Beruflich Dokumente
Kultur Dokumente
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
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
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
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.
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.
!!!
[
!!!
! ! !
]
!
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.
+ ()
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
( )
( )
( )}
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
W0( m) =
L+
W0( c ) =
L+
+ (1 2 + ) ,
Wi ( c ) = Wi ( m) =
2(L + )
= 2 ( L + ) L, = L +
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
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
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.
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
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
15
10
Voltaje (p.u)
-5
-10
-15
-20
4
N Iteracion
12
100
Grados
50
-50
-100
4
N Iteracion
CONCLUSIONES
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
%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
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