CN109950903A - 一种计及噪声统计特性未知的动态状态估计方法 - Google Patents
一种计及噪声统计特性未知的动态状态估计方法 Download PDFInfo
- Publication number
- CN109950903A CN109950903A CN201910307752.5A CN201910307752A CN109950903A CN 109950903 A CN109950903 A CN 109950903A CN 201910307752 A CN201910307752 A CN 201910307752A CN 109950903 A CN109950903 A CN 109950903A
- Authority
- CN
- China
- Prior art keywords
- state
- moment
- noise
- generator
- measurement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000005530 etching Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000001052 transient effect Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及噪声统计特性未知的动态状态估计方法，用于实现电力***发电机动态状态变量的准确估计。该方法在传统无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的框架下，分别建立基于创新信息序列的***噪声和量测噪声统计特性估计器，能够依据环境变化动态调整和修正***噪声和量测噪声满足的协方差矩阵。所提方法(adaptive unscented Kalman filter,AUKF)可有效解决传统UKF方法因噪声矩阵设置不当引起的状态估计性能下降问题，提升动态状态估计器的状态估计精度。该算法因计及了实际工程背景，且简单方便易于实施，具有较高的工程应用价值。
Description
技术领域
本发明涉及一种计及噪声统计特性未知的动态状态估计方法，属于电力***分析和监测技术领域。
背景技术
准确的状态估计对于电力***的分析与稳定控制具有重要意义。状态估计一般分为两类，一类是静态估计，另一类是动态状态估计。静态状态估计利用某一时刻断面冗余的量测信息实现***该时刻状态变量估计。虽然静态状态估计精度较高，但是其忽略了电力***的动态特性。因此，静态状态估计无法应用于电力***状态的实时在线估计。为了适应电力***在线监测的需求，具备估计和预测功能的动态状态估计方法近年来得到研究人员的广泛关注。
目前，动态状态估计器已逐渐应用于电力***发电机的状态估计。采用的状态估计方法主要包括：卡尔曼滤波、扩展卡尔曼滤波，容积卡尔曼滤波，无迹卡尔曼滤波等。上述这些方法在一定程度上提升了动态状态估计精度。但是，值得注意的是这些方法大多假设***噪声和量测噪声满足的协方差矩阵为常数；而在实际电力***中，***和量测噪声的统计特性很难提前准确获取，且噪声协方差矩阵设置与动态状态估计器的性能密切相关。所以，若***和量测噪声协方差矩阵设置不当，将恶化状态估计器性能，降低状态估计精度，甚至导致状态估计器失效。
发明内容
发明目的：本发明旨在解决现有动态状态估计器针对***和量测噪声设置不当引起的性能下降问题，提升发电机动态状态估计精度，为电网的安全稳定运行提供坚实的数据信息。
本发明公开了一种计及噪声统计特性未知的动态状态估计方法，用于电力***发电机动态状态估计，包括如下步骤：
S1：依据发电机四阶动态方程，建立发电机状态估计方程，并构建得到发电机动态状态估计的状态方程和量测方程：
式中，f(·)表示发电机状态方程，h(·)表示量测方程，x，u，z分别对应表示状态变量，控制变量及量测向量；下标k-1和k表示时刻，w表示***噪声，v为量测噪声，二者均为高斯白噪声，所满足的均值均为0，对应的协方差矩阵分别为Q与R，w与v相互独立且和状态变量无关；
S2：基于k-1时刻已知的状态估计值利用无迹变换技术产生k时刻若干个Sigma状态采样点；
S3：利用自适应无迹卡尔曼滤波的状态预测步，计算k时刻的发电机状态预测值和状态预测误差协方差矩阵
S4：基于发电机量测方程，计算k时刻的发电机量测预测值和量测预测误差协方差矩阵
S5：计算状态预测值与量测预测值之间的交互协方差矩阵Pxz,k；
S6：基于自适应无迹卡尔曼滤波滤波步，得到k时刻的滤波增益；
S7：利用k时刻的量测信息值zk，对状态预测值进行修正更新，计算得到状态估计误差协方差矩阵
S8：基于创新信息值动态修正更新k时刻***噪声协方差矩阵Qk和量测噪声协方差矩阵Rk；
S9：按照S2-S8依据量测信息值zk对电力***发电机状态动态估计，直至k+1＞N，N为最大估计时刻时状态估计迭代停止，输出状态估计结果。
进一步的，S2中产生k时刻2n+1个Sigma状态采样点
式中，n表示发电机状态估计变量维数，为k-1时刻已知的状态估计误差协方差矩阵，表示对矩阵进行Cholesky分解运算，κ表示尺度参数。
进一步的，S3中的k时刻的发电机状态预测值和状态预测误差协方差矩阵表示如下：
式中，表示Sigma状态采样点经发电机状态方程传播后的对应点值，Qk-1表示k-1时刻***噪声满足的协方差矩阵，Wl为对应于Sigma状态采样点的权重值：
进一步的，S4中，k时刻发电机量测预测值和量测预测误差协方差矩阵表示为：
式中，表示状态预测点经量测方程传播后的对应点值，Rk-1表示k-1时刻量测噪声满足的协方差矩阵。
进一步的，S5中，交互协方差矩阵Pxz,k表示为：
进一步的，S6中，k时刻的滤波增益Kk表示为：
进一步的，S7中，k时刻的量测信息值zk，对状态预测值进行修正更新，并计算状态估计误差协方差矩阵其计算公式为：
进一步的，S8中，动态修正更新k时刻***噪声协方差矩阵Qk和量测噪声协方差矩阵Rk，计算公式如下：
dk-1＝(1-b)/(1-bk) (16)
式中，b表示遗忘因子，dk-1为k-1时刻***噪声协方差矩阵估计器调节参数，diag(·)为构建对角矩阵符号，exp表示以自然常数为底的指数函数。
有益效果：本发明的一种计及噪声统计特性未知的动态状态估计方法，在传统无迹卡尔曼滤波算法的框架下，分别建立基于创新信息序列的***噪声和量测噪声统计特性估计器，能够依据环境变化动态调整和修正***噪声和量测噪声满足的协方差矩阵，克服传统UKF方法因噪声矩阵设置不当引起的状态估计性能下降问题，提升动态状态估计器的状态估计精度。该算法充分考虑了发电机动态状态估计的实际应用背景，且简单方便易于实施，具有较高的工程应用价值。
附图说明
图1为本发明的方法流程图；
图2为IEEE10机39节点***结构图；
图3为利用传统UKF方法和本发明方法对发电机功角与角速度的动态估计结果对比；
图4为利用传统UKF方法和本发明方法对发电机暂态电动势的动态估计结果对比；
图5为利用传统UKF方法和本发明方法对发电机状态估计结果误差对比。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
如图1所示，运用本发明方法对实施例测试***动态变量进行估计，包括如下步骤：
步骤一：发电机状态估计模型建立：
发电机动态状态估计的状态方程与量测方程，其一般形式可以表示为：
式中，f(·)表示发电机状态方程，h(·)表示量测方程，x，u，z分别对应表示状态变量，控制变量及量测向量；下标k-1和k表示时刻，w表示***噪声，v为量测噪声，二者均为高斯白噪声，所满足的均值均为0，对应的协方差矩阵分别为Q与R，w与v相互独立且和状态变量无关。
步骤二：设定本发明所设计自适应无迹卡尔曼滤波方法的参数初始值，包含设定初始时刻状态变量值状态估计误差协方差矩阵控制变量值u0取为稳态运行值，尺度参数κ；设定***噪声和量测噪声所满足的初始协方差矩阵Q0，R0，以及最大估计时刻N；
步骤三：基于k-1时刻已知的状态估计值利用无迹变换技术产生k时刻2n+1个Sigma状态采样点其中n表示发电机状态估计变量维数，计算公式如下：
式中，为k-1时刻已知的状态估计误差协方差矩阵，表示对矩阵进行Cholesky分解运算，κ∈[10-4，1]表示尺度参数。
步骤四：利用自适应无迹卡尔曼滤波的状态预测步，计算k时刻的状态预测值和状态预测误差协方差矩阵求解公式如下
式中，表示Sigma状态采样点经发电机状态方程传播后的对应点值，上标T表示矩阵的转置运算，Qk-1表示k-1时刻***噪声满足的协方差矩阵，Wl为对应于Sigma状态采样点的权重值，计算公式如下
步骤五：基于发电机量测函数，计算k时刻发电机量测预测值和量测预测误差协方差矩阵计算公式为
式中，表示状态预测点经量测方程传播后的对应点值，Rk-1表示k-1时刻量测误差协方差矩阵。
步骤六：计算状态预测与量测预测之间的交互协方差矩阵Pxz,k，计算公式为
步骤七：基于所设计自适应无迹卡尔曼滤波滤波步，计算k时刻的滤波增益Kk，计算公式为
式中上标(·)-1表示矩阵的求逆运算。
步骤八：利用k时刻的量测信息值zk，对状态预测值进行修正更新，并计算状态估计误差协方差矩阵其计算公式为
式中上标T表示矩阵的转置运算。
步骤九：基于创新信息值动态修正更新k时刻***噪声协方差矩阵Qk和量测噪声协方差矩阵Rk，计算公式如下
dk-1＝(1-b)/(1-bk) (16)
式中b表示遗忘因子，且0＜b＜1，当***状态的变化程度越大时b的取值就越大；dk-1为k-1时刻***噪声协方差矩阵估计器调节参数，diag(·)为构建对角矩阵符号，exp表示以自然常数为底的指数函数。
步骤十：按照(2)-(9)计算步骤依据量测信息时间序列对电力***发电机状态动态估计，直至k+1＞N时状态估计迭代停止，输出状态估计结果。
实施例：
(a)模型建立
依据发电机四阶动态方程，构建的发电机状态估计方程如下：
式中：δ表示发电机功角，rad；ω和ω0分别为电角速度与同步转速，pu；e′q和e′d分别表示发电机q轴和d轴的暂态电动势；H表示发电机惯性常数，Tm和Te分别表示发电机机械功率与电磁功率，其中Te＝Pe/ω；KD表示阻尼因子，Efd为定子励磁电压；T′d0和T′q0表示发电机机在d-q坐标系下的开路时间常数；xd和x′d分别表示发电机d轴同步电抗与暂态电抗，xq和x′q分别为发电机q轴同步电抗与暂态电抗；id和iq分别表示发电机d轴和q轴的定子电流。
对电力***发电机动态变量进行动态估计时，状态估计向量为x＝(δ,ω,e′q,e′d)T；选取发电机机械功率、定子励磁电压以及定子R轴和I轴的电流iR,iI为控制向量，即u＝(Tm,Efd,iR,iI)T；选取发电机绝对功角、发电机角速度及发电机定子R轴和I轴的电压eR,eI作为量测值，即量测向量为
z＝(δ,ω,eR,eI)T
其中发电机的绝对功角与角速度均可由PMU量测设备直接量测获取，此情形下***满足能观性。
(b)实施例分析
为了验证本发明所提出计及噪声统计特性未知的动态状态估计方法有效性和实用性，本实施例选取IEEE10机39节点***作为测试***，***结构见图2。在算法进行验证时，以***中发电机G9的状态变量作为估计对象，其中发电机采用四阶模型。发电机G9的惯性时间参数为34.5，阻尼因子为2，d轴和q轴开路瞬变时间常数分别为4.79和1.96。为模拟发电机暂态特征，假定在第20周波时，节点16-节点21支路发生三相金属性短路故障，故障持续6周期(采样周期为0.02s)后消失。
运用BPA软件模拟PMU数据采集，获取发电机运行真实值。量测数据值由真实值叠加随机噪声形成。本发明在进行仿真实验时取前500周波(1周波为0.02s)量测值进行算法验证，即N为500。估计时状态变量的初值选取上一时刻的静态值。假定***噪声和量测噪声统计特性未知，即其值设定如下：***噪声的初始协防矩阵设置为Q0＝10-5I4×4，量测噪声的初始协方差矩阵设置为R0＝10-4I4×4，而二者的真实值分别为Q0＝10-6I4×4和R0＝10-6I4×4。
为了对不同算法之间的估计结果进行对比分析，本发明采用平均绝对估计误差MAE作为指标进行算法间性能对比。
式中MAE(k)为k时刻发电机各状态变量估计结果的绝对误差之和的平均值，xi,k为k时刻第i个状态量的真实值(BPA数据)，为其对应估计值，Ns为总的状态变量数目。
分别利用传统无迹卡尔曼滤波算法(UKF)(其所需的相关参数值和本发明方法的参数初值相同)，以及本发明提出的自适应无迹卡尔曼滤波方法(AUKF)进行测试。
发电机G9的状态估计结果分别如图3，图4所示。图5进一步给出UKF和AUKF方法状态估计结果的平均绝对误差对比。从图中的状态估计结果可以看出，在初始***噪声协方差矩阵和量测噪声协方差矩阵设置不当的情况下，本发明所设计的AUKF方法依然能够准确追踪发电机状态变量，较UKF具有更高的状态估计精度。
图中状态估计结果证实了本发明所提的自适应无迹卡尔曼滤波方法由于能够基于创新信息序列动态修正并更新***和量测噪声协方差矩阵，克服因***噪声协方差矩阵设置不当引起的估计器性能下降，有效提升发电机动态状态估计精度。即本发明方法能够更好的满足电力***发电机动态状态估计的需求，实现电力***动态状态的准确监测。
Claims (8)
1.一种计及噪声统计特性未知的动态状态估计方法，用于电力***发电机动态状态估计，其特征在于，包括如下步骤：
S1：依据发电机四阶动态方程，建立发电机状态估计方程，并构建得到发电机动态状态估计的状态方程和量测方程：
式中，f(·)表示发电机状态方程，h(·)表示量测方程，x，u，z分别对应表示状态变量，控制变量及量测向量；下标k-1和k表示时刻，w表示***噪声，v为量测噪声，二者均为高斯白噪声，所满足的均值均为0，对应的协方差矩阵分别为Q与R，w与v相互独立且和状态变量无关；
S2：基于k-1时刻已知的状态估计值利用无迹变换技术产生k时刻若干个Sigma状态采样点；
S3：利用自适应无迹卡尔曼滤波的状态预测步，计算k时刻的发电机状态预测值和状态预测误差协方差矩阵
S4：基于发电机量测方程，计算k时刻的发电机量测预测值和量测预测误差协方差矩阵
S5：计算状态预测值与量测预测值之间的交互协方差矩阵Pxz,k；
S6：基于自适应无迹卡尔曼滤波滤波步，得到k时刻的滤波增益；
S7：利用k时刻的量测信息值zk，对状态预测值进行修正更新得到状态估计值，计算得到状态估计误差协方差矩阵
S8：基于创新信息值动态修正更新k时刻***噪声协方差矩阵Qk和量测噪声协方差矩阵Rk；
S9：按照S2-S8依据量测信息值zk对电力***发电机状态动态估计，直至k+1＞N，N为最大估计时刻时状态估计迭代停止，输出状态估计结果。
2.根据权利要求1所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S2中产生k时刻2n+1个Sigma状态采样点
式中，n表示发电机状态估计变量维数，为k-1时刻已知的状态估计误差协方差矩阵，表示对矩阵进行Cholesky分解运算，κ表示尺度参数。
3.根据权利要求2所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S3中的k时刻的发电机状态预测值和状态预测误差协方差矩阵表示如下：
式中，表示Sigma状态采样点经发电机状态方程传播后的对应点值，Qk-1表示k-1时刻***噪声满足的协方差矩阵，Wl为对应于Sigma状态采样点的权重值：
4.根据权利要求3所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S4中，k时刻发电机量测预测值和量测预测误差协方差矩阵表示为：
式中，表示状态预测点经量测方程传播后的对应点值，Rk-1表示k-1时刻量测噪声满足的协方差矩阵。
5.根据权利要求4所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S5中，交互协方差矩阵Pxz,k表示为：
6.根据权利要求5所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S6中，k时刻的滤波增益Kk表示为：
7.根据权利要求6所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S7中，k时刻的量测信息值zk，对状态预测值进行修正更新，得到状态估计值，并计算状态估计误差协方差矩阵其计算公式为：
8.根据权利要求7所述的一种计及噪声统计特性未知的动态状态估计方法，其特征在于：S8中，动态修正更新k时刻***噪声协方差矩阵Qk和量测噪声协方差矩阵Rk，计算公式如下：
dk-1＝(1-b)/(1-bk) (16)
式中，b表示遗忘因子，dk-1为k-1时刻***噪声协方差矩阵估计器调节参数，diag(·)为构建对角矩阵符号，exp表示以自然常数为底的指数函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307752.5A CN109950903A (zh) | 2019-04-17 | 2019-04-17 | 一种计及噪声统计特性未知的动态状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910307752.5A CN109950903A (zh) | 2019-04-17 | 2019-04-17 | 一种计及噪声统计特性未知的动态状态估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109950903A true CN109950903A (zh) | 2019-06-28 |
Family
ID=67015350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910307752.5A Pending CN109950903A (zh) | 2019-04-17 | 2019-04-17 | 一种计及噪声统计特性未知的动态状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109950903A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112260590A (zh) * | 2020-09-30 | 2021-01-22 | 西安理工大学 | 一种基于iaukf在永磁直线同步电机中的控制方法 |
| CN113178898A (zh) * | 2021-06-08 | 2021-07-27 | 杭州电力设备制造有限公司 | 一种分布式电源出力状态的估计方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107478990A (zh) * | 2017-09-11 | 2017-12-15 | 河海大学 | 一种发电机机电暂态过程动态估计方法 |
| CN107590317A (zh) * | 2017-08-17 | 2018-01-16 | 河海大学 | 一种计及模型参数不确定性的发电机动态估计方法 |
| CN108155648A (zh) * | 2018-01-09 | 2018-06-12 | 河海大学 | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 |
-
2019
- 2019-04-17 CN CN201910307752.5A patent/CN109950903A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590317A (zh) * | 2017-08-17 | 2018-01-16 | 河海大学 | 一种计及模型参数不确定性的发电机动态估计方法 |
| CN107478990A (zh) * | 2017-09-11 | 2017-12-15 | 河海大学 | 一种发电机机电暂态过程动态估计方法 |
| CN108155648A (zh) * | 2018-01-09 | 2018-06-12 | 河海大学 | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| YI WANG等: "Robust Dynamic State Estimation of Power Systems with Model Uncertainties Based on Adaptive Unscented H∞ Filter", 《 IET GENERATION TRANSMISSION & DISTRIBUTION》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112260590A (zh) * | 2020-09-30 | 2021-01-22 | 西安理工大学 | 一种基于iaukf在永磁直线同步电机中的控制方法 |
| CN113178898A (zh) * | 2021-06-08 | 2021-07-27 | 杭州电力设备制造有限公司 | 一种分布式电源出力状态的估计方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032812A (zh) | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 | |
| CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
| CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
| Zhou et al. | Estimation of the dynamic states of synchronous machines using an extended particle filter | |
| Ghahremani et al. | Dynamic state estimation in power system by applying the extended Kalman filter with unknown inputs to phasor measurements | |
| CN107478990B (zh) | 一种发电机机电暂态过程动态估计方法 | |
| CN110112770A (zh) | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 | |
| CN106452247B (zh) | 一种永磁同步电机转动惯量辨识的方法及装置 | |
| CN108574291A (zh) | 一种基于集合卡尔曼滤波发电机动态状态估计方法 | |
| CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
| CN110222309A (zh) | 一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法 | |
| CN109218073B (zh) | 一种计及网络攻击和参数不确定性的动态状态估计方法 | |
| CN109950903A (zh) | 一种计及噪声统计特性未知的动态状态估计方法 | |
| CN110768600A (zh) | 一种pmsm无速度传感器转子检测方法 | |
| CN113629729B (zh) | 基于频率测量点选取的含风电电力***区域惯量估计方法 | |
| CN110008638A (zh) | 一种基于自适应EnKF技术的动态状态估计方法 | |
| CN109239596A (zh) | 一种基于ekf-irls滤波的动态状态估计方法 | |
| CN112511056A (zh) | 一种基于相量测量的鲁棒发电机动态状态估计方法 | |
| CN117474197A (zh) | 一种基于机电响应特征的***区域惯量评估方法 | |
| CN109918862A (zh) | 一种基于鲁棒无迹h无穷滤波的发电机动态估计方法 | |
| Yin et al. | A speed estimation method for induction motors based on strong tracking extended Kalman filter | |
| CN113224991A (zh) | 一种基于无迹卡尔曼滤波的同步磁阻电机电感辨识方法、***、终端及可读存储介质 | |
| CN112446010A (zh) | 自适应弱敏秩卡尔曼滤波方法及其应用 | |
| CN117013902A (zh) | 电机电感参数计算方法、装置、***、电机和动力设备 | |
| Zhao et al. | Online estimation of rotor temperature in induction motors based on parameter identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |