haku: @instructor Riihonen, Taneli / yhteensä: 9
hakutulos-lista
viite: 2 / 9
« edellinen | seuraava »
Tekijä:Kashyap, Neelabh
Työn nimi:Novel resource-efficient algorithms for state estimation in the future grid
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2012
Sivut:[7] + 66      Kieli:   eng
Koulu/Laitos/Osasto:Signaalinkäsittelyn ja akustiikan laitos
Oppiaine:Signaalinkäsittelytekniikka   (S-88)
Valvoja:Werner, Stefan
Ohjaaja:Riihonen, Taneli
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201209213147
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  857   | Arkisto
Avainsanat:smart grid
state estimation
power systems
kalman filtering
set-membership adaptive filtering
Tiivistelmä (eng): The purpose of this study is to examine the challenges and opportunities presented by the evolution of the legacy grid into a smart grid within a framework relevant to signal processing research.
The focus here is on the application of statistical signal processing techniques to design new algorithms for state estimation which is a key function in the supervisory control and planning of power grids.
To begin with, two resource-efficient forecasting-aided state estimation algorithms are developed which can combine measurements from both the traditional measurement devices as well as the newer measuring devices known as phasor measurement units and operate on them optimally in order to arrive at an estimate of the system state.

The ability of the algorithms to track the evolution of the state vector in time is verified using a computer simulation and their statistical performance with respect to the root mean-squared error is studied.
Since concentrating the state estimation function at a single point to monitor a large interconnection leads to huge communication and computational overhead, a more feasible approach is to distribute the state estimation function throughout the interconnection.
An on-demand, distributed estimation scheme which features event-triggered communication is developed herein to reduce the communication and computational overhead associated with distributed estimation in large systems.
This technique is derived from a cutting-edge signal processing paradigm known as set-membership adaptive filtering.
The performance of the new algorithm is studied using computer simulations and comparisons are drawn to existing adaptive filtering methods like the recursive least-squares method.
ED:2012-05-23
INSSI tietueen numero: 44621
+ lisää koriin
« edellinen | seuraava »
INSSI