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

More documents

Recommendations

Info

142 Busca Tabu para Identificação de Erros Conformativos (a) Se a lista está vazia, fim da busca; o conjunto de soluções promissoras representam o conjunto de soluções candidatas (hipóteses plausíveis para análise). (b) Do contrário, escolha na lista o vetor de decisão de mínimo custo e o considere como novo candidato para análise. 3. Realize o teste de detecção sobre o problema candidato. (a) Se nenhum erro é detectado, então: i. Se o custo do problema candidato é menor que a solução incumbente, então: A. Considere o candidato atual como nova solução incumbente. B. Corte a árvore, removendo todas os nós que levam a soluções cujo custo são maiores que a nova solução incumbente e retorne ao passo 2. ii. Se o custo do candidato atual é igual ao custo da solução incumbente, então adicione o candidato à lista das soluções promissoras e retorne ao passo 2. (b) Por outro lado, se erros são detectados, então: i. Se o custo do candidato atual é menor que o custo das soluções promissoras, então: A. O sucessor-e torna-se o novo problema candidato. B. Se o número de sucessores-c no vetor de decisão atual é menor que nr, então coloque o sucessor-c na lista de nós abertos. C. Retorne ao passo 3. ii. Se não, coloque o candidato atual na lista de nós fechados e volte ao passo 3. Exemplo com sistema de 3 barras Observe a seguir a aplicação do algoritmo branch and bound para o sistema de três barras com erro grosseiro apresentado no capítulo anterior (Fig. (4.1)). Os erros conformativos acontecem em P21 m = −2.54 p.u. e P 2 m = −2.98 p.u. As variâncias permanecem as mesmas e todas medidas possuem a mesma confiabilidade. Para o teste do resíduo normalizado, a margem de detecção adotada é 3.0 desvios padrões. A penalidade para requisição de mais informações é ajustada para nr = 2. O processo iterativo é ilustrado na Fig. (5.3). A execução do algoritmo branch-and-bound passo-a-passo é apresentada a seguir: passo 1 O problema é iniciado com custo = m − n = 4 (6 medidas e 2 variáveis de estado); todas as medidas são declaradas inicialmente como corretas, i.e., d = (1, 1, 1, 1, 1, 1), e nr é ajustado para nr = 2.
16 18 5.2 19 Método branch and bound para identificação de erros conformativos 143 Nível 0 1 d 1 =0 d 1 =1 Nível 1 d 3 =0 2 3 d 3 =1 d 2 =0 d 2 =1 Nível 2 Nível 3 d 4 =1 4 5 d 2 =0 d 2 =1 d 6 =0 d 6 =1 6 7 14 15 nr Sol. Cortado Fechado 8 9 nr d 5 =0 d 5 =1 d 4 =0 10 11 12 nr nr Sol. Nível 4 d 4 =0 d 4 =0 17 14 Fechado Fechado d 6 =0 13 Fechado Figura 5.3: bound Árvore de decisão binária gerada a partir da aplicação do algoritmo branch and passo 2 1 SC = 1 com d = (1, 1, 1, 1, 1, 1); passo 3 1 Erro grosseiro é detectado, a medida com maior resíduo normalizado r n é #1; custo = 1; SC = Nó 2; d = (0, 1, 1, 1, 1, 1); LNA = {3} (Lista de nós abertos) passo 3 2 Erro grosseiro → #3 custo = 2; CCP = Nó 4; d = (0, 1, 0, 1, 1, 1); LNA = {3, 5} passo 3 3 Erro grosseiro → #6 custo = 3; SC = Nó 6; d = (0, 1, 0, 1, 1, 0); LNA = {3, 5, 7}
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:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113: 92 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?