基于自适应递推滤波的高压输电线路行波故障定位方法

针对传统高压输电线路测距精度差且行波法易受噪声因素影响等问题,提出了一种基于自适应递推滤波算法的高压输电线路行波故障定位方法。该方法首先经高通滤波处理后采集电流行波信号,粗定行波波头位置,选取故障前数据估计噪声的分布参数;然后基于噪声分布参数构建自适应递推滤波器对信号进行滤波;最后结合滤波后的信号与噪声参数进行比较,实现波头标定。在此基础上,结合双端测距原理实现故障点定位。仿真分析表明,所提出的方法在不同的故障条件下均可准确检测出行波信号;在弱行波信号含噪情况下,相比于小波变换,自适应递推滤波算法能有效提高输电线路故障行波定位的准确性。

极化自适应递推滤波算法

针对未知和时变的杂波环境 ,探讨了极化域滤波问题 ,提出了极化自适应滤波的原理 :利用历史杂波数据估计杂波的极化信息 ,据此对天线极化进行调整 ,达到“最优” ,然后对当前接收电场进行滤波 .根据这一原理进一步提出了递推算法 .仿真实验结果也证明了该方法的有效性 .该滤波器稳态性能逼近理论最优 ,算法“学习”

基于加权自适应递推最小二乘法与EKF的锂离子电池SOC估计

为了实现锂离子电池荷电状态(SOC)的精确估计,建立锂离子电池的二阶等效模型,提出基于加权自适应递推最小二乘法与扩展卡尔曼滤波(ARWEKF)的锂离子电池SOC估计方法。通过静态和动态工况下的仿真和试验进行验证,结果表明:ARWEKF算法的估计精度高于扩展卡尔曼滤波(EKF)算法和基于遗忘因子的递推最小二乘法(FFRLS),其模拟仿真的最大绝对误差为1.36%,均方根误差为0.42%,静态工况试验下的AE为0.67%,RMSE为0.21%,动态工况试验下的AE为1.86%,RMSE为0.56%。

负阻振荡器的自适应递推设计

该文以负阻振荡器设计及自适应递推算法为基础，提出了负阻振荡器的最佳自适应递推设计方法。该方法计算简单、收敛快而准确，并保证收敛的唯一性和最优性。它不但可用于各种器件及波段的负阻振荡器的设计，还可用于各类有源非线性网络的调谐与阻抗匹配。文中结合实例，详细分析和验证了该方法。

自适应递推去卷滤波器

本文提出了信号去卷的一种新的自适应递推去卷滤波器,它由两部份组成:(1)次优递推滤波器,推广了Tamura的结果;(2)自适应噪声统计估值器,推广了Sage和Husa及作者的结果,可应用于油田地震勘探和通讯系统。数值仿真例子说明了所提出的结果的有效性。

高超声速再入飞行器的特征建模及自适应递推滑模控制

针对高超声速再入飞行器非线性程度高、参数不确定性大、快时变等特点,提出一种基于神经网络特征模型的自适应滑模姿态控制方案。首先,采用现有特征建模方法,将对象模型中的非线性、时变不确定性压缩至特征参量中;进一步,结合模糊神经网络,将快时变特征显式地表征在特征模型中,使得待估计的特征参量具有时不变特性,从而易于其自适应律的设计。然后,在该神经网络特征模型的框架下,设计递推形式的自适应滑模控制律,以进一步提高飞行控制系统的鲁棒性。最后,通过仿真校验了所提出控制方法的正确性和有效性。

基于自适应递推最小二乘法与无迹卡尔曼滤波的电池SOC估算

为了建立精确的锂离子电池模型,并在其基础上实时且有效的监测电池的状态。综合考虑采用二阶等效电路模型,在递推最小二乘法的基础上加上自适应因子完成对锂离子电池在线模型参数估测,与此同时将所得模型参数传入卡尔曼滤波器,完成对动力电池的荷电状态(SOC)的估算。在MATLAB中实现该算法的编程,把电池综合测试仪对锂离子电池采样所得电流、电压、容量等实验数据导入算法进行仿真。仿真结果表明,该算法迅速收敛初值误差,并在稳定状态下最大误差不超过2. 5%,验证了该算法的有效性以及对外界干扰的鲁棒性,可以用以实现对车用锂离子电池状态的准确估算。

基于自适应递推最小二乘支持向量机的磨煤机一次风量软测量模型

针对离线最小二乘支持向量机(LSSVM)以及无稀疏策略的在线LSSVM在过程建模工程应用的局限性,提出了一种基于选择性递推以及自适应更新模型参数的LSSVM软测量模型。该方法将快速留一交叉验证(FLOO-CV)误差作为模型更新阈值,前向学习时,根据更新阈值只引入预报误差较大的样本更新模型,提高了模型的稀疏性;后向样本修剪时,仅删除FLOO-CV误差最小的样本,提高了模型的全局推广能力。应用电厂实际运行数据验证该模型并对磨煤机一次风量进行在线预测,并研发了一套在线软测量平台。将该平台在某1000 MW机组进行现场验证,结果表明,该平台对一次风量有较高的预测精度,可以在流量传感器出现故障时代替其工作,保证磨煤机一次风量信号的稳定性和可靠性。

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.

递推最小二乘法算法的谐波电流检测方法改进

提出一种应用于三相四线制有源电力滤波器(APF)的瞬时无功功率ip-iq谐波电流检测方法,用于解决传统检测方法提取精度低、收敛速度慢、稳定性较差等问题,采用自适应递推最小二乘法(RLS)算法取代低通滤波器。新方法以改进瞬时无功功率ip-iq法为电流检测依据,先减去电流中的零序分量,再利用坐标变换矩阵计算出电流有功、无功以及交直流分量。结果显示,该算法有效提高了直流分量的提取精度,在三相四线制APF中采用该方法是可行有效的。

基于家庭基站移动通信系统的自适应时钟同步算法

家庭基站是安装在室内环境,面向家庭或企业用户的低功耗基站,它和宏基站一样需要全网时钟同步.家庭基站通过宽带城域网回传业务数据,借助该IP分组交换网实现家庭基站时钟同步是一种最有效的解决方案.然而,分组交换网络时延抖动会对同步精度造成很大影响.把时延抖动看成独立分布的噪声,以递推最小二乘(RLS)自适应滤波器模型滤除噪声,从而减小时延抖动对同步精度的影响.仿真结果表明,利用递推RLS自适应滤波器能使从时钟频率快速收敛于主时钟频率,且同步精度较高.同步精度满足家庭基站网络对同步精度的要求.

多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题。试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能。

基于动态非线性逼近的非线性系统预测控制

对于一类常见多重时滞非线性离散系统,提出基于动态非线性逼近的增量型最小化递推预测模型、广义预测控制律、噪声估计器以及参数自适应递推预报算法,实现了对存在较大滞后的时滞非线性系统的广义预测控制.仿真结果表明了该算法的正确性和有效性.

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统(GFS)预报场资料,采用自适应线性最小二乘回归(LS)和自适应递推卡尔曼(Kalman)滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法(LSSVM)得到的总云量进行了对比,结果如下:(1)相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。(2)LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。(3)LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优(少云击中率平均提高24%,多云击中率平均提高34%)。(4)自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。

室内非平整地形下无人机定高控制方法研究

针对当前气压计、超声波等无人机定高方法在室内非平整地形下高度难以保持的问题,提出基于飞行时间(ToF)传感器的实时高度变化补偿的无人机定高控制方法。建立高度去突变模型,并引入一种自适应加权递推均值滤波算法,最后建立高度控制模型增强系统鲁棒性。本文方法在真实世界进行了实验,无人机于不同高度、速度条件下测试高度去突变处理效果。实验结果表明:室内非平整地形下无人机定高控制方法,能够保证无人机的精确定高,并规避地形突变对高度的影响,高度数据的最大误差为7.97 cm,平均误差为2.92 cm。

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用。综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数。在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证。研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好。

基于A-FFRLS算法的永磁同步电机转动惯量辨识研究

转动惯量是永磁同步电机(PMSM)速度控制模型的关键参数,不同工况下其辨识值的准确与否直接影响控制器参数设定,进而影响电机调速系统的动态性能。针对传统转动惯量辨识策略存在的时效性差、精度低等问题,提出了一种自适应遗忘因子递推最小二乘法(A-FFRLS)的辨识算法。该算法使用遗忘因子递推最小二乘法(FFRLS)与模糊控制理论相结合的方式,使惯量辨识系统可以评估算法辨识结果与实际值之间的差距,并依据差距大小自适应调整遗忘因子值,使惯量估计值能够快速且准确的逼近真实值。仿真结果以及实验结果均证明,该算法在保证收敛速度的同时,能够有效提高辨识结果的精确性。

具有输入饱和的不确定非线性系统自适应渐近跟踪控制

将一类具有输入饱和的严格反馈单输入单输出非线性系统作为研究对象,解决其自适应渐近跟踪控制问题.与已有结果不同,所考虑的虚拟控制参数可以是未知且增益函数的上界信息也是未知的,这给控制器的设计带来了挑战.通过结合光滑函数及有界估计方法,设计一种新颖的自适应渐近跟踪控制策略;其次,通过引入Nassbaum函数解决由输入饱和不确定参数以及未知虚拟控制参数带来的影响;此外,通过利用未知增益的下界信息巧妙地构造一个特殊的李雅普诺夫函数并结合不等式技巧,可以消除对控制增益函数上界信息的需要,并保证系统的全局稳定性和跟踪性能;最后,通过实例仿真及对比仿真表明所提出自适应渐近跟踪控制算法的有效性.

结构突变航天器惯量参数在轨辨识方法

针对在轨服务的航天器惯量参数突变情况,提出了基于卫星在轨姿态测量及控制信息实现惯量参数实时辨识的方法,设计了递推最小二乘(RLS)及扩展卡尔曼滤波(EKF)辨识算法。在RLS算法中引入自适应遗忘因子,每次递推过程中通过分配先验数据和当前数据的权重确保产生突变后辨识值的及时跟踪;在EKF算法中明确先验预测协方差中参数变化的影响,将其代入更新预测协方差矩阵以应对惯量参数的突变。仿真结果表明,考虑惯量参数突变的场景,RLS算法和EKF算法的辨识精度可达1.5%和1%,辨识时间分别优于30 s和40 s;考虑惯量缓慢时变的场景,两种方法均可实现惯量参数的在轨实时辨识,辨识精度满足姿控系统需求。