非高斯噪声下基于CKMC-CKF的发电机动态状态估计

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。

基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法。该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力。最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法。

基于多变量Laplace分布的非线性系统分布式鲁棒状态估计

本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.

采用改进最大相关熵自适应迭代容积卡尔曼滤波算法的锂离子电池荷电状态估计

针对非高斯噪声干扰下传统滤波算法在估计锂离子电池荷电状态(SOC)时存在不稳定以及精度低的问题,提出一种改进的最大相关熵自适应迭代容积卡尔曼滤波(IMCC-AICKF)算法,用于估计锂离子电池荷电状态。所提算法将加权最小二乘方法与最大相关熵准则(MCC)相结合,定义了一种新的代价权函数作为优化准则,通过优化噪声最小协方差矩阵来减小滤波误差,保证长时间滤波的收敛性和稳定性;再与自适应迭代容积卡尔曼滤波(AICKF)算法相结合,对过程噪声协方差和测量噪声协方差进行更新来提高估计的准确性和鲁棒性。基于两种电池数据,在非高斯噪声干扰下,运用所提算法对电池SOC进行估计,仿真结果表明:与容积卡尔曼滤波(CKF)算法和最大相关熵容积卡尔曼滤波(IMCC-CKF)算法相比,IMCC-AICKF算法对荷电状态估计的最大绝对误差、平均绝对误差和均方根误差都是最小的,且平均绝对误差和均方根误差均小于1%;在给定初始值错误的情况下,IMCC-AICKF算法可以准确收敛到真实值,具有较好的鲁棒性。所提算法在非高斯噪声下能实现更准确的估计,是一种估计精度高且鲁棒性好的SOC估计方法。

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

非线性结构随机地震反应的极值估计

建立了预测非线性结构随机地震反应边缘分布的广义高斯分布模型(GGDs),提出了模型参数的两点估计方法。采用Nataf分布预测反应及其导数的联合分布,给出了Nataf模型参数的经验计算公式。一个六层剪切型框架结构随机地震反应的极值估计,说明了该方法的效率和精度。

带有随机发生非线性的时变动态系统非脆弱递归状态估计

本文研究了一类带有随机发生非线性的时变动态系统非脆弱递归状态估计问题。本系统包含以下几种网络现象:系统的不确定性、随机发生非线性和非脆弱,其中随机发生非线性通过一个服从伯努利分布的随机变量来刻画,非脆弱满足的是范数有界不确定性。本文的目的是提出一种针对随机发生非线性的鲁棒非脆弱状态估计算法。由于估计误差协方差矩阵不能精确地表达出来,于是我们找到误差协方差矩阵的上界,并且通过设计滤波增益矩阵使得该上界的迹达到最小。最后,给出一个数值仿真来说明该算法的实用性。

基于集合经验模态分解的增强核岭回归配电系统状态估计

针对配电网量测信息存在强非高斯噪声时会大幅干扰基于深度学习的状态估计模型滤波精度的问题,提出了一种基于集合经验模态分解的增强核岭回归状态估计方法。首先,使用集合经验模态分解筛除量测信息中的多数噪声数据,保障了后续滤波对数据可靠性的要求。然后,通过构建增强核岭回归状态估计模型,建立了量测信息与估计残差之间的映射关系,输入量测信息后可以得到估计结果与估计残差。最后,在标准IEEE 33节点与某市78节点系统上进行数值仿真,结果证明了该方法在强非高斯噪声干扰下具有较高的精确性和鲁棒性。

一种新的非线性/非高斯滤波方法

自主滤波方法是一种递归式贝叶斯估计方法 ,该方法采用一组抽样值来近似目标状态的概率密度函数 ,可用于非线性系统模型和观测模型、非高斯观测噪声条件下的滤波。将该算法与扩展卡尔曼滤波方法进行了比较 ,仿真结果表明 。

具有随机切换非线性神经网络的非脆弱估计

研究一类具有时滞和随机切换非线性的离散递归神经网络的非脆弱状态估计问题.采用服从伯努利分布的随机变量刻画了随机切换非线性现象.针对离散不确定时滞神经网络,基于可获得的概率信息设计了一个新的非脆弱状态估计器.随后,通过构造适当的Lyapunov-Krasovskii泛函,得到了保证增广系统均方渐近稳定性的充分条件.此外,通过线性矩阵不等式技术得到了状态估计增益矩阵的显式表达式.最后,通过数值仿真证明了该算法的可行性和有效性.

不完全观测下非线性非齐次随机系统的参数估计

本文研究不完全观测下非线性非齐次随机系统的参数估计问题.首先,通过构造扩展的Kalman滤波方程,得到系统状态的次优估计,并通过状态估计方程给出似然函数的表达式.其次,找到一个闭区间,似然函数在这个闭区间上连续且在端点处取不到最大值.最后,当样本量足够大时,运用Lepingle强大数定律和均方可积鞅强大数定律,证明了极大似然估计量的存在性和强相合性.

粒子滤波非线性AVO反演方法

提出一种新的AVO非线性反演方法,即利用粒子滤波器来求解AVO非线性贝叶斯反演问题。利用随机带权样本逼近后验概率.论文首先论述了粒子滤波器的基本原理,包括状态转移模型与观测模型,权值预测与更新,重要性密度采样等粒子滤波器应用中的关键技术.然后建立了适合于AVO反演的粒子滤波器状态转移模型和观测模型.最后,利用该方法分别对模型数据和实际资料进行了反演计算.反演结果表明,该方法具有较好的稳定性,在AVO反演中具有的一定的应用潜力.同时对地球物理反演的其他问题求解也提供了一条新的途径.

计及噪声和模型参数不确定的发电机动态状态估计

针对发电机动态状态估计过程中通信噪声以及模型参数不确定时估计精度降低和鲁棒性差的缺陷,提出了一种具有鲁棒性的发电机动态状态估计方法——H∞无迹粒子滤波(HUPF)。首先,建立四阶发电机的状态空间模型,利用无迹变换法计算粒子滤波的重要密度分布,提高了滤波精度和计算效率,增加了算法的灵活性;其次,根据H∞滤波理论建立发电机模型不确定性的边界约束准则,并在此基础上结合无迹粒子滤波(UPF),设计了一种可以根据模型不确定性动态调整估计误差协方差的更新策略,进一步提升了发电机的估计精度和抗差性能。通过IEEE 39节点系统中的仿真算例验证了所提方法的有效性,测试结果表明:所提HUPF方法的均方根误差最低为0.006,最高为0.0458,相比于UKF、UPF和AUKF方法,HUPF方法的均方根误差最小,能够显著提高模型不确定情形下发电机的状态估计精度,并且具有更强的鲁棒性。

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题,提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法.首先,引入加权信息量概念来改进期望最大化算法目标函数惩罚项,使得在优化过程中能考虑更全面的参数信息,以达到减少期望最大化算法的迭代次数和提高收敛速度的目的.此外,以基于马氏距离和Kullback-Leibler(KL)距离的高斯项合并方法为基础,提出一种能有效联合两类高斯项合并方式的融合模式.先单独使用马氏距离和KL距离进行高斯混合项合并,再对获得的高斯混合项进行加权融合处理,以改善高斯和滤波中多高斯项的合并性能和保真度.最后,应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计.理论分析与仿真结果表明,该方法能实现对机器人运动更好的状态估计精度,并具有更强的鲁棒性能.

考虑边界等式约束的电-气-热综合能源系统鲁棒状态估计方法

针对电-气-热综合能源系统(integrated energy system,IES),建立了非高斯测量噪声下的量测-状态方程。考虑耦合元件边界条件,将其既作为等式约束又作为虚拟量测方程,基于极大似然鲁棒状态估计方法,提出了一种考虑边界等式约束的电-气-热IES鲁棒状态估计方法。在高斯和非高斯噪声下,进行仿真验证。仿真结果证明:所提方法可为IES在线分析和优化调度提供准确的全局状态感知。

基于轮询协议的非脆弱扩展状态估计

运用扩展状态估计方法解决有色噪声下非线性网络化系统的非脆弱状态估计问题。设计了一种能有效克服非线性干扰、有色噪声、测量信息传输带宽受限及增益扰动的状态估计器,得到了估计误差协方差上界。首先,利用测量值组差法处理测量有色噪声问题,构造新的测量方程,使用新的测量方程进行状态估计;其次,构建round-robin传输协议,降低测量信息在网络交流中受到带宽影响的可能性,同时减少通信负载;然后,通过设计非脆弱估计器,增加系统参数的鲁棒性;最后,通过运用扩展状态估计器,主动估计系统非线性项,使用非线性动态变化率的边界而不是函数本身的边界来解决问题,因此不需要保证函数本身很小或者有界,只需假定非线性是缓慢变化的即可达到满意的性能。

基于SIR粒子滤波状态估计和残差平滑的故障检测算法

很多基于模型的随机系统故障检测方法要求系统模型线性且服从高斯分布，对于非线性非高斯随机系统这些方法性能欠佳．目前基于SIR粒子滤波似然函数值的故障检测算法是一种较好的非线性随机系统故障检测算法．本文提出一种基于SIR粒子滤波状态估计和残差平滑的故障检测算法．该算法采用SIR粒子滤波获得系统状态估计值，用系统状态观测值与系统状态估计值的理想观测值之差作为反映故障的残差，再利用残差平滑值进行故障检测．实验结果表明，在状态转移噪声方差远小于状态观测噪声方差时，该算法的故障误报率与基于SIR粒子滤波似然函数值的故障检测算法接近，而该算法的故障漏报率明显优于后者．

基于扩展卡尔曼滤波器的液压驱动器状态估计

本文的液压驱动器属于不可观测的非线性系统,普通的状态观测器难以胜任系统的状态估计,故采用扩展卡尔曼滤波器对液压缸活塞腔和杆腔压力进行估计.建立了液压系统的4阶非线性状态空间模型,用高斯-牛顿法拟合模型参数,用关节角度信号通过扩展卡尔曼滤波器估计液压驱动器状态.仿真结果表明该方法可以精确估计液压缸压力,实验结果显示该方法估计的关节扭矩接近测量值;从而验证了扩展卡尔曼滤波器估计液压系统状态的有效性,为基于状态的故障诊断和液压驱动器控制提供了一定的借鉴.

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。

非高斯环境下基于信息熵准则的定点平滑估计算法

针对一类非高斯噪声环境下固定点平滑估计问题,设计一种使用最大相关熵准则作为最优估计标准的平滑估计算法,称之为固定点最大相关熵平滑估计(fixed-point maximum correntropy smoother,FP-MCS).首先基于矩阵变换给出最大相关熵Kalman滤波的新表达形式;然后以此为基础,引入新的状态来扩展系统,并推导出固定点最大相关熵平滑估计的在线迭代方程;进一步比较平滑前后状态估计误差协方差,从理论上分析算法的性能改进,同时比较其计算复杂度;最后通过算例验证所设计的算法在非高斯混合噪声干扰下的有效性和优越性.