先进电动汽车状态估计与辨识

高博等人翻译的状态估计的书 最全，适合做机器人相关开发的同学学习

关于估计状态的方法的综述，主要是随机数据的选择方法

旨在通过简单的匀速直线运动场景，理解Kalman滤波过程，运行结果可参考本博主的《卡尔曼滤波（Kalman Filter）》

函数 abgFilter 实现了 alpha-beta-gamma 滤波器的通用算法，该算法是给定观察数据的速度和加速度的线性状态估计。 它的作用类似于平滑。 也与卡尔曼滤波器和控制理论中使用的线性状态观察器密切相关。 它的主要优点是不需要详细的系统模型。

传统的粒子滤波算法在重采样期间丢弃小重量粒子,因此重要性权重落在极少数粒子上。这会导致采样粒子贫化、粒子多样性缺失以及需要大量粒子才能进行比较准确的状态估计等问题,针对这些问题,提出了一种改进的蝶式算法优化粒子滤波算法。首先,将最新时刻观测信息引入蝴蝶香味公式中,以提高滤波精度;其次,引入吸引半径参数来控制蝴蝶种群寻优的搜索范围,降低算法的复杂度,进而提高算法的实时性;最后,将改进的蝴蝶种群位置更新公式用于优化迭代更新。实验结果表明,与经典粒子滤波器和现有蝶形优化算法相比,改进算法具有更低的均方误差和运行时间。并且在粒子数较少的情况下,可以实现更准确的状态估计,并改善传统滤波器的粒子耗尽现象,保证了粒子多样性。

基于研究卡尔曼滤波算法在锂电池荷电状态估计和监测中应用效果的目的，本文通过建立Thevenin电池模型，结合锂电池恒定电流充放电实验数据，有效模拟出电池实际工作特性，并分别采用传统卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF）算法对锂电池荷电状态（SOC）进行估测。得出如下结论：采用基于Thevenin电池模型的KF与EKF算法均可以快速精准地估测锂电池荷电状态。EKF对于初值的敏感度相较KF明显低，当初值为80%时参数适应性较好。此外，在利用卡尔曼滤波算法对电池端电压估测时发现其收敛值总会与真实值产生一个约为0.05 V的恒定偏差值。

matlab分时代码电力系统状态估计 这是使用MATPOWER生成的IEEE 14总线系统的数据集。 它包括各种测量（作为输入）和电压以及所有14条总线的大小（作为状态）。 该论文已发表在《国际电力与能源系统杂志》上。 这是arxiv的链接 单击下面的链接以获取数据集和源代码。 有些文件尚未上传。 请阅读本文以了解此代码。 GM-Estimator的MATLAB代码是从以下链接获得的。 如果您使用GM-Estimator，请在链接中引用该论文。 请将此工作引用为@article {BHUSAL2021106806，title = {基于深度学习的实时电力系统状态估计的综合方法}，期刊= {International Electric and Power Systems}，卷= {129}，页数= {106806}，年份= {2021}，}

稳健的电力系统状态估计器对于监控应用至关重要。 根据我们的经验，我们发现使用投影统计的鲁棒广义最大似然（GM）估计是文献中最好的方法之一。 它对多个交互和一致的不良数据、不良杠杆点、不良零注入以及某些类型的网络攻击具有鲁棒性。 此外，其计算效率高，适合在线应用。 除了 GM 估计器的良好击穿点外，它在高斯或其他厚尾非高斯测量噪声下具有很高的统计效率。 使用 SCADA 测量的 GM 估计器的原始版本是由 Mili 和他的同事在 1996 年提出的 [1]。 通过在 [R2] 中使用 Givens 旋转增强了其数值稳定性。 在 [R3] 中，GM 估计器被扩展为同时估计变压器抽头位置和系统状态。 错误的零注射也得到了解决。 在 [R4] 中，提出了 GM 估计器来处理动态状态估计中的创新和观察异常值以及测量损失。 在这里，我们想与所有研究人员分享 GM 估计器的 Matlab 代码。 我们还

State Estimation for Robotics 《机器人状态估计》英文版原文（2020最新版），已更正前期排版错误；更新时间：July 03 2020年。已按单页排版方便阅读，内容完美。