基于无迹变换强跟踪滤波的发电机动态状态估计

由于同步相量测量单元(phasor measurement unit,PMU)测得数据中存在误差和噪声,无法直接作为调度和控制的参考数据。提出一种基于无迹变换强跟踪滤波(unscented transformation strong tracking filter,UTSTF)的发电机动态状态估计。该方法利用对称采样策略进行sigma点采样,通过引入渐消因子来修正预测协方差矩阵,在线调整增益矩阵,滤波得到动态过程中发电机状态变量的估计值。算例结果表明,UTSTF无论在跟踪速度、精度以及对噪声的鲁棒性能上较无迹卡尔曼滤波和强跟踪滤波均有所提高。     

基于参数跟踪的感应电机转速与磁链强跟踪滤波估计方法

针对感应电机高性能矢量控制中的转速与磁链估计问题,提出了一种包含参数跟踪的转速与磁链联合估计强跟踪滤波(STF)方法.考虑电机参数变化及模型不确定性,采用粒子群迭代学习动态优化算法实现对感应电机参数的在线跟踪,修正的STF算法用于实现对感应电机转速与转子磁链的联合估计.仿真结果表明,包含参数跟踪的STF算法能够有效实现...     

基于强跟踪延迟滤波算法的互馈双电机联合状态估计

通过分析交流传动互馈实验系统的工作特点,采用联合控制策略实现互馈双电机的高性能控制。为避免传感器安装带来的问题,提出一种新型的联合状态估计方法实现双电机转速、转矩和磁链的同时估计。在感应电机降阶模型的基础上引入运动和转矩方程,得到输出方程为一阶状态延迟的四阶模型。在强跟踪滤波算法和延迟扩展卡尔曼滤波算法的基础上,提出适用于上述模型的强跟踪延迟滤波算法,从而建立互馈双电机联合状态估计算法。通过各种工况下的交流传动实验对其进行验证,实验结果表明,该方法能有效估计互馈系统在各种工况下运行时的电机状态,同时在极低速和零速时具有理想的估计精度和跟踪速度,且计算复杂度适中,适用于互馈系统电机状态的在线联合估计。     

基于强跟踪滤波算法的异步电机参数自适应无速度传感器控制

在异步电机四阶模型的基础上增加机械和转矩方程,并引入负载转矩和转子电阻为状态变量,得到七阶非线性模型.利用强跟踪滤波(STF)算法实现电机状态和转子电阻的同时估计,通过仿真比较了STF和扩展Kalman滤波(EKF)算法的估计性能.结果表明,STF算法能有效估计电机状态及辨识转子电阻,并且具有比EKF算法更理想的估计性能,同时能满足极低速和零速下的估计要求,从而在电机的整个工作范围内实现转子电阻自适应的状态估计.     

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.     

卫星时滞系统的强跟踪鲁棒扩展Kalman滤波

针对具有状态时滞和未知不确定性的卫星姿态控制系统,提出一种强跟踪鲁棒扩展Kalman滤波器,以实现执行器和传感器的并发故障估计。首先,考虑系统噪声,视故障为系统的辅助变量,建立增广时滞非线性系统。然后,提出鲁棒扩展Kalman滤波器,引入鲁棒上界以减少线性化误差。进一步,针对系统过程不确定性导致预测协方差精度较低的问题,引入基于多重次优渐消因子的强跟踪算法,以降低不确定性对滤波精度的影响。最后,给出仿真算例,将所提出方法与鲁棒扩展Kalman算法和扩展Kalman算法进行对比仿真。仿真结果表明,相较于其他两种算法,所提出方法的状态估计和故障估计均方根误差的平均值分别降低了69.2%、60.6%和88.1%、78.9%,仿真结果验证了设计方案的有效性。     

一种摄动粒子滤波故障检测方法

粒子滤波算法在故障检测应用中面临的两个难题是退化问题和难以跟踪突变状态。针对上述问题,将随机摄动再采样方法和强跟踪滤波算法引入粒子滤波,提出了一种摄动粒子滤波故障检测方法,旨在于解决粒子滤波的退化问题并提高算法对突变状态的跟踪能力,从而提高故障检测方法对故障的检测准确度。通过强跟踪滤波更新粒子,来提高算法跟踪突变状态的能力;当出现退化现象时,采用随机摄动再采样方法,对粒子集中的最优粒子迭加一个随机摄动量,用摄动粒子替换粒子集中的退化粒子,解决退化问题。仿真结果显示该算法能及时、准确地检测系统故障。     

基于小波变换和强跟踪滤波器的配电网短路故障定位

针对配电线路故障测距受过渡电阻的影响问题,提出强跟踪滤波器的方法实现配电网相间短路故障测距。利用小波分析对配电线路首端故障电流和电压进行预处理,消除信号中的高频噪声信号。分析配电网相间短路构成的故障回路,建立关于线路故障电流和短路过渡电阻的微分方程。合理选择状态量和输出量将故障回路的微分方程转化为状态估计方程,利用强跟踪滤波器的状态估计算法实现相间短路的故障测距。通过Matlab仿真表明该算法是有效的,利用小波分析对故障电流和电压进行处理,能提高测距的快速性和准确性。     

基于强跟踪滤波器的输电线路单端故障测距新方法

为快速、准确、可靠地对输电线路故障进行定位,提出了一种基于强跟踪滤波器原理的输电线路单端故障测距方法。将线路故障距离、首端到故障点的线路电阻、故障点处故障电压作为状态变量,利用线路首端故障电流和电压信号为输入输出量,建立系统状态和参数联合估计的数学模型,应用强跟踪滤波器原理对故障距离进行估计,无需解方程即可得到准确的故障距离。大量PSCAD/EMTDC仿真表明,该方法简单、测距精度高,且不受故障类型、过渡电阻、故障起始时刻等不确定因素的影响。     

基于戴维南等值的系统参数跟踪估计

提出了一种在线调控和估计电压稳定裕度的新方法在ｚ－Ｖ空间进行戴维南参数估计,由ｚ－Ｖ空间供应侧特性迭代修正,进行系统等值戴维南参数跟踪。在不同的有效测量数据条件下,该方法能较精确地跟踪系统的等值戴维南参数。与ＳＭＡＲＴ装置比较,该方法具有易于识别不良测量数据,收敛速度、数值稳定性好的特点。     

Modified strong tracking unscented Kalman filter for nonlinear state estimation with process model uncertainty

This paper presents a modified strong tracking unscented Kalman filter (MSTUKF) to address the performance degradation and divergence of the unscented Kalman filter because of process model uncertainty. The MSTUKF adopts the hypothesis testing method to identify process model uncertainty and further introduces a defined suboptimal fading factor into the prediction covariance to decrease the weight of the prior knowledge on filtering solution. The MSTUKF not only corrects the state estimation in the occurrence of process model uncertainty but also avoids the loss of precision for the state estimation in the absence of process model uncertainty. Further, it does not require the cumbersome evaluation of Jacobian matrix involved in the calculation of the suboptimal fading factor. Experimental results and comparison analysis demonstrate the effectiveness of the proposed MSTUKF. Copyright © 2015 John Wiley & Sons, Ltd.     

强跟踪自适应CKF及其在动力定位中应用

针对容积卡尔曼滤波(cubature Kalman filter,CKF)在动力定位系统存在不良测量及船舶运动模型不确定时滤波精确度下降甚至发散的问题,提出一种强跟踪自适应CKF算法。利用新息协方差匹配原理,建立对系统的不良测量具有鲁棒性的自适应CKF。基于强跟踪滤波(strong tracking filter,STF)的理论框架和自适应CKF算法,构建强跟踪自适应CKF,该算法克服了标准强跟踪滤波的理论局限性,兼具STF与自适应CKF的优点,在系统存在模型不确定性及不良测量时具有良好的鲁棒性和滤波精确度。通过仿真验证了所建算法的有效性。     

Exponential convergence of the Kalman filter based parameter estimation algorithm

In this paper we shall present a new method to analyse the convergence property of the Kalman filter based parameter estimation algorithms. This method for convergence analysis is mainly based on some matrix inequalities and is more simple than some of the existing approaches in the literature. This method can simultaneously provide both lower and upper bounds on the exponential convergence rate as the functions of bounds of the related matrices, such as the covariance matrices. A simulation example is provided to illustrate the convergence property of the Kalman filter based algorithms. Copyright © 2003 John Wiley & Sons, Ltd.     

基于Kalman滤波器的车辆检测与跟踪系统的实现

智能交通系统是解决城市交通拥挤最有效的方式,其中交通信息采集设备是交通系统管理的基础与前提,而基于视频图像处理的交通信息检测器较其他类型检测器,具有信息量丰富,安装和维护成本低廉的特点.本文用基于Kalman滤波器的方法实现了交通信息采集设备中的车辆检测与跟踪.它采用了一种自适应背景更新算法,通过分割、二值化、腐蚀膨胀得出前景图像,以包含前景图像的矩形框的中心作为Kalman滤波器的跟踪特征,对运动车辆进行跟踪估计得出车辆的运动轨迹和速度.一系列的视频实验表明,该方法简单可行而且对天气、光照变化、阴影有很强的适应能力.     

基于AIMM SRCKF的机动目标跟踪算法

为了解决交互式多模型(interacting multiple model,IMM)算法在目标机动时模型切换速度迟缓的问题,给出了一种Markov概率转移矩阵在线修正的自适应IMM(adaptive IMM,AIMM)算法,利用IMM子模型中连续两个时刻之间的概率差来调整Markov概率转移矩阵,以提高子模型的切换速度...     

Lp-stability of estimation errors of kalman filter for tracking time-varying parameters

The Kalman filtering algorithm, owing to its optimality in some sense, is widely used in systems and control, signal processing and many other fields. This paper presents a detailed analysis for the L_p-stability of tracking errors when the Kalman filter is used for tracking unknown time-varying parameters. The results of this paper differ from the previous ones in that the regression vector (in a linear regression model) or the output matrix (in state space terminology) is random rather than deterministic. The context is kept general so that, in particular, the time-varying parameter is allowed to be unbounded, and no assumption of stationarity or independence for signals is made.     

基于SR-CKF的移动机器人动态目标跟踪算法

针对移动机器人在未知复杂环境中动态目标跟踪存在的数值不稳定、计算量大和精度较差等问题,提出基于平方根容积卡尔曼滤波的移动机器人动态目标跟踪算法(SR-CKF-SLAM-OT)。该算法的系统状态由地图环境特征、机器人和目标作为一个整体构成。建立目标和机器人的动态模型进行预测、数据关联和更新,在更新过程中直接传递目标状态均值和协方差矩阵的平方根因子,降低了计算的复杂度。此外,通过数据关联环节能够有效的降低伪观测值对系统状态估计的影响。仿真结果表明:相比基于EKF的动态目标跟踪算法,所提出的动态目标跟踪算法目标和机器人均方根误差分别降低了36.3%和38.2%,SR-CKF-SLAM-OT算法有效地满足了移动机器人动态目标跟踪的需求。     

基于自适应强跟踪滤波器的汽车行驶状态软测量

针对汽车底盘控制系统中一些关键汽车行驶状态难以准确直接测量以及测量成本较高的问题,在自适应卡尔曼滤波算法和强跟踪滤波算法的基础上,提出基于自适应强跟踪滤波器的汽车行驶状态估计方法.结合纵向、侧向和横摆3自由度非线性汽车模型,将其应用于汽车行驶状态的软测量之中,并与扩展卡尔曼滤波算法进行比较分析.通过Carsim和Matlab/SIMULINK联合仿真的双移线试验的结果表明,在非线性区域内,自适应强跟踪滤波器能快速、准确跟踪汽车状态.该算法在估计精确度、跟踪速度、抑制噪声等方面均优于扩展卡尔曼滤波算法,满足汽车状态估计器的软件性能要求.     

基于带参数的卡尔曼滤波的河道糙率动态反演研究

河道糙率是洪水水力计算的重要参数,引入控制论理论,应用带参数的卡尔曼滤波法进行河道糙率反演分析。数值计算结果表明状态变化率对带参数的卡尔曼滤波法的滤波性能有较大影响,同时分析了观测断面数量对滤波结果的影响。针对计算量较大的特点,通过敏度矩阵相关性分析,提出了提高计算效率的有效方法。