基于粒子滤波的永磁直线同步电机状态估计技术

蒙特卡罗粒子滤波在许多非线性非高斯问题中取得了成功的应用.针对永磁直线同步电机(PMLSM)的特点,将蒙特卡罗粒子滤波算法引入到PMLSM无传感器速度和位置估计中.用易于检测的电机端电压和端电流作为输入信号,采用粒子滤波算法实时地估计PMLSM的速度和磁极位置,得到矢量控制系统速度反馈信号和矢量变换角度.仿真结果表明,估计算法既具有较高的估计精度又具有相对少的计算量,可以满足PMLSM伺服系统无传感器控制需要.     

基于容积粒子滤波的配电网动态状态估计

配电网中分布式电源的渗透率逐渐升高,为确保配电网安全稳定的运行,需要对配电网运行状态进行准确的感知。针对容积卡尔曼滤波(Cubature Kalman Filter, CKF)算法对强非线性非高斯系统滤波精度有限、标准粒子滤波(Particle Filter, PF)选取重要性密度函数不准确的问题,提出了基于容积粒子滤波(Cubature Particle Filter, CPF)的配电网动态状态估计模型：利用CKF算法设计PF的重要性密度函数。既克服了CKF算法要求噪声为高斯分布的限制又保留了PF算法的强抗干扰能力。仿真结果表明,在高斯噪声和非高斯噪声下,CPF算法比CKF算法滤波精度更高、更灵活。     

基于改进粒子滤波的综合能源系统预测辅助状态估计

高效准确的状态估计是综合能源系统安全稳定的基础。粒子滤波具有精度高且对于非线性系统适应性更强的优点,已应用于电力系统的状态估计。为了提高综合能源系统的状态估计精度,研究粒子滤波在综合能源系统中的应用,提出了一种基于改进粒子滤波的综合能源系统预测辅助状态估计方法。首先,本文构建了包含电-气-热网络的区域综合能源系统模型;其次,将粒子滤波算法拓展到电-气-热网络,在详细分析粒子滤波相关理论的基础上,针对粒子滤波算法存在的跟踪误差问题对粒子滤波的预测步进行改进;最后,利用经典的综合能源系统算例对文中提出的改进粒子滤波算法进行验证。结果证明该方法能够有效解决传统粒子滤波算法的跟踪误差问题,提高系统的估计精度。     

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。     

基于粒子滤波前馈补偿的电机伺服系统控制

针对电机轨迹跟踪过程的非线性非高斯噪声，提出采用基于粒子滤波的前馈控制器。同时对电机伺服系统提出一种二自由度控制结构，基于闭环系统的鲁棒最优性能指标，设计给定值状态目标跟踪控制器，根据系统稳态运行时的抗扰动要求，在过程输入和控制对象输入之间设计前馈控制器、在对象输入和输出端之间设计负载干扰抑制闭环，利用粒子滤波的方法消除非高斯噪声对控制系统的干扰。仿真实例验证了该控制系统的可行性和优越性，可以有效提高电机轨迹跟踪精度。     

基于改进粒子滤波和平均代价的故障诊断方法研究

为了提高非线性非高斯系统故障诊断的准确性,基于改进粒子滤波方法对系统状态进行估计,将系统状态估计值和实际值之差的绝对值作为残差,当残差平滑值大于阈值时诊断故障发生,使用故障误报率和漏报率构成的平均代价作为诊断效果评价指标。对水位/温度控制系统和一维非线性单变量模型进行仿真,由系统状态方程或观测方程参数跳变模拟故障发生,结果表明,3种算法能诊断出故障的发生,改进粒子滤波算法UPF的故障诊断平均代价小于SIR和UKF,诊断效果优于后两种算法,提高了故障诊断的可靠性。     

高斯过程改进的鲁棒容积卡尔曼滤波及其组合导航应用

基于GNSS/INS的导航状态估计受状态可观测度影响较大,为提高陆地载体航向角的估计精度,提出了一种改进鲁棒容积卡尔曼滤波(RCKF)方法.首先采用免重采样采样点更新框架实现容积点更新与高斯矩信息的解耦,提高采样点实例化信息在迭代滤波中的传播效率.其次基于状态可观测度分析,将高斯过程(GP)引人到系统模型矩估计积分不确定性的标定中,改善移动载体直线行驶条件下航向的估计精度.仿真实验表明,所提GP-RCKF算法能在状态可观测度较弱时显著改善航向角估计精度,航向角误差较RCKF改善28.9％.     

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...     

简化分数阶AEPF的锂电池SOC估计算法

电池极化效应、随机干扰以及电池在整个寿命周期内高度非线性和动态特性,给电池荷电状态(SOC)在线精确估计带来了许多挑战。等效模型的精确表达与估计算法的优化设计是提高SOC估计精度的两大重要技术路线。对此,提出了基于分数阶模型自适应扩展卡尔曼粒子滤波(FOAEPF)的SOC估计方法。对分数阶模型(FOM)的二项式系数的求和项进行了适当的截断,从而得到了能够有效降低计算量的简化分数阶模型。然后运用AEPF算法估计电池的SOC。自适应扩展卡尔曼滤波被用作粒子滤波算法的建议分布函数,不但解决了粒子滤波算法的粒子退化问题,而且能够充分结合两类算法的优势实现二次滤波。多组实验的测试结果表明所提出的方法在削减计算负担的基础上,能够进一步提高电池SOC估计精度与鲁棒性。     

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。