基于WLS-AUKF混合算法的主动配电网联合状态估计

响应负载和分布式能源的随机性和波动性、相量测量单元(Phasor Measurement Unit,PMU)配置的经济性需求对配电网状态估计提出了更高要求。文中提出了考虑PMU配置优化的加权最小二乘法(Weighted Least Squares,WLS)-自适应无迹卡尔曼滤波(Adaptive Untraced Kalman Filtering,AUKF)的主动配电网联合状态估计。通过改进粒子群优化算法(Metropolis-Hastings Crossover Particle Swarm Optimization,MHCPSO)实现PMU优化配置,再结合WLS和AUKF提出联合状态估计。联合方式是WLS为AUKF馈送稳健的量测数据,AUKF为WLS提供先验预测值并补充量测冗余。仿真结果表明,在相同PMU数量下,MHCPSO算法比遗传粒子群算法(Genetic Algorithm Particle Swarm Optimization,GAPSO)估计精度更高。在相同状态估计误差情况下,MHCPSO算法配置的PMU数量比GAPSO算法可最多减少4个。在光伏(Photovoltaic,PV)/电动汽车(Electric Vehicles,EV)并网无序充放电和某一时刻负荷突变情况下,WLS-AUKF算法均体现出了比UKF(Untraced Kalman Filtering)算法更好的估计性能。在PMU配置优化、PV/VE并网以及负荷突变3个场景中体现出了WLS-AUKF状态估计的高精度、经济性、抗差性和稳健性。

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合 ,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法 ;对拥有相同采样率的分布式多传感器单模型非线性动态系统 ,应用强跟踪滤波器 ,得到目标状态基于全局信息融合估计结果 ,并利用计算机仿真结果对算法的有效性进行了验证 ;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题 。

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

采用降秩多级维纳滤波器的二维DOA估计快速算法

针对双平行线阵的二维波达方向(DOA)估计问题,为有效降低计算复杂度,提出了一种基于降秩多级维纳滤波器(MSWF)的快速算法。首先利用MSWF的前向递推实现信号子空间的快速估计,无需估计协方差矩阵和特征分解;然后,通过MUSIC算法对方位角和俯仰角的估计进行分维估计,使二维DOA估计退化为两个一维DOA估计问题,且方位角和俯仰角自动配对,进一步降低了运算量。仿真结果表明,该方法的估计精度优于同样基于双平行线阵提出的波达方向矩阵法(DOAM),俯仰角兼并时同样适用,计算复杂度低,适用于实时性要求高的应用背景。

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。

一种估计模拟分解滤波器组系数偏差的算法

模拟器件工艺偏差是制约混合滤波器组模拟数字转换器系统信号重构精度的主要原因,准确地得到模拟分解滤波器组传递函数是完成信号重构的首要条件。为解决上述问题,本文提出一种估计传递函数系数偏差的算法。该算法根据输入信号的信息以及信号通过模拟滤波器组后的采样数据,便可以准确地估计出偏差范围在±20%的模拟滤波器传递函数系数的偏差值。实验中分别采用2阶和3阶模拟滤波器传递函数模型,其谐振频率的估计值与理想偏差值的标准偏差分别为1.10%和0.56%。将估计值应用于单通路滤波混合滤波器组系统进行仿真,输出信号可以达到14位精度,完成了系统重构功能,仿真验证了该算法的可行性。

一种基于联合源-滤波器模型优化的语音声门源模型估计方法

本文论述了一种基于联合源-滤波器分离的稳健声门源模型估计方法.此方法利用LF(Liljencrants-Fant)模型对声门波导数(glottal flow derivative)进行建模,而声道被描述为一个时变的ARX模型.由于联合估计问题是一个多变量非线性优化过程,本文采用了一个两阶段(two-pass)的实现策略来解决这一问题.第一阶段初始化声门源和声道模型,并为其后的联合优化过程提供稳健的初始参数.第二阶段的联合估计则最终决定模型估计的精度,由信任域下降优化算法实现.通过分别对合成和真实语音的实验,表明该方法是一种具有一定精度和较好的稳健性的声门源模型估计算法.

无气味滤波器在PN码时延和多径信道联合估计中的应用

研究了多径信道中PN码时延和信道系数的联合估计问题,提出了一种基于无气味滤波器的时延和多径联合估计方法,得出了频率选择性信道中估计器的仿真结果.然后将参数估计的均方误差与使用扩展的Kalman滤波器得到的均方误差、克拉美-罗限进行了比较,结果表明在多径信道中无气味滤波器的性能比扩展的Kalman滤波器性能更好.

应用Kalman滤波器估计放大转发双向中继联合信道

针对遵从放大转发协议的双向中继网络的联合信道估计问题,提出了一种基于Kalman滤波器的新方法。根据联合信道构成特点将其划分为自干扰部分及传输部分,通过AR模型对这两部分自相关函数进行近似化处理,建立了联合信道时变过程的状态方程,结合接收的训练序列信号,给出了具有Kalman滤波器形式的估计方法。在证明了该方法的一致收敛性质的同时,列出了误差性能限所满足的Riccati方程表达式。仿真结果表明,新估计方法相比于最大似然方法在均方误差方面具有明显的性能优势。

基于Kalman滤波器和遗传算法的参数估计方法

提出了一种基于Kalman滤波器和遗传算法的系统参数估计方法,可以对带测量噪声和过程噪声的线性系统中的未知参数进行有效估计。理论分析和数据仿真表明,此方法能较好地处理已知数据中的噪声,并且能应用于系统未知参数存在较复杂关联的情况。

基于智能算法优化卡尔曼滤波器的电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计,仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

移动通信网络中多用户MIMO-OFDM MAP空频滤波器的联合参数估计

本文在MIMO-OFDM同信道干扰环境下研究基于最大后验概率(MAP)的空频滤波器,为该滤波器设计了联合参数估计算法以改善其抗干扰能力。基于MAP接收机的传统抗同信道干扰滤波器可分为空时滤波与空频滤波两种。在理想的参数估计条件下,MAP空频滤波器的性能优于MAP空时滤波器,但在实际中有限的导引信号及同信道干扰严重影响MAP空频滤波器的参数估计精度,导致其无法正常工作。为改善MAP空频滤波器抗干扰能力,本文提出一种联合参数估计的方法。仿真结果表明,本文所提方法在未增加计算复杂度的前提下,抗干扰性能远优于传统的MAP空频滤波器及MAP空时滤波器。

冲击噪声下的LMS和RLS联合滤波算法

为解决传统自适应滤波算法在冲击噪声下性能显著下降的问题,提出了新的适用于冲击噪声环境下的自适应联合滤波算法.研究发现,冲击噪声具有在有限的时间内呈现较大的幅度,而在其他时间内的幅度值则很小的近似稀疏特性.利用冲击噪声的这个特点重新构造目标函数,设计出信号/噪声的联合估计算法,该算法利用噪声的结构特性抑制噪声.仿真结果表明,提出的算法较非联合的p范数滤波算法提高了收敛速度,并减小了稳态误差,整体性能更优越.

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。

基于循环神经网络的高超声速机动目标状态估计算法

针对高超声速机动目标运动状态的实时、高精确估计问题,提出了一种基于循环神经网络的高超声速机动目标状态估计算法。首先,将气动参数作为缓变量引入半速度系下的高超声速飞行器运动模型中,建立了高超声速机动目标状态估计模型,并给出了地面雷达测量模型;其次,考虑到高超目标的策略性机动带来的模型不确定性会超出常规滤波方法的处理能力,基于高超声速飞行器运动模型建立目标机动行为数据集,对其在实际作战过程中可能出现的运动行为进行模拟;然后,将多模型滤波与循环神经网络相结合设计了多滤波器联合估计算法;最后,在多种仿真条件下对本文所提出的算法进行了仿真验证。仿真结果表明,提出的高超声速机动目标状态估计算法可实现对高超声速目标机动变化的快速响应,并且算法的估计结果平滑、精度高,有利于后续预报。

使用遗传算法的自适应Kalman滤波器

基于Magill的Kalman滤波器池结构 ,设计了使用遗传算法的自适应Kalman滤波器 ,给出了离线和在线两种实现方案 .离线方案以辨识滤波参数为主要目的 ,进而可以对状态进行较准确的事后估计 ;在线方案以实时地对状态进行估计为目的 .对滤波参数寻优使用具有良好性能的浮点数编码遗传算法 ,该算法与二进制编码遗传算法相比收敛速度更快、搜索全局最优的能力更强 .

联合H_∞滤波算法及其在组合导航系统中的应用研究

针对联合卡尔曼滤波器对系统模型和系统噪声先验知识依赖性过强的局限性 ,基于 H∞ 滤波对系统模型和噪声等不确定性因素具有极强的鲁棒性能的特点 ,介绍了一种 H∞ 滤波的分散化技术 ,并在此基础上提出了联合H∞ 滤波算法 ,给出了信息分配方式 ,并对其性能作了详细的分析 ,指出该算法能有效解决局部滤波器测量更新之间的相关性问题。对 MIMU/ GPS/ HMR组合导航系统进行了计算机仿真 ,仿真结果表明 ,该联合 H∞ 滤波算法虽然不是最优的 ,但是其状态估计精度仍然要优于分散 H∞

任意结构阵列基于高阶累积量的信号频率和二维角联合估计算法

提出了一种基于高阶累积量的信号频率和二维角估计算法。假设阵列中存在 3个特性完全一致的阵元 ,此时使用高阶累积量实现的阵列虚拟展宽相当于存在两个和实际阵列相同的虚拟平移阵列 ,因而在其它阵元位置和响应特性未知的情况下也能实现空间信号频率和二维角估计。推导了使用PRO -ESPRIT算法实现联合估计的过程 ,并给出了相应的信号配对方法 。

三维参数联合估计的免疫记忆量子克隆算法

针对信号相位匹配奇异值分解(SVDSPM)算法中参数联合估计耗时长的问题,提出了免疫记忆量子克隆算法(IMQCA).该优化算法引入模拟退火机制修正量子旋转门函数的旋转角度值,构建记忆单元保留进化历史最佳抗体,并结合克隆算子加速种群收敛.由SVDSPM平面阵算法构造了IMQCA的目标函数,提出了同时估计信号方位角、俯仰角和频率的SVDSPM联合估计算法.仿真结果表明,IMQCA算法的方位估计精度与传统的SVDSPM算法相当,但计算耗时仅约为后者的10%,且低信噪比下的性能优于MUSIC方法.在-10 dB信噪比下,IMQCA所得方位角、俯仰角和频率的标准差分别比标准遗传算法小6.659°、9.645°和28.634 Hz,比量子免疫克隆算法小0.789°、1.075°和0.864 Hz.

稳态Kalman滤波增益估计的两种新算法及其应用

本文从时间序列分析观点,基于观测过程的 CARMA 新息模型,提出了稳态 Kalman 滤波增益估计的两种新算法及相应的自校正 Kalman 滤波器,形成一种新的自适应 Kalman 滤波技术.新算法比Mehra 和 Tajima 的算法简单.作为应用例子,对于一个简单的跟踪系统,导出了带输入估计的自校正α-β滤波器,仿真结果说明了新算法的有效性.