本文深入探讨了电力系统动态状态估计的两种方法:扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)。文章首先介绍了这两种滤波技术的基本原理和算法流程,接着通过实例分析和数值模拟,比较了它们在电力系统状态估计中的性能差异。此外,文章还讨论了如何根据电力系统的具体特点和需求,选择最合适的滤波方法。本文旨在为电力工程师和研究人员提供有关动态状态估计的实用指南,并推动相关领域的进一步研究和发展。 适用人群:电力工程师、控制系统研究人员、卡尔曼滤波技术爱好者 使用场景:电力系统状态监测、故障诊断、系统控制与优化 电力系统、动态状态估计、扩展卡尔曼滤波、无迹卡尔曼滤波
2024-06-18 09:47:32 8.82MB matlab 无迹卡尔曼滤波
1
7气路,水路与热路,稳态与动态潮流计算,天然气网动态状态估计,电_热_气耦合系统优化调度
2021-09-30 15:05:38 3.71MB 热网潮流 能源 动态状态估计 热网
基于UT变换的在线电力系统动态状态估计.pdf
在这项工作中,我们考虑了非线性/非高斯系统中的状态估计问题。 本文基于高阶无味卡尔曼滤波器(HUKF),开发了一种新的高斯和估计算法。 针对HUKF,提出了一种sigma点选择方法,高阶无味变换(HUT)技术,该方法可以更精确地近似高斯分布。 我们介绍了高斯滤波器的系统公式,并开发了最优滤波器的高效和准确的数值积分。 然后,我们继续将HUKF的使用扩展到具有加性(可能是非高斯)噪声的离散时间非线性系统。 所得的滤波算法称为高斯和高阶无味卡尔曼滤波器(GS-HUKF),将预测和后验密度近似为有限数量的高斯密度加权和。 在理论分析和仿真中证实了所提出的高斯和HUKF在非线性非高斯滤波问题的计算精度和时间复杂度方面具有综合优势。
2021-02-25 20:04:39 11KB Gaussian Sum; high-order unscented
1