Multi‐innovation stochastic gradient method for harmonic modelling of power signals

Abstract

The harmonic parameter identification and modelling problem for power signals are studied. In order to model power signals, the multi-innovation stochastic gradient (MI-SG) is derived based on the multi-innovation identification theory. The proposed MI-SG algorithm repeatedly uses past innovations by expanding the scalar innovation to the innovation vector and can obtain more accurate parameter estimates than the stochastic gradient algorithm. Finally, the simulation results indicate that the proposed algorithm is effective and has a close estimation accuracy compared with the fast Fourier transform analysis.

Tekrarlamalı Gauss-Seidel Algoritması ile İşaret Modelleme

“…Tekrarlamalı yöntemlerde ise parametre tahminleri her örnekleme aralığında sonra güncellendiği için çevrim-içi (online) uygulamalar için daha uygundur ve parametrelerdeki değişiklikler gerçek zamanlı izlenebilmektedir [7][8][9][10][11][12][13]. Bu amaçla literatürde çeşitli sistem tanıma algoritmaları kullanılmıştır: SG (Stochastic Gradient) algoritması [7], NLMS (Normalized Least Mean Squares) algoritması [9], RLS (Recursive Least Squares) algoritması [7,8], MI-SG (Multi-Innovation Stochastic Gradient) algoritması [10], Newton algoritması [13], FLMS (Fractional Least Mean Squares) algoritmaları [14], ve FLMS algoritmasının değişik versiyonları [15,16], Kaczmarz izdüşüm algoritması [18]. Klasik Jacobi algoritması [18], ve Gauss-Seidel algoritmaları her örnekleme aralığında belirli bir hata değerini sağlayıncaya kadar çoklu iterasyon yapılarak kullanılması, ve yine bunların hızlandırılmış versiyonlarının çoklu iterasyon yapılarak kullanılması işlem yükünü arttırmaktadır [3,19].…”

Support vector machine and higher‐order cumulants based blind identification for non‐linear Wiener models

“…While system characterisation is concerned primarily with setting up mathematical models to represent input–output relationships, system identification deals with the choice of a specific model from a class of models which is mathematically equivalent to a given physical system. System identification is an important approach to model systems and has already been widely researched in practical and theoretical fields, for example, networked systems with unknown parameters and randomly missing outputs [6], modelling of the Duffing oscillator [7], multi‐degree‐of‐freedom (MDOF) systems [8], industrial multistage compressed air system [9], multiscale spatio‐temporal dynamical systems [10], multi‐step ahead predictions [11], tracking control [12], modelling [13] etc. In practice, when linear models fail, non‐linear models, because of their better approximation capabilities, appear to be powerful tools for modelling practical situations.…”