基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用.针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF...     

自适应UKF在北斗伪距定位中的研究

针对北斗伪距定中噪声统计特性未知或者不准确带来的定位精度不高问题,为减小噪声统计特性的不准确在滤波过程中对状态估计带来的影响,采用了无迹卡尔曼滤波(UKF)和噪声统计值估计器相结合的滤波方法,该方法在UKF中引入改进的噪声估计Sage-Husa算法,对系统噪声和观测噪声进行实时估计,抵抗不准确噪声在定位解算时带来的误差;最后在进行状态更新时引入一个收敛因子对每一次滤波状态进行更新,保证算法的收敛性。实验结果表明,该方法与传统的无迹卡尔曼滤波相比,在提升算法收敛速度的同时,将伪距定位的精度提高了40%左右,可用于带有时变噪声和未知噪声的定位系统中。     

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square-root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。     

改进SHAKF算法消除IMU随机误差的研究

针对 Sage-Husa 自适应卡尔曼滤波(SHAKF)算法在处理惯性测量单元(IMU)时,随机误差容易随着时间的累积而造成 滤波发散的问题,提出一种改进的 Sage-Husa 自适应鲁棒卡尔曼滤波 (MSHARKF)算法。 首先对 IMU 构建了合适的模型,再将 SHAKF 与自适应鲁棒卡尔曼滤波(ARKF)相结合并纳入改进的时变噪声估计器,再引入最优自适应比例因子 αk 对量测方程迭 代更新,最后得出新的预测协方差矩阵代入原方程。 实验结果表明,分别通过 Allan 方差和均方根误差(RMSE),对 MEMS-IMU 滤波前后的静/ 动态数据分析计算得,随机误差噪声分别减小至原数据的 1 / 10 000 和 1 / 100。 与本文其他算法相比,该方法有 效地对算法滤波发散进行了抑制,进而提高了 IMU 的测量精度和长期稳定性。     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

基于AIUKF的锂离子电池SOC估算

锂离子电池作为电动汽车的动力源,其荷电状态(SOC)的准确估算可以有效提高系统的工作效率,防止过充过放带来的安全隐患。首先建立了电池的二阶RC等效电路模型,采用递推最小二乘法对其进行参数辨识,然后在UKF的基础上引入自适应迭代,对SOC估计值重新进行UT变换,并再次利用观测值来改善状态估计,最后采用改进的Sage-Husa估计器对过程和量测噪声进行自适应修正。仿真结果表明,所提方法具有良好的估算精度及适用性。     

一种抗差自适应 UKF 算法及其在 GNSS / SINS 组合导航系统的应用

GNSS / SINS 组合导航系统标准 UKF 算法缺乏对量测噪声方差及系统状态异常的自适应调节能力,进而影响了组合导 航系统的滤波精度。 为了解决上述问题,提出了一种抗差自适应 UKF 算法。 首先,该算法引入变分贝叶斯估计原理以实时估 计量测噪声方差;然后,基于滤波器预测残差,构建了自适应因子以降低系统状态异常时对导航解的影响;最后,将该算法应用 于 GNSS / SINS 组合导航系统中,仿真结果表明,当量测噪声统计特性发生变化时,相对于标准 UKF 算法及抗差 UKF 算法,在整 个仿真时段内,本文算法可提高位置精度分别为 51. 2%及 9. 3%,同时可以降低系统模型异常扰动和滤波器初值偏差对导航解 的影响。 实验结果表明本文算法具有较强的自适应性及抗差性,可提升复杂环境下组合导航系统的精度。     

基于改进自适应UKF算法的中压配电网鲁棒动态状态估计方法

针对中压配电网缺少实时量测、伪量测精度较低以及现有的动态状态估计（dynamic state estimation,DSE）方法均采用恒定系统处理状态过程噪声的问题，提出了一种基于改进自适应无迹卡尔曼滤波（unscented kalman filter,UKF）算法的中压配电网鲁棒DSE方法。首先，利用中压配电网变压器低压侧的智能电表量测和变压器模型，推导出等效中压量测以增强中压配网量测冗余度；然后，借鉴信号处理技术对系统状态过程噪声的协方差矩阵实时更新并融入UKF算法，以减轻状态预测和量测滤波的不确定性；最后，基于15节点中压配电网进行仿真。仿真结果表明：所提方法能够有效地进行中压配电网的动态状态估计，获取更为精确的态势感知信息。     

基于改进无迹卡尔曼滤波的短线路同杆并架双回线参数辨识

由于短线路同杆并架双回线通常不采用换位架设,存在线路参数不对称以及参数难以估计的问题。针对该问题,提出了一种基于改进无迹卡尔曼滤波法的短线路同杆并架双回线的参数辨识方法。首先根据短线路同杆并架双回线的特点,建立对应的阻抗模型、导纳模型和量测方程。然后根据量测误差修正量,在线校正量测值和误差方差阵补偿量测噪声。相比于其他参数辨识方法,所提方法考虑了短线路参数不对称性,因此更符合电网实际运行情况,且引入了量测误差修正量能够进一步提高参数辨识精度和稳定性。仿真结果验证了该方法的有效性。     

基于粒子群TOA室内定位的系统误差修正

到达时间（time of arrival,TOA）的测距易受多径干扰的影响而产生较大的系统误差,造成室内定位时精度变差。针对上述问题,首先分析了TOA定位中系统误差的产生及特点,而后提出一种基于粒子群优化的定位算法。算法利用测距值与所求解位置的空间约束关系建立求解域,而后应用粒子群算法求解,并通过建立关于系统误差的罚函数和适应度函数实现误差修正,并减小粒子搜索空间,加快算法收敛速度。实验表明,利用本文描述的定位算法,可以有效抑制室内定位中测距产生的系统误差,定位精度得到明显提高。     

观测模型误差不确定的锂电池SOC估计方法

建立的锂电池非线性系统中存在不确定的观测模型误差时,会影响滤波器估计的精度和稳定性,严重时还会导致估计结果发散。针对这一问题,基于变分贝叶斯自适应滤波方法,提出了一种鲁棒UKF算法。该算法构建虚拟观测噪声用来补偿观测模型误差,并采用逆Wishart分布对虚拟观测噪声协方差建模。在变分迭代过程中,实现对系统状态和虚拟观测噪声协方差的联合后验概率估计,使估计结果自适应地逼近到真实分布。利用无迹卡尔曼滤波对系统状态进行更新。结合锰酸钾锂电池非线性模型进行仿真实验表明,该算法估计锂电池荷电状态具有很好的精度、跟踪速度以及鲁棒性。     

带有色观测噪声AUKF的锂离子电池SOC估计

在实际工况中,电池测量参数易受相关性较强的有色噪声干扰。仅考虑有色观测噪声满足一阶自回归模型,提出一种带有色观测噪声的自适应无迹卡尔曼滤波算法(CM-AUKF)。算法对荷电状态(SOC)估计的平均绝对误差为0.000 4,均方根误差为0.000 3,估计精度和稳定性较高,可克服对系统噪声方差初值敏感的问题,提高SOC估计的自适应能力。     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

基于自适应CKF的姿态数据融合算法

为了提高基于MEMS惯性传感器的捷联惯性导航系统姿态解算的精度,提出了一种自适应容积卡尔曼滤波（CKF）数据融合算法。该数据融合算法将姿态四元数作为系统状态,将加速度计信息和磁力计信息作为系统观测量,对系统过程噪声矩阵和观测噪声矩阵进行实时的自适应估计,解决了因系统噪声突变引起的姿态解算精度急剧下降的问题。实验结果表明,采用自适应CKF数据融合算法比单纯基于陀螺仪的捷联姿态解算精度有明显的提高,在载体动态时测得的横滚角和俯仰角误差在1°以内,航向角误差在2°以内。     

基于紧耦合GNSS/INS的高速列车精准定位方法研究

为了改善高速列车在行驶过程中定位不精准的现状,本研究采用全球卫星导航系统和惯性导航系统,构建了GNSS/INS紧耦合精准定位系统。提出等价权原理将UKF算法中的噪声协方差进行等价替换,使其能够在信息融合过程中对滤波增益进行调节,降低观测粗差带来的影响,提高UKF算法的鲁棒性。本研究在改进UKF算法的基础上,用地图匹配算法对滤波器处理后的定位数据进行再处理,进行仿真对比。结果表明：改进UKF算法和标准UKF算法仿真得到的位置速度误差曲线,其AVE和RMSE值均降低20%以上;又经过地图匹配算法处理后的定位精度更高,表明本研究能够提高高速列车的定位精准性、稳定性。     

Windowing and random weighting‐based adaptive unscented Kalman filter

The conventional unscented Kalman filter (UKF) requires prior knowledge on system noise statistics. If the statistical characteristics of system noise are not known exactly, the filtering solution will be biased or even divergent. This paper presents an adaptive UKF by combining the windowing and random weighting concepts to address this problem. It extends the windowing concept from the linear Kalman filter to the nonlinear UKF for estimation of system noise statistics. Subsequently, the random weighting concept is adopted to refine the obtained windowing estimation by adjusting random weights of each window. The proposed adaptive UKF overcomes the limitation of the conventional UKF by online estimating and adjusting system noise statistics. Experimental results and comparison analysis demonstrate that the proposed adaptive UKF outperforms the conventional UKF and adaptive robust UKF under the condition without precise knowledge on system noise statistics.Copyright © 2014 John Wiley & Sons, Ltd.