基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法

受负荷随机变化、需求响应参与、分布式电源波动、量测装置种类多等因素的影响,容易出现配电网量测数据值异常,导致配电网动态状态估计精度下降。为了提高配电网状态估计的精度,提出了一种基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法。首先,在容积卡尔曼滤波基础上,将自适应因子和H_(∞)滤波器相结合,对模型误差问题进行处理与限制。其次,结合噪声估值器,对过程噪声中的参数进行在线估计,减少噪声对预测误差的影响。最后,对典型配电网69节点系统进行仿真,仿真结果表明:该方法在系统正常运行、需求响应参与削峰填谷以及负荷发生突变这3种场景下,其估计精度均提高10%以上,保持了相对高的估计精度。

统计容积卡尔曼滤波器的混合试验模型更新方法

为解决模型更新算法因初始参数选择不当对模型参数识别精度的影响,提出统计容积卡尔曼滤波器的混合试验模型更新方法。该方法采用容积卡尔曼滤波器算法多次识别模型参数,将统计后的参数识别值样本均值作为最终的识别结果,以弱化算法初始参数选择对参数识别结果的影响。应用统计容积卡尔曼滤波器对自复位摩擦耗能支撑模型进行在线参数识别,分析了在不同参数条件下统计容积卡尔曼滤波器的识别精度;针对两层带有自复位摩擦耗能支撑框架结构进行混合试验数值仿真。结果表明,基于统计容积卡尔曼滤波器的方法可以有效提高模型更新混合试验精度及鲁棒性。

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.

基于改进容积卡尔曼滤波器的超宽带/惯性导航系统室内融合定位技术

在室内非视距环境中,单一超宽带(ultra wide band,UWB)技术会产生稳定性差和定位精度低的问题,以至于不能达到室内定位的要求。将UWB定位技术和惯性导航系统(inertial navigation system,INS)技术相结合,能够有效抑制非视距误差对定位结果的影响,因此本文提出基于改进的容积卡尔曼滤波器(cubature Kalman filter,CKF)的UWB/INS融合室内定位方法。首先,通过广义似然比检测算法对行人的静止态和运动态进行检测;之后对于静止态通过零速修正算法对速度进行修正,零积分航向角速率修正算法对航向角进行修正;然后,通过模糊综合评判的非视距识别算法对非视距信号进行识别,通过基于半定规划的非视距修正算法对识别出的信号进行修正;最后通过改进的容积卡尔曼滤波器将UWB定位数据和INS定位数据进行融合,得出组合定位结果。实验结果显示,与标准容积卡尔曼滤波算法相比,改进的容积卡尔曼滤波算法的定位结果均方根误差降低了2.32 cm(18.82%),拥有更好的定位精度和鲁棒性。

容积卡尔曼滤波器的Bouc-Wen模型在线参数识别

非线性滞回模型具有强烈的非线性特征,瞬时输入与加载历史路径影响模型参数的在线识别精度。以非线性Bouc-Wen模型为例,采用容积卡尔曼滤波器与隐性卡尔曼滤波器分别识别模型参数,对比分析两种滤波器的识别精度和计算效率。结果表明,容积卡尔曼滤波器识别Bouc-Wen模型参数k、γ、n的相对误差分别比隐性卡尔曼滤波器降低了0.73%、1.95%和2.10%,计算时间相比隐性卡尔曼滤波器减少了0.95 s。在模型参数的识别精度和计算效率上容积卡尔曼滤波器优于隐性卡尔曼滤波器,适用于非线性模型的在线参数识别。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

用容积卡尔曼滤波算法进行集装箱吊具姿态估计

为提高非线性模型下集装箱吊具姿态的估计精度,建立一个基于四元数和低精度高噪声传感器的集装箱吊具姿态估计非线性模型,运用容积卡尔曼滤波算法进行姿态估计.试验数据与高精度姿态传感器数据比较表明,采用容积卡尔曼滤波算法可以有效提高集装箱吊具姿态估计精度和稳定性.

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题,提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上,使用三阶容积原则推导了状态预测公式,并使用M-M方法实现状态的量测更新,构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中,仿真结果表明,基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后,分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响,验证了所提算法的鲁棒性。

基于平方根容积卡尔曼滤波器的非线性模型参数识别

针对容积卡尔曼滤波器在参数识别过程中截断误差导致算法终止的问题,采用平方根容积卡尔曼滤波器、容积卡尔曼滤波器和奇异值容积卡尔曼滤波器分别对MFS模型、Bouc-Wen模型进行参数识别。结果表明:平方根容积卡尔曼滤波器得到MFS模型参数b、K、Q识别值的均方根误差比容积卡尔曼滤波器和奇异值容积卡尔曼滤波器至少降低了19.17%、29.88%和2.64%。容积卡尔曼滤波器识别Bouc-Wen模型不稳定,平方根容积卡尔曼滤波器识别值的均方根误差比奇异值容积卡尔曼滤波器至少降低17.04%。平方根容积卡尔曼滤波器既提高非线性模型参数识别精度,又具有良好的数值稳定性。

改进的强跟踪容积卡尔曼滤波的机动目标跟踪

机动目标的跟踪在实际中有着广泛的应用,其核心问题是机动建模和滤波算法。采用当前统计模型和容积卡尔曼滤波对机动目标进行跟踪。针对容积卡尔曼滤波在目标突发机动时跟踪性能较差的问题,借鉴强跟踪滤波思想,将渐消因子引入滤波过程,提出了一种改进的强跟踪容积卡尔曼滤波算法,该算法实现简单,估计精度高,鲁棒性强。仿真结果表明,该算法有效增强了系统对目标突发机动的自适应跟踪能力,并保持了对弱机动和非机动目标良好的跟踪性能,且运算速度较快。

基于交互式多模型平方根容积卡尔曼滤波的船舶轨迹跟踪

[目的]针对船舶运动状态变化复杂场景下扩展卡尔曼滤波(EKF)的误差不稳定,以及单一运动模型的表征能力受限等问题,提出一种基于交互式多模型(IMM)平方根容积卡尔曼滤波(SCKF)的船舶轨迹跟踪算法。[方法]引入SCKF,并代替EKF来执行自动识别系统(AIS)数据的轨迹跟踪;采用交互式多模型框架将恒速直线模型(CVM)、当前统计模型(CSM)和恒定转向率模型(CTM)及改进的CTM模型进行交互融合,形成3种组合模型来表征AIS轨迹的运动状态,并进行船舶轨迹跟踪实验。[结果]结果显示,对于航向、航向率和航速均发生变化的轨迹,采用组合模型1跟踪时,在轨迹6中SCKF相比EKF的位置信息的均方根误差变化幅度小,精度提高了30.06%;采用组合模型3跟踪时,相比EKF,SCKF在轨迹6中位置信息的均方根误差波动的范围最小,误差减小了60.80%,组合模型3的性能最好,但计算量也最大;对于航速不发生变化的复杂轨迹,采用组合模型2跟踪的性能接近组合模型3。[结论]所提方法能够提高AIS数据的精度并保证AIS数据误差波动的稳定性,为提高船舶运动跟踪和监测提供了可能性。

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波(CKF)算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波(Cubature Kalman Filter,CKF)算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差(Minimum Mean Square Error,MMSE)准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF(FP-IHCKF)算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。

星间相对测量自主导航的改进容积卡尔曼滤波

针对仅利用星间相对位置测量的双星自主导航系统,提出一种基于可观度的改进容积卡尔曼滤波算法。该算法从系统可观度的物理意义出发,通过对预测协方差阵进行在线调整改善标准容积卡尔曼滤波算法对系统可观度敏感和不满足滤波拟一致性等问题。对具体算例进行数值仿真,校验了该改进容积卡尔曼滤波算法在基于星间相对位置测量的双星自主导航系统中的有效性,与标准容积卡尔曼滤波相比趋稳更快,精度更高。

基于修正嵌入式容积卡尔曼滤波的相位展开算法

针对干涉图展开问题,将Levenberg-Marquardt方法修正后的嵌入式容积卡尔曼滤波器应用于缠绕相位图像的展开中,结合基于修正矩阵束模型的局部相位梯度估计算法以及量化跟踪策略,提出一种基于修正嵌入式容积卡尔曼滤波的相位展开算法。该算法不仅可以精确和快速地展开缠绕像元,还可以在展开缠绕像元的同时抑制相位噪声,降低前置预滤波器的难度与复杂度,甚至可以在处理受噪声污染不严重的干涉图时免去前置预滤波处理步骤。试验结果表明本文算法具有较高的效率和良好的稳键性。

基于平方根容积卡尔曼滤波的水面无人艇导航定位算法

针对不含GPS/北斗等外部传感器的水面无人艇自主定位问题,论文提出一种基于平方根容积卡尔曼滤波(square-root cubature kalman filter,SCKF)的水面无人艇定位算法。该算法利用数值拟合获取的给定电机电压和水面无人艇稳态速度(U-u)的非线性函数关系,将其作为系统的观测方程,融合无人艇的线性状态方程实现导航定位。为提升定位精度,在SCKF的观测方程中引入低通滤波器。最后通过试验验证了算法的有效性。

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。

改进的基于奇异值分解的抗差容积卡尔曼滤波算法在全球定位导航中的应用

非线性动态系统存在非线性和噪声不确定的问题,容积卡尔曼滤波对解算该类系统有较好的精度,为了提升导航系统对异常观测值的稳定性,对采样数据进行均值滤波处理,降低干扰较大的采样数据对于滤波结果的影响。用奇异值分解代替Cholesky分解,改善滤波稳定性,避免先验协方差非正定而降低滤波性能。最后通过引入抗差因子调节观测协方差矩阵,再次减少观测异常值对于滤波结果的影响。采用仿真实验进行分析,改进的抗差容积卡尔曼滤波算法对于减弱异常观测值影响有良好的效果。