基于渐消自适应EKF的感应电机转速观测器

提出一种基于指数渐消因子的自适应EKF算法的感应电机转速观测器。根据感应电机的电流跟踪误差自适应调整指数渐消因子,从而减小感应电机模型误差和外界干扰的影响,使转速观测更精确、快速。基于指数渐消因子的自适应EKF算法建立了感应电机无速度传感器矢量控制系统的Matlab仿真模型。仿真结果表明,该转速观测器能有效的观测转速,同时具有良好的动、静态性能。相比传统的EKF转速观测器,具有更好的抗干扰性和收敛特性。     

基于双辨识参数全阶自适应观测器的感应电机低速性能

提出了一种基于双辨识参数全阶自适应观测器的感应电机无速度传感器矢量控制策略,根据Popov超稳定性理论对系统进行了稳定性分析,在深入研究传统全阶自适应观测器的基础上,对保证系统在全速范围内稳定运行的反馈增益矩阵选取准则进行分析并据此设计了反馈增益矩阵。通过分析低速时定子电阻变化对转速估计的影响,构建了双辨识参数全阶自适应观测器,可以同时对转速和定子电阻进行在线辨识,有效提高了系统的低速带载性能。对基于双辨识参数全阶自适应观测器的感应电机无速度传感器矢量控制系统进行了实验验证,实验结果验证了算法的正确性和有效性。     

基于自适应观测器的感应电机无速度传感器矢量控制

交流电机无速度传感器矢量控制既保持了矢量控制的优良特性,又克服了速度传感器带来的不利影响,是实现低成本、高可靠性和高性能交流调速系统的有效途径.对以自适应观测器为基础的感应电机无速度传感器矢量控制系统进行研究,建立了感应电机转速自适应全阶磁链观测器模型,设计出以估算转速实现闭环控制的无速度传感器矢量控制系统,以TMS320F2810 DSP为控制核心进行了物理实验,并与基于电压电流混合模型的无速度矢量控制方案进行了比较,实验结果表明该控制系统性能良好,具有更高的稳速精度.     

异步电动机矢量控制系统仿真与应用

无速度传感器感应电机具有价格低和高可靠性等优点,为取代有速度编码传感器,提出了一种基于TMS320LF2812 DSP的无位置传感器异步电机矢量控制系统。介绍了矢量控制的基本方程,并根据这些方程建立模型参考自适应系统(MRAS)来估计转子磁链,最后通过Matlab/Simulink仿真与基于DSP的无速度传感器异步电动机矢量控制实验进行对比分析,验证了该仿真和实际电机控制系统的调试都具有足够辨识精度,高动静态性能和高控制效果。     

基于新息理论的EKF感应电机转速估计方法

提出了一种基于新息理论的自适应扩展卡尔曼滤波(IT-AEKF)感应电机转速估计方法,实现了优化的感应电机无速度传感器矢量控制。该转速估计方法使用新息序列对系统噪声协方差矩阵进行在线估计和自适应调节,实时地跟踪系统模型的变化,使系统模型与实际模型更加匹配。所提出的方法提高了系统模型对于实际系统以及外部环境变化的适应性,也满足对于低速的估计要求,进而提高系统的稳态精度和抗粗差性能,使系统遇到干扰时更快收敛。实验结果验证了算法的正确性和有效性。     

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.     

基于改进MRAS观测器无速度传感器感应电机转速估计方法

为了提高无速度传感器感应电机矢量控制系统的低速性能,提出了一种改进的转速估计方法.由于转速自适应观测器是一个具有非线性并且较复杂的模型,将两相静止坐标系中的观测器输出误差系统变换到转子磁场旋转坐标系中,通过推导出的单输入单输出误差系统来得到满足观测器稳定性条件.同时对定子电阻进行在线辨识以提高系统的鲁棒性,采用了一种改进的定子电阻自适应率.通过11 kW感应电机无速度传感器转子磁场定向矢量控制实验平台验证了所提出方案的有效性.     

异步电机矢量控制系统仿真与应用

无速度传感器感应电机具有价格低和高可靠性等优点,为取代速度传感器,提出了一种基于TMS320LF2812 DSP的无位置传感器异步电机矢量控制系统。文章主要介绍了矢量控制的基本方程,并根据这些方程建立模型参考自适应系统(MRAS)来估计转子磁链,最后通过Matlab/Simulink仿真与基于DSP的无速度传感器异步电动机矢量控制实验进行对比分析,验证了该仿真和实际电机控制系统的调试都具有足够辨识精度,高动静态性能和高控制效果。     

基于状态观测器的感应电机速度传感器故障诊断及容错控制

速度传感器是感应电机矢量控制系统的重要组成部分,当其出现故障时会严重影响系统的性能。设计感应电机矢量控制系统,并在此基础上实现了基于状态观测器的感应电机速度传感器故障诊断及速度传感器发生故障后的容错控制。在速度传感器正常时,状态观测器工作在故障诊断方式下;速度传感器发生故障后,该状态观测器工作在速度估计方式下,系统由原带速度传感器矢量控制方式平滑切换到无速度传感器矢量控制,从而实现速度传感器的容错控制。该设计的有效性在dSPACE实验平台上得到了验证。     

基于DSP的感应电机无速度传感器矢量控制

讨论了一种感应电机(IM)的新型无速度传感器矢量控制系统,重点阐述了基于PI自适应法的模型参考自适应转子磁通和速度观测器。其中,磁场估算器是一个由电机的开环电流模型和电压模型组成的全阶转子自适应磁场观测器,速度观测器的稳定性由Popov原理提供保证。在实际应用中,构造了一个直接转子磁场定向无速度传感器IM矢量控制系统,给出了基于TMS320F240型DSP芯片实现的数字化系统。实验结果表明,该系统具有良好的转矩转速特性,也验证了所提出的磁场和速度估计算法的正确性。     

A recursive measurement error estimation identification method forbad data analysis in power system state estimation

A recursive measurement error estimation identification algorithm is proposed for identifying multiple interacting bad data in power system static state estimation. A set of linearized formulae are developed and used to recursively calculate normalized residuals and normalized measurement error estimates upon which the bad data identification method is based. Sparse vector and partial factor modification techniques are used in the recursive identification calculations. Neither the submatrix of the residual sensitivity matrix, W_ss, nor state reestimation is needed in the whole identification process. Digital tests on various power systems, including a 171 bus real system, are done to show the validity and efficiency of the proposed bad data identification method     

残差归一化的强跟踪滤波器及其应用

强跟踪滤波器通过对残差的强制白化而具有自适应的校正估计偏差和迅速跟踪状态变化的能力。对一类多输出非线性系统的研究发现，当各输出在数值上存在较大差异时，会导致无故障情况下不同输出值对应残差间数值上的较大差异，从而造成滤波器对于各残差的信息不对称，影响故障诊断的速度和精度。针对这一问题，该文提出了一种残差归一化的强跟踪滤波器方法。该方法通过在次优渐消因子的计算过程中对残差的归一化处理，达到平衡各残差问信息的效果，从而提高了故障诊断的速度和精度。仿真结果验证了该方法的有效性。     

基于改进UKF滤波的永磁同步电动机矢量控制

针对普通UKF在永磁同步电动机速度估计中存在对模型不确定性的鲁棒性差、对突变状态的跟踪能力低和收敛速度慢等问题,结合强跟踪滤波器对UKF滤波进行改进,引入时变渐消因子在线自适应调整增益矩阵和状态预测误差协方差矩阵,实现残差序列正交或近似正交,强迫UKF滤波保持对实际状态的快速跟踪.将该算法在永磁同步电动机无速度传感器矢量控制系统中进行仿真研究.试验结果与统计分析表明,相对与普通UKF,基于改进UKF滤波的永磁同步电动机转子速度及角度估计更准确,误差更小,跟踪速度更快,鲁棒性更好.     

基于强跟踪UKF的视频目标跟踪算法

针对无迹卡尔曼滤波（unscented Kalman filter ,UKF）在非线性系统状态估计中存在的跟踪缓慢和稳态偏差问题,提出一种基于强跟踪UKF的视频目标跟踪算法。该算法以无迹变换（unscented transform ,UT）为基础,结合强跟踪滤波器和UKF滤波器的优点,在状态预测协方差矩阵中引入时变渐消因子调节卡尔曼增益,强迫输出残差序列保持正交,并提取残差序列的有效信息,提高滤波器对状态变化的跟踪能力。仿真结果表明,利用强跟踪UKF算法对视频中的运动目标进行跟踪,具有更高的跟踪精度,状态滤波均方误差更小。     

A sensitivity analysis method to compute the residual covariance matrix

In state estimation, the covariance matrix of residuals is used to compute the normalized residuals and to detect erroneous measurements. This paper describes a method based on sensitivity analysis that allows computing the residual covariance matrix. The proposed method is estimator-independent, i.e., it is suitable for most solution approaches based on mathematical programming procedures. Several case studies illustrate the technique proposed. Relevant conclusions are finally drawn.     

Observability analysis and bad data processing for state estimationwith equality constraints

A factorization-based observability analysis and the normalized residual-based bad-data processing have been carried out for state estimation using the normal equation approach. The observability analysis is conducted during the process of triangular factorization of the gain matrix. The normalized residuals are calculated using the sparse inverse of the gain matrix. The method of Lagrange multipliers is applied to handle state estimation with equality constraints arising from zero injections, because of its better numerical robustness. The method uses a different coefficient matrix in place of the gain matrix at each iteration. The factorization-based observability analysis and normalized residual-based bad-data processing are extended to state estimation with equality constraints. It is shown that the observability analysis can be carried out in the triangular factorization of the coefficient matrix, and the normalized residuals can be calculated using the sparse inverse of this matrix. Test results are presented     

稀疏技术在电力系统状态估计中的应用

研究了电力系统状态估计中稀疏技术的应用方法。首先根据因子矩阵和消去树，讨论了稀疏向量法。然后基于给定的稀疏矩阵存储方法和符号因子化技术，提出了一种采用稀疏向量法进行LDLT分解的算法，最后结合量测残差方差计算给出了两种应用稀疏技术计算的方法。算法的有效性在IEEE 118和IEEE 300系统上得到了验证。     

基于WAMS／SCADA混合量测的电力系统强跟踪滤波动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法.该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小.同时,引入广域测量系统(WAMS)/-数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能.仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果.     

基于 SST-SCKF 的运动目标超宽带定位算法研究

使用超宽带(UWB)进行定位过程中,卡尔曼滤波是一种常见的降噪方法,但由于对非线性系统滤波性能差,且定位目标运动轨迹易超出基站布局区域以及受到异常噪声干扰,会影响定位系统的准确性和稳定性。针对这一问题,提出一种对称强跟踪(SST)平方根容积卡尔曼(SCKF)算法,通过引入对称时变渐消因子调节各协方差矩阵,实现改变误差协方差矩阵中多重衰落因子矩阵的工作方式,进而调整滤波增益,计算复杂度虽略有增加,但增强定位模型的适应性与鲁棒性。仿真验证表明,在异常噪声干扰下,改进后的算法(SST-SCKF)相较于SCKF/多重渐消因子的SCKF(ST-ASCKF)算法可有效提高定位准确度,且定位轨迹较于单渐消因子的SCKF算法(STSCKF)更为平滑;利用SST-SCKF算法设计基于UWB技术的定位方案,通过动态模拟实验表明,本文提出的SST-SCKF算法较之SCKF/STSCKF/ST-ASCKF滤波性能更优,为复杂环境噪声下人员UWB定位提供更好的降噪,使定位更为精准。     

一种实时电能质量扰动分类方法

针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。