ΗΜΥ 681 Εκτίμηση κατάστασης

Σχετικά έγγραφα
ΗΜΥ 445 Εκτίμηση κατάστασης

ΗΜΥ 681 Εκτίμηση κατάστασης II (AC Εκτίμηση κατάστασης)

ΗΜΥ 680 Ανάλυση Συστημάτων Ηλεκτρικής Ισχύος Συστήματα ελέγχου

4. Περιγραφή και αιτιολόγηση του επιπλέον εξοπλισμού που χρειάστηκε.

Σ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv

Έλεγχος και Ευστάθεια Σ.Η.Ε

Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΗΜΥ 100 Εισαγωγή στην Τεχνολογία Διάλεξη 6

Εισόδημα Κατανάλωση

ΗΜΥ 681 Παρατηρησιμότητα του συστήματος ηλεκτρικής ενέργειας

HY213. ΑΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΑΧΙΣΤΑ ΤΕΤΡΑΓΩΝΑ AΝΑΛΥΣΗ ΙΔΙΑΖΟΥΣΩΝ ΤΙΜΩΝ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς


ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Αναγνώριση Προτύπων Ι

Stochastic Signals Class Estimation Theory. Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

4. Περιγραφή και αιτιολόγηση του επιπλέον εξοπλισμού που χρειάστηκε.

Φίλτρα Kalman. Αναλυτικές μέθοδοι στη Γεωπληροφορική. ιατύπωση του βασικού προβλήματος. προβλήματος. μοντέλο. Πρωτεύων μοντέλο

ΗΜΥ 445 Έλεγχος παραγωγής ΙΙ

Διαχείριση Υδατικών Πόρων

ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)

ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική

Χρησιμοποιήστε ως τιμή βάσης για την ισχύ 100 MVA και τιμές βάσης για την τάση τις αντίστοιχες τάσεις που θα επιλέξετε ανάλογα με την περιοχή.

NETCOM S.A. ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΠΑΛΜΟΜΕΤΑΤΡΟΠΕΩΝ DIGITAL CONTROL OF SWITCHING POWER CONVERTERS

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

5269: Υπολογιστικές Μέθοδοι για Μηχανικούς Συστήματα Γραμμικών Αλγεβρικών Εξισώσεων

ΑΣΚΗΣΗ 2 (powerworld): ΜΟΝΤΕΛΟΠΟΙΗΣΗ & ΠΡΟΣΟΜΟΙΩΣΗ ΛΕΙΤΟΥΡΓΙΑΣ ΕΝΕΡΓΕΙΑΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΗΛΕΚΤΡΟΠΑΡΑΓΩΓΗΣ 8 ΖΥΓΩΝ ΜΕ ΕΠΙΛΥΣΗ ΡΟΗΣ ΦΟΡΤΙΟΥ.

5269: Υπολογιστικές Μέθοδοι για Μηχανικούς Συστήματα Γραμμικών Αλγεβρικών Εξισώσεων

HMY 795: Αναγνώριση Προτύπων. Διάλεξη 2

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία

Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου

HMY 795: Αναγνώριση Προτύπων

Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων

Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες

ΔΙΑΧΕΙΡΙΣΗ Σ.Η.Ε. ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 2 ΕΛΕΓΧΟΣ ΑΝΤΑΛΛΑΓΩΝ ΙΣΧΥΟΣ Ο Μ Α Δ Α :... Ονοματεπώνυμο

Ελληνικό Ανοικτό Πανεπιστήμιο

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ

ΗΛΕΚΤΡΟΝΙΚΑ ΙΣΧΥΟΣ ΗΜΥ 444

ΗΜΥ 100 Εισαγωγή στην Τεχνολογία

Παρουσίαση 2 η : Αρχές εκτίμησης παραμέτρων Μέρος 1 ο

Εξαμηνιαία Εργασία Β. Κανονική Κατανομή - Επαγωγική Στατιστική

Χημική Τεχνολογία. Ενότητα 1: Στατιστική Επεξεργασία Μετρήσεων. Ευάγγελος Φουντουκίδης Τμήμα Μηχανολόγων Μηχανικών Τ.Ε.

HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)

HMY 799 1: Αναγνώριση Συστημάτων

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34

Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης

ΤΕΙ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ

ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ

Χρησιμοποιήστε σαν βάση για την ισχύ την τιμή των 100 ΜVA. Η τιμή βάσης για την τάση θα πρέπει να καθοριστεί ανάλογα με την αντίστοιχη περιοχή.

Y Y ... y nx1. nx1

Συστήματα Αυτόματου Ελέγχου

ΑΣΚΗΣΗ 1 ΜΟΝΟΦΑΣΙΚΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΤΗΣ

ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική

Απλή Παλινδρόμηση και Συσχέτιση

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ

Πανεπιστήμιο Θεσσαλίας

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα

Χρησιμοποιήστε ως τιμή βάσης για την ισχύ 100 MVA και τιμές βάσης για την τάση τις αντίστοιχες τάσεις που θα επιλέξετε ανάλογα με την περιοχή.

Περιπτώσεις που η στατιστική συνάρτηση ελέγχου είναι η Ζ: 1. Η σ είναι γνωστή και ο πληθυσμός κανονικός.

Στατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017

Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

Αναγνώριση Προτύπων Ι

ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...

4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου

ΗΜΥ 681 Έλεγχος παραγωγής Ι

Ενότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης

ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ

Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)

Μέθοδος Ελαχίστων Τετραγώνων (για την προσαρμογή (ή λείανση) δεδομένων/μετρήσεων)

ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2

ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ

ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7. ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

Στατιστική. Εκτιμητική

ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Επίλυση Εξισώσεων. Συστήµατα γραµµικών εξισώσεων. λύση ... = ... ηµοκρίτειο Πανεπιστήµιο Θράκης Τµήµα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών

Εισαγωγή στις Ηλεκτρικές Μετρήσεις

Στατιστική Συμπερασματολογία

Εισαγωγή στην Εκτιμητική

ΣΧ0ΛΗ ΤΕΧΝ0Λ0ΓΙΑΣ ΤΡΟΦΙΜΩΝ & ΔΙΑΤΡΟΦΗΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΕΡΓΑΣΤΗΡΙΟ: ΟΡΓΑΝΟΛΗΠΤΙΚΟΥ ΕΛΕΓΧΟΥ ΓΙΑΝΝΑΚΟΥΡΟΥ ΜΑΡΙΑ ΤΑΛΕΛΛΗ ΑΙΚΑΤΕΡΙΝΗ

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ

Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση

Κεφάλαιο 5 Κριτήρια απόρριψης απόμακρων τιμών

Project 1: Principle Component Analysis

ΗΜΥ 100 Εισαγωγή στην Τεχνολογία Διάλεξη 5

προβλήµατος Το φίλτρο Kalman διαφέρει από τα συνηθισµένα προβλήµατα ΜΕΤ σε δύο χαρακτηριστικά: παραµέτρων αγνώστων

ΕΥΕΛΙΚΤΑ ΣΥΣΤΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ ΗΜΥ 499

Αναλυτική Στατιστική

Σφάλματα Είδη σφαλμάτων

Τµήµα Βιοµηχανικής Πληροφορικής Σηµειώσεις Ηλεκτρονικών Ισχύος Παράρτηµα

Transcript:

ΗΜΥ 68 Εκτίμηση κατάστασης Δρ. Ηλίας Κυριακίδης Αναπληρωτής Καθηγητής ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Ηλίας Κυριακίδης, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πανεπιστήμιο Κύπρου

ΤΑ ΘΕΜΑΤΑ ΜΑΣ ΣΗΜΕΡΑ Εκτίμηση κατάστασης (state estimation) Υπόλοιπο Μέθοδος ελάχιστων τετραγώνων Ψευδοαντίστροφο Στάθμιση Αξιοπιστία αποτελεσμάτων Συγχρονισμένες μετρήσεις και παρακολούθηση σε πραγματικό χρόνο

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ (SAE ESIMAION) Ορισμός: Η εκτίμηση κατάστασης είναι η διαδικασία του ορισμού τιμών στις άγνωστες καταστάσεις (state variables) του συστήματος χρησιμοποιώντας μετρήσεις από το σύστημα. Σε αυτή τη διαδικασία χρησιμοποιούνται επίσης η τοπολογία του συστήματος και τυχόν γνώσεις για την ακρίβεια των συσκευών μέτρησης. System Measurements Estimator z Estimated states

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ (SAE ESIMAION) Ποιές είναι οι καταστάσεις (states) σε ένα σύστημα ηλεκτρικής ισχύος; Τι θέλουμε να υπολογίσουμε; -- Οι καταστάσεις (state variables) είναι συνήθως το μέτρο και η γωνία της τάσης σε κάθε ζυγό του συστήματος. Οι διαθέσιμες μετρήσεις μπορεί να είναι το μέτρο της τάσης σε κάποιους ζυγούς, η ένταση, η ενεργός ισχύς και η άεργος ισχύς, η θέση των βηματικών διακοπτών στους μετασχηματιστές (transformer taps) και η κατάσταση των διακοπτών (ανοικτοί ή κλειστοί). Πρόσφατα έχουν μπει σε λειτουργία συσκευές που έχουν την δυνατότητα να υπολογίζουν και την φάση στον ζυγό στον οποίο τοποθετούνται (Phasor Measurement Units, PMUs). Χρησιμοποιούν τεχνολογία GPS.

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ (SAE ESIMAION) Μέσω της διαδικασίας εκτίμησης καταστάσεως, χρησιμοποιούνται οι μετρήσεις και η τοπολογία του συστήματος για να υπολογιστούν οι άγνωστες καταστάσεις. Οι μετρήσεις μπορεί να είναι ατελείς και να περιέχουν θόρυβο. Ο εκτιμητής (estimator) είναι σχεδιασμένος ούτως ώστε να επιτυγχάνει την καλύτερη δυνατή εκτίμηση. Συνήθως έχουμε περισσότερες εξισώσεις παρά αγνώστους (υπερκαθορισμένο σύστημα, overdetermined system).

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ (SAE ESIMAION) Γιατί δεν χρησιμοποιούμε συσκευές μέτρησης σε όλους τους ζυγούς του συστήματος; -- Κόστος -- Μειωμένη χωρητικότητα καναλιών τηλεπικοινωνίας -- Θόρυβος και σφάλματα στις μετρήσεις -- Περίοδοι που τα κανάλια τηλεπικοινωνίας δεν δουλεύουν => ο χειριστής του συστήματος δεν θα έχει πληροφορίες για μέρος του συστήματος σε αυτές τις περιόδους. Επομένως, ο εκτιμητής είναι απαραίτητος.

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ (SAE ESIMAION) Σκοπός της εκτίμησης κατάστασης στα συστήματα ηλεκτρικής ισχύος: Ο υπολογισμός των καλύτερων δυνατών τιμών του μέτρου και της γωνιάς της τάσης στους ζυγούς του συστήματος λαμβάνοντας υπόψη ότι πιθανόν να υπάρχουν σφάλματα στις μετρήσεις και ότι έχουμε περισσότερες μετρήσεις από όσες είναι απαραίτητες. Το αποτέλεσμα της εκτίμησης κατάστασης είναι η λύση του προβλήματος ροής ισχύος (power flow solution) σε πραγματικό χρόνο.

ΣΦΑΛΜΑΤΑ ΣΤΙΣ ΜΕΤΡΗΣΕΙΣ Μικρά σφάλματα (π.χ. σφάλματα στους μετρητές) Μεγάλα σφάλματα (π.χ. μετρητές ενωμένοι ανάποδα) Απουσία μετρήσεων (π.χ. λόγω σφάλματος σε κανάλια επικοινωνίας (communication channel failures)) Ο εκτιμητής: Ομαλοποιεί τα μικρά σφάλματα στις μετρήσεις (smooths out small errors) Ανιχνεύει μεγάλα σφάλματα στις μετρήσεις Συμπληρώνει τις μετρήσεις που απουσιάζουν Μειώνει το θόρυβο στις μετρήσεις Υπολογίζει τις τιμές καταστάσεων που είναι δύσκολο να μετρηθούν.

ΧΡΟΝΟΣ ΚΑΙ ΕΚΤΙΜΗΣΗ Τι ώρα είναι; What time is it? Quelle heure est-il? Qué hora es? Che ora é? Cât e ceasul?

ΚΑΜΗΛΟΠΑΡΔΑΛΕΙΣ Πόσο είναι το μέσο ύψος του λαιμού μιας καμηλοπάρδαλης αν έχουμε τα πιο κάτω δεδομένα;

ΚΑΜΗΛΟΠΑΡΔΑΛΕΙΣ Η καμηλοπάρδαλη στα δεξιά δεν μπορεί να θεωρηθεί αντιπροσωπευτική. Είναι παράδειγμα κακών δεδομένων (bad data). Ονομάζεται outlier (μέτρηση που είναι προφανώς μακριά από τις αναμενόμενες) και μπορεί είτε να απορριφθεί είτε να μετρηθεί με μικρότερη σημασία (weighted less).

ΚΑΜΗΛΟΠΑΡΔΑΛΕΙΣ Η μέτρηση στα δεξιά είναι ένα άλλο παράδειγμα κακών δεδομένων. Είναι μια ασυνεπής μέτρηση (inconsistent measurement). Δεν έχει σχέση με εκείνο που θέλουμε να μετρήσουμε, επομένως απορρίπτεται ως δεδομένο.

ΠΑΡΑΔΕΙΓΜΑ V s =V + - R =5Ω R =5Ω V V Επιθυμούμε να μετρήσουμε την τάση στα άκρα της R Έστω ότι έχουμε δύο βολτόμετρα, τα Α και Β. Μετρούμε την τάση στα άκρα της R χρησιμοποιώντας και τα δύο βολτόμετρα. V a = 5. V V b = 4.7 V Αφού οι δύο μετρήσεις δεν συμφωνούν αλλά είναι κοντά η μια στην άλλη, το V είναι ο μέσος όρος των δυο μετρήσεων. V V a V 5. 4.7 b 4.9V

ΠΑΡΑΔΕΙΓΜΑ Υποθέστε ότι έχουμε ένα τρίτο βολτόμετρο C. Έστω ότι η μέτρηση από το C είναι V c = 5 V. Προφανώς αυτή η μέτρηση δεν είναι αξιόπιστη. Απλή προσέγγιση: αγνοούμε την V c και εκτιμούμε το V από τις V a και V b. Άλλη προσέγγιση: Χρήση σταθμισμένης εκτίμησης κατάστασης (weighted state estimation) Αυτό σημαίνει ότι ορίζουμε κατάλληλα βάρη (weights) σε κάθε μια από τις τρεις μετρήσεις ανάλογα με την εμπιστοσύνη που έχουμε σε κάθε όργανο μέτρησης. Για παράδειγμα, ας δώσουμε τα πιο κάτω βάρη: Αν το B είναι το καλύτερο όργανο μέτρησης, ας του δώσουμε βάρος Ας δώσουμε βάρος 8 στο A Αφού το C δεν είναι αξιόπιστο, ας του δώσουμε βάρος. V 5.8 4.7 5 39 5.5

ΠΑΡΑΔΕΙΓΜΑ Έστω ότι θέλουμε να υπολογίσουμε δυο καταστάσεις. Λαμβάνονται τρεις μετρήσεις και δημιουργούνται οι πιο κάτω εξισώσεις. 3.. 3 4.8 Σε μορφή πίνακα: 3 3.. 4.8 Process matri 3 states vector 3 measurements 3 vector Η εξίσωση είναι στην μορφή = z

ΠΑΡΑΔΕΙΓΜΑ 3 3.. 4.8 Αριθμός μετρήσεων: n = 3 Αριθμός καταστάσεων: m = Αφού n > m, το σύστημα είναι υπερκαθορισμένο (overdetermined) Επομένως δεν υπάρχει μοναδική λύση (no unique solution) Η λύση δεν είναι μοναδική αφού συνήθως, δεν είναι δυνατό να ικανοποιηθούν επακριβώς όλες οι εξισώσεις για τις ίδιες τιμές των καταστάσεων. Σε κάθε εξίσωση θα υπάρχει ένα σφάλμα. Ο στόχος μας είναι να βρούμε μια λύση που να αναγκάζει αυτό το σφάλμα να είναι όσο πιο μικρό γίνεται.

ΥΠΟΛΟΙΠΟ (RESIDUAL) Αυτό το σφάλμα ονομάζεται υπόλοιπο (residual) της λύσης. r z : το διάνυσμα των εκτιμημένων παραμέτρων Υπάρχουν πολλοί τρόποι να ελαχιστοποιήσουμε (minimize) το υπόλοιπο, r. Μια από τις πιο διαδεδομένες μεθόδους είναι η μέθοδος ελάχιστων τετραγώνων (least squares method), η οποία στην ουσία ελαχιστοποιεί το μήκος (ευκλείδεια νόρμα, Euclidean norm) του υπόλοιπου r.

ΜΕΘΟΔΟΣ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ LEAS SQUARES MEOD ) ( ) ( z z r r J ] [ z z z z J J J Ο στόχος είναι να ελαχιστοποιήσουμε το υπόλοιπο: Μερικές ιδιότητες: A A A d d a a d d a d d A A d d

ΜΕΘΟΔΟΣ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ LEAS SQUARES MEOD z z z z z z z z z z J Η ποσότητα + ονομάζεται ψευδοαντίστροφο (pseudoinverse) του Έστω ότι

ΨΕΥΔΟΑΝΤΙΣΤΡΟΦΟ (PSEUDOINVERSE) Τι συμβαίνει αν το δεν ορίζεται; Το ψευδοαντίστροφο μπορεί να βρεθεί με διαφορετικό τρόπο. Τέσσερις περιπτώσεις: (α) Ο πίνακας Η είναι τετραγωνικός και υπάρχει ο αντίστροφος του ( nonsingular) z z (β) Υπάρχει ο αντίστροφος του (γ) Υπάρχει ο αντίστροφος του z z z z Πιο συχνή περίπτωση (δ) Χρησιμοποιώντας την διάσπαση σε χαρακτηριστικές τιμές (singular value decomposition (SVD))

ΨΕΥΔΟΑΝΤΙΣΤΡΟΦΟ (PSEUDOINVERSE) Το ψευδοαντίστροφο υπάρχει πάντα (ακόμα και για τον μηδενικό πίνακα). Ονομάζεται και Moore-Penrose pseudoinverse (από τους δημιουργούς του). MALAB: pinv(η), όπου Η ο πίνακας του οποίου θέλουμε να βρούμε το ψευδοαντίστροφο.

ΠΑΡΑΔΕΙΓΜΑ (ΣΥΝΕΧΕΙΑ) 4.8. 3. 3 z z ) (.97.98 7.3.3.8..8. 7.3.3 4 4 6 4.8. 3. 3 3 3

ΠΑΡΑΔΕΙΓΜΑ - ΥΠΟΛΟΓΙΣΜΟΣ ΥΠΟΛΟΙΠΟΥ Για να δούμε πόσο σφάλμα έχουμε στις εκτιμημένες παραμέτρους, πρέπει να υπολογίσουμε το υπόλοιπο. J r r ( z ) ( z ) r z 3..98..97 3 4.8.3.4.8 J.3.8.3.4.8.4. 54 Τι σημαίνει αυτός ο αριθμός; Αν συγκρίνουμε όμοιες ποσότητες, τότε μπορεί να είναι ένα μέτρο εμπιστοσύνης στις εκτιμημένες ποσότητες (measure of confidence).

V R R 3 ΠΑΡΑΔΕΙΓΜΑ 3 V V 3 R μετρήσουμε τις τάσεις V, V, και V 3. Βρείτε την εξίσωση της V 3 αν έχει τη μορφή: Έστω ότι σε αυτό το κύκλωμα μπορούμε να V 3 = av + bv + c Διαθέσιμες μετρήσεις V V V 3 7. 3. 8.3 3..3.4 5..4 9. 4. Αυτό είναι ένα πρόβλημα εκτίμησης κατάστασης με τρεις αγνώστους (a, b, c), και τέσσερεις μετρήσεις. Επομένως, είναι ένα υπερκαθορισμένο (overdetermined) πρόβλημα. Πρέπει να διαμορφώσουμε το πρόβλημα σε μαθηματική μορφή.

ΠΑΡΑΔΕΙΓΜΑ 3 Αντικαθιστούμε τις μετρήσεις που έχουν ληφθεί στο μαθηματικό μοντέλο του συστήματος, V 3 = av + bv + c V V V 3 7. 3. 3. = 7.a + b + c.3 = 8.3a + 3.b + c.4 =.4a + 5.b + c 4. = a + 9.b + c Σε μορφή πίνακα, 7. 8.3.4 3. 5. 9. 3. a.3 b.4 c 4. z 8.3 3..3.4 5..4 9. 4. Όπως και στο προηγούμενο παράδειγμα, επιλύουμε την εξίσωση λαμβάνοντας το ψευδοαντίστροφο του πίνακα. 7. a 8.3 b.4 c 3. 5. 9. 3..38.3.374.4 5.55 4.

ΠΑΡΑΔΕΙΓΜΑ 4 Υπολογίστε τη γωνία της τάσης σε κάθε ζυγό του συστήματος. BUS BUS 5 MW M MW 4 MW 6 MW M 3 9 MW M 3 Δεδομένα: X =. p.u. X 3 =.4 p.u. X 3 =. p.u. Βάση ισχύος: MVA 3 MW BUS 3

BUS BUS 5 MW M M 3 MW 3 MW 4 MW Οι ροές ισχύος είναι, f ab ( a b ) X ab M 6 MW ab ΠΑΡΑΔΕΙΓΜΑ 4 M 3 9 MW BUS 3 Μπορούμε να δείξουμε την πιο πάνω εξίσωση χρησιμοποιώντας ένα παράδειγμα με δυο ζυγούς. P V V sin( δ δ ) X Έστω ότι ο ζυγός είναι ο ζυγός αναφοράς Από τις μετρήσεις: M = MW =. p.u. M 3 = 3 MW =.3 p.u. M 3 = -6 MW = -.6 p.u. V Πδ V Πδ Αφού η V και η V είναι περίπου p.u., και η γωνία είναι μικρή, η ροή ισχύος P μπορεί να βρεθεί από, δ P δ X P X

ΠΑΡΑΔΕΙΓΜΑ 4 Επομένως,.6 ) (. ) (.3.5 ) (.4 ) (. 5 ) (. ) ( 3 3 3 3 3 3 3 3 3 3 X f X f X f Σε μορφή πίνακα,.6.3..5 5 3 Αυτό είναι και πάλι στη μορφή = z..6.3..5 5.5 5.5 5 rad.48.438 3

ΣΤΑΘΜΙΣΗ (WEIGING) Έστω ότι θέλουμε να εκτιμήσουμε την κατάσταση από δυο μετρήσεις που έχουμε λάβει, χρησιμοποιώντας τη μέθοδο ελάχιστων τετραγώνων. J r ( dj ( ) d.5 ) ( ( ) ) 4 6 Αν πολλαπλασιάσουμε την πρώτη εξίσωση με δυο: J r ( ) dj 4( ) d. ( ( ) ) Προσοχή στις πράξεις!!!

ΣΤΑΘΜΙΣΗ (WEIGING) Το φαινόμενο της προηγούμενης διαφάνειας χρησιμοποιείται για να δώσει διαφορετικά βάρη (weights) στις μετρήσεις, ανάλογα με την ακρίβεια τους. Αυτό ονομάζεται biased state estimation. Η περίπτωση στην οποία δεν χρησιμοποιούνται βάρη ονομάζεται unbiased state estimation. Χρησιμοποιείτε ένας διαγώνιος πίνακας W με κάθε στοιχείο να αντιπροσωπεύει το βάρος της συγκεκριμένης μέτρησης.

ΣΤΑΘΜΙΣΗ (WEIGING) Συνήθως, η ακρίβεια των οργάνων μέτρησης είναι γνωστή (ή περίπου γνωστή). Αν η τυπική απόκλιση του σφάλματος στις μετρήσεις οριστεί ως σ, μικρό σ σημαίνει ψηλή ακρίβεια και μεγάλο σ σημαίνει χαμηλή ακρίβεια. Εισαγάγουμε βάρη για να αυξήσουμε τη σημασία των καλών μετρήσεων και να μειώσουμε τη σημασία των κακών μετρήσεων. W w w w n

ΣΤΑΘΜΙΣΗ (WEIGING) Unbiased estimator z ( ) z ( J r ) r ( z ) ( z ) z Biased (weighted) estimator W W z ( W ) ( (( W ) ( W ( W ) W z W )) W ) Wz ( W ) W W z W z r W ( z ) J r r ( z ) W( z )

ΠΑΡΑΔΕΙΓΜΑ 5 Για το σύστημα του παραδείγματος 4, υποθέστε ότι οι συσκευές μετρήσεως έχουν τα πιο κάτω χαρακτηριστικά: Μετρητής Μ : πλήρης κλίμακα ΜW ± 3 MW ακρίβεια Μετρητής Μ 3 : πλήρης κλίμακα ΜW ± 6 MW ακρίβεια Μετρητής Μ 3 : πλήρης κλίμακα ΜW ± 3 MW ακρίβεια BUS BUS 5 MW M MW 4 MW 6 MW M 3 9 MW M 3 3 MW BUS 3

ΠΑΡΑΔΕΙΓΜΑ 5 Μετρητής Μ : πλήρης κλίμακα ΜW ± 3 MW ακρίβεια Τι σημαίνει αυτό; Σημαίνει ότι οι μετρητές θα δώσουν μια μέτρηση που θα είναι μεταξύ -3 MW και +3 MW από την πραγματική τιμή της μετρούμενης ποσότητας, 99% του χρόνου. Πραγματική τιμή μετρούμενης ποσότητας -3σ -σ -σ σ σ 3σ Μέτρηση

ΠΑΡΑΔΕΙΓΜΑ 5 Μετρητής Μ : πλήρης κλίμακα ΜW ± 3 MW ακρίβεια Τι σημαίνει αυτό; Επομένως, το ± 3 MW αντιστοιχεί με τυπική απόκλιση: σ = MW =. p.u. Τιμή βάσης αυτού του οργάνου μέτρησης: MW σ M =. p.u. σ M3 =. p.u. σ M3 =.5 p.u.

ΠΑΡΑΔΕΙΓΜΑ 5 Πίνακας στάθμισης (weight matri): 4 5 3 3 M M M W

ΠΑΡΑΔΕΙΓΜΑ 5 Εξισώσεις συστήματος:.6 ) (. ) (.3.5 ) (.4 ) (. 5 ) (. ) ( 3 3 3 3 3 3 3 3 3 3 X f X f X f..4.6.3. 4 5.5 5.5 5 4 5.5 5 Wz W ) (

ΑΞΙΟΠΙΣΤΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Αν το υπόλοιπο (residual) είναι μικρό, τότε η αξιοπιστία των αποτελεσμάτων είναι μεγάλη. Αν το υπόλοιπο είναι μεγάλο, δεν μπορούμε να έχουμε εμπιστοσύνη στα αποτελέσματα. Ποιος αποφασίζει ποιο υπόλοιπο θεωρείται μεγάλο και πιο θεωρείται μικρό;

CI SQUARE ES ΕΛΕΓΧΟΣ χ Αν τα σφάλματα στις μετρήσεις είναι τυχαίοι αριθμοί (random numbers) και περιγράφονται από την κανονική συνάρτηση πυκνότητας πιθανότητας (normal probability density function), τότε το υπόλοιπο J() είναι τυχαίος αριθμός και η συνάρτηση πυκνότητας πιθανότητας του είναι γνωστή ως κατανομή χ (chisquare distribution). Η κατανομή χ γράφεται και ως χ (Κ) όπου Κ είναι οι βαθμοί ελευθερίας (degrees of freedom). K N m N s N m : αριθμός μετρήσεων N s : αριθμός καταστάσεων

CI SQUARE ES ΕΛΕΓΧΟΣ χ Επιλέγουμε ένα επίπεδο σημαντικότητας (significance level) α, συνήθως %. Το α δηλώνει την πιθανότητα να έχουμε κάποιο λανθασμένο συναγερμό (false alarm) στην απόφαση αν η εκτίμηση μπορεί να είναι καλή. Χρησιμοποιώντας το α, βρίσκουμε το όριο (threshold) (από πίνακες) για το υπόλοιπο J(). Αυτή η τιμή ονομάζεται t J. Υπολογίζουμε το υπόλοιπο J(). Αν J ( ) t J, τότε έχουμε κακά δεδομένα ή κακή εκτίμηση. Αν J ( ), μπορούμε να εμπιστευτούμε την εκτίμηση. t J

CI SQUARE ES ΕΛΕΓΧΟΣ χ

ΑΠΟΤΕΛΕΣΜΑΤΑ ΕΣΦΑΛΜΕΝΩΝ ΕΚΤΙΜΗΣΕΩΝ Λανθασμένο μέτρο και γωνία τάσης στους ζυγούς και επομένως εσφαλμένες ροές ισχύος στις γραμμές. Αυτό μπορεί να προκαλέσει λανθασμένες αποφάσεις των χειριστών του συστήματος (π.χ. να θεωρείται ότι το σύστημα είναι σε καλή κατάσταση ενώ στην πραγματικότητα μια γραμμή να είναι υπερφορτωμένη). Λανθασμένες εκτιμήσεις για το κριτήριο ασφάλειας N-. Μπορεί να μεταφερθούν λανθασμένα δεδομένα στις γειτονικές περιοχές και να δημιουργηθούν αλυσιδωτά προβλήματα. Λανθασμένες αποφάσεις για αγοραπωλησίες ενέργειας. Στη χειρότερη περίπτωση, μπορεί να προκληθεί συσκότιση (blackout). Παράδειγμα: Η συσκότιση στις ΗΠΑ και Καναδά, 4 Αυγ. 3.

ΑΛΛΕΣ ΜΕΘΟΔΟΙ ΕΚΤΙΜΗΣΗΣ ΚΑΤΑΣΤΑΣΕΩΝ Υπάρχουν διάφοροι τρόποι να ελαχιστοποιηθεί το υπόλοιπο J. Σε κάθε περίπτωση επιλέγεται ο τρόπος που δίνει τα καλύτερα αποτελέσματα. Γενικά, θέλουμε να βρούμε την καλύτερη λύση ελαχιστοποιώντας το r z για κάποια τιμή του p. p p

ΑΛΛΕΣ ΜΕΘΟΔΟΙ ΕΚΤΙΜΗΣΗΣ ΚΑΤΑΣΤΑΣΕΩΝ Τι σημαίνει το p ; Είναι η νόρμα (norm) του διανύσματος r και είναι ένας τρόπος να μετριέται το μήκος του σύμφωνα με κάποια κριτήρια που καθορίζονται από την τιμή του p. Συνήθεις τιμές του p:,, r r r r r r p p p p r rn ) ( r n r n r i i n ( r r r ) ( r r) ma in r i r L Maimum norm p L -norm Least absolute deviations L -norm Least squares norm

ΕΦΑΡΜΟΓΗ ΕΝΕΡΓΕΙΑΚΟ ΚΕΝΤΡΟ ΕΛΕΓΧΟΥ

ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ ΜΕ ΑΠΩΛΕΙΑ ΜΕΤΡΗΣΕΩΝ Όταν χαθεί μια μέτρηση, το σύστημα συνεχίζει να παραμένει παρατηρήσιμο (observable); Αν ναι, τότε δεν υπάρχει πρόβλημα. Αν όχι, τότε δεν μπορούμε να κάνουμε εκτίμηση κατάστασης. Πιθανές λύσεις: -- Χρήση ψευδομετρήσεων (και στάθμιση τους με χαμηλή αξιοπιστία) -- Χρήση των αμέσως προηγούμενων μετρήσεων

Σημερινή πρακτική: ΕΚΤΙΜΗΣΗ ΚΑΤΑΣΤΑΣΗΣ ΣΤΑ ΣΗΕ Οι μετρήσεις δεν είναι ταυτόχρονες, αλλά ασύγχρονες Οι μετρήσεις που λαμβάνονται είναι συνήθως τα P, Q, V, I Οι καταστάσεις είναι οι τάσεις (μέτρα και φάσεις) ορθής ακολουθίας σε όλους τους ζυγούς του συστήματος

PASOR MEASUREMEN UNIS (PMUs) Μετρούν κυματομορφές 5/6 z (τάσεις και εντάσεις), συνήθως με ρυθμό 48 δειγμάτων ανά κύκλο (4-88 δειγμάτων το δευτερόλεπτο). Χρησιμοποιείται το σύστημα προσδιορισμού θέσης (Global Positioning System (GPS)), για συγχρονισμό των μετρήσεων σε όλα τα σημεία του δικτύου που έχουν τέτοιες συσκευές, με ακρίβεια μs. Τα διανύσματα που υπολογίζονται μέσω αυτής της διαδικασίας, μεταφέρονται σε ένα εξυπηρετητή (server) με ρυθμό μέχρι και 6 δείγματα το δευτερόλεπτο. Χρονο-συγχρονισμένα δεδομένα Παρακολούθηση δυναμικής συμπεριφοράς Παρακολούθηση ευρείας περιοχής Απ ευθείας μέτρηση φάσεων Phasor Measurement Unit Block Diagram

ΠΛΕΟΝΕΚΤΗΜΑΤΑ ΤΕΧΝΟΛΟΓΙΑΣ PMU Τα PMUs παρέχουν συγχρονισμένα δεδομένα τα οποία μπορεί να χρησιμοποιηθούν για: -- παρακολούθηση ευρείας περιοχής -- παρακολούθηση δυναμικής και ευστάθειας σε πραγματικό χρόνο -- βελτιώσεις στην εκτίμηση κατάστασης, προστασία και έλεγχο Παρέχουν τη δυνατότητα διανεμημένων μετρήσεων και συντονισμένων ενεργειών ελέγχου. Παρέχουν απ ευθείας τις γωνίες, οι οποίες παραδοσιακά υπολογίζονταν μέσω εκτιμητών κατάστασης και οι οποίοι είναι αργοί (συνήθως κάθε 3-5 λεπτά)) και επιρρεπείς σε σφάλματα λόγω πεπαλαιωμένων ή μη ακριβών μοντέλων. Επιπλέον, αν ο εκτιμητής κατάστασης παίρνει μετρήσεις μόνο από PMUs, τότε είναι γραμμικός και δεν χρειάζονται επαναληπτικές διαδικασίες.

ΣΥΓΚΡΙΣΗ ΣΗΜΕΡΙΝΗΣ ΠΡΑΚΤΙΚΗΣ ΜΕ ΤΕΧΝΟΛΟΓΙΑ PMU ARIBUE Measurement Resolution Observability Monitoring Phase Angle Measurement SCADA Analogue -4 samples/s Steady State Local No PASOR Digital > samples/s Dynamic/ransient Wide-Area Yes

Control center Data acquisition/processing, decisions, actions Relay signals Damping signals ripping signal Switching signals Measurement data Breaker PMU Controller Shunt capacitor locations PMU PMU

ΤΟΠΟΘΕΤΗΣΗ PMUs ΣΤΟ ΣΥΣΤΗΜΑ Τοποθέτηση PMUs σε στρατηγικές τοποθεσίες στο σύστημα Πολλαπλοί στόχοι (ανάλογα με τα επιθυμητά χαρακτηριστικά απόδοσης): Τοπολογική παρατηρησιμότητα (τοποθέτηση ελάχιστου αριθμού PMUs) Εγγύηση τοπολογικής παρατηρησιμότητας για απώλεια ενός PMU ή μιας γραμμής Ενίσχυση εκτιμητή κατάστασης (συνδυασμός με συμβατικές μετρήσεις) Ελαχιστοποίηση αβεβαιότητας στις μετρήσεις Αποφυγή κρίσιμων μετρήσεων Ανίχνευση κακών δεδομένων Επίτευξη παρατηρησιμότητας ευρείας περιοχής σε πραγματικό χρόνο Μετάβαση από τα συστήματα παρακολούθησης ευρείας περιοχής στα συστήματα ελέγχου ευρείας περιοχής (from wide area measurement systems to wide area control systems)

ΣΥΝΔΥΑΣΜΟΣ ΣΥΜΒΑΤΙΚΩΝ ΜΕΤΡΗΣΕΩΝ ΚΑΙ ΜΕΤΡΗΣΕΩΝ ΑΠΟ PMUs Δεν συστήνεται να βασιζόμαστε σε ένα σύστημα παρακολούθησης μόνο με PMUs Μπορούμε να έχουμε πολύτιμες πληροφορίες από συμβατικές μετρήσεις Τι θα συμβεί αν δεν δουλεύει το GPS για κάποια περίοδο; Πρακτική προσέγγιση: χρήση PMUs σε συνδυασμό με τις υφιστάμενες συμβατικές μετρήσεις

ΕΝΣΩΜΑΤΩΣΗ ΤΕΧΝΟΛΟΓΙΑΣ ΣΥΓΧΡΟΝΙΣΜΕΝΩΝ ΜΕΤΡΗΣΕΩΝ ΚΑΙ SCADA Τα δεδομένα από το σύστημα SCADA ανανεώνονται κάθε 4-5 δευτερόλεπτα. Οι μετρήσεις από τα PMUs μπορούν να συγχρονιστούν με τις συμβατικές μετρήσεις χρησιμοποιώντας τα χρονικά δεδομένα (time-stamps). NEWORK MODEL OER DAA SCADA SAE ESIMAION Χρειάζονται πολλές μελέτες για κάθε σύστημα για να επιτευχθεί αυτός ο στόχος. PASOR DAA CONCENRAOR SM... PMU PMU PMU PMU

VISION Voltage Current Power Local Control Local Control Augmented With Distant Signals Unconventional Sensory Signals Global Control PSSs WACS GPS SPSSs PMUs FACS Advanced Electronic Controls WAMS 87 97 7 7