Escolar Documentos
Profissional Documentos
Cultura Documentos
Campinas
2020
Leticia Maria Sathler Vianna
Campinas
2020
Este trabalho é dedicado ao meu pai, José Vianna.
Agradecimentos
A Deus por ter me dado saúde e força para superar todos os desafios encontrados.
Agradeço de forma especial ao meu pai, José, que sempre me incentivou e
esteve presente nesta e em todas as jornadas da minha vida. À minha tia, Maria Garcia,
pelo exemplo de guerreira.
Ao Prof. Dr. Mateus Giesbrecht, meu orientador, por todo apoio e ensinamentos
durante o trabalho.
Ao Prof. Dr. Víctor Costa da Silva Campos, pela amizade, incentivo e apoio
em ingressar neste desafio, mesmo distante se fez imensamente presente.
Aos Profs. Dr. Gilmar Barreto, Dr. Paulo David Battaglin e Dr. Mateus
Giesbrecht por me darem a oportunidade de acompanhá-los e de todo aprendizado durante
o Programa de Estágio Docente na disciplina Laboratório de Máquinas Elétricas.
Aos meus colegas de laboratório pelas várias risadas e cafezinhos.
Aos meus amigos Ricardo, Guilherme, Lucas e Carol por todos os momentos
compartilhados, em especial a Luli por sempre estar ao meu lado durante esse período.
Ao meu namorado David, por todo carinho, cuidado e companheirismo.
Por fim, agradeço a Universidade Estadual de Campinas (Unicamp), ao pro-
grama de pós-graduação da Faculdade de Engenharia Elétrica e de Computação e ao
Departamento de Eletrônica e Engenharia Biomédica (DEEB).
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento
de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001.
“We know what we are, but know not what we may be.“
- William Shakespeare
Resumo
Encontrar modelos matemáticos que descrevam de maneira adequada fenômenos dinâmicos
é de grande importância no âmbito da engenharia, bem como no de outras áreas. Esse
problema pode ser tratado por meio da identificação de sistemas, que pode ser aplicada
quando a modelagem física não é possível de ser realizada, devido à falta de informações
suficientes para descrever o processo. Por outro lado, métodos que permitem a incorporação
de informações prévias do sistema durante o processo de identificação produzem modelos
matemáticos mais precisos. Nesse caso, o sistema possui uma estrutura conhecida e apenas
parte de seus parâmetros desconhecidos. Para estimar tais parâmetros, pode-se realizar
a incorporação dos mesmos no vetor de estados de um modelo matemático em espaço
de estados, possibilitando o uso de observadores de estados no processo de estimação de
parâmetros. Esse procedimento muitas vezes transforma modelos lineares em não lineares.
The present work consists of the particle filter technique application in multivariable
nonlinear dynamic systems state and parameter estimation problems. In some cases, the
systems were originally linear and were transformed into non-linear systems, including
the parameters to be determined in the state vector. In other cases, the systems were
naturally non-linear and still had their state vector extended for parameter estimation. The
filtering technique employed can be used to deal with non-linear systems with non-Gaussian
distributions. Thus, the particle filter was applied in two non-linear electromechanical
systems and in a thermoelectric system. The results obtained, both for state observation
and parameters estimation, were satisfactory, being discussed and illustrated in the work.
Lista de ilustrações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Lista de tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 Objetivos e Justificativas . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.1 Estimações de estados e parâmetros: motor BLDC . . . . . . . . . . . . . 17
1.1.2 Estimações de estados/parâmetros: gerador síncrono . . . . . . . . . . . . 18
1.1.3 Estimação de estados: sistema térmico . . . . . . . . . . . . . . . . . . . . 19
1.2 Organização desta Dissertação . . . . . . . . . . . . . . . . . . . . . . 20
2 PROCESSOS ESTOCÁSTICOS . . . . . . . . . . . . . . . . . . . . 21
2.1 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.2 Operador Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.3 Distribuição de Probabilidade Condicional . . . . . . . . . . . . . . . . . . 26
2.1.4 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Definições e Propriedades dos Processos Estocásticos . . . . . . . . 28
2.2.1 Processos Markovianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 Processo Estocástico Estacionário . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Processo Ergódico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Exemplos de Processos Estocásticos . . . . . . . . . . . . . . . . . . . 32
2.3.1 Ruído Branco Multivariável . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2 Passeio Aleatório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Conclusão Parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 ESTIMADOR BAYESIANO . . . . . . . . . . . . . . . . . . . . . . . 34
3.1 Modelo Estocástico em Espaço de Estados . . . . . . . . . . . . . . . 35
3.2 Estimador Sequencial Bayesiano . . . . . . . . . . . . . . . . . . . . . 35
3.3 Conclusão Parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
14
Capítulo 1
Introdução
resultados melhores que os métodos de identificação caixa preta uma vez que a incorporação
do conhecimento prévio do sistema pode levar a um menor esforço para a obtenção de
modelos com boa acurácia (LJUNG, 1998).
Neste caso, o modelo caixa cinza que descreve o sistema possui parâmetros,
podendo estes serem desconhecidos. Para estimar tais parâmetros pode-se projetar um
algoritmo utilizando um modelo em espaço de estados modificado, no qual os parâmetros
desconhecidos são incorporados ao vetor de estados, podendo funcionar tanto de maneira
off-line quanto on-line (ANDRIEU et al., 2004). Realizando essa modificação no vetor de
estados, podem-se utilizar observadores de estados para a determinação de parâmetros.
Para o caso de um modelo linear, pode-se optar pelo estimador ótimo de mínima variância,
filtro de Kalman (FK). Por outro lado, se o modelo for não linear e sujeito a ruídos que
possam ser modelados com processos estocásticos não gaussianos, uma opção é utilizar o
filtro de partículas.
Os métodos de filtragem de partículas são geralmente aplicados em problemas
que envolvem sistemas altamente não lineares, no qual o objetivo é estimar os estados e/ou
parâmetros desconhecidos do sistema. São conhecidos por diversos nomes, incluindo Filtro
de Monte Carlo, Filtro de Monte Carlo Sequencial (WANG; ZHAO; WANG, 2009). Esse
método é estatístico baseado em probabilidade e no teorema de Bayes (CANDY, 2009).
Nesta dissertação, é apresentada a pesquisa desenvolvida a respeito da aplicação
da filtragem de partículas para a estimação de estados e/ou parâmetros de modelos não
lineares em espaço de estados.
Os problemas estudados e as contribuições desta pesquisa são descritos de
forma resumida a seguir.
Capítulo 2
Processos Estocásticos
2.1 Probabilidade
A teoria moderna da probabilidade teve início com a construção de um conjunto
de axiomas que especificam as propriedades que a probabilidade deve satisfazer. Assim,
dado um experimento aleatório com espaço amostral Ω e F uma família de conjuntos de
Ω definida como σ-álgebra, a lei de probabilidade para o experimento atribui para cada
evento A P F uma medida PpAq, chamada de probabilidade, a qual deve satisfazer os
seguintes axiomas (HSU, 1997; LEON-GARCIA, 2008):
1. PpAq ě 0;
2. PpΩq “ 1;
˜ ¸
8
ď 8
ÿ
3. P Ai “ PpAi q se Ai X Aj “ H para i ‰ j.
i“1 i“1
PpAc q “ 1 ´ PpAq,
PpHq “ 0, (2.1)
0 ď PpAq ď 1
0 1
Se X é discreto, a PMF e a CDF podem ser obtidas uma pela outra por meio
de somatório 2.8 ou subtração 2.9:
k
ÿ
FX pkq “ pX piq, (2.8)
i“´8
dFX
fX pkq “ pxq. (2.11)
dx
– O valor esperado de uma função gpXq com PMF fX pxq é definida por:
ÿ
ErgpXqs “ gpxqfX pxq. (2.16)
x
– O valor esperado de uma função gpXq com PDF pX pxq é definida por:
ż8
ErgpXqs “ gpXqpX pxqdx. (2.19)
´8
pX,Y px, yq
pY |X py|X “ xq “ Ppa ď Y ď b|X “ xq “ , (2.22)
pX pxq
em que pX pxq ą 0.
As funções que compõem os numeradores e denominadores das equações (2.21)
e (2.22) são denominadas PMF/PDF conjunta de X e Y e PMF/PDF marginal X, respecti-
vamente para o caso de variáveis aleatórias discretas e variáveis aleatórias contínuas (KAY,
2006).
As funções condicionais, marginais e conjuntas para variáveis aleatórias discretas
e contínuas apresentam propriedades similares. A seguir serão apresentadas as propriedades
referentes às variáveis aleatórias contínuas, que são facilmente expandidas para o caso de
variáveis aleatórias discretas.
É evidenciado em (2.22), a existência da relação entre as funções PDFs condi-
cionais, marginais e conjuntas. As propriedades entre as funções mencionadas são dadas
por (KAY, 2006):
Capítulo 2. Processos Estocásticos 27
Se uma PDF conjunta pX,Y px, yq é conhecida, então as PDFs condicionais são
obtidas por:
pX,Y px, yq
pY |X py|xq “ ş8 , (2.23)
´8
p X,Y px, yqdy
pX,Y px, yq
pX|Y px|yq “ ş8 , (2.24)
´8
p X,Y px, yqdy
ż8
em que pX pxq “ pX,Y px, yqdy do denominador de (2.22), é decorrente da lei da
´8
probabilidade total, na qual a PDF conjunta gera a PDF marginal (KAY, 2006).
Se a PDF conjunta pX,Y px, yq e as PDFs marginais pX pxq, pY pyq são conhecidas
e sabendo que as PDFs conjuntas se relacionam como:
então a PDF condicional é obtida aplicando (2.26) na pX|Y px|yq desejada, resultando em:
pY |X py|xqpX pxq
pX|Y px|yq “ . (2.27)
pY pyq
Propriedade 2.3 - PDF condicional e sua corresponde PDF marginal produzem a PDF conjunta.
Propriedade 2.4 - PDF condicional e sua corresponde PDF marginal produzem outra PDF
marginal.
pX,Y px, yq
pY |X py|xq “ “ pY pyq. (2.30)
pX pxq
em que pX pxq e pY pyq são as PDFs marginais, pX,Y px, yq a PDF conjunta e pX|Y px|yq a
PDF condicional (KAY, 2006).
A forma estendida do Teorema de Bayes é dada por:
sabendo que
ppxi , xi´1 q
ppxi |xi´1 q “ , (2.36)
ppxi´1 q
Capítulo 2. Processos Estocásticos 30
2.2.2 Momentos
O termo momento foi retirado da física, no qual ErXs é chamado de centro
de massa ou momento de massa (KAY, 2006). Os momentos de um processo estocástico
especificam parcialmente o processo e são definidos como momentos das variáveis aleatórias
em instantes de tempo específicos (LEON-GARCIA, 2008).
Para um determinado processo estocástico, define-se o k-ésimo momento M1,...,k
como sendo a esperança do produto das variáveis aleatórias x1 , . . . , xk , ou seja:
M1,...,k “Erx1 . . . xk s
ż8 ż8
(2.38)
“ ... x1 . . . xk p1,...,k px1 , . . . , xk qdx1 . . . dxk ,
´8 ´8
• Média:
µxt “ Erxt s (2.39)
• Autocovariância:
Rx,x pt, sq “ Erpxt ´ µxt qpxs ´ µxs qs (2.40)
• Covariância cruzada:
• Variância:
Rx,x pt, tq “ σ 2 “ Erpxt ´ µxt qpxt ´ µxt qs (2.42)
subtraídas de sua média antes de realizar o cálculo da esperança, sendo tomado apenas um
processo estocástico em instantes de tempo diferentes. Ou ainda, uma função de covariância
cruzada Rx,y pt, sq, em que a covariância é tomada em dois processos estocásticos distintos
também em instantes de tempo diferentes.
Caso a covariância de um processo estocástico seja tomada no mesmo instante
de tempo, tem-se sua variância, Rx,x pt, tq.
Se a equação (2.43) for satisfeita, então, pode-se dizer que o processo é for-
temente estacionário, uma vez que todos seus momentos não dependem do intervalo de
tempo em que são tomados.
Um processo é fracamente estacionário se apenas seus primeiro e segundo
momentos forem independentes do instante de tempo em que se observa o processo. Para
o primeiro momento, tem-se que a média é uma constante e para o segundo momento a
função de covariância depende somente do intervalo de tempo entre os dois momentos em
que foi tomada e não dos instantes de tempo absolutos. Algebricamente,
• Ervt s “ 0;
#
0 t‰s
• Ervt , vs s “
σv2 t “ s
em que σv é uma constante e seu quadrado é definido como a variância do ruído branco vt .
Uma vez que o ruído branco é formado por variáveis aleatórias descorrelaciona-
das, então sua função de densidade de probabilidade conjunta é dada por:
O ruído branco é um processo markoviano, dado que suas amostras são descor-
relacionadas.
A partir de um ruído branco é possível gerar uma realização de qualquer outro
processo estocástico através de uma filtragem. Ao problema de determinação de um filtro
que gera um processo estocástico qualquer a partir de um ruído branco dá-se o nome de
problema de realização de séries temporais.
em que x0 “ 0.
Então, variando t “ 1, 2, . . . , obtém-se:
x1 “ v1
x2 “ v1 ` v2
.. (2.47)
.
xt´1 “ v1 ` v2 ` . . . ` vt´1
xt “ v1 ` v2 ` . . . ` vt´1 ` vt
Capítulo 2. Processos Estocásticos 33
xt “ xt´1 ` vt , x0 “ 0. (2.48)
Como o passeio aleatório é constituído por ruídos brancos e estes são processos
markovianos, então o passeio aleatório também o é. Assim, o valor do processo em um
instante de tempo seguinte ao atual é determinado apenas pelo valor do processo no
instante atual adicionado a um componente aleatório, conforme a equação (2.48).
O valor esperado do passeio aleatório é dado por:
« ff
ÿt
µxt “ Erxt s “ E vt “ 0, (2.49)
i“1
uma vez que o processo vt é um ruído branco e, portanto, tem média nula. Para os instantes
de tempo s e t, tais que s ă t, a covariância do passeio aleatório é determinado por:
« ff
s
ÿ t
ÿ
Erxs xt s “ E vi vj , (2.50)
i“1 j“1
e como Ervs vt s “ 0 @s ‰ t, os únicos termos que não se anulam são aqueles em que há
um produto dos dois processos estocásticos no mesmo instante de tempo, portanto:
« ff
s
ÿ t
ÿ ÿs
E vi vj “ Ervi2 s “ sσ 2 . (2.51)
i“1 j“1 i“1
Capítulo 3
Estimador Bayesiano
uma vez que não existem medições das observações antes do instante inicial.
Dado o modelo em espaço de estado descrito pelas equações (3.1) e (3.2), para
estimar xk , é necessário encontrar a função de distribuição condicional ppxk |Yk q. Entretanto,
como a estimação ocorre de maneira recursiva, é necessário encontrar, inicialmente, a PDF
condicional ppxk |Yk´1 q, que é a PDF do estado xk dadas as observações até o instante Yk´1 .
Essa PDF é definida como PDF a priori, uma vez que é uma estimativa para o estado no
instante k baseada na informação anterior à ocorrência da medição nesse instante.
A fim de obter a PDF condicional ppxk |Yk´1 q, aplica-se a equação de Chapman-
Kolmogorov, deduzida a seguir:
ż
ppxk |Yk´1 q “ ppxk |xk´1 , Yk´1 qr1s ppxk´1 |Yk´1 qdxk´1 “
˙r1s
ppxk , xk´1 , Yk´1 qr2s
ż ˆ
“ ppxk´1 |Yk´1 qdxk´1 “
ppxk´1 qppYk´1 q
(3.4)
ppxk , xk´1 qppYk´1 qr2s
ż
“ ppxk´1 |Yk´1 qdxk´1 “
ppxk´1 qppYk´1 q
ż
“ ppxk |xk´1 qppxk´1 |Yk´1 qdxk´1 ,
1
pX|Y pxk |yk q “ ppxk |yk q.
Capítulo 3. Estimador Bayesiano 36
em que se considera que a equação de evolução de estados (3.1) é descrita por um processo
Markoviano, então a função de probabilidade condicional resulta em ppxk |xk´1 , Yk´1 q “
ppxk |xk´1 q em (3.4), uma vez que Yk´1 não traz nenhuma nova informação pois é estatisti-
camente independente dos estados.
Para a dedução apresentada em 3.4, foi aplicado o teorema de Bayes nos pares
de sobrescrito r1s e no par r2s e foi considerado que, como os ruídos são supostos i.i.d.,
a probabilidade conjunta – ppxk , xk´1 , Yk´1 q – é igual ao produto entre as probabilida-
des marginais – ppxk , xk´1 q e ppYk´1 q. O modelo probabilístico de evolução do processo
ppxk |xk´1 q é definido por (3.1) e pelas estatísticas conhecidas do ruído de processo νk´1 .
Através de (3.4), é possível escrever ppxk |Yk´1 q dependente de duas outras
PDFs condicionais, ppxk |xk´1 q e ppxk´1 |Yk´1 q, sendo a primeira conhecida e a segunda
possível de ser encontrada recursivamente devido ao conhecimento da condição inicial.
Para encontrar a PDF condicional a posteriori da medição no instante k, ou
seja ppxk |Yk q, primeiramente aplica-se o teorema de Bayes para obter ppxk q
ppxk |Yk´1 qppYk´1 q
ppxk q “ , (3.5)
ppYk´1 |xk q
então a PDF condicional a posteriori é dada por
ppxk , Yk q
ppxk |Yk q “ “
ppYk q
ppYk |xk q
“ ppxk q “
ppYk q
(3.6)
p ppyk , Yk´1 q|xk q ppxk |Yk´1 qppYk´1 q
“ “
ppyk , Yk´1 q ppYk´1 |xk q
ppyk , Yk´1 , xk q ppxk , Yk´1 qppYk´1 q
“ ,
ppxk qppyk , Yk´1 q ppYk´1 qppYk´1 |xk q
em que ppYk q “ ppyk , Yk´1 q uma vez que as observações no instante k são dadas por
Yk “ y1 , . . . , yk´1 , yk .
Multiplicando o numerador e o denominador de (3.6) por ppxk , yk q e utilizando
o teorema de Bayes, tem-se:
ppyk , Yk´1 , xk qr1s ppxk , Yk´1 qr2s ppYk´1 qr4s ppxk , yk qr3s
ppxk |Yk q “ “ (3.7)
ppxk qr3s ppyk , Yk´1 qr4s ppYk´1 qr2s ppYk´1 |xk q ppxk , yk qr1s
prYk´1 |pxk , yk qsr1s ppxk |Yk´1 qr2s ppyk |xk qr3s
“ , (3.8)
ppyk |Yk´1 qr4s ppYk´1 |xk q
os sobrescritos com mesma numeração na equação (3.7) são os pares que quando utilizado
o teorema de Bayes resultam em (3.8).
Como yk é uma função de xk , então prYk´1 |pxk , yk qs “ ppYk´1 |xk q. Assim,
ppyk |xk qppxk |Yk´1 q
ppxk |Yk q “ . (3.9)
ppyk |Yk´1 q
Capítulo 3. Estimador Bayesiano 37
Todas as PDFs à direita de (3.9) são conhecidas. A PDF ppyk |xk q é dada pela
função hk p¨q e pelo ruído ηk , que, por hipótese, também tem distribuição conhecida. A
PDF ppxk |Yk´1 q é dada por (3.4) e depende apenas da transição de estado, que é conhecida,
e da estimativa ppxk´1 |Yk´1 q, calculada no passo anterior do algoritmo. Portanto, se a
estimativa inicial ppx0 |Y0 q for conhecida, é possível chegar recursivamente a ppxk |Yk´1 q. A
PDF ppyk |Yk´1 q é encontrada por:
ż
ppyk |Yk´1 q “ prpyk , xk q|Yk´1 sdxk “
ż (3.10)
“ ppyk |xk , Yk´1 qppxk |Yk´1 qdxk .
na qual ambas PDFs são conhecidas. Então, é possível encontrar a PDF a posteriori, dada
por
ppyk |xk qppxk |Yk´1 q
ppxk |Yk q “ ş . (3.12)
ppyk |xk qppxk |Yk´1 qdxk
Capítulo 4
4.1 Motivação
Seja um exemplo em que se deseja estimar a probabilidade de que o resultado
do lançamento de um dado justo com seis faces resulte na face 1, sendo este o sucesso do
lançamento. Assim, a variável aleatória X associada ao lançamento é tal que se sair a face
1 tem-se Xp1q “ 1, senão Xp2, 3, 4, 5, 6q “ 0 e a probabilidade de sucesso é dada por:
1
p “ P pXp1qq “ . (4.1)
6
Se este dado for lançado n vezes, sendo que para cada resultado associa-se um
peso unitário ω, uma possível estimativa dos sucessos é calcular a proporção de sucessos
na amostra:
xω
p̂ “ , (4.2)
n
em que x é o número de sucessos da amostra e a variável aleatória associada aos resultados
do experimentos X possui distribuição Binomial X „ Bpn, pq. Portanto, devido as propri-
Capítulo 4. Amostragem por Importância 39
n “ 2000,
em que o coeficiente de varição é dado pela razão entre o desvio padrão da estimativa,
raiz quadrada da variância, e sua média. Assim, são necessários 2000 experimentos para
atingir o coeficiente desejado.
Para reduzir o número de lançamentos necessários para um mesmo cv , pode-se
considerar um dado viciado, em que as faces 2 e 3 são substituídas pela face 1. Isso aumenta
a probabilidade de sucesso para pviciado “ 1{2, e deve-se atribuir pesos diferentes quando
o resultado for a face 1. Assim, para o caso em que Xp1q o peso será de ωviciado “ 1{3 e
para os demais casos atribui-se um peso nulo. Substituindo em 4.3 e 4.4, o peso ωviciado e
a probabilidade pviciado , obtêm-se os valores da esperança e da variância de p̂viciado :
1
Erp̂viciado s “ . (4.6)
6
1
V arpp̂viciado q “ . (4.7)
36n
Capítulo 4. Amostragem por Importância 40
n “ 400.
( | )
( | )
( )
Capítulo 5
partículas (SIMON, 2006; WANG; ZHAO; WANG, 2009). A proposta inicial do filtro,
como apresentado em Simon (2006), investigava as propriedades do conjunto de partículas
em vez das propriedades de densidades de probabilidade. Para exemplificar o método, foi
utilizada uma analogia com o jogo de cartas de baralho paciência. A probabilidade de
sucesso em um jogo de paciência pode ser analiticamente inacessível. Uma abordagem mais
prática seria produzir um grande número de experimentos e depois examinar a proporção
relativa aos sucessos.
O filtro de partículas é um método sequencial de Monte Carlo fundamentado
em simulações para a estimação sequencial da função de densidade de probabilidade a
posteriori. O filtro utiliza a técnica de amostragem por importância e aproximações da
distribuição por medidas aleatórias discretas (DOUCET; FREITAS; GORDON, 2001;
CANDY, 2009). A ideia fundamental é representar a distribuição a posteriori por meio de
um conjunto de amostras aleatórias Np , as partículas, com pesos associados a cada uma
delas, e então computar as estimações de Monte Carlo.
Portanto, a filtragem de partículas é uma técnica para a implementação do
estimador sequencial bayesiano por simulação de Monte Carlo. É frequentemente utilizada
como alternativa para algumas derivações do filtro de Kalman para sistemas não lineares,
uma vez que o filtro de partículas pode ser aplicado a modelos altamente não lineares e/ou
distribuições envolvendo variáveis não gaussianas, sem a necessidade de linearização do
modelo (THEODORIDIS, 2015; CANDY, 2009).
,8
Partícula
Pesos
,8
Número de Partículas
x´ `
k,i “ fk´1 pxk´1,i , νk´1,i q, i “ 1, . . . , Np , (5.1)
em que νk´1,i é o vetor de ruído gerado aleatoriamente com base na função de distribuição
conhecida de νk´1 e o sobrescrito ´ indica a distribuição a priori. Esse passo representa
a distribuição a priori das partículas. Essa distribuição recebe esse nome pois é uma
estimativa para o estado no instante k feita antes da observação da saída yk .
Uma vez obtidos os valores da distribuição a priori, são computadas as dis-
tribuições de probabilidade condicional relativas a cada partícula x´ k,i , isto é, evolui-se a
´
PDF ppyk |xk,i q, referente a evolução da equação de observação. Isto só é possível quando a
equação de observação hk p¨q e a PDF do ruído de medição ηk são conhecidos, o que é uma
hipótese adotada no algoritmo.
Então são realizados os cálculos dos pesos de importância wk,i para cada
partícula x´k,i condicionada à observação yk , os quais são estimativas do p{q de (4.12).
Entretanto, como p não é conhecida, é realizado o cálculo do peso através da verossimilhança,
em que projeta-se qual será o valor do estado xi do instante de k ` 1 e compara-se a saída
calculada com o estado estimado com a saída do instante atual k. Nesta etapa é escolhida
a função de distribuição de densidade de importância que melhor caracteriza a distribuição
do modelo. Por exemplo, se os ruídos do modelo tiverem distribuição gaussiana, então
utiliza-se uma densidade de importância com PDF gaussiana. Posteriormente, os pesos
são normalizados.
Capítulo 5. Método de Monte Carlo 48
instante de tempo k ´ 1 com as amostras txk´1,i u que possuem uma aproximação da PDF
ppxk´1 |Yk´2 q. Para cada partícula, são calculados os pesos de importância utilizando as
informações do instante k ´ 1, resultando nos pesos txk´1,i , wk´1,i u. Posteriormente, é
realizado o passo de reamostragem que seleciona as melhores partículas, txk´1,i u e então é
feita a amostragem que resulta na PDF a posteriori, txk,i u.
No entanto, a reamostragem pode causar o empobrecimento das soluções, uma
vez que as partículas com pesos elevados são selecionadas diversas vezes, sendo mais
agravante para casos em que os ruídos de processo são pequenos (ARULAMPALAM et
al., 2002). Para evitar esse tipo de problema, que ocorre quando se realiza a estimação de
parâmetro no qual o ruído de processo é nulo, por exemplo, é importante inserir um ruído
ao parâmetro, uma vez que se isso não for feito a dinâmica do parâmetro será fixa e as
soluções podem ficar retidas em uma solução local ou mesmo em uma solução precoce.
5.2 Reamostragem
5.2.1 Multinomial
O método de reamostragem multinomial consiste em gerar i “ 1, . . . , Np
números aleatórios independentes, tuk,i uNi“1 , com distribuição uniforme uk,i „ Up0, 1q e
p
então realizar o cálculo da probabilidade acumulada dos pesos wk,i , somando um por vez,
até que o resultado acumulado seja maior que uk,i . Isto é:
i´1
ÿ i
ÿ
wk,m ă uk,i ď wk,m , (5.2)
m“1 m“1
assim, quando a condição acima for satisfeita a i-ésima partícula xk,i é selecionada e
amostrada. A probabilidade de selecionar a xk,i amostra é a mesma que uk,i estar no
intervalo limitado pela soma acumulada dos pesos normalizados (SIMON, 2006; LI; BOLIC;
DJURIC, 2015).
A variação do número de vezes que uma partícula é reamostrada pode ser redu-
zida utilizando, por exemplo, os métodos de estratificação e amostragem determinística (LI;
BOLIC; DJURIC, 2015).
5.2.2 Sistemática
A reamostragem sistemática divide toda a população de partículas Np em
subpopulações 1{Np , isso garante que um único deslocamento aleatório será utilizado
para escolher a amostra (LI; BOLIC; DJURIC, 2015). O método é baseado em uma
técnica ordenada na qual um conjunto de variáveis uniformes ordenadas por Np são
geradas tuk,i uN
i“1 . Para tal uk,1 é dado por uma distribuição uniforme uk,1 „ U p0, 1{Np q e
p
e então realiza-se o cálculo do delimitador (5.2) baseado na soma acumulada dos pesos
normalizados. Assim, quando a condição for satisfeita a i-ésima partícula xk,i é selecionada
e amostrada (LI; BOLIC; DJURIC, 2015; CANDY, 2009).
Este tipo de reamostragem proporciona uma estimativa razoável da média,
devido à distribuição uniforme da amostra em relação a população, sendo executada, em
sua maioria, com maior rapidez e menor custo em relação a uma reamostragem aleatória,
como a reamostragem multinomial.
Capítulo 5. Método de Monte Carlo 51
Tabela 1 – Erros Quadráticos Médios para filtros de partículas com diferentes números de
partículas e para o filtro de Kalman.
Filtro de Kalman FP Multinomial FP Sistemática
Np – 10 100 1000 10 100 1000
Ts (s) 0,43 2,62 22,66 273,48 2,26 20,75 214,55
Ỹ1 0,64 0,53 0,43 0,41 0,50 0,49 0,49
Ỹ2 0,43 0,42 0,42 0,42 0,42 0,42 0,42
Ỹ3 0,77 0,63 0,62 0,61 0,61 0,62 0,62
Poderiam ter sido feitas as estimações das matrizes de covariância dos ruídos
de medição e de observação (DURBIN; KOOPMAN, 2012), para a obtenção de melhores
estimações, entretanto, utilizando valores aleatórios para ambas, obtiveram-se resultados
razoáveis, apesar de não ótimos, como apresentados anteriormente.
É importante ressaltar que o filtro de Kalman é um estimador ótimo quando
alguns fatores são satisfeitos, tais como os valores dos estados iniciais, a matriz de
covariância P̂ inicializados com valores exatos e as matrizes de covariância dos ruídos
consideradas com valores adequados, o que não ocorreu neste trabalho, ocasionando maiores
valores de erros quando comparado com a filtragem de partículas, como apresentado na
Tabela 1.
Capítulo 5. Método de Monte Carlo 53
Capítulo 6
em que
L ´ Rak ∆t ke ∆t ∆t
» fi
iak ´ ωmk ` Vk
fk pxk , uk q “ – L L L fl (6.8)
Rak
é a função não linear de evolução de estados, com
” ıT ” ı
uk “ ωmk Vk , yk “ iak (6.9)
e
” ı
C“ 1 0 (6.10)
6.1.1.1 Resultados
Tabela 2 – Erros Quadráticos Médios para diferentes números de partículas com Reamos-
tragem Multinomial.
Np EQM de Ia (A) Tempo de execução (s) Tempo de execução por amostra (ms)
100 0,0249 22,850 4,1545
500 0,0207 153,247 27,863
1000 0,0200 255,453 46,446
5000 0,0196 1480,201 269,127
Tabela 3 – Erros Quadráticos Médios para diferentes números de partículas com Reamos-
tragem Sistemática.
Np EQM de Ia (A) Tempo de execução (s) Tempo de execução por amostra (ms)
100 0,0241 12,978 2,359
500 0,0201 55,660 10,120
1000 0,0198 113,137 20,570
5000 0,0195 566,332 102,969
Tabela 4 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula com Rea-
mostragem Multinomial para diferentes números de partículas, antes e depois
da falha.
Np R̄aSF (Ω) R̄aCF (Ω)
100 1,2551 1,1373
500 1,2541 1,1328
1000 1,2537 1,1322
5000 1,2530 1,1320
Tabela 5 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula com Rea-
mostragem Sistemática para diferentes números de partículas, antes e depois
da falha.
Np R̄aSF (Ω) R̄aCF (Ω)
100 1,2519 1,1305
500 1,2539 1,1308
1000 1,2522 1,1307
5000 1,2523 1,1308
Falha
Falha
em que:
„ fi
ωr rs
»
∆tωb vq ´ Ψd ` pΨmq ´ Ψq q
— „ ωb xls ffi
ωr rs
— ffi
—∆tωb vd ´ Ψq ` pΨmd ´ Ψd q ffi
— ffi
— „ ωb xls ffi
rkq
— ffi
— ∆tωb vkq ` pΨmq ´ Ψkq q
— ffi
(6.13)
ffi
fk pxk , uk q “ — „ xlkq ffi
rf q
— ffi
— ∆tωb vf d ` pΨ md ´ Ψf d q
— ffi
ffi
— „ x lf q ffi
rkd
— ffi
— ∆tωb vkd ` pΨmd ´ Ψkd q
— ffi
ffi
– xlkd fl
ωb ωr ´ ωs
6.1.2.2 Resultados
0.5 0.5
0 0
-0.5 -0.5
Medido Medido
Estimado Estimado
-1 -1
2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16 2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16
0.04
0.5
0.02
0
0
-0.5
Medido -0.02 Medido
Estimado Estimado
-1 -0.04
2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16 2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16
Instante de tempo tk (s) Instante de tempo tk (s)
1.04 0.04
Corrente ikd (p.u.)
Corrente ifd (p.u.)
1.02 0.02
1
0
0.98
-0.02
0.96
Medido
Estimado
buídos conforme distribuição gaussiana ppx0 q „ N p0; 0, 1q. Durante o processo de filtragem
apenas as medições realizadas nos terminais da armadura durante o regime permanente
foram consideradas, além de terem sido inseridos ruídos de observação e de processo aos
sinais medidos, ηk „ N p0; 0, 09q e νk „ N p0; 0, 05q respectivamente, com a finalidade de
representar um caso mais próximo da realidade. Por fim, foram realizados os cálculos das
médias das distribuições obtidas, a fim de definir os estados estimados. Nas figuras 11 e 12
são apresentadas as estimações dos estados por meio da filtragem de partículas SIR com
5000 partículas, utilizando reamostragem multinomial.
Das figuras 11, nota-se que as estimativas apresentaram comportamento similar
aos valores observados. Na Figura 12, verifica-se uma pequena variação existente entre os
valores real e o estimado para o ângulo de carga, entretanto esta variação não é significativa
no que diz respeito a estabilidade, uma vez que não ultrapassa as margens técnicas de
estabilidade (KUNDUR; BALU; LAUBY, 1994).
6.1.2.4 Resultados
Para a obtenção dos estados e dos parâmetros do sistema foi utilizado um filtro
de partículas do tipo SIR, com reamostragem multinomial, utilizando 5000 partículas.
O modelo em espaço de estados utilizado é dado por:
em que
„ fi
ωr rs
»
∆tωb vq ´ Ψd ` pΨmq ´ Ψq q
— „ ωb xls ffi
ωr rs
— ffi
—∆tωb vd ` Ψq ` pΨmd ´ Ψd q ffi
— ffi
— ωb „ xls ffi
rs
— ffi
∆tωb v0 ´ Ψ0
— ffi
— ffi
— „ x ls ffi
r
— ffi
— ∆tωb vkq ` kq pΨmq ´ Ψkq q
— ffi
ffi
— „ x lkq ffi
rf q (6.20)
— ffi
fk pxk , uk q “ —
— ∆tωb vf d ` pΨmd ´ Ψf d q
ffi
ffi
— „ xlf q ffi
rkd
— ffi
— ∆tωb vkd ` Ψ
— ffi
pΨ md ´ kd q ffi
— xlkd ffi
— ωb ffi
— pT L ´ T e q ffi
—
— 2H ffi
ffi
—
— ωb ωr ´ ωs ffi
ffi
xmq
— ffi
– fl
xmd
é a função não linear de evolução de estados e
1
» fi
— xls pΨq ´ Ψmq q ffi
— 1 ffi
— pΨ d ´ Ψ q
md ffi
ffi
x
—
— ls
1
ffi
Ψ
— ffi
0
— ffi
x
(6.21)
— ls
ffi
hk pxk q “ — 1
ffi
pΨkq ´ Ψmq q ffi
— ffi
— xkq
—
ffi
— 1 ffi
— pΨf d ´ Ψmd qffi
— xf d
— ffi
– 1
ffi
fl
pΨkd ´ Ψmd q
xkd
é a função não linear de evolução de processo, com os respectivos vetores de entradas,
observações e estados
” ıT
uk “ v q v d v 0 0 v f d 0 , (6.22)
” ıT
yk “ iq id i0 ikq if d ikd , (6.23)
” ıT
xk “ Ψq Ψd Ψ0 Ψkq Ψf d Ψkd ωr δ xmq xmd , (6.24)
Capítulo 6. Resultados da Aplicação do Filtro de Partículas 65
Velocidade do Rotor
(p.u.)
Medido Medido
Estimado Estimado
(a) Estimação do ângulo de carga δk (rad). (b) Estimação da velocidade do rotor ωr,k (p.u.).
(p.u.)
q-axis Reatância de
Magnetização
Magnetização
Medido
Estimado Medido
Estimado
(a) Estimação da reatância de magnetização xmd (b) Estimação da reatância de magnetização xmq
(p.u.). (p.u.).
por
˜ ¸
´ px5 ´ θi q2
µi px5 q “ exp , (6.25)
2σi2
µi px5 q
hi px5 q “ řr , (6.26)
ℓ“1 µℓ px5 q
” ıT ” ıT
uk “ Vk , yk “ T1k T5k (6.30)
e
« ff
1 0 0 0 0
C“ (6.31)
0 0 0 0 1
a matriz de saída do sistema, Tp¨q são as temperaturas dos sensores e V a tensão aplicada.
Já as matrizes Ai e Bi do sistema foram retiradas de (PEREIRA et al., 2018).
6.2.0.1 Resultados
Tabela 7 – Erros Quadráticos Médios para diferentes números de partículas com Reamos-
tragem Multinomial em ˝ C.
Tabela 8 – Erros Quadráticos Médios para diferentes números de partículas com Reamos-
tragem Sistemática em ˝ C.
Nas figuras 16 e 17 são apresentadas as estimações dos estados por meio dos
filtros de partículas SIR, utilizando reamostragem multinomial e reamostragem sistemática,
com 1000 partículas, e por meio do observador Fuzzy, retirado de (PEREIRA et al., 2018;
VIANNA et al., 2019a). Nos filtros de partículas, foram adicionados ruídos de processo
do tipo branco e gaussiano com o objetivo de representar as incertezas à equação de
evolução de estados, η k „ N p0; 0, 0156q, e após a filtragem foram realizados os cálculos das
médias das distribuições obtidas, a fim de definir os estados estimados. Os estados iniciais
para ambas as técnicas foram supostos distribuições gaussianas ppx0 q „ N p0; 1q. Maiores
informações sobre o observador Fuzzy podem ser encontradas no trabalho de (PEREIRA
et al., 2018).
Os estados T1 e T4 , nas figuras 16(a) e 17(b), apresentam dinâmicas diferentes
dos demais por estarem localizados na parte externa na câmara, como pode ser observado
na Figura 15.
Para estados não medidos, ou seja, T2 , T3 e T4 o filtro de partículas com
reamostragem sistemática teve um erro menor que o filtro de partículas com reamostragem
multinomial e que o TS, apesar de apresentar um maior tempo de execução. Por fim, o
erro para estados medidos foi sempre menor que para estados não medidos.
Capítulo 6. Resultados da Aplicação do Filtro de Partículas 69
35 50
Medido Medido
34
Estimador FP Multinomial 45 Estimador FP Multinomial
33 Estimador FP Sistemática Estimador FP Sistemática
Observador Fuzzy Observador Fuzzy
40
32
(°C)
(°C)
k
31
k
35
2
1
30
Temperatura T
Temperatura T
30
29
28 25
27 20
26
15
25
24 10
0 2000 4000 6000 8000 10000 0 2000 4000 6000 8000 10000
Tempo t k (s) Tempo t k (s)
50 35
Medido Medido
45 Estimador FP Multinomial Estimador FP Multinomial
Estimador FP Sistemática Estimador FP Sistemática
Observador Fuzzy Observador Fuzzy
40
(°C)
(°C)
30
k
k
35
3
4
Temperatura T
30 Temperatura T
25
25
20
15
10 20
0 2000 4000 6000 8000 10000 0 2000 4000 6000 8000 10000
Tempo t k (s) Tempo t k (s)
45
Medido
Estimador FP Multinomial
40 Estimador FP Sistemática
Observador Fuzzy
(°C)
35
k
5
Temperatura - T
30
25
20
15
0 2000 4000 6000 8000 10000
Tempo t k (s)
(c) T5k
Capítulo 7
Referências
ANDRIEU, C.; DOUCET, A.; SINGH, S. S.; TADIC, V. B. Particle methods for change
detection, system identification, and control. Proceedings of the IEEE, IEEE, v. 92, n. 3,
p. 423–438, 2004. Citado na página 16.
CAO, B.; MA, C.; LIU, Z. A Fine Resampling algorithm for general particle filters. In:
IEEE. 2011 4th International Congress on Image and Signal Processing. Shanghai, China,
2011. v. 5, p. 2695–2699. Citado na página 49.
CHENG, D.; CHU, X.; ZHANG, W.; LIU, Y.; HOU, Y. Application of particle filter
to parameter identification of space thermal model. In: IEEE. 2014 10th International
Conference on Natural Computation (ICNC). Xiamen, China, 2014. p. 589–593. Citado 3
vezes nas páginas 19, 48 e 49.
CHENG, D.; ZHANG, W.; LIU, J. Window-varying particle filter for parameter identifica-
tion of space thermal model. IEEE Transactions on Instrumentation and Measurement,
IEEE, v. 66, n. 1, p. 165–176, 2017. Citado 3 vezes nas páginas 19, 48 e 49.
KAY, S. Intuitive probability and random processes using MATLAB
. R USA: Springer
Science & Business Media, 2006. Citado 6 vezes nas páginas 26, 27, 28, 30, 39 e 42.
KULEUVEN. DaISy: Database for the Identification of Systems. 2019. Disponível em:
<http://homes.esat.kuleuven.be/~smc/daisy/daisydata.html>. Citado na página 51.
KUNDUR, P.; BALU, N. J.; LAUBY, M. G. Power System Stability and Control. New
York: McGraw-hill, 1994. v. 7. Citado na página 63.
LI, T.; BOLIC, M.; DJURIC, P. M. Resampling Methods for Particle Filtering: Classifica-
tion, implementation, and strategies. IEEE Signal Processing Magazine, IEEE, v. 32, n. 3,
p. 70–86, May 2015. Citado 2 vezes nas páginas 49 e 50.
LJUNG, L. System Identification: Theory for the user. New Jersey: Prentice Hall, 1998.
672 p. Citado na página 16.
OWEN, A. B. Monte Carlo theory, methods and examples. [S.l.]: Stanford University, 2013.
Citado 2 vezes nas páginas 41 e 44.
PROGOVAC, D.; WANG, L. Y.; YIN, G. Parameter estimation and reliable fault detection
of electric motors. Control Theory and Technology, Springer Science and Business Media
LLC, v. 12, n. 2, p. 110–121, may 2014. Citado na página 17.
RISTIC, B. Particle filters for random set models. 1. ed. London: Springer-Verlag New
York, 2013. v. 798. ISBN 978-1-4614-6316-0. Citado 2 vezes nas páginas 37 e 44.
SEN, P. Principles of Electric Machines and Power Electronics. New York: Wiley, 2013.
ISBN 9781118078877. Citado na página 54.
SETIAWAN, N.; MUSTIKA, I. W.; CAHYADI, A. I.; FIKRI, M. State space modeling of
thermal in a room for temperature estimation in wireless sensor network. In: 2017 2nd
International conferences on Information Technology, Information Systems and Electrical
Engineering (ICITISEE). Yogyakarta, Indonesia: IEEE, 2017. Citado na página 19.
SHUMWAY, R. H.; STOFFER, D. S. Time series analysis and its applications: with R
examples. Second. Switzerland: Springer, 2006. Citado na página 15.
SIMON, D. Optimal state estimation: Kalman, H8 , and nonlinear approaches. New Jersey:
John Wiley & Sons, 2006. Citado 5 vezes nas páginas 22, 35, 45, 50 e 56.
TAKAGI, T.; SUGENO, M. Fuzzy identification of systems and its application to modeling
and control. IEEE Transactions on Systems, Man, and Cybernetics, SMC-15, n. 1, p.
116–132, jan/feb 1985. Citado na página 66.
WANG, D.; ZHAO, J.; WANG, W. Particle filter based robust mobile robot localization.
In: IEEE. International Conference on Mechatronics and Automation, 2009. ICMA 2009.
Changchun, China, 2009. p. 817–821. Citado 2 vezes nas páginas 16 e 45.
WANG, S.; GAO, W.; MELIOPOULOS, A. P. S. An alternative method for power system
dynamic state estimation based on unscented transform. IEEE Transactions on Power
Systems, Institute of Electrical and Electronics Engineers (IEEE), v. 27, n. 2, p. 942–950,
may 2012. Citado na página 18.
XU, Y.; XU, K.; WAN, J.; XIONG, Z.; LI, Y. Research on Particle Filter Tracking Method
Based on Kalman Filter. In: IEEE. 2018 2nd IEEE Advanced Information Management,
Communicates, Electronic and Automation Control Conference (IMCEC). Xi’an, China,
2018. p. 1564–1568. Citado na página 48.
ZHANG, H.; XIE, W.; LI, L. The Constrained Extended Kalman Particle Filter. In: IEEE.
2018 14th IEEE International Conference on Signal Processing (ICSP). Beijing, China,
2018. p. 99–102. Citado na página 49.
ZHU, Y.; OVERSCHEE, P. van; MOOR, B. de; LJUNG, L. Comparison of three classes
of identification methods. IFAC Proceedings Volumes, Elsevier, v. 27, n. 8, p. 169–174,
1994. Citado na página 51.