状态测量（共8篇）
状态测量 篇1
技术状态管理是指应用技术和行政管理手段对产品技术状态进行标识、控制、审核和纪实的活动, 为的是保证提供产品的物理特性和功能特性以及设计产生保持同样标准。主要包括:技术状态的标示、控制、统计及审核。无论何种条件和环境, 这种技术状态在通常情况下, 是能够提供科技硬件指标要求的技术状态、对于软件方面配置, 以及系统自身运行状态进行描述。
跟踪测量雷达技术应用广泛, 在靶场测量, 武器校准, 飞行物定位和其他民事经济、军事应用方面, 其中具有代表性的有:连续波和单脉冲以及相控阵跟踪测量雷达。当下国际通用的雷达系统主要有以下几个组成部分:雷达波发射系统、雷达波接收系统、天控系统、天馈系统、信号及数据处理系统等构成。为确保测量精度, 在设备开始工作前, 需对其进行检查。
1 雷达技术测试应用中的特点
由于雷达应用功能不同, 所以, 在技术测试技术指标和测试频点也略有不同, 其中比较突出差异点体现在脉冲和连续波测量雷达, 技术测试状态差别较大。特别值得一提的是, 正常通用的技术测试中, 包括整机动态和分系统的技术指标测试。
雷达整机动态主要测试有:诸元标定、光电轴匹配测试和校准等。分系统静态测试主要:接收分系统、发射分系统及天馈分系统等。其中发射系统测试主要有:三阶交调, 频谱参数、发射脉冲波形、发动机功率、发射机工作频率、增益平坦度等等。
当前, 雷达分系统测试主要包括:三阶交调、接收机灵敏度、噪音系数、增益平坦度、恢复时间、镜象抑制、天线增益等。
2 测试技术和仪器的选择
2.1 示波器测量
示波器, 通常是指一种波纹曲线, 在应用中可以观察不同种信号源的强弱随时间变化的痕迹, 同时, 还可以用它测试不同幅度的电量数据, 如电流、电压、频率、相位差等。在测试应用中, 可以直观得出多个变量间的数据稳定和一瞬间函数关系和逻辑关系, 以及在对一些物理量的存储及变换作出记录。数字存储示波器, 在测试中将捕抓到的波形通过A/D转换成数字化, 存入存储器中, 方便长期存储并进行下一步的处理。如, 对被测波形的幅值、频率、平均值及前后沿时间等多种复杂处理。
2.2 频谱分析仪测量
频谱仪用于信号失真度、调制度、谱纯度、频率稳定度和交调失真等信号参数的测量, 可用用来检测放大器和滤波器等电路系统的重要数据。
按原理分为非实时和实时频谱仪。非实时频谱分析仪是一种可以显示分析结果的扫描型接收机, 可以分析连续信号和周期信号。工作波频段是声频直至亚毫米。实时式频谱分析仪存在有限时间内存在提取信号的全部频谱信息进行分析并显示其结果的仪器主要用于分析持续时间很短的非重复性平稳随机过程和暂态过程, 对于40兆赫以下的低频和极低频连续信号, 一样可以分析并显示向位。
在雷达技术状态连续波测试中, 频谱仪较为广泛应用。雷达技术多项测试包括:三阶交调测试、调制度测试、频响测试、幅相变换测试、频谱频点纯度测试等。频谱仪已是雷达技术中设备状态检测中不可缺少的测试仪器。
2.3 矢量网络分析仪测量
所谓网络分析, 是指对比较复杂系统中的电路和元件的电气性进行测量的一个过程。系统在发出信号时, 能最大化的用最小失真和最高效率, 将信息由一处传送到另一处。既能测量单端口网络或两端口网络的各种参数幅值, 又能测相位, 这种矢量网络分析仪能利用史密斯圆图精确的显示最终测试数据结果。
在雷达技术应用的测试中, 矢量网络分析仪主要测试天馈系统的群延时和馈线驻波系数等。
3 系统开发技术管理
3.1 现场测试系统组成与开发技术
雷达测试系统包括主要测试仪和机内测试, 测试计算机现场统一进行离线测试和在线监视测试, 完成机外和机内实际测试。测试仪器主要有多种功率计、信号源、数字存储示波器、矢量网络分析仪、频谱分析仪、射频开关和测试仪器包括频率计等。
雷达系统机内测试接口包括数字、模拟接口、网络接口等现场测试计算机测试夹具与适配电路射频开关各种信号频功率计/频率计数字存储示波器频谱分析仪矢量网络分析仪测试仪器总线包括GPIB、TCP/IP、串口等。
现场测试数据人员, 在操作过程中应严格按照测试手册进行, 在现场测试的应用软件系统中, 首先要进行分系统、针对性的部件技术状态参数自动测试、查询、诊断及判定工作。除了人工手动操作外, 还可以进行技术状态的自动测试, 对仪器测试设置条件、参数及测量结果的显示方式, 获取和储存测试结果, 现场测试人员在测试结束后, 现场打印测试报告, 并详实的通过数据汇总结出测试结论。
在应用过程中, 现场测试系统的开发用面向技术和技术框架有利于测试和修改。在进行中的多种环境的测试中, 都基于VISA标准, 将测试所获得的数据和方法作为基类的虚拟函数, 然后选择在最佳型号中实施控制指令。
测试软件可进行的测试项目应由测试画面实现, 在测试中, 有测试、显示, 数据搜索生成报告等, 并调用测试设备和仪器类, 按照测试的要求, 扫描状态参数并在数据库保存。在测试结束后, 用于生成测试数据报告, 方便进行技术性处理。
3.2 远程测试系统的设计与架构
为确保大型装备的可靠性, 定时对设备维护保养, 确保顺利测试, 还需要发展远程测试技术保障, 及时监控被测试系统的运行状况, 提前排查故障, 判定故障部位及原因, 提高保障装备的有效性及维修效率。
现场测试计算机应由数据库系统、现场测试软件、WEB服务系统及远程通信数据接口, 可以有效的生成网络测试机远程系统。专家在测试应用中, 可以通过光纤网络与现场测试的计算机进行连接, 并用数据软件, 对正在进行的测试进行远程协同诊断。
在配备远程测试系统中, 诊断管理中心可以和现场测试计算机可通过有线和无线等光纤网络进行连接, 通过建立内部局域网专用服务器, 构建专享网络平台。客户主机就相当于现场指挥管理中心, 对现场测试进行全程跟踪诊断, 并对多台联网电脑发出指令。诊断专家用浏览器登陆到诊断管理中心, 进行各种设备数据调试及测试。
在测试现场电脑软件中, 通过终端网络平台可以远程发出控制指令由数据传输转化为现场控制指令, 实现远程监控的网络测试。而远程设备端的排查人员可以从WEB浏览器运行中下载AC-TIVEX组件, 实施远程网络的测试分析。在实现这一个过程中需要多种仪器设备进行配合。
4 结束语
为保证大型雷达测量精度, 需要充分发挥测量雷达中技术状态管理。而雷达技术状态管理中测试软件的设计、管理及使用是基础。文章分析跟踪测量雷达技术状态应用测试需求的特点, 测试技术和、数据仪器的选择, 远程监控测试系统的安全稳定的数据分析。经过多轮的技术状态测试表明, 有必要在大型测量雷达技术状态测试中配备远程监控管理系统, 进行远程控制诊断, 确保装备有效运行。
参考文献
[1]GJB 3206A-2010.技术状态管理[S].
[2]孙凯, 张耀辉, 王继富, 等.装备技术状态动态评估方法[J].火力与指挥控制, 2013 (5) :99-102.
[3]陈倩.UCB测控装置的自动化检测与维护系统构建与测试方法研究[D].成都:电子科技大学, 2014.
状态测量 篇2
编队卫星的状态测量方法综述及可行的高精度星间基线测量方案研究
基线高精度测量是编队卫星应用需要解决的关键技术之一.针对这个问题,文章从3个方面进行了阐述.首先,综述目前国内外常用的编队卫星状态测量手段,然后在前面分析的基础上,结合编队卫星基线的表示方法和卫星编队飞行的.特点,提出了2种可行的基线激光测量方案,并对它们各自的测量精度进行了简单地分析.从分析的结果来看,这2种方法均能实现高精度的基线测量.
作 者：刘洋 易东云 王正明 Liu Yang Yi Dongyun Wang Zhengming 作者单位：国防科技大学理学院,长沙,410073刊 名：航天控制 ISTIC PKU英文刊名：AEROSPACE CONTROL年，卷(期)：24(3)分类号：V4关键词：编队卫星 状态测量 基线 激光
状态测量 篇3
一、圆周运动法
1.器材:弹簧秤、秒表、米尺、质量未知的物体m。
2.内容:用弹簧秤拉着质量未知的物体m在同一平面内作匀速圆周运动。保持弹簧称示数不变, 用米尺测量质量未知的物体作匀速圆周运动的半径r, 用秒表记录物体转动n圈后的总时间t。
3.结果:根据向心力公式F=mrω2, 角速度公式, 匀速圆周运动的周期, 联合以上三式, 可得出物体的质量
4.分析:此方法只需要观测弹簧秤的示数F, 记录物体匀速转动n圈后的总时间t, 测量物体作匀速圆周运动的半径r, 就可以获得未知物体的质量, 但匀速圆周运动难以控制, 难以保持弹簧秤示数的恒定。
二、动量定理法
1.器材:弹簧秤、秒表、米尺、质量未知物体m。
2.内容:用弹簧称拉住质量未知的物体m由静止开始, 保持弹簧秤的示数不变, 沿着直线作匀加速直线运动, 经过t时间后停止, 经过的位移为x。
3.结果:根据动量定理Ft=mv, 匀变速直线运动规律v2=2ax, 牛顿第二定律联合以上三式, 可得出物体的质量
4.分析:此方法只需要观测弹簧秤的示数F, 测量质量未知的物体作匀加速直线运动的时间t和相应的位移x, 就可以获得未知物体的质量, 从理论上分析, 该方法较可靠、精度较高。
三、动量守恒法
1.器材:质量已知的物体M、质量未知的物体m、秒表、米尺。
2.内容:给质量已知的物体M一个初速度v1, 与静止的质量未知的物体m发生对心碰撞, 碰撞前后两物体在同一直线上运动, 由于物体处在完全失重状态下, 碰撞前后两物体都作匀速直线运动。碰撞前, 可以用秒表和米尺分别测量出物体M经过的时间t1和相应的位移x1, 从而得到。碰撞后, 可以测量出物体M经过的时间t2和相应的位移x2, 从而得到;可以测量物体出m经过的时间t3和相应的位移x3, 从而得到
3.结果: (1) 碰撞后两物体同向运动, 根据动量守恒定律Mv1=Mv2+mv3, 数据代入公式, 可得物体的质量; (2) 碰撞后两物体反向运动, 根据动量守恒定律Mv1=-Mv2+mv3, 数据代入公式, 可得物体的质量
4.分析:此方法所用仪器简单方便, 只需要测量出物体经过的时间和相应的位移, 但需要测量多个物理量, 误差较大。
四、弹簧振子法
方法1
1.器材:轻质弹簧 (弹簧的劲度系数k已知) 、秒表、质量未知的物体m。
2.内容:在弹簧振子振动的平衡位置放置一个参考系, 由于处在完全失重状态下, 轻质弹簧可以任意方向放置, 但弹簧和物体必须在同一直线上, 保证振子做简谐运动。将质量未知的物体m固定在弹簧上, 使其作简谐运动, 物体可看作弹簧振子, 待振动稳定后开始记录时间, 但要说明的是, 在用秒表测量周期时不能在只振动一个来回后就记录时间作为周期。而是要做n次全振动后记录总时间t, 在求得振动周期
3.结果:根据弹簧振子作简谐运动的规律, 周期为T=2π
从而可以得出物体的质量为
4.分析:此方法只需要测量一个物理量, 用秒表测得物体作n次全振动的总时间t, 就可获得物体的质量, 简单方便, 可操作性强, 误差小。
方法2
1.器材:轻质弹簧、秒表、质量已知的物体M、质量未知的物体m。
2.内容:在方法1的基础上, 将物体m换成质量已知的物体M, 固定在弹簧上, 使其作简谐运动, 记录n′次全振动的总时间t′, 可得到T′=n′t′。
3.结果:此时的振动周期为
联合 (1) (2) 两式可得, 物体的质量m=Mn′t。
状态测量 篇4
1. 监测参数
通过分析知,对机械的监测项目主要包括:发动机的机油压力、温度,冷却水温度,转速,变矩器的进、出口油压、油温,变速器变速油压,制动系统气压和蓄电池电压10个状态量。根据要采集参数的信号类型,将其分为模拟量和频率量两部分,并针对不同测量对象的特点选定传感器,制定检测方案。如附表所示。
2. 模拟量检测
由附表知,机载终端共需检测9路模拟量,包括压力、温度和蓄电池电压的测量3个参数类型。可根据不同的参数类型选用不同的传感器并设计相应的检测电路。
(1)压力检测
压力测量选用能够适应恶劣工作环境的高性能超稳定型STP系列压力变送器。该变送器选用美国原装高精度扩散硅不锈钢隔离膜传感器及专用转换电路,装配工艺和焊接技术完善,可确保产品的优异性能和最佳质量。其工作原理是将被测介质的压力直接作用于传感器的膜片上(不锈钢或陶瓷),使膜片产生与介质压力成正比的微位移,使传感器的电阻值发生变化,再通过电子线路检测这一变化并转换输出一个对应于这一压力的标准4～20 m A电流信号。
(2)温度检测
温度测量根据原理的不同有3种检测方式:分别利用热电阻、热电偶和PN结。随着微电子技术的发展,许多公司纷纷推出了各种高性能的温度集成传感器。如PT100就是一种稳定性和线性都比较好的铂丝热电阻传感器,能直接将测量的液体、气体及各种环境下的温度值转换成标准的4～20 mA DC信号输出。其采用24V供电模式,使用安全可靠。
(3)蓄电池电压检测
电压本身是电量参数,由于蓄电池电压高于终端本身所用电压,不能直接进行测量。设计时可采用分压电路的形式,将蓄电池电压分压后测量,如图1所示。考虑到蓄电池电压的变化范围(0～35 V)及检测系统主控模块的供电要求(5 V),须将分压值控制在0～5 V之间,经过计算,采用电阻值为180 kQ和30 kQ的电阻。分得的电压为蓄电池电压的1/7,所以分压变化范围为(0～35 V)/7=0～5 V。
(4)信号调理电路设计
传感器采集的压力、温度微弱信号要经过信号调理电路转换成能满足A/D转换输入要求的标准电信号。集成运算放大器的种类很多,在该电路中采用由通用Ⅲ型运放OP-07和JEET输入运放LF351组成的信号调理电路,前者是低输入失调电压的集成运放,具有低噪声、温漂小等特点,后者采用JEET技术,特点为低输入偏置电流、低输入失调电流和低电源电流提供了高转换速率和宽频带。电路如图2所示。
3. 频率量(发动机转速)检测及I/O接口电路设计
频率量采集参数的检测主要是发动机转速。常用的转速传感器有磁电式、霍尔式和磁阻式3种。测控系统中常用的霍尔式传感器,体积小、外围电路简单、频带宽、动态特性好、抗污染能力强、高可靠性、无火花、无自激振荡、温度性能好、寿命长。
霍尔传感器是利用霍尔效应工作的一类传感器的总称,霍尔效应的产生是运动电荷受磁场中洛伦兹力作用的结果。该型传感器输出的为矩形脉冲信号,抗干扰能力强,输出稳定。
(1)转速测量原理
发动机转速传感器信号盘安装在曲轴上,工作时传感器输出信号经整形后可得到相应的方波脉冲信号。利用单片机定时器的计时功能,可得到相邻的两个上升沿的时间差,即可算出当前转速n。
其中:i为转速信号盘每转输出信号数;j为信号盘每转1圈发动机转的圈数(信号盘安装在曲轴上时,j=1;装在凸轮轴上时,j=2);T为单片机输入捕捉所计算出的相邻两个上升沿之间的时间差值。
(2) I/O接口电路设计
状态测量 篇5
副产煤气是钢铁联合企业中重要的二次能源[1],其中高炉煤气占到45% 。高炉煤气系统为钢铁企业的生产工艺提供重要的燃料能源,供给各个生产流程作为加热燃料,在保障钢铁企业的能源平衡中具有重要地位[2]。高炉煤气发生量会受到鼓风量、燃料以及富氧等炉况因素变化的影响,同时煤气仪表在小量程或者含有其他杂质的时候,精度比较差,导致煤气发生量计量不准确。这些现象的发生造成测量误差的累积,导致高炉煤气的实际发生量与其仪表计量值不一致,进而导致整个高炉煤气管网的计量不平衡,给企业的能源调度、成本核算等带来不利影响,与企业的经济效益直接相关。因此如何科学地评估高炉煤气发生量的计量值,并保证各种煤气总发生量与总消耗量的平衡,对于钢铁企业能源的合理分配、节能降耗具有重要意义。
本文以某钢铁企业1 号高炉为研究对象,提出一种高炉煤气发生量软测量方法,在不同高炉运行状态下计算其煤气发生量; 调度人员可以实时掌握高炉的运行状态,及时调度煤气系统平衡; 替代现场缺失或者故障的高炉煤气仪表进行在线软测量,实现煤气管网数据的完备性,为调度人员提供准确的数据支撑。
1高炉工艺状态计算
将高炉工艺状态划分为休风、减风、正常三个类别[3],从系统中采集高炉运行历史数据,选择表征高炉运行状态的评估指标,建立基于模糊模式识别[4]的高炉状态计算模型。高炉工艺状态计算流程如图1 所示。
高炉工艺状态计算具体步骤如下:
( 1) 获取高炉运行的历史数据,选择炉顶煤气温度、鼓风量、压差作为表征高炉运行状态的评估指标,对高炉运行状态进行评估。可以得到状态向量
式中: u1为炉顶煤气温度; u2为鼓风量; u3为压差。
( 2) 基于状态样本集的数据聚类确定高炉运行的分类准则,通过分类准则得到状态集S; 将高炉运行状态分为休风、减风、正常三类状态。
式中: s1、s2、s3分别为各类状态的特征状态向量。
( 3) 通过模糊模式识别,求出状态向量与状态集的模糊隶属度关系矩阵R,
式中: rij= λR{ ui,sj} ,0≤rij≤1( i,j = 1,2,3) 表征状态向量中的ui维度指标被评为sj状态类的概率; λR表征状态向量与状态集的概率函数。用变量rj= r1j+ r2j+ r3j表征该状态属于sj类状态的概率,通过比较rj的大小,就可以得出最终的评估结果。
2高炉煤气发生量软测量模型
结合高炉工艺状态计算的结果,针对不同工艺状态建立高炉煤气发生量在线软测量模型[5]。
针对休风和正常状态,根据高炉煤气产生机理建立其煤气量在线软测量模型; 针对减风状态,根据互信息分析得到的特征变量,建立基于智能参数优化回归分析方法的高炉发生量在线软测量模型。
2 . 1基于高炉煤气产生机理的软测量模型
高炉休风状态发生量软测量模型可以认为是正常状态的特殊情况,因此可以归纳到基于高炉煤气产生机理的软测量模型中。具体步骤如下:
( 1) 根据计算的高炉实时工艺状态,当高炉处于“正常”和“休风”运行状态时建立基于高炉煤气产生机理的发生量软测量模型。
( 2) 根据采集的高炉运行数据的不同,提供两种高炉煤气发生量软测量方法。
方法一,基于经验公式根据高炉鼓风量计算高炉煤气单位发生量,即
式中: VG1为高炉煤气的单位发生量,m3/ h; F为高炉单位鼓风量,m3/ h; 1 . 35 ~ 1 . 38 为比例系数,由经验取得。
方法二,当原料、焦炭、喷吹物中的含氮量很少,可以忽略不计时,认为进出高炉的气体保持氮平衡,方法一中的比例系数可以用煤气中的氮气体积分数和鼓风中的氮气体积分数之比来计算,则高炉煤气的单位发生量计算公式为
式中: φg( N2) 为鼓风中氮气体积分数,% ; φm( N2)为煤气中氮气体积分数,% 。
( 3) 利用基于机理的软测量方法在高炉处于休风和正常状态时进行软测量,并将测量结果记录到运行信息。
2 . 2基于智能参数优化回归分析的软测量模型
当高炉处于减风状态时,建立软测量模型需要先利用互信息分析提取特征向量,然后根据特征向量建立基于智能参数优化回归分析方法的高炉发生量在线软测量模型。
2 . 2 . 1选择特征向量
选取影响高炉煤气发生量的指标,从系统中采集各个指标和高炉煤气发生量的历史运行数据作为建模样本,进行归一化和无量纲处理,建立基于互信息理论[6]的特征变量选择模型,去除无关和冗余的指标,其余的作为特征变量。具体步骤如下:
( 1) 选取高炉铁水产量、鼓风量、焦比、富氧、风温、风压等辅助变量作为可能影响主导变量高炉煤气发生量的指标,并将高炉煤气发生量定义为母序列,记为{ x0( k) } ( k = 1,2,…,n) ,其中x0( 1) 表示第1 个时刻的值,x0( 2) 表示第2 个时刻的值,x0( k) 表示第k个时刻的值。将高炉铁水量、鼓风量等影响指标的数据序列定义为子序列,记为{ xα( k) } ( α = 1,2,…,m) ,表示第 α 个影响指标第k个时刻的值( 此例中 α = 1,2,3) 。
( 2) 对主导变量和各辅助变量进行归一化处理。采用均值化方法预处理原始数据,即数据列的所有数据,均除以该数据列的平均值,得到一个新的数据列。令xα的平均值为α,则
(3)由互信息定义求解各个变量互信息。
式中: I( α,0) 为主导变量与辅助变量的互信息值; 0为x0的平均值; p( α( k) ) 为第k个变量的最大熵的概率密度函数; p( 0( k) ) 为主导变量的最大熵的概率密度函数; p( α( k) ,0( k) )为主导变量和第k个变量的最大熵联合概率密度函数。
( 4) 确定主要影响因素。将计算出的煤气量与各影响指标数据列的互信息从大到小进行排序,选取互信息大于阈值的指标作为高炉煤气发生量的特征变量。
本文使用T统计量计算[6]得到的阈值为0. 66 ,同时通过互信息计算得到铁水产量、鼓风量、焦比、富氧、风温的互信息值都大于阈值,因此选这5 个辅助变量作为最终的特征变量。
2 . 2 . 2建立回归模型
根据互信息分析的特征变量,采集历史数据作为回归分析样本。同时根据结构风险最小的原则,综合考虑模型复杂度与经验风险,高炉煤气发生量软测量模型选用支持向量回归机( SVR) 方法建模,问题可归纳为: 对于训练样本集( xβ,yβ) ( 其中,β = 1,2,…,l; xβ为输入变量; yβ为对应的输出值) ,寻找一个输入空间到输出空间的非线性映射 φ,通过这个非线性映射,将数据x映射到一个高维特征空间W,并在特征空间中用下列估计函数进行线性回归:
式中: w为一个l维列向量; b为阈值。
根据统计学理论,支持向量机通过对下列目标函数极小化来取得回归函数:
式中: C为大于0 的常数,表示对超出误差的样本的惩罚程度; ξβ、ξβ*为松弛因子。
约束条件为:
式中: ε 为不敏感损失函数。
根据经验,本文选择高斯径向基作为核函数,其参数 σ 对SVR性能的优劣影响很大,需要确定最优核参数 σ。首先将预处理后的训练样本导入SVR模型进行训练,同时结合遗传算法对SVR参数进行优化[7],得到最佳回归模型。具体如下:
( 1) 确定C、ε 和 σ 在实际应用中的可能取值范围。
( 2) 随机选择各参数的初始值,并采用某种编码构造初始种群P( t) 。
( 3) 将P( t) 中的个体输入SVR模型进行训练,并计算个体适应度函数值。
( 4) 判断种群中最优个体的适应度函数值是否满足要求或者达到最大遗传代数,若满足则转至( 6) ,否则转至( 5) 。
( 5) 应用选择、交叉以及变异算子产生新的种群,之后返回到( 3) 进行迭代。
( 6) 输出最佳SVR参数,并通过对训练样本进行训练以获得最佳回归模型。
最后,用基于遗传算法参数优化的支持向量机模型( GA-SVR) 在高炉处于减风状态时进行软测量,并将测量结果记录到运行信息。参数优化回归分析计算流程如图2 所示。
3应用效果
以某钢铁企业1 号高炉为例分析高炉煤气发生量的软测量应用效果。将从能源管控系统中选取的数据作为实验总样本,根据炉顶温度、鼓风量、压差判断高炉的运行状态。当高炉处于休风状态时,根据机理模型,因为鼓风量为0,所以煤气发生量也为0; 当高炉处于正常状态时,根据经验公式,煤气发生量实际值与软测量值的对比如图3 所示( 选取24 个点,时间间隔为1min) 。
当高炉处于减风状态时,从能源管控系统中提取减风状态数据,将铁水产量、鼓风量、焦比、富氧、风温5 个特征变量的数据作为实验数据,选取其中60% 作为训练集,其余作为测试集。采用多次交叉验证寻优方法,经过20 代进化以后( 如图4 所示) 得到SVR模型的最佳参数: C =69. 035 5 ,σ = 17. 183 7 ,ε = 0. 022 0 。 与传统经验法选取的参数相比,计算时间短而且精度明显提高[7]。将参数代入测试样本得到基于GA-SVR的高炉煤气发生量软测量结果,实际值与软测量值对比如图5 所示( 选取20 个点,时间间隔为1min) 。
从图3 和图5 的曲线可以看出,软测量曲线和实际曲线十分接近,软测量精度误差小于3% 。因此证明遗传算法可以在更短的时间内以更高的精度进行寻优,是解决支持向量机参数选择问题的最佳选择,验证了该方法应用于高炉煤气软测量模型的优异性能。
4结束语
本文提出高炉工艺状态计算的方法,将高炉运行状态划分为三类,直观地帮助调度人员实时掌握高炉的运行状态。同时使用互信息方法有效地剔除无用及冗余的辅助变量,实现了非线性提取特征向量,为软测量模型的建立提供了前提条件。针对高炉不同的运行状态,根据各自特点提出不同的软测量模型,适应性好,计算结果更精确,可用于验证高炉煤气发生量表计的准确性,支持煤气系统平衡调度和管理考核等工作。
摘要：描述了一种高炉煤气发生量软测量方法,通过冶金企业能源管控系统采集高炉运行数据对高炉运行状态进行计算,将状态分为休风、减风和正常三类,当高炉处于休风和正常状态时,建立基于高炉煤气产生机理的发生量软测量模型;当高炉处于减风状态时,通过互信息分析提取非线性特征向量,建立基于智能参数优化回归分析的高炉煤气发生量软测量模型。以某钢铁企业1号高炉为例对高炉煤气发生量软测量应用效果进行分析,结果表明该方法有效结合了高炉工艺状态和高炉炉况信息,软测量灵敏度高,结果准确,为煤气调度提供了很好的数据支撑。
关键词：高炉煤气发生量,工艺状态计算,软测量,互信息,回归分析
参考文献
[1]蒋育翔,黄全福,洪小和.基于钢铁企业能源特点及相互关系的能源管理信息系统的研究[J].冶金自动化,2011,35(2):18.
[2]顾洁,王少军.高炉煤气利用的研究[J].冶金能源,2006,25(1):32.
[3]李文兵,纪扬,李华德.钢铁企业煤气产出和消耗动态模型[J].冶金自动化,2008,32(3):28.
[4]GRIRA N,CRUCIANU M,BOUJEMAA N.Active semi supervised fuzzy clustering[J].Pattern Recognition,2008,41(5):183.
[5]FORTUNA L,GRAZIANI S,RIZZO A,et al.Soft Sensors for Monitoring and Control of Industrial Processes[M].Berlin:Springer-Verlag,2007:1.
[6]杨慧中,章军,陶洪峰.基于互信息的软测量变量选择[J].控制工程,2012,19(4):562.
状态测量 篇6
1 传统的齿廓测量原理
图1中的AK段为渐开线,图中的圆为基圆,其半径为rb,为基圆的切线,根据渐开线的原理,可以得出如下公式:
K点的坐标为:
传统的测量渐开线齿轮齿廓的方法如图2所示,电感位于基圆与渐开线的交点A点,当齿轮旋转θ角后,渐开线变化为,B点为渐开线上一点且与A点Y值相同。这样,BA就是基圆的切线,根据渐开线原理,,也就&是说,如果齿轮旋转了θ角,只要电感沿着方向移动rbθ,此时电感的示值就是齿廓上B点的加工误差。
2 齿轮定位偏心状态下齿廓测量的几何模型和误差模型
如图3所示,O为旋转中心,O′为齿轮的几何中心,齿轮绕O′点旋转了θ°,齿廓变为,此时,如果还是按照传统的渐开线齿轮齿阔测量原理进行测量,电感将只能从A点移动到A′点(A′点的Y值坐标等于A点的Y值坐标),而此时实际齿廓上的点A″点(A″点的Y值坐标等于A点的Y值坐标)才是实际测量点,此时,将人为产生的误差。为了消除这种误差,我们必须实际移动电感到A″点,也就是需要准确计算出A″点的坐标。从图3可以看出,齿轮的基圆也绕O点旋转了θ,从而基圆发生了变化,其切点T也不再与A点重合,而在随着齿轮的旋转发生变化,这样纯粹按照几何方法计算出A″点的坐标是不可行的。为了解决这个问题,本文引入了二分法,利用数值分析原理精确计算出了A″点的坐标。
3 基于二分法的齿廓测量算法
具体的算法流程如图4所示。绕O点旋转θ的形变矩阵为M,根据计算机图形学,
-由渐开线原理,可以得到在旋转之前,的值就是基圆的半径rb,的值就是齿顶圆的半径值ra,利用式(2)、(3)、(4),就可以计算出A点与B点的坐标值。然后利用形变矩阵就可以计算出A点和B点旋转后的相应点C和D点的坐标。下面将利用二分法求取A″点的坐标。
步骤1:将C点坐标赋予p1,将D点坐标赋予p2,r1=rb,r2=ra
步骤2:判断电感的Y坐标值与p1和p2的关系,如果与p1和p2距离大于允许误差,则取二个点之间的一个点,使r=(r1+r2)/2,利用式(2)、(3)、(4)求取在未旋转之前半径为r的坐标点E点,然后利用形变矩阵M计算出E点旋转之后的点E′点的坐标。如果与p1和p2距离小于允许误差,则执行步骤5。
步骤3:判断E′点的位置,如果其大于电感的Y坐标值,则将E′点坐标赋予p2,否则赋予p1。
步骤4:重复步骤2和步骤3。
步骤5:利用式(6)计算出A″点的坐标。
4 仿真与结论
为了验证基于二分法的齿廓测量算法,本文根据图4给出的算法,开发了齿轮测量模拟系统,如图5所示。图中齿轮的模数是28,齿数是60,几何中心距离旋转中心的距离为(10,15),图6给出了某个瞬间的测量放大图,同种的红色曲线为初始位置的基圆和渐开线齿廓,蓝色曲线为当前的基圆和渐开线齿廓。从图中可以看出,经过计算,新的测量点仍然位于渐开线齿廓上。经过测试,按照图4给出的算法,齿轮测量模拟系统需要16～19次的迭代,即可以得到完全准确的结果。在实际测量过程中,我们只需要10次迭代,精度就可以达到0.1μm,这已经完全能够达到测量要求,同时大大缩短了计算时间,提高了计算速度。经过实际测试,基于二分法的齿廓测量算法,速度快、精度高,完全能够满足实际测量要求,是一种较好的解决齿轮定位偏心时进行齿廓测量的算法。
参考文献
状态测量 篇7
本文提出了一种以Philips LPC2119为控制器的汽车驾驶状态测量节点的设计,i CAN-bus协议的应用使汽车驾驶状态(方向盘、油门、刹车和ECU控制等信息)的采集、处理和信息管理更具实时性和高效性。经实验测试,该控制系统数据传输快速、准确。
1 CAN总线系统组成模式
1.1 基于i CAN协议的CAN网络
在本文的系统中,采用自主研发的i CAN协议作为本系统的应用协议[2]。i CAN协议是基于CAN的内部通信协议,该协议小巧、通信效率高,对硬件资源要求低,非常适合于小型系统的使用。系统中的设备统称为iCAN节点。i CAN协议定义的通信方式是“面向节点,基于连接”的通信方式。“面向节点”是指源节点地址及目的节点地址均已给定,即对于任何一个报文参与通信的双方是确定的。如图1所示。
“基于连接”是指在网络中任何一个参与通信的从站设备都必须和主站设备之间建立一个独立的通信连接。这样也为对任何一个设备的通信进行监控提供了可能。如图2所示。
1.2 设备的通信模式
i CAN协议定义了两种通信方式:主从轮询方式和事件触发方式。主从轮询方式又可分成点对点方式和广播方式;事件触发方式又可分成定时循环方式和状态触发方式。如表1所示。
1.3 实际的i CAN系统设计
在本文设计中,采用分布式处理的思想,每个从节点都能完成一些数据处理工作。例如,在加速度的数据采集中,相应从站完成数据的采集、调理、有效数据的判断等。这样,减轻了主节点的工作量,减少了通信次数从而能进一步提高通信质量。
在通信模式上,采用主从轮询和事件触发相结合的方式。在有从节点采集到有效数据的时候才主动向主节点报告,在通常情况下是没有任何动作的。之所以还需要主从轮询模式是基于以下原因。从节点如果长时间没有向主节点发送数据,有两种可能:第一,的确没有数据;第二,该节点已经损坏。在节点损坏的情况下,不会有任何数据发出,所以主节点必须定时查询从节点的状态,这个查询周期可以设置得比较长,视具体要求而定(典型值在几百毫秒到几秒)。对于损坏的从节点,主站会及时向用户报警。
系统由上位计算机节点(包括嵌入式PC机和CAN接口卡)作为系统的主节点,汽车驾驶状态智能测控节点等作为从节点组成。网络拓扑结构为总线型,通信介质为屏蔽双绞线。主节点除了负责与从节点的基本通信外,还负责运行汽车驾驶状态(疲劳驾驶)智能控制程序,动态显示各节点的工作状态和重要的现场参数以及报警信息等,并对各节点的控制参数、运行参数进行整定和修改。系统结构如图3所示。从节点对方向盘、油门、刹车和ECU控制等信息进行采集并传至主节点。对于不同的设备,其总线转换接口原理相同,只是具体的转换模块不同。
油门控制加速度传感器测量节点负责i CAN总线的物理接口和底层协议的实现。测量节点如图4所示。
1.4 CAN控制器
该测量节点的硬件电路以Philips的单片机LPC2119为核心,由高速CAN收发器TJA1050和抗干扰电路等组成[3]。LPC2119内带有ARM7内核,具有封装小、功耗低、多个32位定时器、4路10位ADC、2路CAN以及多达9个外部中断等优点,使得节点具有强大的数据处理能力,可运行高级的算法,如快速傅立叶变换等。TJA1050提供了CAN控制器与物理总线之间的接口,以及对CAN总线的差动发送和接收功能。TJA1050是汽车专用高速CAN收发器,具有优秀的EMC和EMI性能。实践证明,采用LPC2119和TJA1050构造的CAN通信模块,外围扩展能力强、空间小、同时可改善电磁辐射性能和抗电磁干扰性能。该智能节点对加速度传感器信号进行模数转换,并对所获得的数据进行处理;CAN控制器用于同上位机进行数据通信,完成CAN总线数据的接收与发送工作;各智能测控节点可以对各自的参数进行初始化、自动调整和配置等工作。
1.5 Low-G系列加速度传感器
Freescale双轴加速度传感器MMA6260Q由两部分组成:G-单元和信号调理ASIC电路。G-单元是机械结构,它是用半导体制作技术、由多晶硅半导体材料制成;信号调理ASIC电路由积分、放大、滤波和控制逻辑等组成,完成G-单元测量的信号到电压输出的转换。加速度传感器的输出电压与加速度成正比,为了测量加速度传感器芯片的输出电压,通常使用带有A/D的微控制器。传感器输出与A/D之间的RC滤波电路用于减小时钟噪声,电源与地之间的0.1μF电容是去耦电容,芯片安装时要尽量减小加速度传感器与微控制器之间的距离。测试电路如图5所示。
ARM7 LPC2119的A/D转换器基本时钟由VPB时钟提供。每个转换器包含一个可编程分频器,可将时钟调整至逐步逼近转换所需的4.5MHz(最大);完全满足精度要求的转换需要11个转换时钟,10位转换时间小于2.44μs。为了降低噪声和出错几率,模拟地和数字地之间、模拟电源和数字电源之间均用10μH的电感进行隔离。
2 系统软件设计
系统软件设计包括两方面:(1)智能测控节点软件设计。主要是对加速度传感器的采样数据处理和完成与上位机之间的数据通信功能。(2)上位机软件设计。主要包括CAN节点初始化、报文发送和报文接收。
2.1 智能节点软件设计
由加速度传感器MMA6260Q采样来的模拟信号由LPC2119 A/D转换,经过有效数据检查、数字滤波、标度变换、线性化技术等处理,消除由于随机干扰带来的误差,得到实际被测加速度的准确数值。LPC2119初始化完成以下任务:设置工作方式、接收滤波方式、接收屏蔽寄存器AMR和接收代码ACR、波特率参数和中断允许寄存器IER等。系统设定工作频率为16MHz,波特率配置为1Mb/s。
2.2 报文发送和接收子程序
CAN控制器有三个独立的发送缓冲寄存器,发送时要判断缓冲空闲,本设计中,先判断第一主发送缓冲区,然后进行数据格式转换,启动发送数据。报文发送、接收数据流程如图6所示。CAN的发送和接收子程序完成了CAN控制器的底层驱动。
报文发送函数原型:INT32U CANSend Data(CANNUM Can Num,INT32U Cmd,*Rx Buf),Can Num:CAN控制器;Cmd:发送命令字;Rx Buf:发送数据指针。
接收采用中断方式,为避免数据丢失,在函数库中建立环形缓冲结构:
目标环形缓冲区指针。
2.3 i CAN协议报文接收处理
智能节点必须符合i CAN协议报文的格式,先要把CAN的数据转换成符合i CAN协议格式的报文,再通过CAN的收发子程序发送和接收,i CAN报文的接收处理流程如图7所示。
系统采用i CAN总线技术及协议设计,实现了汽车驾驶状态——方向盘、油门、刹车和ECU控制等信息采集和处理。与以往的系统相比,其最大特点是提高了各测量节点的精度和稳定性以及系统数据通信的速度并增强了抗干扰能力。
参考文献
[1]邬明宽.CAN总线原理和应用系统设计[M].北京:北京航空航天大学出版社,1996.
[2]周立功.iCAN现场总线原理与应用[M].北京:北京航空航天大学出版社,2007.
状态测量 篇8
现有状态估计[1,2,3,4]和不良数据辨识[5,6,7]方法主要建立在测点残差概念基础上,但是,测点残差并不反映测点真值任何信息,对于测量结果的可靠程度无法进行定量描述。这给进一步研究状态估计问题带来了较大困难,导致一些基础性问题,如真值未知情况下状态估计结果评价问题,都不能得到解决。
本文基于文献[8]提出的正常测点概念,构造了测点评价函数,用于评价测点是正常测点还是异常测点;然后以测点正常率最大为目标函数,提出了新的状态估计模型及其求解算法,并对该状态估计方法的修正模型进行了进一步讨论。
1 测点评价函数
设x为状态估计结果,对测点i,称di为测点i在估计x下的相对偏离:
式中:zi为测点i的量测值;hi(·)为测点i的量测函数;Ui为与置信概率p对应的测点i的扩展不确定度。
由正常测点定义可知:测点i为异常测点时,|di|>1;测点i为正常测点时,|di|≤1。
根据上述思想,可以建立如下测点评价函数:
定义1:称
显然,测点正常率最高的估计,其状态正常率评价指标最小;反之,状态正常率评价指标最小的估计,其测点正常率最高。因而,可将求测点正常率最高的估计问题转化为求正常率评价指标最小的估计问题。
g(di)的缺点是:在±1处有间断点,并且不是处处连续可导,不便于实际应用。为此,建立g(di)的近似函数f(di),显然f(di)应具有以下特性:
式中:λ为大于0的常量。
λ越小,式(3)与式(2)在形状上越相符,但在实际应用中,若λ过小,相当于函数f(di)在|di|=1处有跃变,对以
式(3)的意义为:当|di|≤1时,认为测点i为正常测点,f(di)接近于0;当|di|≥1+λ时,认为测点i为异常测点,f(di)接近于1;当1≤|di|≤1+λ时,认为测点i为可疑测点。
本文中,f(di)取以下形式:
式中:
k一般取大于2的自然数。k取不同值时,f(±1)和f(±(1+λ))的取值见表1。由表1可知,k越大,f(±1)的值越接近于0,f(±(1+λ))的值越接近于1,式(3)与式(2)在形式上越相符。但k过大会给以
λ=5,k=3时,函数f(di)的示例图形见图1。由图1可见,f(di)没有间断点,处处连续可导,且f(di)与g(di)的特性接近,即当测点i正常时,f(di)接近于0,反之f(di)接近于1。因此,本文采用式(4)定义的f(di)作为测点评价函数。
测点评价函数也可采用其他形式,只要保证处处连续可导,且当测点i为正常测点时,测点评价函数值接近于0,反之接近于1即可。
2 方法介绍
2.1 数学模型
设某一系统状态下,系统中异常测点数目为q,则
由此,得到新的状态估计模型:
由于实际运行中,真实系统状态必然满足潮流约束和其他实际物理约束(如发电机功率上下界约束)。考虑这些约束后,得到改进的状态估计模型:
式中:g(x)=0代表潮流约束;l(x)≤0代表实际物理约束。
2.2 求解算法
式(6)中,将di代入目标函数中,即得:
式(7)是一最优潮流问题,其求解方法较多。对于大规模最优潮流问题,用现代内点法[9]求解较好,其收敛性能得到保证,计算速度快,且当问题规模增大时,计算时间增加不多[10,11]。
本文基于开源现代内点法优化计算软件包[11,12]成功求解了以上问题,收敛性好,计算速度快,适合于在线工程应用。详细求解过程与文献[10,11]类似,此处不赘述。
3 方法特点
与以往状态估计方法相比,本文方法特点如下:
1)以测点正常率最大为目标,因而所求得的状态估计结果的测点正常率高。
2)可在求得状态估计解的同时自动辨识系统中的不良数据。本文方法以测点正常率最大,即以测点异常率最小为目标。可以认为,在本文方法所求得的估计下异常测点即为系统中的不良数据,因而,该方法在求得状态估计解的同时,也自动对系统中的不良数据进行了辨识。
3)估计准确性不易受不良数据影响,具有很强的抗差性。以往状态估计方法容易受不良数据影响,且估计值偏离量测值越远,受影响越大。本文方法中,当测点为异常测点时,无论估计值偏离量测值多远,其反映在目标函数中大小都是1,因而估计准确性不易受不良数据影响,具有很强的抗差性。
4)本文方法还具有以下特点:①所求得状态估计结果为潮流解,且满足各种物理约束,更加接近实际;②计算中无需进行不良数据校验、权重因子设置,调试和维护极为简单;③求解算法为现代内点法,收敛性好,计算速度快。
4 进一步讨论
本文系列文章(共3篇)第1篇[8]中指出,测点正常率越高,状态估计结果越合理。基于此,本文以测点正常率最大为目标,提出了相应状态估计模型和求解算法。可以想见,本文方法求得结果的测点正常率较高,与真实状态较为接近。但是,本文方法所求得结果是否可以进一步改进?是否可以求得更好的解?
本文系列文章第1篇[8]中指出:当2个估计的测点正常率相同时可以降低置信概率,然后在新的置信概率下比较2个估计的测点正常率,测点正常率较高的估计其结果更为合理。
因此,要得到更合理的状态估计结果,可以采用如下方法:设求解模型(6)所得估计为
式中:
模型(8)与模型(6)相比,主要有2点不同:
1)增添了约束:dj≤1,∀j∈A。这样可以保证
2)测点评价函数由式(5)改为式(9)。即对异常测点评价不变,对正常测点更希望其估计值分布在量值区间
同时,模型(8)与模型(6)形式类似,可用同样方法求解,并且还可将模型(6)的解作为模型(8)的初始可行解,从而加快问题求解。
通过以上调整,按本文系列文章第1篇[8]中提出的状态估计结果评价方法,可以认为模型(8)得到的估计结果较模型(6)所得估计结果更为合理。
模型(8)中,去掉约束dj≤1,∀j∈A,得到以下模型:
由于去掉了约束dj≤1,∀j∈A,模型(10)可以直接求解,无需在求解模型(6)后再求解。那么,该模型所得解与模型(6)、模型(8)所得解相比,其合理性如何呢?结论如下:
1)模型(10)所得估计结果的测点正常率应不大于模型(6)所得结果的测点正常率。模型(10)与模型(6)相比,仅在于测点评价函数不同,模型(10)评价函数采用了式(9),而模型(6)采用了式(5)。模型(10)所得估计结果的正常率应不大于模型(6)所得结果的测点正常率,因为以式(5)为目标函数,即希望更多测点分布在量值区间[zi-Ui,zi+Ui]内,而以式(9)为目标函数,即希望有更多测点分布在量值区间
2)模型(10)所得估计结果的测点正常率应不大于模型(8)所得结果的测点正常率。模型(10)与模型(8)相比,少了一个约束,即可行区域变大,因而模型(10)应能求得更优目标函数值,但如前所述,这并不能使更多测点估计值分布在[zi-Ui,zi+Ui]内。而模型(8)由于加上了约束dj≤1,∀j∈A,其测点正常率不会低于模型(6)的测点正常率,因而也就不会低于模型(10)的测点正常率。
综上所述,当系统测点中不存在不良测点或不良测点数目较少时,3种模型求得的解相差不大;而当系统中不良测点较多时,模型(8)求得的解的合理性略高。
5 算例分析
本文所提出的模型中用到了参数k和λ。参数k和λ取值对算法的收敛性和状态估计结果合理性有多大影响呢?本文对此进行了研究,详细结果参见5.1节和5.2节。同时还对第4节中讨论的模型(6)、模型(8)、模型(10)的估计结果进行了对比分析,详细结果参见5.3节。
5.1 参数λ取值试验研究
为检验λ取不同值时对算法的收敛性及估计结果合理性的影响,采用3份生数据对IEEE 118节点系统进行了试验。第1份生数据中不含不良量测(量测值与真值之差绝对值大于3倍标准差的量测);第2份数据中含有32个不良量测,占量测总数的3.036%;第3份数据中含有52个不良量测,占量测总数的4.934%。试验中,测点扩展不确定度取该测点测量误差3倍标准差,各次试验使用初值相同,计算模型均采用模型(6),k均取2。
不含不良数据情况下试验结果见表2,需要说明的是,
5.2 参数k取值试验研究
为检验k取不同值时对算法的收敛性及估计结果合理性影响,采用与5.1节相同的3份生数据对IEEE 118 节点系统进行了试验。试验中,测点扩展不确定度取该测点测量误差3倍标准差,各次试验使用初值相同,计算模型均采用模型(6),λ均取4。
不含不良数据情况下试验结果见表3,含不良数据情况下试验结果见附录A表A3和表A4。从试验结果中可以看出:当系统不含不良数据或不良数据较少(小于3%)时,迭代次数少,解的合理性好,且迭代次数和合理性指标变化不大;当系统中不良数据较多(大于5%)时,解的合理性有所下降,进一步,若k取值较大(大于5),迭代次数有所增加。
5.3 模型(6),(8),(10)的比较
为检验模型(6),(8),(10)的收敛性和估计结果的合理性,采用与5.1节相同的3份生数据对IEEE 118节点系统进行了试验。试验中,k均取2,λ均取4,模型(8)和模型(10)中
不含不良数据情况下试验结果见表4,含不良数据情况下试验结果见附录A表A5和表A6。从试验结果可以看出:在不含不良量测、含较少不良量测和含较多不良量测3种情况下,3个模型的各项指标均相差不大。因此,本文系列文章第3篇(关于算法比较和实际应用)中均采用模型(6)进行计算。
与其他状态估计准则,包括加权最小二乘准则、加权最小绝对值准则、非二次准则等的比较参见本文系列文章第3篇。
6 结语
基于正常测点和异常测点概念,构造了相应测点评价函数。当测点为正常测点时,测点评价函数取0,而当测点为异常测点时,测点评价函数取1。
进一步建立了以测点正常率最大为目标函数的状态估计模型,并提出了相应求解算法。该方法具有以下特点:①所求得状态估计结果的测点正常率较高;②可自动对不良数据点进行辨识;③估计准确性不易受不良数据影响,具有很强的抗差性;④所求得状态估计结果为潮流解,且满足各种物理约束,更加接近实际;⑤计算中无需进行不良数据检验、权重因子设置,调试和维护极为简单;⑥求解算法为现代内点法,收敛性好,计算速度快。
本文还给出了所提出模型的修正模型,但算例分析表明,各模型所得结果的合理性指标基本相同。
与以往状态估计方法以及不良数据辨识方法相比,本文方法优劣如何?本文系列文章第3篇将对此进行详细的对比研究。
参考文献
[1]SCHWEPPE F C,WILDES J,ROMD B.Power systemstatic-state esti mation:PartⅠ,Ⅱ,Ⅲ.IEEE Trans on PowerApparatus and Systems,1970,89(1):120-125;125-130;130-135.
[2]BALDICK R,CLEMENTS K A,PI NJO-LAZIGAL Z,et al.I mplementing non-quadratic objective functions for stateesti mation and bad data rejection.IEEE Trans on PowerSystems,1997,12(1):376-382.
[3]CELIK M K,ABUR A.Arobust WLAVstate esti mator usingtransformations.IEEE Trans on Power Systems,1992,7(1):106-113.
[4]SI NGH H,ALVARADO F L,LI U W-H E.Constrained LAVstate esti mation using penalty functions.IEEE Trans on PowerSystems,1997,12(1):383-388.
[5]ZHANG B M,LO K L.A recursive measurement erroresti mationidentification method for bad data analysis in powersystemstate esti mation.IEEE Trans on Power Systems,1991,6(1):191-197.
[6]ZHANG B M,WANG S Y,XI ANG N D.Alinear recursivebad data identification method with real-ti me application topower systemstate esti mation.IEEE Trans on Power Systems,1992,7(3):1378-1385.
[7]KOTIGUA W W,VIDYASGAR M.Bad data rejectionproperties of weighted least absolute value techniques applied tostatic state esti mation.IEEE Trans on Power Apparatus andSystems,1982,101(4):844-851.
[8]何光宇,董树锋.基于测量不确定度的电力系统状态估计:(一)结果评价.电力系统自动化,2009,33(19):21-24,35.HE Guangyu,DONG Shufeng.Power system static-stateesti mation based on uncertainty of measurement:Part oneresult evaluation.Automation of Electric Power Systems,2009,33(19):21-24,35.
[9]WEI H,SASAKI H,KUBOKAWAJ,et al.An interior pointnonlinear programming for opti mal power flow problems with anovel data structure.IEEE Trans on Power Systems,1998,13(3):870-877.
[10]WEI H,SASAKI H,KUBOKAWA J,et al.Large scalehydrothermal opti mal power flow problems based on interiorpoint nonlinear programming.IEEE Trans on Power Systems,2000,15(1):396-403.
[11]W CHTER A,BIEGLER L T.On the i mplementation of aninterior-point filter line-search algorithm for large-scalenonlinear programming.Mathematical Programming,2006,106(1):25-57.