潜艇适航性监测的卡尔曼滤波器异常数据修正方法

结合潜艇适航性变量监测问题,研究了卡尔曼滤波器的原理和异常行为检测,分析了异常数据对卡尔曼滤波器影响,并通过新息分析和过程信号引入不确定性,给出了一种对异常数据进行剔除并对滤波器进行修正的方法。对潜艇适航性中的横摇进行了数值仿真,给出了经典卡尔曼滤波与改进卡尔曼滤波的对比仿真结果。仿真结果表明:采用改进算法处理,可以有效剔除偏差较大的异常数据;在滤波器已受到异常数据干扰的情况下,改进后的滤波器能够在较短的时间内修正异常数据并重新收敛。

几种公建能耗异常数据修正方法的比较

随着我国城市建设的发展,公共建筑在建筑能耗中占有越来越大的比例。因此,对公共建筑能耗的实时监测和能耗数据分析十分必要。但在实际生活中,由于外界干扰、设备故障、天气影响等因素导致实时监测控制系统采集到的能耗数据不准确,甚至不完整,所以提高能耗监测数据质量是实现公共建筑能耗数据分析的基础。在此,选取了三种公共建筑能耗异常数据修正方法,对杭州市五洋宾馆2017年9月能耗监测数据进行实验验证,对比三种方法在修正能耗异常数据方面的准确性和有效性。

室内变压器多物理场模型建立及异常油温修正实验

室内油浸式变压器温度场分布受到室内散热系统和运行过程中电磁干扰等因素影响,导致测温传感器测量数据可靠性下降,一定程度上不利于变压器状态评估等相关实验教学工作的开展。针对上述问题,基于有限元分析仿真建立变压器的磁-流体-温升模型,并进行相关热属性参数设置和耦合计算;考虑散热对油温的影响,仿真分析室内散热系统启停下的温升特性关系;最后,根据仿真计算结果,修正异常油温数据。与其他数据修正方法相比,此方法基于建模仿真的形式更有利于学生直观地学习和理解变压器温升机理,可为后续变压器状态评估等相关实验教学工作提供高质量数据支撑。

数据流上异常数据的在线检测与修正

给出了带有遗忘因子改进的Kalman滤波预测算法,能够检测未来时刻的异常数据;提出了一种新颖的数据流上的异常数据修正方法,应用插值小波根据连续异常数据数量的不同,实现了可变插值尺度的异常数据修补,能够自适应修正精度.在实际电力负荷数据上的仿真实验证明这种方法可以在线准确地检测到异常数据,并能提供精确的异常数据修正.

交通调查数据判别与修正方法

交通调查数据质量直接影响数据应用研究成果的可靠性,以提高交通调查原始数据质量为目的,以交通调查数据管理系统为研究对象,提出了丢失数据、失真数据、异常数据的识别和修正方法,并以河北省交通调查的实测数据对提出的方法进行了实例验证。

基于多源信息融合的船舶电气设备状态识别方法

为可靠掌握船舶电气设备状态,保证设备的运行安全,提出多源信息融合的船舶电气设备状态识别方法。采用时间序列模型检测并修正船舶电气设备多源历史数据中的连续异常数据和独立异常数据;基于联合卡尔曼滤波算法融合修正后的电气设备多源历史数据,依据融合后的多源数据训练谱聚类和深度神经网络,构建船舶电气设备状态识别网络模型,结合电气设备的实时运行数据,识别船舶电气设备状态。测试结果显示,该方法能够确定数据中的连续异常数据和独立异常数据,并且完成所有异常数据的修正,保证数据的完整性;离散度结果均在0.016以下;能够完成电气设备正常状态、异常状态以及紧急状态的识别,最小均方根误差值均在0.0044以下,识别效果良好。

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ART与RBF网络的混合网络模型设计

为了解决自适应共振理论(adaptive resonance theory,ART)网络对新的输入样本处理能力差,网络记忆能力差,径向基(radial basis function,RBF)网络选择径向基函数,确定隐节点数目困难的问题,设计了一种基于ART与RBF网络的混合网络模型。将ART网络的特点引入到RBF网络中,通过ART网络的识别与比较功能快速确定RBF网络最少的隐节点数目,同时通过ART理论中警戒门限的检验在线确定是否合并或删除隐节点。并且引入了异常数据修正方法和模糊预处理方法。通过MATLAB神经网络工具箱,对该混合网络进行仿真试验。结果表明:该方法能够有效地减少隐含在数据中的随机性,加快神经网络收敛速度,提高神经网络的建模精度。