Análise de Observabilidade e Processamento de Erros Grosseiros ...
Análise de Observabilidade e Processamento de Erros Grosseiros ... Análise de Observabilidade e Processamento de Erros Grosseiros ...
56 Estimador de Estado Não-Linear [ ] [ ] [ ] A B x a = C D y b (3.17) x é um vetor de dimensão n x e y é um vetor de dimensão n y , logo n x + n y = n. O vetor a é um vetor de dimensão m a e o vetor b possui dimensão m b com m a + m b = m. Considere que a solução do sistema acima é exata, isto é, o vetor resíduo é nulo e que a submatriz A possui posto completo. Nesse caso a seguinte transformação é válida: [ ] [ ] [ ] A B x a 0 D − CA + = B y b − CA + a (3.18) A + é a pseudoinversa de A, ou seja, A + = (A ′ A) −1 A ′ (a definição de pseudoinversa encontra-se no Apêndice C). Assumindo-se também que b − CA + a possui posto completo, então y pode ser estimado por: ŷ = (D − CA + B) + (b − CA + a) (3.19) (D − CA + B) + é a pseudo inversa de D − CA + B. Portanto o estado estimado de ̂x é dado por: ̂x = A + (a − Bŷ) x e y. Observando os passos acima, pode-se criar um algoritmo para determinar as estimativas de Algoritmo 3 passos 1. Determine o valor temporário de x: ̂x temp = A + a = (A ′ A) −1 A ′ a (3.20) 2. Estime ŷ: D eq = D − CA + B b eq = b − CA + a
3.5 Estimadores desacoplados 57 ŷ = (D ′ eqD eq ) −1 D ′ eqb eq 3. Estime ̂x: ̂x = ̂x temp − A + Bŷ A solução acima representa o caso em que o vetor independente é exato. No caso da estimação de estado tais vetores possuirão erros e a solução representará uma aproximação do modelo exato, conforme será visto mais adiante. 3.5.2 Solução utilizando o Método Gauss-Newton Considere o sistema linearizado em termos das variáveis ∆Θ e ∆V [ ] [ ] HPΘ H PV ∆Θ = H QV ∆V H QΘ [ ] ∆zP ∆z Q (3.21) Pré-multiplicando ∆z p por −H QΘ H + PΘ e adicionando em ∆z Q, chega-se a: [ ] [ ] [ ] HPΘ H PV ∆Θ ∆zP = 0 ˜HQV ∆V ∆˜z Q (3.22) com ˜H QV = H QV − H QΘ H + PΘ H PV (3.23) ∆˜z Q = ∆z Q − H QΘ H + PΘ z P (3.24) Ainda, considerando que ˜H + QV = ( ˜H ′ QV ˜H QV ) −1 ˜H′QV (3.25) Pode-se transformar ∆z P em:
- 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: 52 Estimador de Estado Não-Linear
- Page 74 and 75: 54 Estimador de Estado Não-Linear
- Page 78 and 79: 58 Estimador de Estado Não-Linear
- Page 80 and 81: 60 Estimador de Estado Não-Linear
- Page 82 and 83: 62 Estimador de Estado Não-Linear
- Page 84 and 85: 64 Estimador de Estado Não-Linear
- Page 86 and 87: 66 Estimador de Estado Não-Linear
- Page 88 and 89: 68 Estimador de Estado Não-Linear
- Page 90 and 91: Tabela 3.6: Estado estimado das cha
- Page 92 and 93: 72 Estimador de Estado Não-Linear
- Page 94 and 95: 74 Estimador de Estado Não-Linear
- Page 96 and 97: 76 Estimador de Estado Não-Linear
- Page 98 and 99: 78 Estimador de Estado Não-Linear
- Page 100 and 101: 80 Estimador de Estado Não-Linear
- Page 102 and 103: 82 Estimador de Estado Não-Linear
- Page 104 and 105: 84 Estimador de Estado Não-Linear
- Page 106 and 107: 86 Estimador de Estado Não-Linear
- Page 108 and 109: 88 Estimador de Estado Não-Linear
- Page 110 and 111: 90 Estimador de Estado Não-Linear
- Page 112 and 113: 92 Estimador de Estado Não-Linear
- Page 114 and 115: 94 Estimador de Estado Não-Linear
- Page 116 and 117: 96 Estimador de Estado Não-Linear
- Page 118 and 119: 98 Identificação e Tratamento de
- Page 120 and 121: 100 Identificação e Tratamento de
- Page 122 and 123: 102 Identificação e Tratamento de
- Page 124 and 125: 104 Identificação e Tratamento de
3.5 Estimadores <strong>de</strong>sacoplados 57<br />
ŷ = (D ′ eqD eq ) −1 D ′ eqb eq<br />
3. Estime ̂x:<br />
̂x = ̂x temp − A + Bŷ<br />
A solução acima representa o caso em que o vetor in<strong>de</strong>pen<strong>de</strong>nte é exato. No caso da estimação<br />
<strong>de</strong> estado tais vetores possuirão erros e a solução representará uma aproximação do mo<strong>de</strong>lo<br />
exato, conforme será visto mais adiante.<br />
3.5.2 Solução utilizando o Método Gauss-Newton<br />
Consi<strong>de</strong>re o sistema linearizado em termos das variáveis ∆Θ e ∆V<br />
[ ] [ ]<br />
HPΘ H PV ∆Θ<br />
=<br />
H QV ∆V<br />
H QΘ<br />
[ ] ∆zP<br />
∆z Q<br />
(3.21)<br />
Pré-multiplicando ∆z p por −H QΘ H + PΘ e adicionando em ∆z Q, chega-se a:<br />
[ ] [ ] [ ]<br />
HPΘ H PV ∆Θ ∆zP<br />
=<br />
0 ˜HQV ∆V ∆˜z Q<br />
(3.22)<br />
com<br />
˜H QV = H QV − H QΘ H + PΘ H PV (3.23)<br />
∆˜z Q = ∆z Q − H QΘ H + PΘ z P (3.24)<br />
Ainda, consi<strong>de</strong>rando que<br />
˜H + QV = ( ˜H ′ QV ˜H QV ) −1 ˜H′QV (3.25)<br />
Po<strong>de</strong>-se transformar ∆z P em: