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。     

基于无迹粒子滤波的配电网状态估计*

配电网状态估计是配电管理系统的重要组成部分。用于状态估计的数据通常存在不同程度的随机噪声干扰,不能直接用于配电网的运行分析,为获得更为精确的配电网状态信息,必须对量测数据进行滤波处理。针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)灵活性差、滤波精度易受参数及滤波初值的制约;标准粒子滤波(Particle Filter,PF)选取重要性密度函数不合理的缺陷,文章将无迹粒子滤波(Unscented Particle Filter,UPF)算法应用于配电网状态估计。该算法将UKF和PF融合,用UKF结合最新的量测信息为PF生成重要性密度函数,将落在先验概率密度区域的粒子转移到高似然区域内,提高了PF的滤波性能。通过IEEE 33节点系统算例分析,结果表明,UPF较UKF和PF具有更好的估计性能,且灵活性强,是一种有效的状态估计方法。     

基于容积卡尔曼滤波的配电网状态估计

针对配电网节点数多、维数高的特点,传统扩展卡尔曼滤波(Extended Kalman Filter,EKF)因线性化程度制约已难以满足配电网状态估计要求。为克服EKF线性化过程引入的误差,以及提升高阶系统估计性能,将不需要对非线性系统函数线性化的容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法引入到配电网状态估计中,并利用三阶球面—径向规则生成容积点来近似系统函数的非线性分布。通过对三相不平衡电网进行算例仿真表明,CKF算法相较于EKF算法不仅具有更高的估计精度,且在算法的数值稳定性与算法效率方面都要优于EKF算法。     

非高斯噪声下基于CKMC-CKF的发电机动态状态估计

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。     

改进自适应ADMCC-HCKF算法及在SINS/CNS/GNSS中的应用

针对传统容积卡尔曼滤波器(CKF)在非高斯噪声下滤波精度下降以及传统最大相关熵(MCC)算法收敛速度较慢的问 题,提出了一种改进的自适应相关熵高阶容积卡尔曼滤波(ADMCC-HCKF)算法。 该方法依据 MCC 迭代过程的误差变化自适 应调整核宽大小,核宽能够改变核参数对输入数据的敏感性,从而提高算法收敛速度及对非高斯噪声的处理能力。 基于非高斯 噪声环境,搭建 SINS / CNS / GNSS 组合导航实验,研究结果表明,改进的 ADMCC-HCKF 算法相比传统 HCKF 和基于常规 MCC 的 HCKF 算法具有更强的鲁棒性,在降噪性能及对非高斯噪声的适应性角度均有所提升的同时,滤波精度较 HCKF 算法提高 了 9. 63%。     

基于自适应容积卡尔曼滤波的主动配电网状态估计

有效的状态估计算法是确保电力系统安全、稳定、经济运行的前提条件。针对传统无迹卡尔滤波(unscented Kalman filter,UKF)参数选取难、灵活性差、高阶系统滤波精度低等缺陷,将数值稳定性较好的容积卡尔曼滤波(cubature Kalman filter,CKF)算法引入到配电网进行动态状态估计,并与改进后的自适应无迹卡尔滤波(Adaptive unscented Kalman filter,AUKF)算法进行对比,仿真分析表明CKF算法较AUKF算法具有较高的滤波精度以及较好的数值稳定性。该算法在系统负荷发生突变时滤波精度有所下降,为此进一步提出了自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)算法以改善状态估计性能。对三相不平衡电网进行算例仿真表明：ACKF算法相比较于CKF算法而言,滤波精度更高、鲁棒性更强。     

基于平方根容积卡尔曼滤波的发电机动态状态估计

发电机动态状态估计是电力系统动态安全分析的重要内容。针对容积卡尔曼滤波(CKF)在迭代中协方差阵不对称或非正定导致的估计精度下降甚至滤波发散问题,利用平方根滤波(SRF)能确保协方差阵非负定和数值稳定性方面的优势,提出基于平方根容积卡尔曼滤波(SRCKF)的发电机动态状态估计方法,并给出了计算步骤。最后,利用仿真系统和实际系统比较了SRCKF、CKF和无迹卡尔曼滤波(UKF)三种算法的估计性能,证明了SRCKF算法能够解决CKF滤波中因协方差阵非正定导致的滤波发散问题;同时SRCKF算法在计算效率、滤波精度和数值稳定性方面均优于CKF和UKF算法。     

基于无迹粒子滤波算法的发电机动态状态估计

同步相量测量单元(PMU)能够直接获取发电机动态过程中的功角等量测数据,由于实际的量测数据中含有随机噪声,为了得到更精确的发电机状态信息,有必要对量测数据进行滤波处理。提出一种基于无迹粒子滤波(UPF)的发电机动态状态估计新方法。首先,该方法基于发电机四阶动态方程建立了发电机动态状态估计模型,其次,在粒子滤波(PF)的框架下,该方法采用无迹卡尔曼滤波(UKF)求解PF的重要性密度函数,且在生成预测粒子的过程中使用了最新的量测信息,使得粒子的分布更加接近真实状态的后验概率分布。最后,通过美国西部系统协调委员会(WSCC)3机9节点系统和某实际电网系统的算例测试,将所提算法与UKF及PF的性能进行了对比。仿真结果表明,UPF在估计精度及对噪声的鲁棒性方面均优于PF与UKF。     

交互式多模型七阶容积卡尔曼滤波算法

为提高非线性机动目标的跟踪精度,提出交互式多模型七阶容积卡尔曼滤波(IMM-7th CKF)算法。采用对非线性系统滤波效果更好的七阶容积卡尔曼滤波(7th CKF)作为交互式多模型(IMM)算法的子滤波器,对各模型状态进行估计,将IMM算法和7th CKF结合起来,提高对非线性机动目标的跟踪效果,最后采用典型机动目标跟踪问题验证IMM-7th CKF的跟踪性能。仿真结果表明,IMM-7th CKF相比交互式多模型容积卡尔曼滤波(IMM-CKF)和交互式多模型五阶容积卡尔曼滤波(IMM-5th CKF)具有更高的滤波精度。     

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。     

Bayesian methods for time‐varying state and parameter estimation in induction machines

This paper addresses the problem of nonlinear time‐varying state and parameter estimation of induction machines (IMs) on the basis of a third‐order electrical model. The objectives of this paper are threefold. The first objective is to propose the use of an improved particle filter (IPF) with better proposal distribution for nonlinear and non‐Gaussian state and parameter estimation. The second objective is to extend the state and parameter estimation techniques (i.e., extended Kalman filter (EKF), unscented Kalman filter (UKF), particle filter (PF), and IPF) to better handle nonlinear and non‐Gaussian processes without a priori state information, by utilizing a time‐varying assumption of statistical parameters. In this case, the state vector to be estimated at any instant is assumed to follow a Gaussian model, where the expectation and the covariance matrix are both random. The third objective is to compare the performances of EKF, UKF, PF, and IPF in estimating the states of the power process model representing the IM (i.e, the rotor speed, the rotor flux, the stator flux, the rotor resistance, and the magnetizing inductance) and their abilities to estimate some of the key system parameters, which are needed to define the IM process model. The results show that the IPF provides a significant improvement over the PF because, unlike the PF, which depends on the choice of sampling distribution used to estimate the posterior distribution, the IPF yields an optimum choice of the sampling distribution, which also accounts for the observed data. This conclusion is also supported by the experimental results. Copyright © 2014 John Wiley & Sons, Ltd.     

Modified multiplicative quaternion cubature Kalman filter for attitude estimation

In this paper, a modified multiplicative quaternion cubature Kalman filter (CKF) for attitude estimation is proposed. For high‐dimensional state estimation, the CKF that uses third‐degree spherical‐radial cubature rule can provide a more accurate estimation than the unscented Kalman filter. However, for the attitude estimation in the case of larger initial conditional errors, the results may be reversed. To take full advantage of the CKF, the Lagrange cost function method is introduced to solve the quaternion weighted mean, then, the mean is used as the reference quaternion for the measurement update in the CKF framework. The choice of the reference quaternions and the quaternion update method is different from the existing literature to avoid the algorithm from failing. In addition, the unconstrained three‐component vectors represent the attitude error quaternion in the filtering algorithm, whereas the quaternion is used to perform attitude propagation. Simulation results demonstrate the better performance of the proposed modifying filter algorithm in comparison with the multiplicative extended Kalman filter, the unscented Kalman filter, and the CKF under larger initial condition errors.     

一种基于CKF的改进LANDMARC室内定位算法

针对传统LANDMARC室内定位算法受室内环境的干扰存在定位精度不高,波动大的问题,提出一种基于CKF的改进LANDMARC室内定位算法。该算法首先通过传统LANDMARC算法得到待定位目标的状态预估值;然后将得到的状态预估值作为观测量并用容积卡尔曼滤波(CKF)算法对其进行滤波处理,以提高算法的定位精度并降低定位结果的波动;最后用滤波处理后的结果代替LANDMARC得到的预估值作为待定位目标的状态估计。实验研究表明,所提算法误差在0.5 m以下的标签达到60%,与传统LANDMARC定位算法和经由无迹卡尔曼滤波(UKF)算法滤波的LANDMARC定位算法相比,定位精度和波动性均有明显提高,应用在室内定位中能够得到较为真实的目标移动轨迹。     

考虑参数不确定性影响的发电机动态状态估计方法

噪声统计特性和模型参数的不确定性,会严重影响动态状态估计的精度。针对该问题,文中提出了一种基于H∞容积卡尔曼滤波(HCKF)的动态状态估计新方法。首先,建立发电机动态状态估计模型;其次,依据H∞滤波理论构造模型不确定性约束准则,并在容积卡尔曼滤波(CKF)中依据该准则计算更新估计误差协方差阵,抑制参数不确定性对状态估计精度的影响;最后,通过对IEEE 10机39节点系统和某实际大区域电网系统的算例测试,将所提方法与CKF方法和改进插值扩展卡尔曼滤波(IEKF)方法的估计性能进行对比。算例仿真结果表明,HCKF方法在估计精度和对模型不确定性的鲁棒性方面较CKF和IEKF方法均有所提高,能够有效抑制模型不确定性对发电机动态状态估计的影响。     

基于自适应CKF的姿态数据融合算法

为了提高基于MEMS惯性传感器的捷联惯性导航系统姿态解算的精度,提出了一种自适应容积卡尔曼滤波（CKF）数据融合算法。该数据融合算法将姿态四元数作为系统状态,将加速度计信息和磁力计信息作为系统观测量,对系统过程噪声矩阵和观测噪声矩阵进行实时的自适应估计,解决了因系统噪声突变引起的姿态解算精度急剧下降的问题。实验结果表明,采用自适应CKF数据融合算法比单纯基于陀螺仪的捷联姿态解算精度有明显的提高,在载体动态时测得的横滚角和俯仰角误差在1°以内,航向角误差在2°以内。     

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。