Novel Method for Estimation of PQ Indices in 

Microgrids 
 

Sunil Sontakke  Arun Thorat 
Department of Electrical Engineering,  Department of Electrical Engineering, 
Rajarambapu Institute of Technology, Islampur  Rajarambapu Institute of Technology, Islampur 
Sangli, Maharashtra, India.  Sangli, Maharashtra, India. 
Sontakke.sunil@gmail.com  Arun.thorat@ritindia.edu 
 
 
Abstract— Due to evolution in the power system, the emergence converters  as  interface  between  the  source  and  the  power 
of smaller generating systems such as micro turbines, Wind system  injects  power  quality  problems  for  the  operation  of 
Turbines, Solar PV system, etc., have opened new opportunities machines, transformers, capacitors and power systems. power 
for onsite power generation which is located at user’s site called electronics  equipment,  such  as  adjustable  speed  drives, 
Distributed Energy Resources (DER). The DER consists of
controlled rectifiers,  cyclo-converters,  electronically  ballasted 
generators, energy storage, load control and advanced power
electronics interfaces between bulk power providers and the lamps,  arc  and  induction  furnaces,  and  clusters  of  personal 
generators. The significant potential of DER to meet customers computers,  represent  major  nonlinear  and  parametric  loads 
need and utilities independently can be captured by organizing used  among  industrial  and  commercial  customers.  Such  load 
these resources into Microgrid. The establishment of Microgrid creates  disturbances  for  the  utility  and  the  end  user's 
systems within the network appears as an alternative that may be equipment.  The main problem forms the basis for the flow of 
used during blackouts when some areas like electrical transport non-active  energy  caused  by  harmonic  currents  and 
system financing activities, academic institutes, industries, health voltages[3]. 
centres with no emergencies some communication systems, fail to The  subject  of  power  quality  is  very  broad  in  nature.    It 
operate. With the ever increasing use of Power Electronics
covers  all  aspects  of  power  system  engineering  from 
devices, Power Quality has become a major concern for utility
operators as well as consumers. Power Quality mainly affect due transmission  and  distribution  level  analyses  to  end-user 
to disturbances like voltage sag, swell, transients (oscillatory and problems.    Therefore,  electric  power  quality  has  become  the 
impulsive) momentary interruptions, harmonics, flicker etc. This concern  of  utilities  and  end  users.  Microgrid  has  become  a 
necessitates monitoring these disturbances continuously so that it better solution for this purpose because of its compact size and 
can be corrected almost instantly. easy control. Power Quality mainly affect due to disturbances 
The different methods for power quality indices estimation like  voltage  sag,  swell,  transients  (oscillatory  and  impulsive) 
are RLS, LMS, LES, FFT, Kalman Filter, Wavelet Transform, momentary interruptions, harmonics, flicker etc. In microgrid 
etc. In this paper very simple and faster, Modified Recursive these  disturbances  are  mainly  due  to  power  electronics 
Gauss Newton (MRGN) algorithm for power Quality estimation
circuits.  Therefore  it  is  necessary  to  monitor  these 
is used. This estimation is done for the output terminals of the
DG and it further fed to the Dynamic Voltage Restorer (DVR), a disturbances continuously.  So  that  it  can  be  corrected almost 
series compensating device for power quality improvement in instantly. Further due to deregulated environments, the use of 
terms of Voltage Sag, Swell and Harmonics during supply distributed  generators  has  a  greater  impact  on  power 
disturbances. distribution networks. Thus according to IEEE Std:1459-2000 
  guidelines for estimation of PQ indices is framed [7]. 
Keywords—  DER, DVR, MRGN, Power Quality, Distributed The Renewable energy sources, which have been expected 
Generation, Microgrid.  to  be  a  promising  alternative  energy  source,  can  bring  new 
challenges when it is connected to the power grid. The power 
I.  INTRODUCTION  
arising  out  of  the  DG  when  it  connected  to  grid  system 
The  Microgrid  concept  has  the  potential  to  solve  major  concerning  the  power  quality  measurements  are-the  active 
problems  arising  from  large  penetration  of  distributed  power,  reactive  power,  voltage  sag,  voltage  swell,  flicker, 
generation in distribution systems. Microgrids are almost 85%  harmonics,  and  electrical  switching  transients,  and  it  will 
efficient  as  they  have  very  little  transmission  losses  and  use  exists when DG is connected to main grid. The power quality 
the  surplus  heat  to  warm  or  cool  buildings.  During  power  will  be  seriously  affected  by  distribution  and  transmission 
outage  or  disturbance,  Microgrids  can  island  themselves  and  network.  System  parameters are  detected by  various methods 
retain  power  availability,  avoiding  blackouts  and  lost  such  as  voltage,  phase  angle,  frequency,  rate  of  change  of 
productivity  [1-2].  The  increased  use  of  power  electronic  frequency,  impedance,  power  output.  These  methods  are 
components  within  the  distribution  system  and  the  increased  Wavelet  Transform  [9],  S-Transform[9-10],  Fast  Fourier 
dependency  on  renewable  energy  sources  which  employs  Transform  (FFT),  Least  Mean  Square  Algorithm  Based 

978-1-4673-6150-7/13/$31.00 ©2013 IEEE 1159

Adalines  and  Neutral  Networks[11],  Recursive  Least  II. MRGN ALGORITHM 
Squares[12],  Recursive  Newton  Type  Algorithm  [13-15],  In This method an unconstrained optimization technique is 
Gauss-Newton  Methods[16-17],  Kalman  And  Unscented  used to minimize the error cost function in least square sense 
Kalman Filter[18], Iterative Loop Approach[19].  which is between the observed signal and the estimated signal. 
In  Microgrid  when the  utility  grid  is  severely  affected,  the  Further  it  is  suitably  operated  to  get  a  recursive  decoupled 
DG should take over its own connected loads. Because of this  formulation  of  modified  recursive  Gauss-Newton  algorithm. 
change  over  there  will  be  some  loading  effects  on  DG.  This  method  includes  both;  the  gradient  technique  of  Gauss 
Similarly  single  phase  loads  will  create  unbalance  and  method and speed of convergence of the Newton algorithm. 
harmonics in voltages and currents. Thus the Total Harmonic  The  signal  obtained  at  the  DG  terminals  is  assumed  to  be 
Distortions  (THD)  will  increase.  Also  this  will  produce  comprised  of  the  fundamental  and  harmonics  components  of 
sequential components of  voltages, currents, and other power  the order N and is represented in discrete form by, 
quality indices during islanded condition [4].  N

Thus  it  is  very  essential  to  estimate  the  Power  Quality  z (k )   A (k  1)sin( w k   ( k  1))  v( k )  
r r r
    (1) 
problems  faster  so  that  its  severity  can  be  assessed  and  r 1

suitable  remedial  action  can  be  taken  to  minimize  potential  where, 
loss.  FACTS  devices  such  as  STATCOM  (Static  z(k) = time varying voltage or current signal sample. 
Compensator)  which  is  also  called  as  SSC  (Static  k = sampling instant (time instant). 
Synchronous Compensator), DVR,  UPQC,  UPFC, DPFC and  v(k) = random noise. 
some  other  combinations  of  custom  power  devices  are  very  r = rth harmonic component. 
useful for mitigation of power quality problems.   Ar = amplitude of the rth harmonic component. 
Each  method  of  PQ  estimation  has  got  its  own  limitation.  Φr = phase of the rth harmonic component. 
For example the Least Mean Square based adaline is simplest  wr = angular frequency of the rth harmonic component. 
but  it  is  not  useful  for  frequency  estimation  during  time  N = Harmonic order. 
varying  conditions.  Recursive  Newton  method  can  estimate  e = error signal 
any  frequency  of  power  quality  signal.  Whereas  recursive  the estimation error is given by, 
Gauss  –  Newton  method  when  frequency  is  known  and  can  N

estimate the amplitude and phase of the given signal[3-5].This  
ek  z k   Aˆ r  k  1 sin wr k  ˆ r  k  1                     (2)  
necessitates  a  need  of  have  robust  algorithm  which  can  r 1

estimate  power  quality  signal  parameters  such  as  voltage,  harmonic signal parameter is given by θ, 

current,  Power  Factor,  Total  Harmonic  Distortion,  sequential   r  k   [ Ar  k   r (k ) wr ]T      and its estimate is, 
components. 
To achieve this faster estimation of power quality indices is   r  k   [ Aˆ r  k  ˆr (k ) wˆ r ]T   
required  which  will  detect  the  disturbances  almost  instantly  a variable forgetting factor 'λ' is considered to obtain the time 
and also eliminate the use of PLL in the control of DVR. One  varying signal parameters based on cost function as follows, 
of  the  methods  for  estimation  of  PQ  indices  is  MRGN  k

(Modified Recursive Gauss-Newton method). Combination of   (k )   kk  i e 2 (i )          (3) 

MRGN and DVR should produce better results. In this paper,  i 0

fast  MRGN  algorithm  for  power  Quality  assessment  is  where,  λ = forgetting factor    and    0 ≤  λ ≤ 1, 

presented.  It  works  faster  due  to  certain  assumption  and  MRGN method is chosen to minimize the cost function ζ(k), a 
approximations  for  conventional  Recursive  Gauss-Newton  recursive  formulation  for  sinusoidal  parameter  estimation  is 
algorithm. This algorithm is used for time varying signal and  obtained as, 
emergencies  like  sudden  change  in  amplitude,  phase  and  ˆ (k )  ˆ ( k  1)  H ( k ) ( k )e ( k )  and,                          (4) 
1
r r r r
frequency, harmonic components with better accuracy. This is 
T
shown by the author that MRGN is  superior to LMS,  RDFT,  H r (k )  k H r ( k  1)   r (k ) r ( k )               (5) 
and other techniques after carrying out extensive studies [3]. 
    sin  w ( k  1)i  ˆ  k  1  
r r
 ( i )
 r ( i)     Aˆ  k  1  cos  w (k  1)i  ˆ  k  1              (6) 
r r
 ( i )  r

r
  Aˆ r
 k  1  cos  w (k  1)i  ˆ  k  1  
r r

H r  k   k  r (i ) r (i )   
k i T
                         (7) 
i 0

  the inverse of Hessian Matrix is calculated as, 
1
Fig. 1. Use of MRGN for voltage sag mitigation  1 1  1 Hr  k  1 r ( k ) rT ( k ) H r1  k  1 
Hr k     Hr
  k  1  T 1  (9) 
k k   r ( k ) r ( k ) H r  k  1
 

1160
to  have  the  approximation  of  Hessian  matrix  in  equation  (8) 
which  at  the  end  of  the  document,  off  diagonal  elements  are 
neglected  and  H-1(k)  can  be  calculated  with  off  diagonal 
elements equal to zero as, 
 
1/ C ( k ) 0 0 
   (10) 
H 1  k    0 1 / Aˆr 2  k  1 C (k )C 0 
 ˆ 2  k  1) 
 0 0 1/ ( C  k  C Ar 
 
where, 
1  λ k 1  , C    k 2  12k     1 / 2k 2  12k  2  and 
  
C (k )  
2(1  λ k )
C     k 2  12k     1 /  6k  1                             (11) 
using equations (4) - (11), the amplitude, phase and frequency 
are obtained in recursive manner as, 
  r  k  1  e(k ) / C (k )  
Aˆr  k   Aˆr  k  1  sin  wr  k  1 k  
 
ˆ r  k   ˆ r  k  1   cos  w r  k  1  k    r  k  1   e ( k ) / Aˆ r  k  1  C  k  C 
wˆ r  k   wˆ r  k  1  cos  wr  k  1 k    r  k  1  e(k ) / Aˆ r  k  1 C  k  Cw  
 
C  k      k C  k    1  1 / 2    
 
Thus  above  equations  of  Ar(k), Φr(k), ωr(k)  represents 
amplitude, phase and angular  frequency  of  voltage  or  current 
signals.  These  equations  are  suitable  for  power  system  real 
time operation because of its decoupled nature. 
 
III. IMPLEMENTATION OF MRGN ALGORITHM 
The  proposed  MRGN  algorithm  is  tested  for  a  microgrid 
shown in figure 3 for L-G fault (non-islanding conditions) on 
phase A. 

 
Fig. 3. MRGN Algorithm 

TABLE I.  SIMULATION DATA FOR MICROGRID 
Sl
Component Component Parameters
No.
GEN  V = 79 kV, Base Voltage = 79 kV, f = 60 Hz.,  
1  Rs = 0.377 Ω, Ls = 16.8 mH 
(Generator) 
10 MVA,13 kV, 60 Hz, H=3.8s, Rs = 0.048 p.u. 
Xs =0.18 p.u., Xd =1.315 p.u. Xd’ = 0.286 p.u.,  
2  DG – 1 
Xd”=0.255 p.u. Xq=0.574 p.u. Xq”=0.254 p.u.,  
  T’d0 = 5.485 s, T”d0 = 0.068 s, T”q0 = 0.1 s 
Fig. 2. Microgrid tested for MRGN  2 MW, 575 V, 60 Hz, wind farm, rated wind 
speed = 11 m/s,H=5.012s,  Rs=0.0072 p.u. 
3  DG – 2 
Ls = 0.17 H, Rr=0.0057p.u. Lr = 0.165 H, Lm = 
Simulation is done in MATLAB/SIMULINK  environment  3.34 p.u. 
with  sampling  Time  as  Ts  =  50e-6  sec.  Simulation  Data  is  500V DC, 260V AC, 2 X 100kW 
4  DG – 3 
given  in  Table 1.  DG1  is  a  micro-hydro  turbine  whose  input  20kvar capacitor bank 
power  is  provided  by  a  hydraulic  turbine  combined  to  PID  TR-1 
30 MVA, 60 Hz, 79/13 kV,  
governor  system.  Excitation  is  IEEE  type  I  voltage  regulator    Vbase = 13 kV, D1Yg 
combined to an exciter. DG2 is a wind farm consisting 4 x 500  5  10 MVA, 60 Hz, 13/13 kV,  
TR-2 
kW doubly fed induction Generators driven by wind turbines.  Vbase = 13 kV, YgD1 
DG3  is  2  X  100kW  at  1000  W/m2  sun  irradiance  Solar  PV  TR-3  1.8 MVA, 60 Hz, 13/0.4 kV,  
system.  Vbase = 13 kV, YgD1 

1161
 TR-4  200kVA, 260V/13kV, 3ph, coupling trans.  V. CONCLUSION 
13 kV, Vbase = 13 kV,   In this paper a new faster approach for estimation of power 
DL-1, 30 km 
6  DL-2, 30 km 
R0 = 0.0426 Ω/km, R1 = 0.0148 Ω/km,  Quality  parameters  such  as  amplitudes  of  voltage  &  current, 
X0L = 0.0517 Ω/km, X1L = 0.0165 Ω/km,  phase angle, frequency is presented. This approach minimizes 
DL-3, 15 km 
X0C = 5.05 nF/km, X1C = 12.34 nF/km  an error cost function by multiplying it with Forgetting Factor, 
L1 = 9.4 MW, 3.6 MVAR,  
L2 = 3.8 MW, 2 MVAR,  
to obtain Hessian Matrix. By neglecting off-diagonal elements 
7  Load  of Hessian matrix is further simplifies the equations to have the 
L3 = 2 MW, 1 MVAR,  
L4 = 0.75 MW, 0.4 MVAR  faster calculations. Thus these expressions are suitable for real 
Other power transformer values are, R1 = 0.00365 pu., X1 =  time calculations accurately in recursive manner. Further these 
0.105 pu, Rm = 500 pu, Xm = 500 pu.  PQ  indices  can  be  utilized  for  control  strategy  of  the  custom 
power devices such as DVR, UPQC. A test case is presented, 
IV. SIMULATION AND RESULTS  to evaluate the effectiveness of the proposed approach. 
MRGN  has  implemented  on  three  phases  of  the  DG1. 
Results  of  estimated  signal  for  phase  A is  shown  in  figure 4.  ACKNOWLEDGMENT 
The  L-G fault is  created on this phase  from  0.6  sec  to  1  sec.  I,  first  author  would  like  to  extend  my  sincere  thanks  to 
Initially  the  algorithm  takes  about  0.06  sec  to  stabilize.  prof.  M.  B.  Ghat,  Assistant  professor,  Electrical  Engineering 
Voltage sag and its clearing is observed at the same instance.  Department, RIT, Islampur for his kind and valuable support to 
Estimated  signal  for  other  phases  is  shown  in  figure  5  and  complete this paper. 
figure 6.  
  REFERENCES 
[1] T.E.Del  Carpio  Huayllas,  D.S.  Ramos,  R.L.  Vasquez,  “Microgrid 
Systems: Current  status and  challenges”, 2010 IEEE/PES Transmission 
and Distribution Conference and Exposition: Latin America. 
[2] M.  D. Govardhan, Ranjit Roy,”A  Review on key issues of Microgrid”, 
978-1-4673-0315-6/11,  (2011)  IEEE  PES  Innovative  Smart  Grid 
Technologies – India. 
[3] P.K.  Dash,  Malhar  Padhee,  S.K.  Barik,  “Estimation  of  power  quality 
indices  in  distributed  generation  systems  during  power  islanding 
conditions”. Elsevier; Electrical  Power and Energy Systems 36; (2012); 
  18–30. 
Fig. 4. Estimated signal of phase A  [4] M.  Padhee,  P.K.Dash,  K.R.Krishnanand,  P.  K.  Rout,”  A  Fast  Gauss-
Newton  Algorithm  for  Islanding  Detection  in  Distributed  Generation”, 
IEEE Trans.,Smart Grid, Vol. 3, pp. Sep. 2012. 
[5] P.K.  Dash,  K.R.  Krishnanand,  M.  Padhee,  “Fast  recursive  Gauss  – 
Newton adaptive filter for the estimation of power system frequency and 
harmonics in a noisy environment”. IET Gener. Transm. Distrib., 2011, 
Vol. 5, Iss. 12, pp. 1277 – 1289. 
[6] P.  K.  Dash,  Shazia  Hasan,  “A  Fast  Recursive  Algorithm  for  the 
Estimation  of  Frequency,  Amplitude,  and  Phase  of  Noisy  Sinusoid”. 
IEEE Trans.,Industrial Electronics, Vol. 58, October2011. 
[7] Definitions  for  the  measurement  of  electric  quantities under  sinusoidal, 
non-sinusoidal,  balanced,  or  unbalanced  conditions.  IEEE  Std.;  1459-
  2000. 
[8] Funabashi  T,  Koyanagi  K,  Yokoyama  R.  “A  review  of  islanding 
Fig. 5. Estimated signal of phase B  detection methods for distributed resources”. Proc IEEE Bologna Power 
Tech Conf, Bologna, Italy; 2003;2:23–6. 
[9] Ray  PK,  Mohanty  SR,  Kishor  N.  “Disturbance  detection  in  grid-
connected distributed generation system using wavelet and S transform”. 
Electric Power Syst Res 2011;81(3):805–19. 
[10] Poisson O, Rioual P, Meunier M. “Detection and Measurement of power 
quality disturbances using wavelet transform”. IEEE Trans Power Deliv 
2000;15(3):1039–44. 
[11] Joorabian  M,  Mortazavi SS,  Khayyami  AA. “Harmonic estimation in a 
power  system  using  a  novel  hybrid  Least  Squares-Adaline  Algorithm”. 
Electric Power Syst Res 2009;79(1):107–16. 
[12] Mishra S. “Hybrid  least-squares adaptive  bacterial  foraging  strategy  for 
  harmonic estimation”. IEEE Proc Gen Transm Distrib 2005;152(3):379–
89. 
Fig. 6. Estimated signal of phase C  [13] Terzija VV, Stanojevic V. “Two-stage improved recursive Newton-type 
algorithm  for  power-quality  indices  estimation”.  IEEE  Trans  Power 
The results can  be  further refined  by  tuning  PLL  used  for  Deliv 2007;22(3):1351–9. 
decomposition of the sine signal. 

1162
[14] Terzija  VV.  “Improved  recursive  Newton-type  algorithm  for  frequency  [22] Alexander  Kusko,Sc.D.,P.E.,  Marc  T.Thompson,Ph.D.  “Power  Quality 
and spectra estimation in power systems”. IEEE Trans Instrum Measure  in Electrical Systems”; The McGraw-Hill Companies, Inc. 
2003;52(5):1654–9.  [23] Ewald  F.  Fuchs,  Mohammad  A.S.  Masoum;  “Power  Quality    in  Power 
[15] Yang J, Xi H, Guo W. “Robust modified newton algorithm for adaptive  Systems and Electrical Machines”; Elsevier  Inc. 
frequency estimation”. IEEE Signal Process Lett 2007;14(11):879–82.  [24] Dugan,R.C.;  McGranaghan  M.F.;  Beaty  H.W.;  “Electrical    Power 
[16] Zheng J, Lui KWK, Ma WK, So HC. “Two simplified recursive Gauss– Systems Quality”. McGraw-Hill, New York, 2004, ISBN/0070264625. 
Newton  algorithms  for  direct  amplitude  and  phase  tracking  of  a  real  [25] J.  Arrillaga;  N.R.  Watson;  S.  Chen;  “Power  System  Quality 
sinusoid”. IEEE Signal Process Lett 2007;14(12):972–5.  Assessment”. John Wiley & Sons, Inc.,  U.K., 2000, ISBN 978-81-265-
[17] Xue  SY,  Yang  SX.  “Power  system  frequency  estimation  using  3174-5. 
supervised Gauss–Newton algorithm”. Measurement 2009;42(1):28–37.   
[18] Rosendo  Macias  JA,  Exposito  AG.  “Self  tuning  Kalman  filters  for   
harmonic computation”. IEEE Trans Power Deliv 2006;21(1):501–3. 
 
[19] Lin  HC.  “Fast  tracking  of  time-varying  power  system  frequency  and 
 
harmonics using iterative-loop approaching algorithm”. IEEE Trans Ind 
Electron 2007;54(2):974–83.   
[20] Yazdani  D,  Bakhshai  A,  Joos  G,  Mojiri  M.  “A  real-time  extraction  of   
harmonic  and  reactive  current  in  nonlinear  load  for  grid-connected   
converters”. IEEE Trans Ind Electron  2009;56(6):2185–9.   
[21] Rudion K, Orths A, Styczynski ZA, Strunz K. “Design of benchmark of   
medium  voltage  distribution  network  for  investigation  of  DG 
integration”. Proc IEEE Power Eng Soc Gen Meet 2006;1:1–6.   
 
sin  w ( k  1)i  ˆ  k  1  w ( k  1) i  ˆ r  k  1  0.5 Aˆ r  k  1 sin  2 wr  k  1 i  ˆ r  k  1   0.5iAˆ r  k  1 sin  2  wr  k  1 i  ˆ r  k  1  
2

k
 r r
sin r
        (8) 
k i  Aˆ  k  1 cos  w ( k  1)i  ˆ  k  1  0.5 Aˆ r  k  1 sin  2  wr  k  1 i  ˆ r  k  1  
2 2 
Aˆ r  k  1 cos  ( wr ( k  1)i  ˆ r  k  1 
2
iAˆ r  k  1 cos  ( w
2
( k  1) i  ˆ r  k  1 
  r r r
 r

i0

iAˆ  k  1 cos  w ( k  1)i  ˆ  k  1  0.5iAˆ r  k  1 sin  2  wr  k  1 i  ˆ r  k  1   iAˆ r  k  1 cos  (w ( k  1)i  ˆ  k  1  i Aˆ r  k  1 cos  ( wr ( k  1) i  ˆr  k  1 
2 2 2 2 2

r r r r r

1163