-
公开(公告)号：CN106972949B
公开(公告)日：2019-10-18
申请号：CN201710082557.8
申请日：2017-02-16
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了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，用于解决分数阶网络系统在量测信号数据发生随机丢包情况下的状态估计问题。本发明的具体步骤如下：(1)以二进制伯努利分布变量为基础，结合量测数据发生随机丢包的特点，建立了计及测信号发生数据随机丢包的分数阶网络系统模型。(2)以新息序列为基础，提出了可以用于动态补偿量测信号丢包的自适应补偿技术。(3)在上述步骤的基础上，结合传统的线性分数阶卡尔曼滤波方法，给出了可用于量测信号数据随机丢包情况下的分数阶网络系统状态估计方法。算例分析表明了本发明方法有效性和实用性。
-
公开(公告)号：CN106936628A
公开(公告)日：2017-07-07
申请号：CN201710082556.3
申请日：2017-02-16
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了一种计及传感器故障的分数阶网络系统状态估计方法，用于分析分数阶网络系统因传感器故障而引起的数据丢包情况下的状态估计问题。该方法的具体步骤如下：首先对传感器故障情况下，发生数据随机丢包的系统模型进行了分析，建立了考虑数据随机丢包情况下的分数阶网络系统模型。接着，以传统的分数阶扩展卡尔曼滤波状态估计方法为基础，结合传感器故障情况下的分数阶网络系统模型，设计出了改进分数阶扩展卡尔曼状态估计方法。本方法适用于传感故障引起数据随机丢包情况下的分数阶网络系统状态估计问题，且流程简单易于实现。
-
公开(公告)号：CN106936628B
公开(公告)日：2019-10-18
申请号：CN201710082556.3
申请日：2017-02-16
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了一种计及传感器故障的分数阶网络系统状态估计方法，用于分析分数阶网络系统因传感器故障而引起的数据丢包情况下的状态估计问题。该方法的具体步骤如下：首先对传感器故障情况下，发生数据随机丢包的系统模型进行了分析，建立了考虑数据随机丢包情况下的分数阶网络系统模型。接着，以传统的分数阶扩展卡尔曼滤波状态估计方法为基础，结合传感器故障情况下的分数阶网络系统模型，设计出了改进分数阶扩展卡尔曼状态估计方法。本方法适用于传感故障引起数据随机丢包情况下的分数阶网络系统状态估计问题，且流程简单易于实现。
-
公开(公告)号：CN106786561B
公开(公告)日：2019-06-18
申请号：CN201710091562.5
申请日：2017-02-20
申请人： 河海大学
摘要： 本发明公开了一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法，用于解决电力系统低频振荡模态参数识别问题。本发明的具体实施步骤如下：首先，通过对低频振荡信号的分析，结合其自身的特点，建立了状态分量包含待辨识参数的状态空间模型；在此基础上，考虑到系统噪声和量测噪声协方差的时变性，通过运用自适应技术实现了对噪声协方差的动态估计；最后，结合卡尔曼滤波方法实现了对低频振荡模态参数的有效辨识。算例分析表明了本发明的有效性和实用性。
-
公开(公告)号：CN106878076A
公开(公告)日：2017-06-20
申请号：CN201710089199.3
申请日：2017-02-20
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了一种计及数据丢包和增益扰动的分数阶网络系统状态估计方法，用于分析分数阶网络系统在量测信号数据发生随机丢包和增益受到干扰情况下的状态估计问题。本发明的具体流程如下：首先对量测信号发生数据随机丢包特点进行分析，建立了计及量测信号数据随机丢包情况下的分数阶网络系统模型；接着，设计了计及观测器增益干扰的观测器模型；最后，以建立的模型为基础，结合分数阶扩展卡尔曼滤波的知识和矩阵不等式理论，设计出了一种可以同时计及量测数据随机丢包和观测器增益干扰的广义分数阶扩展卡尔曼滤波方法，算例分析表明了本发明方法有效性和实用性。
-
公开(公告)号：CN107590317B
公开(公告)日：2020-08-11
申请号：CN201710705436.4
申请日：2017-08-17
申请人： 河海大学
摘要： 本发明提供了一种计及模型参数不确定性的发电机动态估计方法，建立发电机动态状态估计模型：建立发电机的经典模型，并构造其动态状态估计方程和量测方程；误差分析：考虑量测值以及过程噪声的误差方差阵；自适应鲁棒扩展卡尔曼滤波动态估计：依据发电机状态空间模型，采用自适应鲁棒扩展卡尔曼滤波对发电机机电暂态过程中功角和电角进行动态估计。本发明方法不仅可以有效界定系统参数不确定性所引入的估计误差上限，并且由于采用了自适应技术对参数进行自适应估计，避免了传统鲁棒扩展卡尔曼滤波误差上限难选取的问题；所以，较现有方法本发明具有更好的鲁棒性，估计精度更高。
-
公开(公告)号：CN106878076B
公开(公告)日：2019-10-18
申请号：CN201710089199.3
申请日：2017-02-20
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了一种计及数据丢包和增益扰动的分数阶网络系统状态估计方法，用于分析分数阶网络系统在量测信号数据发生随机丢包和增益受到干扰情况下的状态估计问题。本发明的具体流程如下：首先对量测信号发生数据随机丢包特点进行分析，建立了计及量测信号数据随机丢包情况下的分数阶网络系统模型；接着，设计了计及观测器增益干扰的观测器模型；最后，以建立的模型为基础，结合分数阶扩展卡尔曼滤波的知识和矩阵不等式理论，设计出了一种可以同时计及量测数据随机丢包和观测器增益干扰的广义分数阶扩展卡尔曼滤波方法，算例分析表明了本发明方法有效性和实用性。
-
公开(公告)号：CN107590317A
公开(公告)日：2018-01-16
申请号：CN201710705436.4
申请日：2017-08-17
申请人： 河海大学
摘要： 本发明提供了一种计及模型参数不确定性的发电机动态估计方法，建立发电机动态状态估计模型：建立发电机的经典模型，并构造其动态状态估计方程和量测方程；误差分析：考虑量测值以及过程噪声的误差方差阵；自适应鲁棒扩展卡尔曼滤波动态估计：依据发电机状态空间模型，采用自适应鲁棒扩展卡尔曼滤波对发电机机电暂态过程中功角和电角进行动态估计。本发明方法不仅可以有效界定系统参数不确定性所引入的估计误差上限，并且由于采用了自适应技术对参数进行自适应估计，避免了传统鲁棒扩展卡尔曼滤波误差上限难选取的问题；所以，较现有方法本发明具有更好的鲁棒性，估计精度更高。
-
公开(公告)号：CN106786561A
公开(公告)日：2017-05-31
申请号：CN201710091562.5
申请日：2017-02-20
申请人： 河海大学
CPC分类号： Y02E60/76 , Y04S40/22 , H02J3/00 , G06F17/5009 , H02J3/24 , H02J2003/007
摘要： 本发明公开了一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法，用于解决电力系统低频振荡模态参数识别问题。本发明的具体实施步骤如下：首先，通过对低频振荡信号的分析，结合其自身的特点，建立了状态分量包含待辨识参数的状态空间模型；在此基础上，考虑到系统噪声和量测噪声协方差的时变性，通过运用自适应技术实现了对噪声协方差的动态估计；最后，结合卡尔曼滤波方法实现了对低频振荡模态参数的有效辨识。算例分析表明了本发明的有效性和实用性。
-
公开(公告)号：CN106972949A
公开(公告)日：2017-07-21
申请号：CN201710082557.8
申请日：2017-02-16
申请人： 河海大学
IPC分类号： H04L12/24
摘要： 本发明公开了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，用于解决分数阶网络系统在量测信号数据发生随机丢包情况下的状态估计问题。本发明的具体步骤如下：(1)以二进制伯努利分布变量为基础，结合量测数据发生随机丢包的特点，建立了计及测信号发生数据随机丢包的分数阶网络系统模型。(2)以新息序列为基础，提出了可以用于动态补偿量测信号丢包的自适应补偿技术。(3)在上述步骤的基础上，结合传统的线性分数阶卡尔曼滤波方法，给出了可用于量测信号数据随机丢包情况下的分数阶网络系统状态估计方法。算例分析表明了本发明方法有效性和实用性。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.021 秒)
