Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Este artculo contiene una descripcin acerca del algoritmo
desarrollado por Rodolf Kalman. Primero se darn unos
conocimientos bsicos y necesarios para la compresin del
filtro de Kalman, posteriormente se realizar un ejemplo para
una mejor comprension.
Palabras clave: filtros de kalman, algoritmo.
I.
Introduccin
(1)
con una medida z correspondiente a la observacin y
perteneciente a Rm que es:
(2)
II.
Estimaciones estocsticas
III.
El filtro de Kalman
(7)
(8)
(3)
La diferencia
se llama comnmente innovacin
de la medida o simplemente residuo y refleja la discrepancia
entre la prediccin de la medida
y la observacin actual
. La matriz K llamada ganancia de Kalman o factor de
mezcla establece la cantidad de influencia del error entre
nuestra estimacin y la medida:
(9)
La descripcin del filtro de Kalman con sus ecuaciones puede
verse en el siguiente diagrama.
(4)
Siendo
el estimador de la covarianza del error a priori y R
la covarianza del error medido. Vemos que si R se aproxima a
0, la ganancia ponderar el residuo con mayor peso. Por el
contrario, cuando
se aproxime a 0, la ganancia ponderar
menos el residuo(Rodrguez, 2003).
Otra forma ms intuitiva de ver la ponderacin de K, es que
cuando la covarianza del error de medida R se aproxime a 0,
tendremos ms confianza en la observacin actual
,
mientras que la medida predicha
perder confianza en la
misma medida. Por otra parte, cuando el estimador de la
covarianza del error a priori
se aproxime a 0 se perder
confianza en la medida y la de la medida predicha
se incrementar.
El filtro de Kalman estima variables de estado de un proceso
con realimentacin.Calcula el estado del proceso en algn
instante y entonces obtiene informacin (se realimenta) de la
medida. Por tanto, las ecuaciones del filtro se pueden
clasificar en dos tipos: actualizacin del tiempo y
actualizacin de las medidas. Las primeras son responsables
de proyectar hacia el futuro los estimadores del estado actual y
de la covarianza del error, para obtener los estimadores a
priori del siguiente estado. Las ecuaciones de actualizacin de
las medidas son responsables de la realimentacin,
incorporando una nueva medida a los estimadores a priori para
obtener unos estimadores a posteriori mejorados. Las
ecuaciones de actualizacin del tiempo pueden ser
interpretadas como ecuaciones de prediccin, mientras que las
de actualizacin de la medida pueden pensarse como
ecuaciones de correccin. Las ecuaciones especficas para las
actualizaciones del tiempo y la medida son respectivamente
(Rodrguez, 2003).:
(5)
(6)
IV. Ejemplo
En este estudio, con el fin de mostrar la aplicabilidad del
filtrado de Kalman para la estimacin hidrolgica, se presenta
un ejemplo en el cual se estiman los gastos de una cuenca
ficticia conociendo la siguiente informacion.
Est. 1
Est. 2
Est. 3
Ph(mm)
Ph(mm)
Q(m3/s)
1.2
15.682
46.3
2.5
13.591
28.5
51.8
32.885
9.1
16.3
40.178
62
36.2
39.221
7.4
23.1
51.814
1.5
1.5
44.199
0.4
0.2
40.153
0.8
2.2
29.514
2.5
1.2
27.729
36.615
18.5
9.3
26.167
26.357
23.91
Est. 3
(12)
A(n+nQ,n+nQ)= Matriz identidad, sus dimensiones dependen
de la informacion considerada en un lapso anterior, en este
caso de los registros previos de lluvia a considerar n y de los
caudales en un paso anterior medidos en tiempo real nQ.
Q(m3/s)
20.445
27.378
20.889
16.528
13.821
12.552
17.808
27.163
15.505
23.394
26.991
21.221
16.863
25.423
(13)
Q(n+nQ,n+nQ)= Matriz de covarianza de la perturbacion del
proceso. Para el presente trabajo es considerada como una
matriz de ceros, de dimensiones (n+nQ,n+nQ). La matriz es
nula debido a que no se considera un error en el proceso, es
decir, se acepta que la funcion de respuesta calculada no
presenta error.
Con las ecuaciones anteriores es posible obtener el primer
pronostico de la funcion de respuesta del sistema, asi como de
la matriz de covarianza.
Una vez obtenida la funcion de respuesta, el pronstico de
los caudales es realizado a traves de la ecuacion es:
(14)
Donde
(11)
(18)
Donde
es la funcion de respuesta corregida o bien
actualizada.
(15)
Donde:
= Matriz de covarianza del error estimada con anterioridad
en las ecuaciones de prediccion.
H(1,n+nQ)= Vector que contiene los valores de caudal nQ y
precipitacion n medidos en el lapso anterior al analizado.
R= Matriz de covarianza de la perturbacion de la medicion.
Para el caso del presente trabajo, estara representada por
, donde
es una constante de proporcionalidad
que representa un error constante igual a una fraccion del
caudal medido en el tiempo anterior k-1.
Actualizacin del pronstico con base en las mediciones
actuales zk
(16)
Donde:
= Pronostico de la funcion de respuesta, corregida
considerando las nuevas mediciones en el sistema.
K= Ganancia de Kalman que permite realizar la correccion en
el nuevo pronostico (fue definida en el paso anterior).
Zk= Caudal real, medido en el momento k analizado. tomado
directamente del registro de la estacion hidrometrica.
= Primera estimacion del estado (funcion de respuesta de la
cuenca), obtenido en la primera etapa de la aplicacin del
FKD.
El vector H ya fue definido con anterioridad.
Actualizacin de la matriz de covarianza.
(17)
Resultados.
Se presenta a continuacion los valores obtenidos mediante el
proceso asi como sus estadisticos .
Tabla 3. Resumen de los caudales pronosticados, actualizados y
observados
Zest1
Zest2
Valor real
20.445
20.445
20.445
23.912
27.378
23.912
22.904
20.889
22.904
21.31
16.528
21.31
19.8012
13.821
19.8012
18.602
12.552
18.602
18.489
17.808
18.489
19.573
27.163
19.573
19.121
15.505
19.121
19.548
23.394
19.548
20.225
26.991
20.225
20.308
21.221
20.308
20.043
16.863
20.043
20.427
25.423
Zest1
Zest2
Valor real
Media
18.8772286
20.3363
20.4272143
Des. Est.
5.64041818
1.51489286
5.08412238
Conclusiones
Se puede observar en los resultados obtenidos que las medias
son parecidas pero las desviaciones estandar varian lo que
podia ser probocado por ralacin que existe entre las
estaciones climatologicas con las hidrometricas.
Con el filtro de Kalman se puede conocer los estimados con la
actualizacin de cada muestra a travs del tiempo, lo que
permite saber el comportamiento especifico del sistema en
cada muestra, es decir, notando cambios muestra tras
muestra.
El algoritmo ademas es una excelente herramienta matemtica
ya que consta de una etapa de prediccin seguida de una etapa
de correccin aplicada al proceso, lo que permite no solo
estimar sino filtrar de manera ptima nuestros datos.
Referencias