基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于平方根形式的无迹卡尔曼粒子滤波的电力系统动态估计

针对无迹卡尔曼滤波(UKF)和粒子滤波(PF)状态估计精度低的缺点,把平方根形式的无迹卡尔曼粒子滤波(SR-UPF)引入到电力系统状态估计中.在该方法中,无迹卡尔曼滤波作为概率密度函数进行更新,利用Markov链蒙特卡罗方法解决重采样后粒子的匮乏问题,利用平方根形式解决状态估计的收敛速度和稳定性问题.在保障精度的情况下...     

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,构建了系统状态方程以及量测方程;随后,研究了无迹卡尔曼滤波算法及其自适应调整策略。根据仿真结果可知,该算法估计的电池SOC最大误差小于2.13%,估算精度及收敛速度均好于传统无迹卡尔曼滤波算法。     

基于神经网络和MS-AUKF算法的蓄电池荷电状态估计

蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。     

基于无迹卡尔曼滤波的电力系统抗差动态估计

为解决电力系统动态状态估计准确性易受量测不良数据影响的问题,提出基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的电力系统抗差动态估计方法。在预测过程中引入时变噪声估计器处理未知系统噪声;利用新息向量判断量测是否存在异常,并使用基于测点正常率最大的静态估计方法辨识不良数据;然后构建更新因子矩阵降低不良数据在动态估计更新过程中的影响。将算法运用于IEEE 14节点标准系统中,仿真结果表明该方法估计结果准确且抗差效果良好。     

基于H_∞无迹卡尔曼滤波的退役锂离子电池SOC估计

电动汽车的锂离子动力电池退役后,具备在储能系统等场合继续使用的潜力,其SOC(电池荷电状态)的准确估计对于退役电池的梯次利用具有重要意义。针对传统UKF(无迹卡尔曼滤波)算法出现模型参数不确定及采样噪声干扰导致估算精度下降甚至系统发散等问题,提出一种HUKF(H_∞无迹卡尔曼滤波)算法。该算法在UKF基础上,利用H_∞控制理论引入调整因子来修正UKF中计算协方差时遇到的病态矩阵,提高对异常值和非高斯噪声的鲁棒性。实验结果表明,改进算法以较快的收敛速度实现了更精确的SOC估计,且鲁棒性较好,满足了退役电池SOC估计的实际需求。     

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square- root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。     

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。     

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.     

基于无迹粒子滤波的配电网状态估计*

配电网状态估计是配电管理系统的重要组成部分。用于状态估计的数据通常存在不同程度的随机噪声干扰,不能直接用于配电网的运行分析,为获得更为精确的配电网状态信息,必须对量测数据进行滤波处理。针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)灵活性差、滤波精度易受参数及滤波初值的制约;标准粒子滤波(Particle Filter,PF)选取重要性密度函数不合理的缺陷,文章将无迹粒子滤波(Unscented Particle Filter,UPF)算法应用于配电网状态估计。该算法将UKF和PF融合,用UKF结合最新的量测信息为PF生成重要性密度函数,将落在先验概率密度区域的粒子转移到高似然区域内,提高了PF的滤波性能。通过IEEE 33节点系统算例分析,结果表明,UPF较UKF和PF具有更好的估计性能,且灵活性强,是一种有效的状态估计方法。     

有色观测噪声下的自适应 UKF 在北斗多路径误差削弱中的研究

针对由环境复杂性而造成的北斗多路径误差不能有效削弱的问题, 提出了一种基于新的误差模型下的自适应无迹卡 尔曼滤波(UKF)方法。 该方法首先利用量测状态扩增法来解决量测噪声为有色噪声的问题,再用改进的 Sage-Husa 自适应 UKF 来动态估计系统噪声和量测噪声,从而解决噪声统计特性未定造成的误差削弱效果不明显的情况。 实验结果表明在有色 观测噪声下的改进 Sage-Husa 自适应 UKF 算法相比于传统 UKF,能够将多路径误差削弱近 60%,该方法在针对北斗定位中由于 多路径误差产生的噪声不可知的情况具有很强的适用性。     

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。     

混合量测下基于UKF的电力系统动态状态估计

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)法存在收敛速度慢、鲁棒性差的缺点,采用一种新的非线性方法——无迹卡尔曼滤波(UKF)法进行电力系统动态状态估计。UKF法由于使用了无迹变换,避免了线性化误差的引入和雅可比矩阵的计算,相比EKF法有更高的估计精度和稳定性。广域测量系统(WAMS)能够提供相量信息,具有精度高、全网严格同步等优点。因此,将WAMS量测数据和数据采集与监控(SCADA)系统量测数据相结合,形成应用混合量测的电力系统动态状态估计。仿真表明,UKF法相比EKF法能够更准确地估计动态系统中的状态量,WAMS信息的引入进一步提高了动态状态估计的性能。     

Windowing and random weighting‐based adaptive unscented Kalman filter

The conventional unscented Kalman filter (UKF) requires prior knowledge on system noise statistics. If the statistical characteristics of system noise are not known exactly, the filtering solution will be biased or even divergent. This paper presents an adaptive UKF by combining the windowing and random weighting concepts to address this problem. It extends the windowing concept from the linear Kalman filter to the nonlinear UKF for estimation of system noise statistics. Subsequently, the random weighting concept is adopted to refine the obtained windowing estimation by adjusting random weights of each window. The proposed adaptive UKF overcomes the limitation of the conventional UKF by online estimating and adjusting system noise statistics. Experimental results and comparison analysis demonstrate that the proposed adaptive UKF outperforms the conventional UKF and adaptive robust UKF under the condition without precise knowledge on system noise statistics.Copyright © 2014 John Wiley & Sons, Ltd.     

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。     

基于自适应容积卡尔曼滤波的主动配电网状态估计

有效的状态估计算法是确保电力系统安全、稳定、经济运行的前提条件。针对传统无迹卡尔滤波(unscented Kalman filter,UKF)参数选取难、灵活性差、高阶系统滤波精度低等缺陷,将数值稳定性较好的容积卡尔曼滤波(cubature Kalman filter,CKF)算法引入到配电网进行动态状态估计,并与改进后的自适应无迹卡尔滤波(Adaptive unscented Kalman filter,AUKF)算法进行对比,仿真分析表明CKF算法较AUKF算法具有较高的滤波精度以及较好的数值稳定性。该算法在系统负荷发生突变时滤波精度有所下降,为此进一步提出了自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)算法以改善状态估计性能。对三相不平衡电网进行算例仿真表明：ACKF算法相比较于CKF算法而言,滤波精度更高、鲁棒性更强。