Fusão de estimativas resiliente a erros grosseiros baseada no critério de máxima correntropia com aplicação na estimação de estados híbrida em sistemas elétricos de potência

Abstract

A estimação de estados consolida-se como uma das ferramentas fundamentais para operação em tempo real de sistemas elétricos de potência. Seu principal propósito é fornecer aos centros de operação, estimativas atualizadas que retratem as condições de operação da rede elétrica. Seja qual for a estratégia de estimação adotada, os algoritmos devem ser capazes de fornecer estimativas aderentes ao real estado operativo da rede, mesmo em condições adversas, como na presença de medições contaminadas por erros de elevadas magnitudes. Para lidar com esse problema, estimadores convencionais são dotados de etapas específicas para detecção, identificação, e remoção de dados espúrios. Em anos recentes, abordagens de estimação baseadas no critério de máxima correntropia (CMC) surgem como alternativas mais sofisticadas, pois apresentam propriedades naturais de resiliência contra efeitos causados por erros grosseiros. A adoção do CMC permite que a supressão de dados discrepantes ocorra ao longo do processo de estimação, dispensando etapas dedicadas exclusivamente a este fim. As medidas elétricas que subsidiam os processos de estimação de estados são convencionalmente coletadas por meio do sistema de supervisão SCADA. Entretanto, Unidades de Medição Fasorial Sincronizada (PMUs) constituem uma tecnologia em ascensão que disponibiliza uma nova classe de medições, cuja elevada qualidade desperta interesse às aplicações em estimação de estados. Nesse contexto, são propostas arquiteturas híbridas de fusão de estimativas. Através de um modelo em dois estágios, arquiteturas de fusão permitem incluir novas classes de dados, e em especial medidas provenientes de PMUs, fortalecendo o processo de estimação, sem demandar a exclusão dos bem consolidados estimadores SCADA. No primeiro estágio da arquitetura, estimadores individuais adaptados a cada classe de dados efetuam o processamento inicial das medidas. Em uma segunda etapa, as estimativas resultantes do estágio anterior são combinadas de maneira otimizada em um módulo de fusão, classicamente fundamentado em princípios que visam a minimização da variância dos erros de estimação. Neste paradigma clássico, o processamento de erros grosseiros está limitado à atuação dos estimadores do primeiro estágio da arquitetura de fusão. Na hipótese de que medidas espúrias passem despercebidas pelos estimadores individuais, as estimativas contaminadas produzidas no primeiro estágio irão inevitavelmente afetar o resultado final da fusão, caso não exista uma segunda linha de defesa contra os dados espúrios. Com o intuito de promover maior robustez contra dados discrepantes em arquiteturas de fusão, a presente tese introduz uma formulação fundamentada na função correntropia para constituir um novo módulo de fusão de estimativas. Na ausência de erros grosseiros, a metodologia de fusão baseada no CMC apresenta total equivalência à formulação clássica. Para além dessa compatibilidade, a estratégia proposta atribui uma função extra ao módulo de fusão, que passa a representar uma camada ativa de proteção contra dados espúrios nos casos em que erros grosseiros não foram devidamente filtrados pelos estimadores do primeiro estágio da arquitetura. Aplicações para a nova fusão de estimativas a sistemas elétricos de potência são estudadas supondo a disponibilidade de duas e três classes de estimativas. Uma ampla avaliação sobre o desempenho da arquitetura proposta é realizada a partir de diversos experimentos conduzidos em quatro sistemas-teste de referência do IEEE.

Abstract: State estimation constitutes a main functionality in electrical power systems real-time operation. Its purpose is to provide updated state estimates that characterize the current operating conditions of the electrical network. Even under adverse conditions such as the occurrence of gross measurements, state estimation algorithms must produce reliable estimates that reflect the network actual operational state. To accomplish that, conventional estimators are equipped with specialized steps for detection, identification, and removal of bad data. In the past few years, Maximum Correntropy Criterion (MCC) approaches have emerged as sophisticated alternatives to conventional estimators that exhibit natural properties of resilience against the harming effects of outliers. The adoption of such a criterion allows the suppression of bad data during the estimation process itself, thus doing away with dedicated steps for that purpose. Electrical measurements that feed state estimation processes are conventionally gathered by the SCADA supervisory system. However, the emergence of Synchronized Phasor Measurement Units (PMUs) provides a new class of measurements, whose superior quality encourages novel state estimation applications. In this context, hybrid estimation fusion architectures have been recently proposed. By employing a two-stage model, those architectures allow the inclusion of new data sources such as PMU-measurements, without requiring the exclusion of well-established SCADA estimators. In the first stage, individually customized estimators are employed to process each distinct class of measurements. As a second step, estimates resulting from the previous stage are optimally combined in a fusion module, which is classically based on minimum variance principles. According to the conventional fusion paradigm, bad data processing is limited to the performance of first-stage estimators. In case gross measurements pass unnoticed through first stage individual estimators, final fusion results will inevitably be also contaminated, as there is no second layer of defense against spurious data. To reinforce fusion architectures robustness against outliers, this thesis introduces a new fusion framework based on the maximum correntropy criterion. In the absence of gross errors, the fusion via MCC approach is completely equivalent to the classical minimum variance criterion. In addition to that, however, the proposed strategy equips the fusion module with an extra functionality, namely, to play the whole of an active layer of protection against inconsistent data, whenever gross errors are not properly filtered by the first-stage estimators. The proposed approach is applied to power systems by considering two and three distinct classes of estimates as inputs to the fusion module. The performance of the fusion via MCC architecture is evaluated through several experiments conducted on four IEEE test systems.