الگوریتم پیش­ بینی حالت اصلاح شده­ ی مبتنی بر UKF

الگوریتم پیش­ بینی حالت اصلاح شده­ ی مبتنی بر UKF

Modified state prediction algorithm based on UKF

Abstract: The state prediction based on the unscented Kalman
filter (UKF) for nonlinear stochastic discrete-time systems with linear
measurement equation is investigated. Predicting future states
by using the information of available measurements is an effective
method to solve time delay problems. It not only helps the system
operator to perform security analysis but also allows more time for
operator to take better decision in case of emergency. In addition
predictive state can make the system implement real-time monitoring
and achieve good robustness. UKF has been popular in state
prediction because of its advantages in handling nonlinear systems.
However the accuracy of prediction degrades notably once
a filter uses a much longer future prediction. A confidence interval
(CI) is proposed to overcome the problem. The advantages of CI
are that it provides the information about states coverage which is
useful for treatment-plan evaluation and it can be directly used to
specify the margin to accommodate prediction errors. Meanwhile
the CI of prediction errors can be used to correct the predictive
state and thereby it improves the prediction accuracy. Simulations
are provided to demonstrate the effectiveness of the theoretical
results.

الگوریتم پیش­ بینی حالت اصلاح شده­ ی مبتنی بر UKF

چکیده

پیش­بینی حالت مبتنی بر فیلتر کالمن بدون بو (UKF) برای سیستم­های زمان-گسسته­ی تصادفی غیرخطی با معادله­ی اندازه گیری خطی بررسی می­شود. پیش­بینی حالت­های آتی با استفاده از اطلاعات اندازه­گیری موجود روشی موثر برای حل مسائل تاخیر زمانی است. این پیش­بینی نه تنها به اپراتور سیستم به منظور انجام آنالیز امنیتی کمک می­کند، بلکه زمان بیشتری را برای اپراتور برای گرفتن تصمیم بهتر در موارد اضطراری فرض می­کند. علاوه بر این، حالت پیش­بینی موجب می­شود که سیستم نظارت در زمان واقعی را پیاده­سازی کند و قدرتمندی خوبی را هم به دست بیاورد. رایج بودن UKF در حالت پیش­بینی به دلیل مزایای آن در مدیریت سیستم­های غیرخطی است. با این­حال، دقت پیش­بینی به ویژه زمانی که فیلتر از پیش­بینی آتی بسیار طولانی­تر استفاده می­کند کاهش می­یابد. یک فاصله اطمینان (CI) به منظور غلبه بر مسائل ارائه می­شود. مزایای استفاده از CI این است که این اطلاعات در مورد پوشش حالات را ارائه می­کند، که برای ارزیابی طرح-بررسی مفید است، و می­توان از آن بطور مستقیم به منظور مشخص کردن حاشیه به جای خطاهای پیش­بینی استفاده ­شود. در همین حال، CI خطاهای پیش­بینی می­تواند به منظور اصلاح حالت قابل پیش­بینی استفاده شود، و در نتیجه دقت پیش­بینی را بهبود دهد. شبیه­سازی­ها به منظور نشان دادن اثربخشی نتایج تئوری ارائه می­شوند.

.