weixin_46039719的博客

基于UKF法、AUKF法和EUKF法的电力系统状态估计研究是一种利用无迹卡尔曼滤波（Unscented Kalman Filter, UKF）以及其改进算法（Augmented Unscented Kalman Filter, AUKF和Extended Unscented Kalman Filter, EUKF）来进行电力系统状态估计的研究方法。需要注意的是，在状态估计研究中，选择适当的滤波算法和参数设置，以及合理的模型建立，都是影响状态估计精度的关键因素。部分理论来源于网络，如有侵权请联系删除。

然而，粒子滤波的效率和精度受到粒子数目的影响，过多的粒子会导致计算复杂度增加，而过少的粒子会引入估计误差。在一维粒子滤波中，需要对粒子进行重采样，以根据它们的权重重新分配粒子的数量。重采样的目的是为了保留那些具有较高权重的粒子，去除那些权重较低的粒子。以蓝色显示移动前的粒子（带直方图）、用红线移动后的实际位置、用洋红色线显示的测量值、运动模型向前传播并根据测量值加权的粒子（以黑色显示），以红色显示重采样粒子（带直方图）一种常见的方法是使用粒子的加权平均值作为状态的估计，其中权重反映了粒子的可能性。

如今，根据最近的研究，分布式拒绝服务（DDoS）攻击是最重要的网络攻击。在各种DDoS检测方法中，机器学习（ML）算法吸引了研究人员。到目前为止，已经引入了几种方法来应对这些挑战，但研究人员试图找到提高方法性能的新策略。该文提出一种二进制改进的非洲秃鹫优化算法（Sin-Cos-bIAVOA）来选择DDoS攻击的有效特征。为了选择要素的最佳子集，该方法中采用重力固定半径最近邻 （GFRNN） 作为分类器。因此，Sin-Cos-bIAVOA探索有希望的领域，以实现最佳解决方案并避免局部最优陷阱。

-对于许多应用领域来说，为了准确模拟物理系统的基本动力学，包括非线性和非高斯性元素变得越来越重要。此外，从存储成本和快速适应不断变化的信号特性的角度来看，在到达数据时在线处理数据通常至关重要。在本文中，我们回顾了非线性/非高斯跟踪问题的最优和次优贝叶斯算法，重点是粒子滤波器。粒子滤波是基于概率密度的点质量（或“粒子”）表示的顺序蒙特卡罗方法，可以应用于任何状态空间模型，并推广传统的卡尔曼滤波方法。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

2]李成城,马立森,田原,贾运红,贾曲,田伟琴,张凯.基于CLAHE与卡尔曼滤波的掘进机机载视频稳像算法[J].工矿自动化,2023,49(05):66-73.DOI:10.13272/j.issn.1671-251x.2022100002.在所有 4 种情况下，KF 函数都接受多维系统的噪声样本作为输入，并根据噪声样本中固有的时变过程/噪声协方差生成真实系统状态的 KF 估计值。1） 标准卡尔曼滤波器 2） 扩展卡尔曼滤波器 3） 双卡尔曼滤波器 4） 平方根卡尔曼滤波器。行百里者，半于九十。

本文综述了连续非线性动力系统噪声时间序列测量中参数和未观测到的轨迹分量的估计问题。首先表明，在没有明确考虑测量误差的参数估计技术（如回归方法）中，噪声测量会产生不准确的参数估计。另一个问题是，对于混沌系统，必须最小化以估计状态和参数的成本函数非常复杂，以至于常见的优化例程可能会失败。我们表明，包含有关潜在轨迹的时间连续性的信息可以显着改善参数估计。本文详细描述了两种同时考虑变量误差问题和复杂成本函数问题的方法：射击方法和递归估计技术。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。行百里者，半于九十。

卡尔曼滤波器属于随机观测器，采用状态空间法在时域内设计滤波器，使用线性最小方差估计，有良好的滤波性能。卡尔曼滤波器是一组数学方程，用一种有效的递归方法来估计系统的状态，在考虑系统的输入、输出随机干扰的情况下，得到满足最小均方根误差的最优估计，可以有效的削弱随机干扰和测量噪声的影响。随着计算机控制技术的发展，其计算复杂性已经不再是障碍，所以卡尔曼滤波器逐渐得到了大家的重视，如今已广泛应用于各个领域，如导航制导、工业控制、目标跟踪、大地测量和金融等。所示，下面介绍离散系统卡尔曼滤波器的原理。

PC可能有大量的外设选择，如COM端口，USB, Wifi，键盘，鼠标，显示器等。然后提供图形说明，以指导您完成实现Simulink模型的整个过程，以设计，模拟和评估UKF用于倾斜传感器系统的性能。在第二部分中，提供图形说明，以指导您完成将您的设计从Simulink模型转移到基于Rapid STM32 - R1邮票板的现实世界独立倾斜传感器系统的过程。在第二部分中，将提供图形说明，指导您将设计从 Simulink 模型转移到基于 Rapid STM32 - R1 印章板的实际独立倾斜传感器系统的过程。

印度科学理工学院 ShaliniRodrigues 等借助阻抗谱的手段测试不同 SOC 值电池的阻抗，用以提取随 SOC 变化的电池参数，然后制定 SOC 和该参数的映射关系，采用查表方式进行 SOC 的标定[55]。目前国内外使用的动力电池SOC 的估计方法主要有三大类[52-54]：基于动力电池表征参数测量值的估计方法、基于安时积分的估计方法和基于电池模型和观测器的融合方法。然而，动力电池具有很强的时变非线性，在电动汽车上应用时，又受工况、环境等随机性因素影响，对其状态的实时精准估计具有挑战性。

本文模拟了安装在无人机中的距离传感器从地形获得的观测结果，并试图通过嘈杂的观测来估计地面的当前高度。线性卡尔曼滤波和粒子滤波技术都得到了实施和比较。[2]王涛,谢婧怡,孟丽岩,李勐.基于平方根容积卡尔曼滤波器的非线性模型参数识别[J].黑龙江科技大学学报,2023,33(01):109-115.[1]杜云峰.卡尔曼滤波器在过程估计中的应用[J].机电产品开发与创新,2007(04):142-143.博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

该近似在每个时间步上分别形成，结果是一个递归算法，其中在每个步骤上，状态和噪声方差的足够统计数据都是通过卡尔曼滤波器的定点迭代估计的。与本工作相关，还考虑了具有未知方差的AR模型的VB近似，但未考虑具有未知时变方差的一般线性状态空间模型。两种主要方法是推导因式自由形式分布（对于共轭指数类中的模型），或者假设固定形式的后验分布（例如，多元高斯，可能具有模型的适当参数化）。贝叶斯噪声自适应滤波方法的例子是基于状态增强的方法[10]，[11]，多模型方法，如。贝叶斯方法是其中最通用的，其他方法通常可以解释为。

然而，这两者的输出是不同的，激光雷达的输出是笛卡尔坐标中物体的位置，而雷达给出物体在极坐标中的位置和速度。使用扩展卡尔曼滤波器是因为它可以融合非线性数据，在这种情况下是来自笛卡尔坐标和极坐标的数据。为了估计非线性测量，引入了雅可比矩阵。[1]杨春玲,倪晋麟,刘国岁,郑全战.转换坐标卡尔曼滤波器的雷达目标跟踪[J].电子学报,1999(03):121-123.博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论引用网络文献，若有侵权联系博主删除。行百里者，半于九十。

考虑了最优卡尔曼滤波的例子。假设一些非标量复杂系统来分析最优卡尔曼滤波器的可用性，以获得估计值。作为估计前提和鲁棒性的度量，协方差矩阵对角线（与系统变化相关）时间依赖性。[1]岳兴春,彭勇,宋威,黄嘉诚,周钰琛.融合EMA和卡尔曼滤波的MEMS去噪研究与应用[J].仪表技术与传感器,2023(04):83-86+92.系统的特定组件通过过滤提供良好的估计，另一个则不然。得出结论，过滤器使用的有效性取决于系统。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

在Σ点滤波器（也称为无迹滤波器）中，我们不用一大堆散射粒子来表示不确定性，而是假设不确定性具有高斯（正态）分布，并且以当前最佳估计值为中心：因此，我们可以用协方差矩阵来表示不确定性，就像我们为上面的粒子计算的那样。我们将协方差可视化为围绕状态估计的椭圆，其中椭圆绘制在 3σ 边界处（因此，真实状态大约 99.7% 的时间在这个椭圆内）。绘制 1000 个粒子只是为了进行比较。

EKF是卡尔曼滤波器在非线性系统中的应用的推广延伸，其离散非线性系统的状态和测量方程表示为EKF原理如图1所示。EKF主要包含时间更新预测与测量更新校正）两个阶段。时间更新包含以下部分：卡尔曼滤波器法原理由射影定理推导而来，能在线性高斯模型的情况下对目标状态做出最优估计，但实际系统多为非线性系统[83]。为解决非线性系统滤波问题，常用处理方法是将其看作一个近似的线性滤波问题。目前应用较多的是 EKF。

本文讲解扩展卡尔曼滤波 （EKF） 和全球定位系统 （GPS） 的原理和算法。它旨在提供相对易于实现的 EKF。它还简要介绍了用于 GPS 的卡尔曼滤波算法。在 EKF 示例中，使用 EKF 和最小二乘法进行 GPS 定位的原始数据和解决方案。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

椭圆Copula的相关系数rho和Clayton、Gumbel Copula的Copula参数tau可以是静态的，也可以是时变的。对于椭圆Copula，假设rho服从DCC( 1)规范，而对于阿基米德Copula，假设Kendall ' s tau服从Patton规范。[2]丛颖男,刘宜鑫,杨达森.基于Copula方法的中国金融市场间相依结构研究[J].金融经济学研究,2023,38(02):51-65.该工具箱用于估计区制转换Copula模型的参数，假设存在两个区制。行百里者，半于九十。

投资实践中保险公司的投资组合一般由多种类型的金融资产构成，随着金融市场的不断发展，金融市场或金融资产间的相关关系越来越复杂，呈非线性和尾部相关的相关模式，基于线性相关系数的分析方法已经不能准确反映金融资产间的相关信息。函数，可以达到将边缘分布和组合中资产之间的相关结构分开来研究的目的，同时减小多变量时间序列建模和分析的难度，并使建模和分析过程更加清晰。函数的提出为解决多元金融时间序列建模提供了很好的方法，它不仅可以刻画资产间的非线性相关关系，而且对边缘分布没有任何限制，现在。行百里者，半于九十。

递推非线性滤波问题广泛存在于自动控制、导航、跟踪、制导、数字通信、经济统计、概率推理、人工智能、信息融合和故障检测等领域,其基本任务就是要从受噪声污染的观测量中去递推地估计不可观测的系统状态,该系统被称为动态状态空间模型( Dynamic state-space model , DSSM)。[1]程水英,毛云祥.迭代无味卡尔曼滤波器[J].数据采集与处理,2009,24(S1):43-48.DOI:10.16337/j.1004-9037.2009.s1.016.而将过程噪声和量测噪声分离出来处理。

然后使用Koopman动力学的提升状态采恢复非线性系统的状态(给定有关我们基函数的知识)，然后将我们估计的非线性系统的这种状态序列与系统的实际动力学进行比较。为了识别杜宾汽车模型的非线性动力学，我们使用Koopman算子理论首先从系统的仿真中提升数据，利用这些提升的数据来识别Koopman空间中的线性系统，然后恢复我们原始动力学的非线性向量场。算子可以描述非线性系统的可观测状态量在高维空间中的线性演化过程，可以将非线性问题转化为线性问题，对于非线性系统的研究有较大的价值。所示，原系统所在空间为。

摘要：方向估计（MODE）方法具有吸引人的优势，例如渐近效率，计算复杂度适中，并且在处理相干信号方面具有出色的性能，这是传统的基于子空间的方法所不具备的。然而，MODE对根多项式系数的对称性采用了额外的假设和约束，这可能会导致在低信噪比/小样本量的情况下严重的性能下降，因为任何估计误差都会因对称性而放大两次。此外，MODE 的标准实现没有用于更新其估计值的封闭式解决方案。我们表明，具有闭式解的PUMA，不依赖于对系数的任何额外假设和约束，是最小化相同成本函数的比MODE更好的替代项。行百里者，半于九十。

本文基本思路是：首先生成一个含有噪声的信号，然后对其进行KF滤波，使得噪声得到一定程度的削减，从而还原出原信号。具体实现中，使用了状态方程和观测方程，根据状态方程和观测方程来设定F、H、Q、R这四个矩阵，并通过计算KF滤波的五大公式来实现滤波。程序的最后一段是用不同颜色的线条展示出原信号、观测信号和滤波之后的信号，方便直观的比较三者的差异。

1]赵国强,鞠敏,刘丹丹,邓金涛,袁文文.基于卡尔曼滤波的坡度估算及验证[J].汽车电器,2022(12):68-69+72.DOI:10.13273/j.cnki.qcdq.2022.12.027.博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

文献来源：摘要:我们提出了一个基于粒子滤波的预测框架的实现，该框架利用使用概况的统计特征来(i)估计充电状态(SOC)， (ii)预测储能设备(锂离子电池)的放电时间。该方法采用了一种新的经验状态空间模型，该模型受到电池现象学的启发，并使用粒子滤波算法实时估计SOC和其他未知模型参数。滤波阶段采用的自适应机制提高了状态估计的收敛性，为预测阶段提供了充分的初始条件。SOC预测使用基于粒子滤波的框架来实现，该框架考虑了基于两态马尔可夫链转移概率的最大似然估计的未来放电曲线的不确定性的统计特征。

这正成为电力公司日益关注的问题，近年来引起了电力系统研究人员和工程师的注意。电力系统运行和规划中的状态估计是监测和控制系统的重要工具，通过电表测量和电力系统拓扑来估计电力系统的最佳状态。因此，本文提出了避免系统内不必要的全面停电的建模和对策。本文的结果可以作为制定必要的电力系统网络脆弱性保护对策的基础。虚假数据注入攻击(false data injection attacks，FDIAs)能够利用能量管理系统中的坏数据检测漏洞，恶意篡改状态估计结果，严重危害电力系统的安全可靠运行。行百里者，半于九十。

电力系统由能源管理系统（EMS）或监督控制和数据采集（SCADA）系统持续监测和控制，这些系统需要状态估计器的输入来维持电力系统的运行状态。因此，状态估计使用来自仪表测量的数据，计算这些测量的最佳估计值，然后将结果用于控制网格。因此，电力系统运行和规划中的状态估计是监测和控制系统通过电表测量和电力系统拓扑估计电力系统最佳状态的重要和必不可少的工具。对于简化的直流模型，方程是线性的，不需要迭代。了解电力系统的当前配置可能会导致BDD的当前实现无法检测到攻击，因为攻击者希望注入与估计状态密切相关的数据。

随着无人机技术的发展固定翼无人机由于其成本低飞行速度快、高度高可按规划航迹自主飞行等特点广泛应用于军事和民用领域，进而对无人机飞行时完整的状态反馈提出了更高的要求。但同时大多数无人机配置着由低成本微机电系统、磁力计GPS及气压传感器组成的低成本飞控系统这些传感器在测量过程中会产生持续的噪声和漂移，从而造成严重后果。且利用这样的飞控系统研究无人机自主飞行控制问题，虽可以明显降低其研究成本，但随着时间的增加传感器的测量误差被叠加，严重影响无人机的控制精度。

摘要:随着微型飞行器(MA Vs)变得越来越便宜和普遍，它们在复杂的城市环境中的使用将变得更加可取，如检查、监控和交付。这些环境的导航需要比传统GNSS系统提供的更高的位置精度。虽然MA v通常包含惯性测量单元(imu)，但其基于积分的状态估计容易随时间漂移。我们探索了传感器融合的使用，以结合这些互补的传感器。在这个项目中，我们使用不变扩展卡尔曼滤波器(InEKF)来估计MAV在具有挑战性的城市环境中的位置。我们通过将估计位置与地面真相数据集进行比较来评估我们的结果。行百里者，半于九十。

传统的系统状态估计方法只用到连续信号，而离散测量信号所包含的信息没有得到利用.提出一种基于混合信号(包括连续和离散)的系统状态估计方法，既利用了连续信号，也用到离散信号的信息。该方法将离散信号的变化视作系统的离散事件，提取其准确的信息并参与系统状态估计，构成具有混合系统特性的新型状态估计器。还讨论了该估计器的稳定性条件和设计方法。仿真实验证明这种所提出的状态估计方法可以有效地改善系统的状态估计性能。本文模拟 MCV 观察器，使用多个候选信号的中位数的状态估计方法来进行观测信号（包括异常值）。

尽管量测覆盖率很低，配电网状态估计从九十年代就开始从输电网状态估计拓展传统的状态估计采用最小二乘估计器[36],在存在不良数据时估计效果不理想，需要引入网络拓扑结果辨识、不良数辨识和参数辨识。除了最小二乘估计器，文献[37]讨论了最小平方中值（Least Median of Squares,LMS）估计器和截尾最小二乘(Least Trimmed Squares,LTS）估计器在有不良数据的状态估计的优越性，但是在估计过程中需要较高的量测冗余度和较多的计算时间。

因此，通过高级PMU部署促进的实时动态状态估计（DSE）获得的准确系统动态状态变得至关重要。摘要： 为了提高用于电力系统动态状态估计的无迹卡尔曼滤波（UKF）的数值稳定性，该文提出一种保证正半定估计误差协方差的新型UKF（UKF-GPS），并与现有的5种方法进行了比较，包括UKF-schol、UKF-GPS。中指出的那样，EKF和UKF都可能遭受维数的诅咒，并且在状态向量大小为或更大的高维状态空间模型中，维数的影响可能会变得有害，特别是当描述状态空间模型的方程中存在高度非线性时，电力系统正是这种情况。

摘要:本文讨论了在LTI或LPV描述子框架中建模的系统的MATLAB/SCILAB工具箱的开发。(Darouach等人，1996)的作者提出了一种降阶未知输入观测，类似于(Chen和Patton, 1999)中研究的LTI系统的观测器。如果限制是模型的一部分，那么系统就变成了描述符- lti (DLTI)表示。许多系统都可以用非线性微分方程来建模，但是监控系统的设计是一项困难的任务。因此，对非线性系统进行线性化以获得线性时不变(LTI)系统是非常常见的，但这种表示在一个平衡点或工作点附近是有效的。

文献来源：摘要：为了处理带观测滞后多传感器系统的融合估计问题,引入了局部次优递推Kalman滤波器,利用改进的协方差交叉融合算法,提出了改进协方差交叉融合Kalman滤波算法。它可以避免由互协方差计算引起的较大计算负担,并可以处理互协方差未知系统的融合问题。与传统协方差交叉融合Kalman滤波器相比有更高的鲁棒精度,改进的协方差交叉融合器的精度高于每个局部传感器,并且更接近于按矩阵加权的Kalman滤波器精度,因而具有良好的性能。仿真例子验证了其有效性、一致性,并对精度关系做出了几何解释。

由于其在众多领域中被广泛的应用，比如应用于系统辨识[4][5]、回波消除[6]、图像去噪与图像目标检测[7][10]、语音预测[11]、自适应天线阵[12]、分布式网络[13]-[15]等诸多领域中。在1960年左右斯坦福大学的B.Widrow等首次提出自适应滤波理论[16]，自适应滤波理论是依据Wiener滤波和Kalman滤波[17]等线性滤波的理论而兴起的一种最佳滤波方法，可使自适应滤波算法系统的参数根据信号、噪声或信道实际情况自动地调整而达到最佳状况，因而其具备非平稳和非线性特征。

subplot(2,1,1),hold on, grid on, plot(ref_seg(2,:)', 'black'), plot(amp_med'), title('amplitude'), xlabel('medi玢o'), ylabel('amplitude (%)')【 PMU】信号生成、采样、分割、估计器应用和误差计算，并用Matlab代码实现。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

线性网络建模和相量测量单元（PMU）简化了传统的系统状态估计（SSE）问题。现有的基于多相SSE PMU的模型是线性的，包括作为固定不变参数的接地电阻。作为一项关键贡献，线性SSE方法中使用的正态方程结构被扩展为非线性方程结构，以便能够估计接地电阻、中性点对地电压和中性点电流。当前趋势表明，基于功率测量的传统系统状态估计器（SSE）可以逐渐被使用相量测量单元（PMU）同步电流和电压变量的估计器所取代。三相域中加权最小二乘（WLS）状态估计问题的解决方案很简单，因为得到的数学模型是线性的[2]。

相量测量单元 （PMU） 收集高精度电压和电流数据，以监控电力系统的性能。但是，在电源系统内的每条总线上实施PMU的成本很高。最佳PMU放置（OPP）对于最大限度地减少实施的PMU数量同时保持网络的完全可观察性变得必要。本文考虑了优化PMU放置时总线连接的弹性。接下来，采用机会约束规划的技术来创建考虑N-1偶然性的随机模型。最后，通过应用随机规划技术，使用IEEE 1996可靠性测试系统对模型进行测试。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

近 年 来 ，随 着 大 量 分 布 式 电 源（distributed generation）接入配电网，使配电网朝着更加灵活的方向发展，配电网管理模式从被动向主动转变[1]。数值优化算法主要分为穷举法和整数规划法，虽然整数规划法发展较为成熟，但配电网节点数目较多，短时间不可能大规模安装 PMU。状态估计作为配电管理系统不可或缺的组成要素，其主要研究内容是如何在有限数量的 PMU 量测装置情况下尽可能地提高配电网状态估计精度。）系统，但该系统量测数据采集周期较长，无法得到电网中的实时数据。

在实践中，由于相干信号的出现和/或可用快照的数量很少，准确找到DOA是一个挑战。本文通过一种新的增强的模态分析主奇异向量利用（EPUMA）DOA估计方法重新审视了这个问题，该方法通过首先为P ≥ K的K源生成（P+K）DOA候选，然后明智地选择其中的K来提高阈值性能。从理论上推导了EPUMA的渐近方差，并提供了数值结果，验证了EPUMA的渐近分析，并说明了EPUMA的实际优点。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

但现在，一种叫做相量测量单元（PMU）的高效测量设备正在使用，它可以测量母线的电压相量（大小和角度）以及直接连接线路的电流相量。因此，相量测量被用作传统测量的附加测量，以估计电力系统的状态。在本本文中，解释了使用PMU测量来估计电力系统的状态，编写了Matlab程序，并在IEEE-14总线和IEEE-30总线系统上进行了仿真，以验证该方法。该方法使用单独的线性状态估计器模型，该模型利用来自WLS的状态估计以及通过后处理的PMU电压和电流测量。首先，该模型使用传统测量的WLS状态估计方法估计极坐标中的状态。