论文部分内容阅读
在很多实际工程应用中,由于人们对工况认识的局限性以及应用环境的复杂性,描述Kalman滤波系统中状态空间模型参数通常部分已知或者未知。在对可观测性的连续随机系统进行离散化时,噪声可能出现相关的特性;以及并不一定能保证系统状态仍然是可观测的。这些特性都会使得基于以标准Kalman滤波为基础开展的可观测度理论研究成果以及现有自适应Kalman滤波技术的应用能力遭受很大挑战。针对上述问题,目前已经开展了一系列可观测度理论研究及其自适应Kalman滤波算法的研究工作,并取得了长足进展。同时,拓展自适应Kalman滤波算法的应用领域,比如开展电力负荷预测就具有潜在的实际应用价值。针对上述问题,本文有针对性的开展了如下五个方面的研究工作:(1)深入分析了影响状态估计理论中的可观测度分析因素。针对现有分析随机系统的可观测度分析方法没有考虑噪声影响的问题。本文首先论述了噪声是影响可观测度分析的一个重要因素,阐述了考虑噪声影响的必要性以及研究存在的困难和挑战,从而为分析随机系统的可观测度理论提供一种新的解决思路。(2)提出了一种有效表征噪声相关系统的可观测度与滤波精度之间关系的计算方法。针对最小二乘可观测度计算方法没有考虑噪声相关系统的情况,本文通过考虑噪声相关系统情形,获得一种计算噪声相关系统的可观测度的方法。(3)提出了一种基于Sage-Husa和可观测度分析的自适应滤波算法。针对Kalman滤波系统中的过程噪声时变以及可观测度差的状态变量导致滤波器性能下降的问题。本文在Sage-Husa技术的基础上结合估计理论中的估计误差最小性能克拉美罗下界(CRLB),建立了一种复合自适应Kalman滤波算法。(4)提出一种基于自适应技术联合的自适应滤波方法。针对Kalman滤波系统中的过程噪声和测量噪声时变的情形以及可观测度差的状态变量对滤波器造成的不良影响问题,而Sage-Husa噪声估计器不能同时对两者进行估计的缺陷,在第三章的基础上引入变分贝叶斯方法对测量噪声进行估计,建立了一种适用范围更加广泛的复合自适应Kalman滤波方法。(5)自适应滤波算法在电力负荷预测中的应用。针对传统模型预测方法遇到的建模困难和黑箱操作的人工神经网络负荷预测不能很好的洞察负荷变化背后的物理和经济原因。本章将自适应Kalman滤波算法与BP神经网络技术相结合,重构了一种负荷预测模型,用于对电力负荷进行预测。