主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
电力系统中的分块Kalman滤波
小类:
信息技术
简介:
作品针对电力系统、网络管理、自动控制、工业生产和经济动态分析等相关领域中,存在着大量的被各类噪声污染的且难以建立起随时间动态变化模型的随机过程,而开展基于输出数据的动态变量估计方法研究。论文已开展的研究内容具有一定的理论上的意义;论文中的建模方法与相关方法相比具有强的先进性;论文中得到的估计方法若经过针对相关对象的实际改进,也可以推广应用到许多相关领域。
详细介绍:
本文针对一类具有周期随机变化特点的随机过程仅有测量模型情况下,首先,通过离散化方法建立了点点采样的离散输出方程、分块形式的输出方程为、描述点采样与被状态块之间的输出方程、及在没有其它先验信息的情况下,依据待估变量具有周期性变化的随机游走特性,建立的动态模型。然后利用Kalman滤波基本方程,和强跟踪滤波对其进行滤波处理。最后,并利用计算机仿真对三种滤波器的性能进行了分析比较。在后续研究中我们已通过引入具有较强的关于模型不确定性的鲁棒性和极强的关于突变状态的跟踪能力的强跟踪滤波方法,将会有效解决因实际需求的急骤增加或外界随时间产生突变等干扰对所建动态模型的不确定性的影响。

作品图片

  • 电力系统中的分块Kalman滤波
  • 电力系统中的分块Kalman滤波
  • 电力系统中的分块Kalman滤波
  • 电力系统中的分块Kalman滤波
  • 电力系统中的分块Kalman滤波

作品专业信息

撰写目的和基本思路

目的:以电力系统在某地每日周期性的载荷量为例,估计此载荷量是电力系统调度运营部门的一项重要的日常性研究工作,也是制定发电计划和输电方案的主要依据。思路:针对具有周期随机变化特点的随机过程仅有测量模型情况下,首先通过离散化方法建立了点点采样的离散输出方程、分块形式的输出方程为、描述点采样与被状态块之间的输出方程、及在无其它先验信息情况下依据待估变量的周期性变化的随机游走特性建立动态模型并验证。

科学性、先进性及独特之处

我们是在充分利用此类过程所具有的周期性特点基础上,再结合这类周期随机过程所具有的周期随机游走性质,建立起来的动态建模更加符合实际情况。同时,在继此文的后续的工作中,我们已通过引入具有较强的关于模型不确定性的鲁棒性和极强的关于突变状态的跟踪能力的强跟踪滤波方法,将会有效解决因实际需求的急骤增加或外界随时间产生突变等干扰对所建动态模型的不确定性的影响。

应用价值和现实意义

电力系统、网络管理、自动控制、经济动态分析等领域中,存在着大量的被各类噪声污染的且难以建立起随时间动态变化模型的随机过程,人们又常希望仅通过系统的输出数据对这类随机过程的状态变量实施有效的实时估计或预测估计,从而对实际工况实施监控、决策和调度等行为提供较准确的数据。本文以电力系统在某一地区中每日周期性的载荷为例,建立相应的实时估计或预测估计方法,估计结果将对制定发电计划和输电方案的提供有力的依据。

学术论文摘要

本文以一类具有周期随机变化特点的随机过程为对象, 在仅有测量模型情况下研究估计方法的设计. 首先, 通过离散化方法建立点点采样的离散输出方程、分块形式的输出方程以及描述点采样与被估计的状态块向量之间的输出方程; 其次, 利用待估随机变量所具有周期性的随机游走特性, 建立对应的状态模型; 再者, 利用扩展Kalman滤波和强跟踪滤波方法, 分别得到实时点估计滤波器、半实时块估计滤波器和实时块估计滤波器等三种未建模系统随机变量基于输出测量值的估计方法; 最后, 利用计算机仿真对三种滤波器的性能进行了分析比较.

获奖情况

1)作者:第一作者.题目:未建模系统基于观测值的实时分块Kalman滤波估计方法研究。杂志:《电子学报》(一级核心期刊,已录用); 2)作者:第一作者. 题目:BLOCK KALMAN FILTERING FOR POWER SYSTEM. 会议:IEEE 2011 International Conference on Information Systems and Computational Intelligence (ICISCI 2011)——(EI收录). 地点:Harbin,China. 18-20, January,2011 (作为正文的一部分内容,发表在国际会议上,“EI”待收录)。 3) 本作品在2011年5月份举行的某省第十二届“挑战杯”大学生课外学术科技竞赛中荣获一等奖。

鉴定结果

未见对具有周期变化的随机过程动态建模及状态估计研究;对待估变量给定周期为单位分块状态的建模预估方法研究相同;利用卡尔曼滤波建立对待估变量给定周期为点状态的建模预估方法研究相同文献,具体请参见查新报告。

参考文献

[1]Ienkaran Arasaratnam, Simon Haykin. “Cubature Kalman Filters”, IEEE transactions on automatic control, pp.1254-1269, 2009 [2] 余立文. 一个非平稳随机过程基于强跟踪滤波的估计方法研究. 杭州电子科技大学. [3] 李捷,候秀红,韩志杰.基于卡尔曼滤波和小波的网络流量预测算法研究[J].电子与信息学报, 2007,29(3):725-728. [4] 李捷,吕冰,韩志杰.居于混合预测模型的VBR流拥塞控制机制[J].计算机工程,2008,34(24):34-36. [5] 高雷,任慧玉,文成林. 掌握股市[M]. 北京:中国科学技术出版社,2005. [6] Tongxin Zheng,Adly A. Girgis, Elham B. Makram. A hybrid wavelet-Kalman filter method for load forecasting[J]. Electric Power Systems Research. 54(2000):11-17. [7] Bonivento C,Tonielli. A detection estimation multifilter approach with nuclear application.In:IFAC Proc.Series,1984.1771-1776 [8] 周东华,叶银重. 现代故障诊断与容错控制[M]. 北京:清华大学出版社,2001:61-68. [9] 周东华,席裕庚,张钟俊. 一种带多重次优渐消因子的扩展卡尔曼滤波器. 自动化学报,1991,17(6):689-695. [10] 任慧玉. 最优估计与小波分析理论在经济分析中的应用研究[D]. 开封:河南大学,2004.

同类课题研究水平概述

在针对目标的状态估计方面,传统的方法大都是基于对目标状态建立随时间变化的动态的模型,并利用对各类传感器建立的测量模型和测量值,然后再基于相应的估计理论或方法建立相应的估计方法。近些年来,随着科学技术、特别是信息科学技术的发展,国内外在电力系统、网络管理、自动控制、工业生产和经济动态分析等系统或过程都越来越复杂,这样就必然导致传统基于在对系统机理分析基础上要建立对应的精确数学模型也就越来越困难。由于信息采集、存储和处理技术的普遍利用和不断发展,上述系统每天都会产生并存储大量的生产、设备和过程数据。而在未能对系统建立起动态模型情况下,基于输出观测值并利用系统动态变量的相关特性,对过程或系统进行优化控制、决策、调度和故障诊断等,已成为上述相关领域及制造、交通运输和物流等领域迫切解决的问题,其中对系统过程进行估计是其中重要研究内容之一。对未建模系统随机变量并基于输出观测值建立基于Kalman滤波的系统状态变量估计方法的研究,在国内外范围内都是新的研究课题,公开发表的成果不多。在已有研究成果,大多数是将待估计的随机变量视为具有随机游走性质,并简单地将其作为随时间变化的动态模型,然后利用Kalman滤波算法对被估变量实施估计。这些工作都没有充分地利用这类随机过程所具有的周期性特点,因此常会因建立的状态建模不准确而造成估计结果与实际情况偏差较大的结果。而当因实际需求的急骤增加或外界随时间产生突变的情况下,由于所建动态模型的不确定性,常导致所以建立的估计算法不具备跟踪能力,从而导致估计不准确甚至发散的问题。在本论文中的我们是在充分利用此类过程所具有的周期性特点基础上,再结合这类周期随机过程所具有的周期随机游走性质,建立起来的动态建模更加符合实际情况。同时,在继此文的后续完成的工作中,我们拟通过引入具有较强的关于模型不确定性的鲁棒性和极强的关于突变状态的跟踪能力的强跟踪滤波方法,将会有效解决因实际需求的急骤增加或外界随时间产生突变等干扰对所建动态模型的不确定性的影响。因此,本论文研究成果具有先进性。
建议反馈 返回顶部
Baidu
map