鲁棒预测辅助状态估计器

利用变分贝叶斯无迹卡尔曼滤波与高斯过程回归，在含多分布式电源的不确定场景中精准跟踪状态，同时将无迹变换的计算负担降低近一半。

侯栋宸 · 孙永辉 · Sun, Kang · Dinavahi, Venkata · 王义

IEEE Transactions on Automation Science and Engineering 2025

参数信息

无迹变换计算负担降低幅度

50 %

技术优势

抗量测异常

利用历史数据训练的高斯过程回归模型同步预测观测值，当实际量测出现异常时用预测值替代，从而减小坏数据对状态估计的影响。

计算量减半

采用基于球形单纯形的无迹变换策略选择Sigma点，相比传统无迹变换大幅减少了Sigma点数量，从而降低计算负担。

自适应噪声协方差

基于变分贝叶斯理论和逆Wishart分布，推导出协方差矩阵的变分更新形式，使滤波算法能够自动适应量测噪声统计特性的变化。

应用场景

• 配电网监控终端：在量测异常时仍能准确估计状态，提升终端数据可靠性。
• 配电网能量管理系统：为能量管理提供鲁棒实时状态，支撑优化决策。
• 智能电表数据融合：能够处理智能电表数据中的异常值，改善数据融合质量。