基于分数阶多新息卡尔曼滤波法的SOC估计

针对电动汽车锂离子电池整数阶模型不能精确反映电池极化反应的问题,提出了一种基于自适应遗传算法(AGA)的分数阶模型,并采用分数阶多新息卡尔曼滤波(FOMIEKF)算法对电池荷电状态(SOC)估计.在二阶RC等效电路模型的基础上建立分数阶模型并用AGA辨识模型参数,然后用FOMIEKF算法进行SOC估计,最后与卡尔曼滤波(EKF)、分数阶扩展卡尔曼滤波(FOEKF)算法进行比较.结果表明,在混合动力脉冲测试下,模型端电压最大误差低于1％,SOC平均误差与最大误差比传统方法分别下降了0.79％、0.95％.因此,基于AGA分数阶模型的FOMIEKF方法可以有效估计SOC.     

基于综合型卡尔曼滤波的锂离子电池荷电状态估算

针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。     

双UKF算法及其在感应电机矢量控制中的应用

在无轨迹卡尔曼滤波器(UKF)算法的基础上,建立应用于感应电机矢量控制系统的双UKF算法,实现电机状态和参数的同时观测.电机模型选择以定、转子磁链为状态变量的降阶方程,从而有效避免了数值计算的不稳定性.利用Simulink建立感应电机矢量控制系统,通过仿真比较了双UKF与扩展卡尔曼滤波器(EKF)两种算法的性能.实验结果表明,双UKF算法能有效提高状态估计和参数辨识的精度和收敛速度.     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

基于改进的 AEKF 铅酸电池 SOC 在线估计

为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。     

基于模糊自适应扩展卡尔曼滤波器的异步电动机无速度传感器控制

针对传统扩展卡尔曼滤波器(EKF)固定的噪声协方差矩阵在观测感应电动机转速时不能同时满足系统动态和静态下精确估计的问题,提出了一种模糊自适应调整噪声协方差的方法。该方法可以根据状态鉴别器输出状态,经模糊自适应调整噪声协方差矩阵参数,解决了系统在动态和静态时对噪声协方差矩阵中不同参数需求的问题。仿真表明所提模糊自适应EKF转速估计精度更高,有效地提高了系统的抗干扰能力。     

基于遗传算法优化的定子磁链扩展卡尔曼估计方法

定子磁链估计的精度直接关系到异步电机直接转矩控制(DTC)的控制效果,本文提出了一种基于扩展卡尔曼滤波器(EKF)的定子磁链观测方法,该方法选取DTC反馈通道中多个主要参数作为状态变量进行联合滤波估计,为保证EKF算法滤波参数的准确性,采用遗传算法(GA)对EKF中的系统噪声矩阵和测量噪声矩阵进行了优化处理.通过使用该方法设计的磁链观测器与DTC构成闭环系统进行仿真实验表明,滤波参数优化后的EKF算法更加有效地提高了磁链估计精度,从而提高DTC系统的低速控制性能.     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

基于分数阶联合卡尔曼滤波的磷酸铁锂电池简化阻抗谱模型参数在线估计

电池特性建模及模型参数在线估计是电动汽车电池管理系统的关键技术,以磷酸铁锂电池这一非线性系统为研究对象,以包含分数阶元件的简化电池电化学阻抗谱模型为基础,建立了该模型的状态转移方程和系统观测方程,运用分数阶联合卡尔曼滤波器(FJKF)对该模型的扩散极化电压和模型参数进行了在线估计。试验结果表明,该模型能较好地表征磷酸铁锂电池的动态特性,分数阶联合卡尔曼滤波算法在参数估计过程中能够保持很好的精度,同时该方法对多种测试工况都有较好的适用性,算法估计得到的模型参数值具有较好的稳定性。     

永磁同步电机全速度段无位置传感器控制策略研究

针对基于标准扩展卡尔曼滤波器(EKF)的永磁同步电机(PMSM)无位置传感器矢量控制技术只适用于中高速阶段而在低速阶段转子位置和转速估计困难,以及标准EKF算法在较强非线性系统中估计精度较低的缺陷,提出了一种复合式的PMSM无位置控制系统。低速段采用流频比(I/f)起动的方法,该方法不需要转子初始位置估计和电机参数估计,起动电流可控,适用于PMSM无位置传感器控制的起动。对电机中高速状态采用结合多新息法改进的EKF无位置估测控制,扩展利用之前两个时刻新息,增强非线性系统中的估计精度。最后通过仿真对该控制方案进行验证,验证结果证明了该方案使得系统抗干扰性更强,控制精度更高,更适用于PMSM全速范围控制的应用。