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。     

基于谐波源特征提取的电力系统动态谐波状态估计自适应方法

通用的动态谐波状态估计卡尔曼滤波模型因状态转移矩阵为单位阵导致预测功能丧失,且测量噪声参数假设为常数,导致模型抗噪性能差。为提高谐波状态估计精度,提出了一种基于谐波源特征提取的动态谐波状态估计模型,该模型通过小波滤波得到谐波源波动的特征分量,将慢波动分量用于计算状态转移矩阵,将快波动分量用于计算系统噪声协方差矩阵。为适应谐波测量设备在线应用时的变化噪声环境,提出了一种自适应卡尔曼滤波算法。通过协方差匹配法判断测量噪声是否变化,当判断测量噪声发生变化时,采用时变噪声估值器估计测量噪声协方差矩阵。在IEEE 13和IEEE 69节点系统进行了仿真,表明所提出的方法与传统卡尔曼滤波方法相比,提高了在变化噪声环境下的状态估计的精度。     

考虑量测相关性的容积卡尔曼滤波动态状态估计

针对电力系统动态状态估计中SCADA量测量间存在相关性的实际情况,文中提出了一种考虑量测相关性的容积卡尔曼滤波动态状态估计方法。首先进行了SCADA量测相关性分析,然后基于状态转移方程推导过程噪声协方差矩阵,基于容积变换方法计算考虑SCADA量测相关性的量测误差协方差矩阵,并提出了考虑量测相关性的电力系统动态状态估计流程,每次估计实时修正量测误差协方差矩阵及过程噪声协方差矩阵。IEEE-39节点系统的仿真结果表明,相较于不考虑量测相关性的容积卡尔曼滤波算法,文中方法能够明显提高状态估计结果的精度。     

基于自适应容积卡尔曼滤波的动态谐波检测

对电网中的谐波进行实时、准确的检测是有效治理谐波的前提。针对某些运行工况下电网中出现的动态谐波,提出了一种基于自适应容积卡尔曼滤波的动态谐波检测算法估计谐波信号的幅值和相角。首先针对传统卡尔曼滤波处理非线性关系上的局限性,利用容积卡尔曼滤波不需要任何线性化关系的特性估计谐波的状态向量和误差偏差矩阵,然后引入噪声估值遗忘因子来实时更新系统的噪声矩阵方程。最后通过对比实验,验证了该算法在动态谐波检测上的优越性能,并将其应用于有源滤波器的谐波检测中。     

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。     

基于最大后验估计的谐波源定位

在建立电网的谐波量测方程后,通过参数辨识算法估计节点谐波电流以定位谐波源,但受量测装置数和量测噪声的制约,传统参数辨识算法定位效果欠佳。本文提出一种基于最大后验估计的参数辨识算法来估计谐波电流。首先在确保量测方程能观性的前提下减少量测装置的数量,其次根据量测方程的线性关系与谐波源稀疏分布的先验知识建立谐波电流的后验概率密度函数,最后采用最大期望估计算法最大化该后验概率密度函数从而辨识谐波电流。采用Matlab软件仿真了含谐波源的IEEE33节点的系统,分析了谐波源数、量测装置数、量测噪声对算法准确度的影响,验证了本文方法的准确性和鲁棒性。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于自适应卡尔曼滤波残差分析的谐波检测

针对卡尔曼滤波在电力系统谐波检测精度不高的问题,提出了基于最大似然卡尔曼滤波残差分析的谐波检测方法。最大似然卡尔曼滤波通过使用最大似然自适应地优化误差协方差矩阵和初始条件参数,实现对谐波扰动幅值的预估与校正,克服了传统卡尔曼滤波精度不高和易发散的问题。同时,利用估计残差的奇异性可检测谐波干扰的起止点。仿真结果表明,该方法能准确检测出动静态谐波信号的幅值,其估计残差可以快速准确地识别出谐波干扰出现的起止时刻。     

基于αβ变换和自适应卡尔曼滤波的任意次谐波电流检测

为了实时准确地检测实际电力系统的谐波电流信号,提出了一种基于αβ变换和自适应卡尔曼滤波的任意次谐波电流检测方法.该方法首先对三相电流信号进行归一化处理,然后通过αβ变换将含有谐波和噪声的三相不对称电流信号分解为两个互相垂直的αβ分量,建立含有基波和谐波正负序分量的卡尔曼滤波状态方程,通过改变状态方程的参数可以实现任意指定次谐波的检测.最后利用卡尔曼滤波算法快速准确地检测三相不平衡电流信号的基波分量和任意次谐波分量.通过自适应修正系统噪声方差阵Q,降低模型误差并有效抑制滤波发散现象.MATLAB仿真结果证明了该方法的有效性.     

基于量测数据相关性的电力系统不良数据检测和辨识新方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。文章分析了量测数据协方差矩阵中的元素值在量测数据中含有白噪声、突变量和不良数据时的变化规律,提出了通过量测数据协方差矩阵中元素的变化规律检测和辨识不良数据的新方法,在IEEE14节点系统上的仿真试验验证了该方法的正确性。     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。     

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...     

基于在线参数辨识和ASR-UKF的锂离子电容SOC估计

以一种新型混合型超级电容器——锂离子电容为研究对象,针对其在混合动力机车应用中的SOC估计问题,建立锂离子电容的二阶等效电路模型,采用带遗忘因子的递推最小二乘法(FFRLS)和自适应平方根无迹卡尔曼滤波算法(ASR-UKF)交叉联合的方法对锂离子超级电容的荷电状态(SOC)进行估算.FFRLS可以对动态变化的模型参数进...     

基于WLS-KF的UWB室内定位滤波算法研究

针对室内超宽带(UWB)定位过程中受到非视距误差(NLOS)干扰而导致定位精度下降的问题,提出了基于抗差估计原理的自适应卡尔曼滤波方法,结合加权最小二乘法对测距信息解算得到定位坐标。在通视环境下进行测距,利用测得的数据计算新息向量和协方差,并基于此构建阈值信息,对NLOS环境产生的量测异常值进行判别,在此基础上利用Sage-Husa滤波对系统噪声协方差进行估计。采用加权最小二乘法对测距信息进行处理,得到标签解算坐标的最优估计。通过MATLAB仿真验证算法的可行性和有效性并在室内环境下进行测距、定位试验验证。仿真和实验结果表明,基于抗差估计原理的自适应卡尔曼滤波方法,结合加权最小二乘法能有效识别NLOS误差,且对定位过程中发生的状态突变能有效进行跟踪,解算得到的标签坐标x方向误差1 cm左右,y方向误差2 cm左右,提高了UWB室内定位的精度。     

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。     

Optimal and self‐tuning fusion Kalman filters for discrete‐time stochastic singular systems

Based on the optimal fusion estimation algorithm weighted by scalars in the linear minimum variance sense, a distributed optimal fusion Kalman filter weighted by scalars is presented for discrete‐time stochastic singular systems with multiple sensors and correlated noises. A cross‐covariance matrix of filtering errors between any two sensors is derived. When the noise statistical information is unknown, a distributed identification approach is presented based on correlation functions and the weighted average method. Further, a distributed self‐tuning fusion filter is given, which includes two stage fusions where the first‐stage fusion is used to identify the noise covariance and the second‐stage fusion is used to obtain the fusion state filter. A simulation verifies the effectiveness of the proposed algorithm. Copyright © 2008 John Wiley & Sons, Ltd.     

基于长短期记忆网络的UKF动态谐波状态估计

传统动态谐波状态估计的卡尔曼滤波预测步通常以单位阵构建状态空间模型,同时将系统噪声协方差矩阵假设为常数阵,从而导致动态估计预测精度降低,影响动态状态估计模型的滤波性能。为了准确建立谐波状态的空间模型,提出一种基于长短期记忆网络(Long Short-Term Memory, LSTM)的时序预测方法。通过大量历史数据离线训练模拟复杂的状态转移过程,基于历史时刻的滤波估计值预测当前时刻的谐波状态量,有效提高无迹卡尔曼滤波(Unscented Kalman Filter, UKF)中预测模型精度。在改进IEEE34节点三相不平衡系统上进行了测试分析。与传统算法进行对比,结果证明所提出的方法在谐波状态估计精度和鲁棒性方面均表现更好。     

基于Sigma点卡尔曼滤波器的电力频率跟踪新算法

通过变换,首先将三相电压信号转换成一复电压信号,再利用一种复数型Sigma点卡尔曼滤波(CSPKF)算法以改进对发生谐波畸变和随机噪声干扰的电力系统电压信号的频率进行动态估计和跟踪的过程。理论证明,CSPKF算法与现有的复数型扩展卡尔曼滤波(ECKF)算法相比具有更佳的跟踪精度和稳定性。此外,CSPKF算法还成功解决了所有卡尔曼滤波算法都必须面对的当算法收敛后,系统参数发生突变的情况下需要重置误差协方差矩阵来重新跟踪这些变化的问题,进一步提高了其跟踪速度。对几种暂态电力信号模型的算法仿真表明,CSPKF算法具有优异的动态跟踪性能,迅速跟踪频率和幅值变化的同时又保持了较低的跟踪误差。