Kalman滤波新息正交性抗野值法研究

在Kalman滤波应用过程中，观测值中的野值是影响滤波效果的重要因素。当观测中含有野值时，破坏了Kalman滤波新息的正交性，从而造成估计不准，滤波精度下降。本文提出了修正Kalman滤波新息正交性的方法，使修正后的Kalman滤波新息能够保持修正前的新息正交性。仿真结果表明，本文提出的方法有效地抑制观测中的野值对系统滤波的不利影响。     

全数字逆变电源信号Kalman预测处理

逆变焊机工作在大电流、强干扰的恶劣环境中,要实现它的全数字化,必须对反馈信号进行滤波,本文提出一种基于卡尔曼(Kalman)预测的信号去噪方法。详细分析了现场获取的电流反馈信号的特征,针对噪声信号的特点,构建了Kalman最小方差估计等式组,通过测量值和预测值的残差来确定脉冲干扰发生的时刻和幅值大小。设定残差阈值作为信号处理的临界点,从观测信号中提取有用的信息,为电流型脉冲宽度调制控制器及时提供准确的反馈信号。试验结果表明,相比移动中值平均滤波和巴特沃思滤波器,本方法动态响应快,滤波输出无相移,能够有效地降低过程噪声和测量噪声的影响,保证逆变焊机精确、可靠地工作。     

基于模糊卡尔曼滤波的HEV氢镍电池SOC估计

混合动力汽车(HEV)电池管理系统工作于恶劣工况环境中,采用常规卡尔曼滤波算法估计电池荷电状态(SOC)时,量测噪声统计特性随实际工况条件剧烈变化,会导致估测不准,甚至滤波发散.采用基于模糊自适应卡尔曼滤波的氢镍动力电池SOC估算算法,通过监视理论残差与实际残差的比值,对量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高估算精度.仿真结果表明,这种算法对随机的量测噪声具有较强的抑制能力.     

电网设备错误参数的支路量测标幺值残差代数和均值辨识法

充分考虑随机量测误差的正态分布特点,提出了基于单一设备多时段相量测量单元(PMU)或数据采集与监视控制(SCADA)量测的错误参数均值辨识法.该方法首先基于线路、双绕组和三绕组变压器的等值电路模型及其PMU或SCADA量测信息,提出单一设备同一时段的综合标幺值残差指标,以综合反映量测与参数误差对残差的影响;然后以方差系数为收敛条件,求取多时段综合残差代数和均值的绝对值(指标T),以突出参数误差对综合残差均值的影响;最后根据综合残差均值的大小来辨识设备的参数错误.分析了文献错误参数综合残差平方和均值辨识法存在的问题,论证了所提方法在消除量测误差影响和确定均值样本数两方面的优势,并通过仿真分析验证了所提方法的有效性.     

基于中心微分Kalman滤波的重力/惯性组合导航

中心微分Kalman滤波由于其算法特点,可以避免强迫线性化带来的结果不稳定,并能降低计算量和分析量的难度。在重力/惯性组合导航匹配算法中引用中心微分Kalman滤波,并与扩展Kalman滤波比较,结果表明,中心微分Kalman滤波避免了雅可比矩阵的计算,并且可以获得更小的线性化误差。     

感应同步器测角误差的自动化检测与补偿

针对感应同步器测角系统,提出了一种自动检测测角误差、辨识误差模型系数和补偿误差的方法.该方法由计算机自动采集自准直仪的数据,解决了以往人工记录引起的测量误差,提高了检测数据的准确性.采用最小二乘辨识方法,得到感应同步器测角误差模型的系数.根据误差模型及系数,采用软件进行误差补偿,有效地提高了测角系统的精确度.实验结果表明,该方法自动化程度高、检测数据残差小、误差补偿充分,显著地提高了测角的精确度.     

基于新息加权自适应UPF算法的智能变电站PTP主时钟源校准新方法

为解决传统秒脉冲（pulse per second,PPS）钟差信号的处理未考虑GPS秒脉冲跳变野值及主时钟源晶振温度变化、晶体老化造成的非线性误差影响等问题,首先对智能变电站精确时间协议（precise time protocol,PTP）主时钟与GPS输出的PPS钟差信号进行了数学建模,然后基于新息加权自适应无迹粒子滤波算法对PPS钟差信号进行滤波处理,最后将处理后的钟差信号送入PID控制器,生成晶振频率调整信号,实现PTP主时钟源的校准。无迹粒子滤波（unscented Kalman particle filter,UPF）算法可对主时钟源因老化而产生的频率非线性漂移进行校正,引入新息序列加权技术可对GPS秒脉冲信号中跳变野值进行处理,自适应滤波技术则可减少系统噪声对于滤波结果的影响,增强时钟源校准系统的鲁棒性,从而提高校频精度。经仿真验证表明,与传统钟差信号处理算法相比,所提方法将钟差信号的处理误差减小了55.96%,且在跳变野值处的钟差处理误差减小了76%以上,从而将PTP主时钟源校准系统中频偏量测误差由3.635×10^–10 Hz降低至9.59×10<...     

基于Kalman滤波的锂电池组数据采集系统

针对电池使用环境的复杂多样给信息采集造成众多干扰这一情况,设计了一种基于Kalman滤波的电池组信息采集系统。Kalman滤波是一种最优化递归数据处理方法,具有计算量小、存储量低、实时性高的特点。系统采用电池监测芯片LTC6802采集单体电压值并均衡,PIC18F45K80为主控芯片,运用Kalman滤波对电压、电流、温度信号进行处理后,通过CAN总线进行传输。对系统的整体结构和工作原理进行了介绍,并给出了具体的硬件和软件设计方案。     

基于量测量替换与标准化残差检测的不良数据辨识

针对多不良数据辨识中存在的残差污染和残差淹没问题,提出一种多不良数据辨识方法,在应用P-Q分解法的基础上,首先选取部分量测进行状态估计,接着用剩余量测逐一替换参与估计计算的量测,并根据替换后各量测标准化残差的大小得到可疑数据,其间量测量的替换可以打破发生残差淹没的平衡,使得由于发生残差淹没而导致标准化残差合格的不良数据凸显出来,之后又通过状态估计对可疑数据进行校核,恢复受到残差污染的量测为正常量测,最终将不良数据辨识出来.此外,还给出替换和减少一维量测后计算标准化残差的简化方法,以提高计算速度.最后以某地区220 kV电网为背景进行算例分析,表明该方法的有效性和可行性.     

基于矩阵递推求逆的快速联邦Kalman滤波

在SINS/GPS组合导航系统中大多采用联邦Kalman滤波算法,但联邦Kalman滤波算法存在大量矩阵相乘运算和矩阵求逆运算,从而影响了算法的运行速度.为了解决此问题,在联邦Kalmar滤波算法子滤波器中引用矩阵外积方法对矩阵相乘进行处理,并提出了基于矩阵递推求逆的快速联邦Kalman滤波算法应用于主滤波器中,从而大...     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

基于密度分簇的长周期监测数据异常识别方法

针对水工结构长周期监测数据野值识别中存在分布假设难以满足、野值点数量受限和野值难以有效量化的问题,提出了以改进局部异常系数算法为基础的密度分簇局部异常识别方法。该方法将长周期监测数据集分为极端簇、野值簇和正常簇,在每个簇中以不同方式赋予异常可能性,得到了综合考虑自变量和效应量的异常可能性时序图,实现了水工结构长周期监测数据野值识别与量化分析。核心算法预先不使用任何分布假设,改进了局部异常系数算法可达距离的定义,扩大了高异常系数与低异常系数的差值,使得野值与其他数据点更易区分。依托实际调水工程长周期监测数据,考虑实测数据集中野值数量和位置均未知的情况,根据异常可能性计算可信程度作为回归分析模型的权重,模型预测结果与未加权重的模型相比得到了较大提高,验证了所提出方法的有效性。     

基于滑动标准差计算的光伏阵列异常数据清洗办法

光伏阵列运行数据中存在大量异常数据,这些异常数据会对光伏阵列性能分析、建模、故障诊断的实现带来困难。为了有效剔除光伏阵列运行数据中的异常数据,提出了一种基于滑动标准差的光伏阵列异常数据清洗方法。分析了阵列异常数据的来源及分布特性,给出了光伏阵列滑动标准差的计算方法。该方法以滑动标准差的曲线上翘作为异常数据的判断依据。最后通过实例分析以及其他方法对比,说明该算法可以有效降低由于异常数据集中分布带来的异常数据清洗困难。     

基于非参数回归分析的工业负荷异常值识别与修正方法

工业负荷数据记录了用户的用电模式以及电量需求水平等重要信息,但是会因为干扰而导致记录数据中掺杂有异常值。针对上述问题,文中提出了利用非参数回归理论对工业用户负荷异常值展开辨析和更正。首先,考虑负荷数据时序相关特性,采用统计模糊矩阵分类法,对工业用户负荷进行用电模式分类,将负荷数据分为基础用电模式数据集和特殊用电模式数据集。然后,利用基础用电模式数据集,考虑各时刻的负荷数值分布情况,通过非参数回归分析方法提取中心负荷向量,进而构造异常数据域,对负荷异常值进行识别。最后,在常规加权均值法的基础上,引入负荷水平映射关系,完成对负荷异常值的修正。算例采用实际工业负荷数据进行测试,结果表明了所提方法的准确性。     

基于集合论估计的电网状态辨识 (四)离群点识别

首先从相容性的角度,对离群点的性质进行分析,提出不相容离群点和相容离群点的概念,并指出可能的离群点集合应包含不相容离群点和相容离群点两类离群点。进一步,提出状态辨识中离群点识别的两步法,即先识别出所有可能的不相容离群点集合,而后对可能的相容离群点进行筛分。对于不相容离群点,结合电力系统多层多级的网架结构,提出分层分级的不相容离群点搜索算法,使得搜索过程局部化,从而减小搜索空间,提高搜索效率。对于相容离群点,提出基于灵敏度的识别方法,可有效识别对解集影响最大的相容离群点,避免搜索起作用测点带来的组合爆炸问题。     

Outlier accommodation in moving-horizon state estimation: A risk-averse performance-specified approach

This paper presents a novel state estimation approach for linear dynamic systems when measurements are corrupted by outliers. Since outliers can degrade the performance of state estimation, outlier accommodation is critical. The standard approach combines outlier detection utilizing Neyman-Pearson (NP) type tests with a Kalman filter (KF). This approach ignores all residuals greater than a designer-specified threshold. When measurements with outliers are used (ie, missed detections), both the state estimate and the error covariance matrix become corrupted. This corrupted state and covariance estimate are then the basis for all subsequent outlier decisions. When valid measurements are rejected (ie, false alarms), potentially using the corrupted state estimate and error covariance, measurement information is lost. Either using invalid information or discarding too much valid information can result in divergence of the KF. An alternative approach is moving-horizon (MH) state estimation, which maintains all recent measurement data within a moving window with a time horizon of length L. In MH approaches, the number of measurements available for state estimation is affected by both the number of measurements per time step and the number of time steps L over which measurements are retained. Risk-averse performance-specified (RAPS) state estimation works within an optimization setting to choose a set of measurements that achieves a performance specification with minimum risk of outlier inclusion. This paper derives and formulates the MH-RAPS solution for outlier accommodation. The paper also presents implementation results. The MH-RAPS application uses Global Navigation Satellite Systems measurements to estimate the state of a moving platform using a position, velocity, and acceleration model. In this application, MH-RAPS performance is compared with MH-NP state estimation.     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键。为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法。该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选择异常值的策略,解决了人工选择时存在主观因素影响的问题。通过与DBSCAN和LOF的比较表明,该方法能够快速、高效地找出电力数据中的异常值,适用于边缘电力数据异常检测。     

页岩颗粒在回转干馏炉内停留时间的正态性分析

搭建同转干馏炉冷态实验装置,并通过试验得出了不同回转炉转速、倾角、出料口直径等操作与结构参数下页岩示踪粒子停留时间,采用Shapiro-Wilk正态性检验方法对停留时间样本进行检验,并进行正态样本离群值判断与处理.结果表明,停留时间总体分布在检出水平β=0.05 下不拒绝正态性,对停留时间样本进行离群值分析能有效的剔除岐离值,使停留时间样本均值更接近其总体期望;通过不同工况下停留时间概率密度分布可以看出,停留时间总体均值及方差随转速、倾角的增加而减小.     

煤中碳、氢、氮检测水平综合评定方法研究

针对燃料元素快速分析方法（非国标方法）在电力系统广泛应用的情况,利用稳健统计（ROBUST）法,对全国22家省级电力用煤检测中心采用非国标方法之一的高温燃烧红外热导法测定煤中碳（C）、氢（H）、氮（N）等特性指标进行统计,计算|z|其值大小,判别检测结果离群值,并采用标准比较法评判离群结果是否合格,科学客观评估各实验室对C、H、N的检测能力;同时,分析各相关指标可疑值和离群值产生的原因,提出了控制燃料实验室质量检测水平的技术改进措施,以使高温燃烧红外热导法测定煤中C、H、N含量的准确度得到保证。     

基于空间密度聚类和异常数据域的负荷异常值识别方法

针对海量电力负荷数据,提出一种基于空间密度聚类和异常数据域的负荷异常值识别方法.首先,基于空间密度聚类方法将负荷曲线按照正常和异常用电模式进行分类,并对正常用电模式中的负荷曲线进行负荷水平分类.然后,在不同负荷水平下,利用负荷期望值的置信区间和负荷样本与样本均值之间偏差的四分位差,构建异常数据域.考虑非典型用电行为的偶然性,引入用电时刻偏移量,对形成的异常数据域进行修正,并构建面向异常用电模式的异常数据域.在算例中,采用居民和工业用户的负荷数据集对所提方法进行检验,相比于传统方法,文中所提方法的识别精确率平均提高了10％以上,综合评价指标平均提高了4％以上.