You are on page 1of 200

ESTIMACIÓN DE ESTADO

Y DE PARÁMETROS
EN REDES ELÉCTRICAS

Pedro Javier Zarco Periñán Antonio Gómez Expósito

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE SEVILLA

1999

Copyright P. Zarco & A. Gómez-Expósito

Copyright P. Zarco & A. Gómez-Expósito

Índice General

1 Estimación de Estado en Redes Eléctricas 1
1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Hipótesis y datos de entrada . . . . . . . . . . . . . . . . . . . . 2
1.3 Resultados de la estimación de estado . . . . . . . . . . . . . . . 13
1.4 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 Métodos de Estimación de Estado 25
2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Mínimos cuadrados ponderados . . . . . . . . . . . . . . . . . . 28
2.3 Ecuaciones normales con restricciones . . . . . . . . . . . . . . . 30
2.4 Transformaciones ortogonales . . . . . . . . . . . . . . . . . . . 32
2.5 Método híbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Método de la matriz aumentada de Hachtel . . . . . . . . . . . 33
2.7 Método de pseudoinversas . . . . . . . . . . . . . . . . . . . . . 34
2.8 Método de la matriz aumentada por bloques . . . . . . . . . . . 36
2.9 Mínimos valores absolutos . . . . . . . . . . . . . . . . . . . . . 37
2.10 Mínima mediana de cuadrados . . . . . . . . . . . . . . . . . . . 39
2.11 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 Inuencia de Errores en los Parámetros sobre la Estimación 45
3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Entorno de simulación . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Carácter local del efecto de los errores en los parámetros . . . . 50
3.4 Análisis del nivel de error en las medidas . . . . . . . . . . . . . 53
3.5 Errores en la conductancia y en la susceptancia . . . . . . . . . 58
3.6 Inuencia de los ujos e inyecciones sobre las medidas estimadas 60
3.7 Inuencia de los errores en las medidas sobre la estimación . . . 61
3.8 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

i

Copyright P. Zarco & A. Gómez-Expósito

ii ÍNDICE GENERAL

4 Estimación de Parámetros en Redes Eléctricas 69
4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2 Identicación de errores en los parámetros . . . . . . . . . . . . 69
4.3 Clasicación de los métodos de estimación de parámetros . . . . 71
4.4 Estimación on-line frente a estimación o-line . . . . . . . . 72
4.5 Carácter local de la estimación de parámetros . . . . . . . . . . 73
4.6 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

5 Métodos de Estimación de Parámetros 85
5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Métodos basados en el análisis de sensibilidad residual . . . . . 85
5.3 Métodos que amplían el vector de estado . . . . . . . . . . . . . 93
5.3.1 Resolución mediante ecuaciones normales . . . . . . . . . 93
5.3.2 Resolución basada en la teoría del ltro de Kalman . . . 101
5.4 Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.5 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

6 Resultados Experimentales de la Estimación de Estado y de
Parámetros 113
6.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2 Estimación de impedancias o admitancias . . . . . . . . . . . . 114
6.3 Inuencia del número de muestras utilizadas . . . . . . . . . . . 115
6.4 Relación con el nivel de error en las medidas . . . . . . . . . . . 117
6.5 Inuencia del tipo de medidas disponibles . . . . . . . . . . . . 121
6.6 Estimación de varios parámetros simultáneamente . . . . . . . . 124
6.7 Optimalidad de los parámetros estimados . . . . . . . . . . . . . 125
6.8 Resultados del estimador con los parámetros mejorados . . . . . 128
6.9 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

7 Aspectos Relacionados con la Estimación 133
7.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.2 Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.2.1 Test de observabilidad . . . . . . . . . . . . . . . . . . . 136
7.2.2 Identicación de redes observables . . . . . . . . . . . . . 137
7.2.3 Ubicación de medidas . . . . . . . . . . . . . . . . . . . . 138
7.3 Errores no gaussianos . . . . . . . . . . . . . . . . . . . . . . . . 139
7.3.1 Determinación de la presencia de errores . . . . . . . . . 140
7.3.2 Identicación de medidas erróneas . . . . . . . . . . . . . 141
7.3.3 Eliminación de medidas erróneas . . . . . . . . . . . . . 143

Copyright P. Zarco & A. Gómez-Expósito

ÍNDICE GENERAL iii 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 C. . . . . . . . . . . . . .2 Propiedades estadísticas . . . . . . . . . . . . . .2 Fondos de escala de la red IEEE-14 . 165 C Fondos de Escala Utilizados en el Entorno de Simulación 171 C. . . .2 Elementos de la matriz . . . . . . . .4. 174 Copyright P. . . . . . . . . . . . . . . . . . . . . . . .1 Introducción . . . . . . . . . . . . .1 Identicación y estimación de errores topológicos . . . . . . . . . . . . . . . . . 159 B Elementos de la Matriz Jacobiano 165 B. . . . . 165 B. . . . . . . . . . . . . . . .3 Fondos de escala de la red IEEE-118 . .1 Introducción . . . . . . . . . .1 Introducción . . . . . Gómez-Expósito . . . 145 7. Zarco & A. 159 A. . . . . . . 144 7. . . . . . . . . . . . . . . . . . .4 Errores topológicos . . . . . .5 Resumen . . . . . . . . . . . . . . . . 171 C. 151 A Propiedades Estadísticas de la Estimación de Mínimos Cua- drados 159 A. . . . . . . . . . . . . . . . .

Zarco & A.Copyright P. Gómez-Expósito .

. . .6 Errores límites para transformadores de intensidad de clase 0. . . 8 1. . . . . . . . .1 Error general de clase.3 Error de reproducibilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Red IEEE-14. . . . . . . . . (b): Adyacentes (trazo continuo). . . . . . . . . . . . 52 3. . . . . . . . . . 55 3. . . .3 Inuencia del error de una línea sobre las medidas estimadas a distintas distancias: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea. . . . . . . . . . . . 6 1. . . . Índice de Figuras 1. . . . Gómez-Expósito . . . . . . . . . . . . . . . Zarco & A. . . . . . . . . 4 1. . . . . . . . . . . . . . . . . . . . . . . . .5 Errores límites de fase para transformadores de intensidad de clase 0. . .2 Inuencia del error conjunto en la susceptancia y la conductan- cia de una línea sobre las medidas: (a): De toda la red (trazo discontinuo). . . . . . . . 5 1. . . 48 3. 56 i Copyright P. . . . . . . . . . . . 55 3. . . . . . .2 Error de linealidad. . . . . . . . . . . . . 7 1. . . . . .6 Inuencia del error de una línea sobre las medidas estimadas a distancia 1 para distintas clases: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea. . . . 51 3. . . . . . . . . . . . . . .5 Inuencia del error de una línea frente a la relación entre los errores de las medidas estimadas y las telemedidas (adyacentes). . . 8 3.5. . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Inuencia del error conjunto en la susceptancia y la conduc- tancia de una línea sobre las medidas adyacentes para distintas clases. . . . . . .4 Errores límites de relación para transformadores de intensidad de clase 0. .5. . . . . . . . . . . . . . . .

. . . cuando se procesan siete estados simultáneamente. 93 5. 78 5. . . . . . . . (b): Se estima procesándose siete estados simultáneamente. . . . . . . 117 6. . . . . cuando se procesa un estado. . con distintas clases. . . 59 3. . . . . . . . . . 57 3. . . . . . . 119 Copyright P. .4 Inuencia del error en la susceptancia de una línea sobre las medidas adyacentes. . . . . . .9 Inuencia del error en la susceptancia de una línea sobre las medidas adyacentes con diferentes tipos de medidas. . . . . . . . . . Zarco & A. . . . . . . . . . . . . . . .3 Error en la susceptancia estimada de la línea que une los nudos 7 y 9 en la red IEEE-14 frente al peso relativo del parámetro. . . . . . . . . . .1 Modelo del transformador utilizado. . .1 Relación entre el error de las medidas y el error del parámetro estimado frente al número de estados procesados simultáneamente. 97 5. . .11 Inuencia sobre las medidas de inyección adyacentes cuando to- das las medidas son exactas excepto las de inyección. . . . . . . . . . 61 3. . . . . . . .4 Error en la susceptancia estimada de la línea que une los nudos 10 y 11 en la red IEEE-14 frente al peso relativo del parámetro. . 88 5. . . . . . . . . .2 Resultado del análisis de sensibilidad de la línea que une los nudos 49 y 51 en la red IEEE-118.10 Inuencia sobre las medidas de tensión adyacentes cuando todas las medidas son exactas excepto las de tensión. . 63 3. . . . . .115 6. . . . . con distintas clases. . . . . ii ÍNDICE DE FIGURAS 3. . Gómez-Expósito . . . . 62 3. . . . . . . . . . . . . . cuando: (a): No se realiza estimación de parámetros. . . . . . 64 4. . . . .7 Inuencia del error de una línea sobre las medidas estimadas a distancia 2 para distintas clases: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea. . .1 Red IEEE-118. . . . . . .12 Inuencia sobre las medidas de ujo adyacentes cuando todas las medidas son exactas excepto las de ujo. . . . . . . 118 6. . . . . 76 4. . . . . . . . . . . . . . . . . . . . .2 Modelo del transformador considerado. . . . . . . con distintas clases.3 Inuencia del error en la susceptancia de una línea sobre las medidas adyacentes. . . . . 98 6. . . . . . . . . . . . . . . .8 Inuencia del error en la susceptancia y en la conductancia de una línea sobre las medidas adyacentes. .2 Inuencia del error en la susceptancia de una línea sobre las medidas adyacentes. . . . . . . . . . .

. . . . . . 126 Copyright P. . . . Gómez-Expósito . . . con distintas clases. . .7 Inuencia del error en las susceptancias de cinco líneas sobre las medidas de toda la red. . . . . 125 6. . . . . . . . . . . . . con distintas clases. . . . ÍNDICE DE FIGURAS iii 6. . . . . . . . . . . .6 Inuencia del error en la susceptancia de cinco líneas sobre las medidas de toda la red. . . . Zarco & A. .5 Media del error de las medidas / Error del parámetro estimado frente al número de estados procesados simultáneamente con diferente redundancia. . cuando se procesan siete estados simultáneamente. . 123 6. . . . .

Gómez-Expósito . Zarco & A.Copyright P.

.7 Valor estimado del parámetro cuando se parte de un valor esti- mado previamente. . . .1 Inuencia del error de la susceptancia de una línea sobre las medidas cuando se estima el parámetro. . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Límites del error de relación y del desfase para transformadores de tensión. . . . . . . . 120 6. Zarco & A. . .3 Errores de los parámetros estimados para diferentes niveles de e- rrores en las medidas y redundancia completa. 122 6. . 175 i Copyright P. . . . . . . . . . . . . . . . . . . . . . .6 Valores estimados del parámetro para distintos valores de par- tida de éste. . . . . . . . . . . (b): Error del parámetro estimado (%). . . . . .1 Errores máximos admitidos en la norma CEI para transfor- madores de intensidad. .4 Inuencia del error de la susceptancia de una línea cuando sólo se dispone de medidas de tensiones e inyecciones y se estima dicho parámetro. . . . Gómez-Expósito . . . . . 173 C. . . . . . . . . .2 Errores de las medidas adyacentes utilizadas sin estimar pará- metro y estimándolo. . . . . . 128 C. 172 C. . . . . . . . . .5 Inuencia del error de la susceptancia de una línea cuando sólo se dispone de medidas de tensiones y ujos y se estima dicho parámetro. . .2 Fondos de escala considerados para las ramas de la red IEEE-14 en por unidad y sobre una base de 100 MVA. . . . 9 6. . . . . . .1 Fondos de escala considerados para los nudos de la red IEEE-14 en por unidad y sobre una base de 100 MVA. . . . . . . . . . . . . . . . . . . . . . . . . 127 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1. . . . . . (a): Error medio de las telemedidas (%). . . . . . . . . . . . . . .3 Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA. . 120 6. . . . . . . . . . . . Índice de Tablas 1. 116 6. . . 122 6. . . . . . . . . . . . . . .

176 C. 186 C. . 185 C. 184 C.7 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA. 180 C.10 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). .14 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). . . 182 C. Zarco & A. Gómez-Expósito . .6 Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación). 183 C. 177 C.8 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). .11 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). .5 Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación). . 187 Copyright P. . 181 C.15 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). 179 C.9 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). . . . 178 C. ii ÍNDICE DE TABLAS C.13 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación).4 Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).12 Fondos de escala considerados para las ramas de la red IEEE- 118 en por unidad y sobre una base de 100 MVA (continuación). . .

Hasta entonces. la frecuencia del sistema y el conjunto de medidas de potencia necesarias para el control de la generación. Partiendo de esta situación el esfuerzo se centró en conseguir cada pocos segundos la información. Capítulo 1 Estimación de Estado en Redes Eléctricas 1.1 Introducción Cuando en 1965 se produjo el incidente que dejó sin alimentación de energía eléctrica al nordeste de los Estados Unidos. optimización y se empezaron a construir nuevos centros de control. índices de seguridad. que controlaba de manera automática la generación y el despacho económico. las empresas eléctricas tomaron conciencia de que debían realizar un gran esfuerzo para desarrollar nuevas técnicas en la operación de los sistemas de potencia que permitieran un elevado nivel de seguridad en el servicio. y un sistema separado. Por lo tanto. que controlaba las posiciones de los interruptores en las subestaciones. es decir. Teniendo todos estos valores en tiempo real en la base de datos era posible comprobar la seguridad continuamente. generalmente análogo al anterior. los únicos datos que el ope- rador tenía disponibles en tiempo real eran el estado de los interruptores. Zarco & A. el control y la decisión de la operación se basaban en un sistema de supervisión. se podían analizar las condiciones de operación de cada equipo de la red y Copyright P. análisis de estabilidad. mejo- ra de la seguridad. tanto de los interruptores como de todas las medidas de la red que se controlaba. Gómez-Expósito . Esto dio lugar a que los antiguos métodos y herramientas de operación resultaran inadecuados. Se comenzó a hablar de análisis de seguridad.

el estimador de estado es un reparto de cargas en tiempo real. son el corazón de los modernos sistemas de gestión de energía y el rendimiento de otras aplicaciones. el estimador de estado es un puricador de datos". aunque el número de medidas era generalmente muy grande siempre había inconsistencias. Schweppe. 2 Estimación de Estado detectar las situaciones anormales y alarmantes de funcionamiento. Con esto se aseguraba la ejecución de las funciones de seguridad en los centros de control y el SCADA era reemplazado por lo que hoy día se conoce como sistema de gestión de energía (EMS en inglés). junto con la utilización de pantallas grácas y el almacenamiento de todos los eventos. detección y señalización del sistema. Como consecuencia de lo primero. Como él dijo. despacho económico. un reparto de cargas en tiempo real. Con todo lo anterior. ya que ciertas medidas desaparecían temporalmente o había medidas con errores no gaussianos. como las de análisis de seguri- dad. Zarco & A. Pero no era correcto y fue Schweppe el que reconoció desde el principio que había dos problemas fundamentales para la ejecución de las funciones de seguridad. Este pro- ceso de captación. dependen en gran medida de la exactitud de los datos que proporciona el estimador de estado. por lo que no había forma práctica de realizar funciones de seguridad. gracias al SCADA.. En primer lugar. con la estimación de estado. constituyó el sistema de supervisión del control y adquisición de datos (SCADA en inglés). 1. utilizando una analogía con la puricación de la sangre en el cuerpo humano [13]. resolvió tanto el problema de los datos como el de la resolución en tiempo real. se pensó que teniendo la base de datos actualizada periódicamente. los programas de reparto de cargas que se venían utilizando hasta esas fechas no se podían utilizar en tiempo real. etc. Gómez-Expósito .2 Hipótesis y datos de entrada Schweppe denió la estimación de estado como un algoritmo de procesamiento de datos que convierte las medidas redundantes y otra información disponible en un estimado del estado del sistema eléctrico [34]. es decir. las nuevas funciones de seguridad necesitaban un punto de partida. Pero es algo más. En segundo lu- gar. Copyright P. se podría llevar el seguimiento y el control de la seguridad del sistema con sólo introducir las medidas en los programas de control. la estimación de estado es una parte esencial en los sistemas de gestión de energía de todo el mundo. Más aún. Hoy en día.

. Gómez-Expósito . Los datos típicos que se incluyen son: ∗ Las tensiones e inyecciones de activa y reactiva en los nudos. por ejemplo.) están relacionadas entre sí mediante las leyes que gobiernan los circuitos eléctricos. La exactitud de las medidas no sólo dependerá del transformador de me- dida. el desequilibrio en- tre fases. sino también de los transductores y convertidores y se tendrá en cuenta como error de las medidas un único valor que sea conjunción de la suma acu- mulativa de los errores en los dispositivos que intervienen en todo el proceso. L. el efecto de la conversión analógica-digital. la estimación de estado es un proceso que limpia los datos erróneos ya que las medidas (ujos. Zarco & A. Hipótesis y datos de entrada 3 Las fuentes de información necesarias para el estimador de estado son [15]: • Los valores de los parámetros de diseño (R. y como se ha comentado previamente. como por ejemplo la inyección cero en las subestaciones de transporte (nudos de tránsito). Pero ocurre que los datos telemedidos contienen errores debido a la in- exactitud de la calibración de los transductores. etc. • Los distintos tipos de medida:  Telemedidas: Son las que se obtienen en tiempo real desde las re- motas de las subestaciones a través del SCADA. la potencia generada en las centrales o la demanda de las subestaciones.). el ruido en los canales de comunicación. etc. • El modelo matemático del sistema. Si hay redundancia en el conjunto de medidas (más medidas que las necesarias para determinar la condición de la red). etc.  Pseudomedidas: Son valores obtenidos basándose en los datos his- tóricos existentes. etc. ∗ Los ujos de potencia activa y reactiva en las líneas. por lo que tienen menos precisión que si fuesen medidos.  Medidas virtuales: Son aquellas que no requieren ser medidas.). • La información topológica o estructural (posición de interruptores. Los parámetros que denen la exactitud de la medida son: Copyright P. se puede utilizar un proceso sistemático que corrija los errores. tensiones.

con respecto al valor de fondo de escala. etc. Gómez-Expósito . 4 Estimación de Estado • Clase: Se entiende por clase el error máximo que dicho aparato de medida puede tener. que existe entre el verdadero valor y el valor obtenido con el aparato de medida calibrado perfectamente para la señal de fondo de escala. con respecto al valor de fondo de escala o señal nominal de salida. es decir. En la Figura 1. • Reproducibilidad o histéresis: Se entiende por error de reproducibil- idad o bien de histéresis. pero repitiendo las medidas en Copyright P. • Linealidad: Se entiende como error de linealidad el error relativo en tanto por ciento. el error que puede darse por diferencia de los valores obtenibles en un convertidor de medida a igualdad de condi- ciones ambientales. de temperatura. ajustado de manera que a la entrada nominal le correspondiese exactamente la salida nominal. En la Figura 1. tomado en tanto por ciento. en unas condiciones denidas por normas nacionales o internacionales.. Zarco & A.1: Error general de clase.2 se representan los valores verdaderos con trazo continuo y los valores medidos con curva discontinua. Figura 1.1 se representan los valores verdaderos con trazo continuo y los valores medidos con curva discontinua.

pudieran tener algún pequeño efecto sobre el aparato de medida y sobre su precisión. Este error se suele dar en tanto por ciento por cada grado centígrado o bien en tanto por ciento por cada diez grados centígrados. Es necesario tener en cuenta que los tantos por ciento de error que se suelen Copyright P. es decir. tensión de alimentación. • Deriva térmica: Es el error que puede producirse por variación de la temperatura en el medio ambiente en que se encuentra el instrumento de medida. por lo que en algunos de ellos se suele expresar la inuencia de dichas magnitudes. Gómez-Expósito . aumentando la medida en un momento y disminuyéndola en otro momento (Figura 1. con respecto a la medida que tiene a una temperatura de referencia. condiciones dinámicas diferentes. Zarco & A. puede ser de cero. es decir. tales como la frecuencia de red.3). impedancia de carga. o bien puede ser de plena escala. de la salida que da el aparato de medida para la entrada nominal. Hipótesis y datos de entrada 5 Figura 1. • Otras magnitudes: Otras magnitudes. Esta diferencia de valor que se toma también en tanto por ciento con respecto al fondo de escala. es decir. de la salida que da el aparato de medida para una entrada que por su ajuste debiera dar salida igual a cero.2: Error de linealidad.

4) como de fase (Figura 1. 3 y 5.5 se pueden unicar en una sola (Figura 1.4 y 1. no deberán sobrepasar los valores de la Tabla 1. Gómez-Expósito . En los trans- formadores de estas clases. La principal variante es que las normas UNE y VDE Copyright P. Ambas guras son las correspondientes a la clase 0. puede trazarse una gráca de líneas quebradas de errores límites tanto de relación (Figura 1. 0.5 son los comprendidos entre ambos paralelogramos. dar por variación de magnitudes corresponden a unos determinados márgenes de operación y no suelen ser extrapolables a otros valores operacionales. 0. a la frecuencia nominal.1. fundamentalmente. los mismos valores que la CEI.5) con los límites de error admisibles. Las Figuras 1. 1.1 cuando la carga secundaria esté comprendida entre el 25 y el 100 % de la carga de precisión. Las curvas de errores reales de un transformador deberán quedar comprendidas entre las dos líneas quebradas de dichas guras. Las clases de precisión nominales de los transformadores de intensidad son 0. todas las normas tienen.5. Zarco & A. A partir de los valores de la Tabla 1.6) en la que los errores admisibles para clase 0.5.2. 6 Estimación de Estado Figura 1.1 y para cada clase de precisión. los errores de intensidad y fase. Excepto la norma ANSI. Siendo la clase el parámetro que más inuye en la exactitud de la medida será éste el único que se tendrá en cuenta.3: Error de reproducibilidad.

1 10 8 5 5 0. .0. Zarco & A.0 0.1 0. 5 .4: Errores límites de relación para transformadores de intensidad de clase 0.5 . Hipótesis y datos de entrada 7 Error de relación en % Errores de fase para los Clase para los valores de valores de la intensidad de intensidad expresados en % expresados en % de la precisión de la intensidad nominal intensidad nominal ±²1 % ±δ1 (minutos) 10 20 50 100 120 10 20 100 120 0. 3 .2 .0. Figura 1.1.1: Errores máximos admitidos en la norma CEI para transformadores de intensidad.2 0.1 0. .35 .0 1.0 120 90 60 60 3 .5 60 45 30 30 1 2. - Tabla 1. 5 . .5 0.5. . . .2 20 15 10 10 0. Gómez-Expósito .0 1.25 0.0.5 1.2 0.75 .5 0. Copyright P. - 5 . 3 .

5. Zarco & A. Figura 1.5: Errores límites de fase para transformadores de intensidad de clase 0. Copyright P. Gómez-Expósito .5.6: Errores límites para transformadores de intensidad de clase 0. 8 Estimación de Estado Figura 1.

Hipótesis y datos de entrada 9

Clase Error de relación (²u %) Desfase min. (δu )
0.1 ±0.1 ±5
0.2 ±0.2 ±10
0.5 ±0.5 ±20
1 ±1.0 ±40
3 ±3.0 No especicado

Tabla 1.2: Límites del error de relación y del desfase para transformadores de
tensión.

no admiten la clase 5. También hay que tener en cuenta que la norma CEI
y la mayor parte de las normas europeas establecen que los errores indicados
no deben sobrepasarse para una potencia comprendida entre la nominal y su
cuarta parte, con cos ϕ = 0.8, mientras que la norma ANSI solamente exige el
cumplimiento de la precisión para una potencia igual a la potencia nominal.
La clase de precisión de un transformador de tensión debe cumplirse en
todas las tensiones comprendidas entre el 80 y el 120 % de la tensión nominal
y a todas las cargas comprendidas entre el 25 y el 100 % de la precisión, bajo un
factor de potencia de 0.8 en retraso. En la Tabla 1.2 se muestran los límites del
error de relación y desfase en función de la clase de precisión. Estas exigencias
de precisión coinciden para todas las normas.
Hasta ahora se han denido las fuentes de información necesarias para el es-
timador de estado. Éstas son necesarias para poder llevar a cabo la estimación,
que se realiza bajo las siguientes hipótesis:

• Las condiciones de operación son equilibradas.

• El sistema trifásico se puede modelar por su circuito equivalente monofási-
co.

• Las telemedidas se captan en el mismo instante de tiempo.

• Los errores de las medidas:

 Tienen valor medio nulo.
 Son variables aleatorias independientes: E(ei ej ) = 0, por lo que su

Copyright P. Zarco & A. Gómez-Expósito

10 Estimación de Estado

matriz de covarianzas R es una matriz diagonal de valor
 
σi2
 
T
 σi2 
R = E(ee ) = 
 .. 
 (1.1)
 . 
2
σm

 Tienen distribución gaussiana.
• Se asigna un peso Wii a la medida i basado en su covarianza: Wii = σi−2 .
Este peso reeja la exactitud esperada de la correspondiente medida.

• Los parámetros de la red son conocidos e invariantes con el tiempo.

• Los estados de todos los interruptores obtenidos a través del SCADA son
exactos, por lo que la topología de la red también lo es.

El cálculo de la desviación típica del error de las medida i, σi , es propuesto
de diferentes maneras según los autores y se pueden diferenciar cuatro grandes
grupos:

1. σ es un valor constante:

(a) En [1, 2, 6] se propone:
• Para medidas de inyección: σ = 0.01 p.u.
• Para medidas de ujo: σ = 0.008 p.u.
• Para medidas de tensión: σ = 0.004 p.u.
(b) En [5, 7, 8] se propone:
• Para medidas de potencia: σ = 1 MW/MVAR.
• Para medidas de tensión: σ = 0.01 p.u.
(c) En [16] se propone:
• Para medidas de potencia: σ = 0.02 p.u. (sobre una base de
100 MVA).
• Para medidas de tensión: σ = 0.002 p.u.
(d) En [17] se propone:
• Para medidas de potencia: σ = 1 MW/MVAR.
• Para medidas de tensión: σ = 0.005 p.u.

Copyright P. Zarco & A. Gómez-Expósito

Hipótesis y datos de entrada 11

(e) En [26, 27] se propone:
• Para medidas de potencia: σ = 1.5 MW/MVAR en 132 KV y
σ = 0.8 MW/MVAR en 33 KV.
• Para medidas de tensión: σ = 0.005 p.u.
• Para medidas de inyección cero: σ = 0.2 MW/MVAR.
(f) En [29, 30, 32] se propone:
• Para medidas de potencia: σ = 0.5 ÷ 1.1 MW/MVAR en 70
KV y σ = 1.2 ÷ 5.5 MW/MVAR en tensiones superiores.
• Para medidas de tensión: σ = 0.005 p.u.
• Para medidas de inyección cero: σ = 0.3 MW/MVAR en 70
KV y σ = 0.5 MW/MVAR en tensiones superiores.

2. σ es función del valor medido:

(a) En [3, 28] se propone: Para todas las medidas σ = 1% del valor
medido.
(b) En [21] se propone: Para todas las medidas σ ≤ 2% del valor me-
dido.
(c) En [22] se propone: Para todas las medidas σ ≤ 3% del valor me-
dido.
(d) En [19, 24] se propone: Para todas las medidas σ = 2% del valor
medido.
(e) En [31] se propone: Para todas las medidas σ = 0.01% del valor
medido.

3. σ es función del fondo de escala:

(a) En [18] se propone: Para todas las medidas el ruido gaussiano
obtenido de un generador de números aleatorios es multiplicado
por un porcentaje, sin especicar, del fondo de escala del aparato
de medida.
(b) En [20] se propone:
• Para medidas de potencia: σ = 0.5% del fondo de escala, siendo
éste 1000 MW.
• Para pseudomedidas: σ = 10 ÷ 40% del fondo de escala.

Copyright P. Zarco & A. Gómez-Expósito

12 Estimación de Estado

(c) En [35] se propone: Para todas las medidas, a los estados exactos se
les suma un error gaussiano obtenido con un generador de números
aleatorios a partir de la desviación típica de cada medida, siendo
ésta función del fondo de escala y de la clase del aparato de medida.

4. σ es función del valor medido y del fondo de escala:

(a) En [4] se propone:

σ = 0.0067 ∗ V M + 0.00163 ∗ F E (1.2)

siendo:
V M el valor medido.
F E el fondo de escala del aparato de medida.
(b) En [9] se propone:

σ = 0.015 ∗ V M ∗ α + 0.003 ∗ F E ∗ α (1.3)

siendo α un número aleatorio de media cero y desviación típica 1.0
y los valores del fondo de escala:
• Para medidas de potencia:
 Para generadores: 1.2 p.u. para potencia activa y 0.2 p.u.
para reactiva.
 Para cargas: 0.2 p.u. para potencia activa y 0.1 p.u. para
reactiva.
• Para medidas de tensión: 1.5 p.u.
(c) En [10] se propone:
• Para medidas de potencia: σ 2 = (0.006 ∗ V M )2 + (0.005 ∗ F E)2 .
• Para medidas de tensión: σ = 0.005 ∗ F E .
no estando especicado F E .
(d) En [11, 12] se propone: Para las medidas de ujos de potencia

σ = α ∗ (0.02 ∗ V M + 0.0035 ∗ F E) (1.4)

siendo :
|α| ≤ 1
F E = 2000 MVA.

Copyright P. Zarco & A. Gómez-Expósito

al fondo de escala o a una suma de ambos factores. pero nunca es constante [25]. Los resultados de la estimación de estado son los estimados de las variables del sistema eléctrico que pueden incluir la generación. Gómez-Expósito .0035 ∗ F E (1. • Para medidas de inyección cero: σ es 20 veces superior al σ típico de medidas de inyección reales. cómo afectan los errores del modelo del sistema a los resultados de la estimación de estado.0026. (f) En [23] se propone: σ = 0. V M = 1.005 ∗ F E + 0.005.6) no estando especicado F E y siendo: • Para medidas de potencia: α = 0.012 ∗ V M + 0. Dependiendo del fabricante y del modelo ésta es proporcional a la medida. En los aparatos de medida industriales existe una disparidad similar res- pecto a la precisión del aparato. • Para medidas de tensión: α = 0. mediante el análisis de sensi- bilidad.u. Además.001 ∗ V M . F E = 1. 1.3 Resultados de la estimación de estado El estimador procesa toda la información disponible del sistema interconecta- do y genera una base de datos para las funciones de control y reparto.5 p..0052 y V M y F E son valores en MVA.u. se pueden calcular las matrices de covarianza Copyright P.0 p. Zarco & A. los ujos de potencia activa y reactiva de las líneas de transmisión y las magnitudes y las fases de los ángulos de las tensiones en los nudos.u.02. (g) En [33] se propone: 3 ∗ σ = α ∗ V M + β ∗ FE (1. no estando especicado F E . las cargas activas y reacti- vas.5) siendo F E = 20 p. • Para medidas de tensión: σ = 0. β = 0.02 ∗ V M ). Con esta información se puede determinar. β = 0. Resultados de la estimación de estado 13 (e) En [14] se propone: • Para medidas de potencia: σ = 13 (0.

Éste se basa en los nudos de carga. inuirá en: 1. Las variables estimadas pueden servir de base para estos análisis. Zarco & A. 14 Estimación de Estado de la estimación y residual que permitirán evaluar la bondad de la estimación así como detectar errores no gaussianos (Apartado 7. • Informándole de los costes marginales de potencia en los nodos im- portantes y en los de intercambio. junto con sus respectivas desviaciones típicas. las salidas de generadores. El estimador de estado debe sumi- nistrar en tiempo real la información necesaria para la inspección periódica de la generación. Se genera una base de datos en tiempo real que permite la realización del análisis de seguridad y la detección de anomalías. • El programa de descargos.3). etc. Gómez-Expósito . Es necesario obtener la estimación óptima de los ujos de potencia e inyecciones. 2. las cargas de las líneas. Las funciones de control: • El control de carga y frecuencia. • El despacho óptimo de las potencias activa y reactiva. niveles de tensión. • La supervisión de la seguridad. la información proporcionada por el estimador de estado o la que se puede obtener fácilmente de él. ángulos de las fases. El operador: • Proporcionándole. Asimismo. • Proporcionándole salidas no registradas y su localización geográca que le ayudarán en el diagnóstico de defectos. cargas. • La mejora de los sistemas de seguridad. Éste va a depender de las conclusiones que se obtengan de los análisis que se realizan de los efectos que pueden producir dichos cortes sobre la seguridad del sistema. el estimado de los ujos de las líneas. • Indicándole las anomalías del sistema y su localización geográca e informándole sobre los problemas de la red. especialmente de las medidas que no se realizan en tiempo real pero que se estiman y actualizan periódicamente por el operador. Copyright P. la estabilidad transitoria de la red y la predicción de los efectos de las posibles contingencias. las tensiones de los nudos. pudiendo realizar el estimador la estimación de las cargas no telemedidas.

5. el estado estadísticamente óptimo. Los cambios de estado no comunicados en áreas no observables pueden dar lugar a resultados erróneos. Se acepta que las posiciones de los interruptores son correctas aunque pueden no serlo. Gómez-Expósito .2. El test de la χ2 para la detección de errores no gaussianos no es siempre seguro. Este estado estimado constituye la base de datos sobre la que trabajan el resto de las funciones del centro de control pero tiene algunas limitaciones que el operador debe conocer. • Proporcionándole las acciones correctoras requeridas para solucio- nar las condiciones indeseables de potencia y tensiones y los pro- cedimientos de restablecimiento del sistema. Seguidamente se procederá a realizar una discusión en detalle de cada una de estas limitaciones. Ser conscientes de ellas evitará sorpresas y desconanza en la estimación de estado. Resultados de la estimación de estado 15 • Facilitándole índices de seguridad tales como reservas de generación y transmisión o los márgenes de estabilidad transitoria para alertarle mientras se encuentre el sistema en un estado vulnerable. Los resultados de la inyección en los nudos pueden no ser realistas. 3. Zarco & A. El diseño y la planicación de los sistemas de información: • Facilita el proceso de localización y denición de la exactitud de los sensores necesarios para mejorar algunas variables de estado con el menor coste posible. Los errores no gaussianos en medidas críticas no pueden ser detectados. Areas no observables Copyright P. 2. 4. Estas limitaciones son: 1. según se deducirá en el Apartado 2. 3. ya que las inyecciones múltiples en los nudos no pueden ser estimadas indi- vidualmente y los errores no gaussianos no siempre se pueden identicar individualmente. La estimación de estado obtendrá.

la estimación de estado puede no ser correcta. entonces los cambios no se registrarían. apre- cie el valor de la estimación de estado y tenga conanza en sus resultados. las cuales se basan en las últimas medidas y en datos históricos. es Copyright P. Gómez-Expósito . sino por la posibilidad de cambios en el estado de dicha zona. Cuando se produce una isla no observable debido a una red de tensión inferior. si la no observabilidad se debiese a la imposibilidad de acceder a la subestación por cualquier razón. Por lo tanto. Por último. debido a la importancia de la subestación. un cambio en un interruptor se podría notar e incluso identicar en las zonas observables adyacentes. Sin embargo. se puede subsanar este problema comunicando el cambio del estado desde la subestación al centro de control y se actualizaría el sistema. si la no observabilidad se debe a la pérdida o a la no disponibilidad de una medida crítica. Resultados de la inyección en los nudos de la estimación de esta- do Con objeto de que el usuario nal. la estimación de estado realiza una función que un operador podría realizar de una manera más lenta y proporciona una información que el SCADA no puede suministrar. el operador podría recibir información telefónica desde la subestación por el personal de operación o mantenimiento y si fuese necesario. 16 Estimación de Estado El modelo de red utilizado por la estimación de estado incluye habitualmente redes que están fuera del ámbito de inuencia del centro de control. Además. Si el periodo durante el cual las zonas no observables permanecen en este estado es elevado. Tales áreas no observables pueden ser partes de redes de tensiones inferiores o partes de interconexiones con sistemas externos. no por causa de las pseudomedidas. algunas zonas de la red que están siendo controladas pueden pasar a no observables debido a la pérdida de una medida crítica. Para la estimación de estado estas subredes son no observables permanentemente. Si el periodo de indisponibilidad llega a ser excesivamente prolongado. a un fallo en el terminal remoto o en las vías de comunicación. o simplemente porque en dicha subestación se está realizando mantenimiento o está siendo reparada la unidad remota. Con objeto de convertir en observables todas esas zonas no observables se utilizan las pseudomedidas. si la zona no observable no es demasiado extensa. por ejemplo el operador del sistema. Zarco & A. tendría que haber personal que la controlase en modo local temporalmente.

en la presentación de los resultados de la estimación de estado. En aquellos lugares en los que la inyección estimada no pueda ser distribuida de una manera realista será necesario que se haga mención mediante algún comentario o indicación. Sin embargo. Gómez-Expósito . habrá suciente redundancia en el conjunto de medidas de manera que no haya medidas críticas. La distribución de la inyección entre las inyecciones individuales se realiza proporcionalmente a los valores medidos. Zarco & A. Con este criterio se asegura la redun- dancia local en la red pero en la práctica pueden existir varias medidas críticas. dependerá del operador la decisión de si una medida crítica es correcta o no. Por lo tanto. es posible que se pueda identicar mediante métodos heurísticos. Resultados de la estimación de estado 17 necesario tener un especial cuidado en la determinación y presentación de si las inyecciones en los nudos son simples o múltiples. la distribución de la inyección estimada en un nudo entre los generadores y las cargas del mismo puede dar lugar a situaciones absurdas si no se tiene un especial cuidado. Por este motivo. • Los generadores absorban potencia del nudo. • Haya cargas que aporten potencia al nudo. en estimación de estado un error en una medida crítica no puede ser identicado. El algoritmo del estimador de estado estima la inyección en un nudo y no las inyecciones individuales. Idealmente. Si se detecta un error no gaussiano en la inyección no se puede identicar cuál de las inyecciones individuales es la que ha introducido el error. En ciertos casos. • Haya valores de cargas excesivamente elevados. Puede ocurrir que: • Las salidas de los generadores sean muy superiores a su capacidad. • Aparezca una carga que en realidad no existe. Copyright P. las medidas críticas se identicarán de un modo especial. Medidas críticas Por denición. la distribución de la inyección en el nudo entre los generadores y las cargas será tal que se eviten resultados como los indicados anteriormente. Una vez que el estimador de estado ha obtenido su solución. Esta es una buena aproximación mientras no existan datos con errores no gaussianos en una o más de las inyecciones.

Este problema se puede obviar mediante el preprocesador del estimador de estado. Identicación de errores no gaussianos En la mayoría de los centros de control se utiliza el test de la χ2 para la detección de errores no gaussianos (se analizará en detalle en el Apartado 7. si se produce algún error en la información que se tenga de un interruptor. Estos errores no suelen producirse pero si ocurriesen darían lugar a que el congurador de la red proporcionase un modelo erróneo de ésta. Esta suposición es cierta si es supervisada por medio del SCADA. lo que origina un error topológico en la red. Topología de la red En la estimación de estado se supone que la información que se tiene en la base de datos respecto a la posición abierta o cerrada de los interruptores y seccionadores es correcta. Si el interruptor o seccionador no se supervisa a través del SCADA. a un problema de un cable. alguna tarjeta. Éste lo que realiza es la vericación de cada nudo y si el residuo de las potencias activa y reactiva superan un umbral se emite un mensaje que avisará al operador. etc. En la práctica este test no es siempre correcto. especialmente en redes grandes. 18 Estimación de Estado El número de medidas críticas no permanece jo. Por lo tanto. después de que se hayan rechazado los errores con los mayores residuos. Gómez-Expósito .3). es decir. Puede ocurrir que el opera- dor se olvide de actualizar la posición de los equipos. el test puede indicar que no existen más errores Copyright P. Se pueden producir errores en la estación remota debido a la pérdida de conexión. ésta se detectaría por la correlación que existe entre la posición del interruptor y los ujos de las ramas. Zarco & A. La presentación al operador de las medidas que son críticas le permitirá saber que en caso de que exista algún error no gaussiano en dichas medidas no podrá ser identicado. la actualización de su posición la realiza manualmente el operador tras una serie de operaciones que el operario de campo realiza. aun cuando sólo haya un único dato erróneo. un fallo en algún relé. En el caso de que haya múltiples errores no gaussianos el test de la χ2 se ejecuta hasta un límite. Alguna de las medidas puede convertirse en crítica debido a la no disponibilidad de alguna medida o a que se rechace por ser detectada como medida con error no gaussiano.

Resumen 19

cuando en verdad sí existen.
Por ello es conveniente que en la pantalla de ajuste de parámetros del
estimador de estado se presente la facilidad de que el operador pueda evitar la
realización del test de la χ2 . De esta manera el proceso irá directamente a la
rutina de identicación mediante el examen de los residuos normalizados.
Hay que destacar que, incluso si no se detectan todos los errores no gaus-
sianos, el estimador de estado puede ofrecer una estimación muy parecida al
valor verdadero.

1.4 Resumen
En este capítulo se ha presentado el problema que existía en la operación de
los sistemas de potencia y el cambio de mentalidad producido hacia los nuevos
sistemas de seguridad. Al producirse este cambio fue cuando emergió con gran
fuerza la estimación de estado como solución a los problemas de inconsistencia
y seguridad planteados.
Se han estudiado los datos de entrada necesarios para el estimador de es-
tado (Apartado 1.2), que además de los datos proporcionados por el SCADA
necesita los valores de los parámetros, la información topológica, el modelo
matemático del sistema y las pseudomedidas. En este mismo apartado se
han analizado los parámetros que denen la exactitud de la medida y se ha
justicado la utilización de la clase como único parámetro para denirla.
Por último, se han analizado los resultados que se obtienen de la estimación
de estado (Sección 1.3), justicándose los motivos para realizarla, así como la
inuencia que tiene ésta sobre las funciones de control, el operador y la plani-
cación. Igualmente se han remarcado las limitaciones que tiene la estimación
y que deben quedar completamente claras para el operador con objeto de que
éste pueda subsanarlas.

Copyright P. Zarco & A. Gómez-Expósito

20 Estimación de Estado

Copyright P. Zarco & A. Gómez-Expósito

Bibliografía

[1] Abur A., A Bad Data Identication Method for Linear Programming
State Estimation. IEEE Transactions on Power Systems, Vol. 5, No. 3,
pp. 894-901, August 1990.
[2] Abur A., Çelik M., A Fast Algorithm for the Weighted Least Absolute
Value State Estimation. IEEE Transactions on Power Systems, Vol. 6,
pp. 1-8, February 1991.
[3] Allam M., Laughton M., A General Algorithm for Estimating Power
System Variables and Network Parameters. IEEE PES 1974 Summer
Meeting, Anaheim, CA, Paper C74 331-5, 1974.
[4] Allemong J., Radu L., Sasson A., A Fast and Reliable State Estimation
Algorithm for AEP's New Control Center. IEEE Transactions on Power
Apparatus and Systems, pp. 933-944, April 1982.
[5] Baldick, R., Clements K., Pinjo-Dzigal Z., Davis P., Implementing Non-
quadratic Objetive Functions for State Estimation and Bad Data Rejec-
tion. IEEE Transactions on Power Systems, Vol. 12, No. 1, pp. 376-382,
February 1997.
[6] Çelik M., Abur A., A Robust WLAV State Estimator Using Transforma-
tions. IEEE Transactions on Power Systems, Vol. 7, No. 1, pp.106-113,
February 1992.
[7] Clements K., Denison O., Ringlee R., The Eects of Measurement Non-
Simultaneity, Bias and Parameter Uncertainty on Power System State
Estimation. PICA Conference Proceedings, pp. 327-331, June 1973.
[8] Clements K., Ringlee R., Treatment of Parameter Uncertainty in Power
System State Estimation. IEEE Transactions on Power Apparatus and
Systems, Anaheim, Cal., Paper C74 311-7, July 1974.

21

Copyright P. Zarco & A. Gómez-Expósito

22 BIBLIOGRAFÍA

[9] Clewer B., Irving M., Sterlig M., Topologically Independent State Esti-
mation. IFAC Symposium Power Systems. Modelling and Control Appli-
cations, Brussels, pp. 17.1.1.-17.1.13., September 1988.

[10] Debs A., Litzenberger W., The BPA State Estimator Project: Tuning
of Network Model. IEEE Transactions on Power Systems, Paper A 75
448-1, July 1975.

[11] Dopazo J., Klitin O., Stagg G., Van Slyck L., State Calculation of Pow-
er Systems from Line Flow Measurements. IEEE Transactions on Pow-
er Apparatus and Systems, Vol. PAS-89, No. 7, pp. 1698-1709, Septem-
ber/October 1970.

[12] Dopazo J., Klitin O., Van Slyck L., State Calculation of Power Systems
from Line Flow Measurements, Part II. PICA Conference Proceedings,
Boston, pp. 341-347, 1971.

[13] Dy Liacco T., The Role and Implementation of State Estimation in an
Energy Management System. Electrical Power & Energy Systems, Vol.
12, No. 2, pp. 75-79, April 1990.

[14] Falcão D., de Assis S., Linear Programming State Estimation: Error
Analysis and Gross Error Identication. IEEE Transactions on Power
Systems, Vol. 3, No. 3, pp. 809-815, August 1988.

[15] Gómez A., Estimación de Estado en Sistemas Eléctricos de Potencia.
Automática e Instrumentación, No. 155, pp. 185-193, Febrero 1986.

[16] Handschin E., Schweppe F., Kohlas J., Fiechter A., Bad Data Analysis for
Power System State Estimation. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-94, No. 2, pp. 329-337, March/April 1975.

[17] Handschin E., Kliokys E., Transformer Tap Position Estimation and Bad
Data Detection Using Dynamic Signal Modelling. IEEE Transactions on
Power Systems, Vol. 10, No. 2, pp. 810-817, May 1995.

[18] Irving M., Owen R., Sterling M., Power System State Estimation Using
Linear Programming. IEE Proceedings, Vol. 125, pp. 879-885, September
1978.

Copyright P. Zarco & A. Gómez-Expósito

1.. November 1984. IEEE Transactions on Power Apparatus and Systems.. Vol. November 1985.. pp. [21] Liu W.. Febrero 1986.. Gómez-Expósito . [24] Masiello R.. Zarco & A. Part II: Bad Data Replacement and Generation of Pseudo-Measurements. PAS-90. [25] Mayo J.. Estimation of Parameter Errors from Measure- ment Residuals in State Estimation. IEEE Transactions on Power Apparatus and Systems. 135-153. PAS-102. Development of a Static State Estimator. 10. Ribbens-Pavella M.. A Tracking Static State Estimator. Hypothesis Testing Iden- tication: A New Method for Bad Data Analysis in Power System State Estimation. pp.. Part I: Estimation and Bad Data Suppression. [20] Larson R. February 1992. IEEE Transactions on Power Systems. 200-209. Pastor A. 1. April 1982. [23] Lo K. Moatt A. Vidyasagar M. State Estimation in Power Systems. No. PAS-101. 81-89. No. Hajdu L. PAS-103.. No. pp. PAS-104. IEEE Transactions on Power Apparatus and Systems. February 1995.. 3239-3252. Nievas J. 2486- 2500. pp. Vol.. Piercy D. Schweppe F. pp.... 844-853. No.. Ong P. Bad Data Rejection Properties of Weighted Least Absolute Value Techniques Applied to Static State Estimation. Lun S. Van Cutsem T. Van Cutsem T.. 11. McColl R. No. Vol.. March/April 1971. pp. Part II: Implementation and Applications. IEEE Transactions on Power Sys- tems. 3. Vol. IEEE Transactions on Power Apparatus and Systems. PAS-89. pp. IEEE Transactions on Power Apparatus and Systems. Tinney W.. 155. 3037-3049. Vol.. 4. Lim S. IEEE Transactions on Power Apparatus and Systems. [22] Liu W. Wu F.... 11. Bad Data Identication Methods in Power System State Estimation. Parameter Error Identication and Estimation in Power System State Estimation.. Vol. Copyright P. Vol. No. 353-362. March 1970. pp. 1025- 1033. Automática e Instrumentación. BIBLIOGRAFÍA 23 [19] Kotiuga W. [26] Mili L. Ribbens-Pavella M... Medidas de Potencia Eléctrica: Vatímet- ros. Vol. No. [27] Mili L. 1983. pp.. Sulley J. 7.

. Real-Time Processing of Transformer Tap Positions. 171-180. Network Parameter Estimation Using On- line Data with Application to Transformer Tap Position Estimation. 7. Vol. [29] Quintana V. Least Median of Squares Estimation in Power Systems. May 1992. 513-519. 24 BIBLIOGRAFÍA [28] Mili L. A Line-Current Measurement Based State Estima- tor. IEE Proceedings.. pp. Germany.Quintana V.. Operating Experience with the AEP State Estimator. 9. 4. No... 3. May 1991. 521- 528. Phaniraj V. Canadian Electrical Engineering Journal. August 1996. Vol. pp. No. Pt C. pp. 135. Copyright P. No. [33] Van Slyck L. [34] Wu F. pp. No. 12. IEEE Transactions on Power Systems. [32] Van Cutsem T. [31] Ruiz J. No. 1207-1213. 2. Proceedings 12th. Vol. 31-40. Allemong J. 80-87.. Vol.. Rousseeuw P. 1987. 303-323.. Vol. [30] Quintana V. 6. No. pp. Van Cutsem T. Electrical Power & Energy Sys- tems. 1988. Optimal Control Applications & Methods. Van Cutsem T.. May 1988. Zarco & A. Vol. [35] Zarco P. Dresden. April 1990. 12. 2. Power System State Estimation. Power System Network Parameter Esti- mation. pp.. pp. Vol.. pp.. IEEE Transactions on Power Systems. January 1988.. Gómez A. Power System Computation Con- ference. IEEE Transactions on Power Systems. 511-523. Gómez A. Gómez-Expósito . 2.. O-line Determination of Network Parameters in State Estimation... 2. 1.

siendo m el número de medidas. Una varianza elevada indica que la medida no es muy exacta y una varianza pequeña indica que la medida es muy exacta. proporciona una indicación de la exactitud de la medida. Zarco & A. Sea R la matriz de covarianzas de errores de las medidas:   σ12    σ22  R = E{νν T } =   . matemáticamente.1 Introducción El estado de un sistema de potencia hace referencia a su condición de operación y. Capítulo 2 Métodos de Estimación de Estado 2. ν2 . Gómez-Expósito .2) que los errores ν1 . ..1) Se supone (según lo expuesto en el Apartado 1. . h las ecuaciones que relacionan las medidas con las variables de estado y ν el vector de errores de las medidas. el modelo matemático de la estimación de estado se basa en las relaciones matemáticas entre las medidas y las variables de estado. el vector de medidas se modela como [25. Sea z el vector de telemedidas.   (2. todas las cantidades se pueden calcular una vez que se conocen las magnitudes de las tensiones y los desfases de los ángulos. La varianza σi2 del error de la medida νi . . νm son variables aleatorias independientes con distribución gaussiana y media cero. Entonces. .  2 σm 25 Copyright P. x el vector de variables de estado (tensiones en los nudos y fase de los ángulos).2)  . Por lo tanto. 26]: z = h(x) + ν (2.

1). En cada iteración se resuelve una parte del problema general en el que el siguiente punto xk+1 se calcula a par- tir del punto xk y del valor del parámetro p (impedancias. x2 . p) y f (x1 . Esto implica que cada vez sean mayores los porcentajes de la red externa que se representan. Más aún. Copyright P. . Cuando el sistema se encuentra mal condicionado aparecen problemas de lentitud en la convergencia a la solución así como fallos en dicha convergencia. p) y f (x∗1 . Un algoritmo se dice que está mal condicionado si para un (x1 . p) o entre f (x1 . 26 Métodos de Estimación de Estado y W = R−1 . x2 = f (x1 . El mal condicionamiento ocurre cuando: • Existe disparidad en los factores de peso [5]. p). como consecuencia de que un número x1 se almacena me- diante una aproximación x∗1 aparece el error de redondeo que es la diferencia de ambos números.).3) La ejecución satisfactoria de la estimación de estado en los modernos sis- temas de gestión de energía durante los últimos años mediante el método de mínimos cuadrados ponderados ha incitado a la realización de estimadores que abarcan redes cada vez más grandes. Gómez-Expósito . Esto se puede representar mediante la siguiente función: x1 = f (x0 . Este proceso converge si xn se aproxima a la solución x. . Uno de los principales prob- lemas que se crea es el mal condicionamiento numérico. las medidas z también lo son. Con este crecimiento de los sistemas aparecen una serie de problemas que cuando se trata de otros más pequeños no existen. • Existe conexión entre líneas de transmisión cortas y largas [21]. p). p) dado. Zarco & A. . la diferencia entre f (x1 . z tiene distribución gaussiana con media h(x) y covarianza R y la función de densidad de probabilidad de z se puede escribir [2]: √ 1 T f (z) = ( 2π)−m |W |(1/2) e− 2 [z−h(x)] W [z−h(x)] (2. tensiones. . p). como los errores ν son variables aleatorias. . x es el verdadero valor del estado desconocido y. x1 . En las ecuaciones (2. p∗ ). Por otro lado. . en los cálculos se emplea x∗2 = f (x∗1 . El modo de solucionar el problema de la estimación de estado es medi- ante una secuencia de puntos x0 . etc. El efecto del error de redondeo es que en lugar de utilizar x2 = f (x1 . p∗ ) es grande siendo x1 y x∗1 o p y p∗ valores muy próximos y por lo tanto da idea de cómo de amplicados pueden quedar los errores en la solución ante errores en los datos de entrada. • Existe un número elevado de medidas de inyección [13].

32]. y pequeños a las pseudomedidas. Zarco & A. es decir. • Método de la matriz aumentada por bloques [3. • Complejidad en la realización. • Transformaciones ortogonales [27. • Método de la matriz aumentada de Hachtel. su factor de peso será bajo. se considera que se trata de medidas más exactas. • Método híbrido. 18. 28. Copyright P. 31]. Así. 9. En [3] se revisan los principales métodos de resolución del problema de estimación de estado y en [14] se comparan los siguientes métodos: • Método de ecuaciones normales convencionales. • Método de ecuaciones normales con restricciones. • Método de la matriz aumentada de Hachtel [10. • Método de transformaciones ortogonales. si la credibilidad que nos ofrece la medida es muy pequeña. Gómez-Expósito . • Método de pseudoinversas o de Peters y Wilkinson [7. • Eciencia computacional. Se han propuesto diversos métodos para resolver el problema del mal condi- cionamiento numérico: • Ecuaciones normales con restricciones [5. • Método híbrido [21]. Un ejemplo de mal condicionamiento cuando existe disparidad en los factores de peso es asignar valores grandes a las medidas virtuales. 30]. desde el punto de vista de: • Estabilidad numérica. Introducción 27 A las medidas se les asignan diferentes factores de peso dependiendo de la credibilidad que se les dé. al contrario. 13. un valor elevado de dicho factor indica que la medida es muy parecida a su valor exacto y. 23]. 22]. se considera que se trata de medidas menos exactas. es decir.

Siendo x̂ el estimado de máxima verosimilitud. Así pues.4) ∂θ ∂θ • Consistente: x̂m → x si m → ∞. Copyright P. Esto se basa en el hecho de que si se han observado dichas medidas es porque el estado que dio lugar a ellas es. se habrían observado otras medidas con una probabilidad bastante alta.3) es el estimado de máxima verosimilitud x̂ . θ) −E   (2. el más probable. 28 Métodos de Estimación de Estado En dicho artículo se obtiene la conclusión de que el método híbrido y el de Hachtel son los que ofrecen mejores compromisos entre estabilidad numérica y eciencia computacional. y si no lo es. • Suciente: Utiliza toda la información estadística existente en la muestra. Zarco & A. • Eciente: Alcanza la cota de Cramer-Rao [16] Ã !Ã !T  ∂lnf (x. desde el punto de vista estadístico. no se puede realizar con el método desacoplado rápido. en sentido estadístico. se encontrará un estimador tan bueno como x̂. θ) ∂lnf (x. éste posee propiedades de- seables para un estimador según la estadística matemática clásica. como mucho. aunque el método de transformaciones ortogonales es numéricamente más estable. Otros métodos de estimación de estado no tan extendidos como los basados en la resolución de mínimos cuadrados son los de mínimos valores absolutos [1] y mínima mediana de cuadrados [20]. ya que. Es posible armar que este estimador posee asintóticamente (siendo m un valor elevado) las siguientes propiedades: • Insesgado: E(x̂) = x. pero no mejor. Gómez-Expósito . El conjunto x que ma- ximiza la función de densidad de probabilidad (2. es posible armar que. la cual toma como criterio de bondad para un estimador la varianza del mismo. 2.2 Mínimos cuadrados ponderados En el problema de estimación de estado se reciben un conjunto de telemedidas z basándose en el hecho de querer estimar el estado x.

Un método que garantiza convergencia cuadrática local es el método itera- tivo de Newton.10) ∂x Copyright P. Gómez-Expósito . Como en este caso el estimador de máxima verosimilitud minimiza el error cuadrático ponderado con la exactitud de las medidas. éste es el estimado de mínimos cuadrados ponderados.5) m X [zi − hi (x)]2 = (2. La solución del problema de mínimos cuadrados ponderados (2.6) i=1 σi2 siendo J(x) la función objetivo. convergerá a la solución de (2.5) propor- ciona el estado estimado x̂ que satisface la siguiente condición de optimización: ∂J(x) = 0 ⇒ g(x̂) = H T (x̂)W [z − h(x̂)] = 0 (2. Por analogía con mínimos cuadrados lineales se puede decir que minimizar dicha función es encontrar el estado que hace que la distancia desde las medidas obtenidas a las medidas estimadas sea mínima.7) se puede obtener mediante un método iterativo en el que el vector de estado en la iteración k-ésima es xk y en cada iteración se resuelve la ecuación lineal: A(xk )∆xk = −H T (xk )W [z − h(xk )] (2. La dependencia de x se omitirá en lo sucesivo para simplicar la notación. Mínimos cuadrados ponderados 29 Maximizar f (z) en (2.9) y de la que se obtiene la corrección ∆xk = xk+1 − xk .7) ∂x donde ∂h(x) H(x) = (2.9). Zarco & A. A(xk ) es una matriz no singular que depende del método utilizado y mientras que la secuencia de puntos xk generada por el método iterativo converja.7).3) es equivalente a minimizar el término cuadrático del exponente: J(x) = [z − h(x)]T W [z − h(x)] (2. La solución x̂ de la ecuación no lineal (2.8) ∂x es la matriz jacobiano. Independientemente de la visión estadística de la función J(x) es posible dar otra interpretación geométrica de dicha elección. para el cual la matriz A(x) viene dada por: ∂g A(x) = (2. En (2.

Las ecuaciones (2. 2. Ésta es dispersa. lo que se hace es proceder a la división del conjunto de medidas en: Telemedidas: z = h(x) + ν (2. Seguidamente se resuelve ∆x medi- ante eliminación hacia adelante y sustitución hacia atrás de (U T U )∆x = H T W ∆z (2. 30 Métodos de Estimación de Estado siendo el elemento ij-ésimo de ∂g/∂x: Ã !T Ã !T Ã ! ∂gi ∂ 2 h(x) ∂h ∂h = W [z − h(x)] − W (2. Zarco & A.17) Medidas virtuales: c(x) = 0 Copyright P. las cuales representan relaciones ma- temáticas exactas. se pueden incorporar directamente en la formulación de la estimación de mínimos cuadrados asignándoles un factor de peso elevado.15) siendo U una matriz triangular superior. denida positiva y simétrica.3 Ecuaciones normales con restricciones En el caso de existir medidas virtuales.12) por lo que la ecuación (2.11) ∂xj ∂xi ∂xj ∂xi ∂xj El método de Newton ignora los términos de derivadas segundas (en [4] se discute lo signicativo que pueden llegar a ser estos términos) y queda: A(x) = H T (x)W H(x) (2.16) siendo ∆z = z − h(x). lo que asegura la observabilidad del sistema.13) donde G(x) = H T (x)W H(x) (2.2 se ha observado empíricamente que tal disparidad en los factores de peso puede causar un mal condicionamiento. Por ello.14) es la matriz de ganancia . Gómez-Expósito .13) son las ecuaciones normales del problema de mínimos cuadrados ponderados que se resuelven mediante la factorización triangular de la matriz de ganancia G = UT U (2.9) se transforma en: G(x)∆x = H T (x)W [z − h(x)] (2. pero como se dijo en el Apartado 2.

para valores de k grandes. obteniéndose el estimado x̂ mediante un procedimiento iterativo en el que la ecuación lineal- izada que se resuelve en cada iteración es: " #" # " # HT W H CT ∆x H T W ∆z = (2. Para evitar este problema las medidas virtuales se pueden separar de las telemedidas tratándose como restricciones de igualdad y las medidas z incluirán solamente las telemedidas y las pseudomedidas. Por lo tanto. las restricciones c(x) = 0. de las ecuaciones normales (2. El problema que se plantea en este caso será el de encontrar un estimado del vector de estado x que minimice la función objetivo (2. 31] se puede utilizar el método de los multiplicadores de Lagrange. Ecuaciones normales con restricciones 31 por lo que la matriz jacobiano se divide en H y C siendo ahora H la submatriz jacobiano de las telemedidas solamente y C la de medidas virtuales. Si k es la relación entre los factores de peso de las medidas virtuales y las telemedidas.18) C k C C k ∆c siendo ∆c = −c(x). Para valores de k muy elevados. el término kC T C es dominante en la matriz. Copyright P.18) tiende a ser singular causando problemas de mal condicionamiento. sin embargo.22) λ ∆c se obtiene ∆x. Zarco & A. además.19) C 0 λ ∆c Siendo " # H T W H(x) C T F = (2.20) C 0 se realiza la factorización triangular F = UT U (2.21) y mediante eliminación hacia adelante y sustitución hacia atrás de " # " # T ∆x H T (x)W ∆z (U U ) = (2. la matriz de coecientes en (2. Gómez-Expósito .13) obtenemos " #T " #" # " #T " #" # H 1 H H 1 ∆z ∆x = (2. no suele haber sucientes medidas virtuales como para que la matriz C sea de rango completo y por tanto sea observable la red. Para resolver este problema de minimización con restricciones [5.5) satisfaciendo. si hay alguna. entonces.

28) de H̃ y ∆z̃ y a continuación se resuelve (2. es decir QT Q = I .30) y de esta ecuación. Gómez-Expósito .25) Siendo I la matriz unitaria. De esta manera se evita tener que construir G.27) ocurre cuando U ∆x = ∆y1 (2.29) mediante sustitución hacia atrás. Copyright P. pero Q es más densa.26) y (2. mediante resolución hacia atrás.26) 0 Entonces se tiene: J(∆x) = (∆z̃ − H̃∆x)T QT Q(∆z̃ − H̃∆x) = kQ∆z̃ − QH̃∆xk2 = k∆y1 − U ∆xk2 + k∆y2 k2 (2.24) ∆z̃ = W 1/2 ∆z (2.23) donde H̃ = W 1/2 H (2.27) donde " # " # Q1 ∆y1 ∆z̃ = (2.29) es decir U ∆x = Q1 W 1/2 ∆z (2. Zarco & A. Resumiendo.28) Q2 ∆y2 El mínimo de (2. 32 Métodos de Estimación de Estado 2. el método comienza realizando las transformaciones ortogo- nales (2. sea Q una matriz ortogonal. se obtiene ∆x. tal que " # U H̃ = QT (2.4 Transformaciones ortogonales La función objetivo del problema de mínimos cuadrados en cada iteración es: J(∆x) = (∆z − H∆x)T W (∆z − H∆x) = (∆z̃ − H̃∆x)T (∆z̃ − H̃∆x) = k∆z̃ − H̃∆xk2 (2. Para la obtención de Q se utiliza la transformación de Givens.

34) λ es el multiplicador de Lagrange y α es un parámetro utilizado para controlar la estabilidad numérica del problema [26].38) CT HT 0 Copyright P.31) El método híbrido resuelve las ecuaciones normales utilizando U T U ∆x = H T W ∆z (2.26) de H̃ .36) (2. 2.5 Método híbrido Teniendo en cuenta (2. con lo que se evita la necesidad de utilizar G.26) se obtiene: G = H T W H = H̃ T H̃ = U T QQT U = U T U (2.33) CT HT 0 ∆x 0 siendo: ∆r = ∆z − H∆x (2.37) Deniendo   0 0 C  K(x) =  0 αW −1 H   (2.32) Los puntos principales de este método son la transformación ortogonal (2. Método híbrido 33 2. y la resolución de las ecuaciones normales (2. además de ∆x: λ0 = −α−1 λ (2.6 Método de la matriz aumentada de Hachtel Para la resolución del problema de minimización con restricciones de x̂ se utiliza el método de la matriz aumentada de Hachtel en el que las ecuaciones se aumentan con el vector de residuos y se resuelven en cada iteración las siguientes ecuaciones:      0 0 C −α−1 λ ∆c   0 αW −1 H   α W ∆r  =  ∆z    −1    (2. Zarco & A.32) mediante eliminación hacia adelante y sustitución hacia atrás sin necesidad de tener que almacenar Q [12]. Las variables que se calculan en cada iteración son.35) ∆r0 = α−1 W ∆r (2. Gómez-Expósito .

Zarco & A. En el caso particular de que no existan restricciones de igualdad las ecua- ciones a resolver son: " #" # " # αW −1 H α−1 W ∆r ∆z = (2. Gómez-Expósito . y deniendo: y = U ∆x (2.43) con lo que el problema se reduce a: minimizar J(x) = r̃t r̃ (2.46) siendo L una matriz trapezoidal inferior y U una matriz triangular superior.44) siendo r̃ = H̃∆x − ∆z̃ (2.47) Copyright P.39) y mediante eliminación hacia adelante y sustitución hacia atrás de     λ0 ∆c (U U )  ∆r  =  ∆z  T  0    (2.7 Método de pseudoinversas Este método. también llamado de Peters y Wilkinson.42) ∆z̃ = W −1/2 ∆z (2.40) ∆x 0 se obtienen las correcciones.41) HT 0 ∆x 0 Este método tiene el inconveniente de destruir la simetría de la matriz debido a los pivotamientos. 2. 34 Métodos de Estimación de Estado se realiza la factorización triangular K = UT U (2. realiza la minimización del error de mínimos cuadrados mediante la siguiente transformación del pro- blema original: H̃ = W −1/2 H (2.45) Factorizando H̃ de manera que: H̃ = LU (2.

53) mediante factorización dispersa. Por último se resuelve: " # w U ∆x = (2. Zarco & A. Método de pseudoinversas 35 el problema se reduce a: minimizar r̃t r̃ (2.50) La resolución con restricciones [9] se puede expresar como: " # " # C ∆c ∆x = (2. Gómez-Expósito .49) no siendo LT L tan mal condicionado como G y obteniéndose la solución del problema original mediante la resolución del sistema triangular superior de ecuaciones: U ∆x = y (2. Se crea una matriz triangular superior U no singular y una trapezoidal inferior L. teniendo ésta la siguiente estructura: " # L11 0 (2.54) y y se obtiene ∆x mediante sustitución hacia atrás.48) sujeto a: r̃ = Ly − ∆z̃ De este problema transformado se obtiene y de la ecuación: [LT L] y = LT ∆z̃ (2.52) L21 L22 La resolución se realiza calculando previamente una variable intermedia w de L11 w = ∆c mediante eliminación hacia adelante. Seguidamente se obtiene otra variable intermedia y de: LT22 L22 y = LT22 ∆z̃ (2. Copyright P.51) H̃ ∆z̃ realizándose la misma factorización que en el método sin restricciones.

55)  0 0 Wf−1 Hf   Wf ∆rf   ∆zf  C T HiT HfT 0 ∆x 0 Seguidamente. por lo que la ecuación matricial que se ha de resolver es:      Wi−1 0 Hi Wi ∆ri ∆zi       0 0 C   −λ  =  ∆c  (2. Copyright P. por tanto. informaciones nodales. Las únicas restricciones que se consideran están asociadas a inyecciones y todas ellas son. 36 Métodos de Estimación de Estado 2.8 Método de la matriz aumentada por bloques La idea básica de este método se basa en organizar la formulación del método de la matriz aumentada de Hachtel como una submatriz con estructura de bloques que se ajuste a la forma de la matriz de incidencias de la red y de esta manera queda como una matriz dispersa. se obtiene:      0 0 0 C −λ ∆c  0 Wi −1 0   Hi   Wi ∆ri   ∆zi        =  (2. Zarco & A. incluyendo tensiones. Toda la información asociada a las medidas se agrupa en ujos.57) T T T T Hi C −Hf Wf Hf ∆x −Hf Wf ∆zf La idea de reordenar este sistema de ecuaciones con objeto de obtener una estructura particionada en bloques de manera que resulte fácil de factorizar ha sido desarrollada en [29] y la razón es evitar la utilización de rutinas espe- ciales que almacenen los pivotes pequeños o nulos necesarios para realizar una eliminación eciente y estable.56)  0 0 0 C  −λ   ∆c  HfT HiT C T −HfT Wf Hf ∆x −HfT Wf ∆zf En (2. Separando en (2. permutando en la matriz de información las las y las colum- nas que involucran a las restricciones y eliminando de ella HfT :      Wf−1 0 0 Hf Wf ∆rf ∆zf  0 Wi−1 0 Hi  Wi ∆ri   ∆zi         =  (2. e inyecciones eliminándose toda formulación explícita de los ujos en la resolución del sistema. Gómez-Expósito .56) se observa que la ecuación asociada a los residuos de las medi- das de ujos queda desacoplada del resto del sistema.33) la información en inyección (subíndice i) o de ujo y tensiones (subíndice f ) y haciendo α = 1 por claridad.

59) ¯ δh ¯¯ H(x0 ) = ¯ (2. se ha propuesto el método de mínimos valores absolutos para resolver el problema de estimación de estado [8. siendo HfT Wf Hf un subconjunto de la matriz de admitancia nodal y estando todas las variables de (2. Gómez-Expósito . El siguiente paso se basa en realizar las necesarias permutaciones de las y columnas de manera que estén agrupadas todas las variables de un mismo nodo [11].61) El estimador de mínimos valores absolutos se obtiene minimizando la sigu- iente función objetivo: m X J(x) = wi |∆zi − Hi (x0 )∆x| (2.19) y (2. El método de resolución de mínimos valores absolutos es un método robusto y la solución que el método propone es la que a continuación se detalla.57) relacionadas con los nodos de la red. 15. 2. Zarco & A. que linealizado en torno al punto de operación x0 es: ∆z = H(x0 )∆x + ν (2.57) tiene una estructura intermedia entre (2.58) donde ∆z = z − h(x0 ) (2. 17]. El modelo del sistema que relaciona las medidas con los estados que se van a estimar es (2.1).63) sujeto a: ∆z0 = H(x0 )∆xu − H(x0 )∆xv + u − v donde Copyright P.62) i=1 Esta función objetivo se puede minimizar iterativamente resolviendo el si- guiente problema de programación lineal: m P minimizar J(x) = wi (ui + vi ) i=1 (2.9 Mínimos valores absolutos El método de estimación de mínimos cuadrados se ha estudiado ampliamente y así. Mínimos valores absolutos 37 El modelo de (2.60) δx ¯x=x0 ∆x = x − x0 (2. Posteriormente. tanto su estabilidad numérica como su eciencia computacional se han ido mejorando grandemente.33).

A continuación. parar. el conjunto de medidas observables obtenido para una conguración de medidas particular se puede utilizar para inicializar el estimador de mínimos valores absolutos siempre que no varíe la conguración del sistema. 3. 2. Los pasos a seguir para resolver dicho problema de programación lineal utilizando el método Simplex se pueden resumir de la siguiente manera [19]: 1. Realizar la factorización triangular de la base elegida. En el caso de la estimación de estado. se ha encontrado la solución óptima. Si es así. v ≥ 0 • ∆xu (i) = ∆x(i) si ∆x(i) ≥ 0 y 0 en los otros casos • ∆xv (i) = ∆x(i) si ∆x(i) ≤ 0 y 0 en los otros casos • u y v son vectores no negativos de dimensión m x 1 tales que min[u(i). Determinar el término pivote (variable que abandonará la base). u. No permitir que las variables de estado ∆x abandonen la base.63) se puede re- solver en dos etapas. Encontrar la solución básica. La primera etapa se comienza eligiendo como solución básica una matriz diagonal de dimensión m x m cuyos elementos son 1 ó -1. 38 Métodos de Estimación de Estado • ∆xu . v(i)] = 0 y max[u(i). Copyright P. la cual puede ser no resoluble debido a algún ∆x(i) negativo. Elegir una base inicial que determina un conjunto mínimo de medidas que hacen completamente observable el sistema. Determinar el costo relativo de las variables no básicas. se obliga a que la base contenga todas las columnas de H(x0 ). En caso contrario. Zarco & A. cámbiese el signo de la correspondiente columna de H(x0 ). elegir la variable con mayor costo relativo negativo para introducirla en la próxima base. Si todos son negativos. 4. De esta manera se puede conseguir un conjunto de medidas observables sin que las variables u(i). En la primera de ellas se obtiene una posible solución básica y en la segunda se realiza la optimización iterativamente mediante el método Simplex hasta encontrar la solución óptima. Gómez-Expósito . ∆xv . v(i)] = |∆zi − Hi (x0 )∆x| El problema de programación lineal de las ecuaciones (2. dependiendo el signo del correspondiente elemento del término independiente. v(i) se encuentren en la base resultante.

64) siendo · ¸ · ¸ m n+1 k= + (2.67) es el residuo de las medidas. Intercambiar las columnas de las variables que se incorporan y salen de la base. el sistema no lineal se resuelve mediante el método de Newton- Raphson. Siendo N el número de nudos de la red y n = 2N − 1. Copyright P.63) se produce un código de programación ine- ciente. Primeramente se elevan al cuadrado los residuos ponderados y a continua- ción se ordenan de menor a mayor. 2. sino la mediana de los cuadrados de los residuos. en el caso unidimen- sional y de regresión simple (n = 1 ó 2). En el caso de regresión múltiple la función objetivo que se minimiza es: 2 J(x) = rW (k) (2.10 Mínima mediana de cuadrados El método de estimación de estado de mínima mediana de cuadrados se basa en el método propuesto en [24]. elevándolos al cuadrado y ordenándolos de menor a mayor. Para cada muestra.65) 2 2 y rW2 (k) es el k-ésimo residuo cuadrado ponderado. El estimado de mínima mediana de cuadrados se obtiene minimizando la función objetivo entre las muestras seleccionadas. Ir al paso 2. hallándose a continuación los residuos ponderados. por lo que en [1] se detalla un método de resolución mÿs ecaaz. Mínima mediana de cuadrados 39 5. pero desarrollado para modelos no lineales y utilizando técnicas de matrices dispersas de manera que el tiempo usado en el procesamiento numérico sea lo más reducido posible [20]. con ẑ la medida estimada. Gómez-Expósito .66) σi y r = z − ẑ (2. siendo el k-ésimo el mayor de ellos. el estimador no minimiza la suma. En este método se utiliza un procedimiento combinatorial repetidamente para seleccionar muestras observables del sistema de tamaño n. Si se aplica directamente este método al problema de programación lineal planteado en la ecuación (2. Zarco & A. donde el residuo ponderado es: ri rW = (2.

el cual ha sido el más ampliamente utilizado debido a sus conocidas propiedades estadísticas.8) se han mostrado distintos métodos para sol- ventar el problema del mal condicionamiento numérico que se presenta en la estimación de estado. es deseable no tener solamente un buen conjunto de muestras. se considera que ² es la fracción de errores no gaussianos entre las m observaciones.3 a 2.95).10 se han expuesto los métodos de resolución de mínimos valores absolutos y mínima mediana de cuadrados.9 y 2. Por lo tanto. 2. El primer método analizado (Apartado 2. En las Secciones (2. En la práctica.68) y para P . sino varios por lo que se toman 2 x i. Copyright P.2) ha sido el de mínimos cuadrados ponderados. Si m es grande. Cada uno de dichos métodos le da más prioridad a uno de los siguientes aspectos: • Estabilidad numérica. la búsqueda combinatorial incluiría muestras. Zarco & A. Para hallar la expresión de P en términos de i. • Eciencia computacional. 40 Métodos de Estimación de Estado à ! m En principio.11 Resumen En este capítulo se han presentado diversos métodos para resolver numérica- mente la estimación de estado. Luego P = 1 − (1 − (1 − ²)n )k (2. se pueden considerar solamente un cierto número i de selecciones aleatorias de manera que la probabilidad P de que al menos una muestra no esté contaminada con errores no gaussianos sea próxima a 1 (habitualmente 0. Gómez-Expósito . entonces ² es la probabilidad de que exista un error no gaussiano. Por último. en los Epígrafes 2. la probabilidad de seleccionar n datos buenos es (1 − ²)n y la probabilidad de seleccionar i muestras contaminadas de tamaño n es (1 − (1 − ²)n )k . lo que n conduce a tiempos computacionales muy grandes incluso en el caso de pequeños sistemas. • Complejidad en la realización. Sin embargo. n y ² dados se puede hallar el mínimo número de muestras i que hay que considerar.

1980. 10. State Estimation with Equality Constraints. May 1977. and Queueing Theory: with Computer Science Applications. pp. 5.. pp. 911- 921. On Convergence Analysis and Convergence Enhancement of Power System Least-Squares State Estimators. Peterson N. 1990. Academic Press. January 1995. Vol. Vol. Davis P. [3] Alvarado F. August 1989. Statistics. pp. Bibliografía [1] Abur A. Adrian E. SIAM Journal on Numerical Analysis. San Diego. State Estimation Using Augmented Blocked Matrices. 6. Vol. Paper 95 WM 215-4 PWRS. and its Applic..... [6] Barrodale I. Tinney W. 427-430.. February 1991. Proceedings of the IFAC International Symposium on Power Systems and Power Plant Control. No.. Least Squares Problems. 34. [2] Allen A.. An Ecient Algorithm for Computing the Weighted Least Absolute Value Estimate in Power System Static State Estimation. 3.. Korea. [8] Clements K.. IEEE Transactions on Power Systems. Tenth PICA Conference Proceedings. Frey K. 839-848. IEEE Transactions on Power Systems.. Inc.. No. Linear Alg. Vol. August 1990. Roberts F. Zarco & A. pp. IEEE Transactions on Power Systems. Çelik M. Seoul. 5. Du I. pp. A Direct Method for the Solution of Sparse Linear [7] Björck A.. Gómez-Expósito . Probability. 1-8. 785-790.. An Improved Algorithm for Discrete l1 Linear Approximation. A Fast Algorithm for the Weighted Least Absolute Value State Estimation.. California.. [5] Aschmoneit F. October 1973.. Toronto.. pp. 41 Copyright P. [4] Amerongen R. 43-67.

. Holten L. Wu F. 1976. Bad Data Rejection Properties of Weighted Least Absolute Value Techniques Applied to Static State Estimation... Vol. [11] Gómez A. San Diego. Copyright P. 1. May 1983. June 1996. pp.. Peças J. Vol. [10] Gjelsvik A. November 1985. Vol. 1994.. Aam S. 5. pp. IEEE Transactions on Power Systems. Hachtel's Augmented Matrix Method - A Rapid Method Improving Numerical Stability in Power System Static State Estimation. PAS-101. [16] Kashyap R. Dynamic Stochastic Models from Empirical Data.. pp.. Burchett R.. Vol.. Luque A. 844-853. Rao A. Power System State Estimation and Security Assessment. 4. 879-885.. 85-104. Inc.. Van Cutsem T. Owen R.. IEEE Transactions on Power Apparatus and Systems. A New Method for Solv- ing Equality-Constrained Power System Static State Estimation. [13] Gu J. Academic Press.. Sterling M. 2.. Liu W. Gjelsvik A. Ruiz J. Vol. Development of a State Estimator Based on Line-Current Measure- ments. Abur A. Monroy D.. Gómez-Expósito . Power System State Estimation Using Linear Programming. pp. pp.. No. The Solution of Ill- conditioned Power System State Estimation Problems Via the Method of Peters and Wilkinson. 42 BIBLIOGRAFÍA [9] Clements K. Romero E. PAS-104. 2987-2993. 4... Davis P.... Sociedad Española de Estadística e Investigación Operativa.. 1798-1806. Krumpholz G. EES-UETP 1996 Course Program. [17] Kotiuga W. Clements K. 3.. Martínez J. 1260-1266. 239-246... Woodzell G. Comparison of Dierent Methods for State Estimation. April 1982. 125. González F.. IEE Proceedings. No. Vol. California.. Houston. Zarco & A. IEEE Transactions on Power Apparatus and Systems.. Top. [15] Irving M...... pp. Martínez J. Vidyasagar M. November 1988.. No. [12] Gómez A. IEEE Transactions on Power Systems. Sevilla. November 1990. Aam S.. September 1978.. PICA Conference Proceedings. pp. Durán J. [14] Holten L.

BIBLIOGRAFÍA 43 [18] Liu W.. Leroy A. Holten L. Quintana V. [26] Schweppe F. Gómez-Expósito . Rousseeuw P.. pp. Phaniraj V. Vol. 2. [22] Nucera R. 1534-1542. Aam S. September 1987. pp.. Murari C. Vol.. [27] Simões-Costa A. PAS-89... PAS-105. May 1991. 120-135. Gilles M. [20] Mili L. 1.. A Blocked Sparse Matrix Formulation for the So- lution of Equality-Constrained State Estimation. IEEE Transactions on Power Apparatus and Systems. Vol... Proceedings 9th. 13. No. July 1974. PAS-100.. A Hybrid State Estimator: Solving Normal Equations by Orthogonal Transformations. February 1981. No. Wilkinson J. 6. 214-224.... IEEE Transactions on Power Systems.. Vol. Power System Static-State Estimation. IEEE Transactions on Power Apparatus and Systems. pp.. Handschin E. [21] Monticelli A.. Least Median of Squares Estimation in Power Systems. A Robust Numerical Technique for Power System State Estimation.. No. Wu F. IEEE Transactions on Power Apparatus and Systems. Robust Regression and Outliner Detection. 972-983. Addison-Wesley. 6. August 1981. 1970. Computational Issues in the Hachtel's Augmented Matrix Method for Power System State Estima- tion. Linear and Nonlinear Programming. pp. Proceedings IEEE. Power System Computation Conference. [19] Luenberger D. 511-523. Vol. 691-698.. Static State Estimation in Electric Power Systems. Gjelsvik A.. The Computer Journal.. December 1985. PAS-100.. John Wiley. [23] Peters G. Lisbon. 1984. 62. Douglas B.. [28] Simões-Costa A. Wu F. Vol. pp. pp.. pp. Quintana V. Vol. No. 4. The Least Squares Problem and Pseudo-inverse. 3791-3800. 3460-3468. Zarco & A. Copyright P. February 1991. 1987. [24] Rousseeuw P. Vol. An Orthogonal Row Processing Algo- rithm for Power System Sequential State Estimation.. [25] Schweppe F. 1970. IEEE Transactions on Power Apparatus and Systems. pp.. IEEE Transactions on Power Systems.. 2.

pp. PAS-103. Vol. October 1984. Brewer B. 2337-2334. Aam A. Vol. IEEE Transactions on Power Apparatus and Systems.. PAS-103. Observability Analysis and Bad Data Processing for State Estimation with Equality Constraints. Optimal Power Flow by Newton Approach. [30] Wang J. Copyright P. Gómez-Expósito . IEEE Transactions on Power Systems... IEEE Transactions on Power Apparatus and Systems. [31] Wu F. Ashley B. February 1987. Observability Analysis and Bad Data Processing for State Estimation using Hachtel's Augmented Matrix Method.. Liu W. 2864-2880. pp.. Holten L. pp. Lun S. IEEE Transactions on Power Systems. WM103-5. Winter Meeting. No..... A Decoupled Orthogonal Row Processing Algo- rithm for Power System State Estimation.. 44 BIBLIOGRAFÍA [29] Sun D. 604- 611 May 1988. August 1984. 10. Gjelsvik A. Zarco & A. Hughes A. Vol. Quintana V. Tinney W. 3.. Liu W. [32] Wu F..... New Orleans.

los errores en las impedan- cias de las ramas son menos visibles y pueden producir errores en los datos proporcionados por el estimador continuamente y durante grandes periodos de tiempo sin que dichos errores se detecten. • Modelado incorrecto de los transformadores o posicionamiento incorrecto del intercambiador de tomas. aunque esto no es del todo correcto. Estos errores en los parámetros. tomas de los transformadores. tales como: • Incorrectas impedancias de ramas. Zarco & A. re- actancia. Gómez-Expósito . Así. 45 Copyright P. Capítulo 3 Inuencia de Errores en los Parámetros sobre la Estimación 3. pueden ser debidos a: • Datos erróneos facilitados por el fabricante. • Errores en la calibración. mientras que los errores en los estados de los interruptores afectan a la topología de la red produciendo grandes inconsistencias en las medidas estimadas y pueden ser fácilmente identicables. etc.1 Introducción Los algoritmos de estimación de estado que habitualmente se utilizan están basados en la suposición de que los parámetros de las líneas (resistencia.) y el estado de los interruptores son perfectamente conocidos.

Los resultados obtenidos demuestran que. Copyright P. Desde el punto de vista del estimador de estado. por un lado. los errores en los parámetros pueden producir un impacto sobre la estimación de estado similar o superior al de los errores en las medidas. por lo que será de suma importancia su estimación. En la literatura existente respecto a la estimación de parámetros se hace mención de la importancia que tiene dicha estimación con objeto de evitar la degradación que se produce en la estimación de las variables de estado. • Una detección de medidas erróneas que realmente no lo son. • Cambio de las tomas de transformadores por parte de personal de campo sin que se lo haya comunicado al Centro de Control. pero solamente en [5. las medidas de ujo sobre la rama y las de inyecciones en los nudos extremos de ella. dependiendo de dicho error. Asimismo. sobre la función objetivo de la estimación de estado. y pueden producir: • Una degradación signicativa de la exactitud de los resultados del esti- mador de estado y. etc. 46 Inuencia de Errores en los Parámetros • Discrepancias entre la longitud real de las líneas y la de diseño. un error en un parámetro tiene el mismo efecto que un conjunto de errores correlacionados que actuaran sobre todas las medidas que afectan a la rama errónea. 7] se limita a representar una gráca en la que se muestra el efecto producido. 9. los errores en los parámetros no detectados pueden afectar gravemente a la exactitud de las aplicaciones de seguridad y optimización de la red. es decir. 7. debido a su inconsistencia con los parámetros erróneos. por los errores en los parámetros y. El análisis realizado en [8. como consecuencia. En dicho estudio sólo se realiza un único ensayo sobre tres líneas distintas simultáneamente. por los errores en las medidas. 11] se realiza un estudio sobre el efecto que los errores en dichos parámetros y en las medidas ejercen sobre la solución del estimador de estado. por otro. Por ello. Zarco & A. Gómez-Expósito . • Una reducción de la conanza del operador en el estimador de estado. en [9] se realiza un análisis de sensibilidad para considerar los efectos de ciertos errores sobre la estimación de estado. 8. de los resultados de los programas cuyos datos de entrada son los de salida del estimador. Dicha gráca se obtuvo aplicando un error constante a todos los parámetros de las ramas o a todas las medidas independientemente.

estos últimos tienen sobre la estimación de estado. Para considerar diversos estados de la red a lo largo de un día se han tomado veinticuatro muestras. equivalentes a las horas de un día. El resultado más importante que se obtiene es que la inductancia de la línea es la que introduce los mayores errores sobre los ujos de potencia. Seguidamente se va a proceder a analizarla presentándose previamente en la siguiente sección el entorno de simulación utilizado. decir que este capítulo va a servir de nexo de unión entre la estimación de estado y de parámetros debido a la inuencia que. Entorno de simulación 47 obteniéndose resultados respecto a las tensiones. como se acaba de exponer. la inductancia o la resistencia de esas tres líneas con- cretas. Zarco & A. 3. de tensiones y desfases en cada uno de los nudos [6] y se han intercalado setenta y cuatro nuevas muestras entre dichas horas. Sin embargo. se han generado sus correspondientes ujos e inyecciones tanto de potencia activa como de reactiva a partir de las ecuaciones [1]: N X Pi = Vi Vj (Gij cos(θij ) + Bij sen(θij )) (3. • La varianza de los errores de las medidas.1) j=1 Copyright P. en [11] sí se realiza un estudio exhaustivo de la inuencia de los errores en los parámetros sobre la estimación de estado. que equivalen a haber obtenido cada una de las muestras cada cuarenta y ocho segundos. Con esas mil ochocientas muestras de tensiones y desfases en cada uno de los nudos.2 Entorno de simulación El estudio que se va a presentar en los siguientes apartados va a realizarse sobre la red de catorce nudos y veinte líneas IEEE-14 [10] representada en la Figura 3. aunque dichos resultados no pueden considerarse muy signicativos debido al pequeño tamaño de la muestra que ha servido de estudio. sus desviaciones típicas y los ujos de potencia cuando se produce un error en: • La capacitancia. analizándose dicha inuencia de una manera sistemática. Por último. Gómez-Expósito .1. • Las tomas de los transformadores.

Copyright P. Gómez-Expósito . Zarco & A.1: Red IEEE-14. 48 Inuencia de Errores en los Parámetros Figura 3.

Las medidas se han considerado con la máxima redundancia. habiéndose considerado: • Para las medidas de tensión: σ = 0. es decir.1 ∗ γ ∗ F E . Dichos estados son los es- tados exactos por los que atraviesa la red pero que en la realidad nunca son conocidos debido a los diferentes errores que se introducen en las telemedidas. el valor de σ que se ha considerado es función del fondo de escala. se con- siderará que los estados tienen el conjunto de medidas completo. es decir: • En cada nudo se tienen las medidas tanto de las tensiones como de las inyecciones de potencia activa y reactiva. de cada estado se poseen ciento veintidós medidas y. De este modo se han obtenido los distintos estados exactos por los que pasa la red a lo largo de un día. a los estados exactos se les ha sumado un error gaussiano obtenido con un generador de números aleatorios a partir de la desviación típica σ de cada medida. Vj los módulos de las tensiones en los nudos i y j . Como se dijo en el Epígrafe 1. constan de las ciento veintidós medidas indicadas. es decir. en cada extremo. Copyright P. • Bijc la admitancia shunt del modelo en π de la línea que une i con j .4) siendo: • Vi .2) j=1 Pij = Vi Vj (Gij cos(θij ) + Bij sen(θij )) − Gij Vi2 (3. la clase del aparato de medida es el parámetro que más inuye en los errores de las medidas y. y ya que la red es de catorce nudos. Por ello. Zarco & A. • θij el desfase entre los nudos i y j . a no ser que se especique lo contrario. según su deni- ción. j ) de la matriz de admitancias de nudos. Por ello. es el error máximo con respecto a la señal de plena carga. Por lo tanto. para realizar la simulación. Gómez-Expósito . tanto activa como reactiva. • Gij + Bij el elemento (i.2.3) Qij = Vi Vj (Gij sen(θij ) − Bij cos(θij )) + Vi2 (Bij − Bijc ) (3. Entorno de simulación 49 N X Qi = Vi Vj (Gij sen(θij ) − Bij cos(θij )) (3. • En cada rama se tiene información de los ujos de potencia. de su fondo de escala.

Así. Para los dispositivos medidores de tensión se ha considerado F E = 1. Por último. cada una de las pruebas representa el valor medio de la ejecución de sesenta estimaciones de estado. se han utilizado tanto la clase de los dispositivos de medida como el error relativo medio de las me- didas afectadas en las sesenta estimaciones. en por unidad y sobre una base de 100 MVA. son los indicados en el Apéndice C. Con objeto de caracterizar los resultados obtenidos. Gómez-Expósito . usándose una línea distinta cada vez. Los fondos de escala considerados para cada aparato de medida son dis- tintos y dependientes del máximo valor esperado en cada punto de medida. signica que cada línea ha sido ensayada tres veces. Con dichos errores se han realizado las correspondientes esti- maciones de estado utilizándose el método de mínimos cuadrados ponderados y representándose los resultados obtenidos. Sus medidas se han obtenido de los diferentes estados de un día completo y que previamente se han generado tal y como se ha descrito. el índice comparativo adoptado ha sido el error relativo medio de las medidas estimadas. y con objeto de que los resultados que se obtengan de los estudios que se van a realizar sean estadísticamente signicativos. Zarco & A. 3. Además. Copyright P. Asimismo. Los valores de ujos de potencia son válidos para ambos extremos de la línea. El hecho de que se hayan utilizado sesenta estados. los fondos de escala considerados para las inyecciones en los nudos y los ujos en las ramas. 50 Inuencia de Errores en los Parámetros • Para las medidas de potencia: σ = γ ∗ F E . donde γ es la clase del dispositivo de medida y F E es el fondo de escala de dicho aparato.3 Carácter local del efecto de los errores en los parámetros Con objeto de realizar el estudio sistemático de la inuencia de los errores en los parámetros se va a comenzar con el análisis de la inuencia local de los errores de los parámetros en la red. por lo que la inuencia de los errores en los parámetros puede ser visualizada fácilmente. En las guras representadas aparecen distintos porcentajes de errores en los parámetros. y teniendo en cuenta que la red IEEE-14 consta de veinte ramas. se han agrupado dichos valores en torno a varios de ellos para que no sea mucha la diversidad de valores utilizados.

Hay que destacar de dichas curvas que a pesar del alto grado de redundancia que se tiene. Con trazo discontinuo aparece la inuencia sobre las medidas de toda la red y en trazo continuo sobre las medidas adyacentes a la rama. Figura 3. es decir. solamente se analizarán las medidas directamente relacionadas con la línea problemática (los ujos de potencia de la propia línea errónea y las tensiones e inyecciones de sus nudos adyacentes). aunque todas las medidas de la red contengan errores. y a pesar de que solamente un parámetro se ha considerado erróneo. En la Figura 3.2: Inuencia del error conjunto en la susceptancia y la conductancia de una línea sobre las medidas: (a): De toda la red (trazo discontinuo). Zarco & A.2 se representa la inuencia del error conjunto de la sus- ceptancia y la conductancia cuando sólo existe una línea errónea. Sin embargo. Gómez-Expósito . todas las que se han utilizado en la estimación de estado. al referirse a las medidas adyacentes. es notable el deterioro producido a medida que el error en el parámetro crece. Carácter local del efecto de los errores en los parámetros 51 Para ello. También es necesario hacer notar que el hecho de que los valores de los errores en las medidas cuando se considera toda la red y cuando sólo se consideran las medidas adyacentes sean distintos. el análisis de los efectos será local. redundancia completa. es debido a Copyright P. es decir. (b): Adyacentes (trazo continuo). al referirse a la inuencia sobre las medidas de toda la red se van a considerar todas las medidas disponibles.

es decir. es decir. y así sucesivamente. las tensiones e inyecciones de los nudos extremos de la rama y los ujos de la propia rama.3 se representa el cociente entre el error de las medidas estimadas cuando existe un error en la susceptancia de una línea y el mismo cuando no existe error en dicha línea. No hay que olvidar que cada uno de los puntos señalados en cada gura representa el valor medio de la ejecución de sesenta estimaciones de estado con diferentes medidas. Zarco & A. Todo ello a distintas distancias de la medida errónea y cuando los dispositivos de medida son de clase 1. Gómez-Expósito . En la Figura 3. 52 Inuencia de Errores en los Parámetros que las medidas adyacentes son un subconjunto de las de toda la red. las anexas a las que se encuentran a distancia 1. Por medidas a distancia 2. En dicha gura se muestra cómo a medida que aumenta la distancia a la línea que contiene el parámetro erróneo dicho cociente tiende a 1. al comportamiento como si no existiese dicho error. Figura 3. y ello independientemente del error en dicho parámetro. Copyright P. Se entiende por medidas a distancia 1 las adyacentes a la rama que contiene el parámetro erróneo. todo ello para que los estudios realizados y las conclusiones obtenidas sean estadísticamente signicativos.3: Inuencia del error de una línea sobre las medidas estimadas a distintas distancias: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea.

Copyright P. • Los errores de las medidas estimadas cuando existe algún parámetro erróneo tienden a igualarse a los obtenidos cuando no existe dicho error a medida que crece la distancia a la línea errónea. Análisis del nivel de error en las medidas 53 Por lo tanto. de este apartado podemos concluir que: • Para parámetros sin errores. 3. para la redundancia dada.2. Es decir. o que aumente o disminuya dicha inuen- cia dependiendo de las telemedidas. • Las curvas que consideran únicamente las medidas relacionadas directa- mente con la línea problemática tienen una pendiente mucho más pro- nunciada que las que tienen en cuenta todas las medidas de la red. y que se ha obtenido la conclusión de que dicha inuencia disminuye a medida que aumenta la distancia. en el presente epígrafe se va a estudiar la posible inuencia que pueden tener los errores de las telemedidas. principalmente en los nudos adyacentes al error. siendo este resultado también válido para cualquier red. el error en el parámetro tiene mucha mayor inuencia. Gómez-Expósito . permaneciendo similares las curvas que se reeren a las medidas adya- centes y tendiendo a ser más horizontales las que hacen referencia a las medidas de toda la red a medida que ésta crece.4 Análisis del nivel de error en las medidas Una vez que en el Apartado 3. • A pesar del alto grado de redundancia que se tiene cuando se utilizan los conjuntos completos de medidas y a pesar de que solamente se ha considerado erróneo un parámetro. se puede apreciar un notable deterioro a medida que el error en el parámetro crece. lo que implicaría que la calidad de las medidas no va a ser decisiva. • Los resultados obtenidos son cualitativamente válidos para cualquier red. Puede ocurrir que la inuencia de los errores en los parámetros sea inde- pendiente de los errores de las medidas. Zarco & A. el estimador de estado es capaz de reducir el error medio de las medidas por un factor de dos aproximadamente.3 se ha estudiado la importancia que tienen los errores en los parámetros al realizar la estimación de estado. que coincide con el eje de ordenadas de la Figura 3. lo que implicaría que sí sería decisiva la inuencia de dichos errores en las medidas.

sólo se va a estudiar en este apartado este caso. si el error del parámetro fuera mayor. se considera la clase 0. Zarco & A. Es decir. la cual se obtuvo con telemedidas de clase 1. se indican también los errores medios de las medidas para una mayor claridad y comprensión de éstas. como de dicha sección se ha concluido que las medidas relacionadas directamente con la línea errónea se ven más afectadas por dicho error. en la cual se ha representado la relación existente entre los errores de las medidas estimadas y los errores de las telemedidas con objeto de normalizar dichas curvas y todo ello para distintos errores en el parámetro. para la redundancia dada. con un error medio en el parámetro de una línea de un 11 % las medidas estimadas tienen el mismo error que las de partida. Para telemedidas de clase 3 el valor se reduce a un 7 % y si la clase es 1 se reduce a solamente un 2 %. se obtendrían unos valores estimados de las medidas peores que los de Copyright P. cada uno de los puntos representados en las guras es el valor medio de la ejecución de sesenta estimaciones de estado diferentes. 54 Inuencia de Errores en los Parámetros Seguidamente se va a analizar dicha inuencia. que equivale a medidas sin errores. Para ello. Evidentemente. con un error en un parámetro de tan solo un 2 % se obtiene una estimación de las medidas adyacentes también de un 2. aunque menos pronunciado.2. ya que el comportamiento que se presenta si se consideran para el análisis las medidas de toda la red es similar al que aparece si sólo se considera la inuencia sobre las medidas adyacentes. cuando las teleme- didas tienen clase 5. se van a con- siderar niveles de errores producidos por transductores de clase 1. En la Figura 3. Asimismo se aprecia que cuanto más exactas son las medidas de las que se dispone.2 % para este caso particular).2 %. Aunque con la indicación de la clase del aparato de medida sería suciente para realizar el estudio. En dicha gura se puede apreciar un notable deterioro a medida que el error en el parámetro crece. Además. conclusión similar a la obtenida de la Figura 3. es decir. sí se considera que todas las medidas de la red tienen errores gaussianos.3 y que en el resto del capítulo. medidas exactas. sobre las medidas adyacentes a dicha línea. lo que permitirá cubrir un amplio rango de medidas que son superiores a las que normalmente se encuentran en la vida real. por lo tanto. 3 y 5. Al igual que en la Sección 3. Esta última conclusión se puede apreciar mejor en la Figura 3. Además. Gómez-Expósito . mayor es la inuencia que tienen los errores en los parámetros. si la clase de las medidas que se poseen es 1 (lo que equivale a un error de un 2. En ella se puede observar que.4 se representa la inuencia del error de la susceptancia y la conductancia conjuntamente cuando sólo existe una línea errónea.5.

Figura 3.5: Inuencia del error de una línea frente a la relación entre los errores de las medidas estimadas y las telemedidas (adyacentes). Gómez-Expósito . Zarco & A.4: Inuencia del error conjunto en la susceptancia y la conductancia de una línea sobre las medidas adyacentes para distintas clases. Análisis del nivel de error en las medidas 55 Figura 3. Copyright P.

• Las conclusiones son válidas para cualquier red independientemente de su tamaño.6 y 3. Por último. Del análisis de las guras se puede concluir que: • Los errores en los parámetros inuyen más cuanto más exactas son las medidas de las que se dispone.7 se representa el cociente entre el error de las medidas estimadas cuando existe un error en la susceptancia de una línea y el mismo cuando no existe error en dicha línea a distancias 1 y 2 de la medida errónea respectivamente. Copyright P. Zarco & A. 56 Inuencia de Errores en los Parámetros partida.6: Inuencia del error de una línea sobre las medidas estimadas a distancia 1 para distintas clases: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea. en las Figuras 3. Gómez-Expósito . Figura 3.

Copyright P. Análisis del nivel de error en las medidas 57 Figura 3. Gómez-Expósito . Zarco & A.7: Inuencia del error de una línea sobre las medidas estimadas a distancia 2 para distintas clases: Error de las medidas estimadas con error en una línea / Error de las medidas estimadas sin error en la línea.

3. cuando se ha analizado el error en el parámetro se ha considerado que tanto la susceptancia como la conductancia eran erróneas. Teniendo en cuenta que el error del parámetro es mucho más signicativo sobre las medidas adyacentes que sobre las medidas de toda la red. teniendo en cuenta que los factores que inuyen en la conductancia son: • El efecto pelicular. de una línea sobre las medidas adya- centes cuando se dispone de transductores de clases 1 y 5. Así. Gómez-Expósito . las curvas correspondientes a la clase 1 son las de menores errores en las medidas. sin hacer distinción entre ambas. en el presente epígrafe sólo se va a analizar este caso. en la litera- tura existente de estimación de parámetros se hace referencia a que solamente tiene importancia la susceptancia. 4] se menciona que es razonable asumir que en la práctica no existe error en la conductancia y un razonamien- to similar se realiza en [2]. habiéndose observado la notable inuencia que tienen ambos. ya que la inuencia sobre las medidas de toda la red sería idéntico pero menos pronunciado. tal y como se ha concluido en el Apartado 3. en el presente capítulo se han estudiado tanto la localidad del efecto de los errores en los parámetros sobre la estimación de estado como la inuencia del nivel de error en las medidas. el aumento de su inuencia sobre las medidas adyacentes es mucho menor que el que se produce cuando aumenta el de la susceptancia. Así. En esta sección se va a analizar cómo inuyen los errores en la conductancia y en la susceptancia sobre la estimación independientemente. al aumentar el error de la conductancia. Zarco & A. 58 Inuencia de Errores en los Parámetros 3. en [3. Pero solamente en [11] se realiza un estudio que justica dicho razonamiento. De dicha gura se puede concluir que los errores en la conductancia son menos signicativos que los existentes en la susceptancia. Además.8 se muestra la inuencia del error en la conductancia y en la susceptancia. donde se hace referencia a que las pequeñas con- ductancias y capacitancias shunt que suelen tener las líneas producen pocas consecuencias en la estimación de estado. Respecto a los errores en la conductancia o en la susceptancia. es decir. independientemente. en la Figura 3. En dichos estudios. • La temperatura del conductor. que depende de la disipación del calor de Copyright P.5 Errores en la conductancia y en la suscep- tancia Hasta el momento. Evidentemente. que es función de la frecuencia.

y los que inuyen en la susceptancia son: • La permeabilidad del material del conductor. Gómez-Expósito . • La geometría de la conguración de la línea.8: Inuencia del error en la susceptancia y en la conductancia de una línea sobre las medidas adyacentes. Zarco & A. Esta importante conclusión va a permitir que a partir de ahora el estudio se pueda centrar en la estimación de las susceptancias erróneas de la red. ya que los valores de la conductancia. la conclusión obtenida anteriormente de que los errores en la conductancia son menos signicativos que los existentes en la susceptancia es de suma im- portancia. la línea por convección y radiación y es la causa que produce los mayores efectos. los cuales están sujetos a perturbaciones periódicas motivadas por cambios en la temperatura. son los errores menos signicativos. Copyright P. Errores en la conductancia y en la susceptancia 59 Figura 3.

el efecto sobre ellas es idéntico al que se produce cuando se analiza la inuencia sobre las medidas de toda la red. Esto puede dar información. Para realizar este análisis se van a comparar los efectos producidos. siendo la inuencia en este último caso casi nula. de si se están introduciendo graves errores o no debido a los existentes en los parámetros. ya que. por el error en la susceptancia de una línea con dos conjuntos de medidas distintos [11]: • Tensiones y ujos de potencia. cuando se realiza la estimación de estado. Es decir.6 Inuencia de los ujos e inyecciones sobre las medidas estimadas El conjunto de medidas considerado para realizar el estudio del Apartado 3. siendo las curvas correspondientes a la clase 1 las de menores errores en las medidas. cuando se dispone de medidas de ujos de potencia. la inuencia del parámetro erróneo es mucho mayor que cuando se dispone de medidas de inyecciones. aunque más pronunciado. al igual que el resto de curvas. los errores de las medidas estimadas son casi independientes de los de los parámetros. y sobre las medidas adyacentes. los resultados se han obtenido considerando que se dispone de transductores de clases 1 y 5.8. Hay que recordar que. al menos cuando un solo Copyright P. Se va a estudiar el caso del error en la susceptancia. En la Figura 3. 60 Inuencia de Errores en los Parámetros 3.5 ha sido completo. • Tensiones e inyecciones de potencia. es decir. Al igual que ocurría con la Figura 3. con la máxima redundancia.3. sobre las medidas adyacentes. Sin embargo.9 representan la media de los resultados obtenidos para sesenta estimaciones de estado distintas. los puntos señalados en la Figura 3. es intere- sante conocer si los parámetros afectan por igual cuando se posee un tipo de medidas u otro. De dicha gura se puede concluir claramente que.5. Zarco & A. lo que corresponde a haber ensayado cada rama tres veces.9 se muestra la inuencia del error producido por la sus- ceptancia errónea de una línea sobre las medidas adyacentes cuando sólo se tiene información de las tensiones y los ujos de potencia como conjunto de medidas y cuando sólo se posee de las tensiones y de las inyecciones de po- tencia. de acuerdo con la conclusión obtenida en el Epígrafe 3. Gómez-Expósito . como se observó en la Sección 3.

Inuencia de los errores en las medidas sobre la estimación 61

Figura 3.9: Inuencia del error en la susceptancia de una línea sobre las me-
didas adyacentes con diferentes tipos de medidas.

parámetro es erróneo. Esto es debido a la propia estructura de las ecuaciones
de las inyecciones ((3.1), (3.2)) y las de los ujos de potencia ((3.3), (3.4)).

3.7 Inuencia de los errores en las medidas sobre
la estimación
Con objeto de estudiar si los errores en los parámetros inuyen de igual manera
en las medidas estimadas, se va a proceder a analizar dicha inuencia según el
tipo de medida.
Con este n, y en el caso de que exista redundancia completa con distintos
niveles de errores, se van a considerar tres casos:

1. Inuencia sobre las medidas de tensión adyacentes cuando todas las me-
didas son exactas excepto las de tensión.

2. Inuencia sobre las medidas adyacentes de inyección de potencia cuando
todas las medidas son exactas excepto las de inyección.

Copyright P. Zarco & A. Gómez-Expósito

62 Inuencia de Errores en los Parámetros

3. Inuencia sobre las medidas adyacentes de ujo de potencia cuando todas
las medidas son exactas excepto las de ujo.
En la Figura 3.10 se ha representado la inuencia sobre las medidas de
tensión. En ella se presenta el mismo comportamiento que el observado hasta
ahora, es decir:
• El deterioro producido sobre las medidas estimadas aumenta a medida
que el error en el parámetro crece.

• Los errores de los parámetros tienen mayor inuencia sobre las tensiones
estimadas a medida que las medidas son más exactas.

Figura 3.10: Inuencia sobre las medidas de tensión adyacentes cuando todas
las medidas son exactas excepto las de tensión.

En la Figura 3.11 se muestra la inuencia sobre las medidas de inyección,
tanto de activa como de reactiva, pudiéndose observar que:
• A medida que el error en el parámetro crece, el deterioro producido sobre
las medidas estimadas aumenta.

• A medida que las medidas son más exactas, los errores de los parámetros
tienen menor inuencia sobre los valores de las inyecciones estimadas.

Copyright P. Zarco & A. Gómez-Expósito

Inuencia de los errores en las medidas sobre la estimación 63

Figura 3.11: Inuencia sobre las medidas de inyección adyacentes cuando todas
las medidas son exactas excepto las de inyección.

Por último, en la Figura 3.12 se muestra la inuencia sobre los ujos,
pudiéndose concluir que:

• Al igual que en los casos anteriores, a medida que el error en el parámetro
crece, el deterioro producido sobre las medidas estimadas aumenta.

• Independientemente del nivel de error de las medidas, la inuencia de los
errores de los parámetros es la misma.

Por lo tanto, de las Figuras 3.11 y 3.12 correspondientes a las inyecciones
y ujos de potencia, se pueden obtener las siguientes conclusiones:

• La inuencia del parámetro sobre las medidas de inyección, aun siendo
importante, no lo es tanto como sobre las de ujo, especialmente a medida
que disminuye el error de partida de dichas medidas.

• La inuencia que el parámetro tiene sobre las medidas de ujo es notoria
e independiente del error de partida de dichas medidas.

Copyright P. Zarco & A. Gómez-Expósito

64 Inuencia de Errores en los Parámetros

Figura 3.12: Inuencia sobre las medidas de ujo adyacentes cuando todas las
medidas son exactas excepto las de ujo.

3.8 Resumen
En el presente capítulo se ha estudiado de un modo sistemático la inuencia que
los errores en los parámetros tienen sobre la estimación de estado. Para ello, y
con objeto de que los resultados obtenidos fueran signicativos desde un punto
de vista estadístico, cada una de las pruebas realizadas, y que posteriormente
han sido plasmadas en diferentes guras, representaban el valor medio de la
ejecución de sesenta estimaciones de estado, considerando una línea distinta
cada vez. Cada una de ellas representaba el estado existente en un instante
determinado de un día y que previamente había sido generado.
La red utilizada ha sido la IEEE-14 que consta de veinte ramas, por lo que
al utilizar sesenta estados distintos, cada línea ha sido ensayada tres veces.
La caracterización de los resultados obtenidos se ha realizado a través de la
clase de los dispositivos de medida, utilizando como índice comparativo el error
relativo medio de las medidas estimadas (Sección 3.2).
Primeramente, en el Apartado 3.3 se ha analizado algo que parecía intuiti-
vo, el carácter local del efecto de los errores sobre la estimación, y que gracias
a las ensayos realizados ha permitido obtener las siguientes conclusiones:

Copyright P. Zarco & A. Gómez-Expósito

• Los resultados obtenidos son cualitativamente válidos para cualquier red. Resumen 65 • El deterioro producido sobre las medidas estimadas aumenta notable- mente a medida que el error en el parámetro crece. Zarco & A.5). lo que conrma la localidad de la inuencia del error en el parámetro. del estudio comparativo de la presencia de errores en la conductancia o en la susceptancia (Epígrafe 3. • El error en el parámetro inuye mucho más sobre las medidas rela- cionadas directamente con la línea problemática que sobre las del resto de la red. concluyéndose que: • Cuanto más exactas son las medidas de las que se dispone. permaneciendo similares las curvas que se reeren a las medidas adya- centes y tendiendo a ser horizontales las que hacen referencia a las medi- das de toda la red a medida que crece ésta.4). este resultado obtenido es de suma importancia y va a permitir que el estudio se centre en la estimación de las susceptancias erróneas de la red. En el Apartado 3. Seguidamente se ha estudiado la inuencia que podía tener el nivel de error en las medidas (Sección 3.6 se ha analizado el efecto producido cuando los conjuntos de medidas existentes son: • Tensiones y ujos de potencia. Copyright P. • Las conclusiones son válidas para cualquier red independientemente de su tamaño. • Tensiones e inyecciones de potencia. Debido a que los valores de la conductancia están sujetos a perturbaciones periódicas motivadas por cambios en la temperatura. Gómez-Expósito . mientras que los de la susceptancia sólo dependen del material del conductor y de la geometría de la conguración de la línea. A continuación. los errores en los parámetros tienen mayor inuencia sobre las medidas estimadas. se ha observado que los erro- res en la conductancia son menos signicativos que los de la susceptancia. • Los errores de las medidas estimadas cuando existe algún parámetro erróneo tienden a igualarse a los obtenidos cuando no existe dicho pará- metro erróneo a medida que crece la distancia a la línea errónea.

Copyright P. 66 Inuencia de Errores en los Parámetros habiéndose concluido que la inuencia del parámetro erróneo sobre las medidas estimadas es mucho mayor cuando se dispone de medidas de ujos de potencia que cuando se dispone de medidas de inyección. Gómez-Expósito . siendo en este último caso casi independiente de los errores de los parámetros. llegándose a las mismas conclusiones que anteriormente. • La inuencia que el parámetro tiene sobre las medidas de ujo es inde- pendiente del error de partida de dichas medidas. en la Sección 3. salvo que: • La inuencia del parámetro sobre las medidas de inyección disminuye a medida que el error de partida de dichas medidas lo hace. Por último. se ha estudiado la inuencia del parámetro sobre cada una de las medidas disponibles independientemente.7. Zarco & A.

[4] Liu W. Bibliografía [1] Arrillaga J. Gómez A. Parameter Error Identication and Estimation in Power System State Estimation. 1983.. Vol... pp. 10. 1989.199- 204. Paper 170. [5] Reig A.. 11. 11. Zarco & A.. Spain. 3. The BPA State Estimator Project: Tuning of Network Model... Departamento de Ingeniería Eléctrica de la Universidad de Sevilla. No.. Mokhtari S.. John Wiley & Sons Ltd. Gómez-Expósito . July 1975.. Arnold C. Clements K. Litzenberger W. Junio 1990. 1. Harker B. Álvarez C.. Incorporación de Medidas de Intensidad en Esti- mación de Estado. Chicago. Real Time Recursive Parameter Estimation in Energy Management Systems. IEEE Transactions on Power Systems. Valencia. IEEE Transactions on Power Apparatus and Systems. American Power Conference. 67 Copyright P.. [6] Ruiz J. Comprehensive Estimation in Power Systems: State.. Tesis Doctoral. August 1996. No. Vol. Lim S. [3] Fletcher D. Computer Modelling of Electrical Power Systems.. Sevilla. pp. Great Britain.. 3680-3686. [8] Slutsker I. Vol. Inuence of Network Parameter Errors in State Estimation Results. IEEE Transactions on Power Systems. November 1983. pp. IEEE Transactions on Power Systems. 200-209. Stadlin W. Illinois.. [2] Debs A. pp.. Topology and Parameter Estimation. Transformer Tap Position Estimation. April 1995. Proceedings IASTED Power High Tech'89. 1393-1399.. [7] Slutsker I. Paper A 75 448-1. PAS-102. February 1995. No.

August 1996. Prentice Hall. Copyright P.. 1986. IEEE Transactions on Power Ap- paratus and Systems. 68 BIBLIOGRAFÍA [9] Stuart T. Vol. September/October 1973. 1696-1701. Dresden. PAS-92. pp. Gómez A. pp.. Proceedings 12th. Germany.. O-line Determination of Network Parameters in State Estimation. Zarco & A.. 1207-1213. [11] Zarco P. Gómez-Expósito . Power System Computation Con- ference. [10] Wallach Y. A Sensitivity Analysis of Weighted Least Squares State Estimation for Power Systems. Herget C. Calculations and Programs for Power System Networks..

Esto se puede deducir 69 Copyright P. 4. lo que ha permitido comprobar la necesidad de estimar los parámetros para poder realizar una buena estimación de estado. la implantación de estimadores de parámetros en los Centros de Control no ha sido profusa. cosa que ya se había apuntado previamente en el Apartado 3. Por último. Gómez-Expósito . un error en un parámetro tiene el mismo efecto que un conjunto de errores correlacionados que actuaran so- bre todas las medidas que afectan a la rama errónea. Zarco & A.1. se estudiará el carácter local de la estimación de parámetros. A pesar de ello. mientras que la de los estimadores de estado sí lo ha sido [6].1 Introducción En el Capítulo 3 se ha analizado de una forma sistemática la inuencia de los errores en los parámetros sobre la estimación de estado.3. Para poder realizar la estimación de parámetros es necesario identicarlos previamente mediante uno de los métodos existentes.2 Identicación de errores en los parámetros Como se ha mencionado en el Apartado 3. procediendo posterior- mente a estimar únicamente aquéllos que han sido identicados. En este capítulo se va a analizar la identicación de los parámetros sospe- chosos y se van a clasicar los distintos métodos de estimación de paráme- tros existentes. Capítulo 4 Estimación de Parámetros en Redes Eléctricas 4.

Si el error del parámetro es bastante grande. parámetros y con- guraciones de la red que se introducen en el estimador de estado por medio de pruebas estadísticas. p0 ) − hs (x. Copyright P. en [1] se identican errores en las medidas.1) actúa como un error adicional de la medida. 20. se llevará a cabo si la diferencia entre la potencia reactiva telemedida y la calculada en dichos transformadores es superior a un umbral jado. p)] + νs (4. en el estudio de los residuos de las medidas. El término que aparece entre corchetes en la ecuación (4. 70 Estimación de Parámetros manipulando el modelo de la medida (2. p0 ) − hs (x. aquellas ramas cuyas medidas asociadas tengan un residuo normalizado elevado serán sospechosas y habrá que realizar la estimación sobre ellas. 29]. Zarco & A.1) siendo p el valor exacto del parámetro de red. El método propuesto en [12. En [16] se realiza la suposición de que los datos con errores no gaussianos han sido identicados y eliminados previamente por lo que una presencia per- sistente de un término de sesgo en ciertos residuos de medida en los resultados de la estimación de estado es una indicación de la presencia de errores en los parámetros y puede utilizarse para detectar dicha presencia. p0 el valor erróneo del parámetro de red (o información a priori que de él se tiene) y el subíndice s hace referencia a las medidas involucradas únicamente. este término provocará su detección como medida con error no gaussiano y las medidas estarán entre las que se encuentran con residuos más grandes [19. Por último. concebido para la estimación de tomas de transformadores. Este error se puede linealizar de la siguiente forma: " # ∂hs hs (x. Una vez que se ha detectado un conjunto de ramas sospechosas se procede a la estimación de sus parámetros. Gómez-Expósito . funda- mentalmente. Por lo tanto. la identicación de errores en los parámetros se basa.2) ∂p siendo ep = p0 − p el error del parámetro. p) ≈ ep (4.1) [20]: zs = hs (x. El método de identicación propuesto en [17] también se basa en el hecho de que un inesperado residuo normalizado elevado puede indicar que alguno de los parámetros existentes en la proximidad de la medida no es correcto. p) + [hs (x. 27]. Por lo tanto. p0 ) + νs = hs (x.

24. 14. Gómez-Expósito . la estimación de parámetros no lo ha sido y son relativamente escasos los artículos que han desarrollado este tema. En [19. siendo ésta la sigu- iente: • Métodos que utilizan un único vector de medidas:  Estimación simultánea del estado y del parámetro [2]. 3. 20. 20]. 27. 8. Zarco & A. • Métodos que utilizan varios vectores de medidas:  Estimador adaptativo [10]. 29]. La clasicación realizada en [13] es la siguiente: • Métodos que utilizan un único vector de medidas [16. 30]. 10.  Estimación secuencial del estado y del parámetro [12. 20.3 Clasicación de los métodos de estimación de parámetros Mientras que la estimación de estado ha sido estudiada con bastante profusión [9] desde que Schweppe publicó su artículo en 1970 [22.  Estimación secuencial múltiple del estado y del parámetro [23]. • Métodos que amplían el vector de estado:  Resolución mediante ecuaciones normales [2. 25. 18. 21. 23.  Estimación de parámetros variables con el tiempo [26]. • Métodos que utilizan varios vectores de medidas:  Estimación de parámetros invariables con el tiempo [10. 27].  Resolución basada en la teoría del ltro de Kalman [5. 17. 30]. 7. En [31] la clasicación realizada es la siguiente: • Métodos basados en el análisis de sensibilidad residual [12. A pesar de ello se han realizado tres clasicaciones sobre los métodos de estimación de parámetros: 1. 2. Clasicación de los métodos de estimación de parámetros 71 4. 23]. 29] la clasicación realizada es la misma. 4. 26]. Copyright P. 16. 28. 3. 19. 11.

El hecho de realizar un seguimiento exacto de los parámetros de la red no es un tema crucial. sí es interesante la realización de un seguimiento continuo de las posiciones de las tomas de los transformadores. Zarco & A. e indica además la metodología utilizada en su resolución. como es el caso de la resistencia. ya que éstos no cambian continuamente. es decir. Gómez-Expósito . De hecho. En cuanto a la realización de la estimación en modo o-line: • Las medidas que han sido capturadas por el sistema SCADA pueden ser trasladadas a un ordenador dedicado expresamente al proceso de estimación de parámetros o a otras actividades que no requieran una gran rapidez en el procesamiento. Es decir.4 Estimación on-line frente a estimación o- line La utilización de un método de estimación de parámetros on-line u o-line va a depender fundamentalmente de la importancia que se le quiera dar al hecho de disponer de los valores exactos de los parámetros en tiempo real. 72 Estimación de Parámetros Las dos primeras clasicaciones son similares y la tercera es la que resalta la diferencia más signicativa de cada uno de los métodos. las pérdidas por efecto corona y las tomas de los transformadores.5. en el Capítulo 5 se utilizará esta última clasicación a la hora de exponer los métodos de estimación de parámetros. Si la estimación se realiza en tiempo real. • Los parámetros estimados pueden ser actualizados inmediatamente en la base de datos para ser utilizados en otras aplicaciones de optimización y seguridad de la red. la ampliación o no del vector de estado mediante la introducción de los parámetros erróneos como variables adicionales. Copyright P. en modo on-line: • Se puede llevar continuamente un seguimiento exacto de los parámetros de la red que se modican debido a los cambios en las cargas y en las condiciones ambientales. Por ello. De este modo no se intereren las funciones principales que se llevan a cabo en el centro de control. puede considerarse distinto el tratamiento que deben recibir la estimación de los parámetros de la red y de las tomas de los transformadores. los que están sujetos a cambios constantes no inuyen demasiado en la estimación de estado tal y como se concluyó en la Sección 3. 4. Sin embargo.

con la localidad de dicha inuencia ocurre algo similar. que puede considerarse recíproco respecto al realizado en el Copyright P.5 Carácter local de la estimación de paráme- tros Al igual que ocurría con la inuencia de los parámetros en la estimación de estado. en [17] se hace referencia a que intuitivamente. 4. etc. En el Apartado 3. • Mientras que los errores topológicos y las medidas con errores no gaus- sianos tienen una naturaleza temporal. Así. • Los parámetros de red que sean sospechosos pueden ser identicados satisfactoriamente basándose en residuos normalizados grandes que se repitan constantemente y que afecten a las medidas. algoritmos más precisos que provean soluciones más exactas. Carácter local de la estimación de parámetros 73 • Los tiempos empleados en el procesamiento de la información y en los cálculos no son vitales. Gómez-Expósito .3. si fuesen necesarios. en los residuos normalizados.7 que los errores de las medidas estimadas cuando existe algún parámetro erróneo tienden a igualarse a los obtenidos cuando no existe dicho parámetro erróneo a medida que crece la distancia a la línea errónea. las medidas que se encuentran lejos de las líneas sospechosas tienen un impacto muy pequeño sobre los resultados de la estimación del parámetro y que por lo tanto. aunque no exclusivamente.2. Zarco & A. 3. de acuerdo con lo expuesto en el Epígrafe 4. Por ello. por lo que pueden utilizarse. son cambiantes con el tiempo. que era reconocida por todos los autores y sin embargo sólo en [30] se había realizado un estudio sistemático y exhaustivo. sólo se tendrá en cuenta una parte de la red completa a la hora de ejecutar el algoritmo de estimación de estado. habiéndose observado en las Figuras 3.6 y 3. De este modo se pueden elegir los mejores estados que posean menores errores así como los que tengan mayor redundancia.3 se ha estudiado el carácter local que tiene el efecto de los errores en los parámetros. se pueden seleccionar los conjuntos de medidas que se vayan a utilizar en la estimación de parámetros basándose por ejemplo. Dicho análisis. los errores en los parámetros son esencialmente permanentes. Algo similar se menciona en [7]. es decir. lo que no es posible en modo on-line. Con objeto de completar este análisis se va a estudiar el carácter local de la estimación de parámetros desde el punto de vista del análisis de sensibilidad.. en la experiencia acumulada.

son: ∆ẑ = H∆x̂ = S(W ∆z) (4. se ha considerado que al vector z se le ha añadido una la adicional correspondiente al valor conocido del parámetro y además.13): G(x)∆x = H T (x)W [z − h(x)] (4. 2.2 se obtuvieron las ecuaciones normales del problema de mínimos cuadrados ponderados (2. Realizar la operación H T ek . Hallar y a partir de: Gy = H T ek (4.4) y las medidas estimadas. salvo en la posición k-ésima. la columna k-ésima de S se puede obtener de: Sk = HG−1 H T ek (4.8) mediante los siguientes pasos: 1. Gómez-Expósito .3. que no es más que hallar la la k-ésima de H. permitirá concluir que para realizar la estimación de parámetros sólo es necesario utilizar las medidas respecto a las que es sensible. Copyright P. utilizando el modelo linealizado del estimador de estado. En la Sección 2. Por lo tanto. Zarco & A.5) siendo S la matriz de sensibilidad entre las medidas ponderadas W ∆z y las medidas estimadas ∆ẑ : S = HG−1 H T (4. todas las covarianzas son idénticas.6) Cuando ∆z es completamente nulo. 74 Estimación de Parámetros Epígrafe 3. por lo que dicha columna se expresa como: Sk = Sek (4.7) siendo ek un vector columna completamente nulo excepto con un 1 en la posi- ción k-ésima. la columna k-ésima de S proporciona los cambios en las medidas estimadas al producirse una perturbación en la medida k-ésima.9) mediante eliminación hacia adelante y sustitución hacia atrás.3) de donde el vector de estado estimado es: ∆x̂ = G−1 H T (x)W [z − h(x)] (4. Para realizar este estudio.

Zarco & A. pero que realmente nunca son conocidos. • Para las medidas de potencia: σ = γ ∗ F E . El valor de σ considerado es función del fondo de escala. Copyright P. con objeto de considerar diversos estados de la red a lo largo de un día. por medidas a distancia 2 las anexas a las que se encuentran a distancia 1 y así sucesivamente. Con estas premisas se ha realizado el estudio calculando las sensibilidades de todas las medidas y. donde γ es la clase del dispositivo de medida. siendo el de los dispositivos medidores de tensión 1. y con objeto de poder simular la realidad. Los fondos de escala considerados para cada aparato de medida dependen del máximo valor esperado en cada punto de medida. Por ello. Tal y como se denió en el Epígrafe 3. una vez detectada cuál es la que tiene mayor valor.1 ∗ γ ∗ F E . Dichos estados son los estados exactos de la red. se han tomado veinticuatro muestras equivalentes a las horas de un día y se ha considerado que existe la máxima redundancia. Calcular: Sk = Hy (4. Por el hecho de ser distintos. se entiende por medidas a distancia 1 las adyacentes a la rama que contiene el parámetro erróneo. todo ello en por unidad y sobre una base de 100 MVA. y que para este caso concreto se ha considerado clase 1.10) Para realizar el análisis de sensibilidad se ha usado la red de ciento dieciocho nudos y ciento setenta y nueve líneas IEEE-118 [15] representada en la Figura 4. habiéndose utilizado: • Para las medidas de tensión: σ = 0. tal y como se hizo en la generación de medidas reales de la red IEEE-14. En el Apéndice C se muestran los fondos de escala considerados para las inyecciones en los nudos así como los ujos en las ramas para ambos extremos de la línea. es decir. Gómez-Expósito . se han agrupado en torno a varios valores a n de que no haya mucha diversidad de valores. a los estados exactos se les ha sumado un error gaussiano obtenido con un generador de números aleatorios a partir de la desviación típica σ de cada medida.1. Al igual que ocurrió con la red IEEE-14. y F E es el fondo de escala de dicho aparato. las tensiones e inyecciones de los nudos extremos de la rama y los ujos de la propia rama. Carácter local de la estimación de parámetros 75 3. por lo que el número total de medidas en cada estado es de mil setenta.3.

Gómez-Expósito . Zarco & A. 76 Estimación de Parámetros Figura 4. Copyright P.1: Red IEEE-118.

. Dicha línea posee medidas que pueden encontrarse hasta una distancia 10 de ella. . en este caso concreto. el tanto por ciento de medidas (con respecto al número total de medidas que están a dicha distancia). veces menor que la que tiene mayor valor de sensibilidad. . en el Y la relación entre la sensibilidad máxima y las sensibilidades de las medidas y en el eje Z el tanto por ciento de medidas con respecto al total de medidas que se encuentran a esa distancia. 20. sino sólo Copyright P. teniendo las que se encuentran a una distancia superior a 5 una sensibilidad cien veces inferior a la medida más sensible. 20. por lo que ya no se han representado. para diferentes distancias. se encuentran el 60 % de las medidas que están a distancia 1. tienen una sensibilidad cien veces menor que la medida más sensible. A continuación. veces menor que la que tiene mayor valor. Zarco & A. Carácter local de la estimación de parámetros 77 se han normalizado todas con ella. se puede concluir que: • Las medidas que se encuentran lejos de las líneas con algún parámetro erróneo tienen un impacto muy pequeño sobre ella. En dicha gura se observa que: • Las medidas que se encuentran a distancias menores son las más sensibles (sensibilidades solamente entre 10 y 30 veces inferiores al valor máximo). • Las medidas que se encuentran a una distancia superior a 5. • Cuanto menor es la distancia. se ha dividido el valor máximo entre todos los valores de sensibilidades. es decir. • No es necesario utilizar ni todas las medidas de las que se disponga ni toda la red completa para realizar la estimación de parámetros. . con lo que se puede obtener. Así. por ejemplo. Por lo tanto. en la gura se puede observar que entre 0 y 1 del eje X (que representa la distancia 1 de la línea errónea) y entre 0 y 10 del eje Y (que representa una sensibilidad entre 1 y 10 veces menor que la medida más sensible). Esto es lo que se ha representado en Figura 4. se han agrupado estos valores obtenidos en función de la distancia a la que se encuentran dichas medidas de la línea errónea. Esto permite conocer el número de medidas que tienen una sensibilidad 10.2 en la que en el eje X aparece la distancia a la línea errónea. Gómez-Expósito . el porcentaje de medidas con valores más altos de sensibilidad es mayor. . . La rama que contiene el parámetro erróneo en dicha gura es la que une los nudos 49 y 51. que tienen una sensibilidad 10.

Zarco & A. Copyright P.2: Resultado del análisis de sensibilidad de la línea que une los nudos 49 y 51 en la red IEEE-118. 78 Estimación de Parámetros Figura 4. Gómez-Expósito .

4) y. basándose dichos métodos en el cálculo de los residuos principalmente.6 Resumen En este capítulo se ha analizado la problemática que presentan los errores en los parámetros.5 se ha estudiado el carácter local de la estimación de parámetros mediante un análisis de sensibilidad. como es la ampliación o no del vector de estado mediante la introducción de los parámetros erróneos como variables adicionales (Sección 4. ya que éstas son las más sensibles. Se han expuesto las clasicaciones que sobre los métodos de estimación de parámetros se han realizado hasta la fecha siendo una de ellas la que resalta la diferencia más signicativa de cada uno de los métodos. Zarco & A.2). Primeramente se ha expuesto la forma en la que los diferentes autores iden- tican los errores de los parámetros (Apartado 4. pudiendo ser éstos tanto de líneas como de tomas de transfor- madores. Estas conclusiones van a permitir que en el Capítulo 6. • Métodos que amplían el vector de estado:  Resolución mediante ecuaciones normales. 4. Gómez-Expósito . También. se utilice la IEEE-14 como si se tratase de la subred más próxima a la línea con el parámetro erróneo. habiéndose obtenido la conclusión de que: • Las medidas que se encuentran lejos de las líneas con algún parámetro erróneo tienen un impacto muy pequeño sobre ella.  Resolución basada en la teoría del ltro de Kalman. Para pasar de una red a su subred correspondiente basta con introducir los ujos de las líneas por las que se corta la subred en las inyecciones de los nudos limítrofes. en el Apartado 4.3): • Métodos basados en el análisis de sensibilidad residual. en este capítulo se han presentado las ventajas e inconvenientes de la estimación o-line frente a la on-line (Sección 4. por último. Resumen 79 aquellas medidas y aquellas líneas que se encuentran más próximas a la que contiene el parámetro erróneo. en lugar de utilizar la red IEEE-118 para la obtención de los resultados experimentales. Copyright P.

sino sólo aquellas medidas y aquellas líneas que se encuentran más próximas a la que contiene el parámetro erróneo. 80 Estimación de Parámetros • No es necesario utilizar ni todas las medidas de las que se disponga ni toda la red completa para realizar la estimación de parámetros. Copyright P. Gómez-Expósito . Zarco & A.

Anaheim. 9. [4] Alsac O.. pp. French D.. 50-58. Denison O... Vol.. PICA Conference Proceedings. Gómez-Expósito . IEEE Transactions on Power Apparatus and Systems. [5] Arafeh S. November/December 1979. Vol. Cory B.. 3. No. PAS- 98. pp. IEEE Transactions on Power Systems. [7] Clements K.. Laughton M. Proceedings 5th. Bibliografía [1] Aboytes F. Cambridge.3/11. Paper C74 311-7. Anaheim. No. August 1998. IEEE PES 1974 Summer Meeting. Bias and Parameter Uncertainty on Power System State Estimation. The Eects of Measurement Non- Simultaneity. Ringlee R.. No. Paper C74 331-5. Stott B. PICA Conference Proceed- ings. UK... 6. 1069-1075. IEEE Transactions on Power Apparatus and Systems.. September 1975. Goddard R.. Zarco & A. Static and Dynamic Algorithms for Power Sys- tem Variable and Parameter Estimation. 1. February 1994.. CA. 1974.. July 1974. pp. [6] Assadian M. [3] Allam M.. Generalized State Estima- tion. June 1973. 298-302.. 1968-1977. Monticelli A. IEEE Transactions on Power Systems... Schinzinger R.. Treatment of Parameter Uncertainty in Power System State Estimation.. 13. [2] Allam M. A General Algorithm for Estimating Power System Variables and Network Parameters. Wayne H. 81 Copyright P. June 1975. Estimation Algorithms for Large-Scale Power Systems. Vol. Ringlee R. [8] Clements K. Vempati N. Identication of Measurement.. Paper 2. Cal. 327-331. Laughton M. Parameter and Con- guration Errors in Static State Estimation. pp. Power System Computation Conference. Field Operational Ex- periences with On Line State Estimator. pp..

November 1983. Pal M. 200-209. Gómez-Expósito . 2.. PAS-102. IEEE Transactions on Power Apparatus and Systems. PAS- 103.. 1454-1458. 82 BIBLIOGRAFÍA [9] Do Coutto. No. PAS-93. 1. IEEE Transactions on Power Systems. Vol... No. 810-817.. 3680-3686.. Transformer Tap Estimation .. pp. [12] Fletcher D. Mehra R. No.. [18] Mukherjee B. 10.. and Results. [17] Liu W. Bibliography on Power System State Estimation (1968 . 950-961. Vol. [13] Gómez A. Litzenberger W.. Kliokys E. Usoro P. IEEE Transactions on Power Systems. Martínez J.. Abur A. pp. July 1975.... June 1996. Computing Meth- ods.. Transformer Tap Position Estimation. 5. Agosto 1990. Paper A 75 448-1. May 1995.. Copyright P.. IEEE Transactions on Power Systems.. IEEE Transactions on Power Sys- tems.. Vol. Transformer Tap Position Estimation and Bad Data Detection Using Dynamic Signal Modelling. Monroy D. Vol. EES-UETP 1996 Course Program. pp.. Vol. September/October 1974.. Bhavaraju M. 5. [16] Liu W. [11] Debs A. The BPA State Estimator Project: Tuning of Network Model. M. IEEE Transactions on Power Systems. Estimation of Steady-State Power System Model Parameters.. Stadlin W. Peças J.1989). 3. Van Cutsem T. No. Sobieski D.Field Experi- ence. June 1984. 11. IEEE Transactions on Power Apparatus and Systems. Power System State Estimation and Security Assessment. Vol. Parameter Error Identication and Estimation in Power System State Estimation. Leite A. February 1992. Volume 1: Solution Techniques.. Zarco & A.. November 1984. Wu F. pp... 1. Estimation of Parameter Errors from Measure- ment Residuals in State Estimation. 6. Falcão D. Electric Power Research Institute (EPRI). IEEE Transactions on Power Apparatus and Systems. [15] Lebow W. pp. Lim S. Lun S... No. 1260-1268. pp. February 1995. Fuerst G. Rouhani R. pp. 7. Massachusetts. No. 81-89. [10] Debs A. Sevilla. Optimization of Reactive Volt-Ampere (VAR) Sources in System Planning. [14] Handschin E. Nadira R.. 10. Cambridge. No.. Vol.

Comprehensive Estimation in Power Systems: State.. 3.. 120-135. Proceedings IASTED Power High Tech'89. No. IEEE Transactions on Power Systems. Rutz W. [21] Reig A. Copyright P... 3442-3445. 1386-1393. pp. Static State Estimation in Electric Power Systems. Vol. July 1974. IEEE Transactions on Power Systems. Brammer S. Illinois.. [26] Slutsker I. Van Cutsem T. Real Time Recursive Parameter Estimation in Energy Management Systems. American Power Conference.. Paper 170. Proceedings IEEE. Zarco & A. Vol.. No. No. pp. No. Real-Time Processing of Transformer Tap Positions. Mokhtari S. Power System Static-State Estimation. 1970. Topology and Parameter Estimation. Vol... [22] Schweppe F. BIBLIOGRAFÍA 83 [19] Quintana V.. American Power Conference. On-line Parameter Estimation in Energy Management Systems. Optimal Control Applications & Methods. April 1995.. Illinois. December 1985. Van Cutsem T. Mokhtari S. August 1996. Spain. Chicago. pp. Gómez-Expósito . 972-983. Vol. [20] Quintana V. pp. 1988. Salmonsen J. IEEE Transactions on Power Apparatus and Systems. Transformer Tap Estimation at Florida Power Corporation. Paper 169. 12. Chicago.. State Estimation of Voltage and Phase-Shift Transformer Tap Settings. Canadian Electrical Engineering Journal.. 4. Vol. Vol.205-210. 171-180.... 12. IEEE Transactions on Power Apparatus and Systems.. Álvarez C. [23] Schweppe F. Merritt W. 11. 62. August 1992. [25] Slutsker I. pp.. Clements K. PAS-89. 1987.. April 1995. 7. 1393-1399. [28] Teixeira P. Vol.. O-Line Parameter Estimation Techniques for Net- work Model Data Tuning. Valencia.. [24] Slutsker I. 3. Clements K. Power System Network Parameter Esti- mation. 1989. 9. Douglas B.. [27] Smith R. 303-323. Handschin E. pp.. PAS-104. pp. pp.

Power System Computation Con- ference. pp.. [30] Zarco P..911-918. Proceedings 12th. 5as Jornadas Hispano-Lusas de Ingeniería Eléctrica. O-line Determination of Network Parameters in State Estimation.. Pt C. 84 BIBLIOGRAFÍA [29] Van Cutsem T. Zarco & A. Network Parameter Estimation Using On- line Data with Application to Transformer Tap Position Estimation. January 1988. Gómez A. Julio 1997. pp. IEE Proceedings. Gómez-Expósito .Quintana V.. Gómez A. 1207-1213. Dresden. 31-40. Germany.. España. [31] Zarco P. Salamanca. 135. August 1996. Estimación de Parámetros en Redes Eléctricas: Problemática y Soluciones Adoptadas. Copyright P. pp. Vol. No. 1..

Gómez-Expósito . Capítulo 5 Métodos de Estimación de Parámetros 5. Por último. Zarco & A.1 Introducción En el Capítulo 4 se han presentado las diferentes clasicaciones existentes para la estimación de parámetros. A continuación.2) 85 Copyright P. 5. 24] se basa en la relación de sensibilidad entre los residuos y los errores de las medidas [9] expuesto en el Apéndice A: r = Sr ν (5.1) donde Sr es la matriz de sensibilidad residual dada por [13]: Sr = I − HG−1 H T W (5.2 Métodos basados en el análisis de sensibili- dad residual Estos métodos utilizan el vector de estado convencional sin ampliarlo con los parámetros erróneos y realizan la estimación de parámetros una vez que ha nalizado la estimación de estado. habiéndose hecho un especial hincapié en aquélla que realiza la clasicación de acuerdo con el método de resolución de la ecuación planteada [26]. se va a proceder a describir los métodos de estimación más signicativos basándose en dicha clasicación. se discutirán las ventajas e inconvenientes de cada uno de los métodos. 16. El método propuesto en [15.

. Se puede establecer una relación lineal entre los residuos de las medidas afectadas rs y el error del parámetro ep .9) ∂p ∂p ∂p Copyright P.14).7).3) es la matriz de ganancia según se vio en (2. que el estimado óptimo de ep es êp : Ã !T Ã !−1 Ã !T ∂h s ∂h s ∂h s êp =  Ws (Sr )ss  Ws rs (5. .1) que: Ã ! ∂hs rs = (Sr )ss ep + rs (5.8) k=1 ∂xi ∂p σk2 con i = 1.1) y (5. En [16] se demuestra. Utilizando (5. Gómez-Expósito . la ecuación (5. Zarco & A. basándose en (5.5) ∂p ∂p ∂p La resolución de esta ecuación no es simple. por lo que se propone el si- guiente método. 86 Métodos de Estimación de Parámetros donde G = HT W H (5.2) se obtiene: Ws (Sr )ss = Ws − Ws Hs G−1 HsT Ws (5. La ecuación (5. obteniéndose de las ecuaciones (4. l.4) ∂p donde (Sr )ss es la submatriz (s x s) de Sr correspondiente a las s medidas involucradas y rs es el vector residual que se obtendría en ausencia de errores en los parámetros.5) queda: Ã !T Ã !T Ã !−1 Ã !T ∂h s ∂h s −1 T ∂h s ∂h s êp =  Ws Ws H s G H s Ws  Ws rs ∂p ∂p ∂p ∂p Ã !T Ã ! −1 Ã !T ∂h s ∂h s T −1 ∂h s =  Ws − δs G δs  Ws rs (5. De la ecuación (5. lo que convierte la determinación de ep en un problema de estimación.6) Se dene el vector de dimensión n: Ã ! ∂hs δs = HsT Ws (5.7) ∂p cuyos componentes vienen dados por: s X ∂hk ∂hk 1 δsi = (5.4).4) puede ser interpretada como un modelo lineal que rela- ciona las medidas rs con el error del parámetro ep en presencia de un ruido rs .6) y (5. . .

el error del parámetro estimado se obtiene de:  Ã !2 −1 Ã ! s X Xl s X ∂hk 1 ∂hk rk êp =  − δsj ysj  (5.12) siendo L una matriz triangular inferior. la ecuación (5. Métodos basados en el análisis de sensibilidad residual 87 pudiendo existir dos variantes: 1. Resumiendo el método propuesto. Primera variante: Calculando previamente ys de Gys = δs (5. Si sólo se encuentra afectada una medida y se dispone del residuo nor- malizado. el error del parámetro estimado se obtiene de:  Ã !2 −1 Ã ! s X Xl s X ∂hk 1 2 ∂hk rk êp =  2 − ỹsi (5.11) k=1 ∂p σk2 j=1 k=1 ∂p δk2 2. Segunda variante: Si la matriz G ha sido factorizada en G = LDLT (5. inyec- ciones de potencia en los nudos extremos).10) mediante eliminación hacia adelante y sustitución hacia atrás.15) ∂p (Sr )ss Obtener êp e ir al paso 4.13) k=1 ∂p σk j=1 k=1 ∂p δk2 obteniéndose ỹs de √ DLỹs = δs (5. Zarco & A.5) queda: Ã !−1 ∂hs rs êp = (5. Copyright P. Identicar las medidas afectadas (ujos de potencia en la línea. dada una línea errónea o sospechosa el procedimiento para estimar uno de sus parámetros y corregir el estado estimado es el siguiente: 1. 2.14) mediante eliminación hacia adelante. Gómez-Expósito .

¥ ¦ ¨ § ¢£ ¾ ¦ § Pf . Vf 6 δ Vt 6 0 1:T ¥ ¨ ¥ ¦ ¨ § jX ¦ ¥ § ¨ ¨¨¥¨¥¥ . Realizar una nueva estimación de estado y una nueva identicación de parámetros erróneos. Qt Figura 5. 16. los ujos de Copyright P.13) para obtener êp . Si no es así: ∂hs (a) Calcular ∂p .11) o (5. La estimación se realiza en dos etapas: en la primera se estima el vector de sesgo y en la segunda los errores de los parámetros a partir de una secuencia de vectores de sesgo obtenidos en distintos periodos.1: Modelo del transformador utilizado. 4. Qf Pt . parar. Por ello lo que se analiza es la diferencia entre el ujo de potencia reactiva medido y calculado a través del transformador. (b) Obtener ys o ỹs de las ecuaciones (5. La principal diferencia de este método con el propuesto en [15.7) y calcular δs . Zarco & A. aunque en [8] se desarrolla además su aplicación a parámetros de redes.10) o (5. Gómez-Expósito . Otro de los métodos basados en los residuos es el propuesto en [8] y apli- cado posteriormente en [21]. (c) Sustituir en la ecuación (5. Se desarrolla dentro del mismo módulo de estimación. Considerando el modelo del transformador de la Figura 5. El método propuesto en [11] también se basa en un análisis de sensibilidad residual a partir del vector de sesgo. Si es positivo ir al paso 2.14). El método propuesto se basa en el acoplamiento existente entre la toma del transformador y el ujo de potencia reactiva a través de él. 5. Corregir p∗ haciendo p∗ = p∗ + êp . el cual combina los efectos de los errores del parámetro y del estado del sistema. 24] es que el vector de sesgo se expresa en términos de ujos. 88 Métodos de Estimación de Parámetros 3. Hs . Ambos están desarrollados para la estimación de tomas de transformadores. sustituir en la ecuación (5.1. o en caso contrario.

Zarco & A.18) " X # 2Vf2 T Vf Vt cos(δ) Qf = − ∆T (5.20) Vf ≈ Vt ≈ T ≈ 1 (5. • Los ujos de potencia activa son relativamente insensibles a los cambios de tomas.16) X Vf2 T 2 Vf Vt T cos(δ) Qf = − (5. Copyright P.17) X X Suponiendo que se ha realizado un cambio ∆T y que las tensiones y ángulos de los nudos no han variado.24) X De todo ello se puede obtener como conclusión que: • Los ujos de potencia reactiva son relativamente sensibles a los cambios de tomas.19) X X Suponiendo además que: |sen(δ)| ¿ |cos(δ)| (5.21) entonces |∆Pf | ¿ |∆Qf | (5. Gómez-Expósito . entonces: Vf Vt sen(δ) ∆Pf = ∆T (5.22) ∆T ∆Qf ≈ (5. la variación del ujo de potencia reac- tiva en el lado de la toma del transformador es: ∆T ∆Qt ≈ − (5. • Los ujos de potencia reactiva son relativamente lineales con respecto a los cambios de tomas en el rango de ±10%. Métodos basados en el análisis de sensibilidad residual 89 potencia activa y reactiva desde la parte ja (f ) a la de la toma (t) son: Vf Vt T sen(δ) Pf = (5.23) X Utilizando un razonamiento similar.

por ejemplo 1 MVAR. 90 Métodos de Estimación de Parámetros Basándose en la discusión anterior y realizando las siguientes deniciones: • Qt : Flujo de potencia reactiva calculado en el lado de la toma. se puede establecer el siguiente procedimiento para la estimación de las tomas de los transformadores: 1. no se variará la posición de la toma. Para aplicar este método a los parámetros de la red es necesario que se cumplan las siguientes condiciones: • Debe disponerse de un residuo que sea insensible a los cambios de los parámetros de la línea de transmisión. Gómez-Expósito . Si se dispone de una medida del lado de la toma: (a) Si Qt − Qmt < 0 decreméntese la toma: −∆T . si la diferencia entre los ujos de reactiva medido y calculado es inferior a un umbral. • Qf : Flujo de potencia reactiva calculado en el lado jo. (b) Si Qf − Qmf < 0 increméntese la toma: ∆T . (b) Si Qt − Qmt > 0 increméntese la toma: ∆T . Zarco & A. Como medida práctica. • Qmf : Flujo de potencia reactiva medido en el lado jo. • Si existen otros errores deben de tener poca inuencia sobre el residuo seleccionado. • La medida correspondiente al residuo seleccionado debe de estar libre de errores. • Qmt : Flujo de potencia reactiva medido en el lado de la toma. • ∆T : Magnitud cambiada en la toma. 2. Si se dispone de una medida del lado jo: (a) Si Qf − Qmf > 0 decreméntese la toma: −∆T . Copyright P.

29) de donde: δQ12 P12 tan(δ) Q12 + V12 Bc = − (5. Métodos basados en el análisis de sensibilidad residual 91 Considerando que los ujos de potencia activa y reactiva entre dos nudos son: V1 V2 sen(δ) P12 = (5.26) X X siendo • P12 el ujo de potencia activa entre los nudos 1 y 2. Para analizar los errores en la reactancia serie de la línea. • Q12 el ujo de potencia reactiva entre los nudos 1 y 2.25) X V12 V1 V2 cos(δ) Q12 = − − V12 Bc (5. • V2 la tensión en el nudo 2.25) y (5. siendo la mitad en cada extremo de la línea. • Bc la susceptancia shunt de la línea. Con objeto de estimar dicho parámetro es importante que la línea de transmisión esté ligeramente cargada de manera que el residuo sea debido principalmente a los errores de Bc .30) δX X X Copyright P. de las ecuaciones (5. y por encontrarse la potencia activa relativamente jada. • δ el desfase existente entre los nudos 1 y 2.27) por lo que los errores de ujo de reactiva son directamente proporcionales al parámetro Bc . Zarco & A. el residuo de la po- tencia reactiva es el que se puede utilizar para aplicar el método propuesto. • V1 la tensión en el nudo 1.26) se obtiene: P12 ∆X = V1 V2 cos(δ)∆δ (5. Gómez-Expósito . Para la susceptancia shunt de la línea: ∆Q12 = −V12 ∆Bc (5.28) (Q12 + V12 Bc )∆X + X∆Q12 = V1 V2 sen(δ)∆δ (5.

Copyright P. La carga de la línea debe ser lo más elevada posible para poder aplicar el método de reducción residual descrito.32) VBC siendo VBC la tensión calculada en el lado de baja del transformador según se muestra en la Figura 5. V T la antigua. la tensión medida se utilizará para calcular una nueva posición de la toma. • En el primer caso. entonces: VBM NT = V T (5. incluso en tales casos. Si el intercambiador de tomas está situado en el lado de baja del trans- formador y éste no se encuentra en el modelo del estimador. 2. Si el intercambiador de tomas está situado en el lado de baja del trans- formador y éste se encuentra en el modelo del estimador. VBM la tensión medida en el lado de baja y VBE la estimada. siempre que la tensión se en- cuentre dentro de un rango razonablemente predenido. Sin embargo. Se ejecuta fuera de la rutina de estimación de estado y utiliza las tensiones medidas y estimadas para generar un nuevo conjunto de tomas de los transformadores. la tensión del lado de baja será detectada como anómala. todos ellos del lado de alta. Un método similar al anterior es el propuesto en [14] para la estimación de tomas de transformadores. El modelo del estimador de estado debe incluir los nudos de alta y baja del transformador o solamente el de alta y el procedimiento utilizado es el siguiente: 1. la toma y los ujos estimados. 92 Métodos de Estimación de Parámetros que es el coeciente de sensibilidad que indica la variación del ujo de potencia reactiva frente al cambio en la reactancia de la línea.31) VBE siendo N T la nueva toma. Dicha tensión se calcula a partir de la tensión estimada. si la toma antigua es signicativamente diferente del valor actual. Gómez-Expósito . entonces VBM NT = (5.2. Zarco & A. para poder aplicar el método es necesario que: • La medida de la tensión se encuentre en el lado apropiado del transfor- mador. Por lo tanto.

3.3 Métodos que amplían el vector de estado Estos métodos incluyen los parámetros sospechosos en el vector de estado como si fuesen variables independientes por lo que se calculan tanto las tensiones y desfases de los nudos como los parámetros. 5.2: Modelo del transformador considerado. Gómez-Expósito . • En el segundo caso es necesario que en el lado de alta no existan inyec- ciones o que éstas sean conocidas de manera que los ujos del lado de alta se puedan estimar. Zarco & A. Métodos que amplían el vector de estado 93 VBC s s ¨ ¨ ¨¢ § ¨¢ § ¨ §¡ ¨ §¡ § § Figura 5. El método propuesto en [23] realiza la estimación de las tomas de los trans- formadores introduciéndolas en el vector de estado como variables indepen- dientes. Esto produce un aumento del número de elementos de la matriz ja- cobiano ya que se introducen tantas columnas nuevas como elementos nuevos se han introducido en el vector de estado y los elementos de dichas columnas son las derivadas del vector de medidas con respecto a las nuevas variables de Copyright P. Una vez que se ha ampliado el vector de estado con los parámetros erróneos se puede resolver el sistema de ecuaciones de dos formas diferentes: • Mediante ecuaciones normales.1 Resolución mediante ecuaciones normales Los métodos que resuelven el sistema planteado mediante las ecuaciones nor- males son los más simples y fáciles de desarrollar. • Mediante la teoría del ltro de Kalman. 5.

Zarco & A. Este método puede resolver una o más tomas erróneas de diversos trans- formadores simultáneamente. procediéndose posteriormente a calcular los parámetros erróneos. Seguidamente. 94 Métodos de Estimación de Parámetros estado:               H=    (5. las tomas de los transformadores se modelan como variables continuas. 2] ya que en ellos se estiman todos los elementos de la matriz de admitancia nodal en forma polar. este valor se aproxima al valor de la toma más próxima. Otra variante del método de [23] es el propuesto en [1. es decir. Copyright P. procediéndose a calcular el mejor valor estimado. Por lo tanto lo que se estima son dichos incrementos.33)             En el caso de que existan medidas asociadas a las tomas de los transfor- madores que se van a estimar. se convierte en discreto y se procede a eliminar la toma del vector de variables de estado. Por último.34)               Inicialmente. se añadirán aquéllas al vector de medidas y tanto en la matriz jacobiano como en la matriz de covarianzas de las medidas aparecerán tantas las adicionales como medidas nuevas se hayan añadido al vector de medidas:                 H=    (5. Gómez-Expósito . se vuelven a resolver las ecuaciones de estado con el valor discreto de la toma del transformador. Una variante de este método es el propuesto en [12] pero con la particulari- dad de que la ampliación del vector de estado se realiza con los incrementos de los ujos de potencia en lugar de con los parámetros erróneos.

siendo: • m el número de medidas.35) n+1 Si el número de parámetros sospechosos aumenta. y si se desea que la redundancia siga siendo K1 . • q el número de estimaciones simultáneas que se van a procesar.5) Además. diseñados para realizar la estimación de paráme- tros constantes en modo o-line.5). Copyright P. si el sistema es crítico antes de estimar el parámetro. • La inuencia del error del parámetro es local (como se ha visto en la Sección 4.36) n · q + np n + nqp siendo np = q para que K1 = Kq . el método descrito en [4] es similar pero aplicado a los parámetros de la red. siendo ahora np . éste no podrá ser estimado. con el uso simultáneo de varias muestras. en el caso de que se utilice una única estimación y el número de parámetros sospechosos sea uno. Gómez-Expósito . procesan simultáneamente varias muestras de medidas de diferentes instantes con objeto de incrementar la redundancia alrededor de los parámetros sospechosos [17. al igual que en cualquiera de los otros métodos de es- timación de parámetros existentes. Estos métodos se basan en que: • La susceptancia es el parámetro cuyo error inuye más en la estimación de las medidas (tal y como se ha visto en el Apartado 3. Otra clase de métodos. Métodos que amplían el vector de estado 95 Asimismo. • n el número de variables de estado. Así. • np el número de parámetros sospechosos. la redundancia es: m K1 = (5. con lo que la redundancia será: m·q m Kq = = (5. la redundancia global del sistema se puede mantener aumentando el número de muestras [25]. bastará con que el número de estimaciones simultáneas que se procesen sea q . 25]. En estos métodos. Zarco & A.

xq |p]t (5. se obtendría que p̂ es similar a p0 independientemente de los valores de las telemedidas. a la línea que une los nudos 7 y 9 en la red IEEE-14. en comparación con los factores de peso de las telemedidas wi . El ejemplo representado corresponde.38) donde xi y zi son a su vez los vectores de estado y medidas de la muestra i y p el vector de parámetros. Copyright P.. Zarco & A. si se utilizase un valor de wp muy elevado con respecto a wi .39). z2 . Una decisión importante es el valor que se le da a esta pseudomedida que se ha añadido. Por el contrario.. zq ]t (5. que es el factor de peso que se le asigna al valor conocido del parámetro.39) i=1 añadiendo el valor del que se dispone del parámetro sospechoso como si se tratase de una medida adicional y siendo p0 el valor conocido del parámetro.. Sin embargo. equivaldría a rechazar completamente la información disponible p0 y. los parámetros estimados se pueden ver inuenciados negativamente por los factores de peso adoptados al añadir esta información [25]. Esto se conrma en la Figura 5. Si se dispone de alguna información previa sobre los parámetros que se van a estimar. ésta se incluye en [17] como si se tratase de medidas. el vector de estados ampliado con los parámetros sospechosos es: x = [x1 . En el caso de que a wp se le asignase un valor muy pequeño con respecto a wi . el valor del parámetro estimado p̂ sería determinado exclusivamente por las telemedidas disponibles.37) y el vector de medidas: z = [z1 . Para analizar la conveniencia de añadir dicha información.. siendo wm el valor medio de todos los factores de peso wi . por lo tanto. En dicha ecuación aparece wp . en particular.. En dicha gura se representa el error relativo del parámetro estimado frente al ratio wm /wp . . p)]2 + wp (p − p0 )2 (5. la función ob- jetivo se convierte en: m X J(x. x2 . p) = wi [zi − hi (x. 96 Métodos de Estimación de Parámetros Si se utilizan q estados simultáneamente para realizar la estimación.3 en la cual se muestran los resultados obtenidos al estimar la susceptancia de una línea errónea mediante la ecuación (5.. Gómez-Expósito . .

• Si a wp se le asigna un valor muy elevado con respecto a wm se ob- tiene un valor de p̂ similar a p0 independientemente de los valores de las telemedidas. a menos que p0 sea más exacta que Copyright P. el mejor resultado se obtiene cuando wp = 0.23 %. así como asignando diferentes errores al valor conocido del parámetro p0 : ±5%. ±10%. De la Figura 5. lo que sucede para las curvas superiores de esta línea particular. En dicha gura se conrma que: • Si a wp se le asigna un valor muy pequeño con respecto a wm el valor del parámetro estimado p̂ se determina exclusivamente por las telemedidas disponibles. Métodos que amplían el vector de estado 97 Las curvas representadas han sido obtenidas con un conjunto de medidas de clase 1 y cuyo error medio ha sido del 3.3 se deduce que pueden presentarse dos situaciones diferen- tes: • Si el signo del error asociado a p0 es el mismo que el de p̂ cuando wp ≈ 0. Zarco & A. Gómez-Expósito . Figura 5.3: Error en la susceptancia estimada de la línea que une los nudos 7 y 9 en la red IEEE-14 frente al peso relativo del parámetro.

98 Métodos de Estimación de Parámetros

las telemedidas, lo que no parece lógico ya que se trata de una medida
sospechosa.

• Si los dos signos son diferentes, lo que ocurre para las curvas inferiores,
existe un cierto valor del factor de peso wp para el cual se estima el
parámetro exacto. Sin embargo, si no se elige este factor óptimo, puede
ocurrir que el parámetro estimado sea peor que el que se obtendría si se
hubiese utilizado el valor wp = 0.
La Figura 5.4 es similar a la anterior pero para otra línea, en particular la
línea que une los nudos 10 y 11, y otro conjunto de telemedidas distintos (la
clase ha sido también 1 pero el error medio de las medidas ha sido 3.80 %).
En este caso el parámetro estimado cuando wp = 0 se encuentra en la parte
inferior de la gura, obteniéndose las mismas conclusiones que anteriormente.
La única salvedad es que cuando antes se refería a la parte superior de la gura
ahora es la inferior y viceversa.

Figura 5.4: Error en la susceptancia estimada de la línea que une los nudos 10
y 11 en la red IEEE-14 frente al peso relativo del parámetro.

Por lo tanto, y ya que no es posible predecir a priori si el error resultante
para el parámetro será positivo o negativo, no se puede conocer su factor de
peso óptimo wp .

Copyright P. Zarco & A. Gómez-Expósito

Métodos que amplían el vector de estado 99

En el método presentado en [25], los vectores de estado y de medidas son los
representados en las ecuaciones (5.37) y (5.38). Asimismo, la matriz jacobiano
(cuyos elementos se pueden encontrar en el Apéndice B) es, al añadirle las
nuevas columnas correspondientes a los parámetros sospechosos y no añadirle
ninguna la adicional como inclusión de la información previa existente sobre
el parámetro:  
H1 h1p

 H2 h2p 
H=  .. .. 
 (5.40)
 . . 
Hq hqp
Sustituyendo en las ecuaciones normales de la estimación de estado (2.13):

H T W H∆x = H T (x)W ∆z (5.41)

se obtiene que la matriz de ganancia G es:
 
G11 g1p
 


G22 g2p 

t 
G = H WH =  .. .. 
(5.42)
 . . 

 Gqq gqp 
 
t t t
g1p g2p · · · gqp Gpp

siendo:

Gii = Hit Wi Hi (i = 1, 2, ..., q) (5.43)
gip = Hit Wi hip (i = 1, 2, ..., q) (5.44)
q
X
Gpp = htip Wi hip (5.45)
i=1

El vector de términos independientes queda:

H t W ∆z = [b1 , b2 , ..., bq |bp ]t (5.46)

siendo:

bi = Hit Wi ∆zi (i = 1, 2, ..., q) (5.47)
q
X
bp = htip Wi ∆zi (5.48)
i=1

Copyright P. Zarco & A. Gómez-Expósito

100 Métodos de Estimación de Parámetros

Para cada iteración es necesario que se forme y factorice la matriz (5.42)
con objeto de poder obtener la corrección del vector de estado ∆x. Esto,
para redes de gran dimensión, es impracticable incluso utilizando técnicas de
matrices dispersas, pero como el número de parámetros que se estiman es
relativamente pequeño, se va a utilizar un método cuyo costo computacional
es similar al necesario para resolver cada estado separada y secuencialmente.
Los pasos de que consta el método propuesto, que ha sido expuesto en [25],
son:
1. Triangularización y eliminación hacia adelante. Para cada bloque diag-
onal (i = 1, 2, . . . , q ):

(a) Calcular:

ĥip = Wi hip (5.49)
∆ẑi = Wi ∆zi (5.50)
gip = Hit ĥip (5.51)
bi = Hit ∆ẑi (5.52)

(b) Calcular Gii y obtener yi y b0i de:

Gii = Hit Wi Hi (5.53)
Gii yi = gip (5.54)
Gii b0i = bi (5.55)

(c) Actualizar Gpp y bp :

Gpp = Gpp + htip ĥip − gip
t
yi (5.56)
t t 0
bp = bp + hip ∆ẑi − gip bi (5.57)

2. Obtener ∆p de:
Gpp ∆p = bp (5.58)

3. Sustitución hacia atrás. Para cada bloque diagonal (i = 1, 2, . . . , q )
obtener ∆xi de:
∆xi = b0i − yi ∆p (5.59)

De este modo, una vez que ∆p se ha obtenido, se pueden actualizar todas
las variables de estado independientemente.
Con este método hay que puntualizar lo siguiente:

Copyright P. Zarco & A. Gómez-Expósito

Métodos que amplían el vector de estado 101

• Cada columna de hip es un vector muy disperso, ya que solamente las
medidas adyacentes tienen derivadas respecto a p distintas de cero.

• Cada bloque diagonal Gii se utiliza solamente una vez en el paso 1.(b),
por lo que sólo la matriz de ganancia correspondiente a un único estado
debe ser almacenada en memoria simultáneamente y por lo tanto, el
mismo espacio es utilizado sucesivamente por diferentes estados.

• Si solamente se estima un único parámetro, hip es un vector columna y
Gpp es un escalar.
• Si se utiliza un perl plano de tensiones y desfases, en la primera iteración
no se realiza la estimación del parámetro, es decir, se considera que el
vector de estados no está ampliado por los parámetros sospechosos y, por
lo tanto, la matriz jacobiano no contiene tantas columnas adicionales hip
como parámetros sospechosos en esta primera iteración. Esto es debido a
que dichas columnas se hacen cero por causa del perl plano de partida.
Por lo tanto, el método se utilizará después de la primera iteración.
En el caso de que el número de parámetros estimados sea pequeño, el sobre-
costo, tanto en necesidades de memoria como en tiempos de cálculo, causado
por las ecuaciones (5.49), (5.51), (5.54) y (5.56) - (5.59) es bastante pequeño
en comparación con el costo del procesamiento secuencial de los diferentes
estados, que viene marcado principalmente por las ecuaciones (5.53) y (5.55).
El método es válido tanto si se utiliza la red completa como si sólo se usa la
parte de red que es relevante, es decir, la que rodea al parámetro sospechoso, lo
que implica una considerable disminución del costo sin reducción de la calidad
del parámetro estimado.

5.3.2 Resolución basada en la teoría del ltro de Kalman
Los métodos de resolución mediante la teoría del ltro de Kalman permiten uti-
lizar una estimación recursiva en la cual la información a priori sobre el estado
estimado se combina con las medidas para actualizar el parámetro estimado.
En el método propuesto en [6] se realiza la estimación de los parámetros de
las líneas de transmisión, admitancias y tomas de los transformadores, sesgos
de las medidas y desviaciones típicas de los errores de las medidas.
En cada muestra de tiempo k la relación que existe entre las medidas y los
estados es:
z(k) = h(x(k), k, p) + ν(k) (5.60)

Copyright P. Zarco & A. Gómez-Expósito

k.61) k=1 En el caso de que se disponga de una información a priori del vector de parámetros. 102 Métodos de Estimación de Parámetros habiéndose hecho depender h explícitamente de k con objeto de reejar la posibilidad de cambios en la red de un momento a otro y considerando a los parámetros constantes durante todo el periodo de tiempo considerado. p̂ik (k))] A2 = HxT (k)W [z(k) − h(x̂ik (k). Gómez-Expósito .k−1 + HpT (k)W Hp (k) " # Λixx (k) Λixp (k) = Λipx (k) Λipp (k) Rp. Para estimar el vector de estado hay que minimizar la función objetivo. y siendo Rp−1 = Wp . dicha información se puede incorporar al problema como una pseudomedida: p0 = p + ep (5. k. la función objetivo se convierte en: J1 = (p − p0 )T Wp (p − p0 ) + J (5. k.p̂i (k) k k ¯ ∂h ¯¯ Hp (k) = ¯ ∂p ¯x̂i (k). p0 .k = Λpp (k) Copyright P.63) La solución al problema planteado se obtiene mediante la resolución itera- tiva del siguiente algoritmo: " # " # " # x̂i+1 k (k) x̂ik (k) i A1 = + Λ (k) · (5. k.k−1 [p̂ik−1 (k − 1) − p̂ik (k))] ¯ ∂h ¯¯ Hx (k) = ¯ ∂x ¯x̂i (k). Zarco & A. Con esto.64) p̂i+1 k (k) p̂ik (k) A2 siendo: A1 = HxT (k)W [z(k) − h(x̂ik (k). p̂ik (k))] + Wp.p̂i (k) k k " #−1 i HxT (k)W Hx (k) HxT (k)W Hp (k) Λ (k) = HpT (k)W Hx (k) Wp. que en este caso es: m X J= [z(k) − h (x(k).62) siendo ep un vector de error con media cero y covarianza Rp . p)] (5. p)]T W (z(k) − h(x(k).

Gómez-Expósito . 2. • Es posible la expansión adaptativa de las áreas analizadas de manera que se estimen primero las ramas con mayor redundancia de medidas hasta que se establecen sus parámetros y seguidamente se estiman las que tienen menos redundancia. Métodos que amplían el vector de estado 103 p̂ el vector de parámetros de red estimados e i el número de la iteración (i = 1. Como consecuencia de dichas variantes: • Se puede realizar un seguimiento de aquellos parámetros de red que varían continuamente debido a cambios en las condiciones de carga y ambientales. es recursivo en el sentido de que en la muestra de tiempo k sólo se considera el vector z(k) junto con los estimados de los parámetros y sus covarianzas. Zarco & A. . . basado en la teoría del ltro de Kalman. 20] es recursivo y se basa en el ltro de Kalman para su resolución. Una ampliación del método propuesto es el tratamiento simultáneo de to- das las telemedidas almacenadas durante un periodo de tiempo para estimar conjuntamente tanto las variables de estado como los parámetros. • La resolución es más rápida al resolver varios problemas pequeños en lugar de uno más grande. que previamente se han actualizado. . Copyright P. lo cual se desarrolla en un caso real en [7].) Este algoritmo. Introduce dos importantes variantes con respecto a [6]: • Localiza el problema en varias pequeñas subredes observables que con- tienen los parámetros desconocidos. • La solución no se ve afectada por cambios ni en la red ni en la topología de las medidas. • Modela los parámetros como procesos de Markov al igual que las variables de estado lo que permite la estimación de parámetros variables con el tiempo. • No presupone la existencia de ramas sin errores que pueden utilizarse como ramas conocidas para la estimación de otras ramas erróneas. 19. El método propuesto en [18.

p(ti )|z(t1 ) . . z(ti )] = f [z(ti )|x(ti ). Gómez-Expósito . p(ti )] f [p(ti )] f [(x(ti )] (5.p(ti ))] W [z(ti )−h(x(ti ).70) ∂y(ti )] La matriz Wxp (ti ) es la inversa de la matriz de covarianzas de y(ti ): " # Wx (ti ) 0 Wxp (ti ) = (5.p(ti ))] (5. Zarco & A.3). 104 Métodos de Estimación de Parámetros El algoritmo de resolución se basa en que la función de densidad de proba- bilidad de los errores de los parámetros estimados en el tiempo ti . de manera que: f [x(ti ). p(ti )] = ( 2π)−m |W |(1/2) e− 2 [z(ti )−h(x(ti ).67) 2 siendo: y T (ti ) = [xT (ti ). como se puede deducir de la ecuación (2.66) El estimado de máxima verosimilitud se obtendrá al encontrar el máximo de la función de probabilidad condicional y como dicha función es gaussiana. la función de densidad de probabilidad conjunta de los parámetros y del estado condicionada a las medidas es proporcional al producto de sus funciones de densidad.69) ∂y(ti ) donde: ∂h[y(ti )] H[y(ti )] = (5.71) 0 Wp (ti ) Copyright P. f [x(ti )]. p(ti ))] 2 1 + [y(ti ) − y(ti )]T Wxp [y(ti ) − y(ti )] (5. es decir: 1 Φ[y(ti )] = [z(ti ) − h(x(ti ). f [p(ti )]. es equivalente a encontrar el mínimo del exponente de dicha función. p(ti ))]T W [z(ti ) − h(x(ti ).68) La condición necesaria para localizar el mínimo es: ∂Φ[y(ti )] = −H[y(ti )]T W [z(ti ) − h(y(ti ))] + Wxp (ti )[y(ti ) − y(ti )] = 0 (5.65) Del teorema de Bayes. de manera que. pT (ti )] (5. y la de los errores de las medidas son gaussianas con media cero. la de las variables de estado. . la función de densidad de probabilidad condicional de z(ti ) sujeta a x(ti ) y p(ti ) es: √ 1 T f [z(ti )|x(ti ).

Para efectuar la estimación de los parámetros la red se divide en pequeñas subredes o subsistemas locales y en cada iteración se resuelven las ecuaciones (5.75) j=1 ∂y(ti ) ¯y(ti )=y(ti )k 2 zj (ti ) − hj [y(ti )] γi [y(ti )] = (5. 5.74) mp ¯ X ∂ 2 h [y(t )] ¯ j i ¯ Υ[y(ti )k ] = − γi [y(ti )] ¯ (5. ya sean de líneas o de tomas de transformadores. Una vez que se ha establecido la impedancia de dichas ramas. Cada subred es una pequeña porción de la red completa compuesta de unas pocas ramas con el número suciente de medidas como para asegurar la observabilidad.(5. Discusión 105 Para proceder a la resolución del sistema no lineal al que da lugar se utiliza el método de Newton: C∆y(ti ) = H[y(ti )k ]T W [z(ti ) − h(y(ti )k )] −Wxp (ti )[y(ti )k − y(ti )] (5. sólo en algunos Copyright P.76) Rjj siendo j un índice de los parámetros y mp el número de parámetros. Zarco & A. El método propuesto es desarrollado como un estimador de parámetros adaptativo.73) donde: C = H[y(ti )k ]T W H[y(ti )k ] + Wxp (ti ) + Υ[y(ti )k ] (5.76) mediante factorización triangular de la matriz C . el cual comienza con unas cuantas ramas altamente telemedidas. éstas se utilizan para extender la estimación de parámetros a ramas que están menos teleme- didas. 10] se basan también en la resolución mediante el ltro de Kalman y en la ampliación del vector de estado con aquellos parámetros que han proporcionado un valor elevado en el residuo [3. Los métodos propuestos en [3. 5.72) y(ti )k+1 = y(ti )k + ∆y(ti ) (5. La última de las soluciones contendrá todas las ramas de la red con adecuadas telemedidas. 10] o en el análisis de sensibilidad del estado [5].72) . excluyendo solamente aquéllas en las que no se haya podido realizar una estimación de parámetro able.4 Discusión De todos los métodos que proponen algoritmos para realizar la estimación de parámetros. Gómez-Expósito .

necesita de una cierta redundancia de medidas locales. Así. no está claro que en todas las circunstancias sea mejor usar un algoritmo de ltro recursivo o el esquema convencional de ecuaciones nor- males. También es evidente que la utilización de varias muestras de medidas de diferentes instantes. por lo que los resultados presen- tados en el resto de artículos que tratan dicho problema no tienen una validez completa debido a que el error de las medidas inuye notoriamente. siendo la inuencia de las medidas de ujo de potencia particularmente relevante mientras que la de las medidas de inyección lo es. se puede decir que aquéllos que aumentan el vec- tor de estado han superado claramente a los que se basan en el análisis de sensibilidad residual. el algoritmo utilizado para obtener el parámetro estimado mediante el que se ha obtenido una diferencia de un 2 % respecto al valor exacto no es bueno. mientras que la simplicidad del método de mínimos cuadrados lo hace más atractivo para estimar parámetros constantes. menos. si se dispone de medidas muy exactas. Sin embargo. en general. los resultados obtenidos serán peores. Sin embargo. Es necesario conocer además el error de las telemedidas utilizadas. Cualquier método. si las telemedidas tienen un error de un 2 % sí puede considerarse bueno el algoritmo utilizado. estos métodos son necesarios a la hora de identicar las ramas sospechosas. simultánea o secuen- cialmente. Si las telemedidas no tienen error. esto no da ninguna información respecto a si el método es bueno o no. independientemente de la técnica utilizada. Otro tema controvertido es si se deben estimar solamente unos pocos pa- rámetros seleccionados (incluyendo tomas de transformadores) o si el proceso de estimación se debe ir extendiendo adaptativamente hasta incluir todas las ramas de la red que tengan una adecuada redundancia local. si un parámetro tiene un error de un 10 % con respecto al valor exacto de dicho parámetro y mediante uno de los algoritmos propuestos se obtiene un parámetro estimado con un error de un 2 % respecto al valor exacto. los valores de los parámetros estimados probablemente serán mejores que los que Copyright P. Como para una redundancia dada los errores de los parámetros estimados son proporcionales al error medio de las medidas [25]. Zarco & A. Todo esto siempre que se disponga de una redundancia suciente. Puede decirse que el ltro de Kalman es más útil usarlo para estimar parámetros que varían con el tiempo. Respecto a los métodos. ya que si ésta no lo es. ya que debería obtenerse un valor inferior al 1 %. No obstante. 106 Métodos de Estimación de Parámetros de ellos se menciona el error de las medidas. proporciona una forma más robusta de actualizar la base de datos [27]. Gómez-Expósito .

los parámetros estimados serán de poca exactitud independientemente del método utilizado. mientras que la estimación de parámetros que fundamentalmente permanecen constantes con el tiempo.4 se mencionaron las ventajas e inconve- nientes de la estimación on-line y o-line. Copyright P. Allí se destacó que la estimación de las tomas de los transformadores es un proceso on-line. ha de tenerse en cuenta este riesgo a la hora de decidir qué parámetros serán estimados. Sin embargo. Discusión 107 se disponían en la base de datos. que un parámetro bastante bueno sea actualizado con un valor menos exacto si la estimación se ha realizado con medidas poco exactas. lo contrario también puede ocurrir. Entre las diversas técnicas que aumentan el vector de estado. Por otro lado. por lo que para evitar este problema potencial el vector de estado debe ser aumentado después de la primera iteración. En el caso de que existan errores no gaussianos persistentemente en las proximidades de las ramas que se estiman y que no se detecten. en el Apartado 4. bastaría con que a la vez que se registra cada conjunto de medidas se tomara nota de las temperaturas existentes. 25]. En cuanto a la facilidad de implantar los métodos de estimación de paráme- tros en los estimadores de estado existentes. las que se basan en las ecuaciones normales son más simples de desarrollar que las que se basan en el ltro de Kalman y sólo requieren sencillas modicaciones en el código informático existente. Zarco & A. es decir. como las inductancias o las capacitancias. la matriz jacobiano puede llegar a ser mal condicionada al inicio. Si se quisiera relacionar la resistencia variable con el tiempo con el valor con- stante correspondiente a la temperatura de referencia. las uctua- ciones de la resistencia de la línea debido a cambios en la temperatura pueden llegar a ser signicativas pero los errores que afectan a este parámetro son los que tienen menos importancia al realizar la estimación de estado [22. los métodos basados en el análisis de sensibilidad residual pueden incluirse al nal del proceso de estimación de estado sin necesidad de tener que modicar ninguna de las rutinas principales que constituyen el estimador. Por último. Cuando la información existente sobre el valor del parámetro no se añade al modelo como una medida extra. Gómez-Expósito . es un proceso que puede realizarse más adecuadamente en un modo o-line. Por lo tanto.

Seguidamente.4).1 se ha analizado también el hecho nada trivial de incluir o no la información previa existente sobre el parámetro.3.3. Estos se basan para su resolución en el análisis de los residuos. dependiendo del factor de peso que se le asigne al parámetro que se va a estimar. resumiéndose las problemáticas presentadas en ellos.3.5 Resumen Una vez que en el Capítulo 4 se han clasicado los métodos de estimación de parámetros. en el Epígrafe 5.2). Se ha obtenido que. Gómez-Expósito . 108 Métodos de Estimación de Parámetros 5. En el Apartado 5. Zarco & A.3 se han analizado los métodos que am- plían el vector de estado con los parámetros erróneos como si fuesen variables independientes. los resultados obtenidos al considerar la información previa pueden ser mejores o peores que los obtenidos al no considerarla. A continuación se han discutido los diferentes métodos propuestos en los artículos que tratan este tema (Sección 5. En la Sección 5. Copyright P. • Mediante la teoría del ltro de Kalman (Apartado 5. por lo que se calculan tanto las tensiones y desfases de los diferentes nudos como los parámetros.1). en este capítulo se ha procedido a presentar en detalle los métodos existentes. Estos métodos resuelven el sistema de ecuaciones planteado de dos formas diferentes: • Mediante ecuaciones normales (Apartado 5.2 se han presentado los métodos que no amplían el vector de estado.

11.. Anaheim.. pp. Transformer Tap Position Estimation. UK. November/December 1979. Power System Computation Conference. July 1975. [7] Debs A. 5... Treatment of Parameter Uncertainty in Power System State Estimation. Paper A 75 448-1.. Paper 2. 1968-1977. [8] Fletcher D. Bibliografía [1] Allam M. Gómez-Expósito . PAS-93. 3680-3686. Estimation Algorithms for Large-Scale Power Systems. CA.. The Eects of Measurement Non- Simultaneity. [6] Debs A. Proceedings 5th. pp. [3] Arafeh S.. 327-331. Bias and Parameter Uncertainty on Power System State Estimation.. Ringlee R. No. pp.. 6. Stadlin W. A General Algorithm for Estimating Power System Variables and Network Parameters. PAS-102. June 1973. Paper C74 331-5. Static and Dynamic Algorithms for Power Sys- tem Variable and Parameter Estimation. 109 Copyright P. [5] Clements K. Laughton M. Anaheim. Vol. Vol.. IEEE Transactions on Power Apparatus and Systems.. PICA Conference Proceedings.. November 1983. Zarco & A. July 1974. 1974. The BPA State Estimator Project: Tuning of Network Model. Litzenberger W. Cambridge. Vol. Estimation of Steady-State Power System Model Parameters.. No. Ringlee R.. [4] Clements K. Denison O. IEEE Transactions on Power Apparatus and Systems. No... Cal.. Paper C74 311-7. September/October 1974. pp. IEEE Transactions on Power Systems.3/11. PAS- 98. 1260-1268. September 1975. Schinzinger R. IEEE Transactions on Power Apparatus and Systems. Laughton M. IEEE Transactions on Power Apparatus and Systems. IEEE PES 1974 Summer Meeting. [2] Allam M.

303-323. No. Van Cutsem T.. O-Line Parameter Estimation Techniques for Net- work Model Data Tuning. pp.. 329-337. Spain. Álvarez C. June 1984. 1454-1458. [13] Mili L. Vol. Schweppe F. Vol. [18] Slutsker I.. Parameter Error Identication and Estimation in Power System State Estimation. 1. March/April 1975.. Gómez-Expósito . Van Cutsem T. pp. Lim S. On-line Parameter Estimation in Energy Management Systems. Hypothesis Testing Iden- tication: A New Method for Bad Data Analysis in Power System State Estimation.. pp. 1. Estimation of Parameter Errors from Measure- ment Residuals in State Estimation. IEEE Transactions on Power Apparatus and Systems. Optimal Control Applications & Methods. IEEE Transactions on Power Apparatus and Systems. Vol. Proceedings IASTED Power High Tech'89. [12] Liu W. 7. Van Cutsem T. Paper 169. [10] Handschin E. 1988. IEEE Transactions on Power Systems. [16] Quintana V. Ribbens-Pavella M. [11] Liu W. 3239-3252. 9. No.. No. Bad Data Analysis for Power System State Estimation. 200-209. Transformer Tap Estimation . No.. IEEE Transactions on Power Sys- tems.. 2. Illinois. pp. [17] Reig A. pp.... April 1995. 810-817. [14] Mukherjee B. 4.. IEEE Transactions on Power Systems. No. Vol. No.. February 1992. Kliokys E. 11. [15] Quintana V. 171-180. Fuerst G. 2. American Power Conference. May 1995. 12.. pp. Zarco & A. PAS- 103. Vol.... 110 BIBLIOGRAFÍA [9] Handschin E. February 1995.205-210. Chicago. Kohlas J. Wu F. Real-Time Processing of Transformer Tap Positions. pp.. November 1984. 1989.. Lun S.. No.Field Experi- ence. Transformer Tap Position Estimation and Bad Data Detection Using Dynamic Signal Modelling. Vol. 10. 1987.. Fiechter A... Canadian Electrical Engineering Journal. Power System Network Parameter Esti- mation. Valencia. 10. PAS-103... Vol. 6. PAS-94. Vol. pp. Copyright P. 81-89. Mokhtari S. pp. Clements K. IEEE Transactions on Power Apparatus and Systems.

August 1996. Pt C. [25] Zarco P. Vol. No. Brammer S. No. 11. Real Time Recursive Parameter Estimation in Energy Management Systems. Power System Parameter Estimation: A Survey. Topology and Parameter Estimation.. IEEE Transactions on Power Systems.. 5as Jornadas Hispano-Lusas de Ingeniería Eléctrica. [26] Zarco P. Gómez A. Paper PE-330-PWRS-0-12-1998. 7. BIBLIOGRAFÍA 111 [19] Slutsker I. Gómez-Expósito . Zarco & A. Gómez A. Paper 170. No. Comprehensive Estimation in Power Systems: State.. 1696-1701. Transformer Tap Estimation at Florida Power Corporation. Copyright P. [21] Smith R.. Vol. 3. [24] Van Cutsem T. A Sensitivity Analysis of Weighted Least Squares State Estimation for Power Systems. IEEE Transactions on Power Systems.. pp. April 1995. American Power Conference. Vol. [27] Zarco P. Vol. pp.. España. pp. Vol. Power System Computation Con- ference.. IEEE Transactions on Power Ap- paratus and Systems. 1386-1393. January 1988.. 1207-1213.. PAS-104. IEE Proceedings. Julio 1997. Rutz W. Illinois.. 31-40. State Estimation of Voltage and Phase-Shift Transformer Tap Settings. IEEE Transactions on Power Systems. pp.. 12. [23] Teixeira P. Proceedings 12th. Salamanca.. IEEE Transactions on Power Apparatus and Systems. O-line Determination of Network Parameters in State Estimation.. 1393-1399.Quintana V. Dresden. December 1985. 3. Germany. PAS-92... 1. pp. Gómez A. August 1992. pp.911-918. Merritt W. [22] Stuart T. No. 135. pp. Network Parameter Estimation Using On- line Data with Application to Transformer Tap Position Estimation. Chicago. September/October 1973. Salmonsen J. August 1996.... Estimación de Parámetros en Redes Eléctricas: Problemática y Soluciones Adoptadas.. Mokhtari S. Herget C. [20] Slutsker I.. Clements K. 3442-3445.

Gómez-Expósito . 112 BIBLIOGRAFÍA Copyright P. Zarco & A.

Todos los resultados se presentan en las mismas grácas a n de que se observe la gran relación que guardan las estimaciones de estado y de parámetros. Zarco & A. Además. Según las conclusiones obtenidas en el Apartado 4. el ob- jeto de este capítulo es mostrar la función de ltro que tiene la estimación independientemente del método utilizado. los resultados experimentales presentados en las grácas son váli- dos tanto para la estimación de estado como la de parámetros.1 Introducción En el presente capítulo se van a presentar los distintos resultados obtenidos utilizando el método de estimación de parámetros y de estado propuesto en [1] y resuelto numéricamente mediante el método de mínimos cuadrados pon- derados. De esta manera se estiman el estado y los parámetros sospechosos al mismo tiempo. Hay que tener en cuenta que en dicho método se aumenta el vector de estado con los parámetros sospechosos y se procesan muestras de diferentes instantes simultáneamente con lo que el problema se reduce a resolver varios problemas de estimación de estado a la vez. Esto es debido a que ese es el método propuesto por los autores y del cual poseen gran cantidad de resultados experimentales. Capítulo 6 Resultados Experimentales de la Estimación de Estado y de Parámetros 6.5. siendo los resultados obtenidos cuando el error en el parámetro es del 0 % los que se obtienen al realizar únicamente la estimación de estado. Gómez-Expósito . Por ello. la estimación de 113 Copyright P.

los resultados que se presentan han sido obtenidos considerando que el error se encuentra en la susceptancia de la línea considerada. 6. se va a utilizar una redundancia de las medidas completa. que nunca son conocidos. por lo que se va a considerar a la red IEEE- 14 como una subred en la que se encuentran los parámetros erróneos y. ya que las ecuaciones se utilizan en modo de ad- mitancias. Zarco & A. • No se presentan singularidades. Por último. como se dijo en el Apartado 3. la inuencia del error en la susceptancia es mucho mayor que cuando éste existe en la conductancia. 114 Resultados Experimentales de la Estimación de Estado y de Parámetros parámetros tiene un carácter local. el índice comparativo adoptado ha sido el error relativo medio de las medidas estimadas. a partir de mil ochocientos estados distintos y exactos. y a los que se les ha añadido errores gaussianos que simulen el estado real del sistema. Al igual que se hizo en el Capítulo 3.2 Estimación de impedancias o admitancias La estimación de la susceptancia errónea puede realizarse desde el punto de vista de tratarla como impedancia o como admitancia. Además. lo que signica que de cada estado se poseen ciento veintidós medidas distintas.1. ya que según se vio en el Apartado 3. Gómez-Expósito . y excepto en los casos en los que expresamente se indique. como ocurre al considerar una línea abierta. como el valor del parámetro estimado obtenido al realizar la esti- mación como impedancia o como admitancia es el mismo tras numerosas com- Copyright P. además de ser invariante con el tiempo. y con objeto de que los resultados obtenidos sean estadísticamente signicativos. por lo tanto. cada una de las pruebas repre- senta el valor medio de la ejecución de sesenta estimaciones de estado. es ella la que se va a utilizar para mostrar los resultados experimentales obtenidos. así como el error relativo medio de las medidas afectadas en las sesenta estimaciones. Dichos estados distintos han sido obtenidos. Además. para caracterizar los resultados obtenidos se ha utilizado prin- cipalmente la clase de los dispositivos de medida.5. Además. El hecho de tratarla como admitancia tiene la ventaja de: • Menor manipulación. Asimismo. lo que representa la base del método propuesto en [1].

Por lo tanto. 6. en la Figura 6. Figura 6. Inuencia del número de muestras utilizadas 115 probaciones realizadas. si existe. Para analizar esto. Gómez-Expósito .1 se representa el cociente entre el error medio de las telemedidas y el error del parámetro estimado cuando el número de estados diferentes utilizados varía desde uno hasta veinticinco. siendo éstas de clase 1 y existiendo un error en el parámetro del 10 %. se va a realizar la estimación tratando al parámetro erróneo como admitancia en lugar de como impedancia. Copyright P.1: Relación entre el error de las medidas y el error del parámetro estimado frente al número de estados procesados simultáneamente. Zarco & A. es importante saber cuál es el número óptimo. de estados que hay que utilizar simultáneamente para realizar la estimación.3 Inuencia del número de muestras utilizadas El método utilizado para la estimación de parámetros se basa en la utilización de datos históricos de medidas y aprovecha que el parámetro es invariante con el tiempo para realizar su estimación usando varias muestras de estados diferentes por los que pasa el sistema a lo largo del día. Cada uno de los puntos representados es la media de sesenta ensayos diferentes con una redundancia completa de las medidas.

pudién- dose apreciar que los resultados obtenidos siguen una correlación lineal.31 1.8 25 1.26 0 1. es decir. observándose además que en el límite el error del parámetro estimado vale cero.9 2.31 1. Para poder apreciar mejor dicho resultado. indicándose además el error de las medidas utilizadas.31 1. se ha dibujado la recta de regresión obtenida con los puntos señalados.1 se muestra la inuencia de diversos erro- res en la susceptancia de una línea cuando se utilizan en la estimación del parámetro uno y siete estados diferentes simultáneamente y las medidas del sistema son de clase 1.1: Inuencia del error de la susceptancia de una línea sobre las medidas cuando se estima el parámetro.(%) Errores medidas (%) estados parám.26 1 10 1.1.26 7 10 1.26 2. Asimismo. Zarco & A. de acuerdo con la hipérbola representada en la Figura 6. la cual es una hipérbola. en la misma gura se ha representado la inversa de la curva de regresión.26 2.27 1.7 2. El ratio utilizado en dicha gura proporciona una cuanticación de la ha- bilidad del estimador para estimar un parámetro de red. por lo que cuanto mayor sea el número de estados procesados simultáneamente menor será el error del parámetro estimado.8 25 1. Seguidamente. 116 Resultados Experimentales de la Estimación de Estado y de Parámetros Número de Error Errores medidas est. Gómez-Expósito . es decir. Esta curva muestra que a medida que crece el número de estimaciones utilizadas simultáneamente la mejoría obtenida es menor. En dicha tabla se puede observar además que los estados estimados son insensibles a los errores en los parámetros. Se ha realizado el procesamiento de siete estados diferentes simultáneamente por considerar que la estimación obtenida con ellos es sucientemente buena.27 1. el error en las medidas Copyright P. pudiéndose observar que a medida que aumenta el número de estados procesados simultáneamente la estimación realizada es mejor. se muestra tanto la inuencia sobre las medidas de toda la red como sobre las medidas adyacentes a la rama.27 1. el cociente entre el error del parámetro estimado y el error medio de las medidas. (%) Todas Adyacentes Todas Adyacentes 0 1. en la Tabla 6.26 Tabla 6.

2: Inuencia del error en la susceptancia de una línea sobre las me- didas adyacentes. realizándose dicho análisis solamente sobre las medidas adyacentes a la línea que tiene el parámetro erróneo ya que. la inuencia del error en el parámetro es mucho más pronunciada sobre las medidas adyacentes a la línea problemática. 1. con distintas clases. de acuerdo con las conclusiones obtenidas en la Sección 3. Copyright P. Zarco & A.3. Figura 6. las medidas del sistema son de clase 0. Relación con el nivel de error en las medidas 117 estimadas cuando existe un error de un 25 % en el parámetro es el mismo que cuando dicho error no existe.4 Relación con el nivel de error en las medidas En el presente epígrafe se va a analizar la inuencia que tiene el nivel de error en las medidas. 6.2 y 6. tendiendo a disminuir a medida que aumenta la distancia. en las Figuras 6. Para ello. Gómez-Expósito . cuando se procesa un estado.3 se representa la inuencia de un error de un 10 % en la susceptancia de una línea cuando se utilizan en la estimación uno y siete estados diferentes simultáneamente. 3 y 5 y analizando solamente la inuencia sobre las medidas adyacentes a la línea sospechosa.

3: Inuencia del error en la susceptancia de una línea sobre las me- didas adyacentes. Copyright P. con distintas clases. cuando se procesan siete estados si- multáneamente. Zarco & A. Gómez-Expósito . 118 Resultados Experimentales de la Estimación de Estado y de Parámetros Figura 6.

los errores de los valores estimados obtenidos son mayores. Relación con el nivel de error en las medidas 119 La conclusión que se puede obtener de estas guras es la misma que se obtuvo en el Apartado 6. con distintas clases. Con objeto de apreciar más claramente el efecto benecioso que la esti- mación proporciona. es decir. Zarco & A. en la Figura 6. (b): Se estima procesándose siete estados simultáneamente. Gómez-Expósito . • Estimando el parámetro erróneo utilizando siete estados simultáneamen- te (línea continua). para distintos niveles de errores en las medidas.4 se muestra la inuencia sobre las medidas adyacentes.3. al aumentar los errores de las medidas de las que se dispone. que los estados estimados son insensibles a los errores en los parámetros y ello independientemente del nivel de error de las telemedidas. Cada una de las grácas representa la media de la ejecución de sesenta estimaciones de estado. Además. cuando solamente existe error en la susceptancia de una línea: • Sin estimar el parámetro erróneo (línea discontinua). cuando: (a): No se realiza estimación de parámetros. Figura 6.4: Inuencia del error en la susceptancia de una línea sobre las medi- das adyacentes. Copyright P.

8 0 0.84 .2 2.2 3 6.3 se presenta el error del parámetro estimado y la relación entre el error medio de las telemedidas y el error del parámetro estimado.90 3.5 1 2.6 Tabla 6.65 4.2 13.2 2.65 3. 120 Resultados Experimentales de la Estimación de Estado y de Parámetros Clase Error medidas usadas Error medidas usadas sin est.85 .53 8.95 4.7 8.73 1.1 14. Gómez-Expósito .70 1. todo ello con diferentes niveles de errores en las medidas. Zarco & A. parámetro estimando parámetro 5 11.10 5. Hay que hacer notar en esta gura que la no coincidencia de valores cuando el error en el parámetro es 0 % es debido a que los errores en las medidas usadas cuando no se estima el parámetro y cuando sí se estima es distinto.52 2. el número de estados utilizados es siete veces mayor. (b): Error del parámetro estimado (%).70 1. mientras que cuando sí se estima.27 1.3: Errores de los parámetros estimados para diferentes niveles de erro- res en las medidas y redundancia completa.4 14.5 2. Por último.2 4 8.38 3.4 2.0 Tabla 6.4 7 8.56 1.5 1 8. según se aprecia en la Tabla 6. en la Tabla 6.20 4. estados (a) (b) (a/b) 14. Esto es lógico ya que cuando no se estima el parámetro se utilizan sesenta estados distintos como ya se ha indicado. Núm.26 3. De los resultados presentados en dicha tabla se puede concluir que: Copyright P. (a): Error medio de las telemedidas (%). ya que para cada estimación del parámetro se usan siete estados distintos.2: Errores de las medidas adyacentes utilizadas sin estimar parámetro y estimándolo.27 4. distinto número de estados utilizados simultáneamente y redundancia completa.2.0 0.

Ambos casos para distintos niveles de errores en las medidas y cuando se utilizan siete estados simultáneamente para realizar la estimación.6 se analizó la inuencia que tenían el tipo de medidas disponibles y los errores en los parámetros sobre la estimación de estado. Inuencia del tipo de medidas disponibles 121 • El error del parámetro estimado es proporcional al error medio del con- junto de medidas. la relación que existe entre el error medio de las telemedidas (cociente entre los va- lores de la columna (a)).4 y 6. cuando se dispone de medidas de ujos de potencia. la inuencia del parámetro erróneo es mucho mayor que cuando se dispone de medidas de inyecciones.5 Inuencia del tipo de medidas disponibles En el Apartado 3. 6. prestando atención en ambas tablas a las columnas de errores de las medidas y de errores de las medidas estimadas se puede observar que la estimación obtenida cuando existen medidas de ujos es mucho mejor que la que se obtiene cuando se dispone únicamente de medidas de inyecciones. es casi igual a la existente entre los errores del parámetro estimado (cociente entre los valores de la columna (b)). que relaciona el error medio de las medidas y el e- rror del parámetro estimado. Asimismo. siendo la inuencia en este último caso casi nula. a juzgar por la constancia de la columna de la derecha para un mismo número de estados. Resultados similares se obtienen al analizar los valores obtenidos cuando se realiza la estimación utilizando cuatro estados simultáneamente y uno. llegándose a la conclusión de que.5 se muestran los resultados obtenidos al realizar la estimación de parámetros cuando se dispone únicamente de medidas de tensiones e inyecciones de potencia y cuando se dispone de tensiones y ujos de potencia respectivamente. Zarco & A. si se consideran los resultados obtenidos cuando se realiza la estimación utilizando siete estados simultáneamente. Así. en las Tablas 6. En el presente epígrafe se van a mostrar los resultados experimentales obtenidos al realizar la estimación cuando se dispone de distintos tipos de medidas. De dichas tablas se puede obtener la conclusión de que se obtienen óptimos resultados independientemente del error que tenga el parámetro de la línea sospechosa. • El ratio utilizado. Así. sólo es función del nivel de redundancia de dichas telemedidas. Gómez-Expósito . Copyright P.

122 Resultados Experimentales de la Estimación de Estado y de Parámetros Clase Error Errores medidas Errores medidas parám.64 0 4.69 1.64 2.4: Inuencia del error de la susceptancia de una línea cuando sólo se dispone de medidas de tensiones e inyecciones y se estima dicho parámetro.0 25 0. Copyright P.0 0 1.0 25 0.93 0 8.90 25 8.0 0 10 0.5: Inuencia del error de la susceptancia de una línea cuando sólo se dispone de medidas de tensiones y ujos y se estima dicho parámetro.0 0.34 25 5.46 Tabla 6.69 0 5.0 0. Gómez-Expósito .08 5. Zarco & A.69 1 10 1.22 14.78 25 1. (%) estimadas (%) utilizadas (%) 0 0.46 5 10 8.08 0 8.22 Tabla 6.93 8.46 8.0 0 10 0.22 5 10 8.37 25 4.93 3 10 4. Clase Error Errores medidas Errores medidas parám. (%) estimadas (%) utilizadas (%) 0 0.73 25 8.64 1 10 1.95 25 1.08 3 10 5.0 0 1.

5: Media del error de las medidas / Error del parámetro estimado frente al número de estados procesados simultáneamente con diferente redun- dancia. tal y como se estudió en la Sección 6. pero añadiendo además las curvas correspondientes a cuando se dispone de medidas de tensiones e inyecciones y cuando se dispone de medidas de tensiones y ujos. Inuencia del tipo de medidas disponibles 123 También es interesante conocer qué resultados se obtienen de la estimación en función del número de muestras utilizadas. Figura 6.5 se representa el cociente entre el error medio de las medidas usadas y el error del parámetro estimado cuando el número de estados diferentes utilizados varía desde uno hasta veinticinco tal y como se hizo en la Figura 6. en la Figura 6.3. ya que como se vio en al Apartado 3. Para ello. • Las medidas de inyecciones de potencia no son las adecuadas para re- alizar una buena estimación. Zarco & A. Las tres curvas se han representado en la misma gura para poder analizar más claramente su inuencia. pero ahora desde el punto de vista del tipo de medidas disponibles.6 dichas medidas son menos sensibles a los errores en los parámetros que Copyright P. Gómez-Expósito . pudiéndose concluir que: • A medida que aumenta el número de estados procesados simultáneamen- te la estimación realizada es mejor.1.

Por lo tanto. cosa que en la red IEEE-14 no ocurre. Zarco & A. dicha inuencia sólo se ha mostrado cuando existía un única línea errónea.4 y 6. mayor es la inuencia que tienen los errores en los parámetros. los resultados experimentales obtenidos corresponden a un único parámetro erróneo. las guras que se presentan se han realizado. se han elegido cinco líneas distintas y escogidas arbitrariamente mediante un genera- dor de números aleatorios. al considerar que son cinco las líneas erróneas que se tienen y hacerse el ensayo sobre la red IEEE-14. se está suponiendo que el 25 % de la red completa es errónea.6 se representa la inuencia de los errores de las susceptan- cias de cinco líneas sobre las medidas de toda la red cuando no se estiman los parámetros.5. Asimismo. al igual que el resto de las mostradas anteriormente. Las conclusiones que se obtienen de dicha gura son idénticas a las obteni- das en el Capítulo 3 cuando se analizó la inuencia de una única línea errónea. en cada uno de esos ensayos. esta conclusión coincide plenamente con la apreciada en las Tablas 6. 124 Resultados Experimentales de la Estimación de Estado y de Parámetros las medidas de ujos. • Cuanto más exactas sean las medidas de las que se dispone. es decir: • Existe un notable deterioro a medida que el error en el parámetro crece. Sin embargo. Además. diferentes errores en los parámetros y representando cada punto la media de sesenta ensayos realizados con el n de que la muestra sea es- tadísticamente representativa. por lo que se trata de un caso muy desfavorable. al elegir aleatoriamente las cinco líneas. la cual posee veinte líneas en total. Además. Si se hubiese utilizado la red IEEE-118. ya que las líneas erróneas se encuentran muy próximas unas de otras.6 Estimación de varios parámetros simultánea- mente Hasta el momento siempre se ha discutido acerca de la inuencia tan negativa que tienen los errores de los parámetros sobre la estimación de estado. para distintos niveles de errores en las medidas. estas normalmente estarán tan alejadas unas de otras que sus errores son independientes unos de otros. Gómez-Expósito . Copyright P. En particular. En esta sección se va a mostrar lo que ocurre cuando existe más de un parámetro erróneo y los resultados experimentales obtenidos. En la Figura 6. 6.

El hecho de utilizar siete estados diferentes simultáneamente. son exactas. es debido a que se considera que éste es un compromiso bueno entre la exactitud de la estimación y el tiempo empleado en el procesamiento. como se hizo anteriormente. en la Figura 6. los valores de los Copyright P. Por último. En particular. es decir. Optimalidad de los parámetros estimados 125 Figura 6.6: Inuencia del error en la susceptancia de cinco líneas sobre las medidas de toda la red.7 Optimalidad de los parámetros estimados Uno de los resultados más importantes obtenidos es el hecho de que para un conjunto de medidas con un determinado nivel de error. En dicha gura se puede observar que los estados estimados son insensi- bles a los errores en los parámetros a pesar de ser cinco las líneas erróneas y encontrarse tan próximas unas de otras. es digno de destacar la notable inuencia que tiene el au- mento del error en los parámetros cuando las telemedidas de las que se dispone no tienen errores.7 se muestran los resultados obtenidos cuando se estiman los parámetros de las cinco líneas erróneas utilizando siete estados diferentes simultáneamente. con distintas clases. Gómez-Expósito . Zarco & A. 6.

Gómez-Expósito . con distintas clases. Copyright P. cuando se procesan siete estados simultáneamente. 126 Resultados Experimentales de la Estimación de Estado y de Parámetros Figura 6. Zarco & A.7: Inuencia del error en las susceptancias de cinco líneas sobre las medidas de toda la red.

090 coincide con el valor exacto del parámetro.3. Esto es debido al hecho de no haber utilizado la información previa existente sobre el parámetro.3. siendo las medidas de las que se dispone de clase 1. Zarco & A. parámetros estimados son los mismos independientemente del valor de partida de dicho parámetro.6. pero las medidas de las que se dispone son de baja calidad. si el valor de partida del parámetro es muy bueno.806 -8. para distintos valores de partida de dicho parámetro.000 -8.1. por lo que se puede observar que el error cometido al realizar su estimación es de un 2. junto con las conclusiones obtenidas de la Tabla 6.906 -8.906 -9. Este valor de partida del parámetro corresponde al dato que se conoce de él. y por lo tanto estimarse el parámetro de acuerdo con la información proporcionada por las telemedidas que se poseen. indican que los parámetros estimados son óptimos para un determinado nivel de ruido y para una redundancia de las medidas utilizadas.270 -8. tal y como se discutió en el Apartado 5.090 -8.02 %. ya que dicha información sólo se ha usado en el primer jacobiano. y viceversa. el valor de partida −9. es posible que el parámetro estimado sea peor que el de partida.906 -9. es casi exacto. es decir. Esta tabla. en la que se muestran los valores estimados del parámetro de la línea que une los nudos 7 y 9. Copyright P. Optimalidad de los parámetros estimados 127 Parámetro de partida Parámetro estimado -8. Gómez-Expósito . Así. En concreto.6: Valores estimados del parámetro para distintos valores de partida de éste. lo cual es lógico. Este resultado se puede observar en la Tabla 6.906 Tabla 6.906 -9. De ahí la importancia de la selección previa de las líneas sospechosas.900 -8.

como se obtuvo en el Apartado 6. usando la misma redundancia y con el mismo nivel de error en las telemedidas. no se ha hecho uso de la información previa existente sobre el parámetro.7. Esto se ha realizado para la misma línea utilizada en el Apartado 6.8 Resultados del estimador con los parámetros mejorados Una vez que se ha estimado el parámetro erróneo de una determinada línea.7. Zarco & A. y se ha obtenido el resultado representado en la Tabla 6. 6.6 pero utilizando como valor de partida del parámetro el mismo que se había obtenido de una estimación anterior y que. es óptimo para un determinado nivel de ruido y redundancia de las medidas utilizadas. Por lo tanto se puede concluir que. 6. De esta manera.9 Resumen En este capítulo se han presentado los resultados experimentales obtenidos al realizar la estimación de estado y de parámetros. se está considerando el mismo efecto que el ltro de Kalman de forma recursiva.906 -8. Se puede observar que el nuevo parámetro estimado es el mismo que el estimado con anterioridad ya que. no se obtiene ninguna mejoría. 128 Resultados Experimentales de la Estimación de Estado y de Parámetros Parámetro de partida Parámetro estimado -8. y al igual que se hizo en el Capítulo 3. Ésta es similar a la Tabla 6. Además. podría caber la posibilidad de utilizar el nuevo valor para volver a realizar la estimación con objeto de obtener un renamiento mayor en el parámetro estimado.906 Tabla 6. la que une los nudos 7 y 9. Gómez-Expósito . como se dijo anteriormente. es decir.7: Valor estimado del parámetro cuando se parte de un valor estimado previamente. Dichos resultados se han obtenido utilizando la red IEEE-14 como si se tratase de una subred en la que se encontrasen las líneas sospechosas objeto de estudio.7. para que los resultados puedan considerarse válidos desde un punto de vista estadístico se Copyright P. de una sola vez. si se utiliza el estimador con los pará- metros que previamente se hayan estimado.

los valores de los parámetros estimados son los mismos independientemente del valor de partida de dicho parámetro. Seguidamente. Esto es debido Copyright P. Zarco & A.3 se ha analizado la inuencia del número de muestras usadas. A continuación. además de las conclusiones del Epígrafe 6. Lo primero que se ha hecho en este capítulo ha sido justicar la utilización de los parámetros de las líneas sospechosas como admitancias con objeto de realizar una menor manipulación de las ecuaciones y evitar las posibles singula- ridades que pudieran presentarse al considerar dichas líneas abiertas (Apartado 6. en los Apartados 6. habiéndose obtenido como resultados que: • A medida que aumenta el número de estados procesados simultáneamen- te la estimación realizada es mejor. Resumen 129 han utilizado para cada uno de los puntos considerados en cada una de las curvas representadas la media de sesenta estimaciones diferentes.7 y 6. concluyéndose que: • El error del parámetro estimado es proporcional al error medio del con- junto de medidas. En el caso de que existan varios parámetros sospechosos.5). En el Epígrafe 6. obteniéndose unos resultados que son tan buenos como los obtenidos cuando sólo se estimaba un único parámetro (Sección 6. se han estudiado los resultados obtenidos teniendo en cuenta el nivel de error en las medidas.3.6).4. Por último. al estudiar la inuencia del tipo de medidas disponibles (Apartado 6. éstos pueden estimarse conjuntamente.8 se han obtenido unos resultados sumamente interesantes: • Para un conjunto de medidas con un determinado nivel de error. en el Apartado 6.2). • La relación entre el error medio de las medidas y el error del parámetro estimado sólo es función del nivel de redundancia de dichas telemedidas. ya que son menos sensibles a los errores en los parámetros que las medidas de ujos. se ha obtenido que las medidas de inyecciones de potencia no son las adecuadas para realizar una buena estimación. • Los parámetros estimados son óptimos para un determinado nivel de ruido y para una redundancia de las medidas utilizadas. Gómez-Expósito . • Los estados estimados son insensibles a los errores en los parámetros.

si se tiene la misma redundancia y se dispone de telemedidas con el mismo nivel de error. por lo tanto. Zarco & A. Gómez-Expósito . 130 Resultados Experimentales de la Estimación de Estado y de Parámetros al hecho de no haber utilizado la información previa existente sobre el parámetro y. • No se obtiene ninguna mejora si se utiliza el estimador con los parámetros que previamente se hayan estimado. estimarse el parámetro de acuerdo con la información proporcionada por las telemedidas que se poseen. Copyright P.

August 1996. 131 Copyright P. Dresden. Zarco & A.. Proceedings 12th. Power System Computation Con- ference. O-line Determination of Network Parameters in State Estimation. Gómez A. Bibliografía [1] Zarco P. Gómez-Expósito . pp. Germany. 1207-1213..

Gómez-Expósito . Zarco & A. 132 BIBLIOGRAFÍA Copyright P.

tratamiento de errores no gaussianos y errores topológicos. Capítulo 7 Aspectos Relacionados con la Estimación 7.1 Introducción Entre las funciones de cualquier centro de control. Zarco & A. una de las más importantes es el análisis de seguridad del sistema. Gómez-Expósito . 133 Copyright P. que serán los que se tratarán en el presente capítulo. Para llevarla a cabo son necesarios una serie de módulos entre los que se encuentran los siguientes: • Filtrado de grandes errores • Estimación de estado • Observabilidad • Tratamiento de errores no gaussianos • Topología de la red • Modelado de la red externa • Previsión de carga • Reparto de carga • Contingencias Íntimamente relacionados con la estimación de estado se encuentran los módulos de análisis de observabilidad.

Para ello utiliza las medidas analógicas junto con la conguración del sistema proporcionada por el proce- sador topológico. • Identicación de redes observables. se puede obtener un estado estimado del sistema y la red es observable. ya que im- plícitamente se supone que los errores existentes son pequeños.2 Observabilidad La estimación de estado procesa un conjunto de medidas redundantes que per- mite estimar el estado del sistema de potencia. aunque temporalmente puede no serlo debido a que se produzcan cambios no previstos en la topología de la red o fallos en los sistemas de comunicación. Si el conjunto de medidas es suciente en número y geográcamente bien dis- tribuidas. ya que en condiciones de operación normales sólo hay un ligero acoplamiento Copyright P. Así. La mayoría de los algoritmos de observabilidad se basan en una aproxi- mación al modelo de red linealizado desacoplado similar al modelo en el que se analizan separadamente las porciones de la red (P − θ) y (Q − V ). Zarco & A. en la práctica se analizan separadamente la observabilidad de (P − θ) y (Q − V ). y por lo tanto si la red es observable. si el conjunto de medidas es suciente. pero ocasional- mente ocurre que existen errores no gaussianos debido a fallos en las medidas o a otras razones. Un análisis de observabilidad debe incluir: • Test de observabilidad. Asimismo. Así. • Ubicación de medidas. 7. es necesario saber si existen errores no gaussianos. el estimador de estado proporcionará un estimado del estado del sistema y la red será observable. y geográcamente están bien distribuidas. Otro de los aspectos estrechamente relacionados con la estimación es la identicación y estimación de los errores topológicos a n de disponer de la verdadera conguración de la red. 134 Aspectos Relacionados con la Estimación Antes de realizar la estimación de estado es necesario saber si es posible realizarla. los parámetros de la red y quizá alguna pseudomedida. Gómez-Expósito . o en qué parte se puede realizar la estimación. Por lo general un sistema se diseña para ser observable en la mayoría de las condiciones de operación.

Por lo tanto.1) V donde θ es el vector de fases de las tensiones de los nudos cuya dimensión es N − 1 y V es el vector de tensiones de los nudos cuya dimensión es N . Por lo tanto. En este modelo la matriz jacobiano de las medidas se aproxima mediante " # HP θ 0 H≈ (7. el vector de estado se puede dividir en " # θ x= (7.6) 0 = CP θ ∆θ (7.7) Copyright P. V ) νQ Igualmente. de forma análoga.2) zQ hQ (θ. el vector de telemedidas z se puede dividir en dos subvectores zP y zQ .3) HQθ HQV En las condiciones de operación normales en las que las magnitudes de las tensiones de la red están próximas a uno en por unidad y las diferencias entre ángulos entre nudos adyacentes son pequeñas hay poco acoplamiento entre zP y V y entre zQ y θ. Zarco & A. De este modo las ecuaciones de las medidas quedan: " # " # " # zP hP (θ. De una manera análoga. Observabilidad 135 entre las fases y los ujos de potencia reactiva y entre las tensiones y los ujos de potencia activa. la matriz jacobiano de restricciones se puede aproximar por " # CP θ 0 C≈ (7. una aproximación al modelo de red desacoplado lineal modela exactamente las relaciones entre dichas cantidades. conteniendo zP las telemedidas de potencia activa y zQ las telemedidas de potencia reactiva y las medidas de tensiones.4) 0 HQV y.5) 0 CQV El modelo aproximado desacopla las ecuaciones de las medidas y las res- tricciones en las ecuaciones de (P − θ) y (Q − V ): ∆zP = HP θ ∆θ + νP (7. V ) νP = + (7. la matriz jacobiano se puede escribir como: " # HP θ HP V H= (7. Gómez-Expósito .

i = 1.8) 0 = CQV ∆V (7. Zarco & A. Para la determinación de la observabilidad también existen métodos topo- lógicos como los propuestos en [17. Copyright P. el test de observabilidad de las ecuaciones (P − θ) y (Q − V ) se puede realizar separadamente y por lo tanto. es necesario un umbral numérico para los elementos de U y declarar que todos los elementos de U cuyos valores sean inferiores a dicho umbral son cero. . con aritmética de precisión nita. En la práctica.1 Test de observabilidad En [24. Por ello. 7. . 21.2. 31]. .9) Como consecuencia. N .12) T T C H 0 Si la red es observable entonces K es no singular.11) 0 0 donde U11 es una matriz triangular superior de dimensión (N − l) x (N − l) y elementos diagonales positivos. 2. 26] se propone un test numérico de observabilidad basado en la determinación del rango de H mediante la factorización triangular de la matriz de ganancia: G = HT W H = U T U (7. Por otro lado. En [38] se propone un método de observabilidad numérica basado en la matriz de coecientes del método de la matriz aumentada de Hachtel (2.33):   0 0 C  K =  0 αW −1 H   (7. entonces el proceso de factorización nalizará y U será de la forma " # U11 U12 U= (7.10) Si H es de rango N . si el rango de H es menor que N . es decir. . 25. el análisis que se desarrolla a continuación se reere al problema activo. La elección de dicho umbral dependerá tanto de la red como del ordenador utilizado. los elementos de la matriz que teóricamente tienen valor cero debido a sustracciones no lo serán exacta- mente. N − l. Gómez-Expósito . 136 Aspectos Relacionados con la Estimación y ∆zQ = HQV ∆V + νQ (7. entonces G es no singular y se puede hallar una matriz triangular superior U tal que Uii > 0.

Zarco & A. Cuando se detecta que una red no es observable se puede utilizar un al- goritmo de observabilidad que permita procesar una lista de pseudomedidas candidatas y que determine el número mínimo necesario de éstas para que la red sea observable. Utilizando como medidas cticias ujos de potencia nulos en la red.13) 0 0 θ2 0 o U11 θ1 = −U12 θ2 (7. 31]. Copyright P. U tiene un bloque de ceros en su parte inferior. En [12] se referencian diversos métodos de procesamiento de las pseudomedidas. Esto se puede realizar: • Utilizando pseudomedidas que aumenten las medidas obtenidas en tiem- po real. La unión de todas las islas observables que contienen más de un nudo identica la porción observable de la red. Si lo que se hace es determinar la porción observable de la red y calcular el estado estimado de esa zona solamente.11). Una vez resuelta la ecuación anterior para θ1 . Gómez-Expósito . Éstas son normalmente inyecciones en nudos cuyos valores se estiman mediante algún tipo de previsión de carga en el nudo y se localizan en aquellos cuyas inyecciones no son medidas. • Calculando el estado estimado de la porción de red que es observable. entonces todos los nudos que pertenecen a la misma isla observable tienen la misma fase y resolviendo el sistema mediante eliminación gaussiana se obtiene el siguiente sistema de ecuaciones: " #" # " # U11 U12 θ1 0 = (7. La porción de red observable se puede identicar también utilizando un algoritmo topológico como los propuestos en [10.2. se puede utilizar el método propuesto en [25] que se basa en que cuando H no es de rango completo. todos los nudos que tengan la misma fase pertenecen a la misma isla. Observabilidad 137 7. incluyendo las triviales que sólo contienen un nudo.2 Identicación de redes observables Aun cuando la red no sea observable es deseable determinar una porción del estado estimado. En el primer caso.14) El número de islas observables es igual a la dimensión de θ2 . además de las medidas obtenidas en tiempo real se utilizan las pseudomedidas. Es importante que el conjunto de pseudomedidas utilizadas sea mínimo debido a que un número excesivo de éstas puede degradar la exac- titud de la estimación de la porción observable de la red. según (7.

Los primeros planteamientos del problema se hicieron en [7. 32] pero ninguno de estos métodos propuestos ha proporcionado un procedimiento sis- temático que pueda utilizarse como criterio de emplazamiento óptimo de las medidas. que se utiliza para determinar un conjunto de medidas. 15. Copyright P. 138 Aspectos Relacionados con la Estimación 7. en técnicas de resolución heurísticas o en una combinación de ambos.2. Pero este tipo de problemas en sistemas de gran dimensión son muy difíciles de resolver de una manera exacta.3 Ubicación de medidas Como se dijo anteriormente. El diseño de un sistema de medidas que permita realizar la estimación de estado es un problema complejo. un análisis de observabilidad debe incluir también el estudio de la ubicación de medidas. Una formulación rigurosa del emplazamiento óptimo de las medidas se basaría en la resolución de un problema de programación binario (0 ó 1) ya que una determinada medida en un punto determinado o se encuentra pre- sente o no se encuentra. Los componentes de dicho vector son las denominadas cantidades de interés.15) sujeto a: σy2i ≤ βi2 siendo: σy2i la varianza de la variable aleatoria yi . no sólo por el tamaño del problema. Se dene un vector y de dimensión k que se desconoce debido a los errores aleatorios que existen en las medidas. denominado método de eliminación secuencial. El sistema de medidas se elige optimizando la exactitud de y mediante la formulación del siguiente problema de optimización: k P minimizar J = σy2i /βi2 i=1 (7. βi2 un determinado límite superior de σy2i . Zarco & A. por lo que los sistemas propuestos para el emplazamiento de las medidas se basan en la for- mulación de problemas no rigurosos. Gómez-Expósito . facilidad de adaptación ante cambios en la topología de la red y minimización del costo del sistema. Py . Para poder evaluar J es necesario calcular los elementos de la diagonal de la matriz de covarianzas de y . En [19] se describe un procedimiento heurístico. seguridad ante fallos en los transductores. sino también por los requerimientos de la exactitud del estimador.

En lugar de calcular Py analíticamente se utiliza la simulación de Monte Carlo. Analizando un momento determinado del proceso. ya que el cálculo de Py es muy costoso para sistemas de gran dimensión. Errores no gaussianos 139 El método comienza utilizando medidas en todos los posibles nudos del sis- tema y posteriormente se van eliminando sistemáticamente las medidas una a una. las medidas se añaden con objeto de disminuir la sensibilidad de J a la pérdida de medidas y datos con errores no gaussianos. 7. Gómez-Expósito . Sin embargo. La eliminación de las medidas nalizará cuando al eliminar alguna de las que queden se provoque una violación de las restricciones o cuando se alcance un número de medidas especicado. Este método se ha usado ampliamente en la red de transporte noruega habiéndose obtenido buenos resultados tanto cuando el conjunto de medidas iniciales como cuando las condiciones de carga cambian. no se garantiza que se llegue a una solución globalmente óptima. Basándose en modicaciones y extensiones de este método. en [1] se des- cribe otra metodología de emplazamiento de las medidas. el méto- do es sensible a la variación de la topología de la red. Debido a este segundo defecto. Esta tercera fase continúa hasta que el número de medidas añadidas sea igual al de eliminadas en la segunda fase. Esta fase continúa hasta que se alcanza un determinado nivel de redundancia. En la primera fase se utiliza el método de [19] para seleccionar las medidas que se van a eliminar. Zarco & A. por lo que se recomienda la utilización de puntos de medida adicionales que permitan al sistema de medidas ser más robusto ante cambios topológicos. Este método tiene dos defectos: las restricciones económicas no se modelan directamente y la técnica de optimización es heurística. modelado incorrecto de los transformadores o Copyright P. Esto se realiza con objeto de permitir la reinserción de medidas en la tercera fase del algoritmo. El método propuesto se divide en tres fases. un determinado número de medidas adicionales se eliminan utilizando el mismo método de eliminación de la fase anterior. En la segunda fase. la medida que provo- ca el menor incremento de J y no causa violaciones en las restricciones de desigualdad es la que se eliminará. En la tercera fase.3 Errores no gaussianos Los errores no gaussianos pueden ser debidos a: • Errores en los parámetros tales como posicionamiento incorrecto del in- tercambiador de tomas.

3. 140 Aspectos Relacionados con la Estimación incorrectas impedancias de ramas. es decir.3. y se plantea como un problema de test estadístico con las siguientes hipótesis: • H0 : No existen medidas erróneas. Determinación de la presencia de errores no gaussianos. Eliminación de las medidas erróneas del estado estimado o su sustitución. Aunque los errores pertenezcan al primer grupo. por ello estos son los errores de los que se ocupa el módulo de análisis de errores no gaussianos. • Dispositivos de medidas erróneos o errores en la transmisión de datos. Gómez-Expósito . El análisis de errores no gaussianos consta de tres etapas: 1. 2. • H1 : Lo anterior es falso. debido posiblemente a la actualización manual de las posiciones de los interruptores o a la descripción incorrecta de la topología de la red. Los errores de las medidas se pueden clasicar en uno de los siguientes grupos: • Error extremo: |medida . • Error grosero: |medida .valor exacto| = (5 ÷ 20) σ . Zarco & A. Identicación de qué medidas son erróneas. pueden ser ltrados mediante un análisis previo antes de comenzar las iteraciones de la estimación de estado.1 Determinación de la presencia de errores La presencia de medidas erróneas queda reejada en los residuos de las me- didas. Copyright P. Los errores del segundo grupo son peligrosos debido a que pueden conducir a resultados no ables. si la redundancia local lo permite. en la diferencia entre los valores de las telemedidas y las esti- madas [37].valor exacto| < 5 σ .valor exacto| > 20 σ . • Topología de la red incorrecta. 7. • Ruido normal: |medida .

22) donde x̂ es la variable estimada y ẑ es la medida estimada. por lo que J(x) es una χ2 de Pearson de k grados de libertad: χ2 = ν12 + ν22 + ν32 + . Gómez-Expósito . . La identicación se basa en suponer que la medida de mayor residuo normalizado es errónea.21) r = z − ẑ (7.3.2 Identicación de medidas erróneas Después de la detección de medidas erróneas se procede a identicar cuáles son. Considerando z = h(x) + ν (7.17) J(x) se obtiene como suma de los cuadrados de variables aleatorias inde- pendientes con distribución normal cuya media es 0 y su desviación típica es σ .24) E(νν T ) = R (7.19) n = 2N − 1 (7. Errores no gaussianos 141 Para proceder a la aceptación de una de las dos hipótesis se utiliza el test del índice J(x): J(x) = ν T W ν (7.16) siendo ν = z − h(x) (7. Zarco & A. + νk2 (7. . sea 1 − α.18) con k = m−n (7.23) con E(ν) = 0 (7.25) Copyright P. en donde α es el nivel de conanza.20) Si el valor calculado de J(x) es menor que un cierto umbral χα se acepta la hipótesis H0 y en caso contrario H1 . Sea rx el residuo de las variables de estado y r el residuo de las medidas: rx = x − x̂ (7. 7. Dicha constante se elige de forma que la probabilidad de rechazar la hipótesis H0 . El valor χα es una constante que se calcula de la distribución χ2 . supuesta ésta cierta.

Zarco & A. Gómez-Expósito .p se puede deducir.33) siendo D una matriz diagonal y T una matriz triangular superior cuya diagonal es cero. Por lo tanto. Si J(x) > χ2m−n.29) (Pz )ii Para identicar el dato erróneo es necesario calcular los elementos de la diagonal de Pz : XX (Pz )ii = Rii − Hij (H T W H)−1 T jk Hki (7. por lo que sólo están implicados los elementos de la matriz H T W H que son distintos de cero antes de invertir y se puede utilizar el método de la matriz inversa dispersa [35. que al menos una medida es errónea.31) por su forma factorizada: LDLT Z = I ⇒ LT Z = D−1 L−1 (7.32) Deniendo la matriz T = I − LT se puede expresar (7. 142 Aspectos Relacionados con la Estimación se puede demostrar [14] que (ver Apéndice A): E(rx ) = 0 (7.31) Sustituyendo A en (7. con una probabilidad de error p.32) como: Z = D−1 L−1 + T Z (7. Sea A una matriz simétrica dispersa cuya inversa es Z : AZ = I (7.27) E(rrT ) = Pz = R − HG−1 H T (7. 40] como se detalla a continuación.30) j k De aquí se deduce que los elementos (H T W H)−1 jk necesarios son aquellos que cumplen que Hij HijT 6= 0. De este razonamiento hay que hacer especial mención de que: Copyright P. siendo la medida que tiene mayor residuo normalizado rN la que se considera errónea [9] y siendo ri rN = q (7.26) E(rx rxT ) = Px = (H T W H)−1 = G−1 (7. los residuos tienen una distribución normal con media cero y covarianza igual a los elementos de la diagonal de Pz y J(x) es una χ2 de m − n grados de libertad.28) siendo Px la matriz de covarianzas de la estimación y Pz la residual.

36) k siendo k > i. la diagonal de D−1 L−1 es igual a D−1 .3. • La matriz Z es simétrica debido a que A lo es.34) Hay que destacar que debido a la peculiar estructura de T .3 Eliminación de medidas erróneas Por último. por lo que para calcular Z es suciente con calcular su parte superior Zs . Gómez-Expósito . para nalizar el análisis de errores no gaussianos. los elementos Zij tales que j ≥ i.37) (Pz )ii siendo: zin la medida nueva. ẑi la medida estimada. siendo: Zs = D−1 + T Z (7. es decir. 7. Zarco & A. Existen dos formas de sustituir o eliminar las medidas falsas: Copyright P. Por lo tanto. Errores no gaussianos 143 • La matriz L es una matriz triangular cuya diagonal es unitaria y por lo tanto. se procede a la eliminación de las medidas erróneas o a su sustitución por σi2 zin = zie − q (zie − ẑi ) (7. el cálculo de los elementos de la la k de Zs sólo requiere el uso de los elementos de las las procesadas anteriormente: X zii = dii + tik zki (7.35) k X zij = tik zkj (7. su inversa tiene las mismas propiedades. zie la medida errónea. L−1 no se utiliza en el cálculo de Zs . es decir. y que para calcular zij es necesario encontrar previamente todos los elementos zkj con k tal que tik 6= 0.

El criterio que se considera en estos Copyright P. cuando se indica que se encuentra cerrado y abierto al mismo tiempo. 144 Aspectos Relacionados con la Estimación • Eliminación ordenada. Si la información estática es incorrecta el modelo será erróneo. las medidas analógicas y las tomas de los transformadores. 7. cuando se produce un fallo en la transmisión o se queda incomunicada la subestación durante un periodo de tiempo. Esta indenición de la posición del interruptor o seccionador es la que obliga a suponer una posición del interruptor. Si la detección vuelve a ser positiva se sustituye la medida que tenga ahora el mayor residuo y así sucesivamente. En el primer caso se sustituye la medida cuyo residuo sea mayor y se vuelve a estimar el estado con la nueva medida. Esta información. Zarco & A.4 Errores topológicos El modelo de la red está basado en la información estática provista en la inicialización de la base de datos y en la información dinámica recogida por el SCADA. La información que describe la red no cambia desde la ejecución de una estimación de estado a la siguiente. como ocurre con los generadores. Esto normalmente ocurre cuando aparece parpadeando la indicación del posicionamiento de los interruptores. Esto mismo puede ocurrir en los seccionadores. se encontrará de verdad conectada a la barra B cuando se cierre el acople. mientras el acople se encuentre abierto la topología de la red será errónea. • Eliminación por grupos. Por lo tanto. tanto estática como dinámi- ca es la que se utiliza para analizar la red. La mayor fuente de errores topológicos es el no conocimiento o conocimiento incorrecto del estado de los interruptores. También puede ocurrir que se cambie la posición del interruptor manual- mente y el operador no actualice esta modicación. una línea que físicamente está conectada a la barra A pero que se ha representado conectada a la barra B. La información dinámica la proporciona el SCA- DA indicando la posición de los interruptores. etc. Gómez-Expósito . Un ejemplo típico de esto es la conexión de una línea a un embarrado. Así. etc. transformadores. En el segundo caso se sustituyen todas las medidas correspondientes a residuos mayores a un cierto valor. líneas. los cuales normalmente no se encuentran telemandados y cuya operación se realiza localmente.

En el caso de que la estimación no converja no se tendrá ningún punto de inicio por lo que los métodos dependen enormemente de las condiciones y características de la operación.1 Identicación y estimación de errores topológicos Este problema se ha estudiado desde diversos puntos de vista. Así. 11]. La mayoría de los métodos de identicación de errores topológicos se llevan a cabo una vez que se ha realizado la estimación de estado satisfactoriamente a pesar de existir errores topológicos. Otros métodos se basan en un reparto de carga local y detectan un error topológico si los índices calculados después del reparto de carga exceden los límites establecidos [5. en [20] se restringe el área del problema ya que se selecciona mediante el número de medidas erróneas detectadas en los nudos adyacentes y se realizan múltiples estimaciones de estado para todas las posibles combina- ciones de los interruptores en una o más de las subestaciones sospechosas. una después de otra. entonces el estado original se considera falso. los residuos se ven afectados en gran medida por los errores gaus- sianos y no gaussianos de las medidas analógicas. Además. 7. La correcta combinación del estado de los interruptores proporcionará el residuo mínimo. • Detección falsa de medidas erróneas.4. Esta suposición se utiliza para la realización de los cálculos pertinentes de la estimación pero no implica. Gómez-Expósito . realizando una estimación de estado en cada caso. Estos errores topológicos afectan al estimador de estado y esto conduce a: • Obtención de un vector de estado incorrecto. en [22] se propone el estudio basándose en el cambio del estado de las ramas sospechosas. • Violaciones erróneas de límites. Posteriormente. En algunos casos los errores Copyright P. Errores topológicos 145 casos puede ser el considerar la posición de explotación normal de ese elemento o la posición más reciente en la que se encontraba. • Entradas incorrectas en otras funciones de análisis. y si después de invertir el estado de la rama los residuos obtenidos están dentro de un umbral. que el estado de la red sea el correcto. lógicamente. Zarco & A. • Modelos de red no ables.

Si dos ramas forman un par crítico de ramas. 146 Aspectos Relacionados con la Estimación no gaussianos de las medidas analógicas pueden hacer que el análisis de resi- duos no sea able [23]. En [34] se propone un preprocesador basado en una serie de reglas que sirven para analizar las condiciones antes y después de cerrar el interruptor. Zarco & A. Como se ha dicho. mientras que las condiciones necesarias y sucientes para la detectabilidad y/o identicabilidad no se han podido deducir aún. • Dos ramas forman un par crítico de ramas de una medida en una red observable si al quitarlas hacen que el resto de la red sea no observable. • Un elemento es irrelevante cuando no se tiene ninguna medida de él. 29. Gómez-Expósito . Existen las siguientes condiciones sucientes para la no detectabilidad y no identicabilidad de errores topológicos: 1. Entendiéndose que: • Elementos de red son las líneas de transmisión. mientras que si sólo se quita una la red sigue siendo observable. Para la detectabilidad sólo se han de- ducido condiciones sucientes en casos muy particulares [11]. • Una medida está relacionada con un elemento de la red si se trata de una medida de inyección en uno de los nudos terminales o del ujo de potencia en ese elemento. 2. Si una rama es irrelevante. 34]. • Una rama es una rama crítica de una medida en una red observable si al quitarla hace que el resto de la red sea no observable. 39]. La conguración errónea de una rama irrelevante no es detectable si todas las medidas relacionadas con ella son críticas o se convierten en críticas como consecuencia de esa conguración errónea [11. 28. un error topológico que afecte a dicha rama no será detectable [39]. reac- tancias y condensadores. Copyright P. 33. 3. entonces un error topológico que afecte a dichas ramas no es identicable [11]. las tres condiciones dadas son sucientes para la no detectabilidad y no identicabilidad. transformadores. Los más recientes trabajos publicados en el área de identicación de errores topológicos son [3. 18. 13.

y las medidas que. Gómez-Expósito . El método propuesto se lle- vará a cabo cuando se detecte alguna anomalía al haber ejecutado las rutinas de detección de errores no gaussianos. Éste estará incluido dentro de una estrategia general basada en las siguientes etapas: 1. Pruebas realizadas durante la estimación. 2. Procesamiento a posteriori que utilice la información obtenida en las etapas anteriores. 29] se estiman los ujos de potencia a través de los interruptores sospechosos con objeto de evitar la impedancia cero que se encuentra asociada con ellos. en unas de- terminadas condiciones de operación. se esperan que sean las más afectadas de los posibles errores topológicos y que se denominan medidas sensibles. 3. El método propuesto en [13] se basa en los multiplicadores de Lagrange nor- malizados. Pruebas de validación realizada en la etapa de preltrado. Aunque en muchos casos los errores topológicos se pueden detectar e iden- ticar con los datos que se tienen en la etapa de preltrado. Estos casos requerirán alguna estimación Copyright P. El autor de este método reconoce que existen situaciones dudosas como es el caso en el que existan varias medidas analógicas erróneas y que coincidan con los síntomas de un error topológico. Además. En [33] se propone un algoritmo que determine un índice de correlación entre las medidas y los elementos sospechosos. y que en dicho artículo se denominan medidas sintomáticas. El método propuesto trata de cuanticar la correlación existente entre los valores identicados como medidas con errores no gaussianos. En [28. El método es similar al utilizado para el procesamiento de errores no gaussianos. existen situaciones dudosas que precisan de unos algoritmos más elaborados que se ejecutarán en la segunda etapa. Errores topológicos 147 En este método se analiza si los resultados obtenidos con las medidas analógicas existentes y el estado de los interruptores son consistentes. Estas medidas se determinan a través de un análisis de sensibilidad de los residuos con respecto a los ujos de los elementos de red. Uno de estos algoritmos es el que se presenta en [33] y con él se pretende conrmar la presencia de una mala conguración que se hubiera detectado durante la primera etapa o resolver algún caso de duda que se hubiese presentado. se incluyen una serie de restricciones de igualdad con objeto de no disminuir la redundancia existente. Zarco & A.

en la práctica. se puede estimar el estado abierto o cerrado del interruptor de una determina- da línea añadiendo simplemente una variable extra. el valor estimado de k puede diferir signicativamente de los valores 0 ó 1 debido a los errores de las medidas. Sin embargo. Estas estimaciones posteriores se pueden realizar de una manera metódica según [27]. si k no toma su valor entero (0 ó 1). k . en ese caso. el valor estimado de k puede estar en torno a 0. B y B shunt por kG. si existen errores no gaussianos en las proximidades de la línea de la cual se tienen dudas. Con objeto de evitar estos problemas. en aquellas expresiones en las que aparece. es decir. Copyright P. El método de resolución del estimador de estado de mínimos valores absolutos desarrollado en dos fases se basa en [2]. se utiliza la siguiente restricción de igualdad k(1 − k) = 0 (7. 148 Aspectos Relacionados con la Estimación posterior que permita identicar la causa real del problema. transformadores y elementos shunt. Zarco & A. Por último. y como consecuencia de todo esto. no se puede saber si el interruptor se encuentra cerrado o abierto. Aunque intuitivamente los interruptores se relacionan con ramas con im- pedancia cero. mientras que si el valor obtenido está próximo a cero. Gómez-Expósito . respectivamente. • Interruptores que se encuentran dentro de subestaciones con más de una barra y que sirven para conectar unas a otras (acoples). El método propuesto en [18] es un método simple para estimar exacta- mente el estado abierto o cerrado de los interruptores del primer tipo.38) de manera que se fuerce a k a tomar cualquiera de sus dos posibles valores discretos. realmente existen dos casos: • Interruptores de líneas. Si el valor de k estimado es próximo a 1 el interruptor se encuentra cerrado y la línea en servicio. al vector de estado y sustituyendo los parámetros de la rama G. En [3] se describe qué errores del estado de los interruptores se pueden detectar e identicar en presencia de medidas analógicas erróneas utilizando técnicas de estimación de estado de mínimos valores absolutos y aplicando una estimación en dos etapas tal y como se describe en [30]. Cuando existe suciente redundancia local en el conjunto de medidas. kB y kB shunt . el interruptor se encuentra abierto. los valores estimados del vector de estado serán menos exactos. y que por lo tanto se encuentran en serie con impedancias no nulas. Más aún. aquéllos que se encuentran asociados a impedancias no nulas.5 y.

por lo que se puede utilizar la factorización ortogonal de la matriz jacobiano a n de prevenir el mal condicionamiento que se presenta al utilizar las ecuaciones normales cuando existen factores de peso grandes [36]. 8. por lo que no existe forma de que la línea se encuentre cerrada. se garantiza la naturaleza discreta de la variable añadida. realmente. Esto es más natural que utilizar dos ujos de potencia para representar el estado de la rama que. Suponiendo que se va a estimar el estado de la rama que conecta los nudos i y j . 16]. aunque es lógico utilizarlo en aquellos métodos que modelan explícitamente las restricciones de igualdad [6. o la línea se encuentra cerrada o se encuentra abierta. Zarco & A. En este caso. una restricción de igualdad. Por todo lo expuesto. por ejemplo. es una única información. la restricción de igualdad propuesta no es útil ya que. la ecuación (7. cuando no se miden ni los ujos en la rama ni las inyecciones en los nudos adyacentes (rama irrelevante). Gómez-Expósito . Así. entonces la anterior res- tricción constituye una información redundante cuyo único objetivo es renar el valor estimado de k . Por otro lado. consecuentemente. entonces las únicas las de la matriz jacobiano relacionadas con la nueva variable de estado son los corre- spondientes ujos de potencia a través de la rama. al 90 %. Este método presenta las siguientes ventajas al compararlo con otros pro- puestos en la literatura: • Al modelo de estimación únicamente se le añade una variable extra y. se pueden obtener las dos posibles soluciones (multiplicidad de soluciones). las inyecciones de potencia en los nudos extremos de dicha rama y la medida virtual proporcionada por la ecuación (7. Los ujos de potencia que atraviesan la rama y salen del nudo i se pueden Copyright P. dependiendo del punto de comienzo en las iteraciones. el método propuesto se puede aplicar a cualquier método de estimación de estado. lo cual viene representado por la variable k . incluso si las tensiones de los nudos extremos de la rama son observ- ables. tanto las inyecciones como el estado abierto o cerrado del interruptor permanecen indeterminados. Esto ocurre.38) también puede ser tratada como una medida muy exacta.38). cuando k no es observable. Errores topológicos 149 Si las medidas adyacentes hacen a k observable. por ejemplo. es decir. • Gracias a la restricción asociada. La solución numérica que se presenta a continuación se adapta a esta segunda forma.

40) siendo Pij y Qij los ujos de potencia convencionales como si k = 1. sino que únicamente representan las ecuaciones no lineales de los ujos de potencia en forma compacta.45) ∂k ∂k (7. en este método Pij y Qij no son variables de estado.43) ∂k obtenido de la ecuación (7. las inyecciones de potencia en el nudo i se pueden expresar como una función de k de la siguiente forma: X Pi (k) = Pim + kPij (7. 29]. 150 Aspectos Relacionados con la Estimación expresar de la siguiente manera: Pij (k) = kPij (7. Respecto al punto de inicio k0 adoptado para la variable k .38) se trata como una medida muy exacta. A diferencia de lo que ocurre en [28. lo que signica que el término de la matriz jacobiano dado por Copyright P.39)-(7.44) ∂k ∂k ∂Qij (k) ∂Qi (k) = = Qij (7.39) Qij (k) = kQij (7.39)-(7. Gómez-Expósito . Asimismo.m6=j X Qi (k) = Qim + kQij (7.46) y sus equivalentes correspondientes al nudo j . al menos cuando la ecuación (7.42) se puede observar que los elementos de la matriz jacobiano de los parámetros serie y shunt de la rama sospechosa deben ser multiplicados por k . de las ecuaciones (7. Igualmente. siempre se adopta el valor k0 = 1/2. Los únicos elementos no nulos que aparecen en la columna extra de la matriz jacobiano son: ∂[k(1 − k)] = 1 − 2k (7.42) m²i.m6=j Intercambiando i por j en las ecuaciones (7.38). Por ello. los resultados experimentales muestran que el proceso de estimación converge sistemática- mente a k = 1 si k0 > 1/2 y a k = 0 si k0 < 1/2.42) se pueden obtener los ujos de potencia a través de la rama en sentido opuesto y las inyecciones de potencia en el nudo j .41) m²i. Zarco & A. así como: ∂Pij (k) ∂Pi (k) = = Pij (7.

3 se han analizado las causas que pueden producir errores no gaussianos y se han estudiado las etapas del análisis de errores no gaussianos: • Determinación de la presencia de errores no gaussianos. el cual afecta a los parámetros de la rama de cuyo estado se duda. Copyright P.38) al modelo e incluir la variable k al vector de estado. como tanto Pij como Qij son próximos a cero al comienzo de las iteraciones. la única diferencia con un estimador convencional es el factor k0 = 1/2. • Identicación de redes observables.2 se han estudiado las partes de que consta un análisis de observabilidad: • Test de observabilidad. en la Sección 7.5 Resumen En este capítulo se han presentado tres aspectos íntimamente relacionados con la estimación de estado: • Observabilidad. Gómez-Expósito . • Errores topológicos. En el Apartado 7. añadir la restricción de igualdad (7. • Desde la segunda iteración en adelante. la nueva variable k so- lamente se incluirá después de la primera iteración tal y como se sugiere en [4]. la matriz jacobiano está mal condicionada o es singular durante la primera iteración. ya que el valor de k es 1/2 durante la segunda iteración. A continuación. • Ubicación de medidas. En esta iteración. Por ello. Además. El efecto de esta restricción sólo se notará al nal de la tercera iteración.43) es nulo. El método propuesto puede resumirse de la siguiente manera: • Realizar la primera iteración y corregir el vector de estado. • Detección de errores no gaussianos. Resumen 151 la ecuación (7. Zarco & A. 7.

habiéndose presentado. Gómez-Expósito . entre otros. 152 Aspectos Relacionados con la Estimación • Identicación de qué medidas son erróneas. en el Apartado 7. • Eliminación o sustitución de las medidas erróneas del estado estimado. Copyright P. Por último.4 se ha estudiado la identicación y estimación de errores topológicos como uno de los aspectos relacionados con la estimación de parámetros. un método de estimación de errores topológicos estrechamente relacionado tanto con la estimación de estado como con la de parámetros. Zarco & A.

. State Estimation with Equality Constraints. Paper 2. [7] Ariatti F.. Vol. 370-375. Gjerde O. 2029-2037. A Fast Algorithm for the Weighted Least Absolute Value State Estimation.. Power System Topological Error Detection and Identication.. 153 Copyright P... Vol. No.. 911- 921. February 1991. 201-205. pp. IEEE Transactions on Power Systems. IEEE Transactions on Power Systems.. September 1975. IEEE Transactions on Power Systems. No.. pp. November 1995. pp. Tenth PICA Conference Proceedings. Tinney W. August 1990. [8] Aschmoneit F.. Toronto.. 4.. pp. Zarco & A. 3769-3777. 4. 10.. Identifying the Unknown Circuit Breaker Statuses in Power Networks. No. State Estimation Using Augmented Blocked Matrices. IEEE Transactions on Power Apparatus and Systems. February 1997. Vol. [4] Abur A... IEEE Transactions on Power Systems.. Designing State Estimation in View of Reliability. Detecting Multiple Solutions in State Estimation in the Presence of Current Magnitude Measurements. 1. Kim H. Çelik M. Electrical Power & Energy Systems. [3] Abur A. Vol. Holten L. pp. [5] Allam M.. pp. PAS-102.. pp.3/8. Bibliografía [1] Aam S. Rashed A. Peterson N. No. Çelik M. 5. May 1977. 2. Vol. Gómez-Expósito . Marzio L. Ricci P. October 1980. Design of the Measurement System for State Estimation in the Norwegian High Voltage Transmission Network. 3.. 12.. [2] Abur A. Adrian E. 427-430. Vol. 6. [6] Alvarado F. 1-8. December 1983. Proceedings Power System Computation Conference. Gómez A.

[10] Clements K. 1997. Sasson A.. Topology Error Identication Using Nor- malized Lagrange Multipliers. Quintana. Holten L.. 678-682. Simões-Costa A. PAS-101. IEEE Transactions on Power Apparatus and Systems. Ruiz J. Romero E. [11] Clements K. 3.. Davis P. 11-14. Avignon... 1973. Observability Methods and Optimal Meter Placement. State Estimation for Power System Detection of Gross Measurement Errors. Accurate Estimation of Circuit Break- er Positions. PAS-97.. Detection and Identication of Topology Errors in Electric Power Systems. PICA Conference Proceedings. State Estimation in Power Systems: Detecting Bad Data Through the Sparse Inverse Matrix Method. Halifax. 88-93. Gómez-Expósito .. Paper 2. Klitin O. France. November 1988.. June 1998. Vol. 154 BIBLIOGRAFÍA [9] Broussolle F. No. [12] Clements K. [16] Gjelsvik A. Proceedings 11th. Luque A.. Vol. [15] Edelmann H. Hachtel's Augmented Matrix Method - A Rapid Method Improving Numerical Stability in Power System Static State Estimation. September 1982. Martínez J. Vol. [18] Gómez A. 2987-2993. Pa- per PE-957-PWRS-1-07-1997. [13] Clements K. A Universal Assessment for the Superior Quality of Dis- tribution of Measuring Points for the State Estimation of High Voltage Networks. Canada. November 1985. PAS-104. Minneapolis. 1748-1753. pp.. 1978. [14] Dopazo J. IEEE Transactions on Power Systems. pp. Power System State Estimation with Measurement Deciency: An Algorithm that Determines the Max- imal Observable Subnetwork. 4. Vol..3/7.. pp. pp. Vol. pp. Aam S. Copyright P.. pp. 2. pp. Electrical Power & Energy Systems. [17] Gómez A. April 1990.. An Improved Topological Observability Algorithm. 627-631. Proceedings Power System Computation Conference. Power System Computation Conference. IEEE Transactions on Power Apparatus and Systems.. 12.. IEEE Transactions on Power Systems. Zarco & A... September 1975... Krumpholz G. Davis P. Zarco P. September 1993. V.. Proceedings of Large Engineering Systems Conference on Power Engineering.... 3044-3052. No. IEEE Transactions on Power Apparatus and Systems.

1042-1048.. Hackett D. pp. [28] Monticelli A.. IEEE Transactions on Power Systems. pp.. 1. Paper 2. Vol. PAS-104. IEE Durham. Identication of Topological Errors in State Estimation.. IEEE Transactions on Power Apparatus and Systems... [22] Lugtu R. September 1975. IEEE Transactions on Power Apparatus and Systems. Power System State Estimation: Detection of Topological Errors. [21] Krumpholz G. Power System Observability: A Practical Algorithm Using Network Topology. Wu F... pp. 2406-2412. May 1985. 6.. IEEE Transactions on Power Systems. IEEE Transactions on Power Apparatus and Systems. Vol. Bad Data Identication Methods in Power System State Estimation. No.3/12.. PAS-104.. February 1986. Liu K. 1534-1542. Modeling Zero Impedance Branches in Power System State Estimation. Garcia A. Proceedings Power System Computation Conference.. IEEE Transac- tions on Power Apparatus and Systems. Oeding D. No. pp. 1035-1041. Gómez-Expósito . July 1986. Vol. November/December 1980. Vol. Might D. Observability Analysis for Orthogonal Transforma- tion based State Estimation. Network Observability: Identication of Observ- able Islands and Measurement Placement. BIBLIOGRAFÍA 155 [19] Koglin H. November 1991. Clements K. 2nd.. [23] Mili L.. [26] Monticelli A. Van Cutsem T. Vol. pp. [20] Koglin H.. 1986. [24] Monticelli A. 6.. pp. No. Wu F. Vol. Ribbens-Pavella M... Vol. PAS-99. pp. 4. Network Observability: Theory. Optimal Measuring System for State Estimation. PAS-104. PSMC... Schmitt K. Wu F. May 1985.. IEEE Transactions on Power Apparatus and Systems. Yen M.. [25] Monticelli A. Zarco & A. pp. No. Copyright P. 140-144. Wu F. July/August 1980. Davis P. PAS-99.. IEEE Transactions on Power Delivery. [27] Monticelli A. Vol. pp. 3037-3049. 1. 361-369. 11. 3. Multiple Bad Data Identication for State Estimation by Combinatorial Optimization... 1561-1570. November 1985. 201-208.

120-135. IEEE Transactions on Power Systems. Slutsker I. Douglas B. No. Enhancements to Givens Rotations for Power System State Estimation. No. Operation & Control.. August 1993. [30] Monticelli A. [39] Wu F.. pp. 364-370.. Liu W.. 2... May 1991. November 1993. 176-183 February 1989. Glavitsch H. 3. Gjelsvik A.. IEEE Transactions on Power Systems. Tinney W. IEEE Transactions on Power Systems.. pp. 6. 4. Modeling Circuit Breakers in Weighted Least Squares Es- timation. Observability Analysis and Bad Data Processing for State Estimation using Hachtel's Augmented Matrix Method. 8. pp. [38] Wu F. No. June 1973. 324-331. pp. [33] Simões-Costa A. 6. Vol. Power Generation.. 491-500. pp. 842-849. John Wiley & Sons. Minneapolis. No.. 4. 1531-1538. 604- 611 May 1988. [31] Mori H.. The Impact of Modeling Short Circuit Branches in State Estimation. 2. PAS-89. Gómez-Expósito . Tsuzuki S. Leão J.. Detection and Identication of Topological Errors in Online Power Analysis. IEEE Transactions on Power Systems. [32] Schweppe F.. [34] Singh N.. 1. [37] Wood A. IEEE Transactions on Power Sys- tems.. Liu W. Vol. Vol. pp. 1984. February 1991... 1970. Vol. No. Vol. pp. Vol. 156 BIBLIOGRAFÍA [29] Monticelli A.. 8. Identication of Topology Errors in Power System State Estimation. A Fast Method for Topological Observability Analy- sis Using a Minimum Spanning Tree Technique. Vol. 3. Vol. pp. Zarco & A.. IEEE Transactions on Power Apparatus and Systems. Holten L. Detection of Topology Errors by State Estimation. [36] Vempati M. 8th. IEEE Transactions on Power Systems. Formation of a Sparse Bus Impedance Matrix. 8.. IEEE Transactions on Power Systems.. [35] Takahashi. 6. No. Vol. Power System Static-State Estimation. 1143- 1149. February 1993. Inc. No. Fagan. Wollenberg B. 1. May 1991. Chen. Aam A.. 1. pp. PICA Conference.. IEEE Transactions on Power Systems. Copyright P.

1975. Copyright P. Cambridge. Sparse Nodal Impedance Matrix Generated by the Bifac- torization Method and Applied to Short Circuits Studies. Proceedings Power System Computation Conference.. Paper 3.1/3. BIBLIOGRAFÍA 157 [40] Zollenkopf K. Gómez-Expósito . Zarco & A.

158 BIBLIOGRAFÍA Copyright P. Zarco & A. Gómez-Expósito .

A. Apéndice A Propiedades Estadísticas de la Estimación de Mínimos Cuadrados A.  2 σm 159 Copyright P.2. En el presente apéndice se van a enumerar las propiedades estadísticas que posee la estimación de mínimos cuadrados. el vector de medidas se modela según la ecuación (2. ν2 . . el estimado de máxima verosimilitud poseía. x el vector de variables de estado (ten- siones en los nudos y fase de los ángulos). ..1 Introducción En el Capítulo 1 se enumeraron las propiedades deseables que un estimador debía tener y que. h las ecuaciones que relacionan las medidas con las variables de estado y ν el vector de errores de las medidas tal y como se vio en el Epígrafe 2.   (A.2 Propiedades estadísticas Siendo z el conjunto de telemedidas. . Zarco & A.1) Se supone que los errores ν1 . νm son variables aleatorias independien- tes con distribución gaussiana y media cero. Gómez-Expósito . en concreto. siendo R la matriz de covarianzas de errores de las medidas:   σ12    σ22  R = E(νν T ) =   .1): z = h(x) + ν (A. .2)  .

siendo además su esperanza matemática: E[J(x̂)] = m − n (A. 4. Gómez-Expósito . las propiedades estadísticas que posee la estimación de mínimos cuadrados son [1. Es insesgada. por lo que las esperanzas matemáticas del estado y las telemedidas estimadas son: E(x̂) = x (A. 160 Propiedades Estadísticas Además.3: r = z − ẑ (A.3): cov(x̂) = Px = E[(x̂ − x)(x̂ − x)T ] = G−1 (A. x̂ es el vector de variables de estado estimadas y ẑ = h(x̂) es el vector de telemedidas estimadas. Una vez recordadas estas premisas.3) E(ẑ) = E(z) = h(x) (A.7) donde m es el número de medidas de las que se dispone y n = 2N − 1. Copyright P.10) siendo Sr la matriz de sensibilidad residual. Dicha matriz de sensibilidad residual permite hallar las medidas que son críticas.4) 2. y tal y como se denió en el Capítulo 1. Deniéndose el vector de residuos de las medidas tal y como se hizo en la Sección 7. 2]: 1.6) 3. La función objetivo J(x̂) tiene la distribución de una χ2 de m − n grados de libertad.5) cov(ẑ) = HG−1 H T (A. Zarco & A. ya que una medida zi es crítica si y sólo si la la y la columna i-ésima de Sr es nula. siendo N el número de nudos de la red. Las covarianzas de las variables de estado y de las telemedidas estimadas caso de no existir ruidos son (Apartado 7.8) su esperanza matemática vale: E(r) = 0 (A.9) y su covarianza: cov(r) = E(rrT ) = Pz = R − HG−1 H T = (I − HG−1 H T R−1 )R = Sr R (A.

3. Gómez-Expósito . Zarco & A. Copyright P. El vector de residuos normalizados rN es: ri rN i = q (A.11) σi (Sr )ii el cual tiene distribución gaussiana con media 0 y desviación típica 1 y los elementos (Sr )ii pueden ser calculados mediante técnicas de matrices dispersas como se describió en la Sección 7. Propiedades estadísticas 161 5.

Zarco & A. 162 Propiedades Estadísticas Copyright P. Gómez-Expósito .

. Zarco & A. No.. Automática e Instrumentación. Martínez J... EES-UETP 1996 Course Program. June 1996. Monroy D. Power System State Estimation and Security Assessment.. Bibliografía [1] Gómez A. Gómez-Expósito . 163 Copyright P.. pp. Abur A. Peças J. Sevilla. 155. 185-193. Febrero 1986.. Estimación de Estado en Sistemas Eléctricos de Potencia. [2] Gómez A. Van Cutsem T.

164 BIBLIOGRAFÍA Copyright P. Zarco & A. Gómez-Expósito .

Estas nuevas columnas aparecen como consecuencia de considerar el vector de estados ampliado con los parámetros sospechosos. • θi el desfase del nudo i. • Gij + Bij el elemento (i. Vj los módulos de las tensiones en los nudos i y j . • Pij . • θij el desfase entre los nudos i y j .1 Introducción En este apéndice se presentan los elementos que forman la matriz jacobiano. Apéndice B Elementos de la Matriz Jacobiano B. • Pi . B. Qij los ujos de potencia activa y reactiva en la línea que une el nudo i y el j respectivamente.2 Elementos de la matriz Siendo: • Vi . Gómez-Expósito . como los correspondientes a las nuevas columnas incluidas en la matriz al estimar los parámetros. Qi las inyecciones de potencia activa y reactiva en el nudo i respec- tivamente. j ) de la matriz de admitancias de nudos. tanto los que habitualmente existen en cualquier estimación de estado [1]. Zarco & A. 165 Copyright P.

2) δVj XN δPi = Vj (Gij cos(θij ) + Bij sen(θij )) + Vi Gii (B. • G0ij la conductancia de la línea que une el nudo i con el j .7) δVi δPij = Vi (Gij cos(θij ) + Bij sen(θij )) (B.11) δθi δVi = 0 (B.5) δVi j=1 δQi = Vi (Gij sen(θij ) − Bij cos(θij )) (B. los elementos que componen la matriz jacobiano son los siguientes: • Elementos correspondientes a las tensiones: δVi = 1 (B. 166 Matriz Jacobiano • Bijc la admitancia shunt del modelo en π de la línea que une el nudo i con el j .3) δVi j=1 δPi = Vi (Gij cos(θij ) + Bij sen(θij )) (B.4) δVj XN δQi = Vj (Gij sen(θij ) − Bij cos(θij )) − Vi Bii (B.9) δVi δQij = Vi (Gij sen(θij ) − Bij cos(θij )) (B. Zarco & A.6) δVj δPij = Vj (Gij cos(θij ) + Bij sen(θij )) − 2 Gij Vi (B.1) δVi δVi = 0 (B.8) δVj δQij = Vj (Gij sen(θij ) − Bij cos(θij )) + 2 Vi (Bij − Bijc ) (B. • Bij0 la susceptancia de la línea que une el nudo i con el j .10) δVj • Elementos correspondientes a los desfases: δVi = 0 (B. Gómez-Expósito .12) δθj Copyright P.

19) δθi δQij = Vi Vj (−Gij cos(θij ) − Bij sen(θij )) (B.24) δBij0 δQi = Vi Vj cos(θij ) − Vi2 (B.17) δθi δPij = Vi Vj (Gij sen(θij ) − Bij cos(θij )) (B.21) δBij0 δVj = 0 (B.18) δθj δQij = Vi Vj (Gij cos(θij ) + Bij sen(θij )) (B.13) δθi j=1 δPi = Vi Vj (Gij sen(θij ) − Bij cos(θij )) (B.23) δBij0 δPj = −Vi Vj sen(θji ) (B.20) δθj • Elementos correspondientes a las susceptancias: δVi = 0 (B.28) δBij0 Copyright P.27) δBij0 δPji = −Vi Vj sen(θji ) (B. Gómez-Expósito . Zarco & A.22) δBij0 δPi = −Vi Vj sen(θij ) (B.16) δθj δPij = Vi Vj (−Gij sen(θij ) + Bij cos(θij )) (B.26) δBij0 δPij = −Vi Vj sen(θij ) (B.14) δθj XN δQi = Vi Vj (Gij cos(θij ) + Bij sen(θij )) − Vi2 Gii (B. Elementos de la matriz 167 XN δPi = Vi Vj (−Gij sen(θij ) + Bij cos(θij )) − Vi2 Bii (B.15) δθi j=1 δQi = Vi Vj (−Gij cos(θij ) − Bij sen(θij )) (B.25) δBij0 δQj = Vi Vj cos(θji ) − Vj2 (B.

32) δG0ij δPi = −Vi Vj cos(θij ) + Vi2 (B.31) δG0ij δVj = 0 (B.40) δG0ij Copyright P. 168 Matriz Jacobiano δQij = Vi Vj cos(θij ) − Vi2 (B.34) δG0ij δQi = −Vi Vj sen(θij ) (B.35) δG0ij δQj = −Vi Vj sen(θji ) (B. Gómez-Expósito .29) δBij0 δQji = Vi Vj cos(θji ) − Vj2 (B.37) δG0ij δPji = −Vi Vj cos(θji ) + Vj2 (B.39) δG0ij δQji = −Vi Vj sen(θji ) (B.33) δG0ij δPj = −Vi Vj cos(θji ) + Vj2 (B.38) δG0ij δQij = −Vi Vj sen(θij ) (B. Zarco & A.36) δG0ij δPij = −Vi Vj cos(θij ) + Vi2 (B.30) δBij0 • Elementos correspondientes a las conductancias: δVi = 0 (B.

F. Bibliografía [1] Grainger J. Stevenson W.. Análisis de Sistemas de Potencia. McGraw- Hill. Gómez-Expósito . Zarco & A... 1995. 169 Copyright P. Mexico D.

Zarco & A. 170 BIBLIOGRAFÍA Copyright P. Gómez-Expósito .

C. 171 Copyright P. sobre una base de 100 MVA y siendo válidos los valores de ujos de potencia para ambos extremos de la línea. se han agrupado los valores en torno a varios de ellos con objeto de disminuir la diversidad de valores utilizados. en este apéndice se presentan los fondos de escala considerados para las inyecciones en los nudos y los ujos en las ramas. Además. Zarco & A. Apéndice C Fondos de Escala Utilizados en el Entorno de Simulación C. en por unidad.2 los de los ujos en las ramas. Con estas premisas.1 Introducción Los fondos de escala utilizados en las simulaciones dependen de los valores máximos esperados en cada punto de medida.1 muestra los fondos de escala considerados para las inyecciones en los nudos y la C.2 Fondos de escala de la red IEEE-14 La Tabla C. Gómez-Expósito .

172 Fondos de Escala Nudo Inyección activa Inyección reactiva 1 2.15 0.20 Tabla C.60 0.10 0.65 7 0. Zarco & A. Gómez-Expósito .1: Fondos de escala considerados para los nudos de la red IEEE-14 en por unidad y sobre una base de 100 MVA.60 0.70 0.10 13 0.25 0.25 0.20 10 0.20 8 0.20 2 0.65 3 1.40 9 0.10 12 0. Copyright P.80 0.20 14 0.10 0.40 4 0.10 11 0.10 0.25 0.25 0.70 0.40 6 0.10 0.95 5 0.

00 0.20 6 12 0.65 0.20 2 5 0.20 0.00 0.35 7 8 0.10 12 13 0. Fondos de escala de la red IEEE-14 173 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 1 2 2.65 0.10 Tabla C.20 0.20 0.10 6 13 0.65 0.35 2 3 1.20 7 9 0.35 4 7 0.20 4 5 1.2: Fondos de escala considerados para las ramas de la red IEEE-14 en por unidad y sobre una base de 100 MVA.20 9 10 0.20 2 4 1.65 0.35 4 9 0.25 0.20 1 5 1.00 0.20 0. Copyright P.20 0.65 0. Zarco & A.00 0.25 0.20 9 14 0.20 0.10 13 14 0.10 6 11 0.10 10 11 0.65 0.20 3 4 0. Gómez-Expósito .35 5 6 0.00 0.20 0.

Copyright P.7 .C.3 . mientras que las C. 174 Fondos de Escala C. Gómez-Expósito .6 muestran los fondos de escala considerados para las inyecciones en los nudos.15 muestran los de los ujos en las ramas. Zarco & A.C.3 Fondos de escala de la red IEEE-118 Las Tablas C.

20 18 0.20 14 0.20 3 0.20 13 0.10 30 0.40 2 0.40 6 0.10 0.25 0.25 0.20 27 1.50 1.50 0.50 0.60 9 0.10 8 0.25 0. Fondos de escala de la red IEEE-118 175 Nudo Inyección activa Inyección reactiva 1 0.00 0.10 1.40 20 0.40 16 0.80 0.50 0.80 0.80 11 1.20 Tabla C. Copyright P.20 0.20 17 0.40 19 0.20 4 0.80 0.25 0.10 26 4.10 22 0.00 1.10 23 0.10 21 0. Zarco & A.40 5 0.80 0. Gómez-Expósito .25 0.50 0.10 24 0.25 0.20 0.50 0.10 0.20 0.10 7 0.10 29 0.10 10 6.10 0.50 0.40 25 4.25 1.25 0.3: Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA.40 12 0.25 0.00 2.40 28 0.10 15 1.

10 49 2.50 0.10 Tabla C.50 0.25 0.50 0.00 0.20 34 0.00 1.50 0.20 57 0.40 33 0.4: Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).25 0.80 0.40 35 0.10 53 0.20 0.25 2. Copyright P.10 59 2.80 60 1.80 0.25 0.20 36 0.25 0.10 58 0.25 2.20 0.20 40 0.60 43 0.50 0.20 50 0. 176 Fondos de Escala Nudo Inyección activa Inyección reactiva 31 0. Gómez-Expósito .80 0.10 48 0.25 0.40 37 0.25 0.20 42 1.25 0.20 0.25 0. Zarco & A.50 0.50 0.10 52 0.40 55 1.25 0.20 46 0.20 47 0.10 51 0.10 38 0.20 0.20 32 0.80 0.40 41 0.10 39 0.50 0.10 45 0.20 0.40 56 1.20 54 1.10 44 0.

50 0.20 83 0. Copyright P.25 0.20 80 6.20 73 0.00 2.10 84 0.20 0.10 67 0.20 62 1.10 2.10 74 1.25 0.25 0.40 75 0. Fondos de escala de la red IEEE-118 177 Nudo Inyección activa Inyección reactiva 61 2.60 78 1.10 69 6.40 79 0.40 77 0.80 0.20 64 0.10 85 0.10 0.20 0.10 0.00 2.00 0.80 0.5: Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).20 88 0.80 0.10 68 0.40 71 0.10 72 0.60 65 6.00 1.10 82 0.20 76 1.20 87 0.00 2.20 0.50 0.10 1. Gómez-Expósito .20 70 1.20 63 0.00 0.50 0.00 0. Zarco & A.10 0.40 86 0.20 0.10 2.20 89 8.40 90 2.80 0.20 0.10 66 6.80 81 0.60 Tabla C.50 0.10 0.

80 0.10 115 0.25 0.50 0.10 0.20 95 0.50 0.50 0.10 110 0.25 0.20 97 0.50 0.10 0.10 101 0. Zarco & A.40 96 0.20 Tabla C.40 113 0.10 0.10 93 0. Copyright P.40 104 0.10 114 0.20 106 0.10 118 0.20 107 0.80 0.50 0.10 99 0.20 98 0.10 109 0.50 0.20 100 4.80 0.40 105 0.20 102 0.50 0.10 103 0. 178 Fondos de Escala Nudo Inyección activa Inyección reactiva 91 0.60 117 0.10 0.80 0.25 0.80 0.10 108 0.50 0.10 116 2.10 94 0. Gómez-Expósito .00 0.50 0.10 0.25 0.00 2.25 0.20 92 1.6: Fondos de escala considerados para los nudos de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).10 112 0.20 0.50 0.40 111 0.

60 0.25 0.60 0. Zarco & A.00 0.20 0.10 5 6 1.60 0.25 0.10 12 117 0.20 1 3 0. Gómez-Expósito .20 2 12 0.30 9 10 6.00 0.30 8 30 1.10 8 5 6.10 0.60 0.20 12 14 0.60 0.20 0.10 Tabla C.10 8 9 6.20 0.80 11 12 0.20 3 12 0.25 0.40 4 11 1.10 6 7 0.10 12 16 0. Fondos de escala de la red IEEE-118 179 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 1 2 0.20 4 5 2.10 7 12 0.00 1.40 3 5 1.7: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA.25 0.20 1.00 0.80 11 13 0.60 0. Copyright P.20 0.80 5 11 1.

25 0.10 0.10 0. 180 Fondos de Escala Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 13 15 0.40 15 19 0.10 0.10 16 17 0. Gómez-Expósito .20 19 20 0.00 0.20 0.80 17 31 0.20 0.10 23 24 0.20 19 34 0.60 0.10 22 23 1.40 23 25 4.80 23 32 1.60 0. Zarco & A.20 20 21 0. Copyright P.40 30 17 4.10 17 18 1.10 15 17 4.25 0.10 0.10 0.8: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).20 21 22 0.25 0.10 14 15 0.10 Tabla C.25 0.00 0.60 0.20 17 113 0.25 0.20 0.00 0.25 0.20 24 70 0.20 18 19 0.20 15 33 0.

80 27 28 0.20 0.10 0.10 0.9: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).10 26 25 1.60 0.80 31 32 0.10 33 37 0.80 34 43 0.10 35 36 0.60 0.60 0. Zarco & A.20 1.60 0.10 29 31 0.30 25 27 2.10 28 29 0.30 Tabla C. Fondos de escala de la red IEEE-118 181 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 24 72 0.60 0.20 38 37 4.10 0.25 0. Copyright P.40 26 30 4.10 0.20 34 36 0.20 0.10 35 37 0.00 0.20 30 38 1.20 32 114 0.20 32 113 0.10 27 115 0. Gómez-Expósito .25 0.10 27 32 0.25 0.00 1.20 34 37 1.00 0.25 0.25 0.

60 0.25 0.10 0.20 0.10 47 49 0.20 47 69 1.20 0.80 39 40 0.20 38 65 4.10 46 48 0.10 49 50 1.60 0.60 0.10: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).10 40 42 0.40 49 54 0. Zarco & A.00 0.20 Tabla C.60 0.10 44 45 0.10 45 49 1.20 42 49 1.10 0.20 0.20 0.60 0.10 46 47 0.20 0.20 41 42 0. Gómez-Expósito .60 0.10 45 46 0.20 49 51 1.40 40 41 0.20 0. 182 Fondos de Escala Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 37 39 1.10 37 40 1. Copyright P.40 43 44 0.10 0.20 0.25 0.20 48 49 0.60 0.

Fondos de escala de la red IEEE-118 183 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 49 66 4.00 0.00 0.20 0.10 59 60 1.25 0.60 0.20 51 52 0.60 0.80 49 69 1.10 53 54 0.20 56 58 0.20 50 57 0.10 60 62 0.25 0.20 54 55 0.60 0.25 0.80 60 61 2.20 0.20 54 59 1.10 56 57 0.25 0. Copyright P.20 0.10 59 61 1.20 0.10 0.10 55 56 0.11: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).00 0.25 0.60 0.60 0.20 63 59 4.20 0.10 Tabla C.10 54 56 0.10 51 58 0.10 0. Gómez-Expósito .10 56 59 0.10 52 53 0. Zarco & A.20 55 59 1.

20 70 75 0.80 68 116 2.60 0.25 0.20 70 74 0.40 70 71 0.80 65 66 0.25 0.80 62 66 0.00 0.20 64 61 0.20 Tabla C.20 0.80 69 70 2.00 0. 184 Fondos de Escala Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 61 62 0. Gómez-Expósito .20 71 72 0.10 0.00 0.25 0.20 68 69 2.60 1. Copyright P.60 0.60 0.20 0.20 63 64 4.25 0.80 64 65 4.00 0.12: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).20 69 75 2.00 1.30 68 81 1.10 0.40 69 77 1.10 71 73 0.00 0. Zarco & A.40 66 67 1.30 65 68 0.20 62 67 0.20 0.60 0.

60 0.60 0.30 80 96 0. Copyright P.80 82 96 0.20 0.10 75 77 0.60 0.60 0.20 75 118 0.20 1.20 77 78 0. Gómez-Expósito .10 80 99 0.40 80 97 0.13: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).20 0.20 83 84 0.60 0.20 0.20 Tabla C.40 83 85 1.40 76 77 1.20 77 80 1.20 0.20 79 80 1.40 84 85 1.60 0.80 78 79 1. Zarco & A.40 80 98 0.20 0.00 0.25 0.20 0.60 0.25 0.60 0.20 82 83 2.40 76 118 0. Fondos de escala de la red IEEE-118 185 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 74 75 1.40 77 82 0.25 0.80 81 80 1.20 0.

25 0.60 0.20 86 87 0.25 0.20 94 96 0. Copyright P.60 0.10 91 92 0.10 0.25 0.00 0.20 92 93 0.40 98 100 0.80 89 92 4. Gómez-Expósito .20 92 100 0.80 95 96 0.20 92 94 0.20 89 90 4.10 Tabla C.60 0.00 0.60 0.25 0.00 0.40 94 95 0.00 0.25 0. Zarco & A.40 85 89 2.14: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).40 92 102 0.60 0.20 0.10 85 88 1.25 0.20 88 89 2.40 96 97 0.10 0.20 93 94 0.60 0.80 90 91 0.10 94 100 0.60 0. 186 Fondos de Escala Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 85 86 0.

10 0.10 105 106 0.20 103 104 0.25 0.60 0.10 105 107 0.60 0.60 0.15: Fondos de escala considerados para las ramas de la red IEEE-118 en por unidad y sobre una base de 100 MVA (continuación).25 0.20 0. Copyright P.25 0.20 100 106 1.40 100 103 2.20 103 105 0.25 0.10 108 109 0.10 104 105 0.60 0.10 100 104 1.20 106 107 0. Zarco & A.00 0.60 0.10 103 110 1.20 0.10 110 112 1.10 105 108 0.20 0.60 0.60 0.60 0. Fondos de escala de la red IEEE-118 187 Nudo inicial Nudo nal Flujo de activa Flujo de reactiva 99 100 0.10 Tabla C.10 0.20 110 111 0.20 0.40 114 115 0.10 100 101 0. Gómez-Expósito .10 101 102 0.20 109 110 0.

Zarco & A. Gómez-Expósito .Copyright P.