Você está na página 1de 6

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre RS, 1o 4 de Outubro de 2017

DESENVOLVIMENTO DE UM FILTRO DE PARTICULAS ALIADO AO FILTRO DE


KALMAN ESTENDIDO ITERATIVO PARA ESTIMACAO DE ESTADOS DE
SISTEMAS NAO LINEARES COM RUIDO GAUSSIANO

Eric Antony Vinhaes Prohmann, Francisco das Chagas de Souza


Universidade Federal do Maranhao

Av. dos Portugueses, 1966, Bacanga - CEP 65080-805


Sao Lus, Maranhao, Brasil

Emails: ewric@hotmail.com, francisco.souza@ufma.br

Abstract In this paper, a particle filter allied to the iterated extended Kalman filter for state estimation
of nonlinear systems with Gaussian noise is proposed. The proposed method consists of applying the iterated
extended Kalman filter to obtain two estimated state vectors. These two vectors substitute the two lowest
importance particles of the particle filter, allowing that estimates obtained through the iterated extended Kalman
filter be also evaluated by the importance density function. Through numerical simulations, the efficiency of the
proposed method is evaluated considering the model of a car-inverted pendulum system.

Keywords Iterated extended Kalman filter, particle filter, state estimation feedback for control.

Resumo Neste artigo, um filtro de partculas aliado ao filtro de Kalman estendido iterativo para estimacao
de estados de sistemas nao lineares com rudo gaussiano e proposto. O metodo proposto consiste em utilizar o
filtro de Kalman estendido iterativo de modo a se obter dois vetores de estados estimados. Estes dois vetores
substituem as duas partculas de menor importancia do filtro de partculas, permitindo que estimacoes obtidas
atraves do filtro de Kalman estendido iterativo sejam tambem avaliadas pela funcao densidade de importancia.
Atraves de simulacoes numericas, a eficacia do metodo proposto e avaliada considerando o modelo de um sistema
carro-pendulo invertido.

Palavras-chave Filtro de Kalman estendido iterativo, filtro de partculas, realimentacao de estados esti-
mados para controle.

1 Introducao e, uma vez em posse de um sistema linearizado,


A estimacao de estados e um topico de es- aplica-se as equacoes do FK. Todavia, o FKE nao
tudo que vem sendo amplamente aplicado a siste- e um filtro otimo devido ao fato de que a linea-
mas nao lineares presentes nas areas de processa- rizacao a cada instante pode gerar instabilidade
mento de sinais, rastreamento, navegacao de sa- quando as condicoes de linearidade local nao sao
telite, deteccao de falta e controle otimo e adap- atendidas (Shademan & Janabi-Sharifi, 2005).
tativo (Havlk & Straka, 2015). Alem disso, as Com o objetivo de melhorar o FKE, varias
tecnicas de estimacao podem ser utilizadas em tecnicas foram implementadas, como, por exem-
controle via realimentacao de estados estimados plo, o filtro de Kalman estendido iterativo (FKEI).
com uma reduzida quantidade de sensores utiliza- Tal tecnica consiste em, uma vez que o FKE e
dos, como, por exemplo, em motores de inducao visto como um metodo de maximizacao da densi-
(Alonge et al., 2015). dade de probabilidade a posteriori atraves da pri-
O objetivo desta estimacao e obter os esta- meira iteracao de otimizacao por Gauss-Newton,
dos de um processo dinamico baseado em obser- utilizar mais iteracoes a fim de obter-se um melhor
vacoes corrompidas por rudo (Hu et al., 2015). resultado (Havlk & Straka, 2015).
Os metodos de estimacao estao, em sua maioria, Outra tecnica popular para solucao do pro-
baseados em abordagem Bayesiana ou em abor- blema de estimacao em sistemas nao lineares e
dagens de otimizacao. O filtro de Kalman (FK), o filtro de partculas (FP), o qual foi desenvol-
uma das tecnicas mais difundidas no ambito da vido por Metropolis e Norbert Wiener em torno
estimacao, baseia-se no processo de minimizacao de 1940 (Simon, 2006), consistindo na solucao nu-
do erro medio quadratico (Havlk & Straka, 2015), merica do problema de estimacao Bayesiana para
sendo uma solucao otima caso o sistema seja linear sistemas nao lineares (Bell & Cathey, 1993; Zuo
e os rudos, gaussianos. Para sistemas nao linea- & Jia, 2013). A ideia principal do FP e represen-
res, a tecnica mais comum e o filtro de Kalman tar a funcao densidade de probabilidade atraves
estendido (FKE); tal filtro utiliza serie de Taylor de um conjunto de amostras aleatorias, possuindo
para linearizar o sistema a cada instante de tempo cada amostra um peso que indica sua importancia
Este trabalho foi parcialmente financiado pela Funda- (Arulampalam et al., 2002). Ao contrario do FKE
cao de Amparo a Pesquisa e ao Desenvolvimento Cientfico e do FKEI, o FP e uma tecnica imune as nao line-
e Tecnologico do Maranhao (FAPEMA), pela Coordenacao aridades e tambem e uma solucao para casos com
de Aperfeicoamento de Pessoal de Nvel Superior (CAPES) rudo nao gaussiano (Cui & Kavasseri, 2015).
e pelo Conselho Nacional de Desenvolvimento Cientfico e
Tecnologico (CNPq). A partir da decada de 1990, o estudo sobre

ISSN 2175 8905 809


XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
o FP vem despertando um interesse crescente da uk Rnu e a entrada de controle, yk Rny e a
comunidade cientfica, tendo em vista o avanco dimensao do vetor de sada, wk N (0, Qk ) e um
computacional que tornou viavel a sua implemen- rudo de processo branco gaussiano com matriz de
tacao. A partir da, esta ferramenta tem sido am- covariancia Qk Rnx nx , vk N (0, Rk ) e um
plamente investigada pela comunidade cientfica, rudo de medicao branco gaussiano com matriz de
como Cui & Kavasseri (2015), por exemplo, que covariancia Rk Rny ny . Os vetores de rudo,
aplicam um FP para a estimacao de estados dina- wk e vk , sao descorrelacionados entre si para todo
micos em um sistema multi-maquina que emprega instante k.
um modelo detalhado dos geradores e obtem me- A inicializacao do FKE necessita do vetor de
dicoes a partir dos dados disponveis atraves de estimacao dos estados iniciais, x0 , e da matriz de
PMU (phasor measurement units). covariancia de erro dos estados iniciais, P+ 0 . Estas
Um problema existente no FP e o empo- condicoes podem ser obtidas se a funcao densidade
brecimento das amostras1 ao decorrer do tempo de probabilidade dos estados no instante inicial,
(Simon, 2006) (Arulampalam et al., 2002). Com p(x0 ), for conhecida.
o objetivo de reduzir este obstaculo, alguns pes- Para os instantes k = 1, 2, ..., sao realizados
quisadores utilizam o FKE e o FKEI aliado ao FP. os passos de propagacao e correcao da estimativa
Zuo & Jia (2013), visando casos em que o rudo do vetor de estados.
de medicao e largo, utilizam um FP guiado por Primeiramente, lineariza-se fk1 () em relacao
um FKEI em que as partculas sao separadas em a xk1 e wk1 em torno do ponto x+ k1
dois grupos de acordo com a verossimilhanca re-
lativa condicional; Aqueles do primeiro grupo sao [fk1 (xk1 , uk1 ) + wk1 ]
retirados da densidade a priori de transicao, en- Fk1 = (3)
xk1

xk1 =x+
k1
quanto que os do segundo grupo sao retirados da
[fk1 (xk1 , uk1 ) + wk1 ]
densidade a posteriori gaussiana obtida atraves do Lk1 = (4)
wk1

xk1 =x+
FKEI. k1

Neste artigo e proposto um novo FP, com


amostragem e reamostragem por importancia, ali- Tais matrizes sao necessarias para a etapa de pro-
ado ao FKEI. A tecnica proposta baseia-se em pagacao, as quais sao dadas por
substituir duas partculas do FP a cada incio de
iteracao por duas outras partculas geradas pelo x
k = fk1 (x+
k1 , uk1 ) (5)
FKEI. O objetivo e observar o efeito em termos Qk1 = Lk1 Qk1 LTk1 (6)
de desempenho que estas duas partculas causam T
no FP em diferentes casos. P
k = Fk1 P+
k1 Fk1 + Qk1 (7)
Este artigo esta organizado como segue: na
secao 2 o FKEI e revisitado e na secao 3 o FP onde x
k e Pk sao o estado estimado a priori e a
e apresentado, seguido pelo metodo proposto na matriz de covariancia a priori, respectivamente.
secao 4. Na secao 5 sao apresentados alguns re- Em seguida, lineariza-se hk () em relacao a xk
sultados de simulacoes e, na secao 6, sao feitas as e vk em torno do ponto x k,
conclusoes.
2 Revisitando o Filtro de Kalman [hk (xk ) + vk ]
Hk = (8)
xk

Estendido Iterativo xk =x
k

O filtro de Kalman estendido (FKE) e uma [hk (xk ) + vk ]


Mk = (9)
vk

adaptacao do filtro de Kalman (FK), tornando- xk =x
k

o aplicavel tambem para casos nao lineares. O


FKE utiliza a linearizacao do sistema em serie as quais sao necessarias para a etapa de correcao
de Taylor ate a primeira ordem em torno da es- realizada por
timacao obtida no instante anterior e aplica as
equacoes do FK para encontrar a nova estimacao Rk = Mk Rk MTk (10)
 1
(Arulampalam et al., 2002). = P T T
Kk k Hk Hk Pk Hk + Rk (11)
Seja um sistema em espaco de estados repre-
x+

sentado por k = x
k + Kk yk hk (xk ) (12)
P+
k = (I Kk Hk )P
k (13)
xk = fk1 (xk1 , uk1 ) + wk1 (1)
yk = hk (xk ) + vk (2) sendo Kk o ganho de Kalman, hk (x k , 0) a sada
estimada, x+ +
k a estimacao a posteriori, Pk a ma-
onde fk () e uma funcao nao linear de atualizacao triz de covariancia a posteriori e I a matriz iden-
dos estados e hk () e uma funcao nao linear de me- tidade de dimensoes apropriadas.
dicao. Em (1) e (2), xk Rnx e o vetor de estados, Uma vez que o FKE e uma tecnica sub-otima,
1 Quando apenas poucas partculas possuem pesos rele- a etapa de correcao pode ser aplicada novamente
vantes. a fim de se obter melhores resultados (Sarri et al.,

810
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
2012), (Niu et al., 2009). Portanto, para aplicar numero gerado aleatoriamente atraves da PDF de
novamente a etapa de correcao, calcula-se wk .
A proxima etapa corresponde a ponderacao
[hk (xk ) + vk ] das partculas com base em uma funcao densi-
Hk,i = (14)
xk

xk =x+
k,i1 dade de importancia (FDI). A FDI e de escolha
[hk (xk ) + vk ] do projetista e visa mensurar a qualidade da par-
Mk,i = (15) tcula. Mais detalhes sobre a escolha da FDI pode
vk

xk =x+
k,i1
ser vista em Arulampalam et al. (2002).
Rk,i =Mk,i Rk MTk,i (16)
 1 Segundo Simon (2006), para o caso gaussiano,
Kk,i =P+ T + T a ponderacao da j-esima partcula pode ser dada
k,i1 Hk,i Hk,i Pk,i1 Hk,i +Rk,i
por
(17)
1
k,j = p
 
x+ + +
k,i =xk,i1 + Kk,i yk hk (xk,i1 ) (18) 2|Rk |
P+ +
k,i =(I Kk,i Hk,i )Pk,i1 (19) [yk hk (x T 1
!
k,j )] Rk [yk hk (xk,j )]
exp
2
com condicoes iniciais x+ + + +
k,0 = xk e Pk,0 = Pk e
(21)
i = 1, 2, ...Nit , onde Nit e o numero maximo de sendo yk a observacao obtida no instante k e
iteracoes do FKEI. O processo de correcao (14)- hk (xk,j ) a sada estimada para a j-esima part-
(19) e repetido ate que algum criterio de parada cula. Na equacao (21), e possvel notar que quanto
2
seja atingido, como por exemplo, o numero ma- menor for o erro quadratico, [yk hk (x k,j )] ,
ximo de iteracoes, Nit . maior sera o valor do peso da j-esima partcula;
3 O Filtro de Partculas ou seja, maior sera a sua importancia.
O objetivo principal de um FP e estimar a Em seguida, os pesos sao normalizados atra-
funcao densidade de probabilidade (PDF) a poste- ves de
k,j
riori dos estados, p(xk |y1:k ), atraves de um con- k,j = N (22)
junto de amostras aleatorias com pesos associa-
X
k,i
dos. Alem disso, baseado nesses pesos e amostras, i=1
pode-se calcular estimativas, como media e vari-
N
ancia (Arulampalam et al., 2002; Simon, 2006). X
tal que k,j = 1, tornando possvel uma apro-
j=1
ximacao de p(xk |y1:k ) por

N
X
p(xk |y1:k ) k,j (xk x
k,j ). (23)
j=1

Posteriormente, e realizada a etapa de rea-


mostragem, cujo objetivo e reduzir o numero de
partculas com baixa ponderacao. Dessa forma,
o efeito do empobrecimento de partculas e miti-
gado (Arulampalam et al., 2002). A reamostra-
gem, ilustrada na Figura 1, pode ser realizada da
Figura 1: Esquema de reamostragem com 6 partculas.
seguinte forma (Simon, 2006):
1. Definir, dentro da faixa [0, 1], intervalos de
Dado um sistema nao linear regido por (1) e tamanhos numericamente iguais aos pesos
(2), gera-se aleatoriamente um grupo de vetores de k,1:N , nao superpostos, e de tal forma que
estados com base no conhecimento da PDF p(x0 ). a soma de tais intervalos2 seja igual a 1;
Cada vetor deste grupo e denominado partcula, 2. Gerar um vetor de pontos aleatorios zk =
x+ {zk,1 , ..., zk, , ..., zk,N } uniformemente distri-
0,j , onde o ndice j indica a j-esima partcula no
instante inicial. budo entre 0 e 1;
Para cada instante seguinte, k = 1, 2, ..., 3. A quantidade de pontos aleatorios dentro de
propagam-se todas as partculas utilizando a equa- cada intervalo determinara a quantidade de
cao de atualizacao dos estados dada por vezes que a partcula correspondente aquele
peso aparecera no novo grupo de partculas a
x + posteriori.
k,j = fk1 (xk1,j , uk1 )+wk1,j , j = 1, 2, ..., N
(20) 2 Note que partculas com maior peso terao intervalos
onde N e o numero total de partculas, x+ k,j e a maiores, enquanto partculas com menor peso terao inter-
j-esima partcula obtida no instante k, wk,j e um valos menores.

811
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Uma vez realizada a reamostragem, obtem-se o culas atraves de (20), obtendo-se x k,1:N . Simul-
grupo de partculas reamostrado, x+ k,1:N , formado taneamente, utiliza-se xk1 e Sk1 como entrada
principalmente pelas partculas de maior peso. para o FKEI, obtendo-se x+ k,F KE atraves de (12)
Da, pode-se calcular o estado estimado e a matriz +
e xk,F KEI atraves de (18). Em seguida, os pesos
de covariancia do erro de estimacao atraves de das partculas do FP bem como os pesos dos 2
N vetores do FKEI sao calculados atraves de (21).
As duas partculas de menor peso sao substi-
X
xk = k,j x
k,j (24)
j=1 tudas pelos vetores do FKEI (x+ +
k,F KE e xk,F KEI ).
N Os pesos respectivos as partculas eliminadas sao
1 X + T substitudos pelos pesos dos vetores do FKEI. Em
Sk = (x xk )(x+
k,j xk ) . (25)
N 1 j=1 k,j seguida, normaliza-se os pesos. Posteriormente
obtem-se o estado estimado (xk ) atraves de (24) e
4 Filtro de Partculas Aliado ao Filtro de a matriz de covariancia do erro de estimacao (Sk )
Kalman Estendido Iterativo atraves de (25); em paralelo, realiza-se a etapa de
reamostragem, como explicado na secao 3.
Nesta secao, propoe-se um filtro de partculas,
com amostragem e reamostragem por importan- 5 Simulacoes
cia, aliado ao filtro de Kalman estendido iterativo Nesta secao, visando comparar a metodolo-
(FPA-FKEI) para estimacao de estados de siste- gia proposta com o FKE e o FP, simulacoes de
mas nao lineares com rudo gaussiano. A ideia Monte Carlo (media de 200 realizacoes indepen-
principal da tecnica proposta e, a cada iteracao, dentes) sao realizadas considerando um sistema
substituir as duas partculas de menor importan- carro-pendulo invertido em 4 diferentes cenarios.
cia do FP por dois vetores de estados estimados: Em tais cenarios, o numero de partculas utilizado
um vetor e obtido atraves do FKE e o outro e tanto para a metodologia proposta quanto para o
proveniente do FKEI. FP e N = 100. Alem disso, para o FKEI, utilizou-
se Nit = 10.
As equacoes gerais do sistema carro-pendulo
invertido sao expressas como na formula (1), onde
uk corresponde ao sinal discreto da forca aplicada
no carro F (t) e fk (xk , uk ) corresponde a discreti-
zacao por metodo das diferencas com perodo de
amostragem Ts = 0, 01 s do modelo do sistema
carro-pendulo invertido, o qual e dado por

x1 (t) = x2 (t) (26)


B c M2 mp lBp
x2 (t) = x2 (t) + x4 (t) cos x3 (t)
M3 M3
m2p l2 g mp lM2 2
sin x3 (t) cos x3 (t) + x4 (t)
M3 M3
M2
sin x3 (t) + F (t) (27)
M3
x3 (t) = x4 (t) (28)
B p M1 mp lBc
x4 (t) = x4 (t) + x2 (t) cos x3 (t)
M3 M3
m2p l2 2 mp lgM1
* * x (t) sin x3 (t) cos x3 (t) +
M3 4 M3
mp l
* sin x3 (t) cos x3 (t)F (t) (29)
M3

onde x1 e a posicao do carro em relacao ao eixo


horizontal, x2 e a velocidade linear do carro, x3 e
a posicao angular do pendulo, x4 e a velocidade
Figura 2: Fluxograma com as etapas do metodo proposto angular do pendulo, mc e a massa do carro, mp
(FPA-FKEI). e a massa do pendulo, l e a distancia do centro
de massa do pendulo ao pivo que prende o pen-
Na Figura 2, mostra-se o fluxograma da abor- dulo ao carro, g e a aceleracao da gravidade, I e
dagem proposta. Note que, inicialmente, tem- o momento de inercia do pendulo, F (t) e a forca
se um grupo de partculas, x+ k1,1:N . Primeira- aplicada ao carro, Bc e Bp sao os coeficientes de
mente, realiza-se a propagacao de todas as part- atrito do carro com o solo e do pendulo com o

812
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
pivo, respectivamente. A representacao deste sis- dadas por
tema pode ser observada na Figura 3. v
N MC
u nx 
1 X u 1 X 2
k = t erk, (31)
NM C r=1
nx =1
v
N MC Nk u nx 
1 X 1 X u 1 X 2
= t erk, (32)
NM C r=1
Nk nx =1
k=1

com
erk, = xrk, xrk, (33)
onde NM C e o numero total de realizacoes, r e o
Figura 3: Representacao do sistema carro-pendulo inver- ndice da realizacao, Nk e o numero total de ite-
tido. racoes (amostras), nx e o numero total de estados
do sistema, e o ndice que indica o estado, xk,
e o estado estimado e xk, e o estado do sistema.
A entrada e os parametros do sistema utiliza- Foram analisados 4 diferentes cenarios con-
dos nas simulacoes podem ser observados na Fi- forme a Tabela 2, onde x0 e o vetor contendo os
gura 4 e na Tabela 1, respectivamente. A equacao estados iniciais do sistema, Qk e Rk sao as ma-
trizes de covariancia dos rudos de processo e de
medicao, respectivamente.
Tabela 2: Parametros modificados para cada cena-
Fora (Newton)

rio.
Parametro Valor
Cenario 1 Cenario 2
x0 [0, 5 0 1, 8 0, 5]T [8 9 5 3]T
Qk diag{[0, 2 0, 2 0, 2 0, 2]} k
Rk diag{[0, 1 0, 1]} k
0 200 400 600 800 1000 1200
k Cenario 3 Cenario 4
T
Figura 4: Entrada utilizada na simulacao do pendulo in- x0 [0, 5 0 1, 8 0, 5] [8 9 5 3]T
vertido com carro. Qk diag{[0, 2 0, 2 0, 2 0, 2]} k Ts
Rk diag{[0, 1 0, 1]} k Ts

Tabela 1: Parametros utilizados na simulacao do sis-


O e o k de cada cenario podem ser obser-
tema do carro-pendulo invertido. vados, respectivamente, na Tabela 3 e na Figura
Parametro Valor 5. Atraves destes resultados e possvel observar
que a metodologia proposta apresenta erro menor
mc 0,94 [kg]
que o FP e o FKE para todos os cenarios, dando
mp 0,23 [kg]
destaque para a velocidade de convergencia nos
l 0,33 [m]
1 cenarios 2, 3 e 4, as quais sao mais rapidas que as
I mp l2 [kg m2 ] do FP. Ainda para estes cenarios, o FKE possui a
3
Bc 0,44 [Nms/rad] convergencia mais rapida dentre as tres tecnicas,
Bp 0,05 [Nms/rad] porem apresenta um maior erro de regime.
g 9,81 [m/s2 ] Tabela 3: obtido atraves das simulacoes de Monte
M1 mc + mp Carlo para cada cenario.
M2 I + mp l 2 Cenario
M3 M1 M2 m2p l2 cos2 x3 (k) Metodo 1 2 3 4
EKF 4,3040 4,3797 7,1459 7,1594
de sada e definida como na formula (2), porem li- PF 3,2742 3,5861 6,0865 6,6911
near e dada por FPA-FKEI 2,7137 3,0532 5,8073 6,1775

  6 Conclusoes
1 0 0 0
yk = x + vk . (30) Neste trabalho, um filtro de partculas aliado ao
0 0 1 0 k
filtro de Kalman estendido iterativo (FPA-FKEI)
foi desenvolvido para realizar a estimacao de esta-
A comparacao das tecnicas utilizadas foi rea- dos em sistemas nao lineares com rudos gaussia-
lizada utilizando as metricas e k , as quais sao nos. A metodologia proposta baseia-se em substi-
baseadas na norma RMSE e tem suas formulacoes tuir as duas partculas de menor importancia no

813
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre RS, 1o 4 de Outubro de 2017
Cenrio 1 vergence analysis of extended kalman filter
for sensorless control of induction motor,
IEEE Transactions on Industrial Electronics,
62 (4): 23412352.
Arulampalam, M. S., Maskell, S., Gordon, N. &
k

Clapp, T. (2002). A tutorial on particle fil-


ters for online nonlinear/non-gaussian baye-
sian tracking, IEEE Transactions on signal
FPA-FKEI processing, 50 (2): 174188.
0 200 400 600 800 1000 1200
Cenrio 2 Bell, B. M. & Cathey, F. W. (1993). The itera-
ted kalman filter update as a gauss-newton
FPA-FKEI method, IEEE Transactions on Automatic
Control, 38 (2): 294297.
Cui, Y. & Kavasseri, R. (2015). A particle filter for
k

dynamic state estimation in multi-machine


systems with detailed models, IEEE Transac-
tions on Power Systems, 30 (6): 33773385.
Havlk, J. & Straka, O. (2015). Performance
0 200 400 600 800 1000 1200
evaluation of iterated extended kalman filter
Cenrio 3 with variable step-length, Journal of Physics:
Conference Series, Vol. 659 , IOP Publishing,
FPA-FKEI
p. 012022.
Hu, X., Bao, M., Zhang, X.-P., Guan, L. & Hu,
Y. H. (2015). Generalized iterated kalman
k

filter and its performance evaluation., IEEE


Trans. Signal Processing, 63 (12): 3204
3217.

0 200 400 600 800 1000 1200 Niu, X.-l., Zhao, G.-q., Liu, Y.-h. & Chang, H.
Cenrio 4 (2009). An improvement on the iterated kal-
man filter, Radar Conference, 2009 IET In-
FPA-FKEI ternational, IET, pp. 14.
Sarri, S., Paolone, M., Cherkaoui, R., Borghetti,
A., Napolitano, F. & Nucci, C. A.
k

(2012). State estimation of active distri-


bution networks: comparison between wls
and iterated kalman-filter algorithm integra-
ting pmus, Innovative Smart Grid Techno-
0 200 400 600 800 1000 1200 logies (ISGT Europe), 2012 3rd IEEE PES
k International Conference and Exhibition on,
Figura 5: Evolucao de k para cada cenario obtido atraves IEEE, pp. 18.
de simulacoes de Monte Carlo com 200 realizacoes e relacao
sinal rudo (SNR) de 19 dB (SNR calculado em relacao ao Shademan, A. & Janabi-Sharifi, F. (2005). Sen-
sinal de entrada para os cenarios estacionarios). sitivity analysis of ekf and iterated ekf pose
estimation for position-based visual servoing,
Control Applications, 2005. CCA 2005. Pro-
FP por dois vetores de estados estimados obtidos ceedings of 2005 IEEE Conference on, IEEE,
pelo FKEI a cada iteracao. Resultados de simu- pp. 755760.
lacao, considerando diferentes cenarios, mostram
que a metodologia proposta reduz o erro de esti- Simon, D. (2006). Optimal state estimation: Kal-
macao em relacao ao FKE e ao FP para o sistema man, H, and nonlinear approaches, John
trabalhado. Para pesquisas futuras, podera ser Wiley & Sons.
proposta uma tecnica que leve em consideracao o Zuo, J. & Jia, Y. (2013). Particle filter guided
desconhecimento das estatsticas do rudo. by iterated extended kalman filter, Control,
Referencias Automation and Systems (ICCAS), 2013
13th International Conference on, IEEE,
Alonge, F., Cangemi, T., DIppolito, F., Fa- pp. 16051609.
giolini, A. & Sferlazza, A. (2015). Con-

814