Implantação computacional de um estimador de estado de rastreio

• Autor(a) principal: Guimarães, Luiz Felipe Rodrigues
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/23186
• topic: Estimação de estado; Estimação de estado auxiliada por previsão; Filtro de Kalman estendido; Estimação de estado (Energia elétrica); Filtragem de Kalman; Engenharia elétrica; State estimation; Forecast-aided state estimator; Extended Kalman filter

Nos sistemas de energia elétrica, a estimação de estado é a função central da operação do sistema em tempo real. Conhecido o plano de medição, a configuração da rede elétrica e seus parâmetros, o estimador de estado determina o estado mais provável do sistema. Os métodos de estimação comumente adotados não levam em conta a dinâmica do sistema e processam apenas uma amostra de medidas, requerendo níveis de redundância significativos do sistema de medição para um desempenho adequado do processo de estimação (isto é, determinação do estado e processamento de dados espúrios). A inserção de dinâmica na estimação de estado por meio de modelos de previsão ou explicitação da dependência temporal na modelagem da rede/sistema de medição, pode melhorar a estimação de estado, especialmente nos casos em que há perda de medidas ou contaminação destas por erros. Este trabalho trata da implantação computacional de um estimador de estado de rastreio, um caso particular de estimador auxiliados por previsão que assume que a transição de estado é modelada pela adição de um erro de distribuição gaussiana ao estado anterior. São apresentadas as bases teóricas tanto da estimação estática quanto da auxiliada por previsão. Também serão apresentados resultados de simulações com um estimador implementado em MATLAB, para a rede de referência IEEE 14 barras visando representar a resposta deste programa frente a diversas situações, normalmente adversas.