L EDELSE OG LEDERATFERD

O sistema SCADA, tradicionalmente, conecta dois ambientes: a subestação e o centro de controle (IEEE PES, 2003). No início, os sistemas SCADA eram implementados usando um complexo sistema de chaveamento eletromecânico baseado na tecnologia telefônica discada capaz de ler instrumentos e operar equipamentos. O advento do computador no controle e processamento transformou o sistema SCADA no seu formato atual que permite o emprego de muitos aplicativos avançados. Como resultado, o sistema foi renomeado para EMS utilizando a estimação de estado como a principal ferramenta capaz de fornecer um conjunto completo de dados para controle e monitoramento em tempo real do sistema elétrico (LI et al., 2013). Estimadores de estados convencionais permitem um monitoramento preciso e eficiente dos fluxos de corrente nas linhas e dos perfis de tensão nas barras a fim de identificar o estado atual de operação que pode ser normal, emergência ou restaurativo (MONTICELLI, 1999). O aplicativo de estimação de estados normalmente possui as seguintes funções (SHAHIDEHPOUR; WANG, 2003) (ABUR; EXPÓSITO, 2004):

x Processador de Topologia: define a topologia do sistema através dos dados de estados dos disjuntores e chaves;

x Análise de Observabilidade: determina a viabilidade da solução da estimativa de estados para o conjunto de medições disponíveis;

x Solução da Estimação de Estados: calculas as tensões das barras e os fluxos das linhas usando o conjunto de medições disponíveis;

x Processamento de dados inválidos: identifica e elimina os dados inválidos do conjunto de medições disponíveis;

x Processamento de parâmetros e erros estruturais: estima vários parâmetros da rede e detecta erros na estrutura da rede;

Métodos de solução da estimação de estados, como os mínimos quadrados ponderados (WLS) (BOSE; CLEMENTS, 1987), valor mínimo absoluto (LAV)

Capítulo 7 – Camada de Análise 99

(KOTIUGA, 1985) e valor mínimo absoluto ponderado (WLAV) (CELIK; ABUR, 1992), têm sido utilizados nos sistemas de transmissão desde os anos 1970, época em que os sistemas de distribuição eram “cegos”. Somente no passado recente, as concessionárias têm implementado a automação da distribuição para melhorar a qualidade de serviço resultando no desenvolvimento do DMS onde um dos principais aplicativos também é a estimação de estados (BARAN, 2001). Contudo, as metodologias de estimação de estados dos sistemas de transmissão não podem ser diretamente aplicadas no sistema de distribuição porque as redes de distribuição são desbalanceadas e radiais, têm grande quantidade de barras e a taxa de impedância R/X é maior ou igual a um (ABDEL-MAJEED, 2013). Portanto, muitos estudos encontrados na literatura propõem algumas adaptações à estimação de estados tradicional a fim de elaborar um estimador de estados às redes de distribuição.

A década de 1990 é marcada pela proposta de várias técnicas para estimação de estados no sistema de distribuição, assim, em (ROYTELMAN; SHAHIDEHPOR, 1993), o problema de estimação de estados dos mínimos quadrados é solucionado usando as leis de Kirchhoff ao lado dos modelos estatísticos das cargas que representam o carregamento dos transformadores de distribuição. Uma abordagem básica do WLS é proposta em (BARAN; KELLY, 1994) onde os elementos da matriz Jacobiana são simplificados resultando uma estimação de estados dependente intensamente da previsão das cargas. Baran (BARAN; KELLY, 1995) desenvolve um estimador de estados baseado nas correntes dos ramos que tenta incorporar a natureza desbalanceada das redes de distribuição, mas ele simplifica a topologia da rede através da remoção dos alimentadores laterais. Uma formulação baseada na corrente também é adotada por (LU et al., 1995) onde, primeiramente, o algoritmo estima as pseudo-medidas nos transformadores de distribuição e, posteriormente, as equações não lineares são iterativamente resolvidas usando o método de Newton. Lin (LIN; TENG, 1996a) apresenta uma estimação de estado desacoplada rápida baseada na corrente na forma retangular, aqui, a matriz de ganho é desacoplada em duas matrizes. O desacoplamento também é empregado por (LIN; TENG, 1996b) que introduz as medições de injeções de cargas nulas manipuladas através dos multiplicados de Langrange. Li (LI, 1996) propõe um modelo de carga estocástico influenciado pela variação cronológica e condições relacionadas ao clima. Em (GHOSH et al., 1997), um modelo probabilístico atende a diversidade de carga e o comportamento estatístico não normal das cargas. Celik (CELIK; LIU, 1999) assume a confiabilidade dos dados medidos e utiliza uma versão modificada do algoritmo de fluxo de potência de Gauss-Seidel, mas sua metodologia não suporta malhas fechadas nem geradores distribuídos. No geral, as propostas de estimação

de estados para sistemas de distribuição são baseadas no fluxo de potência probabilístico ou adaptações do método dos WLS.

Na década de 2000, metodologias da estimação de estados para sistemas de distribuição foram avaliadas, desta forma, (LUBKEMAN et al., 2000) faz uma implementação em campo da estimação de estados e discute questões ainda não solucionadas como as estratégias de modelagem das cargas. Depois de uma breve revisão da estimação de estados, Baran (BARAN, 2001) conclui que métodos mais adequados precisam ser desenvolvidos a fim de resolver problemas práticos da operação das redes de distribuição. Wang (WANG; SCHULZ, 2004) revê o método baseado nas correntes dos ramos e emprega os dados da leitura automáticas dos medidores (AMR) para estimar as cargas nos transformadores de distribuição. Por fim, (SINGH, 2009) avalia comparativamente as técnicas dos WLS, WLAV e Scheweppe Huber generalized M (SHGM). Os resultados finais mostraram que os algoritmos baseados nos WLS trabalham bem quando a característica de ruído é conhecida caso contrário uma nova classe de algoritmos deve ser desenvolvida.

O início da década de 2010 tem sido influenciado pelos conceitos da smart grid que incentivam o desenvolvimento de novos algoritmos para estimação de estados, assim (TAYLOR et al., 2011) assume a existência de redundância na informação fornecida pelos dados e sugere o desenvolvimento de novos métodos de estimação de estados para redes de distribuição que integrem os smart meters e DGs com baixo tempo computacional. Similarmente, (FARANTATOS et al., 2011) propõe uma estimação de estados dinâmica usando as medições sincronizadas altamente precisas das PMUs, contudo a metodologia trabalha somente dentro da subestação de interesse e ignora toda complexidade topológica da rede de distribuição.

Neste capítulo, as tendências da smart grid são seguidas no desenvolvimento de um método novo para estimação baseado no sistema de medição inteligente. O método proposto emprega um modelo de transformador de distribuição para acoplar a solução de estimação de estados da rede secundária com a primária, o que permite a criação de uma sequência de cálculo para cada estado desconhecido usando a solução do problema do ciclo Hamiltoniano. A estrutura da AMI fornece dados de medição com alta precisão e resolução (YING HU et al., 2011). Além disso, se qualquer smart meter perder seus dados de medição, devido á falha de comunicação, a metodologia proposta continua estimando o estado da rede de distribuição porque a estrutura da AMI possui um número redundante de smart meters. Outra característica distintiva do algoritmo proposto para estimação de

Capítulo 7 – Camada de Análise 101

estados é sua formulação matemática baseada nas leis de Kirchhoff que permitem o calculo direto e rápido dos estados desconhecidos.

7.2 DESENVOLVIMENTO DO ALGORITMO DE ESTIMAÇÃO DE ESTADOS