电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

基于无先导卡尔曼滤波的RBFN训练算法研究

提出了应用无先导卡尔曼滤波器（UKF）来训练径向基神经网络（RBFN）的新方法。与广义卡尔曼滤波器（EKF）和双重卡尔曼滤波器（DEKF）对函数的一阶近似不同,UKF对非线性函数采用二阶近似展开,而且最重要的一点是不必求取系统的雅克比矩阵,从而大大减小计算量。本文对时间序列预测及分类问题进行了仿真,结果证实了该方法的有效性和快速性。     

基于自适应 UKF 微型航姿系统噪声在线估计

针对先验噪声与系统真实噪声不符引起标准无迹卡尔曼(unscented Kalman filter,UKF)性能退化的情况,提出一种应用于非线性时变状态和参数联合估计的自适应UKF(adaptive unscented Kalman filter,AUKF)算法.根据新的协方差矩阵与相应估计值之间存在的误差,构建成本函数.采用梯度下降法进行在线预估,对噪声的协方差进行在线更新并反馈给标准的UKF.实验和仿真分析表明,与标准UKF相比,自适应UKF算法在精度上有较大的提高.对于时变噪声协方差不确定时,自适应UKF噪声在线估计的鲁棒性得到明显改善,验证了自适应UKF噪声在线估计模型的准确性和可行性.     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

基于GA-BPNN的自适应抗野值无迹Kalman滤波方法

为了满足飞行试验轨迹的试验测量需求,构建了一种高性能飞行试验目标轨迹测量系统.在此基础上,针对实际飞行测量中遇见的异常数据处理问题,提出了一种基于多机器学习改进的自适应Kalman滤波方法.该方法以传统的无迹Kalman滤波器(UKF)为基础,首先,通过引入采用遗传算法改进后的BP神经网络(GA-BPNN)来改进UKF算法,以实现对UKF全局误差的调控和修正,从而改善UKF的估计精度;然后,应用抗野值技术来充分剔除测量中的孤立型和斑点型异常点,实现对GA-BPNN-UKF的再次改进,有效提高滤波的鲁棒性;最后,应用仿真来验证提出新算法的有效性,并通过对实际飞行测量数据(通过建立的轨迹测量系统获得的实际数据)的实验分析来显示算法在实际应用中的有效性.     

相关观测噪声的加权观测融合UKF滤波器

对于具有相同观测方程,相关观测噪声的非系统,应用无迹卡尔曼滤波器(UKF),以及加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.该算法具有全局最优性,且没有增加观测系统的维数,进而没有增加系统的计算负担.一个带有相关观测噪声的两传感器非线性系统的仿真例子说明了该融合算法的有效性及等价性.     

锂离子电池荷电状态预测方法研究

针对电动汽车锂离子动力电池组能量管理中的荷电状态(SOC)预测问题,提出一种根据SOC及电流(SOC-I)计算库仑效率的方法,并建立电池SOC、充放电电流及充放电库仑效率的关系.以无迹卡尔曼滤波(UKF)算法为基础,采用自适应无迹卡尔曼滤波(AUKF)算法预测电池SOC,并将提出的库仑效率计算方法与UKF算法相结合构造了SOC-I-AUKF算法,该算法在预测过程中不断调整库仑效率、系统噪声协方差以及量测噪声协方差,以实现系统状态最优化预测.实验结果表明,SOC-I-AUKF算法有较好的SOC预测效果,与UKF算法相比,其SOC预测绝对误差、相对误差和平均误差水平都有显著提高.     

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法-中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中.仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤渡算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少.     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

CDKF方法在外辐射源单站无源目标跟踪中的应用

针对外辐射源单站无源目标跟踪精度问题,将一种基于Sterling内插公式的新的非线性滤波算法—中心差分卡尔曼滤波算法(central difference Kalman filter,CDKF)应用到系统中。仿真结果表明,与传统的扩展卡尔曼滤波算法(extended Kalman filter,EKF)相比,CDKF具有更高的定位精度,且不需要计算Jacobian矩阵,更易实现;而与无迹卡尔曼滤波算法(unscented Kalman filter,UKF)相比,CDKF只有一个待优化的比例参数,参数的选择更加方便,且定位精度更高,所需运算时间更少。     

基于平淡卡尔曼滤波器的微小卫星姿态确定算法

针对扩展卡尔曼滤波（EKF）在线性化过程中会引入误差的问题,采用平淡卡尔曼滤波器（UKF）进行了系统滤波器设计;提出一种构建虚拟观测量的方法,并分析了其噪声特性．虚拟观测量与高精度器件量测量搭配可实现对姿态的校正．以太阳敏感器、微电子机械系统（MEMS）陀螺、磁强计为姿态敏感器件,构建了定姿滤波器并用STK（Satellite Tool Kit）数据进行了仿真．结果表明,所提出方法能有效地提高定姿性能,采用UKF的系统定姿误差与EKF相当,但收敛时间、稳定性要优于EKF．     

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.     

用于提高全球定位系统定位估计速度的滤波算法

为了提高全球定位系统（GPS）高精度定位的解算速度,从原理上比较了平淡卡尔曼滤波（UKF）及其改进算法和超球面平淡卡尔曼滤波（SUKF）及其改进型等非线性滤波估计算法,提出了将SUKF的改进型算法应用于单机GPS的定位估计.实验表明：该算法能够在保证高精度定位估计的前提下提高运算速度,有效解决GPS软件接收机中高精度定位输出的实时性问题.     

基于IMM-UKF方法的机电作动器突发性故障诊断研究

飞机飞行控制系统机电作动器（electromechanical actuator,EMA）的突发性故障会影响到飞机的飞行安全性,甚至导致飞机失控.针对EMA的突发性故障,提出一种基于交互式多模型（interactive multiple model,IMM）和无迹卡尔曼滤波（unscented Kalman filter,UKF）相结合的故障诊断方法.该方法利用UKF不仅能更好地逼近状态方程的非线性特性,而且能使滤波器具有更好的稳定性和更低的计算量要求;利用IMM不仅解决了可测量参数偏少导致的故障诊断困难的问题,而且还改善了发生的故障与预先假设的故障差异较大的情况下故障诊断的快速性和准确性.通过对某型EMA进行故障诊断,仿真结果表明所提出的IMM-UKF故障诊断方法可以实现对EMA部件和传感器故障的快速准确诊断.      

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

一种基于Unscented卡尔曼滤波的多平台多传感器配准算法

首先给出传感器偏差配准模型,然后将目标的运动模型和传感器偏差组合在同一个状态方程中,利用Unscented卡尔曼滤波（UKF）方法进行状态和偏差联合估计,最后理论分析了配准偏差对状态估计的影响。Monte-Carlo仿真表明,该方法能同时有效地估计目标状态和传感器配准偏差。     

基于传感器网络的分布式生化气体源参数测定算法

针对生化气体源参数测定问题,提出了一种基于传感网络的分布式贝叶斯迭代估计算法,该算法在给定气体物理分布扩散模型条件下,通过传感器节点获取气体浓度,并基于分布式扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现气体源的坐标定位和释放率估计.通过仿真实验对两种分布式算法进行性能分析,结果表明,UKF算法在参数估计成功率和参数估计误差两个方面均要好于EKF算法,分别可以提高约50%和70%,其收敛速度快,使用节点少,更有助于节省网络能量消耗,并延长其生存周期.     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。