基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略

针对机械参数辨识精度受推力系数波动影响而降低的问题,提出等效机械参数模型,将推力系数与待辨识参数相结合,并推导该模型在控制器调谐和前馈补偿上与传统模型的等效性。为了进一步实现等效机械参数在线辨识,构建基于混合自适应扩展卡尔曼滤波的辨识器。混合自适应扩展卡尔曼滤波在系统噪声矩阵和渐消因子中加入自适应机制,能够估计系统噪声,并在负载突变时快速收敛。通过对系统可观性和矩阵正定性的推导,证明算法的稳定性。最后,在一台永磁同步直线电机上进行实验,验证所提算法的有效性及其在PWM周期为32 kHz和10 kHz时在线运行的可行性。     

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。     

带次优无偏噪声估值器的KF短期负荷预测

卡尔曼滤波厦理用于电力系统短期负荷预测通常是针对线性定常系统,其噪声协方差是定常的,由于噪声协方差直接影响模型的增益矩阵,进而直接影响到模型的追踪能力和预测的精确度。考虑了电力系统负荷变化具有范围性、波动性的特点,根据9天的历史负荷数据建立预测模型。利用最小二乘法辨识模型转移矩阵,采用Hankel矩阵法辨识模型的阶,运用改进的时变次优无偏噪声估值器对噪声协方差进行自适应估计,用预测方程预测次日负荷。     

基于自适应卡尔曼滤波的负荷参数在线辨识方法

传统负荷模型参数辨识方法在数据获取、辨识精度和在线辨识上受到限制,且基于传统卡尔曼滤波的参数辨识算法易受噪声干扰,辨识结果不稳定.为此提出一种基于自适应卡尔曼滤波的负荷参数在线辨识算法.首先建立线性化的负荷模型,基于广域测量系统(WAMS)同步相量测量单元(PMU)测得的实时在线数据,运用预报误差法的思路,使用改进的Sage-Husa自适应卡尔曼滤波算法辨识负荷模型参数.基于浙江电网220 kV华金变电站PMU数据的算例表明了自适应卡尔曼滤波算法辨识结果具有更高的参数稳定性和良好的拟合度.     

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。     

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CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

自适应卡尔曼滤波在电力系统短期负荷预测中的应用

将卡尔曼滤波原理运用于电力系统负荷预测通常是针对线性定常系统,并在定常噪声协方差的前提下进行,模型的灵敏度差和预报精度不高.作者考虑了电力系统负荷自身的变化特点,根据不同日期同一时刻的负荷历史数据建立了含有时变系数的负荷系统模型、观测模型和系统参数模型,采用两段自适应卡尔曼滤波方法,同时考虑噪声协方差对预测精度的影响,运用时变噪声统计估值器对噪声协方差进行自适应估计,用预测方程预测次日的负荷.结合实际电网数据进行的预测计算取得了较好的结果.     

基于改进鲁棒自适应UKF的配电网动态状态估计方法

配电网动态状态估计中状态方程的过程噪声统计参数是未知而且时变的,因此在状态估计过程中需要在线对过程噪声统计参数进行实时估计,而且不准确的噪声参数将会导致无迹卡尔曼滤波器的滤波性能下降甚至滤波发散。文中研究了基于改进鲁棒自适应无迹卡尔曼滤波器的配电网动态状态估计方法,其噪声参数统计估值器由一个有偏的和一个无偏的估值器组成,可以提高在状态估计过程中噪声参数估计的准确性,同时确保过程噪声方差矩阵的半正定性,从而保证算法的鲁棒性。通过对IEEE 33节点系统进行仿真验证,结果表明所提方法在系统平稳运行、负荷发生剧烈变动或者初始噪声参数值设置不当的情况下,均能保证较高的状态估计精度。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

改进SHAKF算法消除IMU随机误差的研究

针对 Sage-Husa 自适应卡尔曼滤波(SHAKF)算法在处理惯性测量单元(IMU)时,随机误差容易随着时间的累积而造成 滤波发散的问题,提出一种改进的 Sage-Husa 自适应鲁棒卡尔曼滤波 (MSHARKF)算法。 首先对 IMU 构建了合适的模型,再将 SHAKF 与自适应鲁棒卡尔曼滤波(ARKF)相结合并纳入改进的时变噪声估计器,再引入最优自适应比例因子 αk 对量测方程迭 代更新,最后得出新的预测协方差矩阵代入原方程。 实验结果表明,分别通过 Allan 方差和均方根误差(RMSE),对 MEMS-IMU 滤波前后的静/ 动态数据分析计算得,随机误差噪声分别减小至原数据的 1 / 10 000 和 1 / 100。 与本文其他算法相比,该方法有 效地对算法滤波发散进行了抑制,进而提高了 IMU 的测量精度和长期稳定性。     

基于高频噪声主频估计的自适应最小二乘算法

进一步提高电力系统继电保护的动作速度，要求寻找速度更快的保护滤波算法。传统的最小二乘算法与卡尔曼滤波算法虽然速度较快，但准确度难以提高。通过对电力系统故障信号高频噪声分量的理论分析与仿真研究，发现高频噪声分量存在一个主频，并提出一种使用遗传算法的主频频率估计器。根据高频噪声主频的存在性与自适应滤波原理，提出了一种基于高频噪声主频估计的自适应最小二乘算法，它利用高频噪声主频估计器计算输入信号的高频噪声主频频率，根据主频频率修改最小二乘算法的模型参数，实时形成最小二乘算法的计算式。仿真试验表明，该算法显著地提高了保护滤波算法的滤波速度与准确性，即使在噪声非常严重的情况下，也能取得很好效果。     

基于AKF的永磁同步电机关联关系模型研究

建立永磁同步电机的关联关系模型有两个关键点:电机模型的确立和模型中未知参数的估计。在永磁同步电机模型的确立方面,建立了能同时考虑铁耗和转子磁场谐波的d-q轴模型;在电机模型参数估计方面,提出了一种采用自适应卡尔曼滤波算法的系统辨识方法。仿真结果表明:能同时考虑铁耗和转子磁场谐波的永磁同步电机模型具有较高的建模准确度;采用自适应卡尔曼滤波的算法能够有效跟踪实际测量噪声特性的变化,精确估计参数,且快速收敛。实验测试结果进一步验证了该模型和算法的有效性和实用性。     

基于自适应容积卡尔曼滤波的动态谐波检测

对电网中的谐波进行实时、准确的检测是有效治理谐波的前提。针对某些运行工况下电网中出现的动态谐波,提出了一种基于自适应容积卡尔曼滤波的动态谐波检测算法估计谐波信号的幅值和相角。首先针对传统卡尔曼滤波处理非线性关系上的局限性,利用容积卡尔曼滤波不需要任何线性化关系的特性估计谐波的状态向量和误差偏差矩阵,然后引入噪声估值遗忘因子来实时更新系统的噪声矩阵方程。最后通过对比实验,验证了该算法在动态谐波检测上的优越性能,并将其应用于有源滤波器的谐波检测中。     

基于DFFRLS-AUKF的单轨吊车动态倾角辨识方法研究

为保障单轨吊车在深部矿井复杂轨道工况环境下行驶的安全控制性能,需提高单轨吊车动态倾角辨识的精度及可靠性。因此,本文提出了基于DFFRLS-AUKF算法的单轨吊车动态倾角辨识方法。首先,利用自适应平滑滤波算法对实时采集的加速度和速度数据进行滤波处理,避免环境噪声的干扰,保证数据的完整性;其次,通过建立轨道曲率模型实现对轨道全工况的精准分析,在滤波处理后的数据基础上,再结合带有动态遗忘因子的递归最小二乘(DFFRLS)算法得到可靠地轨道曲率值;最终,在计算出的轨道曲率基础上,利用Sage-Husa噪声估计器对无迹卡尔曼滤波(UKF)进行改进,实现了对动态倾角辨识结果地自适应动态调整,提高了动态倾角辨识地精准度。实验表明,单轨吊车在单轨路段1和单轨路段2测试期间,所提的DFFRLS-AUKF算法与传统算法相比动态倾角辨识精度分别平均提升了25.25%和39.5%,表明了DFFRLS-AUKF算法在不同轨道工况下具有良好的精准性及可靠性,有效保障了单轨吊车在复杂轨道工况下行驶的安全性。     

基于自适应容积卡尔曼滤波的双馈风力发电机动态状态估计

对风电机组进行状态监测,可以研究风电机组运行规律,对含风电电力系统的分析与控制具有重要意义。提出一种基于自适应容积卡尔曼滤波(adaptivecubatureKalman filter, ACKF)的双馈风力发电机(doublyfedinduction generator,DFIG)动态状态估计方法。根据容积数值积分的原则,构建具有相同权值的容积点,经过DFIG非线性状态方程的传递,计算状态变量和误差协方差阵的预测值,利用量测量进行滤波修正,同时引入自适应技术,通过Sage-Husa估值器来实时估计过程噪声协方差,以建立DFIG动态状态估计模型。在含DFIG的改进四机两区系统进行算例分析,并与扩展卡尔曼滤波(extended Kalman filter,EKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)进行性能比较,验证了所提状态估计算法的准确性和鲁棒性。     

基于模糊无迹卡尔曼滤波算法的锂电池SOC估计

针对未知噪声条件下在线估计锂电池荷电状态精度低的问题,提出了将无迹卡尔曼滤波算法与模糊推理相结合的模糊无迹卡尔曼滤波算法。为了验证算法的有效性,首先建立了适应于FUKF估计SOC的二阶电池模型,在此基础上,采用离线的参数辨识方法辨识模型中相应的参数并进行模型精确度验证,其次设计实验对比模糊无迹卡尔曼滤波方法与传统EKF、UKF方法的估算精度,实现FUKF方法精确度验证。实验结果表明在未知噪声条件下估算SOC,FUKF方法误差小于0.5%,EKF、UKF方法误差在0.5%～1%之间波动,FUKF方法较UKF方法具有收敛速度快、估算精度高的优点。     

基于自适应互联扩展卡尔曼观测器的永磁同步直线电机高精度抗干扰在线多参数辨识

该文研究一种新型自适应互联扩展卡尔曼观测器,以实现永磁同步直线电机(permanent magnet synchronous linear motor,PMSLM)高精度抗干扰在线多参数辨识。首先,为了减轻测量噪声和参数耦合误差对辨识精度的影响,建立包含干扰的多参数互联耦合补偿辨识模型;其次,基于此模型设计互联式观测器来实现PMSLM多参数在线辨识,利用扩展卡尔曼滤波(extended Kalman filter,EKF)算法优化观测器中的增益矩阵,消除测量噪声误差,获得高精度的辨识结果;再次,构造一种自适应率函数动态调整传统EKF中固定的噪声协方差矩阵,提高观测器的抗扰动性能;然后,使用考虑互联式观测器模型误差的离散李雅普诺夫函数验证观测器的稳定性;最后,搭建基于半实物AD5435的PMSLM参数辨识系统,通过仿真和实验,验证该文观测器的有效性。