基于ASNLS算法的智能浮标浮潜模型参数辨识

[目的]针对智能浮标大深度浮潜模型难以精确量化的问题,提出一种抗数据饱和及测量噪声的最小二乘算法(ASNLS),以实现浮潜多参数识别及深度预测。[方法]首先,在智能浮标浮潜运动灰箱模型中引入其执行机构的非线性动作特性以契合实际模型,并将连续型浮潜运动方程转化为离散模式以匹配实际离散的数据采样方式;然后,将离散型运动方程构造为基于相关函数的表达形式,以减弱噪声对参数辨识的影响;最后,通过调整协方差矩阵的取值,实现该浮潜参数辨识算法的抗数据饱和功能。[结果]基于2021年智能浮标在南海的大深度试验数据,开展了浮潜运动模型参数辨识及深度预测,验证结果表明:相较于传统的最小二乘算法及支持向量机算法,ASNLS算法的收敛速度更快(较最小二乘算法提高了31.8%)、深度预测误差更小(不同深度下的平均绝对百分比误差均小于9%)。[结论]ASNLS算法可为智能浮标的深度控制和预报提供有效的浮潜模型支撑。

考虑虚假数据注入攻击的有源配电网分布式状态估计

状态估计作为保障电网监测数据质量的关键一环,可为能量管理系统提供可靠的数据基础。考虑到有源配电网量测误差大、易遭受网络攻击等问题,文中研究了计及虚假数据注入攻击的有源配电网分布式状态估计方法。首先,各子区域根据自身量测进行状态估计,并利用平均一致性算法获取全局信息对内部状态量进行修正,实现完全分布式状态估计;其次,在子区域状态估计中引入权函数动态修正目标极值函数的权重矩阵,增强状态估计的抗差性能;然后,在边界节点和易受到虚假数据注入攻击的节点配置同步相量测量单元,提高辨识虚假数据攻击的能力;最后,利用IEEE 118节点配电网系统进行算例仿真验证。试验结果表明,文中所提状态估计方法不仅可以有效减小估计误差,还能准确辨识虚假数据注入攻击,提高了状态估计的精度和辨识虚假数据注入攻击的能力。