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

永磁同步电机无感FOC（扩展卡尔曼滤波EKF位置观测控制）simulink仿真模型，扩展卡尔曼滤波EKF原理分析，永磁同步电机无感FOC扩展卡尔曼滤波EKF位置观测控制仿真模型搭建说明： 永磁同步电机无感FOC（扩展卡尔曼滤波EKF位置观测控制）：https://blog.csdn.net/qq_28149763/article/details/137652329?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22137652329%22%2C%22source%22%3A%22qq_28149763%22%7D

本篇为组合导航扩展卡尔曼滤波 C++ 代码实现。 注：本例所用传感器有激光雷达传感器，雷达传感器 /*扩展卡尔曼滤波器*/ #include #include #include #include #include #include #include #include #define ROWS 1224 #define COLS 8 using namespace std; using namespace Eigen; int main(){ // ******************************导入数据**************************************

matlab实现CTRV模型的扩展卡尔曼滤波的代码，里面有详细解释和如何运行代码。

Maltlab 程序，直观显示了三种滤波方法的估计值与真实值的误差，以及PF方法的置信区间。Maltlab 程序，直观显示了三种滤波方法的估计值与真实值的误差，以及PF方法的置信区间。

永磁同步电机pmsm无感foc控制，观测器采用扩展卡尔曼滤波器ekf，代码运行无错误，支持无感启动，代码移植性强，可以移植到国产mcu上.

项目中包括锂电池模型建立、参数辨识与验证、SOC估算采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： 1. Simulinks(EKF only) 2. 脚本(包含EKF和UKF) 模型的输入包括电流和电压来自于HPPC（混合脉冲功率特性）测试的电池数据 脚本文件可以仿真在BBDST(北京公交车动态街道测试)工况和带有观测噪声的恒流工况下的锂离子电池放电过程，利用EKF UKF方法估算电池荷电状态。

基于一阶RC模型，电池带遗忘因子递推最小二乘法+扩展卡尔曼滤波算法（FFRLS+ EKF），参数与SOC的在线联合估计，matlab程序

提出基于级联扩展卡尔曼滤波与块状处理线性卡尔曼滤波的频偏和相位噪声协同处理方案。利用扩展卡尔曼滤波器对系统频偏进行初始估计, 利用块状线性卡尔曼滤波器实现频偏和相位噪声的精准估计。对最优数据块长度和调优参数Q的关系, 算法的线宽容忍性能、频偏估计范围以及频偏漂移追踪速度进行了详细的讨论和分析。结果表明, 该方案具有快速的载波估计收敛能力、较高的频偏和相位估计精度, 并且其频偏漂移追踪可高达320 MHz/μs。相比传统盲相位搜索方法, 该方案具备较高的频偏容忍度和较低的实现复杂度。最后实验研究正交相移键控(QPSK)光通信系统下的载波恢复性能, 同时给出不同光信噪比、块状数据长度下的载波频偏估计性能。

基于EKF的雷达与红外数据融合，通过状态向量融合与量测融合两种方法对多目标进行跟踪-EKF-based data fusion and infrared radar, through state vector fusion and measurement fusion of two methods for multi-target tracking