1樓：匿名使用者
該演算法的特點是計算精度與事先根據統計估計出的噪聲、協方差矩陣有關，其計算速度與狀態方程中含有的諧波次數有關。因此為了提高速度與精度也要與前置低通濾波器相配合以降低狀態方程的維數。
由於配變處於配電網的終端，離使用者最近，所以低壓側的線路中含有大量的非週期分量和諧波量。從上述分析可得出，當訊號中存在衰減直流分量時，半波傅氏演算法的誤差非常大，全周傅氏演算法誤差較小，差分全周傅氏演算法與並聯補償傅氏演算法的誤差要小的多。對遞推最小二乘法和卡爾曼演算法來說，狀態數越多，精度越高，但是計算時間成倍增加，尤其是卡爾曼演算法，因為ttu涉及到對諧波的估計，所以遞推最小二乘法和卡爾曼演算法難以滿足ttu實時性的要求。
綜合以上分析可知，對ttu而言，差分法和並聯補償法是兼顧速度與精度的有效演算法，其中差分法速度較並聯補償法快，而誤差稍大。實際工程可根據功能要求予以取捨。
卡爾曼濾波演算法是什麼？
2樓：匿名使用者
卡爾曼濾波是一個濾波演算法，應用非常廣泛，它是一種結合先驗經驗、測量更新的狀態估計演算法，卡爾曼濾波器是在估計線性系統狀態的過程中，以最小均方誤差為目的而推匯出的幾個遞推數學等式。
卡爾曼過程中要用到的概念。即什麼是協方差，它有什麼含義，以及什麼叫最小均方誤差估計，什麼是多元高斯分佈。如果對這些有了瞭解，可以跳過，直接到下面的分割線。
均方誤差：它是"誤差"的平方的期望值（誤差就是每個估計值與真實值的差），也就是多個樣本的時候，均方誤差等於每個樣本的誤差平方再乘以該樣本出現的概率的和。
方差：方差是描述隨機變數的離散程度，是變數離期望值的距離。
注意：兩者概念上稍有差別，當你的樣本期望值就是真實值時，兩者又完全相同。最小均方誤差估計就是指估計引數時要使得估計出來的模型和真實值之間的誤差平方期望值最小。
卡爾曼濾波
3樓：瀕危物種
將**值和測量值進行結合，對系統狀態進行最優估計的演算法。
在連續變化的系統中使用卡爾曼濾波是非常理想的，它具有佔用記憶體小的優點（除了前一個狀態量外，不需要保留其它歷史資料），並且速度很快，很適合應用於實時問題和嵌入式系統。
根據k-1時刻的系統狀態**k時刻系統狀態。
考慮外部因素控制的影響
外部因素會對系統進行控制，從而帶來一些與系統自身狀態沒有相關性的改變。其中 成為控制矩陣， 稱為控制向量，如果沒有外部控制，這部分可以忽略。
外部噪聲因素
在每次**之後，我們可以新增一些新的不確定性來建立這種與「外界」（即我們沒有跟蹤的干擾）之間的不確定性模型。
小結：由上兩式可知，新的最優估計是根據上一最優估計**得到的，並加上已知外部控制量的修正。 而新的不確定性由上一不確定性**得到，並加上外部環境的干擾。
加入感測器觀測資料
卡爾曼濾波的一大優點就是能處理感測器噪聲，我們的感測器或多或少都有點不可靠，並且原始估計中的每個狀態可以和一定範圍內的感測器讀數對應起來。 從測量到的感測器資料中，我們大致能猜到系統當前處於什麼狀態。但是由於存在不確定性，某些狀態可能比我們得到的讀數更接近真實狀態。
感測器早上用協方差 表示，該分佈的均值 是我們讀取到的感測器資料。
於是我們得到兩個高斯分佈，一個是**值附近，一個是感測器讀數附近。把兩個具有不同均值和方差的高斯分佈相乘，得到一個新的具有獨立均值和方差的高斯分佈。
結果如下，其中，k為卡爾曼增益。
總結：我們可以用這些公式對任何線性系統建立精確的模型，對於非線性系統來說，我們使用擴充套件卡爾曼濾波，區別在於ekf多了一個把**和測量部分進行線性化的過程。
參考文章：
卡爾曼濾波原理
4樓：科創
品牌型號：redmibook pro 15
系統：windows 10
卡爾曼濾波是一種利用線性系統狀態方程，通過系統輸入輸出觀測資料，對系統狀態進行最優估計的演算法。由於觀測資料中包括系統中的噪聲和干擾的影響，所以最優估計也可看作是濾波過程。
資料濾波是去除噪聲還原真實資料的一種資料處理技術，kalman濾波在測量方差已知的情況下能夠從一系列存在測量噪聲的資料中，估計動態系統的狀態。由於它便於計算機程式設計實現，並能夠對現場採集的資料進行實時的更新和處理，kalman濾波是目前應用最為廣泛的濾波方法，在通訊，導航，制導與控制等多領域得到了較好的應用。
卡爾曼濾波不要求訊號和噪聲都是平穩過程的假設條件。對於每個時刻的系統擾動和觀測誤差（即噪聲），只要對它們的統計性質作某些適當的假定，通過對含有噪聲的觀測訊號進行處理，就能在平均的意義上，求得誤差為最小的真實訊號的估計值。因此，自從卡爾曼濾波理論問世以來，在通訊系統、電力系統、航空航天、環境汙染控制、工業控制、雷達訊號處理等許多部門都得到了應用，取得了許多成功應用的成果。
卡爾曼濾波是做什麼用的
5樓：匿名使用者
用上一個狀態和當前狀態的測量值來估計當前狀態，這是因為上一個狀態估計此時狀態時會有誤差，而測量的當前狀態時也有一個測量誤差，所以要根據這兩個誤差重新估計一個最接近真實狀態的值。