基于两阶段卡尔曼滤波的多传感器信息融合

在目标跟踪中,对目标运动建模时,常会遇到系统状态方程存在偏差问题.传统的信息融合方法总是假设系统状态方程中的偏差为常量,很少涉及偏差为随机变量的情形,但实际建模中常会出现这类问题.针对此问题,提出了基于两阶段卡尔曼滤波的多传感器信息融合方法.这种方法可以有效地消除系统状态方程在建模存在随机偏差时给信息融合所带来的影响,从而提高了融合精度.

考虑数据时延的电力系统两阶段动态状态估计方法

由于电力系统中SCADA数据和PMU数据采样频率不同,使得这两种数据存在时延。首先提出基于变点重复检测的PMU最佳缓冲长度计算方法,将SCADA数据和PMU数据统一到同一时间尺度下,然后将无迹变换与指数权函数抗差估计算法相结合,针对历史多数据断面进一步提出了两阶段无迹卡尔曼滤波鲁棒动态状态估计方法。该方法在每一断面内,首先用无迹变换和两参数指数平滑预测后的预测值与SCADA数据结合进行第一阶段滤波,然后再将滤波所得估计值与PMU数据结合进行第二阶段滤波。通过两阶段滤波,能够显著增大滤波过程中的量测冗余度,并且有效降低在混合数据滤波过程中量测精度较低的SCADA量测对精度较高的PMU量测的影响。基于IEEE-39节点标准系统对本文所提方法进行仿真,仿真结果表明,本文所提方法能够有效结合PMU数据和SCADA数据对电力系统进行动态状态估计计算,且估计精度高,鲁棒性好。

计及频率响应时空相关性的新能源电力系统惯量估计方法

高比例新能源电力系统惯性水平低、不确定性强,系统惯性水平与频率动态响应过程密切相关。系统内各节点之间的频率响应过程在时空上具有相关性,动态量化节点间频率的时空相关性是实时估计新型电力系统惯量的技术手段。首先,给出了面向同步机组和新能源发电机组惯量的计算方法;其次,利用Granger因果检验算法,动态分析系统内不同节点之间频率的相关性,构建随时间变化的系统频率时空因果相关集合;此外,基于系统内各节点频率响应过程的摇摆方程,建立系统惯性常数-频率状态空间模型;然后,基于无迹卡尔曼滤波器和固定滞后平滑器,提出高比例新能源电力系统惯量估计方法;最后,在改进的IEEE 39节点系统中验证了所提方法的有效性和适用性。结果表明,所提方法可以在不同新能源渗透率和频率扰动场景下保证惯量估计效果的一致性,具有工程应用潜力。

容积Rauch-Tung-Striebel平滑器

针对离散非线性系统的状态平滑问题,基于Rauch-Tung-Striebel(RTS)理论设计了一种容积卡尔曼平滑器(Cubature Kalman Smoother,CKS),即容积Rauch-Tung-Striebel平滑器(RTSCKS)。首先,基于经典贝叶斯状态估计理论框架,推导了状态概率密度分布形式的非线性系统最优平滑算法;其次,基于Rauch-Tung-Striebel理论,建立了相应的最优平滑递推算法;然后,将其与容积卡尔曼滤波算法相结合,建立了递推形式的RTS-CKS平滑器;最后,通过典型的纯方位跟踪模型验证了该平滑器的可行性和有效性。该平滑器为非线性系统的状态估计提供了新的估计算法。

信息融合稳态最优Kalman平滑器

应用Kalman滤波方法 ,基于Riccati方程 ,在线性最小方差最优融合准则下 ,提出了按矩阵加权的两传感器最优融合稳态Kalman平滑器 ,给出了最优加权阵和最小融合误差方差阵。同单传感器Kalman平滑器相比 ,可提高平滑精度。

噪声相关带偏差线性系统的滤波融合算法

传统线性两阶段Kalman滤波算法无法应对噪声相关情形,导致较低的实际应用性能。针对该问题,以线性系统中状态与测量噪声相关的多传感器偏差估计系统为对象,以基于模型等效变换技术的噪声相关两阶段Kalman滤波器为基本滤波器,分别在序贯分布式和并行式框架下建立两种两阶段Kalman滤波融合算法。其中,序贯分布式融合算法将多个局部两阶段Kalman滤波器的估计结果以序贯加权的形式进行融合;并行式融合算法分别对偏差滤波估计和无偏差滤波估计进行融合,再利用线性方程将融合后的结果进行组合,得到状态估计值。仿真结果表明:相比于两阶段Kalman滤波器和序贯分布式两阶段Kalman滤波融合估计器,并行式两阶段Kalman滤波融合估计器在滤波估计精度上具有更高的性能。

采用分段RTS的CPHD平滑算法

针对多目标跟踪中的固定间隔平滑问题,将势概率假设密度(CPHD)滤波器和RTS平滑器相结合,提出了RTS的势概率假设密度滤波平滑算法。考虑到在平滑过程中存在较大的输出延迟问题,采用分段思想,提出了分段RTS的势概率假设密度滤波平滑算法。对需要平滑的估计值进行分段;采用匈牙利算法进行航迹-估计关联;对关联后的估计值逐段进行RTS平滑。实验结果表明,与CPHD滤波结果相比,分段RTS的势概率假设密度滤波平滑算法能够更加精确地估计目标状态,并且可以有效避免直接应用RTS平滑造成的实时性欠佳问题。

基于两阶段TKF的测量死区下离散时间系统的故障估计

针对出现测量死区的离散系统,提出一种基于两阶段TKF的故障估计方法。引入2个Bernoulli随机向量描述输出死区,并设计了增广状态Tobit卡尔曼滤波器(augmented state Tobit Kalman filter,ASTKF)。通过两步U-V变换方法对ASTKF的协方差矩阵解耦,从而获得两阶段Tobit卡尔曼滤波器(two-stage Tobit Kalman filter,TSTKF),并且利用TSTKF解决了系统故障估计问题。对所提出方法进行仿真,并与标准卡尔曼滤波器、间歇观测下的卡尔曼滤波器进行比较,说明了该方法的可行性和准确性。