estimado na corrente iteração, o qual está sob o efeito da presença do
erro grosseiro.
Substituindo-se a Eq. (53) na Eq. (46), transforma o vetor de
resíduos em:
rerro = S × 4z + β × si (54)
onde si é a i-ésima coluna da matriz de sensibilidade dos resíduos,
isto é, matriz S.
A estimativa da magnitude do erro, i.é: β,b é obtida a partir da
minimização da seguinte função custo:
∂J(β)
∂β
resulta
b = sT × R−1 × rerro
(sTi × R−1 × si ) × β i
ou seja,
T −1 erro
b = si × R × r
β (56)
sTi × R−1 × si
No entanto, a manipulação algébrica tanto do numerador quanto o
denominador da equação anterior permite obter a seguinte expressão
alternativa:
2
b = σ i × rerro
β (57)
i
wii
Então a medida recuperada é determinada com o auxílio das Eqs.
(52) e (57), resultando-se em:
σ 2i
zirec = zierro − × rierro (58)
wii
ou, em termos do resíduo normalizado, obtém-se:
σ2
zirec = zierro − √ i × rni (59)
wii
39
9.4 Aplicação Numérica
Considere o sistema teste mostrado abaixo:
1.25 pu
G 0.20 pu
1 2
Ref.
j 2.0 pu
j 1.0 pu j 1.0 pu
j 1.0 pu
j 4.0 pu
3 4
G
1.45 pu 0.15 pu
1.35 pu
z= H×δ+η
onde:
t21 −0.388
reatâncias dos ramos :
t31 −0.910
t23 0.147
X12 = 2.0 pu
t32 −0.143
z=
=
pu; e
X13 = 1.0 pu
t24 −1.019
X23 = 1.0 pu
t34 −0.579
X24 = 1.0 pu
p2 −1.25
X34 = 4.0 pu
p3 −1.35
Considere que as variâncias (σ 2i ) de todas as medidas são iguais a 1.0 × 10−4 , isto
é: R = 1.0 × 10−4 × I.
40
Com base nos dados apresentados anteriormente, determine:
41
References
[1] H.J. Kogling, Th. Neisius, G. Beibler, and K.D. Schmitt. Bad Data Detection
and Identification. Electrical Power and Energy Systems, 12(2):94—103, April
1990.
[2] F.F. Wu. Power System State Estimation: A Survey. Electrical Power and
Energy Systems, 12(2):80—87, April 1990.
[3] F.C. Schweppe, Wildes, and D.B. Rom. Power System Static State Esti-
mation, Part I, II and III. IEEE-Transactions on Power Apparatus and
Systems, PAS-89(1):120—135, January 1970.
[4] L. Mili, Th. Van Cutsem, and M. Ribbens-Pavella. Hypothesis Testing Iden-
tification: A New Method for Bad Data Analysis in Power System State
Estimation. IEEE-Transaction on Power Apparatus and Systems, PAS-
103:3239—3252, November 1984.
[5] N. Xiang, S. Wang, and E. Yu. A New Approach for Detection and Iden-
tification of Multiple Bad Data in Power System State Estimation. IEEE-
Transaction on Power Apparatus Systems, PAS-101(2):454—462, February
1982.
[6] K.A. Clements and P. W. Davis. Multiple Bad Data Detectability and Iden-
tifiability a Geometric Approach. IEEE-Transactions on Power Delivery,
PWRD-1(3):355—360, July 1986.
[7] A. Monticelli and A. Garcia. Reliable Bad Data Processing for Real-Time
State Estimation. IEEE-Transactions on Power Apparatus and Systems,
PAS-102(5):1126—1139, May 1983.
[9] J.M. Mendel. Lessons in Estimation Theory for Signal Processing, Commu-
nications, and Control. Series Editor. 1995.
[11] L. Mili, V. Phaniraj, and P.J. Rousseeuw. High Breakdown Point Estimation
in Electric Power Systems. ISCAS, pages 1—4, May 1990.
[12] F.R. Hampel, E.M. Ronchetti, P.J. Rousseeuw, and W.A. Stahel. Robust
Statistics: The Approach Based on Influence Functions. 1986.
42
[13] L. Mili, V. Phaniraj, and P. J. Rousseeuw. Robust Estimation Theory for
Bad Data Diagnostics in Electrical Power Systems. Advances in Control and
Dynamic Systems - C.T. Leondes (ed.), XXXVI:2—55, 1991.
[14] V.H. Quintana, A.J.A. Simões-Costa, and M. Mier. Bad Data Detection
and Identification Techniques Using Estimation Orthogonal Methods. IEEE-
Transaction on Power Apparatus and Systems, PAS-101(9):3356—3364, Sep-
tember 1982.
[18] P.J. Rousseeuw and A.M. Leroy. Robust Regression and Outlier Detection.
Series in Probability and Mathematical Statistics. 1987.
[19] L. Mili, V. Phaniraj, and P.J. Rousseeuw. Least Median of Squares Estima-
tion in Power Systems. IEEE-Transactions on Power Systems, 6(2):511—523,
May 1991.
[20] L. Mili, M.G. Cheniae, N.S. Vichare, and P.J. Rousseeuw. Robust State
Estimation Based on Projection Statistics. IEEE-Transactions on Power
Systems, 11(2):1118—1127, May 1996.
[22] Carl D. Meyer. Matrix Analysis and Applied Linear Algebra. Society for
Industrial and Applied Mathematics, 2000. ISBN 0-8987-454-0.
[23] G.H. Golub and C.F. Van Loan. Matrix Computations. John Hopkins Uni-
versity Press, 2nd edition, 1993.
[24] G. Meurant. Computer Solution of Large Linear Systems, volume 28. Else-
vier Science B.V., Sara Burgerhartstraat 25, P.O. Box 211, 1000 AE Ams-
terdam, The Netherlands, 1999. ISBN 0-444-50169-X.
43
[25] Lloyd N. Trefethen and III David Bau. Numerical Linear Algebra. Society
for Industrial and Applied Mathematics, 1997. ISBN 0-8987-361-7.
44
10 ANEXOS - 1: Manuais do Simulador “EMS”
10.1 Manual do Aplicativo - Fluxo de Carga (NEWTRP)
10.1.1 Considerações Gerais
As descrições, parâmetros e características operacionais apresentadas neste ma-
nual de instruções são aplicáveis ao programa NEWTRP no formato BIGPOW-
ERMOD, e considera que os usuários estejam familiarizados com os aspectos
usuais do problema de fluxo de potência.
As únicas diferenças dizem respeito à inserção de um novo cartão de entrada,
o cartão 33, que diz respeito à opção de geração de um arquivo de dados para
se processar a simulação de medidas através do aplicativo SIMED. Este último
simula medidas de um sistema SCADA e é utilzado na execução do aplicativo de
estimação de estados.
Cartão 4:
Leitura dos dados de linha e de transformador:
O programa realiza a leitura de dados de linhas de transmissão e transfor-
madores até que encontre nas colunas de 1 a 4 os dígitos 9999, que indicam o fim
dos dados.
45
* Na tabela 1 tem-se a ordem de entrada requerida para cada
linha ou transformador:
Tabela 1
Coluna Descrição Formatação
01-04 Número da barra de origem I4
09-12 Número da barra de destino I4
18-23 Resistência (%) de cada linha ou F6.2
transformador na base 1 MVA
24-29 Reatância (%) de cada linha ou F6.2
transformador na base 1 MVA
36-40 Posição do tape do trandormador F5.3
56-60 Barra de localização do tape do
transformador (barra controlada) I5
Cartão 5:
Leitura dos dados de barra:
O programa realiza a leitura de dados de barra até que encontre nas colunas
de 1 a 4 os dígitos 9999, que indicam o fim dos dados.
Tabela 2
Colunas Descrição Formatação
01-04 Número da barra I4
08 Tipo de Barra:
0 - barra PQ
1 - barra PV I1
2 - barra swing
23-36 Tensão nas barras PV e Swing F5.3
56-60 Carga em MW F5.0
61-65 Carga em MVAr F5.0
46
Cartão 11:
Este cartão traz as demais informações necessárias para a execução do pro-
grama, como pode ser visto na tabela 3:
Tabela 3
Colunas Descrição Formatação
03-05 Inicialização das tensões de barra I2
0 - Perfil plano de tensões
1 - tensão da barra de folga
2 - Valor após uma iteração pelo
Método de Gauss-Seidel
06-09 Número máximo de iterações I4
10-15 Tolerância para convergência ( ε ) F6.4
17-19 Número de iterações com reativos livres I2
65-68 Fator multiplicativo da carga F4.2
71-76 Valor Base de Potência (MVA) F6.0
Cartão 33:
Opção de geração de arquivo para simulação de medidas:
Esta opção permite a geração de um arquivo denomidado XXXXXnnn.est5
para que seja processada a simulação de medidas através do aplicativo SIMED
(Simulador de Medidas), que é necessária para a execução do programa de esti-
mação de estados VDelta.
Cartão Final:
O final da leitura de dados ocorre quando o programa encontrar os alga-
rismos 9999 nas colunas de 1 a 4 do arquivo de dados.
5
Mesmo nome do arquivo (8 caracteres !) de dados usado na execução do programa
NEWTRP. Os caracteres “nnn” do nome do arquivo serve para designar o número de bar-
ras da rede.
47
10.2 Manual do Aplicativo - Simulador de Medidas (SIMED)
10.2.1 Considerações Iniciais
O aplicativo SIMED é usado para realizar a simulação de medidas nos estudos de
estimação de estados em sistemas de potência. O relatório de saída do programa
SIMED, entre outros, produz um arquivo que é usado pelo programa de estimação
de estados VDelta.
O programa SIMED gera a maior parte dos dados usados pelo programa de
estimação de estado acima referido. O programa basicamente simula medidas
realizadas em um dado sistema de potência, através da superposição de números
aleatórios, gerados na faixa prescrita pela precisão que o usuário deseja, sobre os
valores atuais das quantidades medidas. Permite-se também, quando é desejável,
simular medidas com erros grosseiros.
Os valores verdadeiros, i.é., sem erros, para todas as variáveis medidas (mag-
nitude de tensão nas barras, fluxos de potência ativa e reativa em linhas de
transmissão e transformadores, injeções de potência ativa e reativa nas barras
e correntes nas linhas), são obtidos através de um estudo prévio de fluxo de
potência, e são parte dos dados de entrada requerido pelo programa SIMED.
Os dados de entrada também compreendem os parâmetros da rede, conjuntos
apontadores para cada tipo de variável medida especificando quais quantidades
são monitoradas, precisão dos medidores para cada tipo de medida e parâmetros
adicionais necessários à geração de números aleatórios.
O relatório de saída do programa SIMED inclui ainda a especificação do tipo
e localização das quantidades monitoradas, os valores das medidas e o inverso da
matriz de covariância dos erros de medição.
48
Tabela 1
Colunas Descrição Formatação
1-5 Número da barra origem [ NA( i ) ] I5
6-10 Número da barra destino [ NB( i ) ] I5
11-30 Condutância Série D20.5
31-50 Susceptância Série D20.5
51-70 Susceptância Capacitiva Shunt (Valor Total) D20.5
72-76 Posição de Tape de Transformador F6.3
77-81 Localização (barra) do Tape de Transformador I5
OBS:
* Para cada linha de transmissão o valor numérico de
NA( i ) < NB( i );
* As linhas serão numeradas de acordo com a ordem da
entrada de dados;
* O valor de BO( I ) é o total da susceptância shunt.
3) Dados de barra: Para cada barra, os dados devem ser
colocados na forma indicada na tabela 2:
Tabela 2
Colunas Descrição Formatação
1-20 Injeção de Potência Ativa [ P( i ) ] D20.5
21-40 Injeção de Potência Reativa [ Q( i ) ] D20.5
41-60 Magnitude de Tensão [ V( i ) ] D20.5
61-80 Ângulo de Fase da Tensão [ δ( i ) ] D20.5
OBS:
* A barra No 1, correspondente ao primeiro dado de barra,
que deve ser a barra de referência angular.
4) Dados dos Fluxos das Linhas: Para cada linha de
transmissão, os dados devem ser colocados na forma da
tabela 3:
Tabela 3
Coluna Descrição Formatação
1-20 Fluxo de Potência Ativa na Barra Origem D20.5
21-40 Fluxo de Potência Reativa na Barra Origem D20.5
41-60 Fluxo de Potência Ativa na Barra Destino D20.5
61-80 Fluxo de Potência Reativa na Barra Destino D20.5
81-100 Quadrado da Corrente na Barra Origem D20.5
101-120 Quadrado da Corrente na Barra Destino D20.5
49
10.2.3 Dados do Plano de Medição
Os ítens abaixo correspondem aos dados do plano de medição, a serem fornecidos
pelo usuário. Na presente aplicação, tais dados devem ser reunidos em um único
arquivo de dados. Este arquivo tem o nome “IMEDnnn.med”, onde “nnn” indica
o número de barras do sistema. O arquivo deve seguir a estrutura indicada abaixo:
1) Título do caso a ser estudado
Formatação: A80
2) Vetor de apontadores indicando as medidas de injeção de
potência ativa nas barras, IP (i);
IP (i) = 1 Se existe medida de injeção de potência ativa (P) na
i − ésima barra;
IP (i) = 0 Se não existe medida de injeção de potência ativa
(P) na i − ésima barra;
Formatação: 40I2
3) Vetor de apontadores indicando as medidas de injeção de
potência reativa nas barras, IQ(i);
IQ(i) = 1 Se existe medida de injeção de potência reativa (Q)
na i − ésima barra;
IQ(i) = 0 Se não existe medida de injeção de potência reativa
(Q) na i − ésima barra;
Formatação: 40I2
4) Vetor de apontadores indicando as medidas de tensão nas
barras, IV (i);
IV (i) = 1 Se existe medida de tensão (V ) na i − ésima barra;
IP (i) = 0 Se não existe medida de tensão (V ) na i − ésima
barra;
Formatação: 40I2
5) Vetor indicando a localização das medidas de fluxo de potência
ativa nos ramos da rede (LTs + transformadores), IT (i);
IT (i) = 0 Se não há medida de fluxo de potência ativa no
i − ésimo ramo;
IT (i) = 1 Se existe medida de fluxo de potência ativa no
terminal origem do i − ésimo ramo;
IT (i) = 2 Se existe medida de fluxo de potência ativa no
terminal destino do i − ésimo ramo;
IT (i) = 3 Se existe medida de fluxo de potência ativa nos
terminais origem e destino do i − ésimo ramo;
Formatação: 40I2
50
6) Vetor indicando a localização das medidas de fluxo de potência
reativa nos ramos da rede (LTs + transformadores), IU(i);
IU (i) = 0 Se não há medida de fluxo de potência reativa no
i − ésimo ramo;
IU (i) = 1 Se existe medida de fluxo de potência reativa no
terminal origem do i − ésimo ramo;
IU (i) = 2 Se existe medida de fluxo de potência reativa no
terminal destino do i − ésimo ramo;
IU (i) = 3 Se existe medida de fluxo de potência reativa nos
terminais origem e destino do i − ésimo ramo;
Formatação: 40I2
7) Vetor indicativo da localização de medidas de corrente nos ramos
da rede (LTs + transformadores), ICORR(i);
ICORR(i) = 0 Se não há medida de corrente no i − ésimo
ramo;
ICORR(i) = 1 Se existe medida de corrente no terminal
origem do i − ésimo ramo;
ICORR(i) = 2 Se existe medida de corrente no terminal
destino do i − ésimo ramo;
ICORR(i) = 3 Se existe medida de corrente nos terminais
origem e destino do i − ésimo ramo;
Formatação: 40I2
8) Chave para indicar se o sistema deve ser particionado em um
subsistema interno e um subsistema externo. Na presente
aplicação, considerar igual a zero.
Formatação: I5
9) Precisões para simulação e cálculo da variância das medidas de
injeção de potência ativa dos sistemas interno e externo.
Formatação: 2D10.3
10) Precisões para simulação e cálculo da variância das medidas de
injeção de potência reativa dos sistemas interno e externo.
Formatação: 2D10.3
11) Precisões para simulação e cálculo da variância das medidas de
tensão nas barras dos sistemas interno e externo.
Formatação: 2D10.3
NOTA: a) utilizar o formato 1.0D-03 para a precisão de medida
de tensão;
b) Se nenhuma medida de algum dos tipos acima P, Q,
V, for realizada, nenhum dado de precisão de
medidores deve ser lido para este tipo particular de
medida.
51
12) Precisões para simulação e cálculo da variância das medidas de
fluxo de potência ativa nos ramos dos sistemas interno e
externo. Formatação: 2D10.3
13) Precisões para simulação e cálculo da variância das medidas de
fluxo de potência reativa nos ramos da rede dos sistemas
interno e externo. Formatação: 2D10.3
14) Precisões para simulação e cálculo da variância das medidas de
corrente nos ramos da rede dos sistemas interno e externo.
Formatação: 2D10.3
OBS: Mesmo que nenhuma medida deste tipo - T, U, CORR -
seja feita, a precisão para as medidas devem ser lidas.
15) “Semente” para as subrotinas GGNML, DSEED, e chave para
seleção de medidas perfeitas ou corrompidas por ruído, CHEM.
DSSED é um inteiro, mas deve ser lido em precisão dupla,
podendo assumir qualquer valor entre 1 e 2147483647.
CHEM = 0 para medidas perfeitas
CHEM = 1 para medidas com ruído.
Formatação: D20.5, 1x, I1
16) Número de erros grosseiros a serem simulados - SIMEG;
SIGMED = 0 Não há simulação de erros grosseiros.
Fim da entrada de dados.
SIGMED > 0 Define o número de medidas com erros
grosseiros a serem simulados. Neste caso,
são adicionalmente necessários os dados
relacionados a seguir.
Formatação: I5
17) Conjunto de parâmetros de controle que definem as medidas
portadoras de erro grosseiro. As variáveis ALFA, LOC1, LOC2,
EG são assim descritas:
ALFA - variável alfanumérica que especifica o tipo da medida
portadora de erro grosseiro: P, Q, V, T, U ou CORR, para
injeção de potência ativa, injeção de potência reativa, tensão,
fluxo de potência ativa, fluxo de potência reativa ou corrente,
respectivamente.
LOC1: especifica a barra onde será simulado o erro grosseiro,
no caso de P, Q, ou V, ou a barra origem do ramo onde será
simulado o erro grosseiro, no caso de T, U, ou CORR.
LOC2: para medidas de P, Q, ou V, é igual a zero. Para
medidas de T, U, ou CORR indica a barra destino do ramo
onde será simulado o erro grosseiro nos fluxos de potência.
52
EG: indica o valor do erro grosseiro, expresso em números de
desvios padrões dos erros de medição.
Formatação: A1, I3, 4X, F3.0 ( para medidas de P, Q, V)
A1, I3, 1X, I3, F3.0 ( para medidas de T, U, ou
CORR)
53
10.3 Manual do Aplicativo - Estimação de Estados (VDelta)
VDelta é um programa de estimação de estados baseado no método de Givens,
que exige para a sua execução, basicamente, a leitura de dados de dois arquivos:
Tabela 1
54
6) Valores das medidas de injeção de potência ativa;
Formatação: 4D17.8
7) Lista das barras onde são feitas medidas de injeção de potência
reativa;
Formatação: 14I5
8) Valores das medidas de injeção de potência reativa;
Formatação: 4D17.8
9) Lista das barras onde são feitas medidas de tensão;
Formatação: 14I5
10) Valores das medidas de tensão;
Formatação: 4D17.8
11) Número de medidas de fluxo ativo, número de medidas de fluxo
reativo e número de medidas de corrente;
Formatação: 3I5
12) Lista das linhas de transmissão cujos fluxos ativos são
monitorados;
Formatação: 14I5
13) Vetor que indica o extremo das linhas onde são feitas medidas
de fluxo ativo. Esse vetor pode assumir os valores 1,2 ou 3, de
acordo com a seguinte convenção: ( Supõe-se que a linha
conecta a barra i à barra j, sendo i < j ):
1 - a medida é realizada adjacente à barra origem i;
2 - a medida é realizada adjacente à barra destino j;
3 - as medidas são realizadas em ambos extremos da linha.
Formatação: 14I5
14) Valor das medidas de fluxo ativo. Quando ambos os extremos
da linha i − j são monitorados, a medida de fluxo de potência
ativa adjacente à barra i é inicialmente listada, seguida pela
medida de fluxo de potência ativa adjacente à barra j. Os fluxos
não monitorados são omitidos.
Formatação: 4D17.8
15) Lista dos ramos (LTs + Trafos) cujos fluxos de potência reativa
são monitorados;
Formatação: 14I5
55
16) Vetor que indica o extremo das linhas onde são feitas medidas
de fluxo reativo. Esse vetor pode assumir os valores 1, 2 ou 3,
de acordo com a seguinte convenção: ( Supõe-se que a linha
que conecta a barra i à barra j, sendo i < j ):
1 - a medida é realizada adjacente à barra origem i;
2 - a medida é realizada adjacente à barra destino j;
3 - as medidas são realizadas em ambos extremos da
linha.
Formatação: 14I5
17) Valor das medidas de fluxo reativo. Quando ambos os extremos
da linha i − j são monitorados, a medida de fluxo reativo em i é
inicialmente listada, seguida pela medida de fluxo reativo em j.
Os fluxos não monitorados são omitidos.
Formatação: 4D17.8
18) Lista de ramos (LTs + Trafos) cujas correntes são monitoradas;
Formatação: 14I5
19) Vetor que indica o ponto de medição de correntes nos ramos da
rede. Esse vetor pode assumir os valores 1, 2 ou 3, de acordo
com a seguinte convenção: ( Supondo-se que o ramo conecta a
barra i à barra j, sendo i < j ):
1 - a medida é realizada adjacente à barra origem i;
2 - a medida é realizada adjacente à barra destino j;
3 - as medidas são realizadas em ambos extremos da
linha.
Formatação: 14I5
20) Valor das medidas de corrente. Quando ambos os extremos da
linha i − j são monitorados, a medida de corrente adjacente à
barra i é listada, seguida pela medida de corrente adjacente à
barra j. As correntes não monitorados são omitidas.
Formatação: 4D17.8
21) Lista dos inversos das variâncias dos erros de medição.
56
10.3.2 Segundo Arquivo - GIV.pmt
O segundo arquivo de dados necessário para a execução do programa VDelta tem
o nome GIV.pmt e tem a seguinte formatação:
1) Título do estudo;
Formatação: A80
2) Parâmetros de dimensionamento das variáveis indexadas:
NDADJ, NDJCB, NDT, NDROW, NROTN.
Formatação: 5I5
3) MAXIT (número máximo de iterações do estimador), ITJCB
(número da iteração a partir da qual a matriz Jacobiana deva ser
mantida constante), IDETEC (iteração em que se realizará o
processamento de erros grosseiros) e TOL (tolerância para o
critério de parada das iterações do estimador).
Formatação: 3I5, D15.5
Nota: IDETEC é utilizada para ativar o processamento de erros
grosseiros. Se seu valor for superior ao número de
iterações para convergência, este processamento é
prontamente desativado.
4) Chaves para opções de impressão e cálculos desejados, IPRINT,
ICHAVE, KONST.
IPRINT= 0 → os dados de entrada são impressos;
IPRINT= 1 → os dados de entrada não são impressos;
ICHAVE= 0 → as medidas críticas são impressas;
ICHAVE= 1 → calculam-se os elementos da diagonal da matriz
de sensibilidade e ocorre a impressão de
resíduos, variâncias e medidas críticas;
KONST= 0 → as variâncias dos resíduos são sempre
atualizadas;
KONST= 1 → as variâncias dos resíduos são calculadas
uma única vez.
Formatação: 3I5
57
5) Parâmetro de inicialização do estimador, ISHUT. Se igual a 0, o
estimador parte do perfil plano de tensões. Caso contrário, ou
melhor, se for igual a 1, o programa VDelta deverá acessar um
terceiro arquivo de dados que é criado pelo programa SIMED.
Formatação: I5
Nota: Quando ISHUT for igual a 1, o arquivo criado pelo
program SIMED é denominado “shoot.dad”. Este aquivo
contém os valores iniciais dos módulos e ângulos da
tensão de cada barra do sistema, com a formatação
indicado na tabela 2.
Tabela 2
Colunas Descrição Formatação
1-15 Módulo da tensão de barra D15.8
16-30 Ângulo de fase da tensão D15.8
58
10.4 Manual do Aplicativo - Observabilidade Topológica
(Plamed)
O aplicativo PLAMED é um programa que permite analisar a observabilidade
topológica de redes. Este aplicativo permite identificar todas as medidas e con-
juntos críticos existentes no plano de medição, além de identificar pelo menos
uma árvore geradora P − δ e Q − V observáveis (AGO). Portanto, o programa
PLAMED é um programa auxiliar ao processo de estimação de estados que per-
mite melhorar os planos de medição no sentido de se alocar as unidades terminais
remotas (RTU) de tal forma a evitar a formação de classes de medidas indesejáveis
(medidas e conjuntos críticos).
Basicamente, para a execução do programa exige-se apenas um arquivo de
dados, cujo conteúdo é descrito em seguida.
59
6) Leitura do vetor IT que indica os números das linhas onde os
fluxos de potência ativa são monitorados.
Formatação: 16I5 (ver item (10) em seguida)
7) Leitura do vetor ITEND que indica a posição nas linhas onde os
fluxos de potência ativa (item 6) são monitorados: IT END(i) = 1
se o fluxo é medido adjacente à barra origem NA(i) da i − ésima
linha (ver item (10) descrito em seguida); IT END(i) = 2 se o fluxo
é medido adjacente à barra destino NB(i) da i − ésima linha;
IT END(i) = 3 se o fluxo é monitorado em ambos os extremos
da i − ésima linha.
Formatação: 16I5
8) Leitura do vetor IU que indica os números das linhas onde os
fluxos de potência reativa são monitorados.
Formatação: 16I5 (ver item (10) em seguida)
9) Leitura do vetor IUEND que indica a posição nas linhas onde os
fluxos de potência reativa (item 8) são monitorados.
Formatação: 16I5
10) Conjunto de NL linhas de dados, uma para cada linha de
transmissão do sistema, indicando as barras terminais de
cada linha NA(i) e NB(i).
Formatação: 2I5
Formatação: I5
60
11 ANEXOS - 2: Tópicos Especiais de Álgebra
Linear
11.1 Introdução
Os tópicos de álgebra linear abordados a seguir se constituem numa das fer-
ramentas matemáticas mais amplamente utilizadas em problemas de análise de
sistemas de potência.
O objetivo do texto é resgatar parcialmente os conceitos fundamentais de
álgebra e análise de matrizes [22], [23]. Tais fundamentos são frequentemente
usados nos métodos de solução de sistemas de equações algébricas e diferenciais
lineares existentes em problemas do tipo [24], [25]:
• fluxo de potência
• transitórios eletromecânicos
• estabilidade de tensão
• estimação de estados
• otimização, etc.
61
11.2 Sistemas de Equações Algébricas Lineares
O problema mais comumente resolvido em matemática aplicada
representa a solução de um sistema de m equações lineares consis-
tentes6 a n incógnitas, isto é:
Ax = b (60)
onde:
A - matriz de coeficientes
x- vetor de incógnitas (variáveis dependentes)
b- vetor do lado direito (variáveis independentes)
Solução:
62
11.2.1 Eliminação de Gauss e Matrizes
Formulação do Problema:
¯
a11 x1 + a12 x2 + · · · + a1n xn = b1 ¯
¯
a21 x1 + a22 x2 + · · · + a2n xn = b2 ¯
¯
.. ¯ (62)
. ¯
a x + a x + ··· + a x = b ¯
m1 1 m2 2 mn n m ¯
m×n
E1 : 3x + 2y + z = 39
E2 : 2x + 3y + z = 34
1 ◦ . passo
E3 : x + 2y + 3z = 26 (E1 − 3E3 )
E1 : 3x + 2y + z = 39
E2 : 2x + 3y + z = 34
2 ◦ . passo (E1 − 32 E2 )
E3 : 0x − 4y − 8z = −39
primeiro E1 : 3x + 2y + z = 39
resultado E2 : 0x − 52 y − 12 z = −12 (−2E2 )
parcial E3 : 0x − 4y − 8z = −39 (−E3 )
63
E1 : 3x + 2y + z = 39
E2 : 0x + 5y + z = 24
3 ◦ . passo
E3 : 0x + 4y + 8z = 39 (E2 − 54 E3 )
E1 : 3x + 2y + z = 39
E2 : 0x + 5y + z = 24
4 ◦ . passo
E3 : 0x + 0y − 9z = −99/4 (“backsubstitution”)
¯
¯
3 2 1 ¯¯ 39
2 3 1 ¯¯ 34
matriz aumentada
1 2 3 ¯¯ 26
| {z } |{z}
A b
¯
3 2 1 ¯ 39
¯ matriz aumentada
0 5 1 ¯ 24
¯ triangularizada
0 0 −9 ¯ −99/4
n3 n2 5n
3
+ 2
− 6
adições / subtrações
Quando n → ∞, então o número de operações em ponto flutuante
é da ordem de
n3
2× operações de (×, ÷, + e − )
3
64
11.2.2 Método de Gauss-Jordan
São duas as características que diferem o método de Gauss-Jordan 7
do método de eliminação de Gauss, ou seja:
a) Em cada passo do processo de eliminação o elemento pivô tem
que ser igual a 1;
b) Igualmente, a cada passo, todos os elementos acima e abaixo
do pivô são sistematicamente eliminados.
Então, considere a seguinte matriz aumentada associada a um
sistema de equações lineares:
¯
a11 a12 · · · a1n ¯ b1
¯
a21 a22 · · · a2n ¯ b2
¯
.. .. ... .. ¯ .. (63)
. . . ¯ .
¯
am1 am2 · · · amn ¯ bm
Operações algébricas aplicadas sobre as linhas da matriz aumen-
tada produzem os seguintes resultados:
¯
1 0 · · · 0 ¯¯ s1
0 1 · · · 0 ¯¯ s2
.... . . .. ¯ .. (64)
. . . . ¯
¯ .
0 0 · · · 1 ¯ sm
A solução aparece então na última coluna da matriz, i.e, xi = si .
A aparente vantagem deste algoritmo sobre o método de eliminação
Gauss é que não há necessidade de executar o passo de substituição
inversa (“backsubstitution”).
Ex:
¯
3 2 1 ¯¯ 39
2 3 1 ¯ 34 (÷3)
1 ◦ . passo ¯
1 2 3 ¯ 26
¯
1 2/3 1/3 ¯¯ 13
2 3 1 ¯¯ 34 (E2 − 2E1 )
2 ◦ . passo
1 2 3 ¯ 26 (E3 − E1 )
7
(Wilhelm Jordan, 1844-1899)
65
¯
1 2/3 1/3 ¯¯ 13
0 5/3 1/3 ¯ 8
3 ◦ . passo ¯ (× 35 )
0 4/3 8/3 ¯ 13
¯
1 2/3 1/3 ¯¯ 13
0 1 1/5 ¯ 24
4 ◦ . passo ¯ 5 (E1 − 23 E2 )
0 4/3 8/3 ¯ 13
¯
1 0 1/5 ¯¯ 49/5
0 1 1/5 ¯ 24/5
5 ◦ . passo ¯ (E3 − 43 E2 )
0 4/3 8/3 ¯ 13
¯
1 0 1/5 ¯¯ 49/5
0 1 1/5 ¯ 24/5
6 ◦ . passo ¯
0 0 12/5 ¯ 33/5 (× 125
)
¯
1 0 1/5 ¯¯ 49/5
0 1 1/5 ¯ 24/5
7 ◦ . passo ¯
0 0 1 ¯ 11/4 (E2 − 15 E3 )
¯
1 0 1/5 ¯¯ 49/5
0 1 0 ¯ 17/4
8 ◦ . passo ¯
0 0 1 ¯ 11/4 (E1 − 15 E3 )
¯
1 0 0 ¯¯ 37/4
0 1 0 ¯ 17/4
Solução: ¯
0 0 1 ¯ 11/4
Igualmente ao método de Gauss, a eficiência computacional do
método de Gauss-Jordan também pode ser avaliada através do número
de operações em ponto flutuante realizadas durante o processo de elim-
inações sucessivas. Sendo n a dimensão do sistema de equações, tem-
se que são necessárias:
n3 n2
2
+ 2
multiplicações / divisões
n3 n
3
− 2
adições / subtrações
Quando n → ∞, então o número de operações em ponto flutuante
é da ordem de
n3
2× operações de (×, ÷, + e − )
2
Apesar do método de Gauss-Jordan exigir um número superior
de operações em ponto flutuante do que o método da eliminação de
Gauss, o mesmo apresenta vantagens no cálculo de matrizes inversas.
66
11.2.3 Sistemas Numericamente Mal-Condicionados
Um sistema de equações lineares é considerado numericamente
mal-condicionado quando alguma pequena perturbação no sistema
pode produzir relativamente grandes alterações na solução exata. Caso
contrário, considera-se o sistema numericamente bem-condicionado.
EX: ½
0.835x + 0.667y = 0.168
0.333x + 0.266y = 0.067
Solução: x = 1; y = −1
b = −666 e yb = 834
x
67
= f l(0.0375) = f l(0.375 × 10−1 ) = 0.38 × 10−1 = 0.038
Ex:
· ¯ ¸ · ¯ ¸
−10−4 1 ¯¯ 1 1 1 ¯¯ 2 Escolhe-se o
¯ ⇒ −4 ¯
1 1 2 −10 1 1 1◦ . pivô
Ex:
· ¯ ¸ · ¯ ¸
1 −1 ¯¯ −2 −9 10 ¯ 12
¯ Permuta de
¯ ⇒ ¯ −2
−9 10 12 1 −1 Linha
· ¯ ¸ · ¯ ¸
−9 10 ¯¯ 12 10 −9 ¯¯ 12 Permuta de
⇒
1 −1 ¯ −2 −1 1 ¯ −2 Coluna
68
11.3 Sistemas de Equações Algébricas Retangulares
Um sistema de equações lineares que consiste de m equações a
n incógnitas, onde m > n, para que tenha solução é necessário a
existência de pelo menos n linhas linearmente independentes. Um
sistema que apresente esta característica é designado de retangular
ou redundante e tem a seguinte forma:
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. (66)
.
a x + a x + ··· + a x = b
m1 1 m2 2 mn n m
Ex:
1 2 1 3 3
2 4 0 4 4
A=
1
2 3 5 5
2 4 0 4 7
69
Solução:
1 2 1
3 3 1 2 1 3 3
2 4 0
4 4 0 0 −2 −2 −2
⇒
1 2 5
3 5 0 0 2 2 2
2 4 0
7 4 0 0 −2 −2 1
1 2 1 3 3 1 2 1 3 3
0 0 −2 −2 −2 0 0 −2 −2 −2
⇒ =E
0 0 0 0 0 0 0 0 0 3
0 0 0 0 3 0 0 0 0 0
Solução:
1 2 1 1 1 2 1 1
0 0 0 0 ⇒ 0 0 0 1 =E
0 0 0 1 0 0 0 0
∴ rank (E) = 2
1 1
Colunas
=
2 , 2 ,
Básicas
3 4
porque as posiões dos pivôs
encontram − se nas 1a e 4a colunas.
70
11.3.1 Método da Equação Normal
Se um sistema de equações retangulares do tipo considerado an-
teriormente, isto é, Am×n × x = b, onde a matriz de coeficientes tem
rank(A) = n, então é possível associar um sistema de equações dito
normal, que é definido como sendo:
Gn×n × x = bb (67)
½
i = 1, · · · , m
Am×n ± Bm×n = [A]ij ± [B]ij , para (68)
j = 1, · · · , n
Ex:
µ ¶ µ ¶ µ ¶
−2 x 3 2 1 − x −2 0 1 1
+ =
z + 3 4 −y −3 4 + x 4 + y z 8+x 4
µ ¶ µ ¶ µ ¶
−2 x 3 2 1 − x −2 −4 2x − 1 5
− =
z + 3 4 −y −3 4 + x 4 + y z+8 −x −2y − 4
71
Propriedades Válidas para as Operações: Adição / Subtração
1. Am×n ± Bm×n = Cm×n ;
2. (Am×n ± Bm×n ) ± Cm×n = Am×n ± (Bm×n ± Cm×n )
→ p. associativa;
3. Am×n ± Bm×n = Bm×n ± Am×n → p. comutativa;
4. Am×n ± Om×n = Am×n ;
5. Am×n + (−Am×n ) = Om×n ;
6. α × Am×n → [α × A]ij = α × [A]ij , para cada i e j;
7. α × Am×n = Bm×n ;
8. (αβ) A = α (βA) → p. associativa;
9. (α + β) A = αA + βA → p. distribuitiva.
Matrizes Transpostas
Propriedades:
t
1. (At ) = A;
2. (A + B)t = At + B t ;
3. (αA)t = αAt ;
4. rank(A) = rank(At ) e rank(A) = rank(A∗ ).
Multiplicação de Matrizes
c1
¡ ¢ c2
Sejam: R1×n = r1 r2 · · · rn e Cn×1 = ..
.
cn
O produto interno padrão de R com C é definido como sendo o
escalar:
X
n
RC = r1 c1 + r2 c2 + · · · + rn cn = ri ci (69)
i=1
72
Ex:
¡ ¢ 1
2 4 −2 2 = (2) (1) + (4) (2) + (−2) (3) =
3
= 2+8−6=4
Propriedades:
1. AB 6= BA → p. não comutativa;
2. A(B + C) = AB + AC → p. distribuitiva − lado esquerdo;
3. (D + E) F = DF + EF → p. distribuitiva − lado direito;
4. (AB) C = A(BC) → p. associativa;
5. An = AA
| {z· · · A}
n vezes
6. (AB)t = B t At ;
7. (AB)∗ = B ∗ A∗ ;
Matriz Identidade
1 0 ··· 0
0 1 ··· 0
In = .... . . .. (70)
. . . .
0 0 ··· 1
Seja a matriz Am×n operada com a matriz identidade, então as
seguintes relações devem ser observadas:
AIn = A e Im A = A
Propriedades:
1. I −1 = I;
2. I × I × · · · I = I → p. idenpotência (matriz idenpotente);
3. A0 = I.
73
Inversão de Matrizes
AB = In e BA = In (71)
é chamada de inversa de A e é simbolizada como B = A−1 . Diz-se
ainda que a matriz B é não-singular. Então, as matrizes que não
possuem inversas são ditas matrizes singulares. Embora nem todas
as matrizes possuem inversas, no entanto, quando a matriz inversa
existe ela é única.
x = A−1 × b (72)
2. Um sistema de n equações lineares a n incógnitas pode ser
escrito através de uma única equação matricial do tipo An×n ×xn×1 =
bn×1 . Se A é uma matriz não-singular, então o sistema de equações
lineares tem uma única solução que pode ser expressa por:
x = A−1 × b (73)
3. A existência de A−1 implica em:
a) A−1 existe, então A é não-singular;
b) rank(A) = n;
c) A gauss − jordan I;
−−−−−−−−−−−→
d) Ax = 0, implica que x = 0.
Propriedades:
Sejam as matrizes A e B não-singulares, então são válidas:
−1
1. (A−1 ) = A;
2. O produto AB também é não-singular;
3. (AB)−1 = B −1 A−1 ;
t −1 ∗
4. (A−1 ) = (At ) e (A−1 ) = (A∗ )−1 .
74
11.4 Fatoração de Matrizes
11.4.1 Matrizes Quadradas: Fatoração LU
Se An×n é uma matriz não-singular a qual pode ser decomposta
em A = LU, onde L é uma matriz triangular inferior unitária e U é
uma matriz triangular superior, então:
- os elementos lij cujas posições estão abaixo da diagonal principal
da matriz L são múltiplos da linha j que subtraída da linha i em A
eliminam os elementos que ocupam a posição (i, j) durante o processo
de eliminação de Gauss;
- U é a matriz resultante do processo de eliminação de Gauss da
matriz A;
- a decomposição de A em A = LU é chamada de fatoração LU
de A, sendo as matrizes L e U designadas de LU fatores de A.
½
P
p−1
p = 1, 2, · · · , n
lip = aip − lik .ukp , para
k=1 i = p, p + 1, · · · , n
µ ¶ ½ (74)
1
P
p−1
p = 1, 2, · · · , n
upj = lpp
− apj − lpk .ukj , para
k=1 j = p + 1, · · · , n
75
11.4.3 Redução de Doolittle: A = LDU = L(DU) = LU
O algoritmo proposto por Doolittle fatora a matriz A de tal forma
que as matrizes L e U assumem as seguintes características:
U = Mn × Mn−1 × · · · × M2 × M1 × A
8
Os pivôs da eliminação de Gauss são aqueles valores que multiplicados ao pivô da coluna
anulam os demais elementos da coluna correspondente.
76
t
11.4.4 Redução de Cholesky: A = (LD1/2 )(D1/2 U) = LL
O algoritmo proposto por Cholesky9 só é aplicável às matrizes
que são simétricas10 e positivas definidas11 , isto é, matrizes em que os
elementos que ocupam as posições (i, j) são numericamente iguais aos
elementos das posições (j, i). As expressões que permitem calcular os
elementos da matriz L são:
1 X i−1
lki = × (aki − lij × lkj ) (76)
lii j=1
Elementos da diagonal:
v
u
u X
k−1
lkk t
= akk − 2
lkj (77)
j=1
k = 1, 2, · · · , n
i = 1, 2, · · · , k − 1
sendo n a dimensão da matriz a ser fatorada.
9
André-Louis Cholesky (1875-1918), major da Divisão de Artilharia das Forças Armadas
da França. Como membro do Serviço Geográfico da França ganha notoriedade face sua ex-
traordinária inteligência e facilidades em matemática. De 1905 a 1909 Cholesky desenvolve o
método que hoje é conhecido pelo seu nome. Em 31 de Agosto de 1918 Cholesky morre em
batalha da Primeira Guerra Mundial.
10
Os elementos nas posições (i, j) são numericamente iguais aos elementos situados nas
posições (j, i), isto é, são simétricos em posições e têm o mesmo valor numérico.
11
Toda matriz real simétrica é positiva definida quando apresenta as seguintes principais
características: a) Todos os pivôs da fatoração LU são positivos; b) xt Ax > 0 para todo
x ∈ <n×1 ; c) Todos os autovalores de A são positivos.
77
Aplicação
Obtenha a fatoração LU da matriz apresentada a seguir através
dos seguintes algoritmos:
a) Redução de Crout;
b) Redução de Doolittle;
c) Redução de Cholesky.
4 1 3
A3×3 = 1 5 2
3 2 6
Solução:
a) Redução de Crout
´ p = 1, · · · 3 j = p + 1, · · · 3
Indices :
i = p, · · · 3 k = 1, · · · p − 1
1o P asso: p = 1; i = 1, 3; j = 2, 3 e k = 0
1a coluna de L ≡ 1a coluna de A
1 1
j = 2 → u12 = l11
× a12 = 4
1 3
j = 3 → u13 = l11
× a13 = 4
2o P asso: p = 2; i = 2, 3; j = 3 e k = 1
1 19
i = 2 → l22 = a22 − l21 × u12 = 5 − 1 × 4
= 4
1 5
i = 3 → l32 = a32 − l31 × u12 = 2 − 3 × 4
= 4
1 4
j = 3 → u23 = l22
× (a23 − l21 × u13 ) = 19
× (2 − 1 × 34 ) = 5
19
3o P asso: p = 3; i = 3; j = 0 e k = 1, 2
78
Logo:
4 1 1/4 3/4
A = 1 19/4 × 1 5/19 c.q.f.
3 5/4 65/19 1
b) Redução de Doolittle
1 0 0 1 0 0
L = M1−1 × M2−1 = 1/4 1 0 × 0 1 0 =
3/4 0 1 0 5/19 1
1 0 0
L = 1/4 1 0
3/4 5/19 1
Logo:
1 4 1 3
A = 1/4 1 × 19/4 5/4 c.q.f.
3/4 5/19 1 65/19
79
c) Redução de Cholesky
´ k = 1, · · · 3
j = 1, · · · i − 1
Indices :
i = 1, · · · k − 1
j = 1, · · · k − 1
½
o lki → j = 0
1 P asso: k = 1; i = 0; j =
lkk → j = 0
√ √
l11 = a11 = 4 = 2
½
o lki → j = 0
2 P asso: k = 2; i = 1; j =
lkk → j = 1
1
l21 = l11
× (a21 ) = 1/2
p q √
l22 = a22 − l21 = (5 − 1/4) = 19
2 2
4
= 19
2
½
o lki → j = 1
3 P asso: k = 3; i = 1, 2; j =
lkk → j = 1, 2
1 1
i = 1 → l31 = l11
× (a31 − 0) = 2
× 3 = 3/2
1 √2
i = 2 → l32 = l22
× (a32 − l21 × l31 ) = 19
× (2 − 12 × 32 ) = √5
2 19
p q q
l33 = 2
a33 − (l31 2
+ l32 ) = 6 − ( 94 + 25
76
) = 65
19
Logo:
2 √ 2 √1/2 3/2
√
A = 1/2 19/2
√ p
× 19/2 5/(2
p 19)
c.q.f.
3/2 5/(2 19) 65/19 65/19
80
11.4.5 Matrizes Retangulares: Fatoração QR
Uma forma alternativa de triangularizar a matriz de coeficientes
do tipo Am×n além da utilização da eliminação de Gauss (“row echelon
form”), é o uso da fatoração QR.
No entanto, a fatoração QR, independentemente dos algoritmos
empregados, requer a introdução de conceitos relevantes de álgebra
linear que devem preceder a apresentação dos Métodos Ortogonais de
Householder e Givens. Estes métodos executam a fatoração QR e
serão apresentados nos itens subseqüentes da presente seção.
Norma-P
Para p ≥ 1, a norma p de um vetor x ∈ <n é definida como sendo:
à n !1/p
X
kxkp = |xi |p (78)
i=1
µ ¶1/2
P
n
2
Norma-2→ kxk2 = |xi | → (norma euclidiana)
i=1
x = ( 3 4 − 3i 1 )
√
Solução: kxk1 = 9; kxk2 = 35; kxk∞ = 5
Ortogonalidade
Dois vetores no espaço <3 são ortogonais (perpendiculares) se o
ângulo formado entre eles é igual ao ângulo reto (90◦ ). No espaço n−
dimensional, isto é, <n ou C n , são válidas as afirmativas abaixo:
<n , x ⊥ y → xt y = 0
(79)
n ∗
C , x⊥y→x y=0
81
Ex:
1 4
−2 1
a) O vetor x =
3 é ortogonal em relação a y = −2
−1 −4
porque xt y = 4 − 2 − 6 + 4 = 0.
i i
b) Apesar de ut v = 0, os vetores u = 3 e v = 0 não
1 1
são ortogonais porque u∗ v 6= 0.
Base Ortonormal
Seja β = {u1 , u2 , · · · , un } um conjunto formado por vetores ortogo-
nais unitários, isto é, kui k = 1 e ui ⊥ uj para todo i 6= j. Então é
válido afirmar que:
• Todo conjunto ortonormal é linearmente independente;
• Todo conjunto ortonormal de n − vetores de um espaço n−
dimensional = é uma base ortonormal de =.
Matrizes Ortogonais
Uma matriz ortogonal é definida como sendo a matriz real Pn×n
cujas colunas e linhas constituem uma base ortonormal em <n . Então,
sobre a matriz Pn×n é possível afirmar:
• As linhas ou colunas de Pn×n são ortonormais;
−1 t
• Pn×n = Pn×n
• kPn×n × xk2 = kxk2 para todo x ∈ <n×1 .
PROPRIEDADES
• A matriz identidade In é uma matriz ortogonal;
• Uma matriz ortogonal pode ser considerada como matriz unitária,
mas uma matriz unitária geralmente não é ortogonal;
• A matriz
√ √ √
1/ √2 1/√3 −1/√6
P = −1/ 2 1/√3 −1/√ 6
0 1/ 3 2/ 6
82
11.4.6 Reflexões de Householder
As transformações de Householder12 , que são transformações lin-
eares obtidas através da aplicação do operador R sobre um vetor v no
espaço <n , é melhor vizualizada no espaço <3 conforme é mostrado
na figura abaixo.
eixo - z
v = ( x, y, z )
eixo - x
R ( v ) = ( x, y, - z )
eixo - y
12
Alston Scott Householder (1904-1993), foi um dos primeiros matemáticos contemporãneo a
utilizar o conceito de refletores elementares em aplicações numéricas. Ph.D. pela Universidade
de Chicago, 1937. Pesquisador da Divisão de Matemática Aplicada do Laboratório Nacional
de Oak Ridge, USA, desde de 1946 sendo que em 1948 torna-se o diretor do laboratório e uma
das figuras mais expressivas em análise numérica e cálculo matricial.
83
Formulação Matemática
Para matrizes do tipo Am×n = [A∗1 | A∗2 | · · · A∗n ] o operador refle-
tor R elementar deve ser construído a partir das seguintes expressões:
t11 t12 t13 · · · t1n
µ ¶ 0 t22 t23 · · · t2n
t11 tt1
0 0 ∗ ··· ∗
R2 ×R1 ×A = b2 × A2 = (85)
0 R .. .. .. ..
. . . .
0 0 ∗ ··· ∗
84
Após k − 1 passos a expressão anterior resulta:
µ ¶
Tk−1 Tek−1
Rk−1 · · · R2 × R1 × A = (86)
0 Ak
∗ ∗ ··· ∗
0 ∗ ··· ∗
n×n
.. ... ..
. .
Rn · · · R2 ×R1 ×Am×n =
0 0 ··· ∗
(87)
0 0 ··· 0
.. .. .. (m − n) × n
. . .
0 0 ··· 0
ou ainda,
µ ¶
T
P × Am×n = , onde P = Rn · · · R2 × R1 (matriz ortogonal)
0
(88)
Exemplo de Aplicação
−5
u1 ut
u1 = A∗1 − kA∗1 k · e1 = A∗1 − 5 · e1 = 3 e R1 = I − 2 × t 1
u1 u1
4
85
O esfôrço computacional exigido na obtenção do produto RA =
[RA∗1 | RA∗2 | · · · |RA∗n ] pode ser minimizado quando a seguinte equação
equivalente for usada:
µ t ¶
u × A∗j
RA∗j = A∗j − 2 u, j = 1, 2, · · · , n.
ut × u
Assim sendo, obtém-se:
5 25 −4
R1 A = [R1 A∗1 | R1 A∗2 | R1 A∗3 ] = 0 0 −10
0 −25 −10
A eliminação do elemento abaixo da posição (2, 2) é realizada a
partir das igualdades:
µ ¶ µ ¶
0 −10 −1
A2 = e u2 = [A2 ]∗1 − k[A2 ]∗1 k e1 = 25
−25 −10 −1
µ ¶
b2 = I − 2 × u2 ut2 /ut2 u2 e R2 = 1 0
Se R b2 , então
0 R
µ ¶ 5 25 −4
b2 × A2 = 25 10
R e R2 × R1 × A = T = 0 25 10
0 10
0 0 10
Finalmente,
0 15 20
1
P = R2 R1 = × −20 12 −9
25
−15 −16 12
P × A = T → sendo P : matriz ortogonal
86
11.4.7 Rotações de Givens
As rotações de Givens13 também são transformações lineares porém
obtidas através da aplicação do operador Q sobre um vetor v no espaço
<n . Esta transformação é melhor vizualizada no espaço <2 conforme
é mostrado na figura abaixo.
eixo - y
Q ( v ) = ( -x, y ) v = ( x, y )
eixo - x
µ ¶ µ ¶µ ¶
x cos θ + y sin θ cos θ sin θ x
Q(v) = = (89)
−x sin θ + y cos θ − sin θ cos θ y
13
J. Wallace Givens, Jr. (1910-1993), foi o primeiro matemático contemporãneo a utilizar o
conceito de planos rotacionais em aplicações numéricas de matrizes. Ph.D. pela Universidade
de Princeton, 1936. Professor da Universidade de Cornell por muitos anos, mas aposenta-se
pela Universidade de Northwestern.
87
Formulação Matemática
1
...
c s
1
... ← linha i
Pij =
(90)
−s c
1
← linha j
...
1
88
então:
x1
..
q .
x2 + x2
i j
. ←i
Pij × x = .. (93)
0
←j
..
.
xn
Isto significa que as rotações de Givens permitem eliminar qual-
quer elemento do vetor x através de uma rotação no plano (i, j) sem
afetar os demais elementos do vetor exceto os elementos xi e xj .
A generalição da operação descrita acima permite concluir que a
utilização de rotações de Givens pode ser extendida e usada na elimi-
nação de elementos situados em posições abaixo de um dado pivô.
Por exemplo, o processo de eliminação de todos os elementos em x
que ocupam as posições abaixo do primeiro elemento pode ser obtida
através de uma seqüência de rotações coforme demonstra-se a seguir:
p p
x21 + x22 x21 + x22 + x23
0 0
x 0
3
P12 ×x = x4 ; P13 ×P12 ×x = x4 ; ··· ;
.. ..
. .
xn xn
kxk
0
0
P1n · · · P13 × P12 × x = 0 (94)
..
.
0
89
Exemplo de Aplicação
3 0 4 5 25 −4
1
P13 = 0 5 0 → P13 × P12 × A = 0 20 14
5
−4 0 3 0 −15 2
5 0 0 5 25 −4
1
P23 = 0 4 −3 → P23 ×P13 ×P12 ×A = T = 0 25 10
5
0 3 4 0 0 10
Então:
0 15 20
1
P = P23 × P13 × P12 = × −20 12 −9
25
−15 −16 12
P × A = T → sendo P : matriz ortogonal
90
11.4.8 Solução do Problema: Ax=b, via Fatoração QR
Toda matriz não-singular A ∈ <n×n , tem uma matriz ortogonal
Q e uma matriz triangular superior R que são únicas. A diagonal
principal da matriz R são todos positivos, isto é, rii > 0. Portanto,
sendo:
A=Q×R (95)
tem-se que:
R × x = Qt × b = bb (97)
Sendo a matriz R triangular superior, a execução da rotina de
substituição inversa permite determinar a solucão desejada do sistema
de equações.
Cabe ressaltar que a fatoração QR obtida através de reflexões de
Householder é especialmente indicada quando a natureza do problema
a ser resolvido está estruturada por colunas da matriz de coeficientes
A. Em contrapartida, quando a natureza do problema a ser resolvido
é organizada por linhas da matriz A, as rotações de Givens são mais
eficientes computacionalmente, apesar da robustez numérica de ambos
os métodos serem equivalentes.
flops 14
Métodos de Redução n × n m×n
Eliminação de Gauss n3 /3 mn2 − n3 /3
Reflexões de Householder 2n3 /3 4(m2 n − mn2 + n3 /3)
Rotações de Givens 4n2 /3 3n2 (m − n/3)
14
≈ número de operações em ponto flutuante.
91
11.5 Sistemas de Equações Diferenciais Lineares
11.5.1 Considerações Iniciais
A ênfase do presente texto até este ponto foi direcionada à solução de sistemas de
equações algébricas lineares. Por outro lado, e igualmente importante, é a apre-
sentação do problema da obtenção de solução de sistemas de equações diferenciais
lineares.
Como exemplo, considere o problema de resolver o seguinte sistemas de duas
equações diferenciais lineares de primeira ordem:
½ du1
dt
= 7u1 − 4u2
du2 (98)
dt
= 5u1 − 2u2
· ¸ · ¸ · ¸
u01 7 −4 u1
= × (99)
u02 5 −2 u2
u0 = A × u (100)
· ¸ · ¸ · ¸
7 −4 α1 α1
× =λ· (103)
5 −2 α2 α2
92
O sistema de equações diferenciais anterior é do tipo:
A×x=λ·x (104)
(A − λI) × x = 0 (105)
O espaço próprio definido por N(A − λI) contém vetores próprios15 não-nulos
se e somente se (sse) a matriz (A − λI) for singular. Portanto, os escalares de
interesse são precisamente os valores próprios16 (λ) que tornam a matriz (A − λI)
singular, ou seja, os valores de λ que permitem estabelecer a seguinte equação:
15
igualmente denominados de auto-vetores.
16
igualmente designados de auto-valores.
93
11.5.3 Interpretação Geométrica
A interpretação geométrica da Eq. (104) em <2 é mostrada na figura abaixo:
eixo - y
A× x = λ ⋅ x
eixo - x
(A − 2I) · x = 0
(A − 3I) · x = 0
94
Então, para λ1 = 2, resulta:
µ ¶ µ ¶ ½ ¾
1 −4/5
5 −4 x1 = (4/5) · x2
(A − 2I) = → =⇒
5 −4
0 0 x2 = ∀ valor
½ µ ¶¾
4/5
N(A − 2I) = x|x=α·
1
µ ¶ µ ¶ ½ ¾
4 −4 1 −1 x1 = x2
(A − 3I) = → =⇒
5 −5 0 0 x2 = ∀ valor
½ µ ¶¾
1
N(A − 3I) = x|x=β·
1
¯ ¯
¯ 1 − λ −1 ¯
det(A − λI) = ¯¯ ¯ = (1 − λ)2 + 1 = λ2 − 2λ + 2
¯
1 1−λ
95
Então a equação característica é λ2 − 2λ + 2 = 0. A solução da equação
característica é obtida fazendo:
√ √
2± −4 2 ± 2 −1
λ= = =1±i
2 2
Daí, o espectro de A é σ(A) = {1 + i, 1 − i} . Portanto, conclui-se que os
valores próprios de matrizes de números reais podem ser números complexos.
Quando isto ocorre, os valores próprios resultantes serão sempre pares conjugados.
Consequentemente, os espaços próprios correspondentes definidos da seguinte
forma:
• λ1 = 1 + i
µ ¶ µ ¶ ½µ ¶¾
−i −1 1 −i i
A−λ1 I = → ⇒ N(A−λ1 I) = α·
1 −1 0 0 1
• λ2 = 1 − i
µ ¶ µ ¶ ½µ ¶¾
i −1 1 i −i
A − λ2 I = → ⇒ N(A − λ2 I) = β ·
1 1 0 0 1
96
11.6 Exercícios Propostos
Eliminação de Gauss
[A| b1 | b2 | b3 ]
3. O seguinte sistema de equações não tem solução:
− x1 + 3x2 − 2x3 = 1
− x1 + 4x2 − 3x3 = 0
− x1 + 5x2 − 4x3 = 0
Tente resolver este sistema usando a eliminação de Gauss e ex-
plique o que ocorre durante o processo de eliminação que indica a
impossibilidade de resolvê-lo.
Eliminação de Gauss-Jordan
97
Operação em Ponto Flutuante
1 2 3
1 2 3 3 2 6 8
A = 2 4 6 9 ; B= 2 6 0 ;
2 6 7 6 1 2 5
3 8 6
2 1 1 3 0 4 1
4 2 4 4 1 5 5
2 1 3 1 0 4 3
C =
6 3 4 8 1 9 5
0 0 3 −3 0 0 3
8 4 2 14 1 13 3
98
Operações com Matrizes
1 −2 3 1 2 1
8. Para A = 0 −5 4 ; B = 0 4 e C = 2 ,
4 −3 8 3 7 3
determine os seguintes produtos quando for possível: a) AB; b) BA;
c) CB; d) C t B; e) A2 ; f) B 2 ; g) C t C; h) CC t ; i) BB t ; j) B t B; k)
C t AC.
Fatoração LU
1 4 5
9. Dado que A = 4 18 26
3 16 30
a) Determine a fatoração LU de A;
b) Use as matrizes fatores LU do item anterior para resolver os
sistemas de equações Ax1 = b1 bem como Ax2 = b2 , onde
6 6
b1 = 0 e b2 = 2
−6 12
c) Use as matrizes fatores LU para derterminar A−1 .
1 2 3
10. Explique porque A = 2 8 12 é uma matriz positiva
3 12 27
definida e determine a matriz fator L da redução de Cholesky.
99
13. Usando a propriedade de produto interno padrão, determine
quais dos seguintes
pares de vetores
sãoortogonais no espaço indicado:
1 −2
a) x = −3 e y = 2 em <3 ;
4 2
i 0
1+i 1+i
b) x =
2 e y = −2 em C ;
4
1−i 1−i
1 4
−2
c) x = e y = 2 em <4 ;
3 −1
4 1
1+i 1−i
d) x = 1 e y = −3 em C 3 ;
i −1
0 y1
0 y2
e) x = .. e y = .. em <n ;
. .
0 yn
14. Determine o ângulo entre os vetores mostrados abaixo:
2 1
x= −1 e y= 1
1 2
Fatoração QR
15. Dados:
1 0 −1 1
1 2 1 1
A=
1
e b=
1 −3 1
0 1 1 1
a) Determine a fatoração QR de A;
b) Use as matrizes fatores Q e R do item anterior para determinar
a solução do sistema de equações Ax = b;
c) Determine a solução do sistema de equações Ax = b através do
método da equação normal.
100
Valores e Vetores Próprios
µ 2¶ 16 8 3 −2 5
−10 −7
A = B= 4 14 8 C= 0 1 4
14 11
−8 −32 −18 0 −1 5
0 6 3 3 0 0
D = −1 5 1 E = 0 3 0
−1 2 4 0 0 3
−1 1 −1 0
1 0 0 1
(a) (b) (c) (d)
0 −1 2 −3
1 0 2 0
101