Abstract

Periyodik işaretler Fourier serisi açılımı kullanılarak harmonik bileşenlerinin toplamı cinsinden ifade edilebilmektedir. Periyodik işaretlerin harmonik bileşenlerinin katsayılarını tahmin etmek için son yıllarda literatürde çeşitli sistem tanıma algoritmaları kullanılmıştır. Bu çalışmada periyodik işaretlerin harmonik bileşenlerinin parametrelerini gerçek zamanda tahmin edebilmek için, bir adım Gauss-Seidel iterasyonu kullanılarak elde edilen RGS (Recursive Gauss-Seidel) algoritması önerilmiştir. Tekrarlamalı bir algoritma olan RGS algoritması çevrim-içi parametre tahmini için uygun bir algoritmadır. Yapılan bilgisayar benzetimleriyle, önerilen RGS algoritması harmonik parametrelerinin tahmin edilmesinde kullanılmış ve benzer sistem tanıma algoritmalarıyla karşılaştırmalı olarak incelenmiştir.

References

[1] Jain SK, Singh SN. Harmonics estimation in emerging power system: key issues and challenges. Electr. Power Syst. Res. 2011;81:1754–66.

[2] Stotsky AA. Automotive engines: control, estimation, statistical detection. Berlin, Heidelberg: Springer-Verlag; 2009.

[3] Stotsky A. Towards accurate estimation of fast varying frequency in future electricity networks: the transition from model-free methods to model-based approach. Proc IMechE, Part I: J Syst Control Eng 2016;230:1164–75.

[4] Liu S, Xu L, Ding F. Iterative parameter estimation algorithms for dual-frequency signal models. Algorithms 2017;10:1–13. 

[5] Xu L, Ding F. Iterative parameter estimation for signal models based on measured data. Circuits Syst Signal Process 2018;37:3046–69.

[6] Li X, Ding F. Signal modeling using the gradient search. Appl Math Lett 2013;26:807–13.

[7] Bettayeb M, Qidwai U. Recursive estimation of power system harmonics. Electr Power Syst Res 2008;47:143–52.

[8] Cao Y, Liu Z. Signal frequency and parameter estimation for power systems using the hierarchical identification principle. Math Comput Model 2010;51:854–61.

[9] Alhaj HMM, Nor NM, Asirvadam VS, Abdullah MF, Ibrahim T. Estimation of power system harmonic using modified normalized least mean square. Appl Mech Mater 2015;785:378–82.

[10] Zhou L, Li X, Xu H, Zhu P. Multi-innovation stochastic gradient method for harmonic modelling of power signals. IET Signal Process 2016;10:737–42. 

[11] Xu L, Ding F. Recursive least squares and multi-innovation stochastic gradient parameter estimation methods for signal modeling. Circuits Syst Signal Process 2017;36:1735–53.

[12] Xu L, Xiong W, Alsaedi A, Hayat T. Hierarchical parameter estimation for the frequency response based on the dynamical window data. Int J Control Autom Syst 2018;16:1756–64.

[13] Xu L, Song G. A recursive parameter estimation algorithm for modeling signals with multi-frequencies. Circuits Syst Signal Process 2020;39:4198–224.

[14] Chaudhary NI, Zubair S, Raja MAZ. A new computing approach for power signal modeling using fractional adaptive algorithms. ISA Trans 2017;68:189–202.

[15] Zubair S, Chaudhary NI, Khan ZA, Wang W. Momentum fractional LMS for power signal parameter estimation. Signal Process 2018;142:441–9.

[16] Chaudhary NI, Latif R, Raja MAZ, Machado JAT. An innovative fractional order LMS algorithm for power signal parameter estimation. Appl Math Model 2020;83:703–18.

[17] Stotsky AA. Recursive trigonometric interpolation algorithms. Proc IMechE, Part I: J Syst Control Eng 2010;224:65–77.

[18] Stotsky A. Harmonic regressor: robust solution to least-squares problem. Proc IMechE, Part I: J Syst Control Eng 2013;227:662–8.

[19] Stotsky A. Combined high-order algorithms in robust least-squares estimation with harmonic regressor and strictly diagonally dominant information matrix. Proc IMechE, Part I: J Syst Control Eng 2014;229:184–90.

[20] Hatun M, Koçal OH. Tekrarlamalı Gauss-Seidel yardımcı değişkenler algoritması ile transfer fonksiyonu parametrelerinin yansız tahmini. Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi 2007;12(1):51-9.

[21] Hatun M, Koçal OH. Recursive Gauss–Seidel algorithm for direct self-tuning control. Int J Adapt Control Signal Process 2012;26:435–50.