Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Опис.моделей.docx
Скачиваний:
4
Добавлен:
01.07.2025
Размер:
1 Мб
Скачать
☆

3.5. Прогнозирующий фильтр Калмана (фильтр Калмана – Бьюси)

В настоящее время все шире начинают применяться при моделировании и прогнозировании графиков нагрузки методы и модели адаптивной цифровой фильтрации, модели оценивания состояния, в частности, фильтрация Калмана [1, 2, 4, 15, 19, 63].

Алгоритм оптимальной фильтрации (идентификации) для динамической системы электропотребления представляет собой рекуррентную реализацию алгоритма МНК, оценивания вектора параметров модели по имеющейся предыстории (дискретный оптимальный фильтр Калмана-Бьюси). Рекуррентные алгоритмы позволяют адаптивно с минимальными вычислительными затратами обновлять параметры модели. Общий вид модели прогнозирующего фильтра Калмана может быть представлен [1, 5, 9, 14, 15] как:

(3.25)

, , (3.26)

где – вектор измерений входных и выходных величин (векторов) процесса в j – 1 момент времени; – значение i-го выходного параметра процесса в j-й момент времени; – ошибка оценивания параметра , случайная стационарная величина, распределенная по нормальному закону. Моделируемое значение может представлять как остаточную составляющую графика нагрузки или непосредственно весь график нагрузки .

В качестве выходной величины в (3.26) могут рассматриваться либо значение электропотребления в j-й интервал времени в отдельном i-ом узле сети [1], либо точка j-го суточного графика нагрузки в i-й момент времени [2, 4, 5, 8].

В развернутой форме последнее рекуррентное выражение (3.25) записывают в виде [1, 5, 9, 14, 15]:

(3.27)

,

где – корреляционная матрица ошибок оценивания параметров модели; – начальная оценка корреляционной матрицы , обеспечивающая монотонный характер сходимости оценок параметров к истинным значениям.

Данная рекуррентная модель Калмана, представленная в форме алгоритма оптимальной фильтрации (3.25), (3.26) имеет ряд существенных недостатков [9, 64, 65]. В частности, алгоритм рекуррентной идентификации является не асимптотически устойчивым по Ляпунову, это означает, что он становится неустойчивым при постоянстве измеренных сигналов , т.е. при неинформативных измерениях происходит накопление ошибок оценки параметров модели. Это обстоятельство определяет только эпизодическое применение данного алгоритма при возникновении в объекте динамических режимов.

Еще одна трудность, возникающая при практическом использовании оптимальных фильтров (3.26), состоит в проблеме расходимости фильтра. Основными причинами потери устойчивости фильтра, являются потеря положительной определенности корреляционной матрицы вследствие вычислительных ошибок, либо нестационарность или нелинейность моделируемого объекта, когда параметры уравнения движения объекта априори неизвестны или известны с малой точностью.

Перечисленные проблемы оптимальной фильтрации характерны и для процессов в энергетических системах [1, 2, 5]. Определение параметров фильтра требует оценки статистических характеристик моделируемого сигнала и помехи. Кроме того, полагают, что эти характеристики неизменны для моделируемого процесса (что не всегда верно). Учет изменчивости характеристик процесса и устранение эффекта “расходимости” увеличивает число вычислений [5, 64, 65], во время идентификации и требует итерационной настройки фильтра. Это, в свою очередь, в некоторых случаях приводит к расходимости фильтра вследствие ошибок вычислений.

Другая особенность прогнозирующего фильтра Калмана (3.25) – (3.27) состоит в том, что при моделировании процесса электропотребления не реализуется концепция многомерного моделирования графиков нагрузки. В выражениях фильтра Калмана, если скалярная величина представляет значение процесса в j-й интервал времени в отдельном i-м узле сети, то реализуется моделирование и прогнозирование «продольного среза» изменения потребления в одном из узлов во времени, причем в модели не учитывается «поперечная» зависимость отдельных потребителей (узлов) сети. Если же скалярная величина представляет собой точку j-го суточного графика нагрузки в i-й момент времени, то при ее прогнозировании учитывается «поперечное» изменение нагрузки внутри суток, но не учитывается «продольная» зависимость изменения этой i-й точки от графика к графику.

В работе [66] фильтр Калмана сравнивается с ARIMA-моделью (в обобщенном виде (3.5) при прогнозировании процесса и показано, что результаты прогнозирования очень близки между собой, это позволяет говорить о взаимозаменяемости моделей. Кроме того, показано [79], что калмановская фильтрация повышает точность прогнозирования при использовании ее совместно с моделями типа экспоненциального сглаживания.

Все вышесказанное ограничивает применимость фильтра Калмана при прогнозировании нагрузки. Основное применение оптимальных фильтров рассмотренного типа – это выделение и моделирование полезного сигнала на уровне шумов (в том числе оценивание состояния в различных точках электрической сети в реальном масштабе времени [2, 5], первичная обработка быстроизменяющейся информации и т.п. [19, 65]), при этом процессы линейные и имеют гауссовский характер [65] с известными характеристиками, а входные возмущения и шумы не коррелированы между собой.