Dual Kalman Filter Research Articles

A controlled linearized kalman filter for economic forecasting and adaptive modelling

An adaptive controlled forecasting procedure is described, which is specifically tailored to some major restrictions on economic data series and the resulting modelling tasks: (a) the periodically changing content of the economic statistics delivered and changing model structures, are represented by periodically changing transition and measurement equations; (b) jumps in the instrumental variables, decisions and exogenous quantities, are being compensated for by a model-based sensitivity correction; (c) quick model adaptation achieved via recursive estimation (dual Kalman filtering) of an autoregressive relation between all past recent measurements. This forecasting model presents therefore the original feature of being a mixed model-based-and-autoregressive (naive) prediction scheme. Considering a truly non-linear macroeconomic model, and a 20% jump on all instrumental variables, good forecasting performances are demonstrated numerically.

Identificación de un generador de inducción doblemente alimentado basado en el filtro de Kalman en presencia de datos espurios

Este documento presenta una metodología de identificación de un generador de inducción doblemente alimentado(DFIG) en presencia de datos espurios. El DFIG es ampliamente usado en la producción de energía eléctrica a partirdel viento; un problema en el control de estas máquinas, es el cambio en los parámetros del sistema, haciendo queel esquema de control no tenga un óptimo desempeño. Además, si el sistema sensorial no es confiable, se puedeincurrir en que las mediciones contengan datos espurios. Para llevar a cabo la identificación se emplea tres filtros deKalman secuenciales, dos de ellos corresponden al filtro de Kalman dual, el otro corresponde al filtro de Kalman deestadística robusta. La metodología se implementó en Matlab, mostrando que la técnica no se ve afectada por datosespurios, obteniendo errores residuales menores al 1.2% para la identificación del DFIG en presencia de estos datos.