基于PMU/SCADA混合量测的电力系统求积分卡尔曼滤波的状态估计

针对目前电力系统状态估计主要采用的扩展卡尔曼滤波(EKF)存在鲁棒性差,精确度被非线性程度制约大等缺点,提出一种电力系统的计算线性方法——求积分卡尔曼滤波(QKF)进行电力系统的状态估计,该算法从统计线性回归的角度,运用高斯-厄米特积分点,使得估计精确度大幅提高,并且引入精确度高,全网实时同步的同步相量测量单元(PMU)数据,成熟性好,技术成熟的SCADA数据进行混合量测。仿真结果表明,QKF法比EKF法具有更高的计算精确度,PMU数据的引入又进一步提高了电力系统状态估计的性能。基于混合量测的QKF法状态估计在正常状态和系统发生扰动情况下均有较好的估计性能,且估计精确度在系统加入混合量测的数据后明显高于单一SCADA系统。

基于Gauss-Hermite求积分卡尔曼滤波的SINS非线性初始对准方法

为了改善大方位角初始对准精度和缩短收敛时间,在SINS动基座初始对准中引入了简化的Gauss-Hermite求积分卡尔曼滤波(QKF)方法.首先分析了Gauss-Hermite求积分中的单变量Gauss点及其系数配置方法,然后采用直接张量积法将单变量配置扩展后得到多变量Gauss点及其系数配置方法,给出了简化的QKF滤波算法.最后通过数学仿真分析比较了单变量积分点数为3的QKF(3点QKF)与比例对称采样UKF的对准性能,以及单变量积分点数取不同值(3,5和7)对QKF滤波性能的影响.结果表明:在动基座SINS大方位角初始对准中,3点QKF的对准精度远高于UKF的精度,方位角估计收敛速度也快于UKF,并且随着单变量Gauss积分点数的增加,QKF对准精度会进一步提高.

改进的强跟踪求积分卡尔曼滤波算法

在非线性系统状态估计问题中,强跟踪求积分卡尔曼滤波算法在实现过程中由于对判断滤波发散的阈值设置较小,即使在系统正常情况下也会以较大概率产生渐消因子,从而导致过度调节滤波增益,使得系统状态估计不够平滑。针对该问题,提出了一种改进的强跟踪求积分卡尔曼滤波算法。该算法通过适当增大判断滤波发散的阈值,从而有效地降低了误判滤波发散的概率,增强了滤波器对系统状态的跟踪性能,并能够根据不同维数的量测方程确定弱化因子的取值,从而有效避免了凭经验选取弱化因子,具有较强的操作性。对两种算法进行实验仿真,结果表明,改进的强跟踪求积分卡尔曼滤波算法具有更高的滤波精度,减小了系统状态估计值与真实值之间的偏差。

强跟踪求积分卡尔曼滤波算法

在非线性系统滤波问题中,可能出现真实系统和滤波模型不匹配的现象,而标准形式的求积分卡尔曼滤波器对于这种具有模型不确定性系统的鲁棒性较差、滤波精度降低的问题。针对该问题,结合强跟踪滤波器的思想,提出了强跟踪求积分卡尔曼滤波算法。通过引入衰减因子对当前时刻的状态预测协方差矩阵进行修正,使得不同时刻的残差序列保持正交,减弱先前滤波结果对当前滤波过程的影响,增强量测值的作用,减弱模型的作用,克服模型的不确定性对滤波结果的影响。仿真结果表明,在具有模型不确定性情况的非线性滤波问题中,该算法与标准形式的求积分卡尔曼滤波算法相比,能够获得更高的滤波精度。

基于求积分卡尔曼滤波的交互式多模型算法

针对非线性系统中的多模型估计问题,将求积分卡尔曼滤波算法应用到交互式多模型算法过程中,提出一种基于求积分卡尔曼滤波的交互式多模型算法。该算法不需要求取非线性方程的雅可比矩阵,且能够获得比基于不敏卡尔曼滤波的交互式多模型方法更高的滤波精度。仿真结果证明了该算法的有效性。

高斯混合求积分卡尔曼滤波姿态估计算法

针对求积分卡尔曼滤波QKF(Quadrature Kalman Filter)在噪声先验特性不准确时引发的滤波缺陷问题,提出了一种基于高斯混合模型的QKF姿态估计算法GMQKF。该算法首先通过引入有限高斯分量来近似状态后验分布和噪声随机模型,在线估计时变方差;然后再采用稀疏网格和高斯-厄米特数值积分理论配置多维积分点,优化了高维滤波的计算量。仿真结果表明:在非高斯噪声环境和载体发生稳态突变情况下,GMQKF算法较传统QKF减少了对随机模型的依赖,增加了系统抗干扰能力,提高了稳定性,将其用于非高斯非线性姿态估计场合可以获得更好的精度,且计算量适中。

求积分卡尔曼粒子滤波算法

针对非线性/非高斯系统的状态估计问题,提出一种采用求积分卡尔曼滤波(QKF)算法来产生重要性密度函数的粒子滤波新算法——PF-QKF算法.新算法使用统计线性回归的方法,通过一套高斯-厄米特积分点来线性化非线性函数,不需要计算雅可比矩阵,易于实现,而且所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测数据,提高了对系统状态后验概率的逼近程度.理论分析和实验结果表明,PF-QKF算法的估计精度比无味粒子滤波(PF-UF)算法提高了约18%,其计算复杂度比PF-UF算法稍有降低,表明PF-QKF算法是一种很有效的非线性滤波算法.

基于修正积分卡尔曼粒子滤波的自适应目标跟踪算法

针对当前粒子滤波权值退化问题以及精度与时耗的矛盾,提出了一种新的高精度自适应粒子滤波算法。该算法综合考虑优选建议分布函数和重采样两种并行改进滤波性能的方法:首先,在积分卡尔曼滤波(QKF)的基础上引入修正因子,通过修正的积分卡尔曼滤波(PQKF)产生优选的建议分布函数,较好地克服了粒子退化现象,在提高滤波精度的同时降低了运算量;在重采样阶段,通过引入系统估计和预测提供的新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性和算法的实时性。实验表明,新算法具有高精度、低时耗的优点,是一种高精度自适应粒子滤波算法。

用于再入弹道目标跟踪的Sigma点卡尔曼滤波器（英文）

提出一种新的Sigma点卡尔曼滤波器,求积分卡尔曼滤波器(Quadrature Kalman Filter,QKF),用于再入弹道目标的跟踪问题。新滤波器通过一系列参数化高斯密度的高斯-赫米特求积分点,使用统计线性回归的方法来线性化非线性函数的。仿真实验比较了这个新的Sigma点滤波器和扩展卡尔曼滤波器(Extended Kalman Filter,EKF),均差滤波器(Divided Difference Filter,DDF),无味滤波器(Uncented Kalman Filter,UKF)。结果表明所有Sigma点滤波器的估计误差都低于EKF的估计误差。QKF的估计误差低于UKF的估计误差,其滤波可靠性也与UKF很接近。QKF的计算复杂性比UKF稍高,新的Sigma点滤波器是一种有效算法。

基于新的数值积分粒子滤波的机载无源定位算法

针对机载无源定位这一多维非线性滤波问题,提出一种新的用3阶数值积分卡尔曼滤波算法来产生重要性密度函数的粒子滤波算法。新算法采用球形和径向数值积分规则选取积分点和确定相应的权值,得出的积分点数仅为状态维数的二倍,大幅的减少了计算量,较好地解决了求积分卡尔曼粒子滤波算法(Quadrature KalmanParticle Filter,QPF)在高维滤波时存在计算量大的问题;而且通过设定比例因子使得所产生的重要性密度函数在系统状态转移概率密度的基础上,融入最新的观测值,增加了粒子的多样性,提高了对系统状态后验概率的逼近程度。仿真结果表明:新算法在稳定性和定位精度上与QPF相当,但计算时间仅约为QPF的15%。

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。

基于PID自适应卡尔曼的惯导姿态算法

针对飞机、车辆等载体惯性导航系统中积分累积误差和噪声误差,导致姿态角偏差增大的问题,以惯导融合思想为基础,提出一种比例-积分-微分(PID)自适应卡尔曼滤波算法。算法首先融合加速度计和陀螺仪解算的实时角度值,利用PID控制器抑制误差波动并作为量测数据,将陀螺仪数据作为状态数据;再通过带有自适应系数的滤波方程,结合数据,给出了详尽的理论分析过程,最后得到可信的姿态定位信息。利用数字信号处理器(DSP)实时处理惯性测量单元MPU6050数据,实验结果表明:对比常用的姿态滤波算法,新算法精度提高了50%左右,运算时间缩短了40%左右,基本满足实际需要。

一种新型非线性滤波的多特征融合跟踪算法

为有效解决非线性系统的状态估计问题,提出一种新型非线性滤波算法。该算法通过在积分卡尔曼滤波中引入修正因子,对积分点进行优化重组,并采用修正后的积分卡尔曼滤波产生优选建议分布函数,较好地克服了粒子退化现象。在新算法的框架内,利用颜色和运动边缘特征作为观测模型进行视频目标跟踪,并通过D-S证据理论的方法进行权值融合,较好地克服了单一颜色特征在姿态改变、相似背景遮挡等情况下跟踪稳定性较差的问题。实验表明本方法对复杂条件下的目标跟踪问题在保持较强鲁棒性的同时,跟踪精度提升了近32%。

一种新型高精度非线性滤波算法研究

针对非线性、非高斯系统状态的在线估计问题,提出了一种新的高精度粒子滤波算法。该算法通过引入积分修正因子,对积分卡尔曼滤波器的积分点进行在线修正,并采用修正后的积分卡尔曼滤波产生优选的建议分布函数,由于高精度地融入最新量测信息,一定程度上克服了权值退化问题。仿真实验表明,新算法具有较高的滤波精度,是一种有效的非线性滤波算法。

迭代收缩非线性状态约束滤波算法

在状态估计理论的实际应用中,系统的状态向量可能受到线性或者非线性约束条件的限制,如果可以将这些约束条件有效地施加到滤波过程中,则从理论上可以获得更高的滤波精度。针对非线性状态约束滤波,可以通过泰勒级数展开将非线性约束函数线性化,该方法需求解非线性约束函数的雅可比矩阵,然而实际问题中总有雅克比矩阵不存在的情况。采用水平滑动估计算法,该算法无需求解雅可比矩阵,然而该方法需要计算非线性约束最优化问题,算法时间复杂度较高。为此,在状态向量的高斯假定下,提出了一类迭代收缩非线性状态约束滤波方法。该方法结合容积卡尔曼滤波、求积分卡尔曼滤波、中心差分卡尔曼滤波和不敏卡尔曼滤波思想,分别采用几种不同的数值方法对积分进行近似,获得了几种解决非线性状态约束的实现算法。在实现过程中,为了减小基点误差对于滤波结果的影响,采用迭代的方法,给非线性状态约束函数施加一系列噪声,使得在量测更新步骤中方差逐步收敛,使约束逐渐增强,提高了状态估计的精度。实验结果表明,该类方法的几种实现算法滤波精度较高,时间复杂度较为适中,无需求解雅可比矩阵或黑森矩阵。

一种基于无线视觉传感器网络的分布式多目标跟踪滤波算法

本文提出基于积分卡尔曼滤波的无线视觉传感器网络的分布式目标跟踪算法,用于从多个监控数码相机中汇总跟踪结果,然后通过中央处理器处理数据,返回到各个数码相机中,从而优化目标跟踪。无线视觉传感器网络是一个重叠视觉领域里的一个多监控摄相机网络,重叠视觉领域里有同样的目标经过,通过交换它们当地的目标位置和速率的估计值,在估计的过程中,每个加入的摄相机通过一致性算法汇总收到的状态。仿真结果表明,多个数码相机对目标预测的真实状态值要比单个数码相机预测值更精确。

几种面向弹道目标跟踪算法的性能评估

提出一种非线性滤波器性能的评估方法.在导弹系数未知的情况下,研究二维弹道目标动力学模型,推导相应的Cramer-Rao下界.分析扩展卡尔曼滤波器、无迹卡尔曼滤波器、积分卡尔曼滤波器和容积卡尔曼滤波器,基于推导出的Cramer-Rao下界,通过仿真实验比较这4种非线性滤波的性能.理论与实验结果表明,扩展卡尔曼滤波的实时性能最好,但跟踪精度较差;容积卡尔曼滤波器在跟踪的速度和精度方面都有较好的表现.

基于自适应强跟踪CQKF的目标跟踪算法

针对容积积分卡尔曼滤波(CQKF)受模型不确定性影响较大及需要精确已知噪声统计特性的缺点,提出了一种自适应强跟踪CQKF算法。该算法根据强跟踪滤波原理,引入渐消因子调整状态预测协方差矩阵,强迫残差序列正交,有效抑制了模型不确定性引起的滤波发散。在滤波过程中,利用Sage-Husa时变噪声统计估值器对过程噪声及量测噪声实时估计,提高了算法在未知时变噪声环境下的滤波精度。目标跟踪仿真实验验证了算法的有效性和鲁棒性。

一种新的非线性目标跟踪方法

在实际的目标跟踪场景中,普遍存在非高斯过程噪声和/或量测噪声,以及非高斯先验信息等情况,针对这一问题,提出一种新的解决非线性/非高斯系统滤波问题的非线性滤波算法,即高斯和求积分卡尔曼滤波(GSQKF)算法。仿真实验将新算法与标准的粒子滤波算法进行了比较,表明新算法是一种非常有效的非线性滤波算法。

基于SQKF的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命(remaining useful life, RUL)难以精准预测的问题,建立单指数经验容量衰退模型,提出能够有效解决电池非线性问题的平方根求积分卡尔曼滤波(square-root quadrature kalman filtering, SQKF)算法。现有的最优估计方法中,求积分卡尔曼滤波(quadrature kalman filtering, QKF)是一种高精度采样算法。研究发现,QKF的估计误差易引起非对称、非正定协方差的传播,影响算法稳定性。在QKF算法上进行平方根扩展,并对单变量求积节点进行多维扩展,将SQKF算法应用于电池容量跟踪估计;另外,从理论上证明SQKF的稳定性。使用NASA公开数据集对算法进行仿真验证,并与现有的扩展卡尔曼滤波、无迹滤波、QKF算法对比。结果表明,在一定条件下,SQKF的RUL预测误差在6%以内,数值精度以及数值稳定性有很大提高,并且研究发现SQKF受锂离子电池个体差异性的影响较小,文中方法在锂离子电池RUL预测的实际应用方面具有参考价值。