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。

最优状态估计 卡尔曼，H∞及非线性滤波（中文）最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼最优状态估计 卡尔曼

最优状态估计 卡尔曼，H∞及非线性滤波英文原版，国外经典教材，非常值得学习和收藏，讲解详细具体容易理解，适合初学者，也可作为工程技术人员参考书。

高等电力系统稳态分析第三章教案电力系统状态估计.ppt

该文件包含用于参数估计和仿真的锂离子电池模型。 1. 解压项目。 2. 双击 BatteryModeling.prj 设置 MATLAB 路径。 html 索引包含打开每个示例的链接。 演示： 1. 3S-1P电池组CCV充电，被动平衡。 具有被动平衡的充电/放电循环，包括热效应。 2. 电动汽车电池冷却。 汽车电池组的液体冷却。 3. 细胞表征。 使用脉冲放电实验的单电池参数估计。 4. SOC 估计使用 UKF。 5.使用EKF的SOH（内阻）在线估计。 内阻随时间增长，非线性卡尔曼滤波器估计其演变。 6. 电池应用。 此应用程序可用于从数据表信息中查找电池参数。 该站点包含有关使用MathWorks（R）工具进行电池建模的其他信息： https://www.mathworks.com/solutions/power-electronics-control/battery-mod

三、按最优状态估计线性化的卡尔曼滤波方程 ——广义（推广/扩展卡尔曼滤波方程） 问题、缺点 （1）标称解难解 （2）真轨迹与标称轨迹之间的状态差△X(t)或△Xk不能确保其足够小 或 值得注意的是 或 和 或 与前述的 不同 1、概述 为此，改用另一种近似方法，即采用围绕最优化状态估计 或 的线性化方法，现定义真轨迹与标称轨迹间的偏差为：

针对目前电力系统状态估计主要采用的扩展卡尔曼滤波(EKF)存在鲁棒性差，精确度被非线性程度制约大等缺点，提出一种电力系统的计算线性方法――求积分卡尔曼滤波(QKF)进行电力系统的状态估计，该算法从统计线性回归的角度，运用高斯-厄米特积分点，使得估计精确度大幅提高，并且引入精确度高，全网实时同步的同步相量测量单元(PMU)数据，成熟性好，技术成熟的SCADA数据进行混合量测。仿真结果表明，QKF法比EKF法具有更高的计算精确度，PMU数据的引入又进一步提高了电力系统状态估计的性能。基于混合量测的QKF法状态

使用变分贝叶斯方法的非高斯噪声状态估计的交互多模型方法

在模型未知的情况下, 估计过程的重要变量尤为重要. 鉴于此, 采用不敏卡尔曼滤波(UKF) 与神经网络相结合的方法, 解决一类未知模型非线性系统的状态估计问题. 采用动态神经网络对非线性系统进行建模, 利用UKF 对状态和权值进行同时更新, 从而达到神经网络逼近真实模型, 估计值跟随真实值的目的. 通过两个仿真实例表明了所提出的方法具有良好的估计效果, 并且状态在输出中的比重越大, 其估计精度越高.