CN105931130A - 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 - Google Patents
一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 Download PDFInfo
- Publication number
- CN105931130A CN105931130A CN201610226554.2A CN201610226554A CN105931130A CN 105931130 A CN105931130 A CN 105931130A CN 201610226554 A CN201610226554 A CN 201610226554A CN 105931130 A CN105931130 A CN 105931130A
- Authority
- CN
- China
- Prior art keywords
- moment
- overbar
- formula
- sample
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法。该方法首先采用二项分布建立了量测信号丢失的数学模型;然后,通过对现有的集合卡尔曼滤波状态估计方法进行改进,设计出了改进集合卡尔曼滤波状态估计算法。该算法因考虑了实际工程背景中广泛存在的量测信号丢失的情况,且简单易于实现,有效的解决了量测信号丢失下的非线性系统的状态估计和参数辨识问题,具有一定的工程应用价值。
Description
技术领域
本发明涉及一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法,属于信号分析与状态估计技术领域。
背景技术
近年来,随着现代电网规模不断扩大,电网互联程度的日益提高,为了能够更好的研究电力系统的运行情况,如何快速有效的实现对电力系统的动态状态估计问题显得尤为重要,因为,通过分析这些状态信号,可以有效的分析电网运行的状态,对于电力系统安全稳定运行具有重要意义。
然而,在运用最小二乘法,卡尔曼滤波等方法对电网的运行状态进行估计时,大都忽略了对采样信号数据发生丢包情形的考虑。在实际应用中,把传感器采集的现场信号传送到中央控制室,不可避免的要发生数据在信道的丢失情形。为了更加准确有效的实现对电网状态信号的状态估计,有必要对考虑量测信号丢失情况下的状态估计算法进行研究。
发明内容
发明目的:基于以上分析,为了有效的解决量测信号丢失情形下的状态估计问题,本发明设计了考虑量测信号丢失情形下的状态估计方法。
本发明首先采用二项分布序列,实现了对量测信号丢失情形的状态空间模型建模,然后在此基础上以传统集合卡尔曼滤波为基本工具,推导出了用于量测信号丢失情形下解决状态估计问题的改进集合卡尔曼滤波。
技术方案:一种考虑量测信号丢失的改进集合卡尔曼滤波状态估计方法,该方法在计算机中是依次按照如下步骤实现的:
(1)、获取量测信号丢失的离散状态空间表达式,模型公式为:
式中,xk表示k时刻的状态向量,yk表示k时刻的输出量测向量,f(·)和h(·)是对应于具体问题中的非线性函数,wk和vk分别是系统噪声和量测噪声,Ξ(k)是符合二项分布的白噪声随机序列,即,γi(k)(i=1…m)是不相关的随机变量,且与wk和vk,x(0)不相关。
(2)、γi(k)的取值为0或者1,且满足如下计算公式:
prob(γi(k)=0)=1-μi(k)
prob(γi(k)=1)=μi(k)
式中,1-μi(k)是第i个量测量的丢失率。
(3)、初始化,包括:设定丢包率的取值,样本采样数q,状态估计的初始值以及过程噪声和量测噪声所满足的协方差矩阵Q和R,整体算法的最大迭代次数L。
(4)、由已知的k-1时刻的状态估计值,利用改进集合卡尔曼滤波的预测步,得到k时刻的q个采样集合的状态预测值计算公式为:
式中,表示k时刻的第i个样本的状态预测值。
(5)、在上一步的基础上,计算样本采样预测均值和样本采样预测输出值,计算公式如下:
式中,是q个样本k时刻预测值的均值,是第i个样本在k时刻丢包情形下的量测输出值,是q个样本k时刻量测输出值的均值。上式中系数的取值遵循如下规律:
(6)、在上一步基础上,利用改进集合卡尔曼滤波的预测步,计算k时刻的集合状态误差矩阵以及集合输出误差矩阵计算公式为:
(7)、计算k时刻的交叉协方差矩阵和计算公式如下:
上式中括号外上标T表示矩阵的转置。
(8)、依据改进集合卡尔曼滤波的估计步,计算k时刻的状态估计均值其计算步骤为:
式中,Kk是k时刻的改进卡尔曼滤波增益,是第i个样本k时刻的状态估计值,是k时刻q个样本状态估计均值,其值作为k时刻对系统的状态估计值。
(9)、按照上述步骤,进行多次迭代估计,至k>L,迭代停止,输出状态估计结果。
附图说明
图1为本发明实施例的方法流程图;
图2为实施例采用本发明所提方法状态估计结果;
图3为实施例采用本发明所提方法的状态估计误差;
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法,其包含如下步骤:
(1)、获取量测信号丢失的离散状态空间表达式。
(2)、初始化,包括:设定丢包率的取值,样本采样数q,状态估计的初始值以及过程噪声和量测噪声所满足的协方差矩阵Q和R,整体算法的最大迭代次数L。
(3)、由已知的k-1时刻的状态估计值,利用改进集合卡尔曼滤波的预测步,得到k时刻的q个采样集合的状态预测值
(5)、在上一步的基础上,计算样本采样预测均值和样本采样预测输出值。
(6)、在上一步基础上,利用改进集合卡尔曼滤波的预测步,计算k时刻的集合状态误差矩阵以及集合输出误差矩阵
(7)、计算k时刻的交叉协方差矩阵和
(8)、依据改进集合卡尔曼滤波的估计步,计算k时刻的状态估计均值
(9)、按照上述步骤,进行多次迭代估计,至k>L,迭代停止,输出状态估计结果。
下面介绍本发明的一个实施例:
考虑范德堡尔振荡器状态估计问题,其对应于量测信号丢失的状态空间模型的参数分别为(丢包率设为20%):
h(xk)=[Cxk]
式中,h是采样时间,在实施例中取h=0.1,系数α的取值为1,输出矩阵C为C=[0 1],另外,系统噪声和量测噪声所满足的协方差矩阵Q和R的取值分别为:
R=0.003,Q=diag(0.0262,0.008)
图1为实施例所用的算法流程图,图2为实施例采用本发明所提方法状态估计结果,图3为实施例采用本发明所提方法的状态估计误差。
Claims (1)
1.一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法,其特征在于,包含如下步骤:
(1)、获取量测信号丢失的离散状态空间表达式,模型公式为:
式中,xk表示k时刻的状态向量,yk表示k时刻的输出量测向量,f(·)和h(·)是对应于具体问题中的非线性函数,wk和vk分别是系统噪声和量测噪声,Ξ(k)是符合二项分布的白噪声随机序列,即,Ξ(k)=diag{γ1(k),γ2(k),·,·γm(k)},γi(k)(i=1...m)是不相关的随机变量,且与wk和vk,x(0)不相关。
(2)、γi(k)的取值为0或者1,且满足如下计算公式:
prob(γi(k)=0)=1-μi(k)
prob(γi(k)=1)=μi(k)
式中,1-μi(k)是第i个量测量的丢失率。
(3)、初始化,包括:设定丢包率的取值,样本采样数q,状态估计的初始值以及过程噪声和量测噪声所满足的协方差矩阵Q和R,整体算法的最大迭代次数L。
(4)、由已知的k-1时刻的状态估计值,利用改进集合卡尔曼滤波的预测步,得到k时刻的q个采样集合的状态预测值计算公式为:
式中,表示k时刻的第i个样本的状态预测值。
(5)、在上一步的基础上,计算样本采样预测均值和样本采样预测输出值,计算公式如下:
式中,是q个样本k时刻预测值的均值,是第i个样本在k时刻丢包情形下的量测输出值,是q个样本k时刻量测输出值的均值。上式中系数的取值遵循如下规律:
(6)、在上一步基础上,利用改进集合卡尔曼滤波的预测步,计算k时刻的集合状态误差矩阵以及集合输出误差矩阵计算公式为:
(7)、计算k时刻的交叉协方差矩阵和计算公式如下:
上式中括号外上标T表示矩阵的转置。
(8)、依据改进集合卡尔曼滤波的估计步,计算k时刻的状态估计均值其计算步骤为:
式中,Kk是k时刻的改进卡尔曼滤波增益,是第i个样本k时刻的状态估计值,是k时刻q个样本状态估计均值,其值作为k时刻对系统的状态估计值。
(9)、按照上述步骤,进行多次迭代估计,至k>L,迭代停止,输出状态估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610226554.2A CN105931130A (zh) | 2016-04-11 | 2016-04-11 | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610226554.2A CN105931130A (zh) | 2016-04-11 | 2016-04-11 | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105931130A true CN105931130A (zh) | 2016-09-07 |
Family
ID=56838816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610226554.2A Pending CN105931130A (zh) | 2016-04-11 | 2016-04-11 | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931130A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106972949A (zh) * | 2017-02-16 | 2017-07-21 | 河海大学 | 一种基于自适应补偿技术的分数阶网络系统状态估计方法 |
CN107544262A (zh) * | 2017-10-27 | 2018-01-05 | 南京工业大学 | 一种运载火箭自适应精确回收控制方法 |
CN108574291A (zh) * | 2018-04-23 | 2018-09-25 | 河海大学 | 一种基于集合卡尔曼滤波发电机动态状态估计方法 |
CN109520503A (zh) * | 2018-11-27 | 2019-03-26 | 南京工业大学 | 一种平方根容积模糊自适应卡尔曼滤波slam方法 |
CN110333666A (zh) * | 2019-07-10 | 2019-10-15 | 南京航空航天大学 | 一种基于状态估计的航空发动机分布式控制设计方法 |
CN110749835A (zh) * | 2019-10-09 | 2020-02-04 | 三峡大学 | 基于卡尔曼滤波器的输电线路故障定位方法 |
-
2016
- 2016-04-11 CN CN201610226554.2A patent/CN105931130A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106972949A (zh) * | 2017-02-16 | 2017-07-21 | 河海大学 | 一种基于自适应补偿技术的分数阶网络系统状态估计方法 |
CN106972949B (zh) * | 2017-02-16 | 2019-10-18 | 河海大学 | 一种基于自适应补偿技术的分数阶网络系统状态估计方法 |
CN107544262A (zh) * | 2017-10-27 | 2018-01-05 | 南京工业大学 | 一种运载火箭自适应精确回收控制方法 |
CN107544262B (zh) * | 2017-10-27 | 2019-10-11 | 南京工业大学 | 一种运载火箭自适应精确回收控制方法 |
CN108574291A (zh) * | 2018-04-23 | 2018-09-25 | 河海大学 | 一种基于集合卡尔曼滤波发电机动态状态估计方法 |
CN109520503A (zh) * | 2018-11-27 | 2019-03-26 | 南京工业大学 | 一种平方根容积模糊自适应卡尔曼滤波slam方法 |
CN110333666A (zh) * | 2019-07-10 | 2019-10-15 | 南京航空航天大学 | 一种基于状态估计的航空发动机分布式控制设计方法 |
CN110749835A (zh) * | 2019-10-09 | 2020-02-04 | 三峡大学 | 基于卡尔曼滤波器的输电线路故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931130A (zh) | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 | |
CN104408913B (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN100568271C (zh) | 一种腐蚀深度的混沌预测方法 | |
Wang et al. | An improved ARIMA model for precipitation simulations | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN104932035A (zh) | 一种台风强度预报方法及系统 | |
CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
CN105868557A (zh) | 一种两阶段退化情况下的机电设备剩余寿命在线预测方法 | |
CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN104615866A (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN105653728A (zh) | 基于双层模型体系的无线传感网的数据采集方法 | |
CN106972949B (zh) | 一种基于自适应补偿技术的分数阶网络系统状态估计方法 | |
CN108829983B (zh) | 基于多隐藏状态分数布朗运动的设备剩余寿命预测方法 | |
CN104283529A (zh) | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 | |
CN105654053A (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN108804721B (zh) | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 | |
CN105044531A (zh) | 一种基于ekf和fsa的动态信号参数辨识方法 | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160907 |