CN111539475A - 一种基于卡尔曼滤波的多源温度数据融合方法 - Google Patents

一种基于卡尔曼滤波的多源温度数据融合方法 Download PDF

Info

Publication number
CN111539475A
CN111539475A CN202010332957.1A CN202010332957A CN111539475A CN 111539475 A CN111539475 A CN 111539475A CN 202010332957 A CN202010332957 A CN 202010332957A CN 111539475 A CN111539475 A CN 111539475A
Authority
CN
China
Prior art keywords
temperature
time
value
equation
prediction error
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
Application number
CN202010332957.1A
Other languages
English (en)
Inventor
王晓明
周卫
周柯
张炜
芦宇峰
林翔宇
苏毅
彭博雅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202010332957.1A priority Critical patent/CN111539475A/zh
Publication of CN111539475A publication Critical patent/CN111539475A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于卡尔曼滤波的多源温度数据融合方法，多源温度数据融合方法包括：确定温度传感器系统的系统模型；建立温度传感器系统的状态方程；建立温度传感器系统的观测方程；建立温度传感器系统的卡尔曼滤波方程；对多个温度传感器的多个温度测量值进行数据冗余处理，获取本次温度测量值，同时获取上次温度预测值和上次温度预测误差；计算本次温度观测值；利用卡尔曼滤波方程，计算出本次温度预测值；输出本次温度预测值。在本发明实施例中，采用所述多源温度数据融合方法可以快速、准确地获得气体绝缘变电站中气体的温度，且温度数据能够更好的适应动态测温和静态测温，能达到温度偏差低、温度均匀性好和温度波动度小的效果。

Description

一种基于卡尔曼滤波的多源温度数据融合方法
技术领域
本发明涉及气体温度测量方法，具体而言，涉及一种基于卡尔曼滤波的多源温度数据融合方法。
背景技术
电力设备作为电网的基本组成单元，是电网安全、可靠和稳定运行的基础。电力设备数据主要由电力设备基本数据、状态监测数据、运维数据、公共安全数据和历史数据等，其中，电力设备的状态监测数据是是分析和预测设备状态发展的重要依据。随着状态监测技术的发展和电网各种自动化信息应用系统的交互关联，使得电力设备状态数据量呈现出大数据的数据规模庞大、更新速度快、多源异构和价值密度低等特点，因此具备了利用数据融合技术分析处理的适用性和可行性。
气体绝缘全封闭组合电器的设备(Gas Insulated Switchgear即GIS)在城市变电站建设中扮演了重要的角色，它将一座变电站中除变压器以外的一次设备，包括电压互感器、电流互感器、断路器、隔离开关、接地开关、母线、电缆终端等部件全部封闭在金属接地的外壳中，在其内部充有一定压力和密度的SF6气体。此种变电站具有体积小、重量轻、不受环境干扰、可靠性高、安装方便、费用低、损耗少、噪音低、检修间隔长等诸多优点。
在电力设备数据中数据冲突问题主要指由多个传感器提供的设备状态数据冗余量大和同属性冗余数据在相同时刻具有不同的值。一般冲突的解决方式集中在减少冗余数据量和在从多个冲突值中甄别真值的问题上，真值包括属性的名称的统一和属性值的统一。影响真值的数据之间的关系一般有数据源的复制关系、依赖关系和以及值的相似度关系。
卡尔曼滤波算法主要用于动态环境中传感器冗余数据的融合，该方法以测量模型的统计特性为基础，递推的确定融合数据在统计意义下的最优估计，这一特性使得卡尔曼滤波算法很适合用于不具备大量数据传输和存储能力的系统中。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于卡尔曼滤波的多源温度数据融合方法，采用所述多源温度数据融合方法可以快速、准确地获得气体绝缘变电站中气体的温度，且温度数据能够更好的适应动态测温和静态测温，能达到温度偏差低、温度均匀性好和温度波动度小的效果，性能优于任何单一的模拟传感器或数字传感器，具有很好实际效果。
相应的，本发明实施例提供了一种基于卡尔曼滤波的多源温度数据融合方法，所述多源温度数据融合方法包括：
确定温度传感器系统的系统模型；
根据所述系统模型，建立所述温度传感器系统的状态方程；
根据所述系统模型和所述状态方程，建立所述温度传感器系统的观测方程；
利用所述系统模型、所述状态方程和所述观测方程，建立所述温度传感器系统的卡尔曼滤波方程；
对多个温度传感器的多个温度测量值进行数据冗余处理，获取本次温度测量值，同时获取上次温度预测值和上次温度预测误差；
利用所述观测方程，根据所述本次温度测量值，计算本次温度观测值；
利用所述卡尔曼滤波方程，根据所述本次温度观测值、上次温度预测值和上次温度预测误差，计算出本次温度预测值；
输出所述本次温度预测值。
可选的实施方式，所述状态方程为：
X(k)＝Φ(k，k-1)X(k-1)+Γ(k，k-1)W(k-1)
其中，X(k)是k时刻的n维状态向量，Φ(k，k-1)是k-1时刻到k时刻的n维非奇异状态系统一步转移矩阵，X(k-1)是k-1时刻的n维状态向量，Γ(k，k-1)是从k-1时刻到k时刻的n×p维系统噪声输入矩阵，W(k-1)是k-1时刻的p维系统噪声向量。
可选的实施方式，所述观测方程为：
Z(k)＝H(k)X(k)+V(k)
其中，Z(k)是k时刻的m维观测向量，H(k)是k时刻m×n维观测矩阵，X(k)是k时刻的n维状态向量，V(k)是k时刻的m维观测噪声向量。
可选的实施方式，所述利用所述卡尔曼滤波方程，根据所述本次温度观测值、本次温度测量值、上次温度预测值和上次温度预测误差，计算出本次温度预测值，包括：
利用所述卡尔曼滤波方程，根据所述上次温度预测值，计算一步温度预测值；
利用所述卡尔曼滤波方程，根据所述上次温度预测误差，计算一步温度预测误差；
利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算滤波增益；
利用所述卡尔曼滤波方程，根据所述一步温度预测值、所述滤波增益和所述本次温度观测值，计算本次温度预测值；
利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算本次温度预测误差。
可选的实施方式，所述根据所述上次温度预测值，计算一步温度预测值，所利用的卡尔曼滤波方程为：
Figure BDA0002465630670000031
其中，
Figure BDA0002465630670000032
为一步温度预测值，Φ(k|k-1)为转移矩阵，
Figure BDA0002465630670000033
为上次温度预测值。
可选的实施方式，所述根据所述上次温度预测误差，计算一步温度预测误差，所利用的卡尔曼滤波方程为：
P(k|k-1)＝Φ(k|k-1)P(k-1)ΦT(k|k-1)+
Γ(k-1)Q(k-1)ΓT(k-1)
其中，P(k|k-1)为一步温度预测误差，Φ(k|k-1)为转移矩阵，P(k-1)为上次温度预测误差，Γ(k-1)是k-1时刻的n×p维系统噪声输入矩阵，Q(k-1)为上次温度观测误差。
可选的实施方式，所述根据所述一步温度预测误差，计算滤波增益，所利用的卡尔曼滤波方程为：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]-1
其中，K(k)为滤波增益，P(k|k-1)为一步温度预测误差，H(k)是k时刻m×n维观测矩阵，R(k)为系统噪声误差。
可选的实施方式，所述根据所述一步温度预测值、所述滤波增益和所述本次温度观测值，计算本次温度预测值，所利用的卡尔曼滤波方程为：
Figure BDA0002465630670000041
其中，
Figure BDA0002465630670000042
为本次温度预测值，
Figure BDA0002465630670000043
为一步温度预测值，K(k)为滤波增益，Z(k)为本次温度观测值，H(k)是k时刻m×n维观测矩阵。
可选的实施方式，所述根据所述一步温度预测误差，计算本次温度预测误差，所利用的卡尔曼滤波方程为：
P(k)＝[I-K(k)H(k)]P(k|k-1)
其中，P(k)为本次温度预测误差，I为单位矩阵，H(k)是k时刻m×n维观测矩阵，P(k|k-1)为一步温度预测误差。
本发明实施例提供了一种基于卡尔曼滤波的多源温度数据融合方法，所述多源温度数据融合方法利用多个模拟传感器和数字传感器获取多组温度数据，采用卡尔曼滤波算法融合多组温度数据，可以快速、准确地获得气体绝缘变电站中气体的温度，且融合后的温度数据能够更好的适应动态测温和静态测温，能达到温度偏差低、温度均匀性好和温度波动度小的效果，性能优于任何单一的模拟传感器或数字传感器，具有很好实际效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中多源温度数据融合方法的流程示意图；
图2是本发明实施例中S17的具体流程示意图；
图3是本发明实施例中卡尔曼滤波算法的计算框图；
图4是本发明实施例中卡尔曼滤波算法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例中多源温度数据融合方法的流程示意图。
本发明实施例提供了一种基于卡尔曼滤波的多源温度数据融合方法，所述多源温度数据融合方法包括：
S11：确定温度传感器系统的系统模型；
在实际应用中，通过多个温度传感器同时对SF6气体进行温度测量，所述多个温度传感器包括不同种类的温度传感器，可以为模拟传感器，也可以为数字传感器，所述多个温度传感器构成一个温度传感器系统，由于温度传感器系统有多种，因此需要确定温度传感器系统的系统模型。
S12：根据所述系统模型，建立所述温度传感器系统的状态方程；
在本发明实施例中，所述状态方程为：
X(k)＝Φ(k，k-1)X(k-1)+Γ(k，k-1)W(k-1)
其中，X(k)是k时刻的n维状态向量，Φ(k，k-1)是k-1时刻到k时刻的n维非奇异状态系统一步转移矩阵，X(k-1)是k-1时刻的n维状态向量，Γ(k，k-1)是从k-1时刻到k时刻的n×p维系统噪声输入矩阵，W(k-1)是k-1时刻的p维系统噪声向量。
S13：根据所述系统模型和所述状态方程，建立所述温度传感器系统的观测方程；
在本发明实施例中，所述观测方程为：
Z(k)＝H(k)X(k)+V(k)
其中，Z(k)是k时刻的m维观测向量，H(k)是k时刻m×n维观测矩阵，X(k)是k时刻的n维状态向量，V(k)是k时刻的m维观测噪声向量。
S14：利用所述系统模型、所述状态方程和所述观测方程，建立所述温度传感器系统的卡尔曼滤波方程；
需要说明的是，卡尔曼滤波方程是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
S15：对多个温度传感器的多个温度测量值进行数据冗余处理，获取本次温度测量值，同时获取上次温度预测值和上次温度预测误差。
在本发明实施例中，所述多个温度测量值在进行卡尔曼滤波之前，进行了数据冗余处理，能够得到损失较小的目标量测数据，能够剔除大跳点数据，可扩展性好，消除了冗余信息，大规模降低通信复杂度，具有很好地鲁棒性。
在本发明实施例中，对多个温度传感器的多个温度测量值进行数据冗余处理，获取本次温度测量值，所述本次温度测量值以X(k)表示，同时获取上次温度预测值和上次温度预测误差，所述上次温度预测值以
Figure BDA0002465630670000061
表示，所述上次温度预测误差P(k-1)。
S16：利用所述观测方程，根据所述本次温度测量值，计算本次温度观测值。
在本发明实施例中，由于所述观测方程为：
Z(k)＝H(k)X(k)+V(k)
根据S15中获取的本次温度测量值X(k)，同时H(k)和V(k)可以根据所述温度传感器系统的系统模型获得，因此可以计算本次温度观测值，所述本次温度观测值以Z(k)表示。
S17：利用所述卡尔曼滤波方程，根据所述本次温度观测值、上次温度预测值和上次温度预测误差，计算出本次温度预测值；
利用S14建立的卡尔曼滤波方程，将所述本次温度观测值Z(k)、所述上次温度预测值
Figure BDA0002465630670000062
和所述上次温度预测误差P(k-1)代入所述卡尔曼滤波方程中，即可计算出本次温度预测值，所述本次温度预测值以
Figure BDA0002465630670000063
表示。
图2是本发明实施例中S17的具体流程示意图，图3是本发明实施例中卡尔曼滤波算法的计算框图。
具体的，所述利用所述卡尔曼滤波方程，根据所述本次温度观测值、上次温度预测值和上次温度预测误差，计算出本次温度预测值，包括：
S171：利用所述卡尔曼滤波方程，根据所述上次温度预测值，计算一步温度预测值；
在本发明实施例中，S14建立的卡尔曼滤波方程包括：
Figure BDA0002465630670000071
其中，
Figure BDA0002465630670000072
为一步温度预测值，Φ(k|k-1)为转移矩阵，
Figure BDA0002465630670000073
为上次温度预测值。
可见，根据所述上次温度预测值
Figure BDA0002465630670000074
所述转移矩阵Φ(k|k-1)可以根据所述本次温度观测值、上次温度预测值和上次温度预测误差计算得到，因此可以计算一步温度预测值
Figure BDA0002465630670000075
S172：利用所述卡尔曼滤波方程，根据所述上次温度预测误差，计算一步温度预测误差；
在本发明实施例中，S14建立的卡尔曼滤波方程包括：
P(k|k-1)＝Φ(k|k-1)P(k-1)ΦT(k|k-1)+
Γ(k-1)Q(k-1)ΓT(k-1)
其中，P(k|k-1)为一步温度预测误差，Φ(k|k-1)为转移矩阵，P(k-1)为上次温度预测误差，Γ(k-1)是k-1时刻的n×p维系统噪声输入矩阵，Q(k-1)为上次温度观测误差。
可见，根据所述上次温度预测误差P(k-1)，可以计算一步温度预测误差P(k|k-1)。
S173：利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算滤波增益；
在本发明实施例中，S14建立的卡尔曼滤波方程包括：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]-1
其中，K(k)为滤波增益，P(k|k-1)为一步温度预测误差，H(k)是k时刻m×n维观测矩阵，R(k)为系统噪声误差。
可见，根据所述一步温度预测误差P(k|k-1)，可以计算滤波增益K(k)。
S174：利用所述卡尔曼滤波方程，根据所述一步温度预测值、所述滤波增益和所述本次温度观测值，计算本次温度预测值；
在本发明实施例中，S14建立的卡尔曼滤波方程包括：
Figure BDA0002465630670000081
其中，
Figure BDA0002465630670000082
为本次温度预测值，
Figure BDA0002465630670000083
为一步温度预测值，K(k)为滤波增益，Z(k)为本次温度观测值，H(k)是k时刻m×n维观测矩阵。
可见，根据所述一步温度预测值
Figure BDA0002465630670000084
所述滤波增益K(k)和所述本次温度观测值Z(k)，可以计算出本次温度预测值
Figure BDA0002465630670000085
S175：利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算本次温度预测误差；
在本发明实施例中，S14建立的卡尔曼滤波方程包括：
P(k)＝[I-K(k)H(k)]P(k|k-1)
其中，P(k)为本次温度预测误差，I为单位矩阵，H(k)是k时刻m×n维观测矩阵，P(k|k-1)为一步温度预测误差。
可见，根据所述一步温度预测误差P(k|k-1)，可以计算出本次温度预测误差P(k)，所述本次温度预测误差P(k)可以作为下个循环的上次温度预测误差使用。
图4是本发明实施例中卡尔曼滤波算法的流程示意图。
在本发明实施例中，S171至S175为一次卡尔曼滤波周期，所述卡尔曼滤波周期的循环次数可根据实际情况进行确定，循环次数越多，耗时越长，但温度数据也更加准确。
需要说明的是，所述卡尔曼滤波的过程可以由卡尔曼滤波器完成。
具体实施中，在首次卡尔曼滤波周期开始时，可以根据所述温度传感器系统的系统模型，将相关参数输入值如系统噪声误差R(k)、初始温度观测误差Q(k)等输入至卡尔曼滤波器中，另外还可以通过设定参数N，通过参数N来对卡尔曼滤波周期的循环次数进行设定，同时输入初始温度测量值X(0)、初始温度预测误差P(k)至所述卡尔曼滤波器中，设定k＝0，然后依次进行步骤S171至S175，完成首次卡尔曼滤波周期。
每完成一次卡尔曼滤波周期后，需要判断k+1是否大于N，如果是，则结束循环
完成首次卡尔曼滤波周期后，判断k+1是否大于N，若是，结束循环，若否，则重新回到S171中，进行下一次的卡尔曼滤波周期。
需要说明的是，在一个滤波周期内，卡尔曼滤波具有两个明显的信息更新过程，分别为时间更新过程和观测更新过程。
观测更新过程：系统状态一步预测估计方程说明根据k-1时刻的状态估计预测k时刻状态的方法，一步预测误差估计方差方程对这种预测的质量优劣做了定量的描述。这两个式子的计算中仅仅使用了与系统的动态特性有关的信息，例如系统状态一步转移矩阵、系统噪声输入阵、系统过程噪声方差阵、系统观测噪声方差阵。
时间更新过程：从时间推移的过程来看，系统状态一步预测估计方程和一步预测误差估计方差方程将系统时间从k-1时刻推进到k时刻，描述了卡尔曼滤波的时间更新过程。系统状态估计值方程、滤波增益方程和滤波误差方差方程用来计算对时间更新值的修正量，这个修正量是由时间更新的质量优劣、观测信息的质量优劣R(k)、观测与状态的关系H(k)以及具体的观测信息Z(k)来确定。
S18：输出所述本次温度预测值。
在本发明实施例中，当k+1＞N时，结束循环，输出所述本次温度预测值
Figure BDA0002465630670000091
以此作为k时刻SF6气体的温度。
本发明实施例提供了一种基于卡尔曼滤波的多源温度数据融合方法，所述多源温度数据融合方法利用多个模拟传感器和数字传感器获取多组温度数据，采用卡尔曼滤波算法融合多组温度数据，可以快速、准确地获得气体绝缘变电站中气体的温度，且融合后的温度数据能够更好的适应动态测温和静态测温，能达到温度偏差低、温度均匀性好和温度波动度小的效果，性能优于任何单一的模拟传感器或数字传感器，具有很好实际效果。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于卡尔曼滤波的多源温度数据融合方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于卡尔曼滤波的多源温度数据融合方法，其特征在于，所述多源温度数据融合方法包括：
确定温度传感器系统的系统模型；
根据所述系统模型，建立所述温度传感器系统的状态方程；
根据所述系统模型和所述状态方程，建立所述温度传感器系统的观测方程；
利用所述系统模型、所述状态方程和所述观测方程，建立所述温度传感器系统的卡尔曼滤波方程；
对多个温度传感器的多个温度测量值进行数据冗余处理，获取本次温度测量值，同时获取上次温度预测值和上次温度预测误差；
利用所述观测方程，根据所述本次温度测量值，计算本次温度观测值；
利用所述卡尔曼滤波方程，根据所述本次温度观测值、上次温度预测值和上次温度预测误差，计算出本次温度预测值；
输出所述本次温度预测值。
2.根据权利要求1所述的多源温度数据融合方法，其特征在于，所述状态方程为：
X(k)＝Φ(k，k-1)X(k-1)+Γ(k，k-1)W(k-1)
其中，X(k)是k时刻的n维状态向量，Φ(k，k-1)是k-1时刻到k时刻的n维非奇异状态系统一步转移矩阵，X(k-1)是k-1时刻的n维状态向量，Γ(k，k-1)是从k-1时刻到k时刻的n×p维系统噪声输入矩阵，W(k-1)是k-1时刻的p维系统噪声向量。
3.根据权利要求1所述的多源温度数据融合方法，其特征在于，所述观测方程为：
Z(k)＝H(k)X(k)+V(k)
其中，Z(k)是k时刻的m维观测向量，H(k)是k时刻m×n维观测矩阵，x(k)是k时刻的n维状态向量，V(k)是k时刻的m维观测噪声向量。
4.根据权利要求1所述的多源温度数据融合方法，其特征在于，所述利用所述卡尔曼滤波方程，根据所述本次温度观测值、本次温度测量值、上次温度预测值和上次温度预测误差，计算出本次温度预测值，包括：
利用所述卡尔曼滤波方程，根据所述上次温度预测值，计算一步温度预测值；
利用所述卡尔曼滤波方程，根据所述上次温度预测误差，计算一步温度预测误差；
利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算滤波增益；
利用所述卡尔曼滤波方程，根据所述一步温度预测值、所述滤波增益和所述本次温度观测值，计算本次温度预测值；
利用所述卡尔曼滤波方程，根据所述一步温度预测误差，计算本次温度预测误差。
5.根据权利要求4所述的多源温度数据融合方法，其特征在于，所述根据所述上次温度预测值，计算一步温度预测值，所利用的卡尔曼滤波方程为：
Figure FDA0002465630660000021
其中，
Figure FDA0002465630660000022
为一步温度预测值，Φ(k|k-1)为转移矩阵，
Figure FDA0002465630660000023
为上次温度预测值。
6.根据权利要求4所述的多源温度数据融合方法，其特征在于，所述根据所述上次温度预测误差，计算一步温度预测误差，所利用的卡尔曼滤波方程为：
P(k|k-1)＝Φ(k|k-1)P(k-1)ΦT(k|k-1)+Γ(k-1)Q(k-1)ΓT(k-1)
其中，P(k|k-1)为一步温度预测误差，Φ(k|k-1)为转移矩阵，P(k-1)为上次温度预测误差，Γ(k-1)是k-1时刻的n×p维系统噪声输入矩阵，Q(k-1)为上次温度观测误差。
7.根据权利要求4所述的多源温度数据融合方法，其特征在于，所述根据所述一步温度预测误差，计算滤波增益，所利用的卡尔曼滤波方程为：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]-1
其中，k(k)为滤波增益，P(k|k-1)为一步温度预测误差，H(k)是k时刻m×n维观测矩阵，R(k)为系统噪声误差。
8.根据权利要求4所述的多源温度数据融合方法，其特征在于，所述根据所述一步温度预测值、所述滤波增益和所述本次温度观测值，计算本次温度预测值，所利用的卡尔曼滤波方程为：
Figure FDA0002465630660000031
其中，
Figure FDA0002465630660000032
为本次温度预测值，
Figure FDA0002465630660000033
为一步温度预测值，K(k)为滤波增益，Z(k)为本次温度观测值，H(k)是k时刻m×n维观测矩阵。
9.根据权利要求4所述的多源温度数据融合方法，其特征在于，所述根据所述一步温度预测误差，计算本次温度预测误差，所利用的卡尔曼滤波方程为：
P(k)＝[I-K(k)H(k)]P(k|k-1)
其中，p(k)为本次温度预测误差，I为单位矩阵，H(k)是k时刻m×n维观测矩阵，P(k|k-1)为一步温度预测误差。
CN202010332957.1A 2020-04-24 2020-04-24 一种基于卡尔曼滤波的多源温度数据融合方法 Pending CN111539475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010332957.1A CN111539475A (zh) 2020-04-24 2020-04-24 一种基于卡尔曼滤波的多源温度数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010332957.1A CN111539475A (zh) 2020-04-24 2020-04-24 一种基于卡尔曼滤波的多源温度数据融合方法

Publications (1)

Publication Number Publication Date
CN111539475A true CN111539475A (zh) 2020-08-14

Family

ID=71967683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010332957.1A Pending CN111539475A (zh) 2020-04-24 2020-04-24 一种基于卡尔曼滤波的多源温度数据融合方法

Country Status (1)

Country Link
CN (1) CN111539475A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114138030A (zh) * 2021-10-29 2022-03-04 西安北方华创微电子装备有限公司 温度控制方法和半导体工艺设备
CN115014572A (zh) * 2022-06-07 2022-09-06 四川大学 一种利用光纤瑞利散射提升温度传感阵列性能的方法
CN116541663A (zh) * 2023-06-21 2023-08-04 四川信息职业技术学院 一种基于卡尔曼滤波提高双套站传感器数据质量的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424221A (zh) * 2014-09-17 2016-03-23 通用汽车环球科技运作有限责任公司 用于电池系统温度估计的系统和方法
CN106840458A (zh) * 2017-03-03 2017-06-13 镇江海姆霍兹传热传动系统有限公司 基于扩展卡尔曼滤波的多温度传感器融合方法
CN108616838A (zh) * 2018-04-29 2018-10-02 山东省计算中心（国家超级计算济南中心） 基于卡尔曼滤波算法的农业大棚数据融合处理方法
CN109596241A (zh) * 2018-11-28 2019-04-09 同济大学 电机转子在线温度融合估计方法及系统
US20190285300A1 (en) * 2018-03-16 2019-09-19 Delta Controls Inc. Building Automation System and Method
CN110609973A (zh) * 2019-08-27 2019-12-24 广东艾科技术股份有限公司 一种用于流量测量的卡尔曼滤波方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424221A (zh) * 2014-09-17 2016-03-23 通用汽车环球科技运作有限责任公司 用于电池系统温度估计的系统和方法
CN106840458A (zh) * 2017-03-03 2017-06-13 镇江海姆霍兹传热传动系统有限公司 基于扩展卡尔曼滤波的多温度传感器融合方法
US20190285300A1 (en) * 2018-03-16 2019-09-19 Delta Controls Inc. Building Automation System and Method
CN108616838A (zh) * 2018-04-29 2018-10-02 山东省计算中心（国家超级计算济南中心） 基于卡尔曼滤波算法的农业大棚数据融合处理方法
CN109596241A (zh) * 2018-11-28 2019-04-09 同济大学 电机转子在线温度融合估计方法及系统
CN110609973A (zh) * 2019-08-27 2019-12-24 广东艾科技术股份有限公司 一种用于流量测量的卡尔曼滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕丁浩等: "《基于信息融合的室内温度监测》", 《建筑节能》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114138030A (zh) * 2021-10-29 2022-03-04 西安北方华创微电子装备有限公司 温度控制方法和半导体工艺设备
CN115014572A (zh) * 2022-06-07 2022-09-06 四川大学 一种利用光纤瑞利散射提升温度传感阵列性能的方法
CN116541663A (zh) * 2023-06-21 2023-08-04 四川信息职业技术学院 一种基于卡尔曼滤波提高双套站传感器数据质量的方法
CN116541663B (zh) * 2023-06-21 2023-09-19 四川信息职业技术学院 一种基于卡尔曼滤波提高双套站传感器数据质量的方法

Similar Documents

Publication Publication Date Title
CN111539475A (zh) 一种基于卡尔曼滤波的多源温度数据融合方法
US5627760A (en) Method and apparatus for real time recursive parameter energy management system
CN113484770B (zh) 基于充放电数据在线测算电池内部核心温度的方法及系统
CN112214496B (zh) 基于大数据分析的化妆品生产线安全监测方法及云服务器
CN115238831B (zh) 故障预测方法、装置、计算机设备和存储介质
CN115603320A (zh) 一种基于广域量测数据的实时感知与在线评估方法及系统
CN114118595A (zh) 用电负荷预测的方法、系统、存储介质及电子设备
CN117805621A (zh) 一种电池容量估计方法、装置、设备及存储介质
CN115655757A (zh) 一种车载超导磁体监测系统的确定方法、系统及存储介质
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
Tan et al. Cable joint fault detection for the ring main unit based on an adaptive TNPE algorithm
CN114741822A (zh) 一种自然灾害下配电网停电概率预测方法、系统及装置
CN110391935B (zh) 计及信息物理耦合特性和信息扰动的量测度评估方法及系统
CN113721094A (zh) 低压台区用采系统的误差分析方法及系统、设备、存储介质
CN111047074A (zh) 一种电力负荷波动范围预测方法及装置
CN115422851B (zh) 电力系统元件模型校准方法、装置、设备和存储介质
CN114880912B (zh) 一种发电机机电暂态过程鲁棒动态状态估计方法
CN117874653B (zh) 一种基于多源数据的电力系统安全监测方法及系统
CN113746575B (zh) 一种同步静止轨道卫星的信道衰落确定方法及系统
JP3679817B2 (ja) 非線形時系列データ予測方法
CN112837040B (zh) 应用于智能电网的电力数据管理方法及系统
CN117436290B (zh) 一种数字孪生模型响应优化方法及系统
CN114498640B (zh) 用于智能配电终端运行场景的模拟系统及方法
CN117743090A (zh) 一种变电设备数字孪生数据处理方法及装置
CN116663735A (zh) 电力负荷预测方法、设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200814

RJ01 Rejection of invention patent application after publication