AnÃ¡lise de Observabilidade e Processamento de Erros Grosseiros ...

More documents

Recommendations

Info

134 Identificação e Tratamento de Erros Interativos Não-conformativos Tabela 4.6: Multiplicadores de Lagrange normalizados para as restrições de injeção nula - Erro de topologia chave 5-50. N. tipo Nó LN.AT LN.RT 108 Injeção 3 0, 0000 0, 0000 109 Injeção 51 8, 5126 10, 2697 110 Injeção 50 8, 5126 10, 2697 111 Injeção 49 0, 0000 −1, 6666 112 Injeção 45 −0, 0072 −0, 0050 113 Injeção 44 −0, 0048 −0, 0140 114 Injeção 43 0, 0000 0, 0000 115 Injeção 40 0, 0000 0, 0000 116 Injeção 39 0, 0000 0, 0000 117 Injeção 38 0, 0000 −1, 6666 118 Injeção 36 0, 0000 −1, 6666 119 Injeção 35 0, 0000 −1, 6666 120 Injeção 34 −0, 0076 −0, 0234 121 Injeçã, 33 0, 0790 0, 0227 122 Injeção 32 0, 0000 −1, 6666 123 Injeção 31 −0, 3898 −0, 0177 124 Injeção 30 0, 0000 −1, 6666 125 Injeção 29 0, 0000 −1, 6666 126 Injeção 28 −0, 4533 −0, 1149 127 Injeção 27 0, 0000 −1, 6666 128 Injeção 26 0, 0000 −1, 6666 129 Injeção 25 0, 4026 0, 1108 130 Injeção 24 0, 0000 −1, 6666 131 Injeção 23 0, 0000 −1, 6666 132 Injeção 22 0, 4126 0, 1127 133 Injeção 21 0, 0000 −1, 6666 134 Injeção 20 0, 0000 −1, 6666 135 Injeção 2 −0, 0002 −0, 0322 136 Injeção 13 0, 0000 −1, 6666 137 Injeção 12 0, 0000 −1, 6666 138 Injeção 9 0, 0000 1, 6666 139 Injeção 8 −0, 0072 −0, 0050 140 Injeção 7 0, 0000 0, 0000 141 Injeção 6 −0, 0076 −0, 0234 142 Injeção 5 0, 0000 −1, 6666 143 Injeção 4 0, 0000 −1, 6666 144 Injeção 858 0, 0000 0, 0000 145 Injeção 853 0, 0793 0, 0530 146 Injeção 852 0, 0793 0, 0530 147 Injeção 11 0, 0000 −1, 6666 148 Injeção 10 0, 0000 0, 0991 149 Injeção 1 0, 0000 0, 0991 150 Injeção 46 0, 0000 0, 0000 151 Injeção 48 0, 0000 0, 0000 152 Injeção 53 0, 0000 −1, 6666 N. tipo Nó LN.AT LN.RT 153 Injeção 52 0, 4042 0, 1208 154 Injeção 186 0, 4042 0, 1208 155 Injeção 56 0, 0000 −1, 6666 156 Injeção 55 0, 3552 0, 1188 157 Injeção 234 0, 3552 0, 1188 158 Injeção 15 0, 0000 −1, 6666 159 Injeção 14 −0, 4097 −0, 1469 160 Injeção 148 −0, 4097 −0, 1469 161 Injeção 17 0, 0000 −1, 6666 162 Injeção 18 −0, 3497 −0, 0928 164 Injeção 16 0, 0000 −1, 6666 165 Injeção 146 0, 0290 −0, 0444 166 Injeção 1782 0, 0290 −0, 0444 167 Injeção 147 0, 0000 −1, 6666 168 Injeção 150 −0, 0007 −0, 0464 169 Injeção 1784 −0, 0007 −0, 0464 170 Injeção 2991 0, 0000 −1, 6666 171 Injeção 2992 0, 0002 0, 0919 172 Injeção 2993 0, 0002 0, 0919 173 Injeção 887 0, 0000 0, 0000 174 Injeção 892 0, 0000 0, 0000 175 Injeção 891 0, 0793 0, 0530 176 Injeção 852 0, 0793 0, 0530 177 Injeção 888 0, 0000 0, 0000 178 Injeção 889 0, 0000 0, 0000 179 Injeção 890 0, 0000 0, 0000 180 Injeção 893 0, 0000 0, 0000 181 Injeção 890 0, 0000 0, 0000 182 Injeção 7001 0, 0000 0, 0000 183 Injeção 7002 0, 0000 1, 6666 184 Injeção 7003 0, 0000 1, 6666 185 Injeção 7004 0, 0000 0, 0000 186 Injeção 7005 0, 0000 0, 0000 187 Injeção 7006 0, 0000 0, 0000 188 Injeção 7007 0, 0000 0, 0000 189 Injeção 7008 0, 0000 0, 0000 190 Injeção 7009 0, 0000 0, 0000 191 Injeção 7010 0, 0000 0, 0000 192 Injeção 7011 0, 0000 0, 0000 193 Injeção 7012 0, 0000 0, 0000 194 Injeção 7013 0, 0000 0, 0000 195 Injeção 7014 0, 0000 0, 0000 196 Injeção 7015 0, 0000 0, 0000 197 Injeção 7016 0, 0000 0, 0000
Capítulo 5 Busca Tabu para Identificação de Erros Conformativos 5.1 Identificação de erros como problema combinatório A identificação de erros como problema combinatório foi proposta por Monticelli et al. (1986b) para o tratamento de erros múltiplos, interativos e conformativos e a formulação advém da teoria de decisão. A metodologia de identificação de erros considera, além da precisão do dispositivo, também sua confiabilidade. A formulação original leva em conta a probabilidade de funcionamento correto e incorreto do medidor. A formulação do problema de identificação como problema combinatório se adequou ao modelo de estimação de estado generalizada, uma vez que sua utilização pode ser realizada diretamente, propiciando a análise de erros interativos que envolvem tanto a topologia da rede e as grandezas tradicionalmente medidas. A identificação de erros sob essa formulação pertence a uma classe de problemas cuja resolução é mais abrangente e complexa. Por resolução complexa, pretende-se dizer que o espaço de busca torna-se muito mais amplo e a busca pela solução ótima representa um problema computacional de difícil solução (o problema possui característica não-linear inteiro mista e de explosão combinatória). Exemplos clássicos de problemas combinatórios são: problema do caixeiro viajante, roteamento de veículos, posicionamento ótimo de componentes em um chip VLSI, entre outros. A resolução desses problemas através de métodos de otimização clássicos requer metodologias mais complexas e a obtenção da solução ótima global nem sempre é garantida, principalmente em sistemas reais de grande dimensão. Os métodos aproximados ou heurísticos aplicados a problemas operacionais surgiram no final da década de 40 e desde então têm ganhado força na medida em que a capacidade de processamento dos computadores aumenta. 135
Page 1 and 2:
Universidade Estadual de Campinas F
Page 3:
RESUMO Este trabalho apresenta estu
Page 7 and 8:
AGRADECIMENTOS Agradeço ao profess
Page 9 and 10:
Sumário 1 Introdução 1 2 Anális
Page 11 and 12:
4.6.2 Recuperação de medidas atra
Page 13 and 14:
Lista de Tabelas 2.1 Linhas observ
Page 15 and 16:
5.7 Tabela com os erros mais prová
Page 17 and 18:
Lista de Figuras 1.1 Modelo de esti
Page 19:
5.6 Trajetórias da busca local e d
Page 22 and 23:
2 Introdução do modelo matemátic
Page 24 and 25:
4 Introdução Capítulo 3 são des
Page 26 and 27:
6 Análise de Observabilidade As qu
Page 28 and 29:
8 Análise de Observabilidade Algor
Page 30 and 31:
10 Análise de Observabilidade TP W
Page 32 and 33:
12 Análise de Observabilidade •
Page 34 and 35:
14 Análise de Observabilidade Algo
Page 36 and 37:
16 Análise de Observabilidade ∂J
Page 38 and 39:
18 Análise de Observabilidade 1 1
Page 40 and 41:
20 Análise de Observabilidade da m
Page 42 and 43:
22 Análise de Observabilidade por
Page 44 and 45:
24 Análise de Observabilidade de o
Page 46 and 47:
26 Análise de Observabilidade Na F
Page 48 and 49:
28 Análise de Observabilidade (a)
Page 50 and 51:
30 Análise de Observabilidade H =
Page 52 and 53:
32 Análise de Observabilidade PSfr
Page 54 and 55:
34 Análise de Observabilidade circ
Page 56 and 57:
36 Análise de Observabilidade PSfr
Page 58 and 59:
38 Análise de Observabilidade 2.6.
Page 60 and 61:
40 Análise de Observabilidade 2 1
Page 62 and 63:
42 Análise de Observabilidade ⎛
Page 64 and 65:
44 Análise de Observabilidade 2.9
Page 66 and 67:
46 Análise de Observabilidade oper
Page 68 and 69:
48 Análise de Observabilidade Tabe
Page 70 and 71:
50 Estimador de Estado Não-Linear
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
Page 82 and 83:
Page 84 and 85:
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Tabela 3.6: Estado estimado das cha
Page 92 and 93:
Page 94 and 95:
Page 96 and 97:
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105: 84 Estimador de Estado Não-Linear
Page 118 and 119: 98 Identificação e Tratamento de
Page 136 and 137: ¤ 116 Identificação e Tratamento
Page 156 and 157: 136 Busca Tabu para Identificação
Page 186 and 187: £¢ £ ¢ 166 Busca Tabu para Iden
Page 202 and 203: 182 Conclusões Gerais são alterad
Page 204 and 205:
184 Conclusões Gerais
Page 206 and 207:
186 Referências Bibliográficas Cl
Page 208 and 209:
188 Referências Bibliográficas Mo
Page 210 and 211:
Índice Remissivo branch and bound
Page 212 and 213:
192 ÍNDICE REMISSIVO
Page 214 and 215:
194 Atualização do índice J(̂x)
Page 216 and 217:
196 Atualização do índice J(̂x)
Page 218 and 219:
198 Lema de Inversão de Matrizes
Page 220 and 221:
200 Lema de Inversão de Matrizes
Page 222 and 223:
202 Pseudoinversa de uma matriz
Page 224:
204 TRABALHOS COMPLETOS PUBLICADOS
show all

AnÃ¡lise de Observabilidade e Processamento de Erros Grosseiros ...

Create successful ePaper yourself

Delete template?

Save as template?