Ebook Affine Arithmetic Based Methods For Uncertain Power System Analysis PDF Full Chapter PDF

Affine Arithmetic-Based Methods for
Uncertain Power System Analysis -

eBook PDF
Visit to download the full and correct content document:
https://ebooksecure.com/download/affine-arithmetic-based-methods-for-uncertain-po
wer-system-analysis-ebook-pdf/
AFFINE
ARITHMETIC-
BASED METHODS
FOR UNCERTAIN
POWER SYSTEM
ANALYSIS
AFFINE
ARITHMETIC-
BASED METHODS
FOR UNCERTAIN
POWER SYSTEM
ANALYSIS
ALFREDO VACCARO
ANTONIO PEPICIELLO
Elsevier
Radarweg 29, PO Box 211, 1000 AE Amsterdam, Netherlands
The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom
50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States
Copyright © 2022 Elsevier Inc. All rights reserved.
MATLAB® is a trademark of The MathWorks, Inc. and is used with permission.

The MathWorks does not warrant the accuracy of the text or exercises in this book.
This book’s use or discussion of MATLAB® software or related products does not constitute
endorsement or sponsorship by The MathWorks of a particular pedagogical approach or particular
use of the MATLAB® software.
No part of this publication may be reproduced or transmitted in any form or by any means,
electronic or mechanical, including photocopying, recording, or any information storage and
retrieval system, without permission in writing from the publisher. Details on how to seek
permission, further information about the Publisher’s permissions policies and our arrangements
with organizations such as the Copyright Clearance Center and the Copyright Licensing Agency,
can be found at our website: www.elsevier.com/permissions.
This book and the individual contributions contained in it are protected under copyright by the
Publisher (other than as may be noted herein).
Notices
Knowledge and best practice in this field are constantly changing. As new research and experience
broaden our understanding, changes in research methods, professional practices, or medical
treatment may become necessary.
Practitioners and researchers must always rely on their own experience and knowledge in
evaluating and using any information, methods, compounds, or experiments described herein. In
using such information or methods they should be mindful of their own safety and the safety of
others, including parties for whom they have a professional responsibility.
To the fullest extent of the law, neither the Publisher nor the authors, contributors, or editors,
assume any liability for any injury and/or damage to persons or property as a matter of products
liability, negligence or otherwise, or from any use or operation of any methods, products,
instructions, or ideas contained in the material herein.
ISBN: 978-0-323-90502-2
For information on all Elsevier publications

visit our website at https://www.elsevier.com/books-and-journals
Publisher: Charlotte Cockle

Acquisitions Editor: Graham Nisbet
Editorial Project Manager: Sara Valentino
Production Project Manager: Manju Thirumalaivasan
Designer: Mark Rogers
Typeset by VTeX
Contents
Preface xi
Acknowledgments xiii
1. Uncertainty management in power systems 1

1.1. Sampling methods 2
1.2. Analytical methods 3
1.3. Approximate methods 3
1.4. Non-probabilistic methods 4
References 6
2. Elements of reliable computing 9

2.1. Interval arithmetic 9
2.2. Affine arithmetic 10
2.3. Solving uncertain equations by AA 14
2.4. Reliable solution of non-linear equations 16
2.5. Reliable solutions of constrained optimization problems 18
References 22
3. Uncertain power flow analysis 23

3.1. Problem formulation 24
3.2. Affine arithmetic based solution of the power flow equations 25
3.3. Numerical results 29
3.4. Robust formulation of the power flow equations 39
3.5. Case study 42
References 47
4. Uncertain optimal power flow analysis 49

4.1. Mathematical background 49
4.3. Robust formulation of optimal power flow problems 58
4.4. Case study 62
4.5. Remarks 63
References 63
vii
viii Contents
5. Unified AA-based solution of uncertain PF and OPF problems 65

5.1. Theoretical framework 65
5.2. Applications 70
5.4. Computational requirements 79
5.5. Remarks 79
References 79
6. Uncertain power system reliability analysis 81

6.1. Markov Chains 82
6.2. Uncertain Markov Chains analysis by AA 85
6.3. Case studies 88
References 91
7. Uncertain analysis of multi-energy systems 93

7.1. Optimal scheduling of an energy hub 94
7.2. Case study 98
References 104
8. Enabling methodologies for reducing the computational burden

in AA-based computing 105
8.1. PF analysis 105
8.2. OPF analysis 106
8.3. AA-based computing 106
8.5. Remarks 122
References 122
9. Uncertain voltage stability analysis by affine arithmetic 123

9.1. AA-based calculation of PV curves 128
9.3. Remarks 133
References 133
10. Reliable microgrids scheduling in the presence of data

uncertainties 135
10.1. Deterministic optimization 136
10.2. Robust optimization 138
Contents ix
10.3. Affine arithmetic-based optimization 138

10.4. Numerical results and discussion 140
10.5. Remarks 143
References 143
Index 145
In memory of my Father (Alfredo Vaccaro)
To my family (Antonio Pepiciello)
Preface
Reliable power system operation requires complex numerical analyses

aimed at studying and improving the security and resiliency of electrical
grids. Many mathematical tools can support power system operators in ad-
dressing this challenging issue, such as power flow and optimal power flow
analyses, static/dynamic security assessment, and power system reliability
analysis. The conventional formalization of these problems is based on the
assumption that the input data are specified by deterministic parameters,
which should be defined by the analyst either from a snapshot of the power
system or inferred on the basis of some assumptions on the analyzed system.
Consequently, the solutions computed by solving these deterministic
problems are rigorously valid only for the considered power system state,
which represents a limited set of system conditions. Thus, when the input
data are uncertain, numerous scenarios need to be evaluated in the task of
computing robust problem solutions.
To address this problem, this Book introduces the basic elements of
Affine Arithmetic-based computing, outlining its important role in uncer-
tain power system analysis.
Affine Arithmetic is an enhanced model for reliable computing in
which the input data and the problem variables are represented by affine
combinations of primitive noise symbols, which are symbolic variables rep-
resenting the independent uncertainty sources affecting the input data (i.e.
exogenous uncertainties), or approximation errors generated during the
computations (i.e. endogenous uncertainties).
After introducing the mathematical foundations of Affine Arithmetic,
its deployment in solving the most fundamental power system operation
problems is presented and discussed. In these contexts the adoption of
Affine Arithmetic-based computing allows formalizing the power system
state equations in a more convenient formalism compared to the con-
ventional and widely used formulation adopted in interval-based Newton
methods. Thanks to this feature a reliable estimation of the solutions hull
can be reliably estimated by considering the parameter uncertainty correla-
tions and the cumulative effect of all the uncertainty sources.
These results can be generalized in the task of solving a generic mathe-
matical programming problem under uncertainty, which can be formalized
by an equivalent deterministic problem, defining a coherent set of min-
imization, equality, and inequality affine arithmetic-based operators. This
xi
xii Preface
Affine Arithmetic-based formulation allows computing feasible and robust

solution enclosures of complex uncertain optimization problems, reducing
the approximation errors, and the estimation over-conservatism.
The deployment of this computing paradigm is applied for solving a
wide range of power system operation problems, as far as optimal power
flow, voltage stability analysis, equipment reliability assessment, and micro-
grid scheduling are concerned.
Finally, to reduce the computational burden of Affine Arithmetic-based
computing, this Book analyzes the role of formal methods for knowledge
discovery from historical power system operation data, which could also
play an important role in optimally identifying the parameters of the affine
forms describing the uncertain input parameters.
To this aim, a data processing technique-based on Principal component
Analysis is introduced for identifying complex features and hidden rela-
tionships potentially describing regularities in the problem solutions, hence
reducing the problem cardinality and the algorithm complexity. Thanks to
this technique it is also possible to define a formal connection between
the principal components and the noise symbols of the uncertain variables,
which furnish an effective method for the optimal identification of the
affine forms.
Alfredo Vaccaro
Acknowledgments
The Authors wish to thank Prof. Claudio A. Canizares who inspired our
research work. Special thanks go to Prof. Kankar Bhattacharya and Dr.
Juan Carlos Munoz for their valuable contributions in applying Affine
Arithmetic-based computing in voltage stability analysis, and Prof. Alberto
Berizzi for his useful insights about the relations between affine arithmetic
and robust optimization.
xiii
CHAPTER 1
Uncertainty management in
power systems
State of the art and enabling methodologies
Power system operators require sophisticated numerical tools aimed at an-

alyzing the current and the expected operation states, guaranteeing secure
and reliable grid operation. In this context, numerical programming repre-
sents the mathematical backbone supporting the most fundamental power
engineering tools, such as Power Flow (PF) and Optimal Power Flow
(OPF) analyses, state estimation, voltage and frequency regulation, and
contingency analysis. These studies could also support the development of
advanced operations tools for integrated systems management, such as reli-
ability and resilience assessment of multi-carrier energy systems, or optimal
energy flow management in distributed energy hubs, which are relevant
applications in the light of the evolution of modern power grids towards
more integrated, smarter, and sustainable systems.
Numerical programming problems in power system analysis are conven-
tionally formalized by deterministic models, whose parameters are assumed
to be exactly known on the basis of several assumptions on the current
power system state. However, both the models and their parameters are in-
trinsically affected by complex and correlated uncertainty sources, which
can be roughly classified in aleatory and epistemic. The former is irre-
ducible, i.e. it has to be accepted and cannot be controlled, whereas the
latter is related to the accuracy of measurements, models, and parameters
characterizing the system.
Uncertainty sources are mostly related to the complex dynamics of
active and reactive power supply and demand, which may vary due to dif-
ferent causes [1]:
• Variable generation mix depending on the market clearing.
• The increasing penetration of non-dispatchable generators based on
renewable energy sources.
• The unpredictable fluctuation of loads due to unexpected events.
• The increasing geographical dispersion of energy generation.
Affine Arithmetic-Based Methods for Uncertain Power System Analysis Copyright © 2022 Elsevier Inc.
https://doi.org/10.1016/B978-0-32-390502-2.00008-9 All rights reserved. 1
2 Affine Arithmetic-Based Methods for Uncertain Power System Analysis
The presence of uncertainties hinders the effectiveness of deterministic

methods. Indeed, they can affect the problem solutions to a considerable
extent. Hence, reliable solution paradigms, which incorporate information
about data uncertainty are required. These paradigms allow to characterize
the uncertainty associated to input data, and to assess its propagation over
iterative calculations, hence providing a certain level of confidence about
the problem solutions, and assessing their sensitivity to changes in input
data uncertainties.
The scientific literature proposes a wide range of methodologies to han-
dle uncertainty in power system analysis [2,3], and the most promising are
summarized in the next sections.
1.1 Sampling methods

Sampling methods consist in generating a set of scenarios, given some
random variables with a defined probability distribution function. Monte
Carlo is the best example of such methods: although it can provide very ac-
curate solutions, it involves a large computational burden, which is due to
the large number of problems that have to be solved, one for each scenario
[4]. This condition prevents its effective utilization for large-scale power
system analysis, where the computational burden could be prohibitively
expensive [5,6].
Due to this reason, much research effort has been put in proposing en-
hancements of Monte Carlo methods, which try to improve the sampling
process at the cost of accepting an increasing level of risk. For example,
[7] integrates Latin hypercube sampling and Cholesky decomposition in the
Monte Carlo method. In [8], a hybrid solution algorithm based on deter-
ministic annealing expectation maximization algorithm and Markov Chain
Monte Carlo is proposed. Correlation between wind variables through an
extended Latin hypercube sampling is presented in [9]. Finally, chance con-
strained programming problems can be employed for solving uncertain
OPF analysis, in which Monte Carlo and deterministic optimization are
combined to handle the stochastic features of the input variables [10].
As previously highlighted, these methods require the definition of a
proper trade-off between accuracy and computational burden, hence they
are useful only when a defined degree of risk can be accepted.
Uncertainty management in power systems 3
1.2 Analytical methods

Analytical methods require a simplification of the real problem and a certain
number of assumptions in order to make the problem tractable [11]. Some
simplifications can be obtained by characterizing the output random vari-
ables through multi-linearization [12], convolution techniques or Fourier
Transform [13].
An example of these methods is the cumulant method [14,15] or its
combination with the Gram-Charlier expansion [15] or the integration of
Von Mises functions, to handle discrete distributions [16]. Another formu-
lation is presented in [6], through chance-constrained programming model.
However, many of these techniques require the linearization of PF equa-
tions, which are non-linear, and this process generates additional inaccuracy.
The shortcomings of analytical techniques are multiple, as discussed in
[17–20]. One example could be the common assumption of statistical in-
dependence of the input data, or the approximation of the real probability
distribution with an ideal random variable. In this sense, the lack of deter-
minism, which is characteristic of power systems, especially as an increasing
amount of dispersed generators is being installed, can be a problem in the
correct formulation of the probabilistic models. Furthermore, when valida-
tion of these techniques is performed, the assumptions made are often not
supported by empirical evidence.
1.3 Approximate methods

Approximate methods, such as point estimate methods, have been proposed
as possible alternatives to both analytical and sampling methods [21]. These
methods aim at approximating the statistical properties of the variables re-
sulting as outputs of PF and OPF analyses. For example, in case of first or
second order method, the mean and the variance are propagated through
the calculations, by using Taylor series expansion [22].
In case of the point estimation methods, a certain number of determin-
istic problems, in particular m, which is the number of uncertain variables,
has to be solved in order to estimate the statistical moments of the problem
solutions [23]. Extensions of this method are, for example, Hong’s point es-
timate method [24], which are much faster but their accuracy is guaranteed
only for low uncertainty ranges, and the linearization is a good approxima-
tion only around the nominal operation point.
Other approaches are based on primal-dual interior point method [25],
which allows computing the sensitivity of the uncertain parameters with
respect to the problem solution. Robust design theory can also be used to
approximate OPF solutions in the presence of multiple uncertainty sources
[26].
Finally, approximate methods have their shortcomings as well. For ex-
ample two-point estimate methods are not feasible for analyzing large scale
systems, especially in the presence of a large number of random variables.
1.4 Non-probabilistic methods

The spectrum of available methods for carrying out reliable analyses in
power systems in the presence of uncertainty sources has enriched over the
last decades. The theory of evidence [27] and the theory of possibility [28]
are two examples.
These mathematical formulations are associated to the imprecise hu-
man knowledge about the system, which allows only imprecise estimates
of values and relations between variables [29]. An example in power sys-
tems is related to wind energy production: indeed, wind can be measured
only locally, but its spatial distribution over a large area is difficult using
probabilities. Additionally, weather forecasts provide qualitative informa-
tion, which is difficult to be represented in a probabilistic way. Therefore,
non-probabilistic modeling and simulations can be useful to power system
engineers.
The application of fuzzy-set theory to power system analysis has been
proposed in several papers [30–32]. In this case, both input data and con-
straints are modeled through fuzzy numbers, which are particular instances
of fuzzy sets [33].
Self-validated computing is another way of representing uncertainty. Its
advantage is the possibility of keeping track of the uncertainty propagation
through the calculations. This propagation does not require much informa-
tion about the uncertainty sources affecting the problem variables [34]. The
first example of self-validated models is Interval Arithmetic (IA), which
represents each variable through interval of real numbers, without a proba-
bility structure [35]. A set of operations can be defined over these intervals,
such that the final computed interval is guaranteed to contain the uncertain
value of the output variable which it represents.
IA has been proposed as a tool for handling uncertainty in power systems
by many authors [18,19,36,37]. However, the solution obtained in this case
is affected by the dependency problem and the wrapping effect [34,38],
which could reduce the effectiveness of the method in terms of results
interpretation. This is mainly due to the impossibility of IA to represent

correlations between uncertain variables. These problems require special
structures of the Jacobian matrices (e.g. M-matrices, H-matrices, diago-
nally dominant matrices, tri-diagonal matrices) [39] in order for IA to be
effective in solving power system operation problems, which are commonly
not found in real systems.
To overcome these limitations, Affine Arithmetic-based (AA) methods
for uncertain power system analysis have been proposed. In this paradigm,
each variable is defined by a first degree polynomial, represented by a
central value and a number of partial deviations, each one representing
a statistical independent uncertainty source. In this way, the equations de-
scribing the problem under study can be expressed more conveniently and
the correlation between the uncertain input variables can be effectively
taken into account.
The main advantage of this paradigm is that it is suitable for solv-
ing large-scale problems, both computationally and in terms of accuracy
and robustness of the obtained solution. In [40] and in [41], AA methods
have been adopted to solve uncertain PF and OPF problems, by represent-
ing all the state and control variables by affine forms, without assuming a
probability density function for each of them. This represents a promising
alternative to stochastic information management in smart grids [42].
Several paper explored this idea, started in [43], of the application of AA
to power system analysis. In [44], the effect of network uncertainties was
processed through AA for solving the state estimation problem in presence
of both synchrophasors and conventional measurements.
In [45], the complementarity conditions were used to represent bus
voltage control through an AA-based model, which returned operation in-
tervals for PF variables in the presence of uncertainty. In [46], an uncertain
PF problem is solved, by formalizing it through interval PF and solving a
quadratic programming optimization.
Additional applications and benefits deriving from the application of
AA in power systems have been proposed in [40,41,47–49]. In particular,
some of them are planning and operation in the presence of a large penetra-
tion of renewable energy sources, electric vehicles integration or demand
response. The main advantage of AA over IA derives by its capacity in
narrowing the tolerance interval of the problem solutions, which IA-based
computations tend to over-estimate, especially when integrated in iterative
solution schemes.
In this book, solution methodologies based on AA are introduced to

solve the most fundamental power system operation problems. AA is an
enhanced model of self-validated numerical analysis, which represents the
variables of interest as affine combinations of primitive variables describ-
ing statistical independent uncertainty sources. These combinations allow
describing the effects of complex and correlated sources of exogenous un-
certainty, and approximation errors involved in the computations.
This methodology can be enhanced by combining it with advanced
techniques for information discovery and data compression, such as prin-
cipal component analysis. In this way, the parameters of the affine forms
describing the input data uncertainty can be rigorously identified on the
basis of historical information, and the cardinality of the considered prob-
lem can be sensibly reduced.
References
[1] G. Verbic, C. Cañizares, Probabilistic optimal power flow in electricity markets based
on a two-point estimate method, IEEE Transactions on Power Systems 21 (4) (2006)
1883–1893.
[2] P. Chen, Z. Chen, B. Bak-Jensen, Probabilistic load flow: A review, in: Proceedings
of the 3rd International Conference on Deregulation and Restructuring and Power
Technologies, DRPT 2008, 2008, pp. 1586–1591.
[3] B. Zou, Q. Xiao, Solving probabilistic optimal power flow problem using quasi Monte
Carlo method and ninth-order polynomial normal transformation, IEEE Transactions
on Power Systems 29 (1) (2014) 300–306.
[4] M. Hajian, W. Rosehart, H. Zareipour, Probabilistic power flow by Monte Carlo
simulation with Latin supercube sampling, IEEE Transactions on Power Systems 28 (2)
(2013) 1550–1559.
[5] C. Su, Probabilistic load-flow computation using point estimate method, IEEE Trans-
actions on Power Systems 20 (4) (2005) 1843–1851.
[6] H. Zhang, P. Li, Probabilistic analysis for optimal power flow under uncertainty, IET
Generation, Transmission & Distribution 4 (5) (2010) 553–561.
[7] H. Yu, C. Chung, K. Wong, H. Lee, J. Zhang, Probabilistic load flow evaluation with
hybrid Latin hypercube sampling and Cholesky decomposition, IEEE Transactions on
Power Systems 24 (2) (2009) 661–667.
[8] H. Mori, W. Jiang, A new probabilistic load flow method using MCMC in consider-
ation of nodal load correlation, in: Proceedings of the 15th International Conference
on Intelligent System Applications to Power Systems, 2009, pp. 1–6.
[9] H. Yu, W.D. Rosehart, Probabilistic power flow considering wind speed correlation
of wind farms, in: Proceedings of the 17th Power Systems Computation Conference,
2011, pp. 1–7.
[10] M. Hajian, W.D. Rosehart, H. Zareipour, Probabilistic power flow by Monte Carlo
simulation with Latin supercube sampling, IEEE Transactions on Power Systems 28 (2)
(2012) 1550–1559.
[11] A. Schellenberg, W. Rosehart, J. Aguado, Cumulant-based probabilistic optimal power
flow (P-OPF) with Gaussian and gamma distributions, IEEE Transactions on Power
Systems 20 (2) (2005) 773–781.
[12] A.S. Meliopoulos, G.J. Cokkinides, X.Y. Chao, A new probabilistic power flow anal-
ysis method, IEEE Transactions on Power Systems 5 (1) (1990) 182–190.
[13] R. Allan, A. da Silva, R. Burchett, Evaluation methods and accuracy in probabilistic
load flow solutions, IEEE Transactions on Power Apparatus and Systems PAS-100 (5)
(1981) 2539–2546.
[14] R. Allan, M. Al-Shakarchi, Probabilistic techniques in ac load-flow analysis, Proceed-
ings of the Institution of Electrical Engineers 124 (2) (1977) 154–160.
[15] P. Zhang, S.T. Lee, Probabilistic load flow computation using the method of combined
cumulants and Gram-Charlier expansion, IEEE Transactions on Power Systems 19 (1)
(2004) 676–682.
[16] L. Sanabria, T. Dillon, Stochastic power flow using cumulants and Von Mises func-
tions, International Journal of Electrical Power & Energy Systems 8 (1) (1986) 47–60.
[17] A. Dimitrovski, K. Tomsovic, Boundary load flow solutions, IEEE Transactions on
Power Systems 19 (1) (2004) 348–355.
[18] F. Alvarado, Y. Hu, R. Adapa, Uncertainty in power system modeling and compu-
tation, in: Proceedings of the IEEE International Conference on Systems, Man and
Cybernetics, 1992, pp. 754–760.
[19] A. Vaccaro, D. Villacci, Radial power flow tolerance analysis by interval constraint
propagation, IEEE Transactions on Power Systems 24 (1) (2009) 28–39.
[20] Z. Wang, F. Alvarado, Interval arithmetic in power flow analysis, IEEE Transactions
on Power Systems 7 (3) (1992) 1341–1349.
[21] M. Madrigal, K. Ponnambalam, V. Quintana, Probabilistic optimal power flow, in:
Proceedings of the IEEE Canadian Conference on Electrical and Computer Engi-
neering, vol. 1, 1998, pp. 385–388.
[22] X. Li, Y. Li, S. Zhang, Analysis of probabilistic optimal power flow taking account
of the variation of load power, IEEE Transactions on Power Systems 23 (3) (2008)
992–999.
[23] G. Verbic, C. Canizares, Probabilistic optimal power flow in electricity markets based
on a two-point estimate method, IEEE Transactions on Power Systems 21 (4) (2006)
1883–1893.
[24] J.M. Morales, J. Perez-Ruiz, Point estimate schemes to solve the probabilistic power
flow, IEEE Transactions on Power Systems 22 (4) (2007) 1594–1601.
[25] A. Mohapatra, P. Bijwe, B. Panigrahi, Optimal power flow with multiple data uncer-
tainties, Electric Power Systems Research 95 (2013) 160–167.
[26] C. Boonchuay, K. Tomsovic, F. Li, W. Ongsakul, Robust optimization-based DC
optimal power flow for managing wind generation uncertainty, AIP Conference Pro-
ceedings 1499 (1) (2012) 31–35.
[27] G. Shafer, A Mathematical Theory of Evidence, vol. 1, Princeton University Press,
Princeton, 1976.
[28] L.A. Zadeh, Fuzzy sets, Information and Control 8 (3) (1965) 338–353.
[29] P. Smets, Imperfect information: Imprecision and uncertainty, in: Uncertainty Man-
agement in Information Systems, Springer, 1997, pp. 225–254.
[30] P. Bijwe, G.V. Raju, Fuzzy distribution power flow for weakly meshed systems, IEEE
Transactions on Power Systems 21 (4) (2006) 1645–1652.
[31] V. Miranda, J. Saraiva, Fuzzy modelling of power system optimal load flow,
in: Proceedings of the Power Industry Computer Application Conference, 1991,
pp. 386–392.
[32] P. Bijwe, M. Hanmandlu, V. Pande, Fuzzy power flow solutions with reactive limits
and multiple uncertainties, Electric Power Systems Research 76 (1) (2005) 145–152.
[33] X. Guan, W.E. Liu, A.D. Papalexopoulos, Application of a fuzzy set method in an
optimal power flow, Electric Power Systems Research 34 (1) (1995) 11–18.
[34] J. Stolfi, L.H. De Figueiredo, Self-validated numerical methods and applications, in:
Proceedings of the Monograph for 21st Brazilian Mathematics Colloquium, Citeseer,
1997.
[35] R. Moore, Methods and Applications of Interval Analysis, vol. 2, SIAM, 1979.
[36] S. Wang, Q. Xu, G. Zhang, L. Yu, Modeling of wind speed uncertainty and interval
power flow analysis for wind farms, Automation of Electric Power Systems 33 (1)
(2009) 82–86.
[37] L. Pereira, V. Da Costa, A. Rosa, Interval arithmetic in current injection power flow
analysis, International Journal of Electrical Power & Energy Systems 43 (1) (2012)
1106–1113.
[38] M. Neher, From interval analysis to Taylor models—An overview, in: Proceedings of
the International Association for Mathematics and Computers in Simulation, 2005.
[39] L.V. Barboza, G.P. Dimuro, R.H. Reiser, Towards interval analysis of the load uncer-
tainty in power electric systems, in: Proceedings of the International Conference on
Probabilistic Methods Applied to Power Systems, 2004, pp. 538–544.
[40] A. Vaccaro, C.A. Cañizares, K. Bhattacharya, A range arithmetic-based optimization
model for power flow analysis under interval uncertainty, IEEE Transactions on Power
Systems 28 (2) (2013) 1179–1186.
[41] M. Pirnia, C.A. Cañizares, K. Bhattacharya, A. Vaccaro, An affine arithmetic method
to solve the stochastic power flow problem based on a mixed complementarity formu-
lation, IEEE Transactions on Power Systems 29 (6) (2014) 2775–2783.
[42] H. Liang, A.K. Tamang, W. Zhuang, X. Shen, Stochastic information management in
smart grid, IEEE Communications Surveys and Tutorials 16 (3) (2014) 1746–1770.
[43] A. Vaccaro, C.A. Cañizares, D. Villacci, An affine arithmetic-based methodology for
reliable power flow analysis in the presence of data uncertainty, IEEE Transactions on
Power Systems 25 (2) (2010) 624–632.
[44] C. Rakpenthai, S. Uatrongjit, S. Premrudeepreechacharn, State estimation of power
system considering network parameter uncertainty based on parametric interval linear
systems, IEEE Transactions on Power Systems 27 (1) (2012) 305–313.
[45] M. Pirnia, C.A. Cañizares, K. Bhattacharya, A. Vaccaro, A novel affine arithmetic
method to solve optimal power flow problems with uncertainties, in: Proceedings of
the IEEE Power and Energy Society General Meeting, 2012, pp. 1–7.
[46] R. Bo, Q. Guo, H. Sun, W. Wu, B. Zhang, A non-iterative affine arithmetic method-
ology for interval power flow analysis of transmission network, Proceedings of the
Chinese Society for Electrical Engineering 33 (19) (2013) 76–83.
[47] S. Wang, L. Han, P. Zhang, Affine arithmetic-based dc power flow for automatic
contingency selection with consideration of load and generation uncertainties, Electric
Power Components and Systems 42 (8) (2014) 852–860.
[48] G. Wei, L. Lizi, D. Tao, M. Xiaoli, S. Wanxing, An affine arithmetic-based algorithm
for radial distribution system power flow with uncertainties, International Journal of
Electrical Power & Energy Systems 58 (2014) 242–245.
[49] T. Ding, H.Z. Cui, W. Gu, Q.L. Wan, An uncertainty power flow algorithm based on
interval and affine arithmetic, Automation of Electric Power Systems 36 (13) (2012)
51–55.
CHAPTER 2
Elements of reliable computing

Theoretical foundations
2.1 Interval arithmetic

In IA, each variable x is assumed to be “unknown but bounded” in an
interval of real numbers X = [xinf , xsup ], also known as the tolerance of x.
The following theorem is of foremost importance to define operations on
intervals [1]:
Theorem 2.1 (Fundamental invariant of range analysis for IA). ∀ : p →
q , globally Lipschitz with bounded slope. There exists an interval extension
I : p → q such that:

∀ x1 , .., xp ∈ X1 , .., Xp ⇒ x1 , .., xp ∈ I X1 , .., Xp
Extending elementary operations, such as sums or products, to intervals

is trivial. For example, given two intervals X1 = [x1,inf , x1,sup ] and X2 =
[x2,inf , x2,sup ], some basic operations are:
• Sum:

X1 + X2 = x1,inf + x2,inf , x1,sup + x2,sup (2.1)
• Difference:

X1 − X2 = x1,inf − x2,sup , x1,sup + x2,inf (2.2)
• Product:
X1 · X2 = [ min(x1,inf x2,inf , x1,inf x2,sup , x1,sup x2,inf , x1,sup x2,sup ),
(2.3)
max(x1,inf x2,inf , x1,inf x2,sup , x1,sup x2,inf , x1,sup x2,sup )]
• Division:

X1 /X2 = x1,inf , x1,sup · 1
x2,sup , x
1
2,inf
0 ∈/ x2,inf , x2,sup (2.4)
More complex functions can be obtained by composing these primitive

operators [1,2]. Thanks to Theorem 2.1, the interval resulting from these
operations is guaranteed to enclose the real range of function values.
IA has been applied to solve systems of linear [3,4] and non-linear

equations [5], and optimization problems [6,7]. The obtained solutions,
however, can yield unexpected results [8,9], due to the lack of IA in
representing the correlation between uncertain variables, which leads to
the wrapping problem, as illustrated in Fig. 2.1 [9]. This problem can be
demonstrated by considering an harmonic oscillator evolving through the
state space ẋ1 = x2 , ẋ2 = −x1 . At t = 0, it is represented as a rectangle,
whose length and height are parallel to cartesian axes. Since the evolution
of the rectangle leads to another one which is not parallel to the axes, the
evolution of the interval at t requires adding a series of spurious states,
represented by the black region (rotated rectangle) A B C D . Due to this
reason, the evolution of the interval, in a few iterations, diverges, covering
the entire phase space.
Another example is given by this simple operation:
X1 · (X2 + X3 ) ⊂ (X1 · X2 + X1 · X3 ) (2.5)
The resulting interval is much wider than the true range, and long com-
putation chains may lead to aberrant solutions. This phenomenon requires
adopting special computing techniques [10].
Finally, the “dependency problem” is another limiting aspect of interval
computation, which is a consequence of the definition of the difference
operator (2.2):
X − X = [xinf , xsup ] − [xinf , xsup ] = [xinf − xsup , xsup + xinf ] = 0 (2.6)
This problem is a consequence of the inability of IA in discriminating

relations between uncertainty sources, which are always assumed to be in-
dependent. If the interval variables are independent, then the results are
correct, such as for X1 = [1, 2] and X2 = [1, 2]: in this case, their difference
X1 − X2 = [−1, 3], leads to correct results. On the other hand, if the interval
variables are the same, the overestimation error is extremely large.
To address these limitations, more advanced paradigms, based on AA,
will be discussed in next section.
2.2 Affine arithmetic

AA, which has been introduced in [2], is a self-validated computing method
that allows modeling errors, imprecise data, and truncation errors. The
Elements of reliable computing 11
Figure 2.1 Dynamic behavior of an oscillator analyzed through IA.
approach originates from IA, but it keeps track of correlations between the
uncertain variables. For this reason, the resulting bounds are much tighter
and the divergence of the solution intervals observed in IA can be avoided
or mitigated [11].
In AA, an uncertain variable x is represented by an affine form, which
is a first degree polynomial:
x̂ = x0 + x1 ε1 + x2 ε2 + ... + xp εp (2.7)
where x0 and xk are known real coefficients representing the central value
and the partial deviations of the affine form x̂, respectively.
The variables εk , called the noise symbols, are defined over the interval
[−1, 1]. The noise symbols represent independent uncertainty sources af-
fecting the problem variables, which can be induced by computation errors
or exogenous uncertain sources.
Given an affine form, it can be converted to an interval by defining the

radius rad(x̂), the upper bound x, the lower bound x, and the range |X |.

p
rad(x̂) := |xk | (2.8)
k=1

p
x := x0 + |xk | (2.9)
k=1

p
x := x0 − |xk | (2.10)
k=1
|X | := [x, x] (2.11)
Operations on affine forms require the replacement of real operators
with their associated AA-based version. An affine operator (x̂, ŷ) can be
defined to map a generic function (x, y) to the affine domain. This allows
computing an affine form for ζ = (x, y), which is coherent with the input
affine forms (x̂, ŷ).
An useful feature of linear functions of affine forms, is that their affine
representation can be obtained by rearranging all the original noise symbols
into an affine form, as in the following equations:
x̂ ± ŷ = (x0 ± y0 ) + (x1 ± y1 )ε1 + (x2 ± y2 )ε2 + ... + (xp ± yp )εp (2.12)
λx̂ = (λx0 ) + (λx1 )ε1 + (λx2 )ε2 + ... + (λxp )εp (2.13)
x̂ ± λ = (x0 ± λ) + x1 ε1 + x2 ε2 + ... + xp εp (2.14)

Unfortunately, non-linear functions do not allow ζ to be expressed only
in terms of the original noise symbols:
ζ̂ = (x̂, ŷ) = (x0 + x1 ε1 + x2 ε2 + ... + xp εp , y0 + y1 ε1 + y2 ε2 + ... + yp εp )

(2.15)
In this case, a proper approximating affine function should be defined:
a (x̂, ŷ) = ζ0 + ζ1 ε1 + ζ2 ε2 + ... + εp ζp (2.16)

this non-affine operator approximates the function (x̂, ŷ) reasonably well
over its domain:
ẑ = a (x̂, ŷ) + ζp+1 εp+1 = ζ0 + ζ1 ε1 + ζ2 ε2 + ... + ζp εp + ζp+1 εp+1 (2.17)
where the last term represents the residual or approximation error:
e∗ (x̂, ŷ) = (x̂, ŷ) − a (x̂, ŷ) (2.18)
In order to handle this approximation error, an additional noise sym-

bol εp+1 is added in (2.17), in order to properly bound the corresponding
approximation errors:
ζp+1 > max e∗ (x̂, ŷ) (2.19)

(ε1 ,ε2 ,...,εp )
Furthermore, affine approximations of different functions, such as a

in (2.16), can be different depending on the required accuracy, and the
maximum acceptable computational burden. The following approximation
represents a decent trade-off between these requirements:
a (x̂, ŷ) = α x̂ + β ŷ + ξ (2.20)
where the unknown coefficients α , β , and ξ can be identified by the fol-

lowing theorem:
Theorem 2.2 (Chebyshev approximation theorem for univariate func-
tions). Given a bounded and twice differentiable function , defined in some
interval xI = [xinf , xsup ], whose second derivative does not change sign inside x.
Let a (x̂) = α x̂ + ξ be its Chebyshev affine approximation in xI . Then:
(xsup ) − (xinf ) (u) + r (u) d(u)
α= ξ= − αu =α
xsup − xinf 2 dx
r (u) = α u + (xsup ) − αχsup
and the maximum absolute error is:

(u) − r (u)
ζp+1 = | |
2
In this case, the optimal coefficients α and ξ can be easily calculated.
Indeed, by considering the line interpolating the points (xinf , f (xinf )) and
dx = α can be obtained.
(xsup , f (xsup )), the slope d(u)
Given all these properties, AA can be defined as an intermediate

paradigm between Taylor forms and zonotopes, as described in [12], which
is characterized by a set of advantages, lacking from other first order ap-
proximation paradigms.
2.3 Solving uncertain equations by AA

A particular class of non-linear operation is the multiplication between two
affine forms x̂ and ŷ:

n
n
n
x̂ ∗ ŷ = x0 y0 + (x0 yh + y0 xh )εh + (xh yj )εh εj (2.21)
h=1 h=1 j=1
This non-affine operation is traditionally approximated by bounding the

second order terms:

n
n
n
n
(xh yj )εh εj ≤ |xh | |yj | = R(x̂)R(ŷ) (2.22)
h=1 j=1 h=1 j=1
where the R(.) is the radius of the affine form. Starting from this result,
a new noise symbol describing the approximation error can be defined as
follows:

n
x̂ ∗ ŷ = x0 y0 + (x0 yh + y0 xh )εh + R(x̂)R(ŷ)εk (2.23)
h=1
A set of uncertain non-linear equations, where the non-linearity de-

rives from the multiplication of affine forms, can be solved by using the
mathematical operators proposed in [13].
In particular, let’s consider the following non-linear equation:
x̂2 = ẑF = 4 + 0.8ε1 + 0.4ε2 (2.24)
The solution of this equation requires computing the central value x0 and
the partial deviations x1 and x2 of the affine form x̂, which shares the same
primitive noise symbols of the known term ẑF , such that:
x̂2 = x20 + 2x0 x1 ε1 + 2x0 x2 ε2 + R(x̂)2 ε3 = 4 + 0.8ε1 + 0.4ε2 (2.25)

This problem can be solved by using the similarity operator between affine
forms defined in [13], as follows:
⎧
⎪
⎨ x0 = 4
2
2x0 x1 = 0.8 (2.26)

⎪
⎩ 2x x = 0.4
0 2
The solution of this system of equations allows computing the parameters

of the unknown affine form, namely:
x̂ = 2 + 0.2ε1 + 0.1ε2 (2.27)
This affine form represents the solution of the uncertain problem. By ap-
plying the multiplication operator between affine forms, it follows that:
U = x̂2 − ẑF = R(x̂)2 ε3 = ±0.09 (2.28)
where the term U is the affine approximation error, which can be consid-
ered as the equivalent of the rounding error derived by using floating-point
numbers to approximate real numbers. The same paradigm can be general-
ized to solve uncertain programming problems as described in [13].
These results can be applied to solve non-linear system of uncertain
equations and constrained uncertain optimization problems, where the un-
certain equations are represented by the multiplication of affine forms. The
solution of this class of problems is extremely useful in robust power system
analysis, since the power flow equations, the system constraints, and the
cost functions can be properly expressed by products. A more effective so-
lution of this problem can be obtained by considering the following robust
definition:

n
n
x̂ ∗ ŷ = x0 y0 + x0 yh + y0 xh + (xh yj )εj εh (2.29)
h=1 j=1
This form of expressing a non-linear function, allows spreading the en-

dogenous uncertainty on partial deviations of the primitive noise symbols.
These variables can be called second order affine forms and they guarantee
the robust inclusion of the real solution set. The application of this formu-
lation to solve generic uncertain programming problems is discussed in the
next section.
2.4 Reliable solution of non-linear equations

The adoption of the solution paradigm described in the previous section
does not allow to properly consider the effects of the endogenous uncer-
tainty introduced by AA-based computing, but only to estimate a posteriori
the corresponding approximation errors, which provide a rough estima-
tion of the solution robustness. Hence, the affine forms computed by these
approaches can underestimate the real solution bounds, not providing rig-
orous enclosures of the solution sets. To address this complex issue, in this
section the robust solution paradigm introduced in Eq. (2.29) is adopted.
In particular, let’s consider the following non-linear uncertain equation:

n
x̂ŷ = ẑF = zF0 + zFh εh (2.30)
h=1
where ẑF is a fixed affine form, while x̂ and ŷ are the unknown terms.
To solve this problem the original uncertain equation is recast by explicitly
considering the effect of the ‘second order’ noise symbols introduced by
the product operator, as follows:

n
n
x̂ ∗ ŷ = x0 y0 + x0 yh + y0 xh + xh yj εj εh = ẑF (2.31)
h=1 j=1
Hence, by matching the central values and the partial deviations of the two
affine forms, we obtain the following system of equations:

x0 y0 = zF0
(2.32)
x0 yh + y0 xh + nj=1 xh yj εj = zFh ∀h ∈ [1, n]

where the term nj=1 xh yj εj allows to explicitly quantify the effect of the
approximation error on each partial deviation.
This is a fundamental result since it allows quantifying a priori the effect
of the approximation error on the solution sets, demonstrating that, for this
class of problems, each partial deviation is not a number but an uncertain
variable, and more precisely it is an affine form sharing the same primitive
noise symbols of the fixed affine form. A further, and more useful, result
deriving by this mathematical formulation is that it is possible to reliably
satisfy the uncertain equations (2.32), by considering the worst case bounds
of the approximation error, which can be computed as:

n

Uh = ± xh yj ∀h ∈ [1, n] (2.33)
j=1
Starting from this result it is possible to compute a rigorous enclosure of

the real solution set by considering the robust formulation of the problem
(2.32), which is described by the following set of deterministic equations:

x0 y0 = zF0
(2.34)
x0 yh + y0 xh − nj=1 xh yj = zFh ∀h ∈ [1, n]
To assess the benefits of the proposed formalization let’s consider again the
problem formalized in (2.24), which can be recast as follows:
⎧
⎪
⎨ x0 = 4
2
2x0 x1 + x21 ε1 + x1 x2 ε2 = 0.8 (2.35)

⎪
⎩ 2x x + x x ε + x2 ε = 0.4
0 2 1 2 1 2 2
According to (2.34), a robust solution of this uncertain problem can be

obtained by solving the following set of deterministic equations:
⎧
⎪
⎨ x0 = 4
2
2x0 x1 − x21 − |x1 x2 | = 0.8 (2.36)

⎪
⎩ 2x x − |x x | − x2 = 0.4
0 2 1 2 2
which results in the following affine form:
x̂ = 2 + 0.2178ε1 + 0.1089ε2 (2.37)
In order to assess the robustness of this solution, let’s compute the corre-
sponding bounds:
x̂2 = 4 + 0.8713ε1 + 0.4354ε2 + 0.1067ε3

(2.38)
= [2.6933 ± 0.1067, 5.3067 ± 0.1067]
Hence, by considering the worst case, the solution bounds are:
x̂2 = [2.6933 + 0.1067, 5.3067 − 0.1067] = [2.8, 5.2] (2.39)

which, as expected, match the bounds of the fixed affine form ẑF . On the
contrary, if we compute the bounds of the solution (2.27), we obtain:
x̂2 = 4 + 0.8ε1 + 0.4ε2 + 0.09ε3 = [2.8 ± 0.09, 5.2 ± 0.09] (2.40)
and the corresponding worst case bounds are:
x̂2 = [2.8 + 0.09, 5.2 − 0.09] = [2.89, 5.11] (2.41)
which are an underestimation of the real solution bounds. This important

result confirms the effectiveness of this AA-based operator in the task of
computing robust enclosures of the solution sets.
2.5 Reliable solutions of constrained optimization problems

The adoption of the robust formulation introduced in the previous sec-
tion for non-linear equations solution can be generalized for solving a
special class of uncertain optimization problems, where the data uncer-
tainties are described by affine forms, and the objective function and the
system constraints are expressed by products of uncertain variables. This
kind of problems can be formalized as follows:
min fˆc (yr , x̂s )

yr ,x̂s
ĝm (yr , x̂s ) = ĝmF ∀r ∈ nF , s ∈ nX , m ∈ nE, l ∈ nI
ĥl (yr , x̂s ) ≤ hl
where yr are the real numbers describing the deterministic control vari-
ables, which can be fixed independently from the input data uncertainties
(e.g. the voltage magnitude of a generator equipped with an Automatic
Voltage Regulator), and x̂s are the affine forms describing the uncertain
state variables, which become uncertain due to the effects of the input data
uncertainties (e.g. the voltage magnitude at the load buses).
A robust solution of this problem can be found by minimizing the affine
cost function, satisfying both the equality and inequality constraints for all
the possible instances of the exogenous uncertainties and for the worst case
of the endogenous uncertainties. The overall problem can be formalized by
the following constrained multiobjective optimization problem:

n

min fc0 (yr , xs0 ), fc (yr , xs , xs ) + Uf (yr , xs , xs )
h 0 h c 0 h
yr ,xs0 ,xsh
h=1
gm0 (yr , xs0 ) = gmF 0
gmh (yr , xs0 , xsh ) − Ugmh (yr , xs0 , xsh ) = gmF h (2.42)

n

hl0 (yr , xs0 ) + hl (yr , xs , xs ) + Uh (yr , xs , xs ) ≤ hl
h 0 h l 0 h
h=1
∀ r ∈ nF , s ∈ nX , m ∈ nE, l ∈ nI
where the worst case bounds of the affine approximation errors Ufc , Ugmh ,
and Uhl , which are introduced by the non-linear function fˆc , ĝm , and ĥl ,
respectively, can be computed by using (2.33). The total number of γ is
nF, the total number of affine forms is nX, the number of equality and
inequality constraints is nE and nI, respectively.
The multiobjective nature of this deterministic programming problem
directly derives by the need of identifying a proper trade-off between the
minimization of the ‘nominal’ value and the maximization of the robust-
ness to parameter variations, here described by the central value and the
radius of the affine cost function, respectively. This result is consistent with
the definition of the minimization operator for affine forms proposed in
[13], but, in addition, it allows considering the effects of endogenous un-
certainties, providing rigorous enclosures of the solution sets, which can be
considered as a relevant result in the AA-based computing literature.
Moreover, the problem formalized in (2.42) can be considered as a
generalization of the conventional robust formulations, which solve the
uncertain optimization problem by means of multi-scenario analyses [14],
or by identifying the worst case instance of the exogenous variables by solv-
ing a min/max optimization problem [15]. In particular, it is expected that
the solution sets computed by multi-scenario-based methods are included
in the affine hulls computed by the AA-based method, and the relative
distance depends by the number of the analyzed scenario, while the worst
case solution obtained by solving the min-max optimization problem can
be reliably approximated by considering the upper bounds of the computed
affine forms.
In addition, the representation of the solution sets by affine forms in-
volves other important benefits, which mainly derive from the possibility
of quantifying the impacts of each source of uncertainty on both the cost

and the constraint functions.
To clarify these issues, let’s consider the following uncertain constrained
optimization problem:
min fc = 15.62x̂21 + 19.4x̂22

x̂1 ,x̂2
s. t . x̂1 + x̂2 − (0.0003x̂21 + 0.0009x̂22 ) = 550 + 50ε1 + 100ε2 (2.43)

150 ≤ x̂1 ≤ 600
100 ≤ x̂2 ≤ 400
According to the described AA-based method, this problem can be recast
in the following deterministic optimization problem:
min fc0 + fc1 + fc2

x10 ,x20 ,x11 ,x12 ,x21 ,x22
s. t . x10 + x20 − (0.0003x210 + 0.00009x220 ) = 550

0.0003(2x10 x11 + x211 + |x11 x12 |)+
+ 0.0009(2x10 x21 + x221 + |x21 x22 |) = 50
0.0003(2x10 x12 + x212 + |x11 x12 |)+ (2.44)
+ 0.0009(2x10 x22 + x222 + |x21 x22 |) = 100
150 ≤ x10 − x11 − x12
x10 + x11 + x12 ≤ 600
100 ≤ x20 − x21 − x22
x20 + x21 + x22 ≤ 400
where the objective function is the sum of both the central value and the
partial deviations of the affine cost function fc , which can be computed as:
fc0 = 15.62x210 + 19.4x220

fc1 = 15.62(2x10 x11 + x211 + |x11 x12 |) + 19.4(2x10 x21 + x221 + |x21 x22 |)
fc2 = 15.62(2x10 x12 + x212 + |x11 x12 |) + 19.4(2x10 x22 + x222 + |x21 x22 |)
(2.45)
The solution of this deterministic optimization problem allows computing
the parameters and the bounds of the affine solutions of the considered
problem:
x̂1 = 312.9270 + 30.9290ε1 + 57.3601ε2 = [224.6379, 401.2161]

(2.46)
x̂2 = 245.4320 + 20.7768ε1 + 46.1877ε2 = [178.4675, 312.3965]
To assess the robustness of the computed solution, the problem (2.43) has
been solved by a Monte Carlo-based algorithm, which repetitively solved
the optimization problem by sampling the input uncertainties in their al-
lowable domain, and by a max/min optimization problem, which identifies
the instances of the input uncertainty giving the worst/best cases, hence
obtaining the following solution bounds:
x1M = [232.1428, 398.9299]

x2M = [183.2970, 310.6745]
(2.47)
x1mM = [225.9211, 401.2161]
x2mM = [178.4770, 312.3963]
The comparison with the bounds obtained by the AA-based method

confirmed its effectiveness in identifying reliable enclosures of the solution
set.
Another relevant benefit deriving from the application of AA-based
computing in solving uncertain optimization problems is the representation
of the problem functions by affine forms, which allows directly identifying
their sensitivity to each source of uncertainty. For example, by analyzing the
affine cost function corresponding to the obtained affine solution (2.46), it
follows that:
fˆc = 269.8157 + 56.9853ε1 + 113.9684ε2 (2.48)
hence, it can be argued that the cost function deviates from its nominal
value to ±56.9853 and ±113.9684 due to the effects of the first and second
uncertainty source, respectively. To check the consistency of these results
we solved the problem by a Monte Carlo-based algorithm, which solved
the optimization problem by separately sampling each input uncertainty, by
keeping the other to zero. The obtained results are:
fc1 = [−51.5157, 55.6537] fc2 = [−91.4263, 111.8865] (2.49)
where fc1 and fc2 are the minimum/maximum cost function varia-
tions observed by separately sampling the first, and the second uncertainty
source, respectively. The comparison with the corresponding partial de-
viations confirmed the effectiveness of the AA-based method in reliably
describing the input data uncertainty propagation.
References
[1] R. Moore, Methods and Applications of Interval Analysis, vol. 2, SIAM, 1979.
[2] J. Stolfi, L.H. De Figueiredo, Self-validated numerical methods and applications, in:
Proceedings of the Monograph for 21st Brazilian Mathematics Colloquium, Citeseer,
1997.
[3] L.V. Kolev, A method for outer interval solution of linear parametric systems, Reliable
Computing 10 (3) (2004) 227–239.
[4] I. Skalna, A method for outer interval solution of parametrized systems of linear inter-
val equations, Reliable Computing 12 (2) (2006) 107–120.
[5] C. Jiang, X. Han, G. Liu, A sequential nonlinear interval number programming
method for uncertain structures, Computer Methods in Applied Mechanics and En-
gineering 197 (49) (2008) 4250–4265.
[6] C. Jiang, X. Han, G. Liu, G. Liu, A nonlinear interval number programming method
for uncertain optimization problems, European Journal of Operational Research
188 (1) (2008) 1–13.
[7] H. Ishibuchi, H. Tanaka, Multiobjective programming in optimization of the interval
objective function, European Journal of Operational Research 48 (2) (1990) 219–225.
[8] A. Bonarini, G. Bontempi, A qualitative simulation approach for fuzzy dynamical
models, ACM Transactions on Modeling and Computer Simulation 4 (4) (1994)
285–313.
[9] G. Bontempi, A. Vaccaro, D. Villacci, Power cables’ thermal protection by interval
simulation of imprecise dynamical systems, IEE Proceedings—Generation, Transmis-
sion and Distribution 151 (6) (2004) 673–680.
[10] J. Armengol, L. Travé-Massuyès, J. Vehi, J.L. de la Rosa, A survey on interval model
simulators and their properties related to fault detection, Annual Reviews in Control
24 (2000) 31–39.
[11] L.H. De Figueiredo, J. Stolfi, Affine arithmetic: Concepts and applications, Numerical
Algorithms 37 (1–4) (2004) 147–158.
[12] N.S. Nedialkov, V. Kreinovich, S.A. Starks, Interval arithmetic, affine arithmetic, Tay-
lor series methods: why, what next?, Numerical Algorithms 37 (1) (2004) 325–336.
[13] A. Vaccaro, C.A. Canizares, D. Villacci, An affine arithmetic-based methodology for
reliable power flow analysis in the presence of data uncertainty, IEEE Transactions on
Power Systems 25 (2) (May 2010) 624–632.
[14] Z. Chen, L. Wu, Y. Fu, Real-time price-based demand response management for
residential appliances via stochastic optimization and robust optimization, IEEE Trans-
actions on Smart Grid 3 (4) (2012) 1822–1831.
[15] H. Ye, Z. Li, Robust security-constrained unit commitment with recourse cost re-
quirement, in: 2015 IEEE Power Energy Society General Meeting, Jul. 2015, pp. 1–5.
CHAPTER 3
Uncertain power flow analysis

Reliable enclosures of the power flow solutions
PF analysis allows power system engineers to calculate the steady-state elec-

trical quantities characterizing each bus of the power network, under the
assumption of balanced system operation, such as voltage magnitude and
angle, active and reactive power injected into the grid. Depending on the
bus type, different input and output variables of the PF analysis can be
identified:
• Load buses: they are typically modeled as PQ buses, where active and
reactive power injected into the grid are fixed, and the bus voltage
magnitude and angle are the corresponding output variables, which are
computed by solving the PF equations.
• Generation buses: they are typically modeled as PV buses, where in-
jected active power and voltage magnitude are fixed, while injected
reactive power and voltage angle are the output variables.
• Slack bus: in this bus, typically referred as V δ or reference bus, the
voltage angle and magnitude are set, hence defining a reference for the
whole network, while injected active and reactive power are the output
variables.
The input and output variables of the PF problem are bound by the fol-
lowing set of non-linear equations, which describes the active and reactive
power balance at each bus:

N

PiSP = Vi Vj Yij cos δi − δj − θij ∀ i ∈ NP
j=1
(3.1)

N

QjSP = Vj Vk Yjk sin δj − δk − θjk ∀j ∈ NQ
k=1
The number of buses of the network is N, and it can be split in NP and

NQ , which are the sets of buses where active and reactive power are fixed,
respectively. Active and reactive power injections at a generic bus i are PiSP
and QiSP , whereas Vi ∠δi is the voltage phasor and Yij ∠θij is the generic
element of the admittance matrix.
The solution of these equations requires the deployment of iterative

schemes, e.g. Newton Raphson or Gauss Seidel-based methods, which al-
lows obtaining a solution defined within an acceptable tolerance. These
algorithms approximate the non-linear PF equations by using the corre-
sponding Jacobian matrix, and solve the obtained linearized system through
numerical iterations and sparse factorization techniques. More sophisticated
solution schemes allow constraining the PF output variables according to
physical or operation limits, such as the maximum allowable active and re-
active power injected at particular buses, or the allowable ranges of the bus
voltage magnitudes. These schemes include PQ/PV bus switching algo-
rithm, which allows modeling the limits on the reactive power generated,
and the complementarity conditions-based techniques, which allow mod-
eling the effects of the generation voltage controllers [1].
The formalization of PF problem in (3.1) requires the specification of
deterministic variables, which are defined either by measurements or ex-
pert knowledge. This definition requires a set of assumptions on the input
data, which represent only a little set of all the possible system’s conditions.
Hence, when dealing with uncertain input conditions, multiple analyses
corresponding to various scenarios are required.
The presence of these uncertain input conditions requires the deploy-
ment of robust solution methods, otherwise the PF solutions might be not
representativeof the real operation conditions. These methods are used to
both characterize the uncertainty sources and to assess their propagation
over the outputs. An additional benefit of employing these methods is that
a sensitivity analysis of output variables with respect to inputs is automati-
cally obtained, together with the solution bounds.
3.1 Problem formulation

AA can be adopted to obtain a robust solution of PF equations. The de-
scribed model is suitable for large-scale power system analyses, where the
research for robust and computationally efficient algorithms represents a
relevant issue to address.
The application of AA to PF consists in expressing each state vari-
able by a first order polynomial, consisting of a central value and a set
of partial deviations, each associated to the corresponding noise symbol,
which describes an independent uncertain source affecting power sys-
tem operation. In this context, it has been assumed that all the active
and reactive power injections are unknown but bounded in the intervals
Uncertain power flow analysis 25
[PhSP
,min , Ph,max ] ∀h ∈ NP and [Qk,min , Qk,max ] ∀k ∈ NQ , respectively. Hence,
SP SP SP
the corresponding (known) affine forms describing these uncertain vari-

ables are:
PhSP,max + PhSP,min PhSP,max − PhSP,min P
P̂hSP = + εh ∀ h ∈ NP
2 2 (3.2)
QSP + QkSP,min QkSP,max − QkSP,min Q
Q̂kSP = k,max + ε k ∀ k ∈ NQ
2 2
where εhP , h ∈ NP and εkQ , k ∈ NQ are the noise symbols representing the
uncertainty of the active power injection at the h-th bus and the reactive
power injection at the k-th bus, respectively.
Consequently, the unknown affine forms representing the power system
state variables can be represented as:

V̂j = Vj,0 + VjP,h εhP + VjQ,k εkQ ∀j ∈ NQ
h∈NP k∈NQ
(3.3)
Q Q
δ̂i = δi,0 + δiP,h εhP + δi,k εk ∀ i ∈ NP
h∈NP k∈NQ
In Eq. (3.3) Vj,0 , δi,0 are the central values related to the voltage phasor
of the i-th bus, whereas VjP,h , δjP,h and VjQ,h , δjQ,h are the partial deviations of
the j-th voltage phasor due to uncertain active and reactive power injections
at the h-th bus, respectively.
3.2 Affine arithmetic based solution of the power flow

equations
The central values of the affine forms describing the power system state
variables can be computed by solving deterministic PF equations, as in
Eq. (3.1), assuming that all the uncertain injected powers are equal to their
central values, while the corresponding partial deviations can be approxi-
mated through the sensitivities of the voltage magnitude and angles with
respect to the injected active and reactive powers at the nominal operating
point, i.e.:
∂ Vj Q ∂ Vj
VjP,h = |0 Ph Vj,k = |0 Qk ∀ h ∈ NP , ∀ j , k ∈ NQ
∂ Ph ∂ Qk
(3.4)
∂δi Q ∂δi
δiP,h = |0 Ph δi,k = |0 Qk ∀ i , h ∈ NP , ∀ k ∈ NQ
∂ Ph ∂ Qk
These equations typically lead to an underestimation of the exact re-

sult, which we would obtain in the case of a linear system of equations
[2]. Hence, in order to guarantee the inclusion of the solution domain, the
approximated partial deviations are multiplied by an amplifying coefficient.
After obtaining this outer estimation, a domain contraction method is ap-
plied to narrow the bounds. Eq. (3.3) is plugged with the approximations
defined in Eq. (3.4) in the right hand side of PF equations, in Eq. (3.1) to
compute the following AA form of the injected powers:

Q̂j = Qj,0 + QjP,h εhP + QjQ,k εkQ + Qj,a εa ∀j ∈ NQ
h∈NP k∈NQ a∈Na
(3.5)

P̂i = Pi,0 + PiP,h εhP + PiQ,k εkQ + P i ,a ε a ∀ i ∈ NP
h∈NP k∈NQ a∈Na
where P̂i and Q̂j are the affine forms of the calculated active and reactive
power injections in the i-th and j-th bus, respectively. Due to the pres-
ence of non-affine operations, additional noise symbols are required, which
are defined as εa . The coefficients of each noise symbols are expressed as
QjP,h (PiP,h ), and QjQ,k (PiQ,k ), together with Qj,a and Pi,a which depend on
the approximation error introduced by the non-affine operations. The val-
ues Qj,0 (Pi,0 ) are the central values, corresponding to the deterministic
case.
The AA operators defined in (2.12)–(2.14) and the affine approxima-
tions of the sinusoidal functions described in [3] are used to obtain QjP,h ,
QjQ,k , Qj,a , PiP,h , PiQ,k , and Pi,a . The obtained affine forms (3.5) can then be
arranged in the following matrix form:
⎡ ⎤ ⎡ ⎤
Q̂1 Q1,0
⎢ ... ⎥ ⎢ ... ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢Q̂NQ ⎥ ⎢QNQ ,0 ⎥
⎢ ⎥ =⎢ ⎥+
⎢ ⎥ ⎢ ⎥
⎢ P̂1 ⎥ ⎢ P1,0 ⎥
⎢ ⎥ ⎢ ⎥
⎣ ... ⎦ ⎣ ... ⎦
P̂NP PNP ,0
⎡ ⎤⎡ ⎤
Q1P,1 ... Q1P,NP Q1Q,1 Q
... Q1,NQ εP
⎢ ⎥⎢ 1 ⎥
⎢ ... ... ... ... ... ... ⎥ ⎢ ... ⎥
⎢ P ⎥⎢ P ⎥
⎢Q Q
... QNQ ,NQ ⎥
Q
⎥⎢ ε ⎥
P
... QN QN
⎢ N ,1 Q ,NP Q ,1 ⎢ NP ⎥ +
+⎢ Q ⎥ ⎢ εQ ⎥
⎢ PP P1Q,1 ... P1,NQ ⎥
Q
⎢ 1,1 ... P1P,NP ⎥⎢⎢ 1 ⎥
⎥
⎢ ... ⎥ ⎣ ... ⎦
⎣ ... ... ... ... ... ⎦
Q
PNP P ,1 ... PNP P ,NP PNQP ,1 Q
... PN ,N P Q
εNQ
⎡ ⎤⎡ ⎤
Q1,1 ... Q1,NN ε1
⎢ ... ... ⎥
⎢ ... ⎥⎢ ... ⎥
⎢ ⎥⎢ ⎥
⎢QNQ ,1 ... QNQ ,NN ⎥ ⎢ ... ⎥
+⎢ ⎥⎢ ⎥
⎢ ⎥⎢ ⎥ (3.6)
⎢ P1,1 ... P1,NN ⎥ ⎢ ⎥
⎢ ...
⎢ ⎥ ⎣ ... ⎥⎦
⎣ ... ... ... ⎦
PNP ,1 ... PNP ,NN εNa
where NP and NQ represent the number of PV buses and PQ buses, re-

spectively, and Na is the number of the noise symbols accounting for the
approximation errors. In a more general form, (3.6) can be written as:
F(X) = AX + B (3.7)
where
⎡ ⎤
Q1P,1 ... Q1P,NP Q1Q,1 Q
... Q1,NQ
⎢ ⎥
⎢ ... ... ... ... ... ... ⎥
⎢ P ⎥
⎢Q P
... QN
Q
QN ... QNQ ,NQ ⎥
Q
⎢ N ,1 Q ,NP Q ,1 ⎥
A = ⎢ PQ ⎥ (3.8)
⎢ P ... P1P,NP P1Q,1 ... P1,NQ ⎥
Q
⎢ 1, 1 ⎥
⎢ ... ... ⎥
⎣ ... ... ... ... ⎦
PNP P ,1 ... PNP P ,NP PNQP ,1 Q
... PNP ,NQ
⎤⎡
ε1P
⎢ ... ⎥
⎢ ⎥
⎢ εP ⎥
⎢ NP ⎥
X=⎢
⎢ εQ ⎥
⎥ (3.9)
⎢ 1 ⎥
⎢ ⎥
⎣ ... ⎦
Q
εNQ
⎡ ⎤ ⎡ ⎤⎡ ⎤
Q1,0 Q1,1 ... Q1,Na ε1
⎢ ... ⎥ ⎢ ... ... ⎥
⎢ ⎥ ⎢ ... ⎥⎢ ... ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢QNQ ,0 ⎥ ⎢QNQ ,1 ... QNQ ,Na ⎥ ⎢ ... ⎥
⎢
⎢
B=⎢ ⎥+⎢ ⎥⎢ ⎥
⎥ ⎢ ⎥ ... ⎥ (3.10)
⎢ P1,0 ⎥ ⎢ P1,1 ... P1,Na ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ ... ⎦ ⎣ ... ... ... ⎦ ⎣ ... ⎦
PNP ,0 PNP ,1 ... PNP ,Na εNa
The real-valued matrix A contains the partial deviations of the com-

puted injected active and reactive powers, while both X and B are interval
vectors. In particular, B models endogenous noise due to non-affine com-
putations.
The PF solution can then be obtained by contracting the vector X so
that:
AX + B = FSP (3.11)
where FSP is the following interval vector defining the interval of active
and reactive powers:
⎡ ⎤
[Q1SP,min , Q1SP,max ]
⎢ ⎥
⎢ ... ⎥
⎢ SP ⎥
⎢[QNQ ,min , QNQ ,max ]⎥
SP
F =⎢
SP ⎢ ⎥ (3.12)
⎥
⎢ [P1SP , P SP
] ⎥
⎢ ,min 1,max ⎥
⎣ ... ⎦
[PNP ,min , PNP ,max ]
SP SP
Hence, the overall problem can be recast by the following system of

linear interval equations:
AX = C (3.13)
where C = FSP − B, and A is a real matrix.

A reliable solution of the linear interval problem formalized in (3.13)
can be obtained by solving the following NP + NQ constrained linear opti-
mization problems:
Q
min (εk , εhP ) ∀ k ∈ NQ , ∀ h ∈ NP
Q
s.t. −1 ≤ ε k ≤ 1, −1 ≤ εhP ≤ 1 (3.14)
inf (C) ≤ AX ≤ sup(C)
Q
max (εk , εhP ) ∀ k ∈ NQ , ∀ h ∈ NP
Q
s.t. −1 ≤ ε k ≤ 1, −1 ≤ εhP ≤ 1 (3.15)
inf (C) ≤ AX ≤ sup(C)
The corresponding PF solution can then be obtained by using conven-
tional linear programming problem solvers [4]:

V j = Vj , 0 + VjP,h [εhP,min , εhP,max ] + VjQ,k [εkQ,min , εkQ,max ] ∀j ∈ NQ
h∈NP k∈NQ
Q Q Q
δi = δi,0 + δiP,h [εhP,min , εhP,max ] + δi,k [εk,min , εk,max ] ∀ i ∈ NP
h∈NP k∈NQ
(3.16)
This solution scheme is an improved alternative to the conventional
linearization-based technique used when solving uncertain non-linear
equations by IA:
F(x0 + x) = F(x) + J(x0 )x ∀x ∈ x0 (3.17)
where x0 is a vector of intervals, the Jacobian matrix J(x0 ) is an interval ma-

trix, and F(x) is a real vector defined by x, which is typically the midpoint
of x0 . The solution of Eq. (3.17) requires inverting the interval matrix J(x0 )
and this is a nontrivial problem [5,6]. However, the solution described in
Eq. (3.13) is computationally more efficient and it does not require matrix
inversions. Hence, it can be applied to solve large-scale problems.
3.3 Numerical results

The described AA-based PF method has been applied for uncertain power
flow analysis of three IEEE test systems, by modeling the generators reactive
power limits by using the PQ/PV switching method. The validation of the
solution has been obtained by using Monte Carlo simulations with uniform
distribution of uncertain variables, which is assumed to include all possible
scenarios. A total of 5000 different samples have been randomly selected,
and for each one of them, the PF solution was computed. This procedure
allowed finding the maximum and minimum limits of the state variables.
Increasing the number of simulations over 5000 did not yield significant
changes in the solution tolerance.
A vectorial-based approach was adopted, since all calculations were per-
formed in Matlab® . Hence vectors of affine forms were represented by
modeling the central values and the partial deviations by vector compo-
nents.
For the examples presented, an uncertainty of ±20% (40%) was assumed
on fixed active and reactive powers. This interval may represent the uncer-
tainty introduced by variable renewable energy sources, such as wind and
solar. The solution was found by applying the AA-based PF, previously de-
scribed. Simulations were conducted on an Intel Core Duo CPU @ 3 GHz
with 3 GB RAM and the obtained results are presented and discussed in
the following sections for each considered case study.
3.3.1 IEEE 30-bus network

The IEEE 30-bus network is modeled based on the data available in [7]. Ac-
tive and reactive powers obtained as solutions of the uncertain PF through
AA are shown in Fig. 3.1 and 3.2. The comparison with Monte Carlo sim-
ulations in Figs. 3.3–3.4 show that voltage phasors at each bus are within
robust bounds. Furthermore, since bus 27 violated the upper limits, the bus
changed from PV to PQ and the calculations were carried out again. The
final reactive power produced by each PV bus after bus-type switches is
shown in Fig. 3.5.

The data of IEEE 57-bus network are provided in [7]. The active and
reactive power profiles at each bus are depicted in Fig. 3.6 and 3.7. Also in
this case, bus switch is necessary from PV to PQ, for buses 6 and 8. The
generated reactive powers are fixed at the maximum allowable values and
the final PF solution is calculated.
The comparison with Monte Carlo is shown in Figs. 3.8, 3.9, 3.10,
showing interval voltage magnitudes, phase angles and reactive power of
PV buses, respectively.

The IEEE 118-bus network is composed of 118 buses, 54 generators, 64
loads, and 186 lines [7].
The power profiles are assumed to be distributed as shown in Figs. 3.11
and 3.12. AA-based and Monte Carlo solutions are compared, as shown in
Figs. 3.13, 3.14, 3.15. Furthermore, Figs. 3.13 and 3.14 depict bus voltages
Figure 3.1 Interval active power for each bus of the 30-bus network.
Figure 3.2 Interval reactive power for each bus of the 30-bus network.
Figure 3.3 Interval voltage magnitude for each bus of the 30-bus network.
Figure 3.4 Interval voltage phase angle for each bus of the 30-bus network.
Figure 3.5 Interval reactive power of 30-bus network’s PV bus.
Figure 3.6 Interval active power for each bus of the 57-bus network.
Another random document with
no related content on Scribd:
— Millainen hän sitten on? — kysyi Aljoša. — Onko hän kantelija?
Pojat katsahtivat toisiinsa ja olivat nauravan näköisiä.
— Tehän olette menossa samaan suuntaan, Mikaelinkadulle? —

jatkoi sama poika. — Ottakaapa hänet kiinni… Kas, tuolla, näettekö,
hän pysähtyi taas, hän odottaa ja katselee teitä.
— Teitä katselee, teitä katselee! — yhtyivät pojat.
— Kysykääpä häneltä, pitääkö hän pesurievusta, hajalleen

revitystä niinihoskasta. Kuulkaa, kysykää juuri noin.
Kaikki alkoivat nauraa hohottaa. Aljoša katseli heitä ja he häntä.
— Älkää menkö, hän paukauttaa teitä, — huudahti Smurov

varoittaen.
— Pojat, minä en kysy häneltä mitään pesurievusta, sillä

luultavasti te jollakin tavoin ärsyttelette häntä sillä sanalla, mutta
minä saan häneltä tietää, miksi te häntä niin vihaatte…
— Koettakaa vain, koettakaa vain saada tietää, — nauroivat pojat.
Aljoša meni sillan yli ja lähti kulkemaan aidan vierustaa mäkeä

ylös suoraan poikaa kohti, joka oli toisten epäsuosiossa.
— Katsokaa, huudettiin hänen jälkeensä varoittavasti, — hän ei

pelkää teitä, hän saattaa äkkiä pistää, aivan kavalasti… niinkuin
Krasotkinia…
Poika odotti häntä liikahtamatta paikaltaan. Kun Aljoša oli tullut

aivan hänen luokseen, niin hän näki edessään lapsen, joka ei ollut
yhdeksää vuotta vanhempi, oli heikko ja pienikokoinen, kasvot laihat
ja pitkulaiset, silmät suuret ja tummat, ja ne katselivat Aljošaa
häijysti. Hänen yllään oli jokseenkin vanha ja huono päällystakki,
joka oli jäänyt hänelle naurettavan pieneksi. Paljaat kädet pistivät
ulos hihoista. Housujen oikeassa lahkeessa oli polven kohdalla iso
paikka ja oikean jalan saappaan kärjessä isonvarpaan kohdalla iso
reikä, jota oli kovasti voideltu musteella. Hänen päällystakkinsa
molemmissa pullottavissa taskuissa oli kiviä. Aljoša pysähtyi hänen
eteensä parin askelen päähän katsoen häneen kysyvästi. Poika,
joka heti arvasi Aljošan silmistä, että tämä ei aio lyödä häntä, tuli
myös rohkeaksi ja alkoi itse puhua:
— Minä olen yksin ja heitä on kuusi… Minä yksin annan selkään

heille kaikille, — sanoi hän äkkiä, ja hänen silmänsä salamoivat.
— Yksi kivi taisi sattua teihin hyvin kipeästi, — huomautti Aljoša.
— Mutta minäpä osasin Smurovia päähän! — huudahti poika.
— Ne sanoivat minulle siellä, että te tunnette minut ja jostakin

syystä heititte minua kivellä? — kysyi Aljoša.
Poika katsoi häneen synkästi.
— Minä en tunne teitä. Tunnetteko te sitten minut? — jatkoi Aljoša

kyselyään.
— Antakaa minun olla rauhassa? — huudahti äkkiä poika äreästi,

mutta ei liikahtanut paikaltaan, vaan näytti yhä odottavan jotakin, ja
hänen silmänsä kiiluivat taas häijysti.
— Hyvä on, minä menen, — sanoi Aljoša, — mutta minä en tunne

teitä enkä ärsytä teitä. He sanoivat minulle, kuinka teitä ärsytetään,
mutta minä en tahdo teitä ärsyttää. Hyvästi.
— Munkki silkkihousuissa! — huudahti poika katsoen edelleen
yhtä häijyn ja uhmailevan näköisenä Aljošaa ja asettuen
puolustusasentoon, koska hän näytti luulevan, että Aljoša nyt aivan
varmasti hyökkää hänen kimppuunsa, mutta Aljoša kääntyi, katsoi
häneen ja meni pois. Hän ei ollut ennättänyt astua kolmea
askeltakaan, kun hänen selkäänsä kipeästi sattui pojan heittämä
kaikkein suurin mukulakivi, mikä tällä oli ollut taskussa.
— Te siis heitätte takaapäin? Ehkäpä he ovatkin oikeassa, kun

sanovat teidän käyvän kimppuun salakavalasti? — sanoi Aljoša
kääntyen taas päin, mutta nyt poika raivostuneena taas heitti Aljošaa
kivellä suoraan kohti kasvoja. Aljoša ennätti kuitenkin ajoissa nostaa
kätensä suojakseen, ja kivi sattui hänen kyynärpäähänsä.
— Ettekö häpeä! Mitä minä olen teille tehnyt? — huudahti hän.
Poika odotti ääneti ja uhmailevana vain sitä, että Aljoša nyt toki
välttämättömästi hyökkäisi hänen kimppuunsa. Kun hän näki että
tämä nytkään ei aio sitä tehdä, niin hän vimmastui kuin peto: hän
syöksyi paikaltaan ja hyökkäsi Aljošan kimppuun, eikä tämä
ennättänyt liikahtaakaan, kun ilkeä poika taivuttaen päänsä alas ja
tarttuen molemmin käsin hänen vasempaan käteensä puraisi
kipeästi hänen keskisormeaan. Poika pureutui siihen hampaineen
eikä noin kymmeneen sekuntiin päästänyt sitä irti. Aljoša huudahti
kivusta ja nyki kaikin voimin sormeaan. Poika päästi sen viimein irti
ja juoksi pois entisen välimatkan päähän. Sormea hän oli purrut
kipeästi aivan kynnen kohdalta syvälle luuhun asti, ja siitä virtasi
verta. Aljoša otti taskustaan liinan ja kääri sen tiukasti haavoitetun
käden ympäri. Käärimiseen meni melkein kokonainen minuutti. Poika
seisoi kaiken aikaa ja odotti. Viimein Aljoša kohotti häneen
rauhallisen katseensa.
— No, hyvä, — sanoi hän, — näette, kuinka kipeästi olette minua
purrut, kai se jo riittää? Sanokaa nyt, mitä minä olen teille tehnyt?
Poika katseli häntä ihmetellen.
— Vaikka minä en ollenkaan tunne teitä ja näen teidät

ensimmäisen kerran, — jatkoi Aljoša yhä yhtä rauhallisesti, — niin
onhan minun täytynyt teille jotakin tehdä, ettehän te syyttä kiusaisi
minua tällä tavoin. Mitä minä siis olen tehnyt ja miten olen rikkonut
teitä vastaan, sanokaa?
Vastauksen asemesta poika alkoi yht'äkkiä kovalla äänellä itkeä ja

juoksi pois Aljošan luota. Aljoša lähti hiljaa kulkemaan hänen
jäljessään Mikaelinkadulle ja näki vielä pitkän aikaa, kuinka poika
juoksi etäällä vauhtiaan hiljentämättä, taakseen katsomatta ja
luultavasti yhä täyttä kurkkua itkien. Hän päätti ehdottomasti heti,
kun saisi aikaa siihen, etsiä pojan käsiinsä ja selvittää tämän
arvoituksen, joka häntä suuresti hämmästytti. Mutta nyt ei ollut aikaa.
4.
Hohlakovien luona
Hän saapui pian rouva Hohlakovin talon luo. Se oli kivitalo,

kaksikerroksinen, kaunis, parhaita taloja kaupungissamme. Vaikka
rouva Hohlakov enimmäkseen asui toisessa kuvernementissa, missä
hänellä oli maatila, tai Moskovassa, missä hänellä oli oma talo, niin
hänellä oli meidänkin kaupungissamme isiltä ja isoisiltä peritty oma
talonsa. Myös se maatila, jonka hän omisti meidän
kihlakunnassamme, oli suurin kaikista hänen kolmesta maatilastaan,
mutta tähän saakka hän oli varsin harvoin käynyt meidän
kuvernementissamme. Hän juoksi Aljošaa vastaan ulos eteiseen.
— Saitteko, saitteko kirjeen uudesta ihmeestä? — alkoi hän puhua

nopeasti ja hermostuneesti.
— Sain kyllä.
— Levitittekö tietoa, näytittekö kaikille? Hän antoi äidille jälleen

pojan!
— Hän kuolee tänään, — sanoi Aljoša.
— Olen kuullut, tiedän, oi kuinka haluan puhua kanssanne! Teidän

taikka jonkun muun kanssa kaikesta tästä, ei, teidän kanssanne,
teidän kanssanne! Kuinka ikävää, etten mitenkään saa häntä nähdä!
Koko kaupunki on jännityksessä, kaikki ovat odotuksen vallassa.
Mutta nyt… tiedättekö, että nyt meillä istuu Katerina Ivanovna?
— Ah, se kävi onnellisesti! — huudahti Aljoša. — Nyt tapaankin

hänet teillä, hän käski eilen minua tulemaan välttämättömästi
luokseen tänään.
— Minä tiedän kaikki, tiedän kaikki. Olen kuullut yksityiskohtaisesti

kaikki, mitä eilen tapahtui hänen luonaan… ja kaikista noista
kauheista asioista tuon… elukan kanssa. C'est tragique, ja minä
hänen sijassaan — en tiedä mitä tekisin hänen sijassaan! Mutta
veljennekin, tuo Dmitri Fjodorovitš, onpa hänkin vasta — voi, hyvä
Jumala! Aleksei Fjodorovitš, minä olen aivan pyörällä päästäni,
ajatelkaahan: siellä istuu nyt teidän veljenne, ei se kauhea eilinen,
vaan toinen, Ivan Fjodorovitš, istuu ja puhuu hänen kanssaan: heillä
on juhlallinen keskustelu… Ja jospa te vain uskoisitte, mitä heidän
kesken nyt tapahtuu, — se on kerrassaan kauheata, se on, sanon
minä teille, mullerrus, se on mitä kamalin satu, jota on aivan
mahdotonta uskoa: he molemmat saattavat käsittämättömästä
syystä toisensa turmioon, he itse tietävät sen ja itse nauttivat siitä.
Olen odottanut teitä! Olen hartaasti halunnut tavata teitä! Pääasia,
en jaksa kestää tätä. Kerron teille kohta kaikki, mutta nyt on toinen ja
aivan kaikkein tärkein asia, — ah, minähän unohdinkin, että se on
kaikkein tärkein: sanokaa, miksi Lise on saanut hysteerisen
kohtauksen? Kun hän vain kuuli teidän olevan tulossa, niin hän sai
heti hysteerisen kohtauksen!
— Maman, teillähän nyt on hysteerinen kohtaus eikä minulla, —

sipisi äkkiä oven raosta Lisen ääni viereisestä huoneesta. Rako oli
hyvin pieni ja ääni oli tukahtunut, aivan sellainen kuin syntyy, kun
hirveästi tekisi mieli nauraa, mutta kaikin voimin hillitsee itsensä.
Aljoša huomasi heti tuon raon, ja varmaankin Lise katseli sen läpi
lepotuolistaan häntä, mutta sitä hän ei kylläkään voinut nähdä.
— Tuo ei ole viisasta, Lise, ei ole viisasta… sinun oikkusi tuottavat

minullekin hysteerisen kohtauksen, mutta muuten hän on niin kovin
sairas, Aleksei Fjodorovitš, hän on koko yön ollut niin sairas,
kuumeessa, on vaikeroinut! Tuskin jaksoin odottaa aamua ja
Herzenstubea. Tämä sanoo, että hän ei ymmärrä tautia ensinkään ja
että pitää odottaa. Tuo Herzenstube tulee aina ja sanoo, että hän ei
ymmärrä ensinkään. Heti kun te tulitte talomme luo, Lise huudahti ja
sai kohtauksen ja käski kuljettamaan itsensä tänne omaan
huoneeseensa…
— Äiti, en minä ollenkaan tietänyt, että hän oli talon luona, en

minä ollenkaan hänen tähtensä tahtonut siirtyä tähän huoneeseen.
— Se ei ole totta, Lise, juoksihan Julia sinulle sanomaan, että
Aleksei
Fjodorovitš on tulossa, sinä olit pannut Julian vahtimaan.
— Ystäväiseni, äitikulta, tämä ei ole ensinkään älykästä teidän

puoleltanne. Mutta jos tahdotte olla mieliksi ja sanoa nyt heti jotakin
oikein älykästä, niin sanokaa, rakas äiti, nyt sisään astuneelle
armolliselle herralle Aleksei Fjodorovitšille, että hän jo sillä on
osoittanut olevansa kaikkea muuta kuin älykäs, että hän on katsonut
voivansa tulla tänään meille eilisen tapahtuman jälkeen ja siitä
huolimatta, että kaikki nauravat hänelle.
— Lise, sinä otat itsellesi liian paljon vapauksia, ja minä vakuutan

sinulle, että ryhdyn lopulta ankariin toimenpiteisiin. Kuka hänelle
nauraa, minä olen niin iloissani, että hän tuli, hän on minulle
tarpeellinen, aivan välttämätön. Oh, Aleksei Fjodorovitš, minä olen
tavattoman onneton!
— Mikä teitä sitten vaivaa, äitikulta?
— Ah, nuo sinun oikkusi, Lise, epävakaisuus, sairautesi, tämä

kauhea yö kuumeessa, tuo kamala ja ikuinen Herzenstube, ennen
kaikkea ikuinen, ikuinen ja ikuinen! Ja lopuksi kaikki, kaikki… Ja
vihdoin viimein myöskin tuo ihme! Oi, kuinka tämä ihme minua
hämmästytti, kuinka se minua järkytti, rakas Aleksei Fjodorovitš! Ja
tuo tragedia nyt tuolla vierashuoneessa, jota en voi kestää, en voi,
sanon Sen teille edeltäpäin, en voi. Kenties se on komedia eikä
tragedia. Sanokaa, elääkö luostarinvanhin Zosima vielä huomiseen
asti, elääkö? Voi hyvä Jumala! Miten onkaan laitani, minä suljen
tavantakaa silmäni ja näen, että kaikki on roskaa, kaikki on roskaa.
— Pyytäisin teitä, — keskeytti Aljoša äkkiä, — antamaan minulle
jonkin puhtaan vaatetilkun, jotta voisin sitoa sormeni. Olen saanut
siihen pahan haavan, ja sitä kivistää nyt kovin.
Aljoša paljasti näkyviin purrun sormensa. Liina oli paksulta veren

tahrima. Rouva Hohlakov huudahti ja siristi silmiään.
— Herra Jumala, millainen haava, se on kauheata!
Mutta heti kun Lise näki raosta Aljošan sormen, hän avasi oven
selko selälleen.
— Tulkaa, tulkaa sisään tänne luokseni, — huudahti hän

innokkaasti ja käskevästi, — ei mitään tyhmyyksiä nyt enää. Voi
hyvä Jumala, miksi te seisoitte ja olitte vaiti niin kauan? Veri olisi
voinut juosta hänestä kuiviin, äiti! Missä te noin, miten te! Ennen
kaikkea vettä, vettä! Täytyy pestä haava, pistää se suorastaan
kylmään veteen, jotta kipu lakkaisi, ja pitää siinä, pitää yhä… Pian,
pian vettä, äiti, huuhtelumaljaan. No pian nyt, — lopetti hän
hermostuneesti. Hän oli hyvin pelästynyt, Aljošan haava saattoi
hänet pahasti hermostumaan.
— Eikö olisi lähetettävä hakemaan Herzenstubea? — huudahti

rouva
Hohlakov.
— Äiti, te tapatte minut. Teidän Herzenstubenne tulee ja sanoo,

että ei ensinkään ymmärrä! Vettä, vettä! Äiti, Jumalan tähden,
menkää itse, hoputtakaa Juliaa, joka on jäänyt jonnekin
kuhnailemaan eikä koskaan voi tulla nopeasti! Pian nyt, äiti, muuten
minä kuolen…
— Tämähän on aivan mitätöntä! — huudahti Aljoša pelästyen
heidän säikähdystään.
Julia kiiruhti sisälle tuoden vettä. Aljoša pisti siihen sormensa.
— Äiti, Jumalan tähden, tuokaa haavasidettä, haavasidettä ja sitä

väkevää sameata vettä haavoja varten, no, mikä sen nimi nyt taas
onkaan! Meillä on sitä, on on… Äiti, te tiedätte itse, missä pullo on,
teidän makuuhuoneenne kaapissa oikealla, siellä on iso pullo ja
haavakangasta…
— Minä tuon heti kaikki, Lise, älä vain huuda äläkä ole levoton.
Näetkö, kuinka lujana Aleksei Fjodorovitš kantaa onnettomuutensa.
Missä te olettekaan voinut niin kamalasti haavoittua, Aleksei
Fjodorovitš?
Rouva Hohlakov poistui kiireesti huoneesta. Sitä juuri Lise olikin

odottanut.
— Ennen kaikkea vastatkaa kysymykseen, — alkoi hän nopeasti

puhua Aljošalle, — missä te olette tuolla tavoin haavoittunut? Sitten
minä puhun kanssanne aivan toisesta asiasta. No!
Aljoša tunsi vaistomaisesti, että äidin poissaoloaika oli Liselle

kallista, ja hän kertoi tälle nopeasti, jättäen pois ja lyhentäen paljon,
mutta kuitenkin täsmällisesti ja selvästi arvoituksellisesta
kohtauksestaan koulupoikien kanssa. Kuultuaan kertomuksen Lise
löi käsiään yhteen:
— No, kuinka te voittekaan, kuinka te voittekaan ryhtyä tekemisiin

poikanulikoitten kanssa ja vielä tuossa puvussa! — huudahti hän
vihaisesti aivan kuin hänellä olisi ollut jonkinmoinen oikeus Aljošaan.
— Tehän olette itse tämän jälkeen poika, kaikkein pienin poika mitä
voi olla! Ottakaa kuitenkin kaikin mokomin jotenkuten selvä tuosta
ilkeästä pojannallikasta ja kertokaa minulle kaikki, sillä tässä on jokin
salaisuus. Nyt toiseen asiaan, mutta sitä ennen kysymys: voitteko te,
Aleksei Fjodorovitš, kivun tuottamasta kärsimyksestä huolimatta
puhua aivan tyhjänpäiväisistä asioista, mutta puhua järkevästi?
— Voin varsin hyvin enkä tunne enää niin suurta kipuakaan.
— Se johtuu siitä, että sormenne on vedessä. Vettä on heti

vaihdettava, sillä se lämpenee yht'äkkiä. Julia, tuo heti palanen jäätä
kellarista ja uusi huuhdemalja vettä täynnä. No, nyt hän meni, minä
käyn asiaan: heti paikalla, rakas Aleksei Fjodorovitš, suvaitkaa antaa
minulle kirjeeni, jonka lähetin teille eilen, — silmänräpäyksessä, sillä
äiti voi tulla heti enkä minä tahdo…
— Minulla ei ole kirjettä mukanani.
— Se ei ole totta, se on mukananne. Minä arvasin, että vastaatte

näin. Se on tuolla taskussanne. Minä olen suuresti katunut tuota
tyhmää pilaa koko yön. Antakaa kirje heti takaisin, antakaa!
— Se jäi sinne.
— Mutta te ette voi pitää minua tyttösenä, pikkuisena tyttösenä,

kirjeeni jälkeen, jossa oli niin typerä pila! Pyydän teitä antamaan
anteeksi tyhmän pilani, mutta kirje teidän on välttämättömästi minulle
tuotava, jos se todellakaan ei ole mukananne, — tuokaa jo tänään,
ehdottomasti, ehdottomasti!
— Tänään se on aivan mahdotonta, sillä minä menen luostariin

enkä tule luoksenne pariin kolmeen tai ehkäpä neljään päivään,
koska luostarinvanhin Zosima…
— Neljään päivään, mitä roskaa! Kuulkaa, nauroitteko te minulle

hyvin paljon?
— Minä en nauranut hituistakaan.
— Minkä tähden?
— Sen tähden, että minä uskoin kaiken täydellisesti.
— Te loukkaatte minua!
— En vähääkään. Luettuani kirjeen ajattelin heti, että niin kaikki

käykin, sillä minun on heti luostarinvanhin Zosiman kuoltua
poistuttava luostarista. Sen jälkeen jatkan lukujani ja suoritan
tutkinnon, ja kun lain sallima aika on tullut, niin me menemme
naimisiin. Minä tulen teitä rakastamaan. Vaikka minulla ei vielä
olekaan ollut aikaa ajatella, niin olen kuitenkin tuuminut, että en voi
löytää parempaa vaimoa kuin te, ja luostarinvanhin on käskenyt
minua menemään naimisiin…
— Mutta minähän olen raajarikko, minua kuljetetaan lepotuolissa!

— alkoi Lise, ja hänen poskensa alkoivat punoittaa.
— Minä itse kuljetan teitä lepotuolissa, mutta olen vakuutettu siitä,

että te siihen mennessä tulette terveeksi.
— Mutta tehän olette hullu, — lausui Lise hermostuneesti. —

Semmoisesta pilasta te yht'äkkiä teitte moisen jonninjoutavan
johtopäätöksen!… Ah, tuossa on mammakin, taisi tullakin hyvin
sopivaan aikaan. Äiti, kuinka te aina myöhästytte, miten voi niin
kauan viipyä! Tuossa jo Juliakin tuo jäätä!
— Ah, Lise, älä huuda, pääasia on, ettet huuda. Tuosta huudosta
minä… Minkä minä sille voin, että sinä itse olit pistänyt
haavakankaan toiseen paikkaan… Minä etsin ja etsin… Luulenpa,
että teit sen tahallasi.
— Enhän minä voinut tietää, että hän tulee tänne sormi purtuna,
muutenhan tosiaankin olisin voinut tehdä sen tahallani. Enkelini,
äitikulta, te alatte puhua tavattoman teräväjärkisesti.
— Olkoon vain teräväjärkistä, mutta millaiset tunteet, Lise, Aleksei

Fjodorovitšin sormen ja kaiken tämän johdosta! Oh, rakas Aleksei
Fjodorovitš, eivät minua yksityiskohdat tapa, ei joku Herzenstube,
vaan
kaikki yhdessä, tämä kokonaisuus, sitä minä en jaksa kestää.
— Riittää, äiti, riittää Herzenstubesta, — nauroi Lise iloisesti. —

Antakaa pian haavaside ja vettä, äiti. Tämä on yksinkertaisesti
lyijyvettä, Aleksei Fjodorovitš, nyt muistin sen nimen, mutta se on
mainiota haudevettä. Äiti, ajatelkaahan, hän on tapellut
poikanulikoitten kanssa kadulla ja joku poika on häntä purrut, no,
eikö hän ole itse pieni, pikkuinen poika ja voiko hän, äiti, tämän
jälkeen mennä naimisiin, sillä ajatelkaahan, äiti, hän tahtoo mennä
naimisiin. Kuvitelkaahan hänen olevan naimisissa, no, eikö se
naurata, eikö se ole kauheata?
Ja Lise nauroi kaiken aikaa hermostunutta hiljaista nauruaan

katsellen viekkaasti Aljošaa.
— No, miksi ei menisi naimisiin, Lise, ja miksi sinä tuommoista ja

aivan sopimattomia… kun tuo poika kenties on hullu.
— Ah, äiti. Onko olemassa hulluja poikia?

— Miksi ei olisi olemassa, Lise, aivan kuin minä olisin sanonut
tyhmyyden. Tuota poikaa on purrut vesikauhuinen koira ja hänestä
on tullut hullu poika ja nyt hän vuorostaan puree jotakuta lähellään
olevista. Mutta kylläpä hän laittoi teille hyvän siteen, Aleksei
Fjodorovitš, minä en olisi osannut. Tunnetteko nyt kipua?
— Hyvin vähäistä enää.
— Pelkäättekö te vettä? — kysyi Lise.
— No, riittää jo, Lise, kenties minä tosiaankin olin liian kärkäs
puhumaan hullusta pojasta ja sinä teit jo omat johtopäätöksesi. Heti
kun Katerina Ivanovna sai kuulla teidän tulleen, Aleksei Fjodorovitš,
hän syöksyi luokseni, hänellä on hirveä, hirveä halu nähdä teitä.
— Ah, äiti! Menkää sinne yksin, hän ei voi nyt heti lähteä, hän
kärsii kovin.
— En minä ensinkään kärsi, minä voin varsin hyvin lähteä… —

sanoi
Aljoša.
— Kuinka! Menettekö te pois? Niinkö te? Niinkö te?
— Mikäpä siinä? Kun olen siellä toimittanut asiani loppuun, niin

tulen tänne takaisin ja me voimme taas puhella niin paljon kun vain
tahdotte. Mutta tahtoisin mahdollisimman pian tavata Katerina
Ivanovnan, sillä joka tapauksessa tahdon palata tänään niin pian
kuin mahdollista luostariin.
— Äiti, ottakaa ja viekää hänet pian pois. Aleksei Fjodorovitš,

älkää vaivautuko poikkeamaan minun luokseni Katerina Ivanovnan
puheilta palatessanne, vaan menkää suoraan luostariinne, menkää
vain menojanne! Minä käyn nukkumaan, en ole nukkunut koko yönä.
— Ah, Lise, tuo on vain leikkiä sinun puoleltasi, vaan mitäpä, jos
tosiaankin nukkuisit! — huudahti rouva Hohlakov.
— Minä en tiedä, millä olen… Minä jään vielä noin kolmeksi tai, jos
niin tahdotte, viideksi minuutiksi, — mutisi Aljoša.
— Ihan viideksikin! Viekää hänet pian pois, äiti, tuo hirvitys!
— Lise, sinä olet menettänyt järkesi. Lähtekäämme, Aleksei

Fjodorovitš, hän on liian oikukas tänään, en uskalla häntä ärsyttää.
Oi, surkeata on hermostuneen naisen olo, Aleksei Fjodorovitš! Mutta
ehkäpä häntä tosiaankin alkoi nukuttaa teidän siellä ollessanne.
Miten te niin pian saitte hänet uneliaaksi, ja miten onnellista se
onkaan!
— Ah, äiti, miten rakastettavasti te olette alkanut puhua, minä

suutelen teitä siitä, mammakulta.
— Ja minä sinua, Lise. Kuulkaahan, Aleksei Fjodorovitš, — sanoi

rouva Hohlakov salaperäisen ja tärkeän näköisenä nopeasti
kuiskuttaen, poistuessaan huoneesta Aljošan kanssa, — en tahdo
antaa teille mitään ennakkokäsityksiä enkä kohottaa tuota verhoa, te
menette sisälle ja näette itse kaiken, mitä siellä tapahtuu, se on
kauheata, se on mitä kummallisin komedia: hän rakastaa veljeänne
Ivan Fjodorovitšia ja koettaa kaikin voimin vakuuttaa itselleen
rakastavansa veljeänne Dmitri Fjodorovitšia. Se on kauheata! Minä
tulen sisälle teidän kanssanne, ja jos minua ei sieltä ajeta pois, niin
katson, minkälaiseksi asia kehittyy.
5.
Mullerrus vierashuoneessa
Vierashuoneessa oli keskustelu jo päättynyt. Katerina Ivanovna oli

voimakkaan mielenliikutuksen vallassa, vaikka olikin päättäväisen
näköinen. Sillä hetkellä, jolloin Aljoša ja rouva Hohlakov astuivat
sisälle, oli Ivan Fjodorovitš jo noussut seisomaan lähteäkseen pois.
Hänen kasvonsa olivat hieman kalpeat, ja Aljoša katsahti
levottomana häneen. Seikka oli semmoinen, että Aljoša tässä nyt sai
selvyyden erääseen epäluuloonsa — erääseen levottomuutta
tuottavaan arvoitukseen, joka jo jonkin aikaa oli häntä kiusannut. Jo
noin kuukauden ajan oli hänelle silloin tällöin eri tahoilta koetettu
antaa se käsitys, että veli Ivan rakastaa Katerina Ivanovnaa, ja mikä
oli tärkeintä, todellakin aikoo »lyödä laudalta» Mitjan. Aivan
viimeiseen asti tämä oli tuntunut Aljošasta aivan luonnottomalta,
vaikka olikin herättänyt hänessä suurta levottomuutta. Hän rakasti
kumpaakin veljeään, ja häntä peloitti tuommoinen kilpailu heidän
kesken. Mutta Dmitri Fjodorovitš itse oli äkkiä eilen hänelle suoraan
selittänyt, että veli Ivanin kilpakosinta oli hänelle suorastaan mieleen
ja että se auttaa häntä, Dmitriä, monessa suhteessa. Mihin se
auttaa? Menemäänkö naimisiin Grušenjkan kanssa? Mutta tätä
tekoa Aljoša piti epätoivoisena ja vihoviimeisenä. Kaiken tämän
lisäksi Aljoša oli ehdottomasti uskonut aivan eiliseen iltaan asti, että
Katerina Ivanovna itse intohimoisesti ja järkähtämättömästi rakastaa
hänen veljeään Dmitriä, — mutta uskoi sitä vain eiliseen iltaan asti.
Lisäksi hänen mielessään jostakin syystä kangasteli, että Katerina
Ivanovna ei voi rakastaa sellaista kuin veli Ivan, vaan rakastaa
hänen veljeään Dmitriä ja juuri semmoisena kuin tämä on, niin
kummalliselta kuin tuommoinen rakkaus näyttikin. Mutta eilen
Grušenjkan kanssa sattuneen kohtauksen aikana oli hänen
mieleensä alkanut kangastella jotakin muuta. Sana »mullerrus», jota
rouva Hohlakov äsken oli käyttänyt, sai hänet melkein vavahtamaan,
sen tähden että juuri viime yönä hän puoleksi heränneenä
aamuyöstä oli äkkiä, luultavasti vastaten omaan unennäköönsä,
lausunut: »Mullerrus, mullerrus!» Kaiken yötä hän oli unissaan
nähnyt eilisen kohtauksen Katerina Ivanovnan luona. Nyt äkkiä
rouva Hohlakovin suora ja itsepintainen vakuutus, että Katerina
Ivanovna rakastaa veli Ivania ja että hän vain itse, tahallaan,
jonkinmoista leikkiä leikkien, sydämen »mullerruksen» vaikutuksesta
pettää itseään ja itse kiduttaa itseään teeskennellyllä rakkaudellaan
Dmitriä kohtaan, joka rakkaus johtuu muka jonkinmoisesta
kiitollisuudesta, — hämmästytti Aljošaa: »Kenties todella juuri näissä
sanoissa onkin täydellinen totuus. Mutta millainen on sitten näin
ollen veli Ivanin asema?» Aljoša tunsi vaistomaisesti, että sellaisen
luonteen kuin Katerina Ivanovnan täytyi saada vallita, mutta hän voi
vallita ainoastaan Dmitrin kaltaista eikä ollenkaan sellaista kuin Ivan.
Sillä vain Dmitri saattoi (olkoonpa, että vasta pitkän ajan kuluessa)
lopulta alistua hänen edessään »omaksi onnekseen» (jota Aljošakin
olisi toivonut), mutta Ivan ei, Ivan ei voisi hänen edessään alistua,
eikä tuo alistuminen tuottaisi hänelle onnea. Tämmöisen käsityksen
oli Aljoša jostakin syystä tahtomattaan muodostanut itselleen
Ivanista. Ja nyt kaikki nämä epäilyt ja mietteet välähtivät hänen
mielessään ja kulkivat sen läpi sillä hetkellä, jolloin hän oli menossa
vierashuoneeseen. Välähtipä vieläkin yksi ajatus, äkkiä ja
vastustamattomasti: »Entäpä jos hän ei rakasta ketään, ei
kumpaakaan?» Huomautan, että Aljoša ikäänkuin häpesi tämmöisiä
ajatuksiaan ja moitti itseään niistä, kun ne sattuivat, kuten viime
kuukauden aikana oli tapahtunut, nousemaan hänen mieleensä:
»Mitäpä minä ymmärrän rakkaudesta ja naisista ja kuinka minä voin
tehdä tuommoisia päätelmiä», ajatteli hän itseään soimaten joka
kerta tuollaisen ajatuksen tai arvelun noustua hänen mieleensä.
Mutta hän ei kuitenkaan voinut olla ajattelematta. Hän ymmärsi
vaistollaan, että esimerkiksi nyt hänen kahden veljensä kohtalossa
tuo kilpailu oli hyvin tärkeä kysymys, josta riippui paljon. »Toinen
iljettävä olento syö toisen», oli veli Ivan eilen lausunut puhuessaan
suuttuneena isästään ja veljestään Dmitristä. Siis veli Dmitri oli
hänen silmissään iljettävä olento ja oli kenties jo kauankin ollut?
Eiköhän siitä asti kun veli Ivan oli tutustunut Katerina Ivanovnaan?
Nuo sanat olivat eilen tietysti päässeet Ivanin suusta hänen
tahtomattaan, mutta juuri siksi niillä oli sitäkin suurempi merkitys. Jos
niin on, niin kuinka tässä voi olla kysymys rauhasta? Eikö
päinvastoin ole ilmaantunut yhä uusia vihamielisyyden ja
vihollisuuden syitä heidän perheessään? Mutta tärkeintä oli, ketä
hänen, Aljošan, tuli sääliä? Ja mitä hänen piti kullekin toivoa? Hän
rakastaa heitä kumpaakin, mutta mitä pitää toivoa heille kummallekin
tämmöisten kauheitten ristiriitojen vallitessa? Näissä sekavissa
oloissa saattoi joutua aivan neuvottomaksi, mutta Aljošan sydän ei
voinut sietää epätietoisuutta, sillä hänen rakkautensa oli luonteeltaan
aina toimivaa. Hän ei voinut rakastaa passiivisesti; kun hän jotakuta
rakasti, niin hän heti ryhtyi myös tätä auttamaan. Mutta tätä varten
täytyi asettaa itselleen päämäärä, täytyi varmasti tietää, mikä
kummallekin heistä oli hyvää ja tarpeellista, ja kun oli päässyt
varmuuteen, että päämäärä oli oikea, tuli luonnollisesti auttaa heitä
kumpaakin. Mutta varman päämäärän asemesta oli kaikkialla vain
epäselvyyttä ja hämmennystä. »Mullerrus», lausuttiin nyt! Mutta mitä
hän saattoi ymmärtää edes tuon mullerruksen laadusta? Hän ei
ymmärrä edes ensimmäistä sanaa koko tästä sekamelskasta!
Nähtyään Aljošan lausui Katerina Ivanovna nopeasti ja ilomielin

Ivan
Fjodorovitšille, joka jo oli noussut paikaltaan lähteäkseen:
— Hetkiseksi vielä! Jääkää vielä hetkeksi. Minä tahdon kuulla,

mitä mieltä on tämä mies, johon minä luotan koko sydämestäni.
Katerina Osipovna, älkää tekään menkö, — lisäsi hän kääntyen
rouva Hohlakovin puoleen. Hän pyysi Aljošaa istuutumaan
viereensä, ja rouva Hohlakov istuutui vastapäätä, Ivan Fjodorovitšin
viereen.
— Tässä ovat kaikki ystäväni, kaikki, mitä minulla on maailmassa,

rakkaat ystäväni, — alkoi hän kiihkeästi äänellä, jossa värisivät
todellisen kärsimyksen kyynelet, ja Aljošan sydän taipui taas heti
hänen puoleensa. — Te, Aleksei Fjodorovitš, te näitte eilen tuon…
kauheuden ja näitte, millainen minä olin. Te ette ole nähnyt sitä, Ivan
Fjodorovitš, hän näki. Mitä hän ajatteli minusta eilen, sitä en tiedä,
tiedän vain sen, että jos sama toistuisi tänään, nyt juuri, niin minä
lausuisin ilmi aivan samat tunteet kuin eilen, — aivan samat tunteet,
samat sanat ja tekisin samat liikkeet. Te muistatte minun liikkeeni,
Aleksei Fjodorovitš, te itse estitte minulta yhden niistä… (Kun hän
sanoi tämän, hän punastui ja hänen silmänsä alkoivat säkenöidä.)
Sanon teille, Aleksei Fjodorovitš, että minä en voi tehdä minkään
kanssa sovintoa. Kuulkaa, Aleksei Fjodorovitš, minä en edes tiedä,
rakastanko häntä nyt. Minusta hän on säälittävä, se on huono
rakkauden todistus. Jos minä rakastaisin häntä, edelleenkin
rakastaisin, niin minä kenties nyt en säälisi häntä, vaan päinvastoin
vihaisin…
Hänen äänensä alkoi väristä, ja kyynelet kimaltelivat hänen

silmäripsissään. Aljoša vavahti sisimmässään: »Tämä tyttö on
totinen ja vilpitön», ajatteli hän, »eikä… eikä hän enää rakasta
Dmitriä!»
— Niin se on! Niin! — huudahti rouva Hohlakov.
— Odottakaa, rakas Katerina Osipovna, minä en ole vielä sanonut

pääasiaa, en ole sanonut mitä minä tänä yönä lopullisesti päätin.
Minä tunnen, että päätökseni kenties on kauhea — minulle itselleni,
mutta minä aavistan, että en muuta sitä enää millään ehdolla, en
millään ehdolla koko elämäni aikana, vaan niin tapahtuu. Minun
rakas, hyvä, ainainen ja jalo neuvonantajani ja syvä sydänten tuntija
sekä ainoa ystäväni, mikä minulla maailmassa vain onkin, Ivan
Fjodorovitš, hyväksyy ajatukseni kaikissa suhteissa ja pitää
päätöstäni hyvänä… Hän tuntee sen.
— Niin, minä hyväksyn sen, — lausui Ivan Fjodorovitš hiljaisella,

mutta lujalla äänellä.
— Mutta minä tahdon, että myös Aljoša (ah, Aleksei Fjodorovitš,

anteeksi, että nimitin teitä yksinkertaisesti Aljošaksi), — minä tahdon,
että myös Aleksei Fjodorovitš sanoo minulle juuri nyt, molempien
ystävieni läsnäollessa, olenko oikeassa vai enkö? Minulla on
vaistomainen aavistus, että te, Aljoša, olette rakas veljeni (sillä te
olette minun rakas veljeni), — lausui hän taas innostuneesti ja tarttui
Aljošan kylmään käteen kuumalla kädellään, — minä aavistan, että
teidän ratkaisunne, teidän hyväksymisenne on kaikista tuskistani
huolimatta antava minulle rauhan, sillä teidän sanojenne jälkeen
minä rauhoitun ja tulen sovintoon, — aavistan sen!
— En tiedä mitä te minulta kysytte, — lausui Aljoša, ja hänen

kasvonsa punastuivat, — tiedän vain, että rakastan teitä ja toivon
tällä hetkellä teille onnea hartaammin kuin itselleni!… Mutta enhän
minä ollenkaan ymmärrä näitä asioita… — kiiruhti hän äkkiä jostakin
syystä lisäämään.
— Näissä asioissa, Aleksei Fjodorovitš, näissä asioissa on
tärkeintä nyt kunnia ja velvollisuus ja en tiedä mikä vielä, jokin
kenties velvollisuuttakin korkeampi. Sydämeni puhuu minulle
vastustamattomasta tunteesta, ja se vetää minua
vastustamattomasti mukanaan. Kaiken voi muutoin sanoa lyhyesti,
minä olen jo tehnyt päätökseni: jos hän naikin tuon… elukan (alkoi
hän juhlallisesti), jolle minä en koskaan, en koskaan voi antaa
anteeksi, niin minä kumminkaan en jätä häntä! Tästä lähin minä en
enää koskaan, en koskaan jätä häntä! — lausui hän niin, että se oli
kuin kalpean, kiusaantumisesta syntyneen innostuksen purkaus. —
Ei niin, että minä kuljeskelisin hänen jäljessään, joka hetki
laittautuisin hänen näkyviinsä, kiusaisin häntä, — oi ei, minä menen
toiseen kaupunkiin, minne tahansa, mutta koko ikäni, koko elämäni
ajan minä seuraan hänen vaiheitaan väsymättä. Kun hän tulee tuon
kanssa onnettomaksi, ja niinhän ehdottomasti käykin aivan kohta,
niin tulkoon hän minun luokseni ja hän on kohtaava ystävän,
sisaren… Vain sisaren tietysti, ja niin on oleva ainaisesti, mutta
tulkoon hän lopultakin vakuutetuksi, että tämä sisar on todella hänen
sisarensa, rakastaa häntä ja on uhrannut hänelle koko elämänsä.
Minä pääsen siihen, minä pidän sen järkähtämättömästi
päämääränäni, että hän viimein oppii tuntemaan minut ja kertoo
minulle kaikki häpeilemättä! — huudahti hän aivan kuin
raivostuneena. — Minusta tulee hänen jumalansa, jota hän rukoilee,
— ja sen hän on minulle vähintään velkaa uskottomuudesta ja siitä,
mitä sain eilen hänen tähtensä kärsiä. Ja nähköön hän koko
elämänsä ajan, että minä läpi elämäni olen uskollinen hänelle ja
kerran antamalleni lupaukselle siitä huolimatta, että hän oli uskoton
ja petti. Minä… minä muutun vain hänen onnensa välikappaleeksi
(vai kuinka sen sanoisin), hänen onnensa työkaluksi, koneeksi, ja
koko elämäni ajaksi, koko elämäni ajaksi, ja jotta hän näkisi sen niin

Ebook Affine Arithmetic Based Methods For Uncertain Power System Analysis PDF Full Chapter PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ebook Affine Arithmetic Based Methods For Uncertain Power System Analysis PDF Full Chapter PDF

Uploaded by

Copyright:

Available Formats

Affine Arithmetic-Based Methods for

Uncertain Power System Analysis -

MATLAB® is a trademark of The MathWorks, Inc. and is used with permission.

For information on all Elsevier publications

Publisher: Charlotte Cockle

1. Uncertainty management in power systems 1

2. Elements of reliable computing 9

3. Uncertain power ﬂow analysis 23

4. Uncertain optimal power ﬂow analysis 49

5. Uniﬁed AA-based solution of uncertain PF and OPF problems 65

6. Uncertain power system reliability analysis 81

7. Uncertain analysis of multi-energy systems 93

8. Enabling methodologies for reducing the computational burden

9. Uncertain voltage stability analysis by afﬁne arithmetic 123

10. Reliable microgrids scheduling in the presence of data

10.3. Aﬃne arithmetic-based optimization 138

Reliable power system operation requires complex numerical analyses

Affine Arithmetic-based formulation allows computing feasible and robust

Power system operators require sophisticated numerical tools aimed at an-

The presence of uncertainties hinders the effectiveness of deterministic

1.1 Sampling methods

1.2 Analytical methods

1.3 Approximate methods

1.4 Non-probabilistic methods

interpretation. This is mainly due to the impossibility of IA to represent

In this book, solution methodologies based on AA are introduced to

Elements of reliable computing

2.1 Interval arithmetic

Extending elementary operations, such as sums or products, to intervals

More complex functions can be obtained by composing these primitive

IA has been applied to solve systems of linear [3,4] and non-linear

X1 · (X2 + X3 ) ⊂ (X1 · X2 + X1 · X3 ) (2.5)

X − X = [xinf , xsup ] − [xinf , xsup ] = [xinf − xsup , xsup + xinf ] = 0 (2.6)

This problem is a consequence of the inability of IA in discriminating

2.2 Afﬁne arithmetic

Figure 2.1 Dynamic behavior of an oscillator analyzed through IA.

Given an affine form, it can be converted to an interval by defining the

x̂ ± ŷ = (x0 ± y0 ) + (x1 ± y1 )ε1 + (x2 ± y2 )ε2 + ... + (xp ± yp )εp (2.12)

x̂ ± λ = (x0 ± λ) + x1 ε1 + x2 ε2 + ... + xp εp (2.14)

ζ̂ = (x̂, ŷ) = (x0 + x1 ε1 + x2 ε2 + ... + xp εp , y0 + y1 ε1 + y2 ε2 + ... + yp εp )

a (x̂, ŷ) = ζ0 + ζ1 ε1 + ζ2 ε2 + ... + εp ζp (2.16)

ẑ = a (x̂, ŷ) + ζp+1 εp+1 = ζ0 + ζ1 ε1 + ζ2 ε2 + ... + ζp εp + ζp+1 εp+1 (2.17)

where the last term represents the residual or approximation error:

e∗ (x̂, ŷ) = (x̂, ŷ) − a (x̂, ŷ) (2.18)

In order to handle this approximation error, an additional noise sym-

ζp+1 > max e∗ (x̂, ŷ) (2.19)

Furthermore, affine approximations of different functions, such as a

a (x̂, ŷ) = α x̂ + β ŷ + ξ (2.20)

where the unknown coefficients α , β , and ξ can be identified by the fol-

and the maximum absolute error is:

Given all these properties, AA can be defined as an intermediate

2.3 Solving uncertain equations by AA

This non-affine operation is traditionally approximated by bounding the

A set of uncertain non-linear equations, where the non-linearity de-

x̂2 = ẑF = 4 + 0.8ε1 + 0.4ε2 (2.24)

x̂2 = x20 + 2x0 x1 ε1 + 2x0 x2 ε2 + R(x̂)2 ε3 = 4 + 0.8ε1 + 0.4ε2 (2.25)

2x0 x1 = 0.8 (2.26)

The solution of this system of equations allows computing the parameters

x̂ = 2 + 0.2ε1 + 0.1ε2 (2.27)

U = x̂2 − ẑF = R(x̂)2 ε3 = ±0.09 (2.28)

This form of expressing a non-linear function, allows spreading the en-

2.4 Reliable solution of non-linear equations

of the approximation error, which can be computed as:

F(x0 + x) = F(x) + J(x0 )x ∀x ∈ x0 (3.17)