导读:本文包含了混合动态滤波论文开题报告文献综述及选题提纲参考文献，主要关键词:动态导航定位,高斯混合模型,Bayes滤波,层次模型
混合动态滤波论文文献综述
王凌轩,隋立芬,甘雨,肖国锐,刘乾坤[1]（2016）在《基于高斯混合模型的抗差Bayes滤波在动态导航中的应用》一文中研究指出在动态环境下导航定位受到很多因素影响,且异常噪声会严重影响导航滤波结果。通过研究Bayes滤波的抗差方法,在导航观测方程中采用高斯混合模型,对混合模型不确定度参数采用层次模型实时估计。借助指示变量进行模型变换,削弱导航过程中异常噪声的影响。并采用Rao-Blcakwellized粒子采样方法,求取复杂、非标准形式的状态后验分布。最后通过卫星导航以及组合导航实验算例,分析验证了基于高斯混合模型的Bayes滤波在动态导航定位中的抗差性能。(本文来源于《测绘科学技术学报》期刊2016年01期）
于耿曦[2]（2016）在《混合量测下基于粒子滤波的电力系统动态状态估计研究》一文中研究指出电力系统状态估计是能量管理系统(EMS)的核心部分。动态状态估计通过对量测数据的滤波可以得到电力系统运行状态,并且通过状态预测可对电力系统进行安全评估。当前电力系统量测包含传统SCADA数据和少量PMU量测数据,因此本文研究了在混合量测下基于粒子滤波的电力系统动态状态估计方法。首先,本文介绍了电力系统中SCADA和PMU两种量测的特征,分析和比较了PMU和SCADA量测系统的区别,并对两种量测进行混合提供了匹配分析。另外本文针对现在PMU量测配置可观性的问题进行了分析,并提供了一种PMU量测优化配置方法,可以保证PMU的量测可观且经济性最优。其次,本文研究了应用于电力系统动态估计的粒子滤波算法。粒子滤波方法是系统通过一些作为随机样本的粒子,通过观测变量的修正得到粒子权重值,从而估计系统状态。并且本文对电力系统动态模型进行了介绍,还对系统元件进行数学等值,形成电力网络模型。最后,本文将静态和动态状态估计结合在一起,先将SCADA量测数据通过P-Q分解状态估计方法进行估计,得到的估计结果作为动态状态估计的量测数据。配置PMU的节点可得到PMU电压相量量测,且根据PMU支路电流量测和PMU节点电压量测结合可以得到相邻节点电压相量伪量测。静态状态估计结果、PMU电压量测和PMU电压伪量测作为电力系统状态估计混合量测。本文针对混合量测的情况设计了粒子权重更新的方法,根据粒子权重和粒子状态做出状态预测和估计。同时粒子滤波方法通过重采样操作,保证有效粒子的数量。本文在IEEE14和IEEE30节点系统上进行仿真,结果证明了此估计方法的有效性。(本文来源于《华北电力大学(北京)》期刊2016-03-01）
王维军[3]（2015）在《混合型动态无功补偿滤波装置在低压供电系统中的应用及研究》一文中研究指出通过对抑制谐波和无功功率补偿方式优缺点的分析,研究采用APF与电容器组混合补偿系统谐波及无功功率的技术方案,不但有效地抑制了电容器组对系统谐波的放大,也能充分发挥电容器组用于补偿大容量无功功率的能力和APF用于滤除小容量系统谐波的高效、快速的优势,降低了补偿装置的成本,提高了APF的补偿性能,具有较高的工程应用价值。(本文来源于《安装》期刊2015年06期）
李虹,赵书强[4]（2012）在《基于WAMS/SCADA混合量测的电力系统强跟踪滤波动态状态估计》一文中研究指出针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法。该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小。同时,引入广域测量系统(WAMS)/数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能。仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果。(本文来源于《电力自动化设备》期刊2012年09期）
何怡刚,张颖,周晖[5]（2009）在《采用形态滤波和“特定谐波消除”混合滤波算法的电压动态振动检测》一文中研究指出随着科学技术的快速发展和工业规模的日益扩大,许多以微处理器和计算机为核心的先进设备对供电质量和供电可靠性提出了比较高的要求。另外,一些特殊行业对电网中的谐波、过电压、短时断电、电压骤升、电压骤降等干扰十分敏感。为了解决这类供电质量问题,首先需要检测出电压扰动中的基波和各次谐波电压的信息。为克服以前针对这一问题提出的各种算法在实时性和准确性方面的不足,介绍了一种基于数学形态滤波器结合"特定谐波消除算法"的混合滤波算法,来消除动态电压扰动波形中的噪声、高频分量和低频分量,从而提取出所需的基波分量。在此基础之上,通过对传统dq变换阵进行改进,提出了可以提取任意次谐波分量的检测滤波算法,并通过仿真波形验证了算法的实用性。该算法的提出,为电力系统谐波分析、检测和治理提供了一种新的思路。(本文来源于《高电压技术》期刊2009年12期）
尹建君[6]（2008）在《线性/非线性系统的混合动态滤波理论及应用》一文中研究指出针对既有线性状态又有非线性状态的系统,本文给出了混合动态滤波的概念。即分别用非线性滤波算法和线性滤波算汉估计系统中的非线性状态和线性状态,并提出了多种混合动态滤波算法,包括四种高斯混合动态滤波算法和叁种非高斯混合动态滤波算法。其中高斯混合动态滤波算法为:扩展卡尔曼滤波-卡尔曼滤波(extended Kalman filtering-Kalman filtering,EKF-KF)、unscented卡尔曼滤波-卡尔曼滤波(unscented Kalman filtering-Kalman filtering,UKF-KF)、中心差分滤波-卡尔曼滤波(central difference filtering-Kalman filtering,CDF-KF)、高斯厄米特滤波-卡尔曼滤波(Gaussian Hermite filtering-Kalman filtering,GHF-KF)算法;非高斯混合动态滤波算法为:边缘Rao-Blackwellized粒子滤波(marginalRao-Blackwellized particle filtering,MRBPF)、多项式预测滤波-卡尔曼滤波(polynomial predictive filtering-Kalman filtering,PPF-KF)、高斯和滤波-卡尔曼滤波(Gaussian sum filtering-Kalman filtering,GSF-KF)算法。在这些混合动态滤波算法中,我们分别用EKF、UKF、CDF、GHF、边缘粒子滤波器(marginal particlefilter,MPF)、PPF、GSF进行非线性状态的估计,而线性状态均由KF进行估计。进一步,本文详细推导并分析了提出的高斯混合动态滤波算法的性能和适用场合,分析的结果表明,EKF-KF、UKF-KF、CDF-KF、GHF-KF算法的估计精度由高到低依次为:GHF-KF、UKF-KF(CDF-KF)、EKF-KF;同时本文给出了MPF算法的收敛性证明,并定性分析了MRBPF算法及其他非高斯混合动态滤波算法的性能及具体适用情况。此外,本文还将提出的混合动态滤波算法应用于地形辅助导航和机动目标跟踪。地形辅助导航的仿真结果表明,MRBPF算法在状态估计的均方根误差(rootmean square error,RMSE)、估计稳定性、独立粒子数、粒子权重、估计收敛性等方而均优于RBPF:机动目标跟踪的仿真结果表明,提出的算法虽然在估计精度上略低于RBPF,却明显降低了算法复杂度,提高了算法实时性,平均计算时间比RBPF降低一个数量级以上,各种混合动态滤波算法精度由高到低依次为:GHF-KF、CDF-KF(UKF-KF)、GSF-KF(EKF-KF)、PPF-KF,这个结果与我们的理论分析一致。(本文来源于《复旦大学》期刊2008-03-31）
混合动态滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
电力系统状态估计是能量管理系统(EMS)的核心部分。动态状态估计通过对量测数据的滤波可以得到电力系统运行状态,并且通过状态预测可对电力系统进行安全评估。当前电力系统量测包含传统SCADA数据和少量PMU量测数据,因此本文研究了在混合量测下基于粒子滤波的电力系统动态状态估计方法。首先,本文介绍了电力系统中SCADA和PMU两种量测的特征,分析和比较了PMU和SCADA量测系统的区别,并对两种量测进行混合提供了匹配分析。另外本文针对现在PMU量测配置可观性的问题进行了分析,并提供了一种PMU量测优化配置方法,可以保证PMU的量测可观且经济性最优。其次,本文研究了应用于电力系统动态估计的粒子滤波算法。粒子滤波方法是系统通过一些作为随机样本的粒子,通过观测变量的修正得到粒子权重值,从而估计系统状态。并且本文对电力系统动态模型进行了介绍,还对系统元件进行数学等值,形成电力网络模型。最后,本文将静态和动态状态估计结合在一起,先将SCADA量测数据通过P-Q分解状态估计方法进行估计,得到的估计结果作为动态状态估计的量测数据。配置PMU的节点可得到PMU电压相量量测,且根据PMU支路电流量测和PMU节点电压量测结合可以得到相邻节点电压相量伪量测。静态状态估计结果、PMU电压量测和PMU电压伪量测作为电力系统状态估计混合量测。本文针对混合量测的情况设计了粒子权重更新的方法,根据粒子权重和粒子状态做出状态预测和估计。同时粒子滤波方法通过重采样操作,保证有效粒子的数量。本文在IEEE14和IEEE30节点系统上进行仿真,结果证明了此估计方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合动态滤波论文参考文献
[1].王凌轩,隋立芬,甘雨,肖国锐,刘乾坤.基于高斯混合模型的抗差Bayes滤波在动态导航中的应用[J].测绘科学技术学报.2016
[2].于耿曦.混合量测下基于粒子滤波的电力系统动态状态估计研究[D].华北电力大学(北京).2016
[3].王维军.混合型动态无功补偿滤波装置在低压供电系统中的应用及研究[J].安装.2015
[4].李虹,赵书强.基于WAMS/SCADA混合量测的电力系统强跟踪滤波动态状态估计[J].电力自动化设备.2012
[5].何怡刚,张颖,周晖.采用形态滤波和“特定谐波消除”混合滤波算法的电压动态振动检测[J].高电压技术.2009
[6].尹建君.线性/非线性系统的混合动态滤波理论及应用[D].复旦大学.2008