CN105656453A - 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 - Google Patents
一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 Download PDFInfo
- Publication number
- CN105656453A CN105656453A CN201610006839.5A CN201610006839A CN105656453A CN 105656453 A CN105656453 A CN 105656453A CN 201610006839 A CN201610006839 A CN 201610006839A CN 105656453 A CN105656453 A CN 105656453A
- Authority
- CN
- China
- Prior art keywords
- model
- optical fiber
- time series
- value
- fiber current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
- H03H21/003—KALMAN filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0025—Particular filtering methods
- H03H21/0029—Particular filtering methods based on statistics
- H03H21/0032—ARMA filters
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于时间序列的光纤电流互感器随机噪声实时滤波方法,依次采集光纤电流互感器输出的某相电流数据{x0(t)}、电流序列平均滤波处理、建立时间序列模型、写出与确定的时间序列模型相对应的卡尔曼滤波方程的状态空间模型。本发明的有益效果为:通过平均值滤波方法的处理,提高了数据的有效性;经过平稳性、周期性和正态性检验,保证了建模的可行性;AR模型和ARMA模型的建立、阶次选择及模型检验,确保了数据模型的普适性;卡尔曼滤波算法处理光纤电流互感器的输出数据,有效的滤除随机噪声,提高了测量的精确性。
Description
技术领域
本发明涉及电流互感器噪声滤波领域,尤其是一种基于时间序列的光纤电流互感器随机噪声实时滤波方法。
背景技术
电子式互感器是智能变电站中一种重要的过程层设备,为智能变电站间隔层设备提供电流、电压信息,实现电力***继电保护、电能计量、故障录波、状态监测等功能。光纤电流互感器实现了电流信号的实时测量和监测,为电力***继电保护、电能计量等设备提供输入信号。
光纤电流互感器技术已经日趋成熟,但仍存在输出噪声和随机误差等参数值偏高的问题,严重影响了光纤电流互感器的工程应用。为降低光纤电流互感器输出信号的噪声和随机误差,可采用滤波的方法。有效滤波的前提是能够精确建立光纤电流互感器的输出模型,尤其对于卡尔曼滤波,光纤电流互感器的输出模型精确程度直接关系着滤波效果的好坏。目前,在针对光纤电流互感器输出信号的模型建立,可采用固定的模型,如AR(2)、ARMA(2,1),然后加以滤波,但不能忽略光纤电流互感器输出序列的模型统计分析以及数据分析过程输出序列的非平稳性、非随机和非正态等特性,对输出序列进行独立、平稳、正态、零均值以及趋势项处理,而直接采用ARMA时间序列模型分析从基础上不符合时间序列适用平稳序列这一特性,因此直接建立的模型误差较大。卡尔曼滤波是一种利用线性***状态方程,通过***输入输出观测数据,对***状态进行最优估计的算法。在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态***的状态,在求出模型参数和噪声统计特性的基础上,经过卡尔曼滤波器,可达到良好的消噪效果,现已在通信、导航、制导与控制等多领域得到了较好的应用。
发明内容
本发明所要解决的技术问题在于,提供一种基于时间序列的光纤电流互感器随机噪声实时滤波方法,可克服现有光纤电流互感器随机噪声滤波方法的不足。
为解决上述技术问题,本发明提供一种基于时间序列的光纤电流互感器随机噪声实时滤波方法,包括如下步骤:
(1)采集光纤电流互感器输出的某相电流数据{x0(t)};
(2)电流序列平均滤波处理;对有效序列进行平均滤波处理,计算每一个数据的均值作为新的序列{x1(t)};
(3)建立时间序列模型;
(a)平稳性检验;采用单位根检验法则,不满足平稳性要求则进行差分处理,以获取平稳的电流序列{xn};
(b)正态性检验;采用偏峰态检验法,电流序列{xn}具有以下4个表示其总体概率密度函数的参数如下:
均值:
方差:
标准偏度系数:
标准峰度系数:
当g1和g2约等于0时,可以认为电流序列{xn}为正态时序;
(c)周期性检验;周期性检验用来识别光纤电流互感器输出数据中是否包含有随机量以外的周期性分量,这样在解释数据分析的结果时可以避免出现错误;周期性检验的方法是直接考察从输出数据中得到的概率密度函数或自相关函数或功率谱密度函数的图形;
(d)建立时间序列模型;依次选取p和q值计算各模型的AIC值,然后选择最小的AIC值,确定时间序列模型的阶次,即p和q值,采用最小二乘法拟合出模型参数,写出时间序列数学模型;
(4)写出与确定的时间序列模型相对应的卡尔曼滤波方程的状态空间模型;
状态方程:Xk=AXk+BVk;
输出方程:Yk=CXk+Wk;
其中,Vk和Wk的统计特性为:
E(Wk)=0;E(Vk)=0;
***的状态方程为过程噪声为Vk=[rk,0]τ;
对于AR(p)模型,
Vk=[rk,0]τ;
对于ARMA(p,q)模型,
卡尔曼滤波处理,采用以下卡尔曼滤波器对光纤电流互感器的时间序列输出信号进行滤波处理
Kk-Pk,k-1Cτ[CPk,k-1Cτ+Pk]-1
Pk,k-1=APk,k-1Aτ+BQk-1,kBτ
Pk,k=[I-KkC]Pk,k-1
式中,为滤波状态的进一步估计,为k时刻滤波器的状态,Kk为k时刻滤波器的增益矩阵,R为***量测噪声误差,Q为***过程噪声方差,Pk,k为滤波器误差协方差矩阵,为k时刻滤波器的输出。
优选的,步骤(2)中采用平均值滤波的方法对原始数据进行处理。
优选的,步骤(3)中采用AIC信息准则来确定时间序列模型的阶次,计算各个模型的AIC值,取AIC值最小的模型为使用模型;采用快速算法RLS进行AR模型的参数估计,采用长自归白噪声估计法建立ARMA模型;采用检验模型残差是否为白噪声来确定模型的可用性。
优选的,步骤(3)中建立时间序列模型包括以下步骤:
(a)确定模型阶次;光纤电流互感器的建模采用AR模型和ARMA模型:AR模型指任一时刻k上的数值yk表示过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=α1yk-1+…+αpyk-p+rk
式中,常整数p为模型的阶次,常系数α1,…,αp为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型记为AR(p);
ARMA模型是在AR模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=α1yk-1+…+αpyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q
式中,常整数p、q为模型的阶次,常系数α1,…,αp,θ1,…θq为模型参数,模型记为ARMA(p,q);
一般首先对数据序列进行AR(p)建模,若找不到适用模型,再进行ARMA(p,q)建模;估计模型参数之前,需要确定模型的阶次;采用AIC信息准则来确定模型阶次;AIC信息准则的简化公式为:
式中,p、q为ARMA模型阶次;n为序列中数据个数;为噪声a(t)的方差;建立AR或ARMA时间序列模型,计算各个模型的AIC值,取AIC值最小的模型为使用模型,确定模型阶次;
(b)AR模型参数估计;采用快速算法RLS进行AR模型的参数估计;基于已知观测值(yk,yk-1,…,y0,…,y1-p)求估计值和式可写成如下向量形式:
式中,T表示矩阵的转置,ατ=α1,…,αp;
定义AR(p)模型参数α的估计公式如下:
初值和P0是利用少量观测数据(y1,…,y20)通过以下两式求得:
其中,
(c)ARMA模型参数估计;采用长自回归白噪声估计法建立ARMA模型,主要步骤为:
①建立长自回归模型AR(pN);阶次取lgN的适当倍数,即pN=(lgN)1+δ,选δ为一个0到1之间的正数;AR(pN)的自回归参数为
由线性最小二乘估计得到
其中, YpN=(xpN+1,…,xN)T
②求长回归模型残差,检验其独立性;用步骤①所得即样本值x=(x1,…,xN)τ,计算残差检验的独立性;若不独立,则增大pN,再重新进行①、②两步,否则进行下一步;
③估计ARMA模型参数,联合白噪声估计值t=pN+1,...,N,N和样本值xt,t=1,...,N,按线性最小二乘估计ARMA(p,q)模型的各参数值:
其中, Ypq=(xpN+1,xpN+2,...,xN)T,
上式中在步骤②由长自回归估计得到,所以该算法不涉及非线性求解问题,只用到线性最小二乘估计;
(d)模型适用性检验;检验残差是否为白噪声,如果模型残差为白噪声,则认为模型可用;反之,不可用;检验是否为白噪声通过分析自相关函数图和偏自相关函数图来确定。
优选的,步骤(4)中采用卡尔曼滤波的方法对建立的时间序列模型进行滤波处理。
本发明的有益效果为:通过平均值滤波方法的处理,提高了数据的有效性;经过平稳性、周期性和正态性检验,保证了建模的可行性;AR模型和ARMA模型的建立、阶次选择及模型检验,确保了数据模型的普适性;卡尔曼滤波算法处理光纤电流互感器的输出数据,有效的滤除随机噪声,提高了测量的精确性。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示,一种基于时间序列的光纤电流互感器随机噪声实时滤波方法,包括如下步骤:
步骤一:采集光纤电流互感器输出的某相电流数据{x0(t)};
步骤二:电流序列平均滤波处理
对有效序列进行平均滤波处理,计算每十个数据的均值作为新的序列{x1(t)};
步骤三:建立时间序列模型
(1)平稳性检验
采用单位根检验法则,不满足平稳性要求则进行差分处理,以获取平稳的电流序列{xn};
(2)正态性检验
采用偏峰态检验法,电流序列{xn}具有以下4个表示其总体概率密度函数的参数如下,
均值:
方差:
标准偏度系数:
标准峰度系数:
当g1和g2约等于0时,可以认为电流序列{xn}为正态时序。
(3)周期性检验
周期性检验用来识别光纤电流互感器输出数据中是否包含有随机量以外的周期性分量,这样在解释数据分析的结果时可以避免出现错误。周期性检验的方法是直接考察从输出数据中得到的概率密度函数或自相关函数或功率谱密度函数的图形。
(4)建立时间序列模型,依次选取p和q值计算各模型的AIC值,然后选择最小的AIC值,确定时间序列模型的阶次,即p和q值,采用最小二乘法拟合出模型参数,写出时间序列数学模型;
a)确定模型阶次
光纤电流互感器的建模采用AR模型和ARMA模型:AR模型指任一时刻k上的数值yk表示过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=α1yk-1+…+αpyk-p+rk
式中,常整数p为模型的阶次,常系数α1,…,αp为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型记为AR(p);
ARMA模型是在AR模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=α1yk-1+…+αpyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q
式中,常整数p、q为模型的阶次,常系数α1,…,αp,θ1,…θq为模型参数,模型记为ARMA(p,q);
一般首先对数据序列进行AR(p)建模,若找不到适用模型,再进行ARMA(p,q)建模;估计模型参数之前,需要确定模型的阶次;采用AIC信息准则来确定模型阶次;AIC信息准则的简化公式为:
式中,p、q为ARMA模型阶次;n为序列中数据个数;为噪声a(t)的方差。建立AR或ARMA时间序列模型,计算各个模型的AIC值,取AIC值最小的模型为使用模型,确定模型阶次;
b)AR模型参数估计
采用快速算法RLS进行AR模型的参数估计;基于已知观测值(yk,yk-1,…,y0,…,y1-p)求估计值和式可写成如下向量形式:
式中,T表示矩阵的转置,ατ=α1,…,αp;
定义AR(p)模型参数α的估计公式如下:
初值和P0是利用少量观测数据(y1,…,y20)通过以下两式求得:
其中,
c)ARMA模型参数估计
采用长自回归白噪声估计法建立ARMA模型,主要步骤为:
①建立长自回归模型AR(pN);阶次取lgN的适当倍数,即pN=(lgN)1+δ,选δ为一个0到1之间的正数;AR(pN)的自回归参数为
由线性最小二乘估计得到
其中, YpN=(xpN+1,…,xN)T
②求长回归模型残差,检验其独立性;用步骤①所得即样本值x=(x1,…,xN)τ,计算残差t=pN+1,...,N,检验的独立性;若不独立,则增大pN,再重新进行①、②两步,否则进行下一步;
③估计ARMA模型参数,联合白噪声估计值t=pN+1,...,N,N和样本值xt,t=1,...,N,按线性最小二乘估计ARMA(p,q)模型的各参数值:
其中, Ypq=(xpN+1,xpN+2,...,xN)T,
上式中在步骤②由长自回归估计得到,所以该算法不涉及非线性求解问题,只用到线性最小二乘估计。
d)模型适用性检验
检验残差是否为白噪声,如果模型残差为白噪声,则认为模型可用;反之,不可用。检验是否为白噪声通过分析自相关函数图和偏自相关函数图来确定。步骤四:写出与确定的时间序列模型相对应的卡尔曼滤波方程的状态空间模型
状态方程:Xk=AXk+BVk
输出方程:Yk=CXk+Wk
其中,Vk和Wk的统计特性为:
E(Wk)=0;E(Vk)=0;
***的状态方程为过程噪声为Vk=[rk,0]τ;
对于AR(p)模型,
Vk=[rk,0]τ
对于ARMA(p,q)模型,
卡尔曼滤波处理,采用以下卡尔曼滤波器对光纤电流互感器的时间序列输出信号进行滤波处理
Kk=Pk,k-1Cτ[CPk,k-1Cτ+Pk]-1
Pk,k-1=APk,k-1Aτ+BQk-1,kBτ
Pk,k=[I-KkC]Pk,k-1
式中,为滤波状态的进一步估计,为k时刻滤波器的状态,Kk为k时刻滤波器的增益矩阵,R为***量测噪声误差,Q为***过程噪声方差,Pk,k为滤波器误差协方差矩阵,为k时刻滤波器的输出。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (5)
1.一种基于时间序列的光纤电流互感器随机噪声实时滤波方法,其特征在于,包括如下步骤:
(1)采集光纤电流互感器输出的某相电流数据{x0(t)};
(2)电流序列平均滤波处理;对有效序列进行平均滤波处理,计算每一个数据的均值作为新的序列{x1(t)};
(3)建立时间序列模型;
(a)平稳性检验;采用单位根检验法则,不满足平稳性要求则进行差分处理,以获取平稳的电流序列{xn};
(b)正态性检验;采用偏峰态检验法,电流序列{xn}具有以下4个表示其总体概率密度函数的参数如下:
均值:
方差:
标准偏度系数:
标准峰度系数:
当g1和g2约等于0时,可以认为电流序列{xn}为正态时序;
(c)周期性检验;周期性检验用来识别光纤电流互感器输出数据中是否包含有随机量以外的周期性分量,这样在解释数据分析的结果时可以避免出现错误;周期性检验的方法是直接考察从输出数据中得到的概率密度函数或自相关函数或功率谱密度函数的图形;
(d)建立时间序列模型;依次选取p和q值计算各模型的AIC值,然后选择最小的AIC值,确定时间序列模型的阶次,即p和q值,采用最小二乘法拟合出模型参数,写出时间序列数学模型;
(4)写出与确定的时间序列模型相对应的卡尔曼滤波方程的状态空间模型;
状态方程:Xk=AXk+BVk;
输出方程:Yk=CXk+Wk;
其中,Vk和Wk的统计特性为:
***的状态方程为过程噪声为vk=[rk,0]T;
对于AR(p)模型,
Vk=[rk,0]T;
对于ARMA(p,q)模型,
卡尔曼滤波处理,采用以下卡尔曼滤波器对光纤电流互感器的时间序列输出信号进行滤波处理
Kk=Pk,k-1CT[CPk,k-1CT+Rk]-1
Pk,k-1=APk,k-1AT+BQk-1kBT
Pk,k=[l-KkC]Pk,k-1
式中,Xkk-1为滤波状态的进一步估计,为k时刻滤波器的状态,Kk为k时刻滤波器的增益矩阵,R为***量测噪声误差,Q为***过程噪声方差,Pk,k为滤波器误差协方差矩阵,为k时刻滤波器的输出。
2.如权利要求1所述的基于时间序列的光纤电流互感器随机噪声实时滤波方法,其特征在于,步骤(2)中采用平均值滤波的方法对原始数据进行处理。
3.如权利要求1所述的基于时间序列的光纤电流互感器随机噪声实时滤波方法,其特征在于,步骤(3)中采用AIC信息准则来确定时间序列模型的阶次,计算各个模型的AIC值,取AIC值最小的模型为使用模型;采用快速算法RLS进行AR模型的参数估计,采用长自归白噪声估计法建立ARMA模型;采用检验模型残差是否为白噪声来确定模型的可用性。
4.如权利要求1所述的基于时间序列的光纤电流互感器随机噪声实时滤波方法,其特征在于,步骤(3)中建立时间序列模型包括以下以下步骤:
(a)确定模型阶次;光纤电流互感器的建模采用AR模型和ARMA模型:AR模型指任一时刻k上的数值yk表示过去p个时刻上数值的线性组合加上k时刻的白噪声,表示为:
yk=a1yk-1+…+apyk-p+rk
式中,常整数p为模型的阶次,常系数a1,…,ap为模型参数,{rk}为均值为0、方差为σ2的白噪声,p阶模型记为AR(p);
ARMA模型是在AR模型的基础上减去过去q个时刻上白噪声的线性组合,表示为:
yk=a1yk-1+…+apyk-p+rk-θ1rk-1-θ2rk-2-…-θqrk-q
式中,常整数p、q为模型的阶次,常系数a1,…,ap,θ1,…θq为模型参数,模型记为ARMA(p,q);
一般首先对数据序列进行AR(p)建模,若找不到适用模型,再进行ARMA(p,q)建模;估计模型参数之前,需要确定模型的阶次;采用AIC信息准则来确定模型阶次;AIC信息准则的简化公式为:
式中,p、q为ARMA模型阶次;n为序列中数据个数;为噪声a(t)的方差;建立AR或ARMA时间序列模型,计算各个模型的AIC值,取AIC值最小的模型为使用模型,确定模型阶次;
(b)AR模型参数估计;采用快速算法RLS进行AR模型的参数估计;基于已知观测值(yk,yk-1,...,y0,...,y1-p)求估计值和式可写成如下向量形式:
式中,T表示矩阵的转置,αT=a1,...,ap;
定义;AR(p)模型参数α的估计公式如下:
初值和P0是利用少量观测数据(y1,...,y20)通过以下两式求得:
其中,
(c)ARMA模型参数估计;采用长自回归白噪声估计法建立ARMA模型,主要步骤为:
①建立长自回归模型AR(pN);阶次取lgN的适当倍数,即pN=(lgN)1+δ,选δ为一个0到1之间的正数;AR(pn)的自回归参数为
由线性最小二乘估计得到
其中, YpN=(xpN+1,...,xN)T
②求长回归模型残差,检验其独立性;用步骤①所得即样本值x=(x1,...,xk)T,计算残差t=pN+1,...,N,检验的独立性;若不独立,则增大pN,再重新进行①、②两步,否则进行下一步;
③估计ARMA模型参数,联合白噪声估计值t=pN+1,...,N,N和样本值xt,t=1,...,N,按线性最小二乘估计ARMA(p,q)模型的各参数值:
其中, Ypq=(xpN+1,xpN+2,...,xN)T,
上式中在步骤②由长自回归估计得到,所以该算法不涉及非线性求解问题,只用到线性最小二乘估计;
(d)模型适用性检验;检验残差是否为白噪声,如果模型残差为白噪声,则认为模型可用;反之,不可用;检验是否为白噪声通过分析自相关函数图和偏自相关函数图来确定。
5.如权利要求1所述的基于时间序列的光纤电流互感器随机噪声实时滤波方法,其特征在于,步骤(4)中采用卡尔曼滤波的方法对建立的时间序列模型进行滤波处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006839.5A CN105656453B (zh) | 2016-01-06 | 2016-01-06 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006839.5A CN105656453B (zh) | 2016-01-06 | 2016-01-06 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105656453A true CN105656453A (zh) | 2016-06-08 |
CN105656453B CN105656453B (zh) | 2018-09-21 |
Family
ID=56491725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610006839.5A Active CN105656453B (zh) | 2016-01-06 | 2016-01-06 | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105656453B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404016A (zh) * | 2016-08-29 | 2017-02-15 | 深圳艾瑞斯通技术有限公司 | 光纤采样信号的滤波方法及装置、光纤传感*** |
CN111002858A (zh) * | 2019-12-18 | 2020-04-14 | 中兴新能源汽车有限责任公司 | 一种无线充电引导定位***及方法、车载设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030185294A1 (en) * | 2002-03-28 | 2003-10-02 | Nec Corporation | Adaptive filter employing adaptively controlled forgetting factor and adaptively controlling method of forgetting factor |
CN101509774A (zh) * | 2009-03-16 | 2009-08-19 | 浙江大学 | 一种基于光纤陀螺的arma时间序列的寻北方法 |
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN104168005A (zh) * | 2014-08-25 | 2014-11-26 | 北京理工大学 | 带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法 |
-
2016
- 2016-01-06 CN CN201610006839.5A patent/CN105656453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030185294A1 (en) * | 2002-03-28 | 2003-10-02 | Nec Corporation | Adaptive filter employing adaptively controlled forgetting factor and adaptively controlling method of forgetting factor |
CN101509774A (zh) * | 2009-03-16 | 2009-08-19 | 浙江大学 | 一种基于光纤陀螺的arma时间序列的寻北方法 |
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN104168005A (zh) * | 2014-08-25 | 2014-11-26 | 北京理工大学 | 带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法 |
Non-Patent Citations (3)
Title |
---|
李园园: "光纤电流互感器噪声抑制技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李岩松 等: "平方根Kalman自适应滤波及其在OCT中的应用", 《电力***自动化》 * |
王立辉 等: "光纤电流互感器噪声特征及建模方法研究", 《电力***保护与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404016A (zh) * | 2016-08-29 | 2017-02-15 | 深圳艾瑞斯通技术有限公司 | 光纤采样信号的滤波方法及装置、光纤传感*** |
CN111002858A (zh) * | 2019-12-18 | 2020-04-14 | 中兴新能源汽车有限责任公司 | 一种无线充电引导定位***及方法、车载设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105656453B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7107187B1 (en) | Method for modeling system performance | |
CN101322086B (zh) | 用于过程设备的自诊断过程控制环路 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Trudnowski et al. | Performance of three mode-meter block-processing algorithms for automated dynamic stability assessment | |
EP1643332A2 (en) | Hybrid model based fault detection and isolation system | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN103608815B (zh) | 用于辅助在技术***中引导的故障查找的方法和诊断*** | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN105656453A (zh) | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 | |
CN109472509B (zh) | 一种高压直流输电***可靠性区间评估方法 | |
CN109359803B (zh) | 一种可靠性评估方法和装置 | |
CN116994641A (zh) | 一种半导体老化测试方法及其*** | |
CN110414087A (zh) | 一种多应力耦合作用下的电子产品寿命评估方法 | |
CN109857581A (zh) | 一种优化选择软件可靠性增长模型的方法 | |
Leão et al. | How to tell the good from the bad in failure prognostics methods | |
WO2009055967A1 (en) | Real-time model validation | |
Junhong et al. | Software reliability nonlinear modeling and its fuzzy evaluation | |
Basile et al. | Identification of reliability models for non repairable and repairable systems with small samples | |
CN107665185A (zh) | 一种基于短信业务的客户行为分析方法及相关装置 | |
JP2013149203A (ja) | 最適モデル推定装置、方法、及びプログラム | |
CN111965609A (zh) | 雷达可靠度评估方法、装置、电子设备及可读存储介质 | |
CN111274687A (zh) | 元器件失效率预计方法、装置、计算机设备及存储介质 | |
CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
RU2616512C1 (ru) | Способ поиска топологического дефекта в непрерывной динамической системе на основе введения пробных отклонений | |
KR100956215B1 (ko) | 온도 특성을 가진 회로 구성원의 비정상 신호 분석을 위한 확률론적 오류 진단 방법 및 그 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |