VCM模型下的IBAS⁃EKF锂电池荷电状态估计

为解决锂电池荷电状态(SoC)难以精确估计的问题,提出了极化电压修正模型(VCM)和改进天牛须优化扩展Kalman滤波算法(IBAS?EKF)共同实现电池SoC的精确估计.在建立3阶RC电池模型和参数辨识的基础上,使用Elman循环神经网络对模型极化电压实现在线修正和优化,形成VCM模型;采用改进天牛须搜索算法优化扩展Kalman滤波算法的系统噪声协方差矩阵和量测噪声协方差矩阵,形成IBAS?EKF锂电池SoC估计算法.在测试平台上进行城市道路循环工况试验,结果表明:基于VCM模型的IBAS?EKF锂电池SoC估计算法的各项误差指标均低于传统的SoC估计算法,估计误差在0.6％以内,效果满足实际工程要求.     

基于改进EKF算法的锂电池SOC估算

采用传统EKF算法对电池SOC估算时,系统噪声先验特性未知及电池模型误差会影响电池SOC估算的精度。论文提出一种基于改进EKF算法的锂电池SOC估算方法:通过建立电池等效电路模型,联合安时积分法原理,得到系统的状态空间方程;接着引入数据校正的思想,运用Cauchy鲁棒函数,以EKF观测方程的真实值与估计值之间的残差为依据,实时矫正了滤波状态噪声协方差阵Q,且在SOC区间内通过观测噪声协方差阵R进行了动态调整,使算法具有更强的鲁棒性。仿真结果表明,与传统的EKF算法相比,改进后的EKF算法估算误差降低了3.5%,且算法的平均误差保持在0.68%左右,验证了该方法的有效性及精确性。     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于粒子滤波处理GPS定位信息的研究

为提高GPS接收机的定位性能,首先对采样粒子数目进行研究,发现并不是采样粒子数目越多粒子滤波(Particle Filter,PF)的滤波效果就越好。然后针对PF算法中存在的粒子退化现象,研究PF算法与扩展卡尔曼滤波算法(the Extended Kalman Filter,EKF)处理加入了高斯噪声干扰的非线性模型,仿真并分析得到,PF在处理高斯非线性模型的时候滤波效果要优于EKF算法,试验中发现PF算法在粒子数目较大的时候滤波效果远远偏离真实值,试想通过EKF算法计算取得的均值和方差来引导PF算法进行下一步采样,以此建立较好的重要性密度函数。试验表明经过扩展卡尔曼滤波改进的粒子滤波算法相比PF算法更加精确,平缓性更好。     

基于二阶近似扩展卡尔曼滤波的锂离子电池 SOC估计

为提高电池荷电状态(SOC)估计的准确性，更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型，采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数，提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定，为此采用改进粒子群算法求得模型初始参数值，进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值，以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明，二阶EKF在估计不同工况条件下的SOC值时，平均绝对误差(MAE)都保持在1%以内，由此证明了所提方法的有效性。     

[动力电池]基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。     

基于AEKF的车辆质量与道路坡度实时估计

针对车辆在实际行驶过程中外界噪声的统计特性无法已知的问题,以车辆纵向动力学模型为基础,提出了自适应扩展卡尔曼滤波(adaptive extended Kalman filter,简称AEKF)的车辆质量及道路坡度估计算法。以动态估计车辆系统中的质量与坡度为研究对象,引入了旋转质量换算系数,建立车辆纵向动力学系统的状态空间模型,考虑了不同时刻的档位匹配与行驶特殊工况的处理。对系统状态方程进行离散化处理,得到系统状态方程与系统测量方程,在扩展卡尔曼滤波(extended Kalman filter,简称EKF)的基础上引入带遗忘因子的噪声统计估计器,通过AEKF对状态方程与测量方程实时更新,进行在线估计和校正噪声统计值,从而解决系统的噪声时变问题。本研究算法与EKF算法估计及实测结果的对比分析表明,本研究算法能够很好地对车辆质量和坡度信号进行有效滤波和估计,在短时间内逐渐收敛并逼近实测值,从而能够合理有效地检测车辆在行驶过程中的状态信息。     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于无迹卡尔曼航空锂电池的SOC估算系统

针对放电条件下,航空锂电池的放电情况,考虑了电流及温度对极化参数的影响的电池模型。电池电荷状态(State of Charge,SOC)对于电池是十分重要的性能,为了精准估计航空锂电池的电池电荷状态(State of Charge,SOC),尝试使用无迹卡尔曼滤波(UKF)对航空锂电池的SOC进行估算,无迹卡尔曼滤波是一种新型的滤波估计算法。UKF以无损变换变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无迹(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。在simulink上建立航空锂电池的等效电路模型,进行仿真实验。仿真实验表明该算法SOC估算精度误差稳定在百分之五左右。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于AUKF算法的锂电池SOC估算

针对无迹卡尔曼滤波(UKF)算法在估算锂电池荷电状态(SOC)时忽略了系统噪声时变特性问题,导致估算精度降低,故提出了自适应无迹卡尔曼滤波(AUKF)算法.通过建立电池模型,利用UKF对SOC进行估算的同时,结合Sage-Husa自适应滤波算法时刻对系统噪声进行估计和修正,进而提高估算SOC时的精度.通过在不同工况下对...     

基于Sage窗的自适应Kalman滤波用于钟差预报研究

钟差预报是时间保持工作中的一项关键技术。Kalman算法作为一种最优预报算法,具有实时性的特点,在时间保持工作中得到了广泛的应用。但是由于经典Kalman算法需要准确确定模型随机误差和测量误差,否则状态估计会引入一定的误差,在原子时算法中表现为原子钟噪声和钟差测量噪声。原子钟的噪声参数值通常是通过Allan方差估计,若估计不够准确,Kalman预报将会出现误差。通过研究基于Sage窗的自适应Kalman预报算法,实时修正状态模型误差。利用自适应因子调整状态预测协方差阵有效降低了模型误差,提高了预报精度,最后通过两台氢原子钟和两台铯原子钟的实测数据验证了算法的有效性。     

电动汽车锂电池建模仿真及SOC估计研究

为了提高电动汽车用动力锂电池模型精度及荷电状态(SOC)估算精度,以PNGV等效电路模型架构为基础进行模型改进,考虑SOC估算精度主要受充放电倍率、温度及电池容量变化等的影响,结合改进模型及扩展卡尔曼滤波算法(EKF),对SOC估算输入参数进行加权修正处理,并在Matlab/Simulink中建立仿真模型。实验和仿真对比表明,改进模型能够较好地模拟电池充放电特性,与改进EKF算法的结合对SOC的估算精度较高,可将模型与算法进一步应用于电动汽车电池管理系统的研究中。     

Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用

Kalman神经网络以其良好的自适应非线性逼近能力,被广泛用于复杂非线性动态工业过程建模。传统噪声估计方法难以得到观测噪声不确定动态工业过程的噪声估计值,因而常将观测噪声估计值置零以进行Kalman神经网络建模,影响Kalman神经网络的建模效果,限制了Kalman神经网络在观测噪声不确定动态工业过程建模中的应用。有效利用观测输入输出数据,提出样本有效噪声估计(Gamma test,GT)改进的Kalman神经网络建模方法。采用衰减记忆的GT对输入输出数据进行实时估计,得到准确的观测噪声估计值,再利用Kalman神经网络实现精确建模。验证结果表明,该方法对EKF神经网络模型和UKF神经网络模型均有很好的改善作用,有效解决观测噪声不确定引起的Kalman神经网络模型发散问题,为采用Kalman神经网络建立噪声不确定动态工业过程的精确模型提供了一条有效途径。     

面向SOC估计的计及温度和循环次数的锂离子电池组合模型

锂离子电池荷电状态(SOC)估计的准确性依赖于精确的电池模型,为此提出一种基于改进的Shepherd模型并耦合温度和循环次数因素的锂离子电池组合模型(SCM)。将Shepherd模型受温度和循环次数影响的满电开路电压、极化常数、可用容量、内阻等参数进行热建模和循环损失建模,同时将模型参数辨识方法简化为仅需两组不同环境温度下放电实验数据的非线性最小二乘法。通过对不同循环次数的锂离子电池在不同温度环境下模拟电动汽车实际工况,进行放电实验,并结合扩展卡尔曼滤波算法实现对SCM模型和ECM模型的SOC动态估计。仿真和实验结果表明所提模型相对误差小于1.5%,SOC估计误差小于3%,从而验证了所提出模型的优越性。     

采用自适应无迹卡尔曼滤波的卫星姿态确定

针对现有算法卫星姿态确定中模型参数估计不准确,系统存在外界干扰下稳定性差和跟踪精度不足的问题,提出一种自适应无迹卡尔曼滤波算法,对卫星三轴姿态进行估计。首先分析了陀螺和星敏组合定姿的工作原理,然后推导了以误差四元数为状态变量的卫星姿态运动学方程。滤波过程中,该算法引入自适应矩阵,对量测噪声协方差矩阵进行调整;依据滤波发散判别准则,对系统噪声协方差矩阵进行自适应修正,抑制滤波过程中可能的发散情形,获得了良好的自适应性能。实验结果表明,在参数估计不准确时,自适应无迹卡尔曼滤波相比鲁棒自适应UKF算法,三轴估计精度的均方根误差(RMSE)分别提升了30.0%,34.1%,22.4%。该算法基本满足卫星姿态确定的高精度、强鲁棒性等要求。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题，采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象，建立了电池的PNGV等效电路模型，并采用充放电实验和离线辨识的方法得到模型中的参数，得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系；然后，对模型进行验证，并分析了模型的准确性；最后，在实际工况下，运用扩展卡尔曼滤波方法估计锂离子电池的SOC值，并与安时法计算的SOC值进行比较。结果表明，PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%，提高了电池SOC的估计精度。     

基于改进扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在复杂应力条件下扩展卡尔曼滤波估计锂离子电池SOC的估计精度不高问题,提出了一种改进扩展卡尔曼滤波算法的锂离子电池SOC估计方法。通过运用Sage-Husa自适应算法来对系统噪声与观测噪声进行修正。最后设计了DST工况实验进行验证,实验结果表明,相比Ah法与扩展卡尔曼滤波估计法,改进扩展卡尔曼滤波估计法具有更高的精度与收敛性,最大估计误差不超过0.7%,是一种行之有效的方法。