基于多时间尺度的电-气-热耦合网络动态状态估计

目前能源网络状态估计的研究一般仅对单一系统或双系统。针对多种能源网络联系日益紧密的情况,研究了电-气-热耦合网络中不同子网络间的耦合关系和交互作用,并根据不同网络之间动态特性的差别,提出了基于多时间尺度的电-气-热耦合网络顺序状态估计(state estimation,SE)方法。同时以无迹卡尔曼滤波算法为基础,考虑到不同子网络间的耦合约束,构建了适应多情景的状态估计全局一致算法,保证了耦合网络状态估计结果满足边界耦合约束。仿真算例验证了所提方法的正确性和有效性,其结果对构建面向综合能源系统的新一代能量管理系统提供了数据支撑。     

基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计

伴随着中国国家能源革命战略与电力体制改革的发展,综合能源系统作为综合各能源属性的新型能源发展形态逐步兴起,最大限度提升了能源利用效率.然而,综合能源系统存在量测数据冗余度低、量测设备的量测误差较大以及电网与气网量测设备的数据采集单位时间标尺不统一的问题,对电-气耦合的综合能源系统状态估计问题提出严峻挑战.考虑到数据驱动方法具有高度的可移植性与对不同信息提炼归纳的能力,建立了一种基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计模型.采用贝叶斯学习获取量测量的概率统计特征,利用蒙特卡洛采样生成完备量测数据,通过电-气耦合综合能源系统潮流检验所生成数据的合理性,从而得到长短期记忆深度学习网络的训练样本集合.采用均方根误差的评判标准对长短期记忆深度学习网络进行训练,有效提升了电-气耦合综合能源系统状态估计的精度.与经典模型驱动的状态估计方法比较,算例仿真验证了所提数据驱动状态估计方法的有效性与鲁棒性.     

基于 STPF 的 SOC 估计及在多锂电池均衡中的应用

提出一种能跟踪突变状态的锂电池荷电状态(SOC)估计方法,并应用于多锂电池组的SOC均衡中。在粒子滤波算法中引入强跟踪滤波,将当前的采样结果融入到预测误差更新中,得到新的校正项,然后利用该校正项对粒子滤波算法的粒子集进行校正,从而使粒子快速推向高似然区域,抑制粒子退化;渐消因子的引入能实时调整误差协方差矩阵,使粒子滤波算法兼具强跟踪滤波的强鲁棒性和对突变状态的跟踪能力,有效克服模型的不确定性,进一步提高SOC的估计精度。将所提方法应用于多电池主动均衡中,提出一种基于SOC一致性的均衡策略,率先均衡容量差距较大的相邻电池组,再控制能量实时双向传递,提高了整体均衡速度。实验结果表明,改进算法的平均估计误差在0.13%以内,标准差为0.12%;相比传统的粒子滤波算法、扩展卡尔曼滤波算法和强跟踪算法,精度分别提升约64%、85%和75%,并且稳定性也得到了进一步加强。在多电池主动均衡中的应用表明,有效减小了电池组容量在充放电过程中的不一致性,电池组离散度被控制在1%以内,有利于提高电池容量的利用率与使用寿命。     

面向区域综合能源系统的电-气负荷联合预测研究

能源互联网中电力系统与天然气系统的依赖增强,给综合能源系统中电力系统与天然气系统的负荷预测带来了更高的挑战。文中提出了基于长短记忆网络与权值共享的电-气联合负荷预测方法。文中在预测模型中使用了相关系数对天气因素进行了分析,提取了对两种负荷的重要气象因素,将长短记忆网络作为主要预测算法,权值共享模式分析了电-气两种负荷之间的相关性。算例中使用云南省综合能源系统示范工程数据对算法有效性进行了验证,结果显示该算法有效提高了综合能源系统中电力与天然气负荷预测的精度,有着较高的应用价值。     

改进布谷鸟算法优化粒子滤波的多目标跟踪方法

标准粒子滤波器的重采样会造成粒子贫化,影响跟踪系统的精度。为克服这一缺陷,提出了一种改进布谷鸟搜索算法优化粒子滤波的多目标跟踪方法。将粒子作为布谷鸟宿主鸟巢,模拟布谷鸟寻找宿主鸟巢位置的行为,通过全局搜索和局部搜索两个阶段使粒子向高似然区域移动。同时,改进布谷鸟搜索算法的寻优机制,提出动态搜索步长和强化局部搜索的方法,加强了算法的全局搜索的收敛速度。此外,改进算法结合了联合概率数据关联,用于解决多机动目标跟踪问题。本文设置了一维环境和二维环境两组实验,对比优化后的粒子滤波算法与标准粒子滤波算法的目标跟踪性能。实验结果表明,本文提出的算法不仅全局收敛速度更快,而且提高了多机动目标跟踪的精度;与标准布谷鸟搜索优化粒子滤波算法相比,全局收敛迭代速度提高了28.5%;与粒子滤波联合概率数据关联和粒子群优化粒子滤波联合概率数据关联算法相比,估计精度分别提高了24.7%和11.81%。     

基于径向基函数神经网络的综合能源系统多元负荷短期预测

准确的能源负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。提出一种基于径向基函数神经网络（radial basis function neural network,RBF-NN）模型的综合能源系统电、气、热多元负荷短期预测方法。首先利用Copula理论对电、气、热负荷进行相关性分析,建立了电、气、热负荷和温度的时间序列;接着设计RBF-NN网络模型结构,采用K-means聚类算法对隐含层节点进行优化;最后通过国内某园区综合能源系统的实际数据对模型进行验证。通过3个案例结果的比较,验证了文中提出的方法可以有效地考虑电、气、热负荷之间的耦合关系,具有较高的预测精度。     

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题，分析并建立了二阶RC网络等效电路模型，进行了离线参数辨识，并验证了辨识结果的准确性。以该模型为基础，运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计，以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识，两者互为输入输出，实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明：相比原有单一滤波算法，UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%，均方根误差(RMSE)低至0.009 9，提高了SOC的预测估计结果精度，从而提升了能源消耗预判能力和电池使用效率。     

基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测方法

负荷预测是综合能源系统（integrated energy system, IES）能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer网络和多任务学习结构的基本原理进行了介绍;然后通过基于随机森林的特征选择步骤提取反映负荷特性和变化规律的典型指标,构建多任务学习输入特征,基于Transformer网络构建多任务学习权值共享层,并通过全连接层输出多能负荷的预测值;最后通过实际园区微能源系统的数据验证所提方法和算法的有效性,结果表明本文所提模型可以充分学习电-热耦合特征,提高负荷预测的精度。     

计及多能流运行时序性的电-气互联系统协同状态估计

电-气互联综合能源系统可灵活实现多区域能源交互,但其多能流子系统存在的信息交互壁垒、量测延迟等时序不统一因素会给系统精准监测与调度带来不利影响。针对多能流子系统不同的运行时间尺度,构建计及统一时间尺度的顺序协同估计框架,并考虑多源量测设备采样周期的延迟问题,将量测时延融合思想引入估计框架中以矫正多源量测数据的时序不同步。提出基于改进卡尔曼滤波的综合能源系统实时估计算法,通过引入基于改进交替投影的对称正定理论,避免实时估计过程中因误差传播出现非正定导致的估计失败问题。仿真结果与对比分析验证了所提协同状态估计策略能够有效实现对电-气互联综合能源系统的在线精准监控,且估计结果具备更强的数值稳定性。     

基于无迹粒子滤波的车载锂离子电池状态估计

传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。     

基于粒子群优化粒子滤波算法的 SOC 估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

复杂环境下探测器高精度自主导航算法研究

为提高探测器在复杂深空环境中自主导航精度,提出基于二阶中心差分法和PCA模型改进的粒子滤波算法。首先通过二阶中心差分滤波方法获取最优的重要性密度函数,采用对称比例的采样算法从中进行样本点采样;然后通过引入主成分分析法对采集的样本集进行预处理,引入比例缩放因子,对粒子集合进行粒子重采样。通过仿真实验,此方法能够在很大程度上改进粒子滤波算法中出现的粒子退化的问题,使跟踪系统平均误差达到0.429,提高算法的跟踪精度和稳定性,实现探测器复杂环境下高精度自主导航。     

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。     

基于免疫离散粒子群算法的主动配电网PMU测量位置优化

主动配电网的状态估计是配电管理系统必不可少的组成要素,其估计结果的准确性受量测位置的影响较大。为了提高系统状态估计的精度,优化实时数据库,本文结合一种基于并行置信传播算法的状态估计方法,建立了以主动配电网状态估计误差最小为目标的PMU量测位置优化模型,同时提出了利用优化粒子初始位置的改进免疫离散粒子群算法进行模型求解。最后通过算例仿真,得到了量测装置的优化配置方案,且在该方案下,状态估计的精度明显提高。     

基于容积粒子滤波的配电网状态估计

高精度的状态估计是配电网安全稳定运行的基础。粒子滤波(Particle Filter,PF)选取重要性密度函数不准确以及卡尔曼框架下滤波方法对非线性系统滤波精度有限的问题,把容积粒子滤波(Cubature Particle Filter,CPF)引入配电网状态估计中。鉴于容积卡尔曼滤波(Cubature Kalman Filter,CKF)在状态更新阶段融入了最新量测,因此在粒子滤波框架下,利用CKF算法设计PF的重要性密度函数,采样获得的带权值粒子更加逼近真实后验分布,提高了状态估计精度。在三相不平衡配电网中进行仿真分析,结果表明,CPF算法比UKF滤波精度高。     

基于LQEKF的机载光电平台的模型预测控制

为了提高机载光电平台对目标稳定跟踪控制性能，提出一种基于线性二次增强卡尔曼滤波器的机载光电平台模型预测控制算法。建立机载光电平台的动力学模型，在卡尔曼滤波状态估计的基础上，引入线性二次调节器增益减小估计状态的相位延迟，使状态估计值更为精确，利用估计的状态设计模型预测控制器，减小目标跟踪误差。跟踪目标仿真实验结果与卡尔曼滤波状态估计结果最大误差减小了58.14%，与扩展卡尔曼滤波状态估计最大误差减小了52.62%，表明本算法能够有效提高机载光电平台对目标的跟踪控制性能，实现了机载光电平台对目标的稳定跟踪控制。     

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。     

基于卡尔曼滤波的高精度弹道滤波算法研究

在弹道轨迹估计中,卡尔曼滤波算法是一种普遍使用的算法,常规卡尔曼滤波算法适用于线性离散系统.对于非线性离散系统模型,为了提高滤波的精度,减小系统模型误差以及未知的量测噪声和过程噪声统计特性对滤波精度的影响,提出了一种带有噪声统计估计器的拟线性最优平滑滤波算法.将该算法应用到弹道系统模型中,对弹道轨迹进行滤波估计.通过计算机建模仿真改进的算法和传统的拟线性最优平滑滤波算法,得到的实验结果表明,改进后的算法可以减小由于系统模型不精确带来的误差,很大程度上提高了弹道轨迹滤波估计的精度.