Defensa Busko

ESTIMACIÓN DEL NÚMERO DE HUECOS DE
TENSIÓN A PARTIR DE MEDIDAS.

VALIDACIÓN CON MEDIDAS REALES.
AUTOR: Andrey Busko

DIRECTORA: Araceli Hernández Bayo
Antecedentes
 Método de estimación mediante Filtro Bayes [tesis

doctoral de Xavier Zambrano, 2016]
• el filtro Bayes basado en simulación Monte Carlo
• la estimación de huecos de tensión en los nudos que no
disponen de medidas, a partir del número de huecos
registrados en otros nudos y de la correlación entre ellos
 Datos reales para validar el método

• datos monitorizados durante tres años (ENDESA Distribicion)
• medidas hay que depurar para permitir procesado
TFM – Andrey Busko DIAPOSITIVA 1

Objetivos del TFM
• Desarrollar un algoritmo y un programa, que permite

estimar la probabilidad de huecos de tensión
mediante filtrado Bayesiano [X. Zambrano]
• Validar el método con medidas reales
• Definir las condiciones para la aplicación del método
• Estimación mediante ecuación lineal de regresión

[TFM]
• Estimación con correlación múltiple [TFM]

ESTRUCTURA
1. Generalidades
2. Método Bayesiano
3. Método de regresión lineal
4. Medidas reales
5. Resultados de simulación
6. Conclusiones

ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

1. Generalidades
1.1. ¿Qué es el hueco de tensión?

Definición:
• Tensión residual: U < 0.9 pu
• Duración entre: 0.01 y 60 sec
Normativas:
 IEC 61000-2-8 Environment: Voltage dips and short
interruptions on public electric power supply systems
Generalizaciones:
• Principalmente originados por cortocircuitos
• Tipo de fallo monofásico es el de mayor frecuencia

ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

Metodología del Filtrado Bayesiano

(tezis de X.Zambrano, 2016)
Nudo i “Estimador” Nudo bien Nudo j ”Medidor”

sin medidas correlacionado con medidas
Hi conjunto de Dj conjunto de
valores posibles medidas observadas
h valor estimado en d valor medido en

un interval dado un interval dado
Filtro Bayes
¿Valor estimado h de máxima probabilidad dada la

información d?

Estimación de huecos de tensión con medidas

previas
Permite:
• Estimar el número de huecos de tensión más probable
en la zona sin medidas
• Predecir los huecos de tensión para un intervalo del
tiempo en concreto
Basado en:
• Teorema de Bayes (Teorema de probabilidad
codicional)
• Correlación fuerte de las medidas previas

Coeficiente correlación Pearson

𝒔𝒊,𝒋
𝑹𝒊,𝒋 =
𝒔𝒊 · 𝒔𝒋
𝑺𝒊,𝒋 - Covarianza de los nudos i y j
𝑺𝒊 𝑺𝒋 - Desviación típica de los nudos i y j
−1 ≤ R i,j ≤ 1
Coeficiente Interpretación
0.00 ≥ |R i,j | < 0.20 muy débil
0.20 ≥ |R i,j | < 0.40 débil
0.40 ≥ |R i,j | < 0.60 moderada
0.60 ≥ |R i,j | < 0.80 fuerte
0.80 ≥ |R i,j | ≤ 1.00 muy fuerte

Huecos / año (IEEE - 24)

Nudo 1 Nudo 2 Nudo 2 Nudo 4 Nudo 5 Nudo 6
7,5 7,5 9,9 10,0 9,6 11,1
4,3 8,5 10,3 10,5 9,3 9,0
5,6 8,5 5,4 6,7 5,1 4,4
5,7 5,2 4,5 3,8 4,6 8,2
Nudos: 1 - 2 Nudos: 1 - 22
fuerte interconexión débil interconexión
Índices de HT Índices de HT
similares distintos

Matriz coeficientes correlación (IEEE - 24)

Nudo1 Nudo2 Nudo3 Nudo4 Nudo5 ..... Nudo22 Nudo23 Nudo24
Nudo1 1,00 0,97 0,78 0,83 0,86 ..... 0,32 0,54 0,69
Nudo2 0,97 1,00 0,76 0,84 0,85 ..... 0,31 0,54 0,68
Nudo3 0,78 0,76 1,00 0,8 0,79 ..... 0,47 0,59 0,87
Nudo4 0,83 0,84 0,8 1,00 0,89 ..... 0,33 0,56 0,69
Nudo5 0,86 0,85 0,79 0,89 1,00 ..... 0,31 0,56 0,67
..... ..... ..... ..... ..... ..... ..... ..... ..... .....
Nudo22 0,32 0,31 0,47 0,33 0,31 ..... 1,00 0,51 0,56
Nudo23 0,54 0,54 0,59 0,56 0,56 ..... 0,51 1,00 0,64
Nudo24 0,69 0,68 0,87 0,69 0,67 ..... 0,56 0,64 1,00

ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

2. Método regresión
3. Ecuación de regresión (método nuevo)

Aproximar la relación de dependencia entre una variable
dependiente 𝒀 , las variables independientes 𝑿𝒊 y un
término aleatorio 𝜺:
𝒀 = 𝒂 + 𝒃𝑿 +𝜺
• 𝑿 es un vector de números de HT en nudo “Medidor”

• 𝒀 es un vector de números de HT en nudo “Estimador”
• a, b – coeficientes de regresión
• Valores de 𝒀 están normalmente distribuidos y son
estadísticamente independientes.

ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

4. Medidas reales
4.1. Medidas monitorizados
2011 - contiene hasta 95 000 líneas;

2012 - contiene hasta 64 000 líneas;
2013 - contiene hasta 552 000 líneas.

4. Medidas reales
4.2. Depuración
• por tipo de fallo (eliminar sobretensiones y interrupciones)
• por magnitud (0,01 p.u. y 0,9 p.u.) y duración (0,01 y 60 s.)
• por simultaneidad del tiempo (solape) en las fases del

mismo medidor:

4. Medidas reales
4.4 Medidas válidas
3 años: • 178187 medidas válidas

Depuración • 1052 medidores
711203
medidas • 36 intervalos (meses)
Distribución de medidas por intervalos y medidores
1 2 3 4 5 ... 36
1 1 1 0 1 0 ... 1
2 1 1 0 1 0 ... 0
3 1 2 2 2 0 ... 2
... ... ... ... ... ... ... ...
1052 3 3 0 5 1 4
desviación cuadrática
10000
14000
16000
18000
20000
12000
0
2000
4000
6000
8000
1
23
45
TFM – Andrey Busko

67
89
111
133
155
177
199
221
243
265
287
309
331
353
375
397
419
4.3 Valores atípicos
441
463
485
507
529
medidor
4. Medidas reales
551
573
595
617
639
661
683
705
727
749
771
793
815
837
Medidas sumadas para cada medidor
859
881
903
925
947
969
991
1…
1…
DIAPOSITIVA 18
4. Medidas reales
4.4 Distribución normal (<3σ)
• 305 medidores
• 132 medidores comunes (min 1 evento en cada año)
4. Medidas reales
4.5 Matriz coeficientes de correlación

4. Medidas reales
4.6 Errores y desviaciones

Error absoluto: 𝐸𝑟𝑟𝑎𝑏𝑠𝑖 = 𝑉𝑎𝑙𝑜𝑟𝑟𝑒𝑎𝑙𝑖 − 𝑉𝑎𝑙𝑜𝑟𝑒𝑠𝑡𝑖𝑚𝑖
σ𝑛𝑖=1 𝐸𝑟𝑟𝑎𝑏𝑠𝑖
Error absoluto medio: 𝐸𝑟𝑟𝑎𝑏𝑠 𝑚𝑒𝑑𝑖 =
𝑛
𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙𝑖 − 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑖

Error relativo: 𝐸𝑟𝑟𝑟𝑒𝑙𝑖 = ∗ 100%
𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙𝑖
σ𝑛𝑖=1 𝐸𝑟𝑟𝑟𝑒𝑙𝑖
Error relativo medio: 𝐸𝑟𝑟𝑟𝑒𝑙 𝑚𝑒𝑑𝑖 = ∗ 100%
𝑛
Error relativo medio max: 𝐸𝑟𝑟𝑟𝑒𝑙 𝑚𝑒𝑑 𝒎𝒂𝒙 = 𝑀𝐴𝑋(𝐸𝑟𝑟𝑟𝑒𝑙 𝑚𝑒𝑑𝑖 )
𝑖(𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠) = 1 ÷ 𝑛

ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

5.1 Parejas de medidores
35 medidores forman 110 parejas con correlación fuerte, >0.6
4 parejas para estimación
“Medidor” “Estimador” Rango del coeficiente de Coeficiente de

correlación correlación
S2301|2_ S2316|2_ 0.6-0.7 0,6953
S0630|3_ S0630|2_ 0.7-0.8 0,7421
S0630|3_ S0630|1_ 0.8-0.9 0,8632
S1118|3_ S1118|1_ 0.9-1.0 0,9873
• 36 meses disponibles
• 26 meses son dato (pasado)
• en 10 se realiza la estimación
5.2 Casos de estudio:
Caso 1: Método Bayesiano clásico
Caso 2: Método Bayesiano corregido
Caso 3: Ecuación de regresión lineal
Caso 4: Comparación de métodos
Caso 5: Correlación múltiple

Caso 1:
Método Bayesiano clásico

5.2.1 Filtro Bayes. Valores reales y estimados

3.5 6
3 5
2.5
4
2
3
1.5
2
1
0.5 1
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
correlación 0.6-0.7 correlación 0.7-0.8

6 8
7
5
6
4
5
3 4
3
2
2
1
1
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

FB. Influencia del coeficiente de correlacion

Error absoluto

FB. Cambio de roles “Medidor” – “Estimador”

Error absoluto
4.5
3.5
3
Error absolute
2.5
medidor-estimador
2
estimador-medidor
1.5
0.5
0
1 2 3 4 5 6 7 8 9 10
Intervals
correlación 0.9-1.0
FB. Número de intervalos previos considerados

Error relativo medio, %

Caso 2:
Método Bayesiano
corregido

5.2.2 Error absoluto de estimación

Caso 3:
Ecuación de regresión lineal

5.2.3 Valores de estimación mediante regresión

Caso 4:
Comparación de métodos

5.2.4 Comparación de metodos (err.abs.)

Caso 5:
Correlación multiple

5.2.5 Correlación multiple
4 grupos para estimación
“Medidor 1” “Medidor 2” “Estimador” Correlación entre

“medidor 1” y “medidor 2” y
“estimador” “estimador”
S2301|2_ S2304|2_ S2316|2_ 0,7 0,75
S0630|3_ S0630|1_ S0630|2_ 0,74 0,86
S0630|3_ S0630|2_ S0630|1_ 0,86 0,86
S1118|3_ S1118|2_ S1118|1_ 0,99 0,79

Comparación del error absoluto
“S2316І2_” “S0630І2_”
“S0630І1_” “S1118І1_”
ESTRUCTURA
1. Generalidades
4. Medidas reales
6. Conclusiones

6. Conclusiones
CONCLUSIONES
La influencia de varios factores en la precisión de la

estimación:
• número óptimo de intervalos previos conocidos, para

poder hacer la estimación está entre 24 y 30
• el valor del coeficiente de correlación tiene una
influencia significativa en la precisión: cuanto mayor
sea el valor, menor será el tamaño del error absoluto
• el efecto del cambio de roles en la pareja "medidor-
estimador" no cambia significativamente la precisión
(se observa alguna ligera variación)

6. Conclusiones
La comparación de los diferentes métodos de estimación:
• el filtro Bayesiano da un buen resultado con un

coeficiente de correlación mayor a 0.8.
• el filtro Bayesiano corregido reduce el error para todos
los valores del coeficiente de correlación y elimina la
situación de "incapacidad para evaluar“
• la ecuación de regresión lineal da un resultado estable
que depende del número de intervalos en el pasado
La estimación basada en correlaciones múltiples:
• la complejidad del cálculo aumenta
• la estimación resultante tiene un valor similar al metodo
clasico (entre 2 nudos)
Gracias

Defensa Busko

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Defensa Busko

Încărcat de

Drepturi de autor:

Formate disponibile

ESTIMACIÓN DEL NÚMERO DE HUECOS DE

TENSIÓN A PARTIR DE MEDIDAS.

AUTOR: Andrey Busko

 Método de estimación mediante Filtro Bayes [tesis

 Datos reales para validar el método

TFM – Andrey Busko DIAPOSITIVA 1

• Desarrollar un algoritmo y un programa, que permite

• Validar el método con medidas reales

• Definir las condiciones para la aplicación del método

• Estimación mediante ecuación lineal de regresión

• Estimación con correlación múltiple [TFM]

TFM – Andrey Busko DIAPOSITIVA 2

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 3

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 4

1.1. ¿Qué es el hueco de tensión?

TFM – Andrey Busko DIAPOSITIVA 5

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 6

Metodología del Filtrado Bayesiano

Nudo i “Estimador” Nudo bien Nudo j ”Medidor”

h valor estimado en d valor medido en

¿Valor estimado h de máxima probabilidad dada la

TFM – Andrey Busko DIAPOSITIVA 7

Estimación de huecos de tensión con medidas

TFM – Andrey Busko DIAPOSITIVA 8

Coeficiente correlación Pearson

TFM – Andrey Busko DIAPOSITIVA 9

Huecos / año (IEEE - 24)

TFM – Andrey Busko DIAPOSITIVA 10

Matriz coeficientes correlación (IEEE - 24)

TFM – Andrey Busko DIAPOSITIVA 11

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 12

3. Ecuación de regresión (método nuevo)

• 𝑿 es un vector de números de HT en nudo “Medidor”

TFM – Andrey Busko DIAPOSITIVA 13

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 14

4.1. Medidas monitorizados

2011 - contiene hasta 95 000 líneas;

TFM – Andrey Busko DIAPOSITIVA 15

• por magnitud (0,01 p.u. y 0,9 p.u.) y duración (0,01 y 60 s.)

• por simultaneidad del tiempo (solape) en las fases del

TFM – Andrey Busko DIAPOSITIVA 16

4.4 Medidas válidas

3 años: • 178187 medidas válidas

TFM – Andrey Busko

4.4 Distribución normal (<3σ)

4.5 Matriz coeficientes de correlación

TFM – Andrey Busko DIAPOSITIVA 20

4.6 Errores y desviaciones

𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙𝑖 − 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑖

Error relativo medio max: 𝐸𝑟𝑟𝑟𝑒𝑙 𝑚𝑒𝑑 𝒎𝒂𝒙 = 𝑀𝐴𝑋(𝐸𝑟𝑟𝑟𝑒𝑙 𝑚𝑒𝑑𝑖 )

TFM – Andrey Busko DIAPOSITIVA 21

3. Método de regresión lineal

TFM – Andrey Busko DIAPOSITIVA 22

5.1 Parejas de medidores

35 medidores forman 110 parejas con correlación fuerte, >0.6

4 parejas para estimación

“Medidor” “Estimador” Rango del coeficiente de Coeficiente de

5.2 Casos de estudio:

Caso 1: Método Bayesiano clásico