多状态系统范文

多状态系统范文（精选7篇）

多状态系统 第1篇

关键词：智能视觉,交通多状态识别,监控系统

智能交通系统是一个涉及车辆速度测试, 车辆定位, 车流量检测等技术的综合系统。

随着越来越多的监控视频设备应用在交通系统中, 对道路交通进行不间断的监控, 及时检测逐渐成为人们分析的重点问题。基于智能交通多状态监控系统, 对交通多状态事件进行智能化的识别。

寻找有效的方法, 深入探讨智能交通网络, 是交通监控系统急需解决的问题。优化控制方案, 加入智能化识别过程, 对道路交通事件进行及时的检测和报警具有重要的意义。

1 基于智能交通多状态监控系统总体设计

基于智能交通多状态监控系统, 对交通多状态事件进行智能化的识别。交通状态自主检测系统的目标是及时采集交通环境和主要交通设施状态的信息, 确保相应道路的正常运行, 对交通多状态事件进行智能化的识别, 寻找有效的方法, 对路面实现全程监控, 增强道路的有效使用率和交通流量。迅速对道路交通拥塞、交通事故做出有针对性的处理, 确保人民群众的生命和财产安全。

在传统的针对车辆的车速, 车型, 车辆数量的智能交通检测系统基础上, 采用不同的方式, 加入智能化识别过程。利用监控图像帧差灰度变化区间, 进一步研究目标的行为状态和方式。

并根据已掌握的信息, 对模式识别技术以及交通监控系统相关检测区域中的车辆状态进行检测, 判断是否超速, 是否逆行等信息, 对道路交通异常情况的预警技术进行初步的探讨与分析。

2 基于智能交通多状态监控系统核心算法设计

2.1 采集交通数据的预处理

基于智能交通多状态监控系统在进行不同的传感器获取相应道路的交通信息多状态识别前, 因为获取的原始交通信息包含一定的噪声干扰信号, 需要进行相关的细分和识别预处理。

如根据采集到的视频系统采用参数设置、含有大量的视觉传感器的背景采集等。交通管理人员通过背景采集将前景交通信息模糊化, 过滤道路中运行的车辆信息, 提取原始背景, 降低系统识别交通状态的准确性, 只保留分析对象。

通过引入动态更新背景算法, 对识别出的事件依据严重程度采用相应的补救措施, 为后续的检测提供依据, 使系统能够适应不断变化的交通环境。将检测到的道路情况信息反馈给信息处理单元, 过滤不必要的信息。如道路两旁的树木、花草区域。忽略一些特定环境因素的限制和不相关的计算, 确保系统具有较高的交通事件检测精度。

2.2 拥堵事件检测原理

拥堵事件主要表示在稳定道路中, 存在不能识别车辆类型, 车辆数量超过合理值, 不能准确定位, 不能及时反馈信息等缺点。并且该种情况会持续较长时间, 基于智能交通多状态监控系统的设计方案, 分析道路中车辆的数量则能够判断出是否出现拥堵事件。

受技术本身或者特定环境因素的限制, 需要将彩色的视频图像转化成灰度图像, 并进行信息获取和处理技术。滤波操作, 以DSP为基础芯片的图像处理单元, 提取原始背景, 进行车辆速度测试。输入图像同原始图像进行差分操作, 设计多状态识别软件算法判断相应道路是否发生拥塞, 运算该图像中车辆的像素点数量分析交通是否发生拥堵事件。直接掌握道路交通的状况, 对运行的车辆进行标识。多点分布进行车流量检测, 记录相应的车辆像素点数量。

2.3 行人、停车事件检测算法

行人事件不同于其他事件, 主要是因为行人处于机动车道或其它限制的范围, 这是本事件核心所在, 并且持续时间较长。判断交通是否存在行人事件原则上网络节点数不受限制, 它可以拥有足够多的节点, 并且用外接矩形框标识连通范围中的运行目标。该方法铺设密度极大, 跟踪, 监控时测量精度高。

通过相关的资料, 运算矩形面积、长宽比以及质心波动, 测量目标的速度, 位置等参数, 依据相应的面积阀值, 分析是否该运行目标是否是行人。停车事件的检测方法同行人事件相同, 通过形态学处理以及二值图像的运动车辆情况。明确运行目标, 如果车辆处于检测范围中, 采用矩形框标识运动目标停车事件描述车辆在道路中的停止状态, 目标图像的灰度值波动较小, 该种状态的时间较长。则说明道路存在停车事件, 应发出报警。

3 基于智能交通多状态监控系统设计分析

在智能交通监控系统中, 为了验证本文设计系统的有效性, 监控中心设计必须是比较完善的, 并需要进行相关的科学分析。为了进一步验证本文方法的优势, 由传感器本身的处理器需要通过通信接口将处理过的获取的实时车流量发送给上层处理能力更大的数据处理中心。

监测车辆数量得到车辆的二值图后, 对信息进行初步处理, 采用扩充和模糊方法对图像进行变换, 监控数据采用某时段内固定区域的车辆采集图像, 将多个传感器节点的测量数据按照一定的数据处理算法进行处理, 对运行的车辆进行标识, 记录相应的车辆像素点数量, 设定拥堵阀行人事件控制决策功能。对道路交通上的运作状况, 良好或故障等都能及时了解。

具有全新的信息获取和处理技术, 较高的道路交通事件识别精度。对于现有交通监控系统中所应用的各种技术, 能够准确识别出相应的交通事件, 具有重要的应用价值, 对未来交通发展的具有重要意义。

4 结束语

本文设计了基于智能视觉的交通多状态识别系统, 该系统能够细分交通的不同状态, 及时有效对交通状况做出及时有效的判断, 检测出堵塞、行人以及停车等交通事件。并提出一种基于交通多状态识别系统的总体设计, 详细分析了该系统中所应用的各种技术识别交通状态的流程和系统的核心算法, 最终实现对交通事件的准确判断。该交通监控系统利用监控图像帧差灰度变化区间能够及时准确检测出相关的交通事件, 并且具有较高的检测精度与重要的应用价值, 对未来交通发展的具有重要意义。

参考文献

[1]张丽.车辆视频检测与跟踪系统的算法研究.杭州:浙江大学, 2014.

基于智能视觉的交通多状态监控系统 第2篇

当前智能交通系统监控功能的智能化程度不高, 大部分系统都是对交通流量的人工监控。只能对相关道路的是否拥堵进行判断, 但是, 随着交通路况复杂程度的不断增加, 交通事件的属性越来越复杂。对交通多状态事件进行智能化的识别, 成为下一代交通监控系统急需解决的问题。

1 基于视觉的交通多状态识别系统设计原理

交通状态自主检测系统的目标是确保相应道路的正常运行, 增强道路的有效使用率和交通流量, 降低道路交通拥塞、交通事故的发生概率, 进而确保人民群众的生命和财产安全, 在传统的智能交通检测系统上, 加入智能化识别过程。

多状态视觉交通监控系统结合监控技术对模式识别技术, 对相关检测区域中的车辆状态进行检测。系统含有大量的视觉传感器, 这些传感器具有多点分布以及无线传输的性能。系统包括传感器、摄像机以及以DSP为基础芯片的图像处理单元, 将检测到的道路情况信息反馈给信息处理单元进行交通事件多状态的细分和识别。

系统的基本工作流程为: (1) 采用不同的传感器及时获取相应道路的交通信息; (2) 因为获取的原始交通信息包含一定的噪声干扰信号, 将降低系统识别交通状态的准确性, 则应对这些图像进行滤波处理; (3) 设计多状态识别软件算法判断相应道路是否发生拥塞、行人以及停车等多状态事件; (4) 对识别出的事件依据严重程度采用相应的补救措施, 并给出相应的报警信号。交通多状态识别系统识别交通事件的流程图, 用图1描述。

2 交通多状态识别核心算法软件设计

2.1 采集交通数据的预处理

系统在进行多状态识别前, 需要进行相关的预处理, 如参数设置、背景采集等。背景采集是将前景交通信息模糊化, 只保留分析对象, 为后续的检测提供依据, 过滤不必要的区域计算, 如道路两旁的树木、花草或者其它不相关因素。

(1) 道路背景采集和调整, 通常条件下, 道路中存在行人和车辆, 因此通过视频监控系统获取的道路视频信息中, 存在运行的车辆与行人信息。为了对道路中的交通状态视频图像进行处理, 应采集道路背景图像, 过滤道路中运行的车辆信息。用图2描述。背景采集主要是对连续n帧图像进行累加, 系统通过引入动态更新背景算法, 能够适应不断变化的交通环境, 确保系统具有较高的交通事件检测精度。

(2) 获取道路差分图像, 为了从道路交通运行视频中采集运行的车辆信息, 应采用相应的方法当前帧图像以及检测范围中的交通图像进行差分处理, 最终获取仅有运行车辆目标的图像。对行人事件、拥堵事件以及停车事件进行辨识, 通常依据图像的灰度值区域变化进行交通状态辨识, 行人事件需要准确辨识出行人以及车辆的轮廓, 通常采用混合高斯模型构建其背景并进行及时的调整, 用图3描述。

设置输入图像为Cni, j, 背景图像为Bni, j, 对输入图像的每个像素, 计算它与背景像像素的差, 如式 (1) 所示。

然后将该图像二值化:

式 (2) 中:Th为阈值, 可定义为差值图像像素的均值与标准方差之和;Vni, j为1时表明该像素属于物体, 否则为背景像素。选择更新背景的方法表示为:

k为调节系数, 只有当Vin, j=0时, 才能进行背景更新, 否则对应有运动物体, 应该保持背景不变。

2.2 拥堵事件检测原理

拥堵事件主要表示在稳定道路中, 车辆数量超过合理值, 并且该种情况会持续较长时间, 一般分析道路中车辆的数量则能够判断出是否出现拥堵事件。需要将彩色的视频图像转化成灰度图像, 并进行滤波操作, 提取原始背景, 在将输入图像同原始图像进行差分操作, 获取二值化差分图像, 运算该图像中车辆的像素点数量分析交通是否发生拥堵事件。

得到车辆的二值图后, 采用扩充和模糊方法对图像进行变换, 采用3×3结构元素修补相关的区域, 对运行的车辆进行标识, 记录相应的车辆像素点数量。通过形态学处理以及二值图像的运动车辆情况, 用图4描述。

通常采用两个分析标准评估交通的拥堵事件: (1) 如果修补后的二值图像中运动目标数量高于阀值, 说明存在交通拥塞事件; (2) 如果连通范围的面积同二值图像总面积的占空比高于阀值, 则说明存在交通拥堵事件。通常设置占空比是G=0.5, 其表达式为:

式 (4) 中, G用于描述占空比;u用于描述连通区域的面积;U用于描述当前帧的图像总面积。

2.3 行人、停车事件检测算法

行人事件主要是行人处于机动车道或其它限制的范围, 并且持续时间较长。判断交通是否存在行人事件的过程是:先用外接矩形框标识连通范围中的运行目标, 再获取该矩形框的顶点坐标, 最终运算矩形面积、长宽比以及质心得变化分析是否该运行目标是否是行人。

(1) 明确运行目标, 先对图像中的各个运行目标的连通范围用外接矩形框标识, 用图7描述, 设置矩形框四个顶点的坐标分别为A (a1, a2) 、B (b1, b2) 、C (c1, c2) 和D (d1, d2) 。

(2) 采集特征参数。运算外接矩形的面积, 依据相应的面积阀值, 分析该运行目标是否是行人, 运算矩形的长宽比, 通过相关的资料, 进一步分析是否存在行人事件, 最终分析矩形框质心得波动, 明确是否存在行人事件。

本文将外接矩形框中像素点的数量看成运动目标的面积, 采用矩形框标识运动目标后, 可得到矩形框的顶点坐标分别是A (a1, a2) 、B (b1, b2) 、C (c1, c2) 和D (d1, d2) , 矩形框的长度是e=d2-a2, 宽度是s=b1-a1, 本文分析的长度以及宽度也是图像的像素点数量, 最终能够获取矩形的长宽比Q=e/s, S为面积。

停车事件描述车辆在道路中的停止状态, 并且该种状态的时间较长。停车事件的检测方法同行人事件相同, 如果车辆处于检测范围中, 目标图像出现显著的变化, 并且目标图像的灰度值波动较小, 则说明道路存在停车事件, 应发出报警。

3 实验结果

3.1 拥堵事件实验结果

为了验证本文设计系统的有效性, 需要进行相关的实验。实验运行的环境是windows XP系统, CPU主频为1.86G Hz的T2390的笔记本电脑一台。本文系统的视频帧率是20帧∕s, 各帧图像的分辨率是640×480。采用本文设计的系统获取的实时车流量, 监控数据采用某时段内固定区域的车辆采集图像, 监测车辆数量得到车辆的二值图后, 采用扩充和模糊方法对图像进行变换, 采用3×3结构元素修补相关的区域, 对运行的车辆进行标识, 记录相应的车辆像素点数量, 设定拥堵阀, 采集过程用图6描述, 测试结果如表1所示。

3.2 行人事件实验结果

采用本文系统对某段道路进行15 min的视频采集, 对道路中的行人进行检测, 能够在被检测的范围中 (红色框描述的范围) 准确检测出运行的行人, 并且将红色矩形框用Ren进行描述。并且本文系统能够过滤运动车辆信息, 只检测行人信息。监控数据采用某时段内固定区域的行人过马路图像, 运用红色框表示行人的所在区域, 设定拥堵阈, 采集过程如图7, 分别描述了第1 205帧以及第5 104帧的检测结果, 监测结果如表1所示。

3.3 停车事件实验结果

采用本文系统识别某路段的停车情况, 视频长达10 min, 用红色边框描述检测区域, 若车辆进入红色范围, 则采用本文系统检测到的第1 865帧, 1 980帧, 2 050帧以及2 880帧的检测情况, 可以看出本文系统能够准确检测出车辆的停车事件, 并用Parking对车辆进行标识。

为了进一步验证本文方法的优势, 统计本文方法对不同交通事件的识别结果, 以不同的事件次数为分母, 以准确识别次数为分子, 报警的阀值标准以道路交通规则中, 对拥堵、停车的规定为准, 详细的结果如表1所示。

分析表1可得, 本文方法对实验道路中交通事件的识别准确率高于94%, 误差率低于6%, 说明本文方法具有较高的道路交通事件识别精度, 能够准确识别出相应的交通事件, 具有重要的应用价值。

4 结语

本文设计了基于视觉网络的交通多状态识别系统, 该系统能够及时有效检测出堵塞、行人以及停车等交通事件。本文分析了基于视觉网络的交通多状态识别系统的结构, 详细分析了该系统识别交通状态的流程和系统的组成结构, 分析系统识别不同交通事件算法的过程, 最终实现对交通事件的准确判断。实验结果表明, 本文设计的系统能够及时准确检测出相关的交通事件, 并且具有较高的检测精度。

摘要：当前智能交通系统只能对交通的流量特征进行监控, 无法细分交通的不同状态。在充分研究交通监控原理的基础上, 提出一种基于智能视觉识别技术的交通多状态识别系统。利用监控图像帧差灰度变化区间, 更新图像背景, 引入像素变化控制规则作为核心软件算法。结合交通状态监控数据源, 检测堵塞、行人以及停车等多状态交通事件。以实际系统测试表明, 系统能够及时准确检测出相关的交通事件, 并且具有较高的检测精度。

关键词：视觉网络,交通多状态识别,视频检测器,及时检测

参考文献

[1] 张丽.车辆视频检测与跟踪系统的算法研究.杭州:浙江大学, 2003:9—71

[2] 周世付, 李建雄, 沈振乾.基于高斯混合模型的多车道车流量检测算法.计算机仿真, 2012;29 (10) :331—335

[3] 杜峥, 张桂林, 洪靖云.视频监控系统中的一种运动检测算法.机械与电子, 2003; (6) :45—48

[4] 王富荣, 张宏.基于能耗节约的异构无线传感器网络目标点覆盖算法.科技通报, 2012;10 (28) :99—101

[5] 卢湖川, 朱矿军.基于视频的交通参数检测.城市交通, 2005;3 (2) :70—74

[6] 王明平.宋丽梅.基于计算机视觉的车架号采集系统.计算机技术与发展, 2008;18 (4) :

多状态系统 第3篇

邓聚龙教授于1982年创立了灰色系统理论[1],该理论广泛应用于研究系统科学的问题中。区间灰数是已知上界和下界而不知其确切的数,是灰色系统的基本“单元”[2]。在多状态系统的可靠性研究中,由于对系统认知的不完善,经常碰到以下问题:多状态系统中元件的状态概率分布和性能取值往往是无法精确获取的,比如:“元件的失效时间大概是3~4年”;“系统性能大约降到50 N~60 N”。如果采用状态合并的方法进行简化,以减少计算复杂度,则可能造成较大的误差,因此采用“区间灰数”代替“实数”来描述系统信息,更能准确反映系统的发展趋势。

本文提出了灰色不确定条件下的多状态系统可靠性分析方法,该方法以区间灰数和通用生成函数为基础,首先将区间灰数分解成“白部”和“灰部”2个部分[3],然后对“白部”和“灰部”所描述的通用生成函数根据各元件之间的串并联关系,运用通用生成函数的结构算子进行运算,最后根据多状态系统的性能水平,得到多状态系统的可靠度区间。

1 多状态系统的可靠度

1.1 通用生成函数

在多状态系统中,假设元件j(1≤j≤n)的性能Gj有kj个不同的状态,各元件的状态值及对应状态概率可以用集合来分别表示。则其对应的通用生成函数[4]可表示为:

式中:表示元件j处于状态kj时的性能水平;kj表示元件处于完美工作状态;g(j,1)表示元件处于完全失效状态,

如果多状态系统由n个元件构成,则多状态系统的通用生成函数可由式(1)元件的通用生成函数经过结构算子递归运算得到:

式中,Φ(·)为结构算子,其运算法则取决于元件之间的连接方式,假设元件为流量传输型,则:

1)流量传输型元件的并联系统。如果2个流量传输型多状态元件以并联方式连接,则系统的状态性能映射函数可表示为:

分别表示元件1和元件2在其状态k1和k2时的性能。

2)流量传输型元件的串联系统。若元件以串联方式连接,则组成的多状态系统输出总流量的映射函数可表示为:

1.2 多状态系统的可靠度

多状态系统的可靠度定义为系统性能不小于任务的性能需求水平,即:

式中,F(gsi,w)=gsi-w,1(·)代表指示函数,当F(gsi,w)≥0,则1(F(gsi,w)≥0)=1,否则为0,因此多状态系统的可靠度定义为系统性能水平高于需求水平的概率,即:

2 区间灰数在多状态系统可靠性分析中的应用

2.1 区间灰数

设区间灰数tk∈[ak,bk],bk≥ak,k=1,2,可将tk“等价”表示为如下形式[5,6,7]:

2.2 基于区间灰数的通用生成函数

假设元件Gj有Mj个状态,则该元件的可靠度可表示为:

当系统由n个元件组成时,系统的可靠度[8,9,10,11]可表示为:

2.3 改进区间灰数的可靠度分析

根据2.1区间灰数的定义,基于区间灰数的通用生成函数可表示为:

表示元件j的所有可能的性能。

因此n个元件的系统为:

这个公式与概率情况公式很类似,定义算子之后进行性能和可靠度计算,改进的区间灰数多状态系统可靠度计算主要有两个任务,计算最小值和最大值。

3 算例分析

一个流量型传输系统由3个元件构成(图1),元件1有2个状态,可靠度表示为:UI(z)=[0.895,0.915]·z{2}+[0.095,0.105]·z{0},元件2有2个状态,可靠度表示为:U2(z)=[0.955,0.965]·z{1.5}+[0.035,0.045]·z{0},元件3有3个状态,可靠度表示为:

采用基于区间灰数的通用生成函数,系统的可靠度根据式(7)可计算如下:

由于系统的任务性能需求水平为w≥1.5,因此根据式(5)可求得系统的可靠度为:

采用改进的区间灰数的通用生成函数计算如下:

由于系统的任务性能需求水平为w≥1.5,因此根据式(5)、式(10)、式(11)、式(12)、式(13)可求得系统的可靠度为:A=[0.969 2,0.980 5],该区间比前面直接采用区间灰数进行运算所得到的结果A=[0.927 9,0.994 7]明显减小。

4 结语

本文提出了灰色不确定条件下的多状态系统可靠度分析,将区间灰数用于描述通用生成函数,在计算多状态系统的可靠度时,区间灰数之间的运算会使灰度进一步扩散,因此,本文首先将区间灰数分解成“白部”和“灰部”2个部分,根据通用生成函数的运算法则,得到多状态系统的通用生成函数,根据多状态系统的性能水平,求得多状态系统的可靠度,最后通过算例计算得到的可靠度区间比用传统的区间灰数直接计算所得到的区间小,说明该方法可以有效地抑制灰度的增加。

摘要：针对传统的基于区间灰数的通用生成函数在可靠度计算过程中会造成灰度增加的情况,首先将区间灰数分解成基于实数形式的“白部”和“灰部”2个部分,然后将元件的通用生成函数采用“白部”和“灰部”的形式来描述,通过元件间的结构算子进行运算,得到多状态系统的通用生成函数,根据多状态系统的性能水平,得到多状态系统的可靠度区间,最后通过算例计算得到的可靠度区间比用传统的区间灰数直接计算所得到的区间小,说明该方法可以有效地抑制灰度的增加。

关键词：灰色,多状态,可靠度

参考文献

[1]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002.

[2]刘思峰,党耀国,方志耕.灰色系统理论及其应用[M].北京:科学出版社,2008.

[3]孟伟,刘思峰,曾波.区间灰数的标准化及其预测模型的构建与应用研究[J].控制与决策,2012,27(5):773-776.

[4]刘宇.多状态复杂系统可靠性建模及维修决策[D].成都:电子科技大学,2009.

[5]曾波,刘思峰,崔杰.白化权函数已知的区间灰数预测模型[J].控制与决策,2010,25(12):1815-1820.

[6]谢乃明.灰色系统建模技术研究[D].南京:南京航空航天大学,2008.

[7]曾波.基于核和灰度的区间灰数预测模型[J].系统工程与电子技术,2011,33(4):821-824.

[8]Ecole Centrale,Supelec.A multi-state model for the reliability assessment of a distributedgeneration system via universal generating function[J].Reliability Engineering and System Safety,2012(106):28-36.

[9]Ding Y,Lisnianski A.Fuzzy universal generating functions for multi-state system reliability assessment[J].Fuzzy Sets&Systems,2008,159(3):307-324.

[10]Yan-Fu Li,Yi Ding,Enrico Zio.Random Fuzzy Extension of the Universal Generating Function Approach for the Reliability Assessment of Multi-state Systems Under Aleatory and Epistemic Uncertainties[J].IEEE TRANSACTIONS ON RELIABILITY,2014,63(1):13-25.

多状态系统 第4篇

弹性扭转驱动的一个关键特性是存在扭转振荡。扭转振荡的存在使得机械控制的精度大大降低;除此之外, 还可能使驱动、传动系统的振荡频率接近机器的固有振荡频率, 从而会引起共振。一旦出现共振, 会大大降低设备的疲劳寿命, 还可能导致机械事故的发生[1]。如何最大限度地抑制扭转振荡, 使系统满足需要的动稳态性能是柔性扭转驱动研究的核心问题。

柔性驱动能够降低工作设备的工作噪声, 可以对机械的突发性冲击和惯性冲击进行有效的抑制, 这大大提高设备运行的稳定性和安全性。此外, 柔性驱动还具有驱动器小、能量损耗低等优点[2], 研究柔性驱动的控制问题具有重要的意义。

柔性驱动具有一定的共性, 都是电机经柔性轴驱动负载的情况, 系统模型的动态特性可用相似的方程描述。鉴于这种柔性驱动在实际中具有广泛的应用, 为了研究和解决柔性驱动中的振荡问题, 设计出能够满足动稳态性能的控制系统, 实验室联合贝加莱公司设计了图1所示的多质量体弹性扭转驱动平台作为柔性驱动的模拟装置。

1 系统建模

3-质量体系统的弹性驱动系统如图1所示, 也就是要通过控制电机的转速精确控制第三个质量体的速度。三个大小不一的圆柱形质量体分别通过中心轴固定在立式支撑架上, 并且三个质量体的中心轴线处在一条水平线上。质量体从左数起:第一个和第二个、第二个和第三个之间通过具有一定柔性的弹簧连接。第一块质量体的左端直接与直流电机 (带减速器) 连接, 电机转动则可以驱动三个质量体转动。为了检测质量体的状态 (转动角度和速度) , 在第三块质量体的右侧安装了编码器, 另外在其他两块质量体的右侧支撑架及电机左侧也留有编码器安装位置。整个平台只有两个编码器, 最多可以测量四个状态量, 平台有三个位置可以安装编码器, 在实际实验中, 根据需要选择其中的两个位置安装编码器。

PLC采用贝加莱Automation Studio平台, 该平台可以借助于Automation Studio的仿真功能, 在MATLAB/Simulink仿真后自动代码生成, 可以直接导入到X20 CPU中运行, 实现硬件在环测试 (hardware in the loop) , 另外也有直接自主设计算法和采用C语言编程运行于PLC上, 可以采用高级语言编程并实现复杂的算法设计, 正是B&R X20系列PLC区别于传统PLC的最大的优势之一。

PLC部分使用了以下模块:

1) 使用X20系列标准型CPU作为PLC系统的控制器。

2) 使用X20系列的直流电机模块MM2436来控制直流电机的转速;电机模块控制直流电机采用了PWM方式。

3) 使用X20系列的编码器模块X20DC1976/X20DC1196接收来自两个编码器的反馈信息, 用于获得电机位置和质量体的位置。

实验装置具体参数如下

电机参数:kI=Km=25.8 m N·m/A=25.8×10-3N·m/A,

RA=2.36Ω;

弹簧参数:k1=k2=4×10-3N·m/rad, c1=c2=0.000 005 N·ms/rad;

质量块参数:J1= (470.77+13.5+0.5) g·cm2=485 g·cm2=4.85×10-5kg·m2;

J2=165 g·cm2=1.65×10-5kg·m2, J3=53 g·cm2=5.3×10-6kg·m2。

实验装置的原理模型如图2所示。此模型可以用来表示电机经一根柔性轴驱动负载的情况。

假定电机输出的转矩正比于电流, 分别对三个质量块进行受力分析, 由刚体力学知识可知, 系统的动态特性可以用以下三个微分方程来描述:

式 (1) 中, J1、φ1、ω1为第一个质量块的转动惯量、角位移和角速度, J2、φ2、ω2为第二个质量块的转动惯量、角位移和角速度, J3、φ3、ω3为第三个质量块的转动惯量、角位移和角速度, k、c为弹簧的弹性系数和阻尼系数, kI为转矩系数, Td为第三个质量块的负载转矩, 也可以是第三个质量块的扰动转矩。

常见的用于控制系统的直流电机的简化模型如图3所示, 存在励磁电路和电枢电路两个回路, 当电机驱动负载时, 电路中产生反电动势来平衡外部电压, 外部电压跟负载的角速度成正比。

电机的动态特性可用下面的微分方程来描述[3]:

式 (2) 中, LA电枢电感, RA为电枢电阻, Km为电机常数, iA为电机的电枢电流, uA为电机的输入电压, ω为电机负载的角速度。当转子电阻可以忽略不计时, 只考虑电机的稳定工作状态和功率平衡, 可以得到kI=Km。

由系统的动力学方程可以求得, 即

通过引入状态变量x= (x1x2x3x5x6x7) T= (Iφ1φ2φ3ω1ω2ω3) T, 由式 (2) 、式 (3) 可得到系统的状态空间模型, 其矩阵形式

为了避免出现刚性系统[4], 假设s LA=0;由于减速器的减速比为14∶1, 即减速器的输入轴的角速度ω0=14ω1, 因此绕组电流

由于速度控制采取的是电压控制, 电流在这里是一个不可测状态, 因此需要将其消去, 将微分方程消去I, 得到新的状态空间方程:

在速度控制中, 角位移并不重要;再加上角位移的测量存在很大的干扰和噪声, 这严重影响系统的性能, 因此需要将角位移消去[5], 令ψ1=φ1-φ2, ψ2=φ2-φ3, 得到新的状态空间方程:

2 状态反馈控制 (state feedback control)

图4是一个带状态反馈的典型控制系统的简图[6]。整个系统包括:过程的动态特性, 这里采用线性模型;控制元件K和kr;参考输入r以及动态扰动d。反馈控制器的目的是为了调节系统的输出y, 使之在存在扰动以及建模不准确的情况下跟随参考输入。控制器利用系统状态x和参考输入r, 通过输入u来控制系统的输出。

控制器设计必须满足一定的性能指标, 最基本的性能指标是稳定性, 即在任何扰动消失后, 系统的平衡点仍然是渐渐稳定的。更为成熟的性能指标往往要求给出系统的阶跃上升时间、超调量和调节时间等[7]。除此之外, 还要考虑系统的抗干扰性能, 即在承受多大的干扰输入d而仍可以使输出y保持在期望值附近。

考虑以下的线性微分方程描述的系统:

式 (8) 中, 暂时忽略扰动信号d。控制目标是使输出y达到并保持在参考值r处。

若假定状态的所有元素都能被测量, 由于某时刻的状态包含了预测系统将来行为的所有信息, 因此, 最普通的时不变控制规律是状态和参考输入的函数:

如果采用线性反馈, 则可以写成

式 (10) 中K为反馈增益, r为参考值。我们需要确定反馈增益K, 以使闭环系统具有以下的特征多项式:

这个控制问题就是极点配置问题或特征值配置问题。如果已知期望的闭环极点, 可以用MAT-LAB的place函数直接求得反馈增益K[8]。kr的选取并不影响系统的稳定性, 它只会影响系统的稳态值, 可以调整kr获得需要的稳态值, 如果要求稳态值跟踪参考值, 则可以用式 (12) 求得kr。

只要系统是稳定的, 在参考值不变的情况下, 通过调整kr, 在理想的情况下, 可以使稳态值跟踪任何数值, 这在建模不精确的情况下是极为有利的。如果建模不精确, 可以通过调整kr, 使稳态输出等于设定值, 从而弥补建模的不足。但该方法也存在问题, 尽管阶跃响应达到了所需的特性, 但所需要的输入量往往特别大, 而且存在剧烈变动, 这对高速控制是极为不利的, 由于建模不会太精确, 在实际系统中还会引起系统的震荡, 为了解决这个问题, 系统增加积分反馈来进行校核, 该方案的控制器利用一个积分器来提供零稳态误差。

3 积分反馈

状态反馈的控制器通过对增益kr进行精心的调整, 可以获得正确的稳态相应。然而, 反馈的一个主要用途是为具有不确定性的系统提供良好的性能, 因此要求拥有过程的精确模型是难以接受的。一个替代的方案是采用积分反馈来进行校核, 该方案的控制器利用一个积分器来提供零稳态误差。

使用积分反馈后即使系统的关键参数有小的误差, 只要闭环系统仍然是稳定的, 那么跟踪误差就将近趋于零。因此, 以前的方法需要对kr进行精确的校准, 这里就不需要了。实际上, 甚至可以取kr=0, 让积分反馈控制器来完成校准的工作。

积分反馈的基本思路是这样的:在控制器中建立一个新的状态, 它等于误差信号的积分, 然后将其作为一个反馈项。为此在系统中的状态方程中增加一个新的状态z, 使之扩充为

相应的状态方程变为

即

状态z被看成是实际输出y和期望输出r二者误差的积分。有公式可知, 如果补偿器能使系统稳定, 那在稳态情况下, 就必有以及y=r。

对于给定的扩充系统, 可以选用以下形式的控制规律:

式 (16) 中, K是通常的状态反馈项, ki是积分项, kr则是期望的稳态值设定额定的输入。

设计积分控制器, 利用增益K和kr, 就可以对闭环系统的动态特性进行设计。即使系统的关键参数有小的误差, 只要闭环特征值仍然是稳定的, 那么跟踪的误差就近趋于零。加上积分控制后, 不必再对kr精确校准, 积分反馈会自动完成跟踪。除此之外, 积分反馈还可以补偿恒定的扰动, 如果系统受外部恒定扰动的影响, 稳态值依然收敛于参考值。

4 极点配置

对于该物理模型, 开环特征值为-0.724 8±21.916 3i、-0.306 4±8.787 9i、-88.060 8, 两对复数极点是主导极点, 复数极点的实部靠近虚轴, 系统响应迅速但存在很大的超调和震荡, 因此需要适当将复数极点的实部左移, 以增强系统的稳定性, 将实数极点配置到复数极点的右侧, 进一步减小系统的超调。暂取两个振荡系统的阻尼比ξ1=ξ2=0.5, 将两对复数极点放置在, ω0、ω1为两振荡系统自然振荡的角频率, 均近似等于开环特征值的虚部。实数极点调整闭环相应的超调量, 响应速度等, 可以通过仿真确定[9]。

系统增加积分反馈后会增加一个极点, 在鲁棒性满足要求的情况下, 应该尽量将此极点左移, 同时增大前馈增益kr, 以补偿积分作用, 这样可以在系统具有很好的鲁棒性的情况下保持较快的响应速度。但过大的kr会使驱动器饱和, 驱动器一旦饱和, 控制性能将急剧下降。可见确定闭环系统特征值的原则是, 在调节输入的能力与系统的自然动态特性之间达成平衡。在实际应用中, 配置的极点可能不符合动稳态要求, 这时就需要根据实际的闭环响应对极点重新配置, 但这种配置是在动态性能跟鲁棒性以及稳定性进行折中的配置, 折中配置是有目的的有方向的配置, 需要确定的只是折中点在何处。

5 状态估算

在本实验装置中由于只有两个编码器, 并不能完成所有状态的测量, 因此需要用状态观测器来估计另一个状态, 这样就提出了所谓状态观测的问题。由龙伯格 (Luenberger) 提出的状态观测器理论, 解决了在确定条件下受控系统的状态重构问题, 从而使状态反馈成为一种可实现的控制律[10]。

该控制器的结构方框图如图5所示。该控制器包含着过程的一个动态模型。

观测器利用所测得输出y和输入u来构建状态的估算值, 状态反馈控制器则利用这个估算值来产生校正输入。带观测器的控制器包含观测器和状态反馈两部分, 控制器的动态特性是由观测器产生的。在反馈增益K的计算中, 所有的状态都可以看成是可测得的, 且K只跟A和B有关;观测器的增益L只与A和C有关。输出反馈的特征值可以被分成一个状态反馈的特征值和一个观测器的特征值配置, 这个性质被称为分离原理[11]。

由观测器的结构可知, 求状态反馈和确定观测器两类问题具有相似性。通过特征值配置来设计反馈, 就等效找一个矩阵K, 使得A-BK具有给定的特征值。设计一个具有预定特征值的观测器, 则等效于找一个矩阵L, 使得A-LC具有给定的特征值。

暂取两个振荡系统的阻尼比ξ1=ξ2=0.5, 将两对复数极点放置在:, ω0、ω1为两振荡系统自然振荡的角频率, 均近似等于开环特征值的虚部。实数极点调整闭环相应的超调量, 响应速度等, 可以通过仿真确定。

根据分离原理, 观测器极点的确定可以独立进行, 一般要求观测器的响应速度要比闭环系统快, 但过快会引入过多的测量噪声, 为了考虑干扰抑制, 一般观测器的极点为闭环极点的2~5倍。对于复数极点, 该比例仅与实部相乘, 虚部保持不变。

仿真曲线如图6所示, 高度振荡的为开环阶跃响应的曲线, 较粗的曲线为状态反馈控制的曲线, 两条直线为设定值误差为5%的临界曲线, 横坐标单位为s, 纵坐标单位为 (°) /s[12,13]。由仿真曲线可知, 闭环响应的调整时间大大缩短, 大约0.5 s就可以使系统稳定, 超调量也大大降低, 系统的动稳态性能都有了很大的改善, 这也说明通过适当的闭环控制, 同样可以使复杂的弹性驱动系统稳定可靠地运行。

6 性能分析

直观地判断同时反馈第二、三个质量块的速度, 闭环系统具有最好的性能, 因为第一个质量体的速度可以由电机的速度近似, 整个反馈近似于全状态反馈, 而全状态反馈具有最好的动稳态性能和鲁棒性能[14]。图7为开闭环响应的曲线, 横坐标单位均为秒, 纵坐标单位均为度/秒, 其中高度振荡的曲线为开环曲线, 闭环曲线闭环响应调整时间约为0.5 s, 超调量在5%以内。将实际运行的曲线跟图6所示的仿真曲线对比可知, 曲线非常吻合, 说明建模准确, 控制器性能良好。

实验表明, 同时反馈第一、三个质量块的速度, 无论如何调整控制器参数都无法使系统稳定。若只反馈第一个质量块的速度, 同样无法使系统稳定。图8为只反馈第三个质量体的状态量, 并在10 s左右将直径为6 mm, 高度为3 mm的磁铁加在第三个质量块上得出的闭环响应曲线。图9为只反馈第二个质量体的状态量, 并在10 s左右将直径为6 mm, 高度为3 mm的磁铁加在第三个质量块上得出的闭环响应曲线。对比图8和图9所示的曲线表明, 在没有外在干扰的情况下, 系统的动稳态性能基本相同, 但鲁棒性差距很大[15]。只反馈第三个质量块的控制器, 控制器输出已经达到极限, 在加入恒定干扰的情况下, 由于控制器输出过于剧烈导致电机无法响应而停转。只反馈第二个质量块的速度, 跟同时反馈第二、三个质量块的速度动稳态性能、鲁棒性能基本相同。

图10为速度从500 (°) /s先切换到1 500 (°) /s, 然后切换到2 500 (°) /s, 最后又切换到500 (°) /s时控制器PWM输出、第三个质量体的速度变化以及切换的调整时间曲线。其中上图为PWM输出曲线, 下图为实际速度曲线。

结合图可以看出, 随着设定速度的增加, 第三个质量块速度的稳态精度逐渐提高, 而控制器PWM输出的稳定误差先下降后上升, 但总体上随着速度的增加呈减小的趋势, 速度切换的调整时间在速度上升阶段基本保持不变, 在速度下降阶段, 调整时间略有延长。综合考虑, 对该控制器而言, 合适的速度设定范围为1 500~3 000 (°) /s, 这时控制器具有最佳的控制性能。

7 结论

实验结果表明, 基于微分方程和状态空间的建模是合理的、准确的, 基于状态反馈的控制器性能良好, 能取得预期的控制效果。将基于状态空间的模型转化为基于传递函数的模型, 用频域分析的方法分析闭环系统的鲁棒性能是有效的。将Simulink代码直接转化为PLC可执行的代码是可行的、有效的, 利用MATLAB强大的数学运算功能可以编写复杂的控制算法, 代码直接转换大大降低了编程的难度, 这对于实现复杂的控制具有现实的意义, 体现了贝加莱PLC用于复杂的控制系统具有独特的优越性。

摘要：针对柔性驱动系统的振动问题, 建立了基于状态空间的系统模型。设计了基于状态反馈的控制器;并用积分反馈进行校核, 进一步增强了系统的鲁棒性。对如何进行极点配置进行了分析, 使得极点配置更加方便。实验曲线跟仿真曲线非常吻合, 表明系统建模准确, 控制器具有良好的性能。

多状态系统 第5篇

简单来说,及时预估行人的运动情况即为行人跟踪,判别行人目标是其整体工作过程,系统的识别效率在一定程度上受到了结果的限制[4]。在此,笔者从交通现场的实际工作需求出发,对可见光环境中的识别手法作了详尽的剖析。当前情况下,匹配和概率预估两个类型是罗列了全部有关的技术后得到的最典型的技术方法[5]。

第一种类型的行人跟踪方式有如下4种,即在特征[6]基础上的、在模板[7]基础上的、在模型[8,9]基础上的行人跟踪方式、在区域[10]基础上的行人跟踪方式,它们的布署工作相对简单,但对比较复杂的交通环境下出现的行人遮掩、动作变化等状况没有充分的鲁棒性。

正是因为它的持续变化,算法复杂程度就无法得到有效的管控。线性状态方程下的跟踪事项比较偏向于采用这种技术,从其自身角度来说,在当前复杂的交通环境中不能有效地发挥功用。

第二种类型中,卡尔曼[11,12]与粒子滤波[13]是最典型的两种跟踪方式,它有很多优点,比方说操作起来很轻松,还能展开并行处理。现阶段,行业内相关人员对此项技术展开了诸多研究并得到了很大进展[14,15,16,17,18],不过此技术在算法上仍然存在很多问题,比如怎样在一些复杂的情况下捕捉到针对性强的跟踪特点与重要的证据。

采样、计算权值、输出冲采样等方面的工作是实现粒子滤波算法的具体步骤。行人智能跟踪系统在粒子滤波算法的采样阶段由于缺乏证据出现准确性低、鲁棒性特征不明显等难点是本文重点解决的事项。系统的实时性和具体特征在工作中的实际需要是该模型优先考量的事项,对应的模型创建工作是利用RGB颜色空间来实现的。接下来对LBP纹理特征的算法予以优化,并基于此来阐述经优化后的模型。引入像素的梯度资料,鉴定像素区域有否产生比较显著的波动,将计算阈值的方法予以改变,消除纹理区分受到的来自像素点亮度轻微波动的影响,把纹理证据特征恰如其分地体现出来等工作都是利用它来得以实现的;另一方面,空间信息也被笔者引用到该研究工作中来,具体做法是运用亮度信息依照人体特征将取得的行人矩形区域初始数据深入化解为3个对应的子区域,接下来在所有子区域里面捕捉相关的证据数据,在这种方法下把目标状态和其空间信息特征一一对应起来,最终提升该方法的鲁棒性。

1 多证据信息融合观测模型

正常来说,颜色和其纹理融合信息无法与其空间信息相对应,这项特征使得它不能准确地判断出被跟踪的对象。行人目标模型成为笔者最先说明的对象,基于此,再全面考量多证据信息予以体现,有机地把对象部分的纹理色彩和空间数据证据揉和在一起,使其描述得以提升,以期做出高效的判别。

建模是行人跟踪算法的首要工作,在此过程中不但要使它的具体需求得到满足,还要将充分的条件留给后续的数学处理工作,一般来说,为了预防求解工作中发生某些不必要的难度,并不需要精准的假设目标构造。

矩形和椭圆两类描述模型一般都会出现在二维图像中,基于当下流行的行人特征检测技术的考量,笔者在本文中的描述工作以矩形窗口来展开,详细说来,式(1)能有效地描述目标行人的状况

式中:u,v用以表示矩形的中心,中心距离两边的大小则由l,h来表示。一般情况下目标的运动是预测不到的,所以,笔者在此假定随机游走模型能被行人状态的变化所满足,在这种做法下来提升其通用性,此时,式(2)能有效地描述该模型的状态

式中:Wk-1是一种多变量的高斯噪声,各不同变量之间相互独立存在。

2 各证据信息子模型设计

2.1 颜色信息证据模型

颜色信息证据模型[19,20]在很多方面都有其自身的优点,比方说它具有很简单的结构,对目标的改变不敏感,在跟踪非规则性物体的工作中具有更好的实用性,可以得到极为理想的效果。把目标的颜色视为证据,只能实现首帖图像中的建立颜色模型,基于此实现对应的跟踪工作。

笔者鉴于系统实时性的要求,采用RGB颜色空间,R、G、B等是其所用到的3个子空间,通过将其划作m段来创建其特征空间,如此一来,颜色直方图只能采用下列表达式来描述:,其中:c∈{R,G,B}。对应的颜色直方图就是采用此方法实现的。

一般来说,颜色空间描述在一定程度上受到了来自各个不可预测的条件带来的干扰,实用性与辨识力是目标模型中心范围的像素颜色描述所必不可少的,基于此,各个区域范围中的像素值相应的权重值在此应该得到明确。简单而言,式(3)有效描述了行人候选区域

感兴趣区域中心如式(3)中的x0所示,{xi|i=1,2,…,n}代表了所有像素点的集合;k(·)代表了该函数轮廓函数,它是像素点分配权值;代表通道C中像素点的直方图;δ(·)代表狄拉克函数,标准化常数用Ch来代表,在此它能满足。

2.2 LBP＿AE纹理信息证据模型

一般来说,目标纹理证据特征的鲁棒性、辨识能力、旋转和光照不变性都比较好,它的这些优点受到了行人目标识别等工作的大力追捧。此方法在具体操作时也有一些缺陷:比方说它会占去很多的时间来求解计算量。一些很显著的优点从局部二元模式(local binary pattern)中突显出来,这在计算机的操作中较为简单,且无须耗费太多时间便能实现。笔者对系统实时性的需求展开了详尽的剖析后采用改进LBP算法,在此基础上来优化行人目标描述过程中的弊端,经过优化的LBP＿AE算法模型由此而生,如此一来,其描述的准确程度相对较好。

具体的优化措施:利用引入的像素点梯度信息来判定相对明显的变化有没有在该像素区内产生。同时改变阈值计算方式,运用消除纹理区分像素点亮度的轻微波动造成的干扰,呈现出真正的纹理证据特性。

式(4)～(5)能求解Sobel法得到的图像梯度数据

式中:θ(x,y)代表了梯度方向;gx和gy分别代表了图像水平和垂直方向的梯度变化。其纹理的变化情况由图像的梯度来表示,式(6)能对此展开求解

式中:N代表感兴趣区域像素点数;gj的比例值由δr(gj)来表示,gj的像素点数由代表梯度的来表示,在此笔者的主要工作是利用求解δ来判定图像波动是否处在一种平滑状态。

式(7)能有效描述经过优化后的LBP＿AE

本文中笔者描述的方法是纹理直方图,简单而言,式(8)可有效描述纹理直方图属于行人候选区域

行人候选区域像素点数在公式中由N和M所表示,狄拉克函数由k∈{1,2,3,…,P+2}来表示。

2.3 空间证据模型

由于笔者在描述目标区域工作中采用的是矩形区域,所以,如果遇到比较复杂的情况就会经常出现目标被遮拦的不利的现象,这样一来,跟踪目标在一定程度上增大了难度。虽然前文提到过行人特征在有机融合颜色和纹理信息后能得到有效的描述,可却未涉及其空间信息,上述提到的一些确实存在的情况并没有得到很好的处理。

在人体特性的基础上,笔者更进一步地把行人区域划分成3个子区域,捕捉其有关信息的工作在所有区域中都进行,跟踪信息和其空间。双方在此方法的作用下彼此互相一一对应起来,如此一来,求解的鲁棒性在很大程度上得以增加。

涵盖了人的头部、上身、腿部等3个部分在纹理和颜色等方面互相之间有明显的不同,将目标细分成3个子区域,换言之,用两条水平分割线将上述3个部分分别视为一个区域,具体做法是:

1)区分出既测目标行人区域,捕捉各子区域中置信度偏大的像素点。

2)寻找水平分割线的工作是在捕捉到的像素点的灰度值的基础上完成的,假定两个持续子区域分别由Ta和Tb来表示,而且,Ta在Tb之上,式(9)能求解它们的水平分割线位置

在此,,同时

目标跟踪在所有子区域被笔者划分完后的比例一直都表现得很平稳,信息证据模型在所有子区域空间里得以创建完成,并完成纹理、颜色和空间信息互相对应的工作,以此来提升它的鲁棒性。

2.4 基于空间划分的颜色纹理证据特征相似度融合信息描述

在前文所说的划分区域和创建模型的工作得到实现后,再在对比分析相似度的基础上来对跟踪目标所在的场合予以分析,最终得到有效的跟踪效果。

在计量相似度工作中用得最多、最好的技术手法是Bhattacharyya相似系数法,各类证据特征直方图的相似度都可以通过它来实现,它的操作极为简单方便,颜色纹理直方图是笔者在研究工作中采用的计量方式,此算法应该得到优化,式(12)能对此进行有效求解

联合颜色纹理直方图的相似度由式(12)中的表示,颜色和纹理直方图相似度分别由和所表示,检测目标行人、跟踪行人目标区域的纹理与颜色直方图分则由和和所表示。

式(13)体现了联合颜色纹理似然函数对x的权值求解过程

3 实验结果及分析

3.1 本文模型与经典模型的跟踪效果比较及分析

笔者提到的多证据融合模型需要大量粒子的使用,基于此,粒子滤波计算方式在一定程度上对它的及时性带来了或大或小的影响。笔者在粒子滤波计算方式的权值计算和输出的两项工作中优化了文献[21]所示的方式,其运算效率在其改进优化以后得以大量提升,另外,粒子的大小和数量等因素也不再对其产生束缚作用。

在相同的拍摄现场和实验平台下做实验,其中原始视频如图1所示,单纯地把色彩视为该模型(这里简称STM)[22]的试验结果,如图2所示,联合色彩和纹理的双证据跟踪判别模型(简称STTM)[23,24]的试验结果如图3所示,笔者创建的多证据融合下跟踪判别模型(SKTTM)的试验结果如图4所示,各组图予以比照剖析。值得一提的是,笔者使用自行在某地铁站通道内拍摄的录像用于测试。试验工作中涉及到的平台为:Intel 3.0 GHz 4 Gbyte内存、Windows7,Visual C++6.0,粒子像素是37×46,数量高达400。

在视频中可以看到,由于此目标刚开始出现在视频中时没有其他不利因素的干扰,可以有效跟踪试验的3个模型,具体的状态连续识别情况如图1a所示。图1b中受目标衣着和周围商业广告标牌色彩相近的影响,STM的矩形跟踪区域和实践操作状况下有着较大的差距。不过,相对较好的连续判别能力在后两种方案中得以体现出来。图1c中出现的情况可以通过SKTTM法来实现。

图4显示,跟踪线索会随着行人跟踪时附近环境的变化受到干扰而在一定程度上发生变化。空间信息对应的纹理、颜色证据信息可以在较小的区域中进行融合,如此一来,某些因环境条件变化而带来的负面影响能得以消除,与其他的两种模型方案相比,它体现出来的鲁棒性具有更强的优越性,可以实现在跟踪识别过程中实现高效的持续状况估计。

3.2 LBP＿AE纹理信息证据模型实验效果分析

基于LBP纹理特征算法的某些缺陷,笔者在本文中对其进行优化,使有效描述纹理特征成为现实,下面对此优化方法的有效性予以验证。算法1所示的LBP纹理特征[25]、算法2所示的GSR-LBP纹理特征[26]和笔者自行设计改进的LBP＿AE纹理特征的算法都在上述视频中有所体现,行人运动状态估计实验是利用前文所说的SKTTM模型来展开的。

比较参数用跟踪的准确率表示,式(14)可对其展开求解

正确和错误跟踪目标的图像帧数中分别用TP和FN来表示。前文所述的3个纹理特征证据捕捉方式得到的试验结果通过图5来体现。

前文所述的3种算法在图5中得到了很好的展现,优化后提升其跟踪效果的准确率为94.8%,GSR-LBP以92.3%的准确率位列第二,LBP以88.6%的准确率位列第三,经过一系列的分析得出结论:相对于业内其他两种典型的算法来说,LBP＿AE能在很大程度上使其跟踪的准确率得以提升,另外,更好的操作性在持续对行人运动状态进行识别时也被很好地体现出来。

3.3 识别模型的消耗时间分析

接下来笔者结合本文设计的模型和普通直方图与积分直方图,对其所消耗时间展开比较,使笔者设计的模型的实用范畴和实用价值得到实践的验证,这里仍按前文提到的、笔者自行拍摄的视频引用到试验中,通过下列两种情况来进行试验:

1)在粒子的大小不一样却在数量上保持一致的状况下耗用的时间见表1。

表1显示:笔者自创的模型运行于普通直方图中的时间受到了粒子像素数的干扰,但在积分直方图中的表现却不相同,完全与之无关。

2)在粒子的大小保持平稳而变化其数量的状况下,其所耗用的时间见表2。

表2显示:粒子数在较大程度上影响了笔者自行设计的模型在普通直方图算法中所运行的时间,它的运算时间会伴着粒子数的增大而产生明显的增长,然而,积分直方图算法中它却基本没有受到干扰。

上文2个实验结果显示:粒子可能出现的区域与粒子的大小和数量多少成正比,在积分直方图算法计算中,笔者自行设计的模型突显出了极为显著的优越性。

4 总结

总而言之,笔者在粒子滤波跟踪计算方式的基础上,对相对繁杂的站内交通状况下的行人跟踪事项展开了深入细致的探讨。笔者将行人特有的非刚体的特性和环境带来的不良影响纳入考量范围,基于其采样步骤,对融合色彩、纹理、空间数据证据的行人连续状态识别模型作了详细的阐述,实现了有效跟踪复杂环境下的行人。相对于单线索或简单多证据线索融合的粒子滤波行人跟踪采样算法来说,其效果在实践工作中更便于推广和应用。另外,相对偏低的运算效率是因为多证据信息融合所需大量的粒子而产生,笔者在粒子滤波计算方式的权值计算和输出两项工作中改进了文献[21]所提到的方法,其运算效率在实验论证下已经得到了极大的提升。在粒子大小与数量等方面,笔者设计的多证据信息融合的粒子滤波采样模型并没有被约束,在准确、快速地跟踪目标行人的有关问题上能从本文中得到一条良好的化解思路。

摘要：针对粒子滤波算法在采样阶段因证据不足,使得行人智能跟踪系统效率不高、鲁棒性不强的问题,融合颜色、纹理和空间等多证据信息和RGB颜色空间建立行人外观模型,采用优化的LBP纹理特征算法(LBPAE算法)消除干扰、提取证据信息。实验结果表明,所设计的多证据信息融合模型,可以有效实现在复杂条件下的行人跟踪问题,相比传统算法有较高识别准确率。

多风机多级机站通风网络的状态估计 第6篇

随着采矿工业的发展, 矿床开采的规模越来越大, 矿井通风系统的规模也随之扩大, 复杂性随之提高。尤其是多风机多级机站通风方法的应用, 系统管理的工作量越来越大。因此, 采用传统的凭人工经验对系统进行管理的方法越来越不能满足人们对其社会效益和经济效益的要求, 利用计算机和现代化的管理技术, 实现矿井通风系统的优化管理和自动控制, 使系统经济运行势在必行。

利用计算机实现矿井通风系统优化管理和自动控制, 必须具有相应的硬件基础, 即需要一定数量的遥控检测装置, 实时检测出系统运行中的部分状态变量的值, 并传送到控制中心, 作为计算机决策的依据。同时也需研制出大量的计算机软件来处理实时检测的状态参数, 确定系统当前的运行情况 (求出描述系统的所有状态变量的值) 。并以此为基础, 获取系统的最优管理方案。考虑到系统的投资及诸方面的影响, 检测系统不能对系统中所有的状态变量都进行实际测量, 只能测定其中部分状态变量。因而, 为了测定系统当前运行状态所需的部分参数, 必须根据这些已测得的参数值, 利用估计技术进行估计, 亦即需要一个状态估计器。

状态估计器就是以一部分实时检测的状态变量的值为基础, 结合网络的拓扑结构和网络的结构参数, 正确地估计出系统所有的状态参数。

可见实现优化管理和实时控制的一个重要问题是实时检测信息的处理, 就是将实时检测的信息输入到控制中心的计算机。并利用状态估计器估计出系统当前的运行状态, 为实现系统的优化管理和自动控制服务。

在控制理论中, 要实现闭环极点的任意配置, 或是实现系统解耦, 或是对系统进行最优控制, 都离不开全状态反馈。然而系统的状态变量并不都是易于直接检测得到的, 有些状态变量甚至根本无法检测。这样, 就提出了所谓状态估计或者状态重构问题。由Luenberger提出的状态估计器理论, 解决了在确定性条件下受控系统的状态重构问题, 从而使状态反馈成为一种可实现的控制律。

在控制理论中, 状态估计器的定义是:设系统∑0的状态量x0不能直接检测。如果动态系统∑以∑0的输入u和输出y作为其输入量, 能产生一组输出量x渐近于x0, 即undefined, 则称∑为∑0的一个状态估计器。

根据上述定义, 可知构造状态估计器的主要原则是: (1) 估计器∑应以∑0的输入u和输出y为其输入量; (2) 为满足undefined, ∑0必须完全可观, 或其不可观子系统是渐近稳定的。

根据已有研究得到的结论可知, 构造矿井通风系统的状态估计器的上述两个条件是满足的。

2最小二乘状态估计器

对任一系统, 量测量和状态量之间的关系可用下面的量测方程表示。

式中, Z为量测向量 (m×1维) ;h为非线性函数向量 (m×1维) ;Xt为状态真值向量 (n×1维) ;W为量测误差向量 (m×1维) , 是独立的、零均值高斯随机向量 (白噪声) ;m为量测变量数;n为状态变量数。

一般情况下, 系统中量测向量的维数大于状态变量数, 则量测方程 (1) 无解。为此引入状态Xt的估计向量X, 它使下面所定义的目标函数为最小。

式中, R=E[WWT], T表示向量或矩阵的转置。

要使式 (2) 为最小, 其X满足的必要条件为

即

为解非线性方程组 (4) , 我们采用牛顿法, 其迭代计算式为

式中, K为迭代次数;H为雅可比矩阵 (m×n维) ;G为增益矩阵 (n×n维) 。且H和G分别为

这样, 从一组预估计的X*出发, 利用式 (1) 及 (5) ～ (8) , 经过一定次数的迭代计算, 使ΔXundefined (i=1, 2, …, n) 都小于某一临界值, 从而可以计算出Xt的估计值X。

3矿井通风网络的描述

一个矿井通网网络可以用网络的节点及相邻分支的状态变量加以描述。对图1所示的网络中某个节点i, 流进或流出该节点的风量可以分成三类:一类是网络中与该节点相邻的分支风量qij;另一类是自该节点流出的风量Ui, 如通向采空区、独头工作面等;还有一类是流向该节点的风量Qi, 如自采空区或独头工作面流入该节点。

第i个节点的风量平衡方程即节点方程为

若令Qi=Q′i-Ui, 则式 (9) 成为

式中, Qi为节点风量;Ii为与节点i相邻的节点标号集合;aij为风流方向系数, 若分支风量流出节点i, 为1;反之, 为-1;若分支风量与节点i无关联, 为零。

方程 (10) 是人们经常采用的节点方程的基本形式。对于有p个节点的矿井通风网络, 有p-1个独立的节点方程, 可以完全描述网络的运行状态。当然网络也可以用回路风压平衡方程来描述。

在方程 (10) 中, 分支风量qij是节点i和j之间压力差的函数, 关系式为

式中, pi、pj分别为节点i和j的压力;rij为节点i和节点j间分支风阻的倒数, 称其为分支风导。

将方程 (11) 代入方程 (10) 后可得

从方程 (11) 及 (12) 可以看出, 当网络中所有节点压力都已知后, 就可以求出网络中所有分支风量、节点风量等状态变量, 从而可以确定网络的运行状态。

4矿井通风网络的状态估计

矿井通风网络的运行状态既可以用节点风流的平衡方程即节点方程描述, 又可以用回路风压平衡方程描述。节点方程包括的变量为节点风量和节点压力, 而回路风压平衡方程涉及的变量为分支风量等。考虑到节点方程所用变量数较少, 且实际检测网络中的状态变量一般可以归结为节点风量和节点压力。因而, 我们选取节点方程描述网络。又由于当一个矿井通风网络的所有节点的压力值都已知后, 就可以计算出所有的分支状态变量及节点变量, 因而我们把已知的节点风量作为量测值, 把未知的节点压力作为状态变量。我们还假设检测的状态变量数量足够多, 且分布合理。利用最小二乘状态估计器, 对这些未知的状态变量可用下述方法进行估计。

对任一节点, 由前面的讨论已知, 其节点方程为

则目标函数式 (12) 成为

式中, P为待估计的节点压力组成的向量 (n×1维) ;Q为已量测的节点风量组成的向量 (m×1维) 。

根据式 (7) 对雅可比矩阵的定义, 可得该矩阵的非零元素, 即

若Pi待估计, 而Qi已量测, 则

式中, ui为与节点i相邻且节点压力未知的节点标号集合。

若Qi已知, 节点j与节点i相邻, 且Pj待估计, 则

且雅可比矩阵的维数为m×n。

根据式 (8) 的定义, 其增益矩阵为

将已知的雅可比矩阵及增益矩阵代入式 (5) 后得

式中, Pk为待估计节点压力的第k次迭代计算值。

利用表达式 (13) 及式 (15) ～ (19) , 从一组预估计节点压力P*出发, 依次计算雅可比矩阵, 增益矩阵, 再利用式 (18) 及式 (19) 计算出新的节点压力值, 根据这一组新的节点压力值, 可以进行下一次迭代计算。如此, 以迭代的方式, 直至ΔPi≤δ (i=1, 2, …, n) 。为此, 从而可以计算出所有待估计节点的节点压力, 再由此计算出网络的其它状态变量, δ是人们根据估计计算的精度要求而确定的。

5错误数据的在线识别及纠正

在对矿井通风网络的运行状态进行实时检测时, 由于仪表的故障或别的原因, 很可能使计算机获得的某个或某些节点状态变量的测量值与实际值不符, 存在着较大误差。我们把这种测量值称为错误数据, 如果直接利用这些错误数据进行状态估计计算, 必然会给计算结果带来较大误差, 甚至使计算无法继续下去。因而, 一个状态估计器必须具备跟踪和识别错误数据的能力, 并且在进行估计计算时, 能采取有效措施, 处理这些错误数据。

对错误数据进行识别, 可以根据历史数据, 对每一个检测量设定一个估计器可以接受的数值范围, 在检测量进入估计器之前, 先将检测量值与这个范围进行比较, 当检测量的值在此范围内之外时, 可以认为该检测量不正确。这样做具有一定的效果。但由于其上下限不可能设置得很窄, 不可能百分之百有效, 一些带有误差的测量值还会进入状态估计过程。因而, 在对检测量进行上面的筛选之后, 进一步识别错误数据是必须的。

错误数据的进一步识别用估计器的目标函数进行, 我们先令

则式 (14) 成为

式中, βi为第i个量测量的残差。其加权的残差向量定义为

式中, Rii为前面所定义的量测误差矩阵中对角线上的元素。

利用上面定义的式 (20) ～ (23) 及由这些定义式所计算出的参数值, 可以进一步识别错误数据。其具体作法是:首先利用本文前面介绍的估计计算方法对网络进行状态估计, 并利用式 (12) 计算J (P) 的值。然后, 将J (P) 的值与网络不存在错误数据时进行状态估计获得的式 (22) 的目标函数值J (P) ‘进行比较, 如果J (P)

如果测量中存在错误数据, 必须进一步确定具体的错误数据, 也就是要确定哪一个量测量是错误数据。由于βwi (i=1, 2, …, m) 是符合t分布 (学生氏分布) 的随机变量, 则用t检验, 如果

就认为第i个量测量是错误数据。其中c为由t分布获得的随机变量统计检验的临界值。从理论上讲, 利用式 (24) 一次识别出所有的错误数据是可能的。但是经验证明, 每一次把受怀疑的参数中βwi最大的一个当作错误数据, 将其从量测量中去掉, 或用正确的值加以替换是更好的方法。这样, 如果在量测量中存在多个错误数据, 可以采用迭代计算方式进行。状态估计嚣的估计计算步骤归纳如下。

步骤1 预估计一组待估计节点的节点压力值;

步骤2 对网络进行状态估计;

步骤3 利用式 (22) 计算J (P) 的值;

步骤4 如果J (P) ≤J (P) ′, 则结束, 否则, 继续进行;

步骤5 找出βwi (i=1, 2, …, m) 中最大的元素, 并从量测量中去掉, 或用它的正确值替换, 转到步骤2继续计算。

状态估计作为系统优化管理的基础, 是在线进行的。通过上面介绍的方法所识别出的错误数据不能简单地作为未知量进行处理。因为如果这样处理, 会使检测系统的拓扑结构发生变化, 有可能使系统的在线估计难以进行。比较好的方法是将错误的数据用认为是正确的值替换, 保证量测系统的拓扑结构不变化。

通过上下限识别出的错误数据, 一般可以用前一天同一时刻同样的参数值替代。而对在估计过程中识别出来的错误数据, 可以用下面的公式计算它的真值。设第i个节点的节点风量为错误数据, 有

式中, Qundefined为第i个节点的风量正确值;Qundefined为测量的第i个节点的节点风量, 为错误数据;Qundefined为通过估计计算获得的第i个节点的节点风量值Qundefined=hi (P) ;σundefined=Rii;Fii为残差方程矩阵对角线上的元素。

残差方程定义为

式中, R和H分别是误差方程矩阵和雅可比矩阵。

从表达式 (25) 可以看出, 该纠正公式的计算精度直接与σi的精度有关。而在一般情况下, σi的值不能很精确地获得。这是它的弱点。但它计算简单, 很适合于在线的应用。且从实际的计算结果来看, 用此式纠正计算, 符合实际系统对其精度要求。

前面所讨论的内容形成了一个完整的状态估计器的计算过程, 计算步骤用图2表示。

基于多数据源的配电网状态补全 第7篇

关键词：多数据源,配电网状态补全,量测校准,量测预处理

0 引言

配电网状态补全主要是为调度人员提供实时、完整、准确的配电网断面数据;为方式人员在停电、保电方式调整、计划检修等情况下进行方式调整时提供完整的方式断面数据;为配电自动化系统优化调度、配电网调度辅助决策、智能配电网自愈控制等多方面应用提供良好的数据基础,是配电网调度控制系统中应用软件的基础部分。

目前国内配电网由于其数据采集点多、面广,监测点覆盖不全面,造成其整体可观性不强。一是由于只改造了部分环网柜,或者核心区域,导致部分馈线配电网开关量测采集不完整。二是由于国内终端厂家技术参差不齐以及通信通道等问题,部分量测信号出现短时频发、数据跳变、通信中断等各种异常情况。三是配电网覆盖面大,采集量测多,很多问题不能及时发现,及时处理。上述原因导致当前配电网状态无法全面满足实际运行的需要,尤其是量测配置不全,数据不准确,导致调度人员无法充分了解当前配电网运行状态,无法充分发挥配电网调度控制应用功能及辅助决策功能。

配电网状态补全基于能量管理系统转发的主网实时量测,配电网调度系统采集到的配电网实时量测,用电采集系统转发的配电变压器准实时量测,营销系统转发的非实时电量数据,历史数据,地理信息系统转发的配电网模型数据实现配电网状态补全功能,为配电高级应用和调度人员、方式人员提供较为完整准确的断面数据。主要研究内容包括遥测遥信数据预处理,剔除不合理的数据,进行可观测性分析,配电网负荷数据校准和补全,配电网开关量测补全。

1 配电网状态补全总体方案

配电网状态补全的总体思路:通过消息总线系统将生产管理系统、地理信息系统的配电网模型导入到配电自动化系统,将能量管理系统的主网模型导入到配电自动化系统,将主网模型和配电网模型进行拼接形成主配电网拓扑连通的主配电网一体化模型。综合用电采集系统的配电变压器电流、功率量测,主网实时量测,配电网实时量测,营销系统电量数据,历史数据,负荷预测数据,利用拓扑分析、数值分析相关原理实现配电网状态补全。主要功能模块包括配电网开关遥测遥信预处理,可观测性分析,配电网变压器量测校准与量测补全,配电网开关量测补全。总体思路如图1所示。

2 配电网拓扑分析

配电网拓扑分析的目的主要是拓扑校准和电气岛分析,为下一步状态补全做好数据准备。

2.1 拓扑校准

主要内容包括:

1)拓扑连接关系检查:无节点号、节点号错误、节点空挂。

2)参数检查:缺少参数、参数错误、参数偏离正常值等。

检验结果 分为严重( 错误)和非严重( 告警), 存在错误 时不进行状态补全。无论是否严重,都要查找 原因, 可以按厂 站、校验类型、 是否严重 进行排序, 并给出提示告警。

2.2 电气岛分析

主要内容包括:

1)形成电气岛。配电网主要是辐射状网络结构,而且各条线路之间相互电气影响较弱,为方便分析和计算,降低计算维度,本文简化了配电网电气连接关系,将一条馈线作为一个电气岛。

2)电气着色,并将物理模型转化为计算模型。在同一个电压等级内部,根据开关及隔离开关的状态给每个节点着色,将与着色起始点通过闭合开关与隔离开关连在一起的所有节点着成同一个颜色,形成母线号。然后将通过支路(线路和变压器支路)连在一起的母线划分到同一个电气岛中去。

3) 生成计算母线, 通过对网络接线方 式的搜索, 将所有通 过闭合的开关、隔离开关以及连接线所连接的点聚集到一起,从而使每个节点之间都是通过阻抗支路连接的,从而生成了由计算节点和阻抗支路组成的计算图。

3 配电网量测补全

配电网量测补全过程图见图2,主要分如下步骤进行:

1)首先是数据准备阶段,将能量管理系统、配电自动化系统、用电采集系统、负控系统、营销系统、95598系统、生产管理系统的数据通过信息交互总线转发到配电自动化系统。

2)然后是数据预处理阶段,利用基本的电路原理将明显不合理的数据找出来,以免对下一步数据分析产生较大误差影响。可观测分析判断该电气岛是否可进行状态补全。

3)然后是配电网负荷校准和补全,最后是配电网开关的状态补全。

3.1 量测数据预处理

配电网量 测数据包 括有功功率、无功功率、电流、电压、功率因数等。数据预处理依据电路基尔霍夫定律(KVL、KCL)、有功无功电流匹配等基本准则进行校验分析,将不满足电路基本约束关系的量测去除。一致性检查的内容还包括:配电网开关有功无功电流不匹配;馈线段两端(中间无分叉)有功、无功、电流相冲突;配电网母线量测流入流出不匹配;配电网负荷与负荷开关量测不匹配;配电网开关遥测与遥信不对应。

3.2 配电变压器量测校准与量测补全

目前配电自动化系统没有采集到实时的配电变压器量测信息。为进行潮流计算,配电网中的所有负荷节点都必须有可用的负荷数据,然而由于现场安装的测量终端的数量可能不足,或由于部分测量终端可能处于待修复的状态,因此,对没有测量值的负荷节点,应进行负荷分配和负荷校准,以获得用于潮流计算的负荷信息。

(1)利用实时开关量测对负荷分配量测。

1)如果配电网开关没有功率量测值,则采用10k V出线断路器的功率因数,否则采用默认的功率因数。

2)求节点功率值:节点流入功率大于或等于流出的功率,则该节点有剩余的功率来分配给负荷;如果流出功率大于流入功率,则该节点有剩余的功率来分配给分布式电源。

3) 获得了小区段总剩余功率, 注入总功率减去各个注入元件的节点注入功率和支路损耗功率,最后的差值就为该小区段的负荷或者电源分配得到功率值。

4)对于无量测的负荷,将小区段中剩余功率分配给负荷元件。如果小区段没有负荷,则将剩余功率分配给电源元件。负荷功率分配的前提是:所有配电网开关均计算得到开关流过的功率值。

5)所有流入区段开关功率 - 所有流出区段开关功率 - 区段内节点注入功率(指该区段内负荷的功率与电源的功率之和)= 不平衡功率。然后将不平衡功率分配给该区段内无量测的负荷或者电源。

(2)利用实时负荷总量测依据负荷准实时量测分配因子对负荷分配量测。

分配因子的通用计算公式为:

式中:∑Linp-mea为网络组中输入测量值的总和,包括10k V馈线出口的测量值,和其他网络组向本组输入的测量值;∑Lg-mea为小电源向该网络组输入的测量值的总和;∑Lout-mea为网络组中输出测量值的总和,即在网络组中具有测量值的负荷节点的测量值总和;∑Lca 为静态负荷校准值总和。

3.3 量测可观测性分析

可观测分析功能可指出系统中哪些节点是不可观测的(即根据现有遥测不能计算出节点电压的幅值或角度,若不能计算出节点电压幅值称为节点无功不可观测,若不能计算出节点电压角度称为节点有功不可观测)。本文采用逻辑法进行可观测分析,如果有一支路有有功和无功量测,当一端电压幅值和角度已知时,就可推出另外一端电压幅值和角度,即对于有量测的支路一端节点可观测时,另一端节点也可观测。当有一节点注入量测Pi、Qi时,可以转化为某一相连支路有功无功量测,如有图3所示支路和节点:

节点i有有功无功注入量测,支路ij和ik有有功无功潮流量测,支路il无量测。

支路ij潮流方程为:

将式(1)中的i替换成k,即可得支路ik的潮流方程。节点i注入潮流方程为:

进行简单变换得到如下方程:

可见节点i的注入量测已经转化为无量测支路il的潮流量测,在可观测分析过程中将注入型量测转化为无量测支路的量测后就很容易判断可观测节点。从可观测节点(有功从平衡节点,无功从有电压量测点)沿有量测的支路(包括注入量测转化的支路量测)搜索,所有能搜索到的节点为可观测节点,不能搜索到的节点为不可观测节点。

3.4 配电网开关量测补全

支路量测计算示意图如图4所示。

支路潮流方程如式(2)所示,配电网开关潮流计算方法为:

(1)当电气岛不带电,则该电气岛内的所有开关电流都为0。

(2)计算电气岛内各连接点的功率注入(计算节点注入电流,流入节点为正,流出节点为负)。

(3)计算电气岛内支路连接点功率。逆 着功率方 向求支路 电流,从子节点开始往前推算,要将支路上流过的功率叠加到上一条支路上。

(4)计算指定母线的开关潮流。

1)从子节点开始计算(类似于回代计算支路潮流的过程)。

2)求该节点所有出线开关流出的功率(根节点不参与计算)。

3)计算进线开关的功率(除根节点外均有进线开关)。

4)计算进线开关的电流。

5)循环计算该母线下所有节点(除根节点外)进线开关的电流。

6)循环计算该岛所有母线下进线开关的电流。

4 案例分析

首先对配电网负荷进行了量测校准和量测补全,潮流计算的准确度就有了较大的提高,就可以将部分没有改造的区域,没有量测采集的区域进行潮流分析,给出与实际相符合的开关潮流值,保证了配电网断面数据的准确完整。

本文以扬州供电公司开发变电站218相关电气岛为例进行数据分析,首先对没有量测的配电网负荷进行合理的量测分配,并对分配的量测进行校验。然后进行配电网潮流计算分析,部分没有量测的开关通过潮流计算后进行了量测补全。负荷功率分配及潮流计算分布结果分别如表1、表2所示。

量测误差因素分析:

1)模型建立不完整,线路中没有改造的环网柜没有建立模型,或者新建的并且已经投运的负荷没有进行模型更新。

2)部分环网柜没有采集到开关状态,需要人工对开关状态进行设置,而错误的人工置位导致拓扑搜索错误。

3)10k V馈线部分开关站或者环网柜量测不可观察性,无法对负荷进行量测分配,分配的伪量测导致潮流计算存在误差。

5 结语

配电网实时采集的配电网开关量测数据信息不足,而能量管理系统、配电自动化系统、用电采集系统、负控系统、营销系统、95598系统、生产管理系统提供了更多的实时及非实时数据来源。配电自动化系统可以通过信息交互总线利用各个系统提供的量测数据,包括有功、无功、电流、电压、电量以及历史数据和预测数据,参与配电网状态补全计算,对配电网状态补全产生积极的影响。

对于非实 时的量测, 需要对非实时数据进行校准,并利用历史数据进 行负荷预 测, 得到当前时刻的数据,然后利用已经校准和补全的负荷数据,参与配电网开关的量测和 状态补全, 为调度人 员提供一个较为准确完整的数据断面。分析结果表明, 利用多数 据源进行配电网状态补全,提供较为完整、实时、准确的配电网断面数据是合理的,有效的。

参考文献

[1]严晓蓉.电力自动化系统中的数据处理[J].电力自动化设备,2005,25(3):96-99.

[2]摩志伟,孙雅明.数据挖掘技术及其在电力系统中的应用[J].电力系统自动化,2001,25(11):62-66.

[3]廖志伟.孙雅明,杜红卫.基于数据挖掘模型的配电网故障定位诊断[J].天津大学学报,2002,35(3):322-326.

[4]卫志农.配电系统运行状态补全分析研究[D].南京:河海大学,2004.

[5]黎灿兵,刘晓光.中压配电网不良负载数据分析与处理方法[J].电力系统自动化,2008,32(20):97-99.