ESTIMADOR DE ESTADO PARA SISTEMAS DE POTENCIA

MINIMOS CUADRADOS PONDERADOS Y FILTRO DE KALMAN

O. ALVARDO B., H MOYANO B.
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS
Abstract:
En el presente trabajo se espera analizar el comportamiento de los estimadores de estado
aplicados a sistemaselctrico de potencia.El objetivo es analizar el comportamiento del
estimador de mnimos cuadrados que es el ms utilizado en los SEP,frente a otros modelos
matemticos como lo es el filtro de Kalman, verificar sus tiempos de respuesta y que
mejora puede representar en sistemas de tiempo real. Debemos recordar que la operacin
de SEP, est expuesto a soportar cambios en su operacin, debido a variaciones de la
carga y/o pequeas perturbaciones, una falla es un evento de gran magnitud en donde el
estimador no puede ser utilizad como herramienta para predecir el comportamiento del
sistema.Por este motivo, es importante para el ingeniero entender las capacidades y
limitaciones delos estimadores de estado, dado un conjunto especfico de datos sobre la
red.
1.

INTRODUCCION
El continuo crecimiento y expansin de los sistemas elctricos de potencia debidoa la
competencia en los sectores de generacin y comercializacin, ha permitido e incentivado
la interconexin de redes elctricas a fin de cumplir como objetivo principal el satisfacer la
demanda de energa de los consumidores, estableciendo nuevos mecanismos de generacin
como la generacin distribuida, incrementando la complejidad del sistema de informacin y
control, adems que un sistema elctrico debe operar bajo ciertos parmetros y normas que
definen concepto de calidad de energa.
Un elemento de gran importancia sobre el cual se enmarcan estos conceptos,es el
crecimiento de la demanda, parmetro que no se puede controlar, a esto se suman las largas
distancias en que se encuentran los centros de generacin de los puntos de carga y la
dinmica del sistema. El concepto de calidad de energa implica el manejo y control de
variables y parmetros que cumplan con este objetivo sin que exista la necesidad de
suspender el suministro del servicio elctrico.
Una caracterstica de la carga, es el de ser dinmica, dada por la composicin de la
misma (maquina rotativas, cargas trmicas, cargas de descarga); por otra parte en el tiempo
no se mantiene constante pues est sujeta a horarios de uso, clima o estaciones (curvas de
demanda comportamiento de la demanda en un periodo de tiempo, figura 1).

CURVA DE DEMANDA
1.025

Potencia en p.u.

0.825
0.625
0.425
0.225
0.025
-0.175

tiempo

Figura 1. Comportamiento Tpico de una Carga Residencial en un periodo de 24 horas

Debido a este comportamiento y crecimiento continuo de un SEP, hace que ciertas
variables deban de estar monitoreadas continuamente, las variables que me dan el
comportamiento de un SEP se conocen como variables de estado1, en este estudio se
consideran las tensiones de barra Viy susngulosi, el conocer los valores de las variables de
estado permite realizar un control sobre las componentes del sistema (control sobre los
sistemas de generacin, inyeccin de potencia-balance de carga generacin, control sobre
sistemas de interrupcin), y que permitan que el sistema opera en un punto optimo.
El uso de equipos de medicin para el monitoreo de las variables de estado de un SEP,
puede resultar compleja ya que debido al tamao, sus costos de implementacin pueden ser
elevados, figura 2.

Figura 2. Sistema de medicin

Variable de Estado, se define como el conjunto minimo de variables que determinan en el comportamiento del sistema en cualquier instante
del tiempo

Por otra parte los sistemas de medicin no siempre permite conocer todas las magnitudes
de las variables de estado pero a travs de algunas de estas mediciones y con la aplicacin
de los modelos matemticos y sistemas informticos se puede conseguir buenas
aproximaciones del comportamiento del sistema.
Otro aspecto a considerar es que una medicin tiene asociado un error, el mismo que puede
ser causado por los propios equipos(precisin y exactitud), lecturas erradas, transductores,
sistema de transmisin utilizado, etc, la complejidad del sistema de medicin puede
provocar la toma decisiones erradas en la operacin del sistema.
El uso de estimadores de estado, modelos matemticos y mediciones en tiempo real son
un conjunto de herramientas que permite determinar un punto de operacin, el cual es
aprovechado para monitoreo, operacin y control del sistema.
En este nuevo escenario dinmico, el estimador de estado ser requerido para manejar
sistemas ms grandes, con configuraciones no homogneas de medicin, en distintas partes
de la red.
Un estimador de estado se basa en un criterio estadstico que estima el valor verdadero
de las variables de estado aplicando un criterio de minimizacin o maximizacin. En el
mtodo de mnimos cuadrados ese criterio est asociado a la funcin de costo, que es la
diferencia al cuadrado del valor medido menos el valor calculado por el modelo
matemtico que representa al sistema, esa funcin se describe a continuacin:
!!!

[
!!!

! ! ! , ! , ! , . , ! , ! , ! , . . !
]
!

donde:
funcinde costo
= (! , ! , ! , . , ! , ! , ! , . . ) variables de estado
modelo matemtico
!! variancia del i!" medicin
! = i!" medicin
Formulacin del problema
Contexto
Los sistemas elctricos de potencia, son un conjunto de elementos conformado por
generadores, transformadores, barras, lneas de transmisin, sistema de proteccin, de
medida y cargas. A travs de ellos se transmite la energa elctrica a lo largo de una regin
(pas, conjunto de pases, o sectores de los mismos).
Como es ampliamente conocido, la energa elctrica en la actualidad es parte fundamental
dentro de las actividades del ser humano, siendo necesarias para el desarrollo de los
3

sectores productivos y comerciales de un pas. Idealmente el sistema debe operar en

ptimas condiciones a fin de evitar apagones o blackout generales, que producen prdidas
millonarias [1].
Por otro lado, en los ltimos tiempos la creciente necesidad de interconexin de los
grandes sistemas elctricos de potencia (SEP) debido a un aumento de la demanda,
combinado con una creciente competencia entre generadores y distribuidores, han puesto en
relieve la seguridad2 de los sistemas, as como, cuestiones econmicas que entran en
conflicto[2].
En este escenario, tener mediciones de todos los elementos se vuelve una tarea vital,
idealmente se requerira puntos de mediciones de los parmetros fundamentales3 en cada
nodo (barra) del SEP, como podran ser los voltajes de lnea, corrientes, potencias, entre
otros. Pero esto por cuestiones econmicas y complejidad es poco factible. As que, los
centros energa o de monitoreo deben escoger un conjunto de nodos principales y desde
esta informacin estimar el estado total de la red para poder tomar decisiones de control.
Modelo del Sistema Elctrico de Potencia
El principal enfoque para poder atacar el problema es conocer el comportamiento de un
sistema representado por sus variables de estado y el modelo matemtico asociado a ellas.
Figura 2.
En los sistemas elctricos las variables que describen su comportamiento son sus
tensiones y ngulos; para un sistema de N barras se tiene n=2N-1 variables de estado
necesarias, correspondientes a los mdulos de tensin en las N barras y los N-1 ngulos
medidos con respecto a una barra de referencia (slack). La modelacin matemtica que
asocia a estas variables estn representadas por ecuaciones no lineales de la forma:
Ecuaciones de potencia
N

Pi = VV
i j ( Gij cos ij + Bij sin ij )
j =1
N

Qi = VV
i j ( Gij sin ij Bij cos ij )
j =1

Ecuaciones de flujo de potencia:

2
Pij = VV
i j ( Gij cos ij + Bij sin ij ) GijVi
2
Qij = VV
i j ( Gij sin ij Bij cos ij ) Vi ( Bij bij )

Siendo:
Pi ,Qi medidas inyeccin de potencia activa y reactiva entre las barras i y j.
Vi ,Vjlos mdulos de las tensiones entre barras i y j
Pij,Qij medidas de flujo de potencia activa y reactiva entre las barras i y j.

2
3

Se toma el concepto de seguridad del SEP, como aseguramiento de la operacin, tanto la disponibilidad y robustez ante perturbaciones.
Se entiende como aquellos elementos fundamentales variantes o estticos que determinan el comportamiento de un sistema.

!" = ! ! desfase entre las tensiones en las barras i y j.

!" parte real del elemento i,j-esimo de la matriz de admitancia nodal.
!" parte imaginaria del elemento i, j-esimo de la matriz de admitancia nodal.

Figura 2. Sistema de Potencia de 6 barras, tomado de Power GenerationOperation and

Control, Wood, Wollenberg, pag. 477
!" Admitancia paralelo del modelo de la lnea que uno el nodo i con el nodo j.
Este conjunto de ecuaciones se asocian con las observaciones o mediciones que se
expresan a continuacin:
= + Medicin
!!
! (! , ! , ! , . , ! , ! , ! , . . )
!
!
! (! , ! , ! , . , ! , ! , ! , . . )
!!
!
! (! , ! , ! , . , ! , ! , ! , . . )
!!
= . =
+ .
.
.
.
.
.
.
.
!
! (! , ! , ! , . , ! , ! , ! , . . )
!!
5

Donde:
Piel vector de medidas del sistema.
hifuncin no lineal que relaciona la medida i con el vector de estado x.
Esto implica que para conocer el estado del SistemaElctrico de Potencia, corresponde a
conocer el conjunto de tensiones complejas de los nodos del sistema.
Los tipos de medicin u observaciones ms comnmente utilizados son los siguientes:
- Flujos de potencia activa y reactiva a travs de lneas y transformadores.
- Inyecciones de potencia activa y reactiva en las barras de generacin y consumo.
- Mdulos de tensin en las barras del sistema.
- Corrientes de lnea
Otro aspecto reelevante es que debido a la cantidad de elementos que est conformado
un SEP, no se puede realizar la medicin de cada uno de ellos, siendo una de las principales
aplicaciones del estimador el conocer esas variables muchos casos los parmetros
La resolucin del problema se da mediante un procedimiento iterativo determinstico.En
este documento se plantea el uso del estimador de mnimos cuadrados ponderados y el filtro
de Kalman.
A continuacin se har una breve descripcin del mtodo de mnimos cuadrados
ponderados, siendo el ms utilizado en los sistemas de potencia.
2.

MINIMOS CUADRADOS PONDERADOS

El mtodo de mnimos cuadrados es el estimador ms utilizado en sistemas elctricos de

potencia, en donde se minimiza la funcin de costo. Como se haba definido en las
ecuaciones anteriores el modelo de un SEP es no lineal, a travs de la minimizacin se
desarrolla la siguiente expresin que estima las magnitudes de las variables de estado
considerando el modelo matemtico y las mediciones.
xi+1 =xi +[HT(x)R1H(x)]-1HT(x)R-1 [zh(x)]
donde:
H es la construccion dela matriz Jacobiana
Res la matriz inversa de la matriz de covarianza
zmedicionesu observaciones del sistema
h(x)ecuaciones del modelo matematico
xvariables de estado
La matriz jacobiana se obtiene a partir de la funcin de costo resultado de derivar e igualar
a cero.

!!!

[
!!!

! ! !
]
!

Adems se pueden definir las relaciones de las observaciones y los estados por medio de
las ecuaciones de potencia activa y reactiva, corriente y flujos de potencia que se indicaron
en las secciones anteriores.
3.

FILTRO DE KALMAN EXTENDIDO

Sea un sistema de inters descrito por el modelo de espacio de estado dinmico no

lineal:
() = ,

+ ()

Donde el vector de estado inicialX(t0)es modelado como un proceso gaussiano en la cual

se tiene mediaX0 y covarianzaP0,U(t)es el vector de entradas deterministicas, yw(t)es ruido
blanco gaussiano con media 0 e independiente deX(t0)y con una matriz de covarianzaQ(t).
Ahora, el modelado de las observaciones tiene la siguiente forma:
= ! + (! )
Donde v(ti) es ruido blanco gaussiano de media cero e independiente con una matriz de
covarianzaR(ti). El estimador de estado optimo() generado por el filtro es el estimado de
mnima varianza de(). El filtro es un filtro recursivo que tiene una estructura predictivacorrectora como sigue:

1. Prediccin (desde ti+1 a ti )

El estimador de estado optimo() y la matriz de covarianza de estado P son propagadas
desde la medicin en ti 1 hasta el tiempo de medicin, basado en los valores previos del
sistema dinmico. Esto se consigue por medio de la integracin numrica de las siguientes
ecuaciones:
() = , + ()
() = ! + +
Donde F es el jacobiano de la matriz f.

2.
Filtrado (desde ti+1 a ti )
Por comparacin del vector de mediciones Y, con el vector estimado (), el factor de
correccin calculado se utiliza para actualizar el vector de estado.
De esta forma el vector de actualizacin tiene la siguiente forma:
X ti+ = X ti + K ( ti ) Y (ti ) h X ti

( )

( )

( )}

P (ti+ ) = P (ti ) + K (ti ) H (ti ) P (ti )

4.
FILTRO DE KALMAN UNSCENTED
Al igual que el Filtro de Kalman extendido, en el UKF se suponiendo un modelo de sistema
de la siguiente forma:
xk +1 = Fk xk + g k + qk

yk = h ( xk ) + rk
En donde xk es un vector de variables de estado, Fk y g k son matrices de transicin de
estado que definen la evolucin del sistema y qk representa el error de prediccin en el
tiempo k, las variables yk representan las observaciones del sistema.
La extensin del filtro de Kalman denominada unscented es una combinacin del filtro
Kalman y la transformada unscented. La transformada unscented consiste en el clculo de
un conjunto de puntos extras alrededor del valor dado, en tanto que la media y la
covarianza de nuevo conjunto de puntos coincida con los valores de la variable aleatoria xk
. Ms precisamente se tiene que el filtro de Kalman unscented queda definido de la
siguiente forma:
Calcular los sigma points:
X k = xk xk + Pk xk Pk
Paso de Prediccin:

xk +1 = Fk xk + g k + qk
2L

xk = Wi ( m ) X k +1
i =0

Paso de correccin:
2L

Py y = Wi ( c ) yk yk yk yk + R
k

i =0
2L

Px y = Wi ( c ) X k xk yk yk
k

i =0

K k = Px y Py y
k k

k k

xk +1 = x + Kk ( yk yk )

Pk +1 = Pk + Kk Py y KkT
k k

Donde L corresponde a la cantidad de variables de estado del sistema, adems se define:

W0( m) =

L+

W0( c ) =

L+

+ (1 2 + ) ,

Wi ( c ) = Wi ( m) =

2(L + )

= 2 ( L + ) L, = L +

Donde determina la propagacin de los puntos sigmas alrededor de xk ; el parmetros es

usado para incorporar el conocimiento que se tenga de la distribucin de xk y es un valor
que es igual a cero para la estimacin de parmetros.
En los sistemas elctricos de potencia las matrices Fk y g k del modelado son prcticamente
imposibles de calcular, esto es debido a que los sistemas elctricos de potencia existe una
enorme dinmica, por lo cual existen varios autores que proponen el uso de la estimacin
de estos parmetros por medio de un modelo bi-exponencial. El cual est definido de la
siguiente forma:

Fk = k (1 + k ) I
gk = (1 + k )(1 + k ) xk k ak 1 + (1 + k ) bk 1
ak = k xk + (1 k ) xk
bk = k ( ak ak 1 ) + (1 k ) bk 1
Como se puede observar de las ecuaciones propuestas el modelo hace un suavizado de la
curva entre los valores de medidas actuales y los valores estimados en el tiempo anterior.
5.

DATOS DE PRUEBA

Para la simulacin y modelacin se utiliz el sistema elctrico figura 2., compuesto de 6

barras, 3 generadores que inyectan potencia al sistema y un sistema de transmisin
compuesto de 11 lneas que interconectan las barras entre si, en las tablas 1, 2 y 3 se indican
los parmetros del sistema.
SISTEMA DE
TRANSMISION
start end
R
XL
p.u.
p.u.
1
2
0.10
0.20
1
4
0.05
0.20
1
5
0.08
0.30
2
3
0.05
0.25
2
4
0.05
0.10
2
5
0.10
0.30
2
6
0.07
0.20
3
5
0.12
0.26
3
6
0.02
0.10
4
5
0.20
0.40
5
6
0.10
0.30
Tabla 1.Datos del sistema de transmisin-impedancia, tomado de Power Generation
Operation and Control, Wood, Wollenberg
TENSION Y POTENCIA P-Q EN BARRA
BAR
V

P p.u.

Q p.u.

RA
1
2
3
4
5
6

p.u.
1.05
0
0
0
0
0

0.0001
0
0
0
0
0

1.08
0.50
0.60
-0.70
-0.70
-0.70

0.01
0.01
0.01
0.01
0.01
0.01

0.21
1.00
0.60
-0.70
-0.70
-0.70

0.01
0.01
0.01
0.01
0.01
0.01

Tabla 2.Mediciones de barra, tensin y potencia P-Q, datos tomados de Power

GenerationOperationand Control, Wood, Wollenberg
FLUJO DE POTENCIA ENTRE BARRAS
start end P p.u.

Q p.u.

1
2
0.29
0.01
-0.15
0.01
1
4
0.44
0.01
0.21
0.01
1
5
0.36
0.01
0.15
0.01
2
1
-0.28
0.01
0.13
0.01
2
3
0.02
0.01
-0.01
0.01
2
4
0.34
0.01
0.47
0.01
2
5
0.16
0.01
0.19
0.01
2
6
0.27
0.01
0.21
0.01
3
2
-0.02
0.01
-0.06
0.01
3
5
0.18
0.01
0.17
0.01
3
6
0.44
0.01
0.49
0.01
4
1
-0.43
0.01
-0.21
0.01
4
2
-0.32
0.01
-0.46
0.01
4
5
0.05
0.01
-0.03
0.01
5
1
-0.34
0.01
-0.17
0.01
5
2
-0.15
0.01
-0.21
0.01
5
3
-0.17
0.01
-0.20
0.01
5
4
-0.05
0.01
-0.05
0.01
5
6
0.01
0.01
-0.07
0.01
6
2
-0.26
0.01
-0.24
0.01
6
3
-0.43
0.01
-0.47
0.01
6
5
-0.01
0.01
0.02
0.01
Tabla 3.Medicion del flujo de potencia P-Q en el sistema de transmisin, datos tomados de
Power Generation_ Operation_ and Control, Wood, Wollenberg

10

6.
RESULTADOS
Se presentan los principales resultados obtenidos. En la Figura 1 se muestra los datos
medidos versus los datos calculados con el algoritmo de Mnimos Cuadrados Ponderados.
Como se puede observar existe un ajuste de los datos con respecto a los datos reportados en
la literatura.

Figura 1: Mediciones y Estimaciones en Simulacin sistema de 6 barras

Figura 2: Simulacin sistema de 6 barras con 10 mediciones menos

En los siguientes cuadros se presenta los valores reales de las variables de estado del
sistema y los resultados obtenidos al aplicar el WLS , en la cuarta columna se representa un
error entre estos datos.
En este primer caso se utilizo una base de datos que corresponde a 34 mediciones, Tabla 4.
CASO UNO

BARRA
1
2
3
4
5
6

Vreal
1.05000000
1.04990360
1.04288757
0.98766126
0.97445095
0.98669023

Areal
0
-0.064042228
-0.066551463
-0.073046066
-0.089972642
-0.099113462

Vestimado
1.0496958
1.0366533
1.0295903
0.9789329
0.9624136
0.9733629

Aestimado
0.0000000
-0.0628080
-0.0663505
-0.0729060
-0.0892626
-0.0998755

Tabla 4.Valores reales vs Valores estimados, 34 mediciones

11

En el segundo caso se considero una base de datos correspondiente a 29 mediciones, Tabla

5. Observando los errores se puede ver que el impacto de disminuir la cantidad de
observaciones no afecta significativamente la precisin de la estimacin, lo que implica que
la observabilidad del sistema y la confiabilidad de las estimaciones puede llegar a un punto
minimo optimo, con el consiguiente ahorro en la ubicacin de los medidores.

BARRA
1
2
3
4
5
6

CASO DOS

Areal
0
-0.03910134
-0.053805618
-0.035889695
-0.083084782
-0.109584146

Vreal
1.05000000
1.036747507
0.983984126
1.032370623
0.933386549
0.898116644

Vestimado
1.050019855
1.036015461
0.984413272
1.02951416
0.945269707
0.901700933

Aestimado
0
-0.039436061
-0.055317381
-0.035634685
-0.092872626
-0.111126496

Tabla 5. Valores reales vs Valores estimados, 34 mediciones

En la Figura 3 y Figura 4 se pueden observar los resultados del filtro de Kalman con el
modelado, como se puede observar la solucin no converge hacia los valores deseados. En
la Figura 3, se observan los voltajes de resultados, y se observa un tendencia a hacia la no
convergencia, el mismo caso se presenta con el valor de los ngulos en la Figura 4. Luego
de las pruebas realizadas se estima que el problema fundamental est en la forma en que se
modelo el sistema por medio del sistema bi-exponencial propuesto, el cual para los datos
dados se comporta de forma inestable.

Estimacion de Voltajes. Sistema de 5 barras Filtro de Kalman

20

15

10

Voltaje (p.u)

-5

-10

-15

-20

4
N Iteracion

Figura 3: Simulacin sistema de 5 barras con filtro de Kalman

12

Estimacion angulos: Sistema 5 barras Filtro de Kalman

150

100

Grados

50

-50

-100

4
N Iteracion

Figura 4: Simulacin de ngulos en un sistema de 5 barras con filtro de Kalman

7.

CONCLUSIONES

El estimador de mnimos cuadrados ponderados se caracteriza por su convergencia, en

donde la funcin de costo es un indicativo de la calidad de mediciones.
En cuanto a variaciones considerables de las magnitudes medidas el estimador puede dar
valores errados e incluso no converger a una solucin.
Se hipotetiza que existe una cantidad optima de mediciones que se requieren para tener una
estimacin de parmetros con error minimo.

13

8.

REFERENCIA BIBLIOGRAFICA

[1] B. Saha, B. Moody The Economic Cost of the Blackout, ICF Consulting,
tomadodehttp://www.solarstorms.org/ICFBlackout2003.pdf
[2] M. Granada, Estimacin de estado en sistemas elctricos de potencia: parte I Deteccin de
errores Grandes, Scientia et Technica, 2003
[3] R. Dhaouadi Design and Implementation of an Extended Kalman filter for the State
Estimation of a Permanent Magnet Synchronous Motor IEEE Transsactions on Power
Electronics, Estado Unidos, 1991.
[4] A. Narvaez, Estimador de estado Robusto en sistemas de potencia en Matlab, CENACE,
2009.
[5] E. Ghahremani, I Kamwa, Dynamic State Estimation in Power Systema by Applying the
Extended Kalman Filter with Unknown Inputs to PhasorMeasurements,IEEE Transactions on
Power Systems, Canada, 2011.
[6] A. Mao, A Study on Power System State Estimation under Extremely Bad Conditions,
NorthChina Electric Power University, 2006.
[7] University of Washington - Electrical Enginnering. (s.f.). Power Systems Test Case Archive.
Recuperado el 16 de 05 de 2012, de http://www.ee.washington.edu/research/pstca/
[8] A. Hossam, E. Abdallah, M. El-Nozahy,A modified Genetic Based Technique for solving
yhe Power System State Estimation Problem, World Academy of Science, Engineering and
Technology 55 2009.
[9] S. Paji c, Power System State Estimation and Contingency Constrained Optimal Power
Flow - A Numerically Robust Implementation, WORCESTER POLYTECHNIC INSTITUTE
2007
[10] A. P. SakisMeliopoulos, Fellow, Bruce Fardanesh, Shalom Zelingher Power System
StateEstimation: Modeling Error Effects and Impacton System Operation, Copyright 2001
IEEE. Published in theProceedings of theHawaii International ConferenceOn System Sciences,
January 3-6, 2001, Maui, Hawaii.
[11] AmitJain, Shivakumar N. R. Power System Tracking and DynamicStateEstimation , IEEE
PES Power SystemsConferenceExposition (PSCE), Report No: IIIT/TR/2009/213
[12] M.A. Risso, A.RubialesP.Lotito, UNA MEJORA DEL FILTRO DE KALMAN
UNSCENTED PARA ESTIMACIN DE ESTADOS DE SISTEMAS ELCTRICOS DE
POTENCIA, Copyright 2011 Asociacin Argentina de Mecnica Computacional
http://www.amcaonline.org.ar

14

Anexos

Algoritmo de minimos cuadrados ponderados

%contruccionjacobiana
%informacion impedancia entre lineas
%closeall
clearall
nlineas=11;
nbarras=6;
datos=10
sele=1;

%matriz impedancia
Z_d=[1
2 1.00000E-01+2.00000E-01i2.00000E-02i;...
1
4 5.00000E-02+2.00000E-01i2.00000E-02i;...
1
5 8.00000E-02+3.00000E-01i3.00000E-02i;...
2
3 5.00000E-02+2.50000E-01i3.00000E-02i;...
2
4 5.00000E-02+1.00000E-01i1.00000E-02i;...
2
5 1.00000E-01+3.00000E-01i2.00000E-02i;...
2
6 7.00000E-02+2.00000E-01i2.50000E-02i;...
3
5 1.20000E-01+2.60000E-01i2.50000E-02i;...
3
6 2.00000E-02+1.00000E-01i1.00000E-02i;...
4
5 2.00000E-01+4.00000E-01i4.00000E-02i;...
5
6 1.00000E-01+3.00000E-01i3.00000E-02i];

%matriz mediciones
if sele==1
%-----------------caso uno-------------------------------%mediciones Vi
covar
Pi
CovarQicovar
V_P_Q_m=[ 1 1.05 0.0001 1.08
0.01
0.21 0.01;...
2 1.036 0.0001 0.50
0.01
1.00 0.01;...
3 0
0
0.60
0.01
0.60 0.01;...
4 0
0
-0.70
0.01 -0.70 0.01;...
5 0
0
-0.70
0.01 -0.70 0.01;...
6 0
0
-0.70
0.01 -0.70 0.01];
%6 0
00
0.01
0
0.01];
%mediciones
P_Q_ij_m=[1
1
1
2
2

PijCovarQij
2
4
5
3
4

0.29
0.44
0.36
0.02
0.34

0.01
0.01
0.01
0.01
0.01

covarianza
-0.15
0.21
0.15
-0.01
0.47

0.01;...
0.01;...
0.01;...
0.01;...
0.01;...

15

2 5
%2 4
%2 5
%2 6
%3 5
2 6
3 5
3 6
4 5
5 6
%3 6
%4 5
%5 6
];

0.16
0
0
0
0
0.27
0.18
0.44
0
0.01
0
0
0

0.01
0.19
0.01 0
0.01 0
0.01 0
0.01 0
0.01
0.21
0.01
0.17
0.01
0.49
0.01
0
0.01 -0.07
0.01 0
0.01
0
0.01
0

0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01;...
0.01

%------------------------caso dos-------------------------------else
%mediciones
V_P_Q_m=[ 1
2
3
4
5
6

Vi
1.05
1.036
0.984
0
0
0

covar
Pi
CovarQicovar
0.0001 0.7657 0.01
0.268 0.01;...
0.0001 0.6495 0.01
0.985 0.01;...
0.0001 0.7036 0.01
0.610 0.01;...
0
-0.0001888705 0.001 -0.0003512131 0.001;...
00
0.01
0
0.01;...
00
0.01
0
0.01];

%mediciones

PijCovarQij

covarianza

P_Q_ij_m=[1 2
1.9971150356E-01 1.0000E-02
-4.8169808361E-02
1 4
2.0563723833E-01 1.0000E-02
2.2585182887E-02
%1
5
0
000;...
1 5
4.5753333796E-01 1.0000E-02
3.9099904429E-01
%2
1
0
000
;...
2 3
9.9855558320E-02 1.0000E-02
1.6703387541E-01
2 4
-9.3265625432E-03 1.0000E-02
3.9347264416E-02
2 5
2.3574042305E-01 1.0000E-02
2.6023988231E-01
2 6
5.1976219301E-01 1.0000E-02
5.2139742717E-01
%3
2
0
000;...
3 5
1.5868763185E-01 1.0000E-02
9.5557235924E-02
3 6
6.3885643571E-01 1.0000E-02
7.2121283291E-01
4 5
0
000
;...
5 6
0
000
];
end

1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...
1.0000E-02;...

%2

-1.9603196351E-01 1.0000E-02

1.1981980610E-02 1.0000E-

%3

-9.7544372580E-02 1.0000E-02

-2.1677005128E-01 1.0000E-

02;...
02;...

%cambio de impedancia/admitancia
for i=1:nlineas
for j=1:4
if j>2
Y_d(i,j)=1/Z_d(i,j);
else

16

Y_d(i,j)=Z_d(i,j);
end
end
end
%Construccion matriz de admitancia
mat_Y=zeros(nbarras);
for i=1:nbarras
for j=1:nbarras
if i==j
for l=1:2
for k=1:nlineas
if i==Y_d(k,l) % && j==Y_d(k,l)
mat_Y(i,i)=mat_Y(i,i)+Y_d(k,3);
end
end
end
else
for k=1:nlineas
mat_Y(Y_d(k,1),Y_d(k,2))=-Y_d(k,3);
mat_Y(Y_d(k,2),Y_d(k,1))=-Y_d(k,3);
end
end
end
end
%separa la admitancia y suceptancia de matriz Y
G=zeros(nbarras);
B=zeros(nbarras);
G=real(mat_Y);
B=imag(mat_Y);
%operadores auxiliares
p=Z_d(:,1);
q=Z_d(:,2);

%datos de inicio
%V_b=[1.0373 0.9844 0.9952 1.0087 0.995]%(nbarras,1);
%V_b=rand(6,1)'
%V_b=[1.05 1.049 1.042 0.987 0.974 0.9866]';
V_b=ones(6,1);
%teta=[0 0.0105 0.0037 0.0019 0.0017]%zeros(nbarras,1);
%teta=[0 -0.06404 -0.06655 -0.07304 -0.089972 -0.09911]';
teta=zeros(6,1);
%teta=rand(5,1)
ang_ref=1
Med=[P_Q_ij_m(:,3);V_P_Q_m(:,4);P_Q_ij_m(:,5);V_P_Q_m(:,6);V_P_Q_m(:,2)];
Med_base=Med;
cova_b=([P_Q_ij_m(:,4);V_P_Q_m(:,5);P_Q_ij_m(:,6);V_P_Q_m(:,7);V_P_Q_m(:,3)]);
cova=([P_Q_ij_m(:,4);V_P_Q_m(:,5);P_Q_ij_m(:,6);V_P_Q_m(:,7);V_P_Q_m(:,3)]).^2;

%vector de estado
X=[teta;V_b]

17

%inicializacion de matrices
P=zeros(nbarras,1);
Q=zeros(nbarras,1);
Pij=zeros(nlineas,1);
Qij=zeros(nlineas,1);
DPi_teta=zeros(nbarras,nbarras);
DPv_V_b=zeros(nbarras,nbarras);
DQi_teta=zeros(nbarras,nbarras);
DQv_V_b=zeros(nbarras,nbarras);
figure;
%-----------------------------------%forrep=1:10
n=0;
m=0;
i=0;
%D_med=zeros(length(Med),1);
for i=1:length(Med)
ifMed(i)==0
else
n=n+1
D_med(n,1)=Med(i);
%H_jac(n,:)=Hjaco(i,:);
cova_m(n,n)=cova(i);
%h_X(n,1)=h_x(i);
end
end
W=cova_m^-1;%matriz de pesos
%
%
tol_X=0.01;
iteraciones=100;
salida=0;
alfa=1;
tol=0.01;
it=0;
iter=0;
error_delta_X=0

while salida<iteraciones
salida=salida+1;
iter=iter+1
teta=X(1:6,1);
V_b=X(7:12,1);
%Calculo de valores potencia P Q PijQij teta y V
i=0;
j=0;

18

for i=1:nbarras
%A=zeros(6,1)
for j=1:nbarras
P(i)=P(i)+V_b(j)*(G(i,j)*cos(teta(i)-teta(j))+B(i,j)*sin(teta(i)teta(j)));
Q(i)=Q(i)+V_b(j)*(G(i,j)*sin(teta(i)-teta(j))-B(i,j)*cos(teta(i)teta(j)));%-G(i,j)
%A(j)=V_b(j)*(G(i,j)*sin(teta(i)-teta(j))-B(i,j)*cos(teta(i)-teta(j)));
end
P(i)=V_b(i)*P(i);
Q(i)=V_b(i)*Q(i);
end
i=0;
for i=1:nlineas
Pij(i)=V_b(p(i))*V_b(q(i))*(G(p(i),q(i))*cos(teta(p(i))teta(q(i)))+B(p(i),q(i))*sin(teta(p(i))-teta(q(i))))-(V_b(p(i))^2)*G(p(i),q(i));
Qij(i)=V_b(p(i))*V_b(q(i))*(G(p(i),q(i))*sin(teta(p(i))-teta(q(i)))B(p(i),q(i))*cos(teta(p(i))-teta(q(i))))+(V_b(p(i))^2)*B(p(i),q(i));
end
%matriz de los valores calculados
h_x=[Pij;P;Qij;Q;V_b];
%matriz de inyeccion de potencia activa y reactiva respecto al angulo y
%tension
i=0;
j=0;
k=0;
for i=1:nbarras
for j=1:nbarras
if i==j
%derivada de P y Q respecto al angulo y tensin
DPi_teta(i,j)=-((V_b(i))^2)*B(i,i);
DPv_V_b(i,j)=V_b(i)*G(i,i);%
DQi_teta(i,j)=-((V_b(i))^2)*G(i,i);
DQv_V_b(i,j)=-V_b(i)*B(i,i);
for k=1:nbarras
DPi_teta(i,j)=DPi_teta(i,j)+V_b(i)*V_b(k)*(-G(i,k)*sin(teta(i)teta(k))+B(i,k)*cos(teta(i)-teta(k)));
DPv_V_b(i,j)=DPv_V_b(i,j)+V_b(k)*(G(i,k)*cos(teta(i)-teta(k))+B(i,k)*sin(teta(i)teta(k)));

DQi_teta(i,j)=DQi_teta(i,j)+V_b(i)*V_b(k)*(G(i,k)*cos(teta(i)teta(k))+B(i,k)*sin(teta(i)-teta(k)));
DQv_V_b(i,j)=DQv_V_b(i,j)+V_b(k)*(G(i,k)*sin(teta(i)-teta(k))-B(i,k)*cos(teta(i)teta(k)));
end
else
DPi_teta(i,j)=V_b(i)*V_b(j)*(G(i,j)*sin(teta(i)-teta(j))-B(i,j)*cos(teta(i)-

19

teta(j)));
DPv_V_b(i,j)=V_b(i)*(G(i,j)*cos(teta(i)-teta(j))+B(i,j)*sin(teta(i)-teta(j)));
DQi_teta(i,j)=-V_b(i)*V_b(j)*(G(i,j)*cos(teta(i)-teta(j))+B(i,j)*sin(teta(i)teta(j)));
DQv_V_b(i,j)=V_b(i)*(G(i,j)*sin(teta(i)-teta(j))-B(i,j)*cos(teta(i)-teta(j)));
end
end
end
%matriz de flujo de P y Q
p=Z_d(:,1);
q=Z_d(:,2);
i=0;
k=0;
for i=1:nlineas
for k=p(i):q(i)
if p(i)==k
DPij_teta(i,k)=V_b(p(i))*V_b(q(i))*(-G(p(i),q(i))*sin(teta(p(i))teta(q(i)))+B(p(i),q(i))*cos(teta(p(i))-teta(q(i))));
DQij_teta(i,k)=(V_b(p(i))*V_b(q(i))*(G(p(i),q(i))*cos(teta(p(i))teta(q(i)))+B(p(i),q(i))*sin(teta(p(i))-teta(q(i)))));%
DPij_V_b(i,k)=V_b(j)*(G(p(i),q(i))*cos(teta(p(i))teta(q(i)))+B(p(i),q(i))*sin(teta(p(i))-teta(q(i))))-2*G(p(i),q(i))*V_b(p(i));
DQij_V_b(i,k)=V_b(j)*(G(p(i),q(i))*sin(teta(p(i))-teta(q(i)))B(p(i),q(i))*cos(teta(p(i))-teta(q(i))))+2*B(p(i),q(i))*V_b(p(i));
else
if q(i)==k
DPij_teta(i,k)=V_b(p(i))*V_b(q(i))*(G(p(i),q(i))*sin(teta(p(i))-teta(q(i)))B(p(i),q(i))*cos(teta(p(i))-teta(q(i))));
DQij_teta(i,k)=-V_b(p(i))*V_b(q(i))*(G(p(i),q(i))*cos(teta(p(i))teta(q(i)))+B(p(i),q(i))*sin(teta(p(i))-teta(q(i))));%
DPij_V_b(i,k)=V_b(p(i))*(G(p(i),q(i))*cos(teta(p(i))teta(q(i)))+B(p(i),q(i))*sin(teta(p(i))-teta(q(i))));
DQij_V_b(i,k)=V_b(p(i))*(G(p(i),q(i))*sin(teta(p(i))-teta(q(i)))B(p(i),q(i))*cos(teta(p(i))-teta(q(i))));
end
end
end
end

%matriz de mediciones
i=0
for i=1:nbarras
teta_barra(i,i)=teta(i);
V_barra(i,i)=V_b(i);
end
Hjaco=[DPij_tetaDPij_V_b;...
DPi_tetaDPv_V_b;...

20

DQij_tetaDQij_V_b;...
DQi_tetaDQv_V_b;...
teta_barraV_barra];
%reduccion de las matrices en funcion de las mediciones
n=0;
m=0;
i=0;
for i=1:length(Med)
ifMed(i)==0
else
n=n+1
%D_med(n,1)=Med(i);
H_jac(n,:)=Hjaco(i,:);
%cova_m(n,n)=cova(i);
h_X(n,1)=h_x(i);
end
end
j=0;
for j=1:2*nbarras
if j==ang_ref
else
m=m+1;
H_Jac(:,m)=H_jac(:,j);
XI(m,:)=X(j);
end
end

%Estimacin de minimos cuadrados

%gan=(H_Jac'*W*H_Jac);
%INV_gan=inv(gan);
delta_Z=(D_med-h_X);
delta_X=inv(H_Jac'*W*H_Jac)*H_Jac'*W*(D_med-h_X);
error_delta_X(iter)=max(abs(delta_X));
error(iter)=delta_Z'*(W)*delta_Z;
%funcion de costo
%foric=1:length(D_med)
%
error=error+((D_med(ic)-h_X(ic))^2/cova_m(ic,ic));
%end
iferror_delta_X(iter)<tol_X
salida=iteraciones
else
if error(iter)<tol
salida=iteraciones;
else
salida=salida+1
end

21

end
%it=it+1;
%deltaER(it,:)=max(abs(delta_X));
%ifdeltaER(it)<tol
%
iter=1000;
X_fut=XI+alfa*delta_X;
X=[0;X_fut];

%figure
plot(D_med,'b*')
gridon
holdon
plot(h_X,'r+')
hold off
pause()
end
%{

22