基于粒子群优化的感应电机模糊扩展卡尔曼滤波器转速估计方法

为了减弱固定的先验噪声模型对扩展卡尔曼滤波器(EKF)状态估计的影响,提出一种基于粒子群优化的感应电机模糊EKF(PFEKF)转速估计方法。通过将粒子群优化(PSO)算法引入模糊控制器,监视实际残差与理论残差的偏离程度,自适应选择模糊调整因子,在线递推修正测量噪声协方差矩阵的加权值,使其逐渐逼近真实噪声水平,从而使滤波器进行优化估计,并减小外部干扰和时变测量噪声对系统性能的影响。仿真和实验结果验证了基于PSO的感应电机模糊EKF转速估计方法的正确性与有效性。     

永磁同步电动机转速的变参数EKF估算方法

针对扩展卡尔曼滤波器(EKF)估算永磁同步电动机(PMSM)转速时,协方差矩阵选用一组固定的随机参数难以兼顾动态和稳态性能,结合最优状态估计原理,提出了一种变参数EKF的估算方法.在动态和稳态过程中分别采用不同的矩阵参数,给出了变参数的判据,并推导了标幺制下的EKF估算模型.仿真和实验结果证明,该方法保证了EKF良好的估算性能,能够同时满足系统动态过程和稳态运行时的应用要求.     

计及模型不确定性的发电机动态状态估计方法

模型不确定性会影响状态估计的精度,甚至造成严重的后果。针对该问题,提出一种计及模型不确定性的发电机动态状态估计新方法。首先,基于发电机的动态方程建立发电机动态状态估计模型,进而提出基于自适应H_∞扩展卡尔曼滤波(AHEKF)的动态状态估计方法,该方法依据H_∞滤波理论建立模型不确定性约束准则,采用自适应技术对预测误差协方差矩阵和系统噪声协方差矩阵进行动态在线调整,从而使其具有较高的估计精度和鲁棒性。最后,通过WSCC 3机9节点系统和某实际大区域电网系统的算例测试,将所提方法与H_∞扩展卡尔曼滤波(HEKF)算法及扩展卡尔曼滤波(EKF)算法性能进行对比。算例结果表明,AHEKF算法在估计精度及鲁棒性方面均优于HEKF和EKF算法。     

基于谐波源特征提取的电力系统动态谐波状态估计自适应方法

通用的动态谐波状态估计卡尔曼滤波模型因状态转移矩阵为单位阵导致预测功能丧失,且测量噪声参数假设为常数,导致模型抗噪性能差。为提高谐波状态估计精度,提出了一种基于谐波源特征提取的动态谐波状态估计模型,该模型通过小波滤波得到谐波源波动的特征分量,将慢波动分量用于计算状态转移矩阵,将快波动分量用于计算系统噪声协方差矩阵。为适应谐波测量设备在线应用时的变化噪声环境,提出了一种自适应卡尔曼滤波算法。通过协方差匹配法判断测量噪声是否变化,当判断测量噪声发生变化时,采用时变噪声估值器估计测量噪声协方差矩阵。在IEEE 13和IEEE 69节点系统进行了仿真,表明所提出的方法与传统卡尔曼滤波方法相比,提高了在变化噪声环境下的状态估计的精度。     

基于自适应容积卡尔曼滤波算法的电力系统动态谐波状态估计

由于传统的谐波状态估计的参数辨识算法要求噪声的协方差矩阵固定不变,而实际工程中噪声的协方差矩阵是随时间变化的,工程中存在错误的量测数据,导致传统参数辨识算法估计的谐波电流参数的准确度较低。因此,提出自适应容积卡尔曼滤波算法来提高辨识谐波电流参数的准确度。首先,针对时变噪声干扰,采用基于渐消记忆指数加权法的噪声估值器算法生成时变噪声的协方差矩阵;其次,针对错误的量测数据,采用开窗估计算法修正错误的量测数据;然后,将修正的噪声协方差矩阵和量测数据代入容积卡尔曼滤波算法中,对谐波电流参数进行估计;最后,搭建IEEE 13节点系统仿真模型,验证了自适应容积卡尔曼滤波算法在时变噪声干扰及量测数据错误情况下仍可准确地估计谐波电流参数,确保了动态谐波状态估计的准确性。     

粒子群算法优化扩展卡尔曼滤波器电机转速估计

转速估计的精度直接影响无速度传感器矢量控制的效果,针对感应电机扩展卡尔曼滤波器(EKF)转速估计中难以取得系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的EKF转速估计方法.该方法利用改进的粒子群算法对EKF中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的EKF应用于感应电机转速估计.仿真试验表明,与试探法、标准粒子群算法及遗传算法比较,该方法能有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的性能.     

基于AEKF的永磁同步电机容错控制研究

永磁同步电机(PMSM)驱动系统需要具备故障容错运行的能力,因此提出一种基于自适应扩展卡尔曼滤波(AEKF)的电动汽车(EV)用PMSM驱动系统故障容错控制策略。由于AEKF能连续估计系统状态并获取系统统计特性,故新控制方案基于AEKF设计了观测器。控制器检测到传感器故障发生后,立即进行重构以保证系统连续运行。不同于传统的扩展卡尔曼滤波(EKF)方案,后者使用了固定的协方差矩阵,新的AEKF方案能自适应地调整协方差矩阵,大大提高了控制器精度和鲁棒性。最后,基于PMSM驱动试验平台,进行了新方案和传统EKF方案的对比试验,试验结果验证了新方法的转速估计更精确,鲁棒性更好。     

改进的平方根UKF及其在交会对接中的应用

针对传统滤波方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,将高斯过程回归融入平方根无迹卡尔曼滤波算法中,提出一种滤波方法.该算法在估计过程中采用标准的平方根无迹卡尔曼滤波算法,整个估计过程分为时间更新和状态更新两部分,采用矩阵QR分解、Cholesky 分解的形式直接传播和更新协方差阵的平方根;系统状态方程和观测方程由高斯回归模型分别代替分代,过程噪声的协方差和观测噪声的协方差自适应调整.将其应用于航天器人交会对接过程中,仿真仿结果满足系统导航精确度要求,校验了算法的有效性.     

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计...     

考虑量测相关性的容积卡尔曼滤波动态状态估计

针对电力系统动态状态估计中SCADA量测量间存在相关性的实际情况,文中提出了一种考虑量测相关性的容积卡尔曼滤波动态状态估计方法。首先进行了SCADA量测相关性分析,然后基于状态转移方程推导过程噪声协方差矩阵,基于容积变换方法计算考虑SCADA量测相关性的量测误差协方差矩阵,并提出了考虑量测相关性的电力系统动态状态估计流程,每次估计实时修正量测误差协方差矩阵及过程噪声协方差矩阵。IEEE-39节点系统的仿真结果表明,相较于不考虑量测相关性的容积卡尔曼滤波算法,文中方法能够明显提高状态估计结果的精度。     

基于自适应EKF的PMSM无速度传感器控制

永磁同步电机无速度传感器控制中,鉴于固定的噪声协方差阵不能同时满足动态和稳态的要求,通过引入一种变参数的自适应扩展卡尔曼滤波器(EKF),给出了一种永磁同步电机(PMSM)无速度传感器控制方案.以角加速度的值为选取依据,判断电机的运动状态,针对稳态过程和动态过程分别选定两组参数,以保证滤波器的快速性和稳定性,进而实现E...     

A multi-tone central divided difference frequency tracker with adaptive process noise covariance tuning

The problem of real-time frequency estimation of nonstationary multi-harmonic signals is important in many applications. In this paper, we propose a novel multi-frequency tracker based on a state-space representation of the signal with Cartesian filters and the second-order central divided difference filter (CDDF), which improves the performance of the extended Kalman filter (EKF) by using Stirling's interpolation method to approximate the mean and covariance of the state vector. A crucial element of the method is the adaptive scaling of the process noise covariance matrix appearing in the filter equations, as a function of the innovation sequence, which tunes the accuracy-reactivity trade-off of the filter. The proposed solution is evaluated against two approaches from the literature, namely the factorized adaptive notch filter (FANF) and the extended Kalman filter frequency tracker (EKFFT). Several experiments emphasize the estimation accuracy of the proposed method as well as the improved robustness with respect to initial errors and input signal complexity. The presented method appears to be particularly efficient with rapidly varying frequencies, thanks to the update mechanism that adjusts the filter parameters based on the amplitude of the estimation error.     

基于在线参数辨识和ASR-UKF的锂离子电容SOC估计

以一种新型混合型超级电容器——锂离子电容为研究对象,针对其在混合动力机车应用中的SOC估计问题,建立锂离子电容的二阶等效电路模型,采用带遗忘因子的递推最小二乘法(FFRLS)和自适应平方根无迹卡尔曼滤波算法(ASR-UKF)交叉联合的方法对锂离子超级电容的荷电状态(SOC)进行估算.FFRLS可以对动态变化的模型参数进...     

基于PnP和自适应线性卡尔曼滤波的实时位姿估计

针对实时位姿估计中扩展卡尔曼滤波(EKF)线性化引入非线性误差和依赖已知噪声分布的缺点,提出一种基于Pn P的自适应线性卡尔曼滤波位姿估计求解方法。将Pn P位姿估计求解策略引入卡尔曼滤波观测方程,通过对动态方程误差统计参数实时估计,自适应调节卡尔曼滤波递推参数。所提算法求解精度高,固定了观测方程的观测向量维度,提高了算法实用性。通过仿真试验,比较了该算法与EKF的位姿估计精度,通过量化误差分析,证明了该方法可以提高三维运动位姿估计精度,也验证了该方法的有效性。     

基于 Mahony-EKF 的无人机姿态解算算法

针对微惯性测量单元精度低和传统姿态解算方法误差较大,提出一种 Mahony 和扩展卡尔曼滤波(EKF)融合的姿态解 算算法。 首先通过 Mahony 滤波器融合陀螺仪、加速度计和磁力计数据,解算得到初步姿态四元数。 再以 Mahony 滤波器的姿态 四元数作为 EKF 的量测值,根据非重力加速度的大小,自适应正相关调节量测噪声协方差矩阵;根据陀螺仪测量的角速度信息 建立 EKF 状态方程。 最终经过 EKF 滤波后,获取无人机姿态的估计。 经过仿真实验验证,融合算法解算静态姿态角误差小于 0. 1°,解算动态姿态角误差小于 1°,均优于互补滤波算法和改进 EKF 算法。 融合算法能有效抑制陀螺仪漂移误差,滤除加速度 计测量值混有的高频噪声和抑制非重力加速度的干扰,提高姿态解算精度。     

基于遗传算法辨识噪声模型的异步电机闭环卡尔曼速度估计

用扩展的卡尔曼滤波器(EKF)估计异步电机闭环矢量控制系统中速度变量／转子磁链的难点是,系统运行的消息噪声和测量噪声模型不易准确获得,而滤波估计的精度和收敛性主要受其影响。为此,提出了一种基于遗传算法(CA)的磁场定向闭环系统噪声协方差全局寻优方法,解决了噪声模型难以辨识的实际问题。仿真结果验证了该方法的有效性。     

基于模糊单神经元PI的微电网频率自适应控制

在采用下垂控制策略的传统微电网中存在母线频率随负载增大而下降的问题,为确保母线频率不偏移标准频率,需要采取频率恢复控制策略。目前实现频率恢复的常用方法是基于比例-积分(PI)的控制策略。由于微电网网络结构和系统参数存在变化,PI控制可能无法满足频率控制快速响应、恢复的需求。为解决该问题,文中提出在第二层控制微电网中央控制器中使用单神经元自适应PI控制算法作为频率恢复算法,实现频率无差控制。为进一步增强系统的鲁棒性、加快频率的恢复,使用模糊控制器对单神经元PI控制器的神经元比例系数进行在线优化,并通过仿真与固定神经元比例系数的单神经元自适应PI控制进行对比,证明了所提改进控制策略可改善频率恢复控制的暂态性能,加快微电网的频率恢复。     

Reduced Kalman filtering for indirect adaptive control of the induction motor

Parameter variations strongly affect the application of indirect field-oriented control (FOC) of the induction motor. To estimate those parameters which cannot be obtained by means of a direct measure, an augmented state observer can be constructed; in particular, the presence of noise introduced by the inverter and sensors suggests the use of an extended Kalman filter (EKF). In this paper, by analysing the indirect FOC technique via a two-time-scale approach, we formally justify its effectiveness and propose a reduced-order EKF which is used to construct an adaptive version of the FOC method. The practical drawback of reduced-order EKFs, i.e. the necessity to differentiate measured quantities, is avoided by exploiting some peculiarities of the field-oriented controller.     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。