Trabajo de grado - Maestría
State estimation in active distribution networks using convex optimization
Registro en:
Universidad Tecnológica de Pereira
Repositorio Institucional Universidad Tecnológica de Pereira
Autor
Fajardo Latorre, Maria Valeria
Institución
Resumen
Active distribution networks present high penetration of distributed resources that require real-time monitoring. These networks are equipped with a supervision, control, and data acquisition (SCADA) system, which integrates information supplied by advanced measurement equipment. This thesis presents a state estimation model as an integral part of the SCADA system. Nevertheless, the state estimator is non-convex. Therefore, the application of conical approximations such as second-order cone and semidefinite programming proposes to guarantee a global optimum and uniqueness of the solution. The model includes direct angle measurement through meters and micro-phasor measurement units micro-pmu.The model evaluates different test systems in the international scientific literature. These quantified by stochastic metrics the difference between the estimated and actual value as root mean square error or the confidence level used to check for incorrect data and system reliability. In addition, the behavior of the micro-pmu investigates with total voltage error. These results show a high efficiency guaranteeing a global optimum and precision when using cvxPy in Python. Las redes de distribución activas presentan alta penetración de recursos distribuidos que requieren supervisión en tiempo real. Estas redes están equipadas con un sistema supervisión, control y adquisición de datos (SCADA), que integra información suministrada por los equipos de medición avanzada.
Este trabajo presenta un modelo de estimación de estado como parte integral del sistema SCADA. No obstante, el estimador de estado es no convexo. Por ende, se propone la aplicación de aproximaciones cónicas como Second order cone y Semidefinite programming para garantizar un óptimo global y unicidad de la solución. El modelo incluye medición directa del ángulo gracias al uso de medidores inteligentes
y micro unidades de medición fasorial micro-pmu. El modelo es evaluado en diferentes sistemas de prueba de la literatura científica internacional. Estos son cuantificados por métricas estocásticas que entregan la
diferencia entre el valor estimado y el real como root mean square error o el nivel de confianza empleado para verificar datos incorrectos y la confiabilidad del sistema. Además, el comportamiento de las micro-pmu se indaga con el total voltaje error. Estos resultados muestran una alta eficiencia garantizando un óptimo global y precisión al emplear cvxPy en Python. Maestría Magíster en Ingeniería Eléctrica Contents
1 Introduction 10
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Active distribution networks (ADNs) . . . . . . . . . . . . . . . . 12
1.3 The state estimation problem . . . . . . . . . . . . . . . . . . . . 14
1.4 Convex optimization-based Methods . . . . . . . . . . . . . . . . 15
1.5 Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 The state estimation problem in ADNs 19
2.1 Overview of the classic state estimation problem . . . . . . . . . 19
2.2 The state estimation as an optimization problem . . . . . . . . . 22
2.3 Available measurements in ADNs . . . . . . . . . . . . . . . . . . 24
2.4 SCADA systems . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Phasor measurement units . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Challenges in power distribution networks . . . . . . . . . . . . . 29
3 Convex model for the state estimation of ADNs 32
3.1 Convex optimization for state estimation . . . . . . . . . . . . . . 32
3.2 Convex cones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Second-order cone programming . . . . . . . . . . . . . . . . . . 37
3.4 Application of SOC to the state estimation . . . . . . . . . . . . 38
3.5 Cone of Semidefinite matrices . . . . . . . . . . . . . . . . . . . . 40
6
Maria Valeria Fajardo Latorre Maria Valeria Fajardo Latorre
3.6 Application of SDP to the state estimation problem . . . . . . . 41
3.7 Stochastic metrics . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.7.1 Total vector error . . . . . . . . . . . . . . . . . . . . . . . 42
3.7.2 Root mean square error . . . . . . . . . . . . . . . . . . . 43
3.7.3 Confidence level criterion . . . . . . . . . . . . . . . . . . 43
4 Results 45
4.1 Test systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Numerical results . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Results for state estimation in different IEEE . . . . . . . . . . . 46
4.4 Confidence level criterion . . . . . . . . . . . . . . . . . . . . . . 54
4.5 Criterion of the voltage phasors . . . . . . . . . . . . . . . . . . . 55
4.6 Root-mean-square error . . . . . . . . . . . . . . . . . . . . . . . 56
4.7 Remarks in regard with the existing literature . . . . . . . . . . . 58
5 Conclusions 61