Apostila

UNIFEI
Universidade Federal de Itajubá

(Lei 10.435 - 24/04/2002)
Grupo de Engenharia de Sistemas - GESis
TES03
Supervisão em Tempo Real da Segurança
Operativa de Sistemas de Potência
Prof. Dr. Robson C. Pires
May 16, 2002

Contents
1 Introdução 4
2 Modernos Centros de Operação de Sistemas 6

2.1 Centro de Operação de Sistemas (COS) . . . . . . . . . . . . . . . 6
2.1.1 Principais Funções Executadas no COS . . . . . . . . . . . 6
2.2 Centro de Operação de Distribuição (COD) . . . . . . . . . . . . 8
2.2.1 Principais Funções Existentes no COD . . . . . . . . . . . 8
2.2.2 Funções Técnicas . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Funções Gerenciais e Comerciais . . . . . . . . . . . . . . . 10
3 Características da EESP 11
4 Aplicação dos Resultados da EESP 11
5 Classificação dos Estimadores de Estados 12
6 Mínimos Quadrados Ponderados (MQP) - Abordagem Clássica 12
7 Estimador de Estados Linearizado (CC) 17

7.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.2 Hipóteses Simplificadoras . . . . . . . . . . . . . . . . . . . . . . . 17
7.3 Estrutura de Dados do Estimador CC . . . . . . . . . . . . . . . . 18
7.3.1 Vetor de Grandezas Medidas . . . . . . . . . . . . . . . . . 18
7.3.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.4 Modelo de Medição Linearizado . . . . . . . . . . . . . . . . . . . 20
7.5 Solução do Estimador CC . . . . . . . . . . . . . . . . . . . . . . 20
7.6 Construção do Modelo Linear de Medição . . . . . . . . . . . . . 21
8 Estimador de Estados Não-Linear (CA) 22

8.1 Modelo Não-Linear de Medição . . . . . . . . . . . . . . . . . . . 22
8.2 Solução do Método MQP Aplicado ao Problema de EESP . . . . 23
8.3 O Método de Gauss-Newton . . . . . . . . . . . . . . . . . . . . . 23
8.4 Estrutura de Dados do Estimador CA . . . . . . . . . . . . . . . . 25
8.4.1 Vetor de Grandezas Medidas . . . . . . . . . . . . . . . . . 25
8.4.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
8.5 Estrutura da Matriz Jacobiano H(bx) . . . . . . . . . . . . . . . . . 27
8.5.1 Equações de Injeções de Potência . . . . . . . . . . . . . . 28
8.5.2 Equações de Fluxo de Potência . . . . . . . . . . . . . . . 28
8.5.3 Cálculo dos elementos da Matriz Jacobiano H(bx) . . . . . . 29
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
10 ANEXOS - 1: Manuais do Simulador “EMS” 45

10.1 Manual do Aplicativo - Fluxo de Carga (NEWTRP) . . . . . . . . 45
10.1.1 Considerações Gerais . . . . . . . . . . . . . . . . . . . . . 45
10.1.2 Descrição dos Cartões de Controle . . . . . . . . . . . . . . 45
10.2 Manual do Aplicativo - Simulador de Medidas (SIMED) . . . . . . 48
10.2.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . 48
10.2.2 Dados de Entrada Fornecidos pelo Aplicativo NEWTRP . 48
10.2.3 Dados do Plano de Medição . . . . . . . . . . . . . . . . . 50
10.2.4 Descrição do Relatório de Saída . . . . . . . . . . . . . . . 53
10.3 Manual do Aplicativo - Estimação de Estados (VDelta) . . . . . . 54
10.3.1 Primeiro Arquivo - GIVnnn.dad . . . . . . . . . . . . . . . 54
10.3.2 Segundo Arquivo - GIV.pmt . . . . . . . . . . . . . . . . . 57
10.4 Manual do Aplicativo - Observabilidade Topológica (Plamed) . . . 59
10.4.1 Arquivo Único - Plmdxxxx.dad . . . . . . . . . . . . . . . 59
11 ANEXOS - 2: Tópicos Especiais de Álgebra Linear 61

11.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
11.2 Sistemas de Equações Algébricas Lineares . . . . . . . . . . . . . 62
11.2.1 Eliminação de Gauss e Matrizes . . . . . . . . . . . . . . . 63
11.2.2 Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . . 65
11.2.3 Sistemas Numericamente Mal-Condicionados . . . . . . . . 67
11.2.4 Números em Ponto Flutuante . . . . . . . . . . . . . . . . 67
11.3 Sistemas de Equações Algébricas Retangulares . . . . . . . . . . . 69
11.3.1 Método da Equação Normal . . . . . . . . . . . . . . . . . 71
11.3.2 Propriedades de Álgebra Matricial . . . . . . . . . . . . . . 71
11.4 Fatoração de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 75
11.4.1 Matrizes Quadradas: Fatoração LU . . . . . . . . . . . . . 75
11.4.2 Redução de Crout: A = LU . . . . . . . . . . . . . . . . . 75
11.4.3 Redução de Doolittle: A = LDU = L(DU) = LU . . . . . 76
t
11.4.4 Redução de Cholesky: A = (LD1/2 )(D1/2 U ) = LL . . . . . 77
11.4.5 Matrizes Retangulares: Fatoração QR . . . . . . . . . . . . 81
11.4.6 Reflexões de Householder . . . . . . . . . . . . . . . . . . . 83
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.
A avaliação da segurança da operação de um sistema de potência é feita a

partir da execução básica de duas funções que são: Monitoração da Segurança e
Análise de Segurança. O desempenho dessas funções depende da disponibilidade
de informações confiáveis a respeito do ponto de operação atual do sistema. Esta
função é desempenhada pelo Estimador de Estados em Sistemas de Potência
(EESP).
O estimador de estados é constituído de um conjunto de algoritmos que proces-

sam telemedidas que são fornecidas pelo sistema supervisório de controle e de
aquisição de dados (SCADA - Supervisory Control and Data Aquisition) insta-
lado no sistema. As telemedidas são em geral redundantes e corrompidas por
erros de medição, que têm diversas origens, dentre as quais podem derivar do
processo de conversão analógico-digital da grandeza elétrica e da transmissão dos
dados até o COS.
As grandezas observadas são processadas pelo estimador com o objetivo de

fornecer estimativas confiáveis para os estados da rede. Estes últimos correspon-
dem às tensões (módulo e ângulo) nas barras do sistema elétrico e, adicionalmente,
posição de tapes de transformadores e ângulo de disparo de tiristores existentes
nas conversoras de elos em corrente contínua.
A principal expectativa é de que as estimativas obtidas para todas as grandezas

elétricas sejam mais confiáveis do que as mesmas grandezas medidas correspon-
dentes. Basicamente, a forma de obtenção dos estados da rede elétrica é que
diferencia a qualidade dos resultados obtidos através do estimador de estados e
do fluxo de potência.
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.
2.1 Centro de Operação de Sistemas (COS)

A figura 1 apresentada a seguir mostra a seqüência de funções excutadas num
Centro de Operação de Sistemas (COS). As funções realizadas no COS objetivam
assegurar a normalidade operativa da malha principal do sistema de transmissão.
A Cadeia de Operação em Tempo Real (COS)

Medidas/Pseudom edisdas
Analógicas
Pré-Filtragem
BANCO DE
CONFIGURADOR Parâmetros
Medidas DA
DADOS
da rede ESTÁTICO
Digitaist REDE Topologia
da Rede
ESTIMADOR
DE
Dados ESTADOS
Sistema
Externo
MONITORAÇÃO
DE
REDUÇÃO SEGURANÇA
DA
REDE EXTERNA EMERGÊNCIA CONTROLE
DE
NORMAL EMERGÊNCIA
SELEÇÃO
DE RESTAURATIVO CONTROLE
CONTINGÊNCIAS RESTAURATIVO
ANÁLISE
ANÁLISE
DE SENSIB. DE SEGURANÇA
ANÁLISE INSEGURO AÇÃO

DE PREVENTIVA
CONTINGÊNCIAS
SEGURO
FIM
Figura 1 - Cadeia da Operação em Tempo Real na Transmissão (COS).
2.1.1 Principais Funções Executadas no COS

Uma breve descrição sobre cada uma das funções mais executadas no COS é
realizada a seguir:
• Banco de Dados: Esta função armazena os parâmetros de todos os com-

ponentes da rede monitorada, tais como: linhas de transmissão, transfor-
madores, reatores, bancos de capacitores, etc. O banco de dados deve ser
permanente atualizado. Isto é, os parâmetros processados pelo estimador de
estados deve corresponder exatamente àqueles referentes aos componentes
efetivamente energizados na rede.
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.
• Pré-filtragem: Esta função objetiva excluir informações que violam gros-

seiramente as hipóteses concebidas no modelo de medição do estimador de
estados. Geralmente, erros do tipo topológico, que são causados por falhas
relativas à sinalização da condição operativa de chaves e disjuntores, são
detetados e eliminados nesta fase.
• Estimador de Estados: Esta função tem por objetivo principal monitorar a

segurança operativa da rede elétrica. Ela é o escôpo do presente curso.
• Manutenção da Segurança Operativa: Através da análise dos resultados

fornecidos pelo estimador de estados, é possível verificar se o estado opera-
tivo atual da rede é normal, alerta, emergencial ou restaurativo. A partir
desta verificação, conforme for o caso, permite-se adotar as medidas de
controle necessárias para restabelecer a normalidade operativa da rede.
• Análise de Sensibilidade: Esta função permite identificar dentre os controles

disponíveis, quais são os mais efetivos no restabelecimento da normalidade
operativa da rede. Os índices de sensibilidade são bastante úteis nos ajustes
de fluxo de potência face à indisponibilidade de elementos da rede (N-1). A
partir do ponto operativo definido nesses estudos dá-se início aos estudos de
transitórios eletromecânicos frente ao elenco das contingências mais críticas
que podem ocorrer no sistema.
• Análise de Contingências: Esta função utiliza as ferramentas de cálculo

de fluxo de carga e transitórios eletromecânicos. Tais estudos permitem
planejar a expansão da rede e subsidiar a manutenção quanto a solicitação
de desligamento de componentes do sistema.
• Ações de Controle: A execução das funções descritas anteriormente, mesmo

que parcial, permite realizar as ações de controle necessárias a manutenção
da segurança operativa da rede ou restabelecer a sua normalidade.
• Outras funções: Não menos importantes que as funções descritas anterior-

mente, a partir dos resultados do estimador de estados, que armazenado
num banco de dados representa o histórico da operação, pode-se realizar as
seguintes funções adicionais:
- minimização de perdas;
- despacho ótimo da geração;
- “Available Transfer Capability (ATC)”, etc.
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.
DMS - DISTRIBUTION MANAGEMENT SYSTEM
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)
Figura 2 - Centro da Operação em Tempo Real na Distribuição (COD).
2.2.1 Principais Funções Existentes no COD

Além das funções pertinentes ao monitoramento de sistemas de distribuição lis-
tadas abaixo, as funções executadas no COD podem ser agrupadas em duas
categorias bem definidas, que serão descritas nas subseções subseqüentes.
• Banco de Dados: Esta função armazena os parâmetros dos circuitos ali-
mentadores, ramais, transformadores, reguladores de tensão, bancos de ca-
pacitores e iluminação pública instalados nos sistemas de distribuição.
• Configurador de rede: Esta função define a topologia dos alimentadores e
ramais de distribuição. Isto é possível através do processamento do status
operativo de chaves e disjuntores (aberto ou fechado).
• Terminais de Monitoração e Controle (MMI): Nestas unidades são cen-
tralizadas todas as funções de decisão e execução das ações de controle
necessárias para manter a normalidade operativa da rede.
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:
• Fluxo de Potência: Diante da perspectiva de conexão ao sistema de dis-

tribuição de produtores independentes de energia, a ferramenta de fluxo de
potência é usada em substituição aos aplicativos que calculam meramente
a queda de tensão em circuitos alimentadores e ramais de distribuição.
Para esta aplicação são necessários algoritmos mais adequados, tais como a
obtenção da solução de um fluxo de carga através do método de injeção de
corrente e/ou modelos mais realistas, como a representação “abc” ou fluxo
de carga trifásico.
• Estimadores de Estados: A carência de informações por algum tempo inibiu

a utilização de estimadores de estados em sistemas de distribuição. No en-
tanto, o desenvolvimento, implantação e aplicação de modernos sistemas de
comunicação via cabos de fibras óticas em serviços de telefonia, TV a cabo
e internet, além da disponibilidade de uma nova geração de medidores de
energia dotados de hardware com protocolos de comunicação tipo TCP/IP,
permitem resolver o problema da necessária redundância de informação.
• Controle de Tensão e Reativos: Esta função só pode ser exercida eficiente-

mente a medida que o sistema de monitoramento e automação de sistemas
de distribuição seja implantado.
• Controle de Geração Distribuída: A tendência crescente de produtores in-

dependentes se conectarem às redes de distribuição deve ser regulamentada
e rigorosamente controlada pela concessionária.
• Localizador de Faltas: Esta função objetiva isolar o circuito defeituoso,

repará-lo e reconectá-lo ao sistema rapidamente, para não violar os índices
de qualidade, tipo: DEC, FEC, DIC, FIC, entre outros em estudo, que são
estabelecidos pela agência reguladora dos serviços.
• Reconfigurador de Redes: Esta função auxilia a recomposição do sistema

após a ocorrência de alguma falha na rede.
• Previsor de carga: Esta função aplicada à distribuição, num horizonte de

longo prazo, objetiva principalmente estabelecer uma correlação geográfica
auxiliar no planejamento da expansão de sistemas de distribuição. No curto
prazo, auxilia a execução da função de reconfigurar a rede no sentido de evi-
tar sobrecargas em elementos integrantes do sistema de distribuição (p.ex.:
transformadores).
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.
• Sistema de Informações Comerciais: Esta função é a responsável pela parte

contratual na prestação de serviços de energia elétrica e tem valor jurídico.
Nos escritórios comerciais são pactuados os valores de tarifas praticadas em
concordância com a política vigente para cada classe de consumidor.
• Central de Atendimento ou “Call Center”: Esta função desempenha im-

portante papel na operação dos sistemas de distribuição. Ela representa
um dos canais de comunicação entre a empresa e seus clientes. O relato da
ocorrência de falhas na rede de distribuição permite acionar as equipes de
plantão e agilizar o restabelecimento da normalidade operativa da rede.
• Gerenciamento de Eventos: Esta função objetiva estabelecer uma escala de

prioridade no atendimento às ocorrências de falha na rede de distribuição.
• Previsor de Mercado: Analisa todas as solicitações de conexões de novas

instalações, quer sejam residenciais, comerciais ou industriais. Tais infor-
mações irão subsidiar os estudos de planejamento da expansão dos sistemas
de distribuição.
• Controle de Perdas: Objetiva maximizar o desempenho operativo da rede

e subsidiar o programa de manutenção e reformas da rede de distribuição.
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:
a) magnitude das tensões (V);
b) injeções de potência ativa (P) e reativa (Q);
c) fluxos de potência ativa (t) e reativa (u);
d) excepecionalmente, a corrente elétrica (I) em alimentadores de distribuição

de energia elétrica.
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.
4 Aplicação dos Resultados da EESP

Dentre as principais aplicações dos resultados fornecidos pelo estimador de esta-
dos, destacam-se:
• Monitoração de Segurança, cujo objetivo é observar a condição operativa

do sistema e verificar se esta é normal, de alerta, de emergência, ou restau-
rativa;
• Análise de Segurança, cuja função primeira é determinar os efeitos de even-

tuais contingências (defeitos, i.e, desligamento de transformadores e linhas
de transmissão) na rede;
• Previsão de Carga;
• Despacho Ótimo da Geração;
• 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:
• Estimadores tipo “batch”, no qual o conjunto de grandezas medidas é

processado simultaneamente;
• Estimadores tipo “seqüenciais”, no qual as grandezas medidas são proces-

sadas individualmente, isto é, uma por vez.
Os estimadores do tipo “batch”, quanto à formulação matemática, podem

ainda ser classificados em:
• Estimadores baseados no método de Mínimos Quadrados Ponderados (MQP);
• Estimadores baseados no método de Mínimo Valor Absoluto.
Os estimadores baseados no método MQP, quanto ao algoritmo de solução

podem ser classificados em:
• Solução via Equação Normal de Gauss (Método Clássico);
• Solução via Métodos Ortogonais (Golub, Rotações de Givens);
• Solução via Método Híbridos;
• Solução via Método da Matriz Aumentada (Hactel’s Method);
• Solução via Método Desacoplado Rápido (Soluções: P − δ e Q − V ).
6 Mínimos Quadrados Ponderados (MQP) - Abor-

dagem Clássica
A formulação clássica do problema de mínimos quadrados ponderados (“weighted
least-squares”) foi pioneiramente proposta por C.F. Gauss, 1795. A apresentação
da referida formulação é feita com o auxílio da Fig. 3 mostrada em seguida, onde
estão indicadas as coordenadas (xi , yi ) no espaço <2 que representam o conjunto
z de obervações feitas sobre um dado experimento, isto é:
z = {(x1 , y1 ), (x2 , y2 ), · · · , (xm , ym )}

onde o parâmetro xi , geralmente, representa o instante em que a observação
yi é feita.
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
Figura 3 - Problema de Regressão Linear.
A equação da função do exemplo mostrado na figura anterior é do tipo f (x) =

ax + b. Portanto, o problema se resume em determinar os coeficientes a e b da
equação de reta que melhor ajusta os pares ordenados (xi , yi ) em z, para que a
soma dos quadrados das distâncias verticais, isto é, dos erros ε1 , ε2 , · · · , εm , seja
mínimo. A distância de (xi , yi ) à reta f (x) = ax + b pode ser conhecida através
da expressão:
εi = |f (xi ) − yi | = |axi + b − yi | (1)

Então, o problema pode ser resolvido através da minimização da função
quadrática1 do erro no sentido de se determinar os valores dos coeficientes a
e b da equação de reta que resulta no menor valor da função objetivo:
X
m X
m
2
εi = (axi + b − yi )2 = mı́nimo (2)
i=1 i=1
1
Para assegurar a existência de um mínimo global.
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
Este último de equações na forma matricial, resulta:

   
x1 1 y1
 x2 1   y2  µ ¶
    a
A =  .. ..  ; y =  ..  ; x= (5)
 . .   .  b
xm 1 ym
A solução do sistema de equações anterior pode ser obtida através do Método
da Equação Normal de Gauss, ou seja:
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:
x = (AT A)−1 × AT y = G−1 × bb (7)

sendo,
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
A administração de uma pequena empresa deseja fazer o seu plane-

jamento financeiro anual com base no seguinte histórico de vendas
expressas em milhões de Reais (103 × R$) :
Ano 1 2 3 4 5
Vendas Realizadas 23 27 30 34 ?
Valores Estimados
Qual a expectativa de vendas para o quinto ano ?.

Solução:
Uma solução do problema proposto é obtida através minimização

da função quadrática dos resíduos que, em outras palavras, repre-
senta a determinação dos coeficientes da equação de reta que melhor
ajusta as observações (xi , yi ) realizadas nos últimos quatro anos. As-
sim sendo, permite-se escrever:
   
1 1 23 µ ¶
 2 1   27  a
A=  3 1 ;
 y= 
 30  ; x=
b
4 1 34
Calculando:
µ ¶ µ ¶
30 10 bb = 303
G= ;
10 4 114
Então a solução desejada é:
xT = ( 3.6 19.5 )
O que permite definir f (x) = ax + b, como sendo:
f (x) = y = 3.6x + 19.5

Finalmente, a expectativa de vendas no quinto ano pode ser esti-
mada em R$ 37, 5 × 103 .
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.
No exemplo anterior, os erros cometidos nas observações realizadas são pon-

derados igualmente, i.é, recebem uma ponderação unitária. Por outro lado, se
tais observações são feitas através de instrumentos que possuem classe de precisão
diferentes, então é razoável supor que as medidas mais precisas devem influir
mais nas estimativas do que aquelas de menor confiança. Uma forma de modelar
matematicamente este fato é ponderar os erros cometidos (ri ) pelo valor corres-
pondente do desvio-padrão (σ i ) do medidor. Assim sendo, define-se a matriz de
covariâncias dos erros de medição como sendo:
 
σ 21
 σ 22 
 
R= ... 
 
2
σm
A introdução da matriz R nas equações (7-9) transformam estas últimas em:
x = (AT × R−1 × A)−1 × AT × R−1 × y = G−1 × bb (10)
G = AT × R−1 × A e bb = AT × R−1 × y (11)
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.
7.2 Hipóteses Simplificadoras

O estimador de estados linearizado baseia-se nas mesmas hipóteses simplificado-
ras utilizadas para o chamado “fluxo de potência DC”, ou seja:
1. As magnitudes de tensão nas barras do sistema de potência são todas con-

sideradas iguais a 1.0 pu;
2. As resistências e admitâncias transversais das linhas de transmissão são
supostas desprezíveis;
3. As aberturas angulares das linhas são supostas pequenas o suficiente para
justificar a aproximação:
sin(δ i − δ j ) ≈ (δ i − δ j ) rads (13)

Considerando-se as hipóteses acima, as relações entre os fluxos e injeções de
potência ativa com os ângulos das tensões nas barras são dadas por:
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)
Figura 4 - Sistema IEEE-14 barras
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
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)
7.4 Modelo de Medição Linearizado

O modelo de medição para o estimador de estados simplificado é dado por:
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.
7.5 Solução do Estimador CC

As características do modelo de medição linearizado permitem que as estimati-
vas b
δ i para os estados sejam obtidas de forma não-iterativa. Utilizando-se, por
exemplo, o método da equação normal, as estimativas para os estados podem ser
calculadas resolvendo-se o sistema linear:
(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
Figura 7 - Sistema exemplo para construção do modelo de medição linear.
O modelo de medição linear correspondente é dado por:
     
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
A matriz de covariância dos erros de estimação é dada por:

h i
R = diag σ 2t1,2 , σ 2t2,1 , σ 2t3,1 , σ 2t4,3 , σ 2p1 , σ 2p2 , σ 2p4
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:
z: vetor, dimensão (m × 1), contendo as quantidades medidas;
h(x) : vetor, dimensão (m×1), que contém os valores verdadeiros das quantidades
medidas e que são funções não-lineares dos estados;
η: vetor, dimensão (m × 1), cujos valores modelam os erros aleatórios de

medição tais como: imprecisão dos medidores, erros dos transformadores
de instrumentos, efeitos da conversão do sistema analógico de medidas para
a transmissão digital das mesmas grandezas até o COS, etc.
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:
σ i e σ 2i : Representam o desvio-padrão e a variância dos erros de medição dos

medidores, respectivamente.
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:
J(b x)]t .R−1 .[z − h(b

x) = [z − h(b x)]
(24)
, kz − x)k2R−1
h(b = krk2R−1
Portanto, deseja-se minimizar o índice representado pela somatória do quadrado
dos resíduos, sendo que cada resíduo é ponderado pelo desvio-padrão do medidor
(SP QR). A utilização da matriz de ponderação R implica em que as medidas su-
postamente mais precisas recebem maior peso do que aquelas nas quais se espera
maior imprecisão.
Apesar de que a minimização da função custo apresentada não envolve re-
strições, o processo de busca da solução ótima representa um problema não-
linear cuja solução não é trivial. Por outro lado, o índice SP QR a ser otimizado
é representado por uma função quadrática, que é expressa em termos do vetor de
equações não-lineares h(bx). Vários métodos podem ser aplicados na solução desse
problema, no entanto, face a natureza quadrática da função custo e a ausência
de restrições deste problema de otimização torna-o bastante apropriado para ser
resolvido pelo método de Newton.
8.3 O Método de Gauss-Newton

Esta técnica consiste em obter a solução do problema não-linear através de um
algoritmo iterativo, que consiste em promover correções no vetor de estados tal
como:
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
O mínimo da função J(b xk + 4bx) com relação a 4b x é obtido diferenciando-se

J(·) em relação a 4b
x e igualando o resultado a zero. Fanzendo isto, obtém-se:
∂J 1 T
¡ ¢ = g(b x) × 4b
x) + × 2 × F(b x=0 (27)
∂ 4b x 2
O que resulta em:
T
x) × 4b
F(b x = −g(b
x) (28)
A obtenção do vetor gradiente g(bx) em termos analíticos é melhor compreen-
dida expressando-se inicialmente a função custo através da equação 12:
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,
x = bb → Equação Normal de Gauss

G(bx) × 4b (35)
onde:
¡ T ¢ 4
G(bx) = H(bx) × R−1 × H(bx) = matriz Ganho
bb = H T × R−1 × 4z
(b
x)
A Equação Normal de Gauss apresentada acima é resolvida iterativamente

no sentido de se obter estimativas cada vez melhores para os estados da rede
até que o critério de convergência pré-estabelecido seja satisfeito. Um critério de
convergência do processo iterativo usualmente utilizado é:
¡ ¢
xi | ≤ tol p.ex : 10−3
max |4b (36)
i
8.4 Estrutura de Dados do Estimador CA

8.4.1 Vetor de Grandezas Medidas
O vetor que armazena as quantidades medidas é organizado da seguinte maneira:
 
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
26
H332×235 G235×235
0 0
50
50
100
IEEE-118 Barras
IEEE-118 Barras
100
150
200
150
250
200
300
0 50 100 150 200

0 50 100 150 200
8.5 Estrutura da Matriz Jacobiano H(bx)

A estrutura de dados que a matriz Jacobiano H(bx) assume face a estratégia ado-
tada de facilitar a sua fatoração pode ser representada de forma simbólica, tal
como:
 .. 
∂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.
8.5.1 Equações de Injeções de Potência
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
8.5.2 Equações de Fluxo de Potência
tij = −Vi2 × Gij + Vi × Vj × Yij × cos(θij + δ j − δi )

(f luxo de potência ativa da i − ésima para a j − ésima barras)
tji = −Vj2 × Gij + Vi × Vj × Yij × cos(θij + δ i − δ j )

(f luxo de potência ativa da j − ésima para a i − ésima barras)
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)
onde nas equações anteriores tem-se que:

0
Bij
2
→ susceptância shunt do modelo π da LT;
Bij → susceptância do ramo série do modelo π da LT;
θij → ângulo interno da admitância do ramo considerado;
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;
As relações estabelecidas entre as medidas de tensão e os estados angulares

e magnitudes das tensões nodais da rede, conforme as expressões acima, têm a
seguinte conseqüência na estrutura da matriz H:
δ2 δ3 ··· δN V1 V2 ··· V5 ··· VN

v1 → 0 0 ··· 0 1 0 ··· 0 ··· 0
v5 → 0 0 ··· 0 0 0 ··· 1 ··· 0
.. .. .. .. .. .. .. ..
. . . ··· . . . ··· . ··· .
vmv =N → 0 0 ··· 0 0 0 ··· ··· 1
onde mv representa o número de medidas de tensão existente no plano de

medição considerado.
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.
9.1 Redundância de Medidas

Para melhorar a redundância de medidas, permite-se ainda acrescentar ao con-
junto de telemedidas, armazenadas no vetor z, informações sobre as condições
de carga de determinadas barras. Por exemplo, barras com injeções nulas são
informações que podem pertencer à classe de pseudomedidas e serem adicionadas
ao conjunto de medidas disponíveis. Estas informações permitem melhorar as
propriedades estatísticas dos estimadores por tratar-se de uma medida obtida na
ausência de erros. Além disto, procedimentos como este permitem garantir que a
condição necessária para obter solução única para o problema de EESP, através
do método MQP, seja assegurada quando o número de medidas disponíveis, m, for
maior que ou igual ao número de estados, n [3]. Em termos práticos, o número
de medidas disponíveis é muito maior que o número de estados. Isto permite
garantir que a redundância de medidas na ausência de erros grosseiros cometidos
no processo de medição asseguram aos estimadores MQP a condição de melhor
estimador de máxima-verossimilhança quando o modelo de medição é gaussiano
[8], [9].
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.
9.1.2 Redundância Local de Medidas

O conceito de redundância local apresentado em seguida estabelece as condições
mínimas e necessárias para a correta identificação de erros grosseiros. Este con-
ceito foi formalizado em EESP por Mili et al [11], e está fundamentada na teoria
de estatística robusta proposta inicialmente por Hampel et al [12]. O conceito de
redundância local de medidas baseia-se nas definições de conjunto fundamental e
máxima fração de contaminação (fj,max ) de medidas associadas a cada estado.
Define-se conjunto fundamental, Zj = {zi }, como sendo o grupo de medidas,
zi , associadas a cada variável de estado, xj . Portanto, o conjunto de medidas que
figuram em cada coluna da matriz Jacobiana é um conjunto fundamental.
O número máximo de medidas com erros grosseiros associadas a cada estado
que pode ser processado por um estimador deve obedecer a seguinte condição
[11], [13]:
» ¼
mj − 1
fj,max ≤ (38)
2
onde mj é o tamanho do j-ésimo conjunto fundamental Zj , e a operação d·e
representa a parte inteira do argumento.
A condição expressa na Eq. 38 quando é respeitada permite aos estimadores de
estados obter estimativas válidas na hipótese de que medidas com erros grosseiros
tenham sido corretamente identificadas.
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:
a) consideram-se os erros de medição η como sendo normalmente distribuidos,

isto é, N (0 ; R);
b) o modelo de medição é perfeitamente conhecido;
c) o modelo linearizado de medição é obtido para um ponto satisfatoriamente

próximo à solução do problema.
As condições acima permitem formalizar o teste de hipóteses no qual o índice

x) se baseia, ou seja:
J(b
x) tem uma distribuição Qui-quadrado, com (m − n) graus de liberdade [14];

H0 : J(b
H1 : H0 é falso.
O teste de hipóteses é implementado comparando-se o índice J(b x) com uma

contante K, que é calculada tomando-se por base um certo valor de probabilidade
de falso alarme (α0 ) pré-fixada. Assim, o limiar K é calculado tomando-se:
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 .
A regra de detecção de medidas com erros grosseiros é a seguinte:
- Se J(bx) < K conclui-se que não existem erros grosseiros, considerando-se o

nível de confiança assumido anteriormente, isto é, α0 ;
2
Uma tabela correspondente à função distribuição Qui-quadrada de probabilidades foi
disponibilizada nos Anexos.
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.
A confirmação desta última hipótese obriga a execução da fase de identifi-

cação de erro(s) grosseiro(s) para que os efeitos dos mesmos sejam eliminados e
o processo de estimação ocorra na ausência de tais medidas.
9.3 Identificação de Medidas com Erros Grosseiros

Partindo-se da premissa de que o teste de detecção tenha indicado a existência
de medidas com erros grosseiros, estas últimas devem ser localizadas. O exame
individual dos resíduos de estimação, isto é, a diferença entre a quantidade medida
e o valor estimado, é uma das estratégias de identificação usadas. No entanto,
dois aspectos devem ser considerados:
a) Os medidores utilizados na coleta de dados do sistema possuem diferentes

precisões, o que faz com que as variâncias das quantidades medidas sejam
bastante diferentes. Isto significa que um valor discrepante para uma certa
medida pode ser aceitável para outra;
b) Os resíduos são correlacionados. Esta correlação faz com que os efeitos de

um erro grosseiro existente numa medida se espalhe sobre os resíduos de
outras.
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:
r = [I − H.(H t .R−1 .H)−1 .H t .R−1 ]. 4 z (43)

A definição das matrizes [3]:
35
• covariância dos resíduos de estimação:
W = R − H.C0 .H t (44)
• covariância dos erros de estimação:
C0 = (H t .R−1 .H)−1 (45)

permite re-escrever o vetor dos resíduos de estimação, definido na Eq. 43, como
sendo:
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:
E[r.rt ] = E[(S. 4 z).(S. 4 z)t ]
z . 4 z t ].S t
= S.E[4b (49)
= S.R.S t = W
Finalmente, a normalização individual dos resíduos de estimação correspondente

a cada medida pode ser realizada através da seguinte expressão:
ri
rni = √ (50)
wii
As principais dificuldades na identificação de medidas com erros grosseiros
podem ser resumidas da seguinte forma:
1. a busca do resíduo normalizado requer um esforço computacional nada de-

sprezível no cálculo da variância dos resíduos, apesar de que apenas os ele-
mentos diagonais da matriz W são necessários. Além da técnica da matriz
esparsa inversa proposta por Broussole [15] que também pode ser aplicada;
36
2. a matriz de covariâncias dos erros, Eq. 45, pode apresentar problemas de
condicionamento numérico [16], [17];
3. a existência de múltiplos erros grosseiros;
Além dos problemas computacionais mencionados acima, existe ainda o prob-

lema causado por algumas medidas que, quando são corrompidas por erros gros-
seiros, não são identificadas pelos métodos baseados na normalização dos resíduos
de estimação. Estas medidas aparecem agrupadas no espaço fator formado pelas
linhas da matriz Jacobiana e são numericamente discrepantes em relação a maio-
ria das medidas. O grupo de medidas que tem esta característica são designadas
de pontos de alavancamento [18], [19], [20], e devem ser adequadamente consid-
eradas [21].
9.3.1 Método do Maior Resíduo Normalizado

Resumidamente, este método consiste de cinco etapas:
1. Estimar os estados;
2. Efetuar o teste de detecção (J(b

x));
x) ≥ K, deve -se normalizar os resíduos segundo a Eq. (50);

3. Se J(b
4. Eliminar ou, preferencialmente, recuperar a medida que corresponde ao

maior resíduo normalizado obtido na Etapa 3;
5. Retornar à etapa 1.
As estapas de 1 a 5 devem ser executadas até que o teste J(b

x) ≥ K seja
negativo. Como conseqüência desta rotina, observa-se que o método do maior
resíduo normalizado exige um elevado esforço computacional, uma vez que as
medidas com erros grosseiros são identificadas uma por vez.
9.3.2 Método b-Chapéu

Este método foi proposto por Monticelli et al [7]. É um método que detecta e
identifica os erros grosseiros e é usado como uma alternativa para o teste J(b
x)
convencionalmente usado no estágio de detecção.
O método baseia-se no fato de que é possível determinar uma estimativa do
erro associado a cada medida com base na discrepância das mesmas em relação
as demais. Comparando-se a magnitude desta discrepância (bbi ) com um limiar
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:
bbi = √σ i × |rn | sendo que : rni = √

ri
(51)
i
wii wii
A origem desta equação é derivada do processo de recuperação de medidas
apresentado em seguida.
9.3.3 Recuperação de Medidas Portadoras de Erros Grosseiros

A recuperação de medidas portadoras de erros grosseiros (EG) consiste funda-
mentalmente em se estimar a magnitude do erro, e assim gerar uma pseudomedida
que se aproxime do valor correto da grandeza medida.
A técnica de recuperação de medidas e sua associação com quaisquer método
de solução aplicado à estimação de estados mostra-se bastante vantajosa. A
recuperação de medidas permite preservar a observabilidade da rede e pode evitar
a formação de conjuntos críticos3 e medidas críticas4 .
A base teórica para o estabelecimento desta técnica parte da seguinte pre-
missa:
Considere a existência de apenas uma medida com erro grosseiro

num conjunto de medidas. Tal medida pode ser expressa como:
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) = (rerro − β × si )T × R−1 × (rerro − β × si ) (55)

ou seja, a recuperação da medida errônea consiste em gerar uma
pseudomedida que é substituída da medida errônea.
Da condição necessária para obtenção do mínimo da função J(β),
isto é:
∂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
O plano de medição apresentado no diagrama unifilar da figura, onde as unidades

remotas são indicadas por (•), corresponde a um modelo de medição linearizado (mode-
lo DC) que é dado por:
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:
1. As estimativas para os estados angulares da rede (δ 2 ; δ3 e δ 4 ) ;
2. Efetuar o teste de detecção J(b

x) da presença de erros grosseiros (EGs) entre as
medidas disponíveis, considerando-se uma probabilidade de falso alarme (α0 ) de
5% (a tabela da função χ2(m−n);α0 encontra-se em anexo);
3. Se for positivo o teste de detecção, efetue a identificação da(s) medida(s) er-

rônea(s) através dos métodos:
a) Método do Resíduo Normalizado;
b) Método bb, ou seja:
bbi = √σi × |rni | sendo que: rni = √ri ;

wii wii
4. A(s) medida(s) identificada(s) como errônea(s), isto é, a(s) medida(s) cujo(s)

bbi ≥ Limiar (p.ex. : λ = 4), deve(m) ser recuperada(s) fazendo-se: z rec =
i
σ2
zierro − √wi ii × rni (zierro → medida corrompida com EG) de tal forma que se
possa utilizar sempre as mesmas matrizes de observação H e de covariância dos
4
erros de estimação, i.é, W = R − H × (H T × R−1 × H)−1 × H T . A diagonal
desta última matriz contém os seguintes valores:
£ ¤
diag(W ) = .8103 .5369 .8128 .8128 .3990 .9360 .3276 .3645 ×10−4 ;
5. Determine as melhores estimativas para as quantidades medidas, além da esti-

mativa de potência gerada na barra de referência (Barra 1);
6. Indique a estrutura de esparsidade, isto é, somente os elementos diferentes de

zero da matriz Jacobiano (H), considerando-se o mesmo plano de medição ap-
resentado na proposta dos itens anteriores, porém suponha que as medidas de
potência reativa (medidas de injeção e fluxo) sejam realizadas através dos mes-
mos terminais remotos (•) usados no plano P −δ , pressupondo ainda a existência
de medidas de tensão somente nas barras 2 e 3. Os elementos não-nulos de H
deverão ser indicados através da seguinte simbologia: (∗). Deixe indicado clara-
mente a dimensão de H, bem como os blocos de medidas que constituem essa
matriz.
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.
[8] P.J. Huber. Robust Estimation of a Location Parameter. Annals of Mathe-

matical Statistics, 35:73—101, 1964.
[9] J.M. Mendel. Lessons in Estimation Theory for Signal Processing, Commu-
nications, and Control. Series Editor. 1995.
[10] A.J.A. Simões-Costa, T. S. Piazza, and A. Mandel. Qualitative Methods

to Solve Qualitative Problems in Power System State Estimation. IEEE-
Transactions on Power Systems, 5(3):941—949, 1990.
[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.
[15] F. Broussole. State Estimation in Power Systems: Detecting Bad Data

Through the Sparse Inverse Matrix Method. IEEE-Transactions on Power
Apparatus and Systems, 97, May/ June 1978.
[16] A.J.A. Simões-Costa and V.H. Quintana. An Orthogonal Row Processing

Algorithm for Power Sequential State Estimation. IEEE-Transaction on
Power Apparatus and Systems, 100(8):3791—3800, August 1981.
[17] A.J.A. Simões-Costa and V.H. Quintana. A Robust Numerical Technique

for Power System State Estimation. IEEE-Transactions on Power Apparatus
and Systems, 100(2):691—698, February 1981.
[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.
[21] Robson C. Pires, A.J.A. Simões-Costa, and L. Mili. Iteratively Reweighted

Least-Squares State Estimation Through Givens Rotations. IEEE Transac-
tions on Power Systems, (98 SM 406):1—7, July 1998.
[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.
10.1.2 Descrição dos Cartões de Controle

A seguir faz-se uma descrição dos dados necessários para se executar o programa
NEWTRP:
Cartão 1:
Leitura do título do caso em estudo:
* Entre com 1 na coluna 3 do arquivo de dados. As outras

colunas devem permanecer em branco;
* Entre com as informações de título nas colunas de 1 a 80
da linha seguinte.
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.
* Entre com 4 na coluna 3 do arquivo de 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.
* Entre com 5 na coluna 3 do arquivo de dados;

* Na tabela 2 tem-se a ordem requerida para a entrada dos
dados de barra:
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
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.
* Entre com o cartão 33 nas colunas 2-3 do arquivo de dados;

* entre com 1 na coluna 4 caso deseja gerar o arquivo
XXXXXnnn.est;
* entre com o valor de ”nn” nas colunas de 5 a 8.
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.
10.2.2 Dados de Entrada Fornecidos pelo Aplicativo NEWTRP

Os ítens 01 à 04 abaixo são obtidos diretamente do programa de Fluxo de Potência
NEWTRP, e compõem um arquivo chamado XXXXXnnn.est, onde “nnn” indica
o número de barras do sistema.
1) número de barras ( N ) e número de linhas +

transformadores ( NL );
Format: 2I5
2) Parâmetros das linhas e de transformadores: para cada
linha ou transformador, os dados devem ser colocados da
forma indicada na tabela 1:
48
Tabela 1
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
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
injeção de potência reativa dos sistemas interno e externo.
tensão nas barras dos sistemas interno e externo.
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
fluxo de potência ativa nos ramos dos sistemas interno e
externo. Formatação: 2D10.3
fluxo de potência reativa nos ramos da rede dos sistemas
interno e externo. Formatação: 2D10.3
corrente nos ramos da rede dos sistemas interno e externo.
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)
10.2.4 Descrição do Relatório de Saída

São três os arquivos de saída que resultam da execução do programa de simulação
de medidas.
O primeiro é o arquivo XXXXXnnn.out, que apresenta os dados de entrada
para conferência e também mostra a lista das quantidades monitoradas nas barras
e ramos da rede (linhas de transmissão + transformadores). Para as grandezas
monitoradas são mostrados os valores verdadeiros e as medidas simuladas. Para
o caso de SIMEG > 0, apresentam-se os erros grosseiros para as quantidades
especificadas.
O segundo arquivo gerado pelo programa SIMED recebe o nome de GIVnnn.DAD.
Este arquivo contém a maioria dos dados exigidos pelo programa de estimação
de estados VDelta.
O terceiro arquivo cirado pelo programa SIMED é designado de SHOOT.dad,
que contém os valores de tensões de barra em módulo e ângulo. Estes dados são
necessários no processo de inicialização de variáveis do programa VDelta quando
houver dificuldades de obtenção de convergência do caso estudado.
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:
10.3.1 Primeiro Arquivo - GIVnnn.dad

O primeiro arquivo é gerado pelo programa SIMED e recebe o nome de GIVnnn.dad,
onde “nnn” é o número de barras do sistema de potência em estudo. Este arquivo
tem a forma indicada abaixo:
1) Título do caso em estudo;
Formatação: A80
2) Número de barras, número de linhas e número de medidas;
Formatação: 3I5
3) Dados referentes às linhas de transmissão e aos trasformadores
do sistema, que tem a forma indicada na tabela 1.
Tabela 1

1-5 Número da barra origem [ NA( i ) ] I5
6-10 Número da barra destino [ NB( i ) ] I5
11-25 Condutância Série D15.5
26-40 Susceptância Série D16.5
41-55 Susceptância Capacitiva Shunt (Valor Total) D15.5
56-61 Posição de Tape de Transformador F6.3
62-66 Localização (barra) do Tape de Transformador I5
4) Leitura de KP, KQ, KV, KTT, KUU e KCC
KP = Número de barras com medidas de injeção ativa;
KQ = Número de barras com medidas de injeção reativa;
KV = Número de barras com medidas de tensão;
KTT = Número de linhas com medidas de fluxo ativo;
KUU = Número de linhas com medidas de fluxo reativo;
KCC = Número de linhas com medidas de corrente.
Formatação: 6I5
5) Lista das barras onde são feitas medidas de injeção de potência
ativa;
Formatação: 14I5
54
6) Valores das medidas de injeção de potência ativa;
7) Lista das barras onde são feitas medidas de injeção de potência
reativa;
Formatação: 14I5
8) Valores das medidas de injeção de potência reativa;
9) Lista das barras onde são feitas medidas de tensão;
Formatação: 14I5
10) Valores das medidas de tensão;
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.
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 ):
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.
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 ):
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.
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
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.
10.4.1 Arquivo Único - Plmdxxxx.dad

O único arquivo usado para a execução do programa PLAMED pode ser gerado
automaticamente pelo programa de simulação de medidas SIMED e recebe o
nome de Plmdxxxx.dad, onde “xxxx” é o número de barras da rede analisada.
Este arquivo tem a forma indicada abaixo:
1) Título do caso em estudo;
Formatação: A80
2) Número de barras do sistema (N), número de linhas da rede
elétrica (NL); número de medidas de injeção de potência ativa
(NP); número de medidas de injeção de potência reativa (NQ),
número de linhas onde são feitas medidas de fluxos de potência
ativa (NT); número de linhas onde são feitas medidas de fluxos
de potência reativa (NU) e número de medidas de tensão (NV);
Formatação: 7I5
3) Leitura do vetor IP que indica os números das barras onde as
injeções de potência ativa são monitoradas.
Formatação: 16I5
4) Leitura do vetor IQ que indica os números das barras onde as
injeções de potência reativa são monitoradas.
Formatação: 16I5
5) Leitura do vetor IV que indica os números das barras onde a
magnitude das tensões são monitoradas.
Formatação: 16I5
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
Nota: A numeração das linhas de transmissão utilizada nos

itens (6) e (8) deve ser compatível com a ordenação
descrita nas linhas de dados do item (10).
11) Leitura do parâmetro IPRINT que estabelece o nível de

detalhamento da saída do programa.
IPRINT=0; Apenas as mensagens principais de saída do

programa são impressas.
IPRINT=1; Dados de entrada e mensagens principais são
impressos.
IPRINT=2; Dados de entrada, árvores/florestas observáveis e
mensagens principais são impressos.
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.
Os conceitos não abordados neste documento serão apresentados na oportu-

nidade em que o problema tratado assim o exigir. Isto deverá acontecer nos
módulos subseqüentes ao presente.
Os anexos do presente documento está estruturado da seguinte maneira. A
seção 10.2 aborda o problema de obtenção da solução de sistemas de equações
algébricas lineares de grande porte. A seção 10.3 apresenta formalmente o prob-
lema de resolver sistemas retangulares de equações algébricas lineares. Na seção
10.4 apresentam-se os métodos diretos de fatoração de matrizes usualmente em-
pregados na solução de sistemas de equações algébricas lineares de grande porte,
quer sejam quadrados (fatoração LU ) ou retangulares (fatoração QR). Na seção
10.5 apresentam-se os fundamentos usados na obtenção de solução de sistemas de
equações diferenciais lineares. Finalmente, na seção 10.6 são propostos exercícios
relativos ao conteúdo apresentado.
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)
Ex: Ref.- 200 A.C. - China (“Nine Chapters in Arithmetics”)
“Três fardos de grãos de uma boa colheita, dois fardos de uma

colheita considerada medíocre e um fardo de uma colheita ruim são
vendidos por 39 unidades monetárias (UM). Dois outros fardos de
grãos classificados como bons, três medíocres e um ruim são vendidos
por 34 UM. Adicionalmente, um bom, dois medíocres e três ruins são
vendidos por 26 UM. Qual o valor recebido por cada um dos tipos de
grãos negociados ?”
Solução:
Nos dias atuais o problema acima seria equacionado da seguinte

maneira:

 3x + 2y + z = 39
2x + 3y + z = 34 (61)

x + 2y + 3z = 26
Porém, 200 A.C., a matriz de coeficientes era formada por pedaços
de bambú coloridos, que constituia o sistema de contagem da época
e que se baseava na regra do dedo polegar.
A substituição deste sistema pelo numeral, papel e caneta permitiu

transformar a técnica então conhecida no método conhecido como
“Eliminação de Gauss” (Carl F. Gauss - 1777/1855).
6
Um sistema de equações lineares é dito consistente se existe pelo menos uma 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
onde: xi são incógnitas; ai e bi são constantes conhecidas.
Solução: Três Possibilidades
1. Solução Única: Existe um e somente um conjunto de valores

para xi que satisfaz todas as equações simultaneamente;
2. Sem Solução: Não existe um conjunto de valores para xi
que satisfaça todas as equações simultaneamente, isto é, o conjunto
solução é vazio;
3. Mais de uma solução: Existem inúmeros conjuntos de valores
para xi que satisfazem todas as equações simultaneamente.
Uma das ferramentas matemáticas que permitem obter a solução

das situações consideradas acima é o método da Eliminação de Gauss,
que possibilita transformar um sistema de equações em outro mais
simples, porém, equivalente (possuem o mesmo conjunto de soluções)
através de uma sucessiva eliminação de variáveis.
Ex:

 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”)
z = 11/4 = 2.75; y = 17/4 = 4.25 x = 111/12 = 9.25
Sob a forma matricial, o sistema de equações anterior pode ser

representado como:
 ¯ 
¯
 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
A eficiência computacional do método de Eliminação de Gauss

pode ser avaliada através do número de operações em ponto flutuante
(operações aritméticas efetuadas no computador) realizadas durante
o processo de eliminações sucessivas. Sendo n a dimensão do sistema
de equações, tem-se que são necessárias:
n3 n
3
+ n2 + 3
multiplicações / divisões
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
Se b2 = 0.067 sofrer uma pequena perturbação e tornar-se bb2 =

0.066, a solução do sistema muda dramaticamente para:
b = −666 e yb = 834
x
A solução prática de sistemas de equações lineares é obtida comu-

mente através de métodos numérico implementados em linguagem de
computadores. Este último possui uma precisão limitada de represen-
tação numérica interna, que é função do “hardaware” disponível. Esta
limitação conduz à propagação de erros (“roundoof error”) quando da
execução de operações em ponto flutuante.
11.2.4 Números em Ponto Flutuante

A representação numérica em um computador digital faz-se da
maneira descrita a seguir:
Um número em ponto flutuante representado através de t-dígitos
e na base β tem a seguinte forma:
f = ±d1 d2 . . . dt × β ε com d1 6= 0, (65)

β− base (decimal, hexadecimal, etc. . . )
ε− expoente
0 ≤ di ≤ β − 1 são números inteiros
z− conjunto de números em ponto flutuante
A representação do número real x em ponto flutuante, f l(x), é

feita através da melhor aproximação de um elemento pertencente ao
conjunto z.
3
Ex: f l( 80 ) =? t = 2 β = 10
67
= f l(0.0375) = f l(0.375 × 10−1 ) = 0.38 × 10−1 = 0.038
A propagação de erros face às sucessivas operações em ponto flu-

tuante pode ser desastrosa. Uma maneira de minimizar este problema
na solução de sistemas de equações lineares através dos métodos já
apresentados é a execução de pivotação parcial ou completa durante
o processo de eliminação de Gauss.
D Pivotação Parcial : Consiste em utilizar sempre como pivô o ele-

mento na coluna da matriz de coeficientes considerada que apresenta
o maior valor absoluto. Para isto, procede-se a permuta de toda uma
linha da matriz aumentada.
Ex:
· ¯ ¸ · ¯ ¸
−10−4 1 ¯¯ 1 1 1 ¯¯ 2 Escolhe-se o
¯ ⇒ −4 ¯
1 1 2 −10 1 1 1◦ . pivô
D Pivotação Completa: O objetivo é o mesmo da pivotação par-

cial, porém, adicionalmente, as colunas da matriz aumentada também
são permutadas.
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
A permuta de colunas implica em renomear as variáveis, tal como:

b = y e yb = x.
x
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
A aplicação do método de eliminação de Gauss ao sistema de

equações descrito acima exige alguns cuidados especiais em face da
obrigatoriedade de que o pivô deve ser sempre diferente de zero du-
rante o processo de eliminação. Em sistemas de equações lineares
onde m = n a matriz resultante do processo de eliminação sempre
será uma matriz triangular. Para contornar este problema, o método
de eliminação de Gauss deve ser modificado através dos seguintes pas-
sos:
Suponha que U seja a matriz aumentada associada a um sistema
de equações retangulares após i − 1 passos de eliminação. A execução
da eliminação subseqüente deve obedecer as seguintes etapas:
a) movendo-se da esquerda para a direita em U, localize a
primeira coluna que possui um valor diferente de zero na ou abaixo
da i-ésima posição, ou seja, u∗j ;
b) a posição do pivô para a i-ésima eliminação é a posição
(i, j);
c) se necessário, permute a i-ésima linha com a linha inferior
de forma a ter um valor diferente de zero na posição (i, j), e então,
todos os elementos abaixo do pivô devem ser eliminados.
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
(“Row Echelon Form”)
O número de pivôs, ou o número de linhas diferentes de zero em

E, ou ainda, o número de “colunas base” em A (são as colunas que
contém as posições dos pivôs), definem o “rank” de uma matriz (F.
G. Frobenius, 1879).
Ex: Determinar o “rank” e identificar as colunas básicas da matriz:

 
1 2 1 1
A= 2 4 2 2 
3 6 3 4
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:
Atn×m × Am×n × x = Atn×m × b

¡ ¢−1
x = Atn×m × Am×n × Atn×m × b
A matriz de coeficientes do sistema de equações resultante, isto

é, Gn×n = Atn×m × Am×n , é quadrada e pode ser fatorada através de
método clássico de eliminação de Gauss apresentado anteriormente.
Simultaneamente, o lado direito da equação normal pode ser redefinido
como sendo bb = Atn×m × b, o que transforma o sistema de equações
lineares original em:
Gn×n × x = bb (67)
11.3.2 Propriedades de Álgebra Matricial

(China, 213 A.C. - Arthur Cayley, 1821/1895)
Adição / Subtração de Matrizes
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
Diz-se que uma matriz Atm×n é transposta de An×m quando as

linhas da primeira correspondem às colunas da segunda.
Ex:
 t
1 2 µ ¶
 3 4  = 1 3 5
2 4 6
5 6
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
Seja a matriz quadrada An×n , a matriz Bn×n que satisfaz as condições:
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.
Existência de Matrizes Inversas

1. Se A é uma matriz não-singular, então há uma única solução
para x na equação matricial An×n × xn×p = bn×p , cuja solução é:
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.
11.4.2 Redução de Crout: A = LU

O algoritmo proposto por Crout fatora a matriz A de tal forma
que as matrizes L e U assumem as seguintes características:
L → matriz triangular inferior;
U → matriz triangular superior unitária.
Assumindo que os elementos das matrizes A, L e U são aij , lij

e uij , respectivamente, as expressões que permitem calcular todos os
elementos das matrizes L e U são as seguintes:
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:
L → matriz triangular inferior unitária;

U → matriz triangular superior.
A decomposição de Doolittle é obtida a partir das matrizes auxi-
liares M1 , M2 , · · · , Mn que são matrizes do tipo triangular inferior
unitária, cujos elementos de fora da diagonal são os pivôs da elimi-
nação de Gauss8 . Assim é possível obter:
U = Mn × Mn−1 × · · · × M2 × M1 × A
L = M1−1 × M2−1 × · · · × Mn−1 , onde : Mk−1 = Mk | m = −m ,

ij ij
para i 6= j
(75)
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:
Elementos de fora da diagonal:
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
Nas expressões acima, os índices k e i apresentam as seguintes

variações:
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
i = 3 → l33 = a33 − (l31 × u13 + l32 × u23 ) = 6 − (3 × 34 + 54 × 19

5
)=
9 25 65
= 6 − ( 4 + 76 ) = 19
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
b.1) Obtenção da Matriz U

 
1
o
1 P ivô = 4 → M1 =  −1/4 1 
−3/4 0 1
 
4 1 3
∴ A2 = M1 × A =  0 19/4 5/4 
0 5/4 15/4
 
1
2o P ivô = 19/4 → M2 =  0 1 
0 −5/19 1
 
4 1 3
∴ A3 = M2 × M1 × A =  0 19/4 5/4  = U
0 0 65/19
b.2) Obtenção da Matriz L
   
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:
Ã n !1/p
X
kxkp = |xi |p (78)
i=1
Assim sendo, permite-se definir:

P
n
Norma-1→ kxk1 = |xi |
i=1
µ ¶1/2
P
n
2
Norma-2→ kxk2 = |xi | → (norma euclidiana)
i=1
Norma-∞→ kxk∞ = max |xi | → (norma infinita)

i
Ex: Determinar as normas definidas acima para o vetor
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
é uma matriz ortogonal porque P t × P = P × P t = I ou, simi-

larmente, porque as linhas (e colunas) de P constituem um con-
junto ortonormal.
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
Na figura anterior observa-se que o vetor R(v) = (x, y, −z) resul-

tante é a reflexão do vetor original v = (x, y, z) em relação ao plano
formado pelos eixos x − y causada pela ação do operador R sobre
v no espaço <3 . Portanto, a referida operação é matematicamente
expressa por:
     
1 0 0 x x
 0 1 0  ×  y  =  y 
0 0 −1 z −z (80)
| {z } | {z } | {z }
R v R(v)
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:
x = A∗1 , (primeira coluna de A)

 
1
 0 
 
u = x + sign(x1 ) kxk × e1 , sendo : e1 =  ..  (81)
 . 
0
u.ut
R1 = I − 2 × (82)
ut .u
então:
 
t11
 0 
 
R1 × A∗1 = sign(x1 ) kxk × e1 =  ..  (83)
 . 
0
Aplicando-se R1 sobre Am×n , obtém-se:
 
t11 t12 · · · t1n
 0 ∗ ··· ∗ 
 
R1 × A = [R1 × A∗1 | R1 × A∗2 | · · · |R1 × A∗n ] =  .. .. 
.. (84)
 . . . 
0 ∗ ··· ∗
µ ¶
t11 tt1
R1 × A = , onde A2 é uma matriz m − 1 × n − 1.
0 A2
Deve-se observar que todos os elementos abaixo da posição (1, 1) são elimi-
nados. O mesmo procedimento a ser usado sobre A2 objetivando a obtenção do
b2 irá eliminar os elementos abaixo da posição (1, 1) em A2 .
operador refletor R µ ¶
1 0
Por outro lado, o artifício de se fazer R2 = b2 torna a operação R2 R1
0 R
uma matriz ortogonal de tal forma que:
 
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
No passo k o refletor elementar R bk é obtido de maneira similar à forma

mostrada na obtenção de Rb2 . Assim sendo, o resultado final da fatoração de
Householder assume a seguinte forma trapezoidal superior, quando m > n:
 
∗ ∗ ··· ∗
 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
Obter a redução de Householder da matriz:

 
0 −20 −14
A =  3 27 −4 
4 11 −2
Solução:
A eliminação dos elementos (∗, 1) da matriz A e a exigência de
que o elemento t11 seja positivo é assegurada através da utilização
das equações:
 
−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
O operador Q quando aplicado sobre o vetor v no espaço <2 rota-

ciona o vetor v de um ângulo θ no sentido anti-horário. Matematica-
mente, a ação de Q sobre v é descrita pela multiplicação de matrizes
uma vez que as coordenadas do vetor resultante, isto é, Q(v) podem
ser expressas por:
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
Deve-se observar que a matriz Q é ortogonal pois Qt × Q = I.
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
Com base na descrição feita no item anterior é possível definir um

plano rotacional a partir de uma matriz ortogonal que tem a seguinte
forma:
 
1
 ... 
 
 
 c s 
 
 1 
 ...  ← linha i
Pij = 


 (90)
 −s c 
 
 1 
  ← linha j
 ... 
 
1
na qual c2 + s2 = 1 é designado de plano rotacional matricial

porque esta operação executa uma rotação no plano (i, j) de <n . As
variáveis c e s sugerem as funções cosseno e seno, respectivamente,
sendo que a designação do ângulo de rotação θ, como é mostrado no
espaço <2 é desnecessária em <n .
Assim sendo, a aplicação da matriz ortogonal Pij sobre 0 6= x ∈ <n
rotaciona as coordenadas (i, j) de x de tal forma que:
 
x1
 .. 
 . 
 
 cxi + sxj 
 .. 
Pij × x =  .  ←i
 (91)
 −sx + cx 
 i j 
 .  ←j
 .. 
xn
Se xi e xj são ambos não-nulos, então é possível escrever:
xi xj
c= q e s= q (92)
x2i + x2j x2i + x2j
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
Obter a redução de Givens da matriz:

 
0 −20 −14
A =  3 27 −4 
4 11 −2
Solução:
O plano rotacional que usa o elemento (1, 1) para eleminar o ele-
mento (2, 1) é dado pelas expressões que calculam os parâmetros c e
s apresentados anteriormente. Assim sendo, tem-se que:
   
0 1 0 3 27 −4
P12 =  −1 0 0  → P12 × A =  0 20 14 
0 0 1 4 11 −2
Similar ao passo anterior, o plano rotacional que usa o elemento
(1, 1) em P12 × A para eliminar o elemento (1, 3) de P12 × A também
faz uso dos parâmetros c e s. Esta operação resulta em:
   
3 0 4 5 25 −4
1
P13 =  0 5 0  → P13 × P12 × A =  0 20 14 
5
−4 0 3 0 −15 2
Finalmente, usando o elemento (2, 2) em P13 × P12 × A para elim-

inar o elemento (3, 2) produz os seguintes resultados:
   
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:
A×x= Q×R×x= b (96)

ou ainda,
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.
11.4.9 Quadro Comparativo de Esforço Computacional

O número de operações em ponto flutuante envolvendo multipli-
cações / divisões necessárias à redução de uma matriz de dimensão
n × n a uma matriz triangular superior através dos método apresen-
tados é mostrado no quadro abaixo:
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
que em notação matricial escreve-se como:
· ¸ · ¸ · ¸
u01 7 −4 u1
= × (99)
u02 5 −2 u2
ou, equivalentemente, expressa-se por:
u0 = A × u (100)
A solução do sistema de equações diferenciais anterior é do tipo:
u1 = α1 eλt e u2 = α2 eλt (101)
A derivada destas duas últimas expressões quando são substituídas na equação

original resulta:
α1 λeλt = 7α1 eλt − 4α2 eλt α λ = 7α1 − 4α2

=⇒ 1 (102)
α2 λeλt = 5α1 eλt − 2α2 eλt α2 λ = 5α1 − 2α2
que na forma matricial escreve-se como:
· ¸ · ¸ · ¸
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 solução trivial: x = 0 é desprovida de interesse, uma vez que não trás

nenhuma informação sobre o sistema de equações diferenciais original. Portanto,
a solução de interesse consiste em determinar os valores escalares para λ e vetores
não-nulos para x que satisfaçam o sistema: A × x = λ · x. Este último pode ser
re-escrito como sendo:
(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:
det(A − λI) = 0 (106)
11.5.2 Definições Básicas

Assim sendo, permite-se formalmente estabelecer as seguintes definições:
• σ(A) : o conjunto de λi distintos é chamado de espectro de A;
• λ ∈ σ(A) ⇐⇒ A − λI é singular⇐⇒ det(A − λI) = 0;
• {xi 6= 0 | xi ∈ N(A − λI)} é o conjunto de todos os vetores próprios asso-

ciados com λi ;
M
• y ∗ = vetores próprios à esquerda pois: y ∗ × (A − λI) = 0, sendo y ∗ um
vetor linha.
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
Diz-se que: A × x opera mudanças apenas em módulo ou sentido no vetor

próprio x. A orientação do vetor resultante é a mesma de x, isto é, o valor
próprio λ altera apenas a magnitude do vetor próprio x, quando este é submetido
à transformação produzida por A.
Considere agora o objetivo de se calcular os valores e os vetores próprios da
matriz de coeficientes expressa na Eq. (98). A aplicação expandida da Eq. (106)
ao problema produz um polinômio de segundo grau, tal como:
¯ ¯
¯ 7−λ −4 ¯
p(λ) = det(A − λI) = ¯¯ ¯ = λ2 − 5λ + 6
¯
5 −2 − λ
p(λ) = (λ − 2) · (λ − 3)
O polinômio resultante é denominado de polinômio característico de A. Con-
sequentemente, os valores próprios de A são as soluções da equação característica
p(λ) = 0, isto é, representam as raízes do polinômio característico, que no pre-
sente exemplo são: λ1 = 2 e λ2 = 3.
Os vetores próprios associados com λ1 = 2 e λ2 = 3 são os vetores não-nulos
nos espaços N(A − 2I) e N(A − 3I), respectivamente. Este vetores podem ser
conhecidos mediante a solução de dois sistemas homogêneos representados por:
(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
Enquanto que para λ2 = 3, resulta:
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
Em outras palavras, os vetores próprios de A associados com λ1 = 2, são

todos os vetores não-nulos múltiplos de x = ( 4/5 1 )T e os vetores próprios
associados com λ2 = 3, são os vetores não-nulos múltiplos de y = ( 1 1 )T .
Embora exista um número infinito de vetores próprios associados com cada valor
próprio de A, cada espaço próprio N(A − λi · I) é uni-dimensional. Portanto,
no exemplo considerado existe somente um vetor próprio independente associado
com cada valor próprio.
Retomando o sistema de equações diferenciais lineares expresso pela Eq. (100),
sua solução final produz duas alternativas possíveis, ou seja:
µ ¶ µ ¶
λ1 t 2t 4/5 λ2 t 3t 1
u1 = e · x = e · e u2 = e · x = e ·
1 1
Qualquer outra solução representa uma combinação linear destas duas soluções
em particular.
11.5.4 Exemplo de Aplicação

µ ¶
1 −1
Determine os valores e vetores próprios da matriz A = .
1 1
Solução:
O polinômio característico é o seguinte:
¯ ¯
¯ 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
Em outras palavras, os vetores próprios associados ao valor próprio λ1 = 1+i,

¡ ¢T
são todos os vetores não-nulos múltiplos de x1 = i 1 . Analogamente, para
λ2 = 1 − i, os vetores próprios não-nulos correspondentes são múltiplos de x2 =
¡ ¢T
−i 1 .
96
11.6 Exercícios Propostos
Eliminação de Gauss
1. Usar o método de eliminação de Gauss com substituição inversa

para resolver o seguinte sistema de equações:

 x1 + x2 + x3 = 1
x1 + 2x2 + 2x3 = 1

x1 + 2x2 + 3x3 = 1
2. Considere os seguintes três sistemas de equações onde os coe-
ficientes são os mesmos para cada um dos três sistemas, mas o lado
direito são diferentes (esta situação ocorre com bastante freqüência):
 ¯ ¯ ¯
 4x − 8y + 5z = 1 ¯¯ 0 ¯¯ 0 ¯¯
4x − 7y + 4z = 0 ¯¯ 1 ¯¯ 0 ¯¯

3x − 4y + 2z = 0 ¯ 0 ¯ 1 ¯
Resolva os três sistemas de equações de uma única vez através
do método de eliminação de Gauss aplicado à matriz aumentada da
forma:
[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
4. Use o método de Gauss-Jordan para resolver o sistema de

equações apresentado em seguida:


 x1 + x2 + x3 + x4 = 1

x1 + 2x2 + 2x3 + 2x4 = 0

 x + 2x2 + 3x3 + 3x4 = 0
 1
x1 + 2x2 + 3x3 + 4x4 = 0
97
Operação em Ponto Flutuante
5. Estabeleça um quadro comparativo entre as soluções obtidas

para o sistema de equações mostrado em seguida considerando-se as
soluções: a) exata; b) sem pivotação, porém com precisõ de três dígi-
tos (t = 3); c) com pivotação parcial e t = 3.
½
− 3x + y = − 2
10x − 3y = 7
Sistemas Numericamente Mal-Condicionados
6. Considere o sistema de equações abaixo que é numericamente

mal-condicionado:
½
.835x + .667y = .168
.333x + .266y = .067
a) Determine a solução do
µ sistema proposto;
¶
b .166995
b) Idem, exceto que b= ;
.066601
c) Com base nos resultados obtidos nos itens anteriores, forma-
lize uma maneira de resolver sistemas mal-condicionados que levam
a soluções bastante distintas quando da ocorrência de pequenas per-
turbações numéricas no sistema de equações.
Sistemas de Equações Retangulares
7. Reduzir cada uma das seguintes matrizes a “row echelon form”

e determine o correspondente rank e colunas básicas:
 
  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.
Norma, Produto Interno e Ortogonalidade
11. Determine as normas 1; 2 e ∞ dos seguintes vetores:

   
2 1+i
 1   
x=  e y = 1−i 
 −4   1 
−2 4i
12. Considere a norma euclidiana dos seguintes vetores:
   
2 1
 1   
x=  e y =  −1 
 −4   1 
−2 −1
Determine a distância entre os vetores x e y.
99
13. Usando a propriedade de produto interno padrão, determine
quais dos seguintes
 pares de vetores
 sãoortogonais 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
16. Determine os valores e vetores próprios para as seguintes ma-

trizes:
   
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
Se houver, qual(is) matriz(es) não apresentam o conjunto de ve-

tores próprios linearmente independente ?.
17. Sem efetuar o cálculo dos valores e vetores próprios, indique
quais das opções são vetores próprios da matriz apresentada abaixo:
 
−9 −6 −2 −4
 −8 −6 −3 −1 
A=  20 15 8

5 
32 21 7 12
e para as alternativas que representam vetores próprios de A, de-
termine o valor próprio associado. As alternativas são as seguintes:
       
−1 1 −1 0
 1   0   0   1 
(a)   (b)   (c)   (d)  
 0   −1   2   −3 
1 0 2 0
101

Apostila

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila

Enviado por

Direitos autorais:

Formatos disponíveis

UNIFEI

Universidade Federal de Itajubá

Grupo de Engenharia de Sistemas - GESis

Prof. Dr. Robson C. Pires

May 16, 2002

2 Modernos Centros de Operação de Sistemas 6

4 Aplicação dos Resultados da EESP 11

5 Classificação dos Estimadores de Estados 12

6 Mínimos Quadrados Ponderados (MQP) - Abordagem Clássica 12

7 Estimador de Estados Linearizado (CC) 17

8 Estimador de Estados Não-Linear (CA) 22

10 ANEXOS - 1: Manuais do Simulador “EMS” 45

11 ANEXOS - 2: Tópicos Especiais de Álgebra Linear 61

A avaliação da segurança da operação de um sistema de potência é feita a

O estimador de estados é constituído de um conjunto de algoritmos que proces-

As grandezas observadas são processadas pelo estimador com o objetivo de

A principal expectativa é de que as estimativas obtidas para todas as grandezas

2.1 Centro de Operação de Sistemas (COS)

A Cadeia de Operação em Tempo Real (COS)

ANÁLISE INSEGURO AÇÃO

Figura 1 - Cadeia da Operação em Tempo Real na Transmissão (COS).

2.1.1 Principais Funções Executadas no COS

• Banco de Dados: Esta função armazena os parâmetros de todos os com-

• Pré-filtragem: Esta função objetiva excluir informações que violam gros-

• Estimador de Estados: Esta função tem por objetivo principal monitorar a

• Manutenção da Segurança Operativa: Através da análise dos resultados

• Análise de Sensibilidade: Esta função permite identificar dentre os controles

• Análise de Contingências: Esta função utiliza as ferramentas de cálculo

• Ações de Controle: A execução das funções descritas anteriormente, mesmo

• Outras funções: Não menos importantes que as funções descritas anterior-

DMS - DISTRIBUTION MANAGEMENT SYSTEM

Figura 2 - Centro da Operação em Tempo Real na Distribuição (COD).

2.2.1 Principais Funções Existentes no COD

• Fluxo de Potência: Diante da perspectiva de conexão ao sistema de dis-

• Estimadores de Estados: A carência de informações por algum tempo inibiu

• Controle de Tensão e Reativos: Esta função só pode ser exercida eficiente-

• Controle de Geração Distribuída: A tendência crescente de produtores in-

• Localizador de Faltas: Esta função objetiva isolar o circuito defeituoso,

• Reconfigurador de Redes: Esta função auxilia a recomposição do sistema

• Previsor de carga: Esta função aplicada à distribuição, num horizonte de

• Sistema de Informações Comerciais: Esta função é a responsável pela parte

• Central de Atendimento ou “Call Center”: Esta função desempenha im-

• Gerenciamento de Eventos: Esta função objetiva estabelecer uma escala de

• Previsor de Mercado: Analisa todas as solicitações de conexões de novas

• Controle de Perdas: Objetiva maximizar o desempenho operativo da rede

a) magnitude das tensões (V);

b) injeções de potência ativa (P) e reativa (Q);

c) fluxos de potência ativa (t) e reativa (u);

d) excepecionalmente, a corrente elétrica (I) em alimentadores de distribuição

4 Aplicação dos Resultados da EESP

• Monitoração de Segurança, cujo objetivo é observar a condição operativa

• Análise de Segurança, cuja função primeira é determinar os efeitos de even-

• Despacho Ótimo da Geração;

• Estimadores tipo “batch”, no qual o conjunto de grandezas medidas é

• Estimadores tipo “seqüenciais”, no qual as grandezas medidas são proces-

Os estimadores do tipo “batch”, quanto à formulação matemática, podem

• Estimadores baseados no método de Mínimos Quadrados Ponderados (MQP);

• Estimadores baseados no método de Mínimo Valor Absoluto.

Os estimadores baseados no método MQP, quanto ao algoritmo de solução

• Solução via Equação Normal de Gauss (Método Clássico);

• Solução via Métodos Ortogonais (Golub, Rotações de Givens);

• Solução via Método Híbridos;

• Solução via Método da Matriz Aumentada (Hactel’s Method);

• Solução via Método Desacoplado Rápido (Soluções: P − δ e Q − V ).