基于改进无迹卡尔曼滤波器的锂电池荷电状态估计

针对无迹卡尔曼滤波算法(UKF)估算锂电池荷电状态(SOC)存在的精度低、稳定性差的问题,在二阶模型的基础上,提出一种基于奇异值分解(SVD)的改进无迹卡尔曼滤波算法。建立锂电池的数学模型,通过带遗忘因子的最小二乘法(FFRLS)得到电池模型参数,将辨识出的模型参数实时导入改进UKF算法中,估计锂电池的荷电状态,并与UKF进行比较。在DST工况下,通过仿真实验可知,与UKF相比,SVD-UKF算法的AAE降低3.29%,RMSE降低3.78%。实验结果表明,改进算法的SOC估算精度和自适应性能更高。     

改进萤火虫算法优化粒子滤波的信号源定位

为提高无线电信号源的定位精度,运用粒子滤波方法对其进行定位估计。针对粒子滤波存在的粒子退化问题,提出改进的萤火虫算法优化粒子滤波。首先对萤火虫算法的吸引度公式进行改进,并利用迭代时刻粒子最优值指导个体的移动过程。然后运用改进的萤火虫算法与粒子滤波机制相结合,使粒子趋向于高似然区域,提高粒子的有效性,避免粒子退化,提高粒子滤波算法的滤波精度。最后,将改进后的算法用于无线电信号源定位算法中并进行仿真试验。实验结果表明:该文提出的算法定位结果最大定位误差为0.23%,该算法相比粒子滤波算法的定位精度有很大的提高,是一种有效的、实用性较强的定位估计算法。     

基于自适应H_(2)/H_(∞)滤波的锂电池SOC和SOH联合估计北大核心CSCD

准确、实时地估计电池的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)是现代电池管理系统的关键任务。通过自适应H_(2)/H_(∞)滤波器可对锂电池的SOC和SOH进行联合估计。该方法基于锂电池的二阶RC等效电路模型,采用AFFRLS法在线辨识锂电池的模型参数,并利用H_(2)/H_(∞)滤波器估计锂电池的SOC,AFFRLS辨识与H_(2)/H_(∞)滤波交替进行,得到一种自适应H_(2)/H_(∞)滤波器。SOH依据AFFRLS辨识的电池内阻进行估计,实现了锂电池SOC与SOH的联合估计。实验结果表明:自适应H_(2)/H_(∞)滤波算法的估计精度高且鲁棒性强,电池的SOC和SOH的平均估计误差始终保持在±0.19%以内,相比于EKF和H_(∞)滤波算法有更高的估计精度与稳定性。     

基于改进PF算法的锈蚀RC结构抗弯承载力预测方法

为提高锈蚀钢筋混凝土(RC)结构抗弯承载力评估精度，该文综合考虑锈蚀RC结构几何尺寸、钢筋截面积及力学性能、混凝土强度、粘结性能等因素，提出了基于改进粒子滤波(PF)算法的抗弯承载力模型参数更新及预测方法。通过生成大量的粒子以表征承载力退化过程中模型参数的不确定性，从选择不同建议密度函数的角度改进PF算法以解决传统PF算法中粒子退化的问题，分别采用PF、扩展粒子滤波(EPF)、无迹粒子滤波(UPF)算法对模型参数进行估计与更新，实现了锈蚀RC结构抗弯承载力的有效预测。结果表明：随着钢筋锈蚀率的增加，RC结构的抗弯承载力逐渐降低。基于改进PF算法的锈蚀RC结构抗弯承载力预测方法因考虑了模型参数更新使得预测结果更接近试验数据。基于EKF和UKF的改进PF算法可有效抑制粒子退化，其预测精度较PF算法更高；锈蚀RC结构抗弯承载力预测精度随着训练数据及粒子数的增加而提高。     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

基于改进无迹卡尔曼滤波的锂电池SOC在线估计

针对无迹卡尔曼滤波算法对电池模型敏感并且容易受到不确定噪声干扰的问题,提出了改进的无迹卡尔曼滤波算法（improved unscented Kalman filter,IUKF）,提高电池荷电状态（State of charge,SOC）估计精度和鲁棒性能。首先,对锂离子电池进行建模并完成参数离线辨识。紧接着,对模型参数进行敏感性分析,研究不同参数对SOC估计效果的影响程度,为模型参数自适应对象的选取提供依据。随后,研究了包含模型自适应算法和噪声自适应算法在内的IUKF算法实现过程。最后,通过物理实验对比分析了IUKF与其它算法的实际估计效果,实验结果表明,该方法估计误差小于1.79%,鲁棒性能良好。     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足.为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理.在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性.实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果.     

基于WOA-UKF算法的锂电池容量与SOC联合估计

锂电池的荷电状态(SOC)和有效容量是表征电池当前剩余电量和电池寿命的重要参数,提出一种锂离子电池有效容量和SOC的联合估计方法。在电池全寿命周期内,给出一种开路电压与SOC和电池有效容量非线性模型的两变量多项式描述;当电池循环使用次数超过预设值,采用鲸鱼优化算法估计当前电池容量与电池模型参数,根据模型参数与容量值采用无迹卡尔曼滤波器估计电池SOC;在SOC估计过程中,采用鲸鱼优化算法更新无迹卡尔曼滤波器的观测噪声方差和过程噪声方差,实现噪声方差的自适应调节,进而提高估计精度。实验结果验证了该方法的有效性和联合估计方案的可行性。     

粒子滤波技术研究和分析

非线性非高斯状态空间模型的最优估计问题在信号处理、自动控制、金融、无线通讯等领域具有重要的应用,粒子滤波技术通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型表示的非线性系统,滤波精度可以逼近最优估计,其有效性已经得到各领域研究人员的极大认可,基本粒子滤波算法存在的最大问题是粒子退化,针对这一问题,对权值退化、重要性函数选取、重采样等影响粒子滤波器性能的关键技术进行深入研究。     

基于改进灰狼算法的啤酒灌装PID液位控制

目的 针对啤酒罐装液位控制存在的变负荷、多模态、PID参数整定难的问题,提出一种基于改进灰狼算法的PID参数整定方法,以提高啤酒生产的工作效率。方法 对灰狼算法进行改进,使用欧式距离变化率动态调整收敛因子,平衡算法的全局搜索能力;引入动态自适应权重因子,提高算法的优化速度和精度;与基本灰狼算法比较并用测试函数验证改进算法的性能。结果 仿真结果表明,改进后的灰狼算法在收敛速度和精度上提升效果显著;改进灰狼算法整定的PID参数的上升时间为1.9s,调节时间为5.12 s,超调量为3.78%。结论 与基本灰狼算法对比,改进灰狼算法对啤酒灌装液位PID参数进行整定,调节时间快,超调较小,可以更好地满足啤酒生产的控制要求。     

Modeling and state of charge estimation of lithium-ion battery

Modeling and state of charge(SOC) estimation of lithium-ion(Li-ion) battery are the key techniques of battery pack management system(BMS) and critical to its reliability and safety operation.An auto-regressive with exogenous input(ARX) model is derived from RC equivalent circuit model(ECM) due to the discrete-time characteristics of BMS.For the time-varying environmental factors and the actual battery operating conditions,a variable forgetting factor recursive least square(VFFRLS)algorithm is adopted as an adaptive parameter identification method.Based on the designed model,an SOC estimator using cubature Kalman filter(CKF) algorithm is then employed to improve estimation performance and guarantee numerical stability in the computational procedure.In the battery tests,experimental results show that CKF SOC estimator has a more accuracy estimation than extended Kalman filter(EKF) algorithm,which is widely used for Li-ion battery SOC estimation,and the maximum estimation error is about 2.3%.     

安时-卡尔曼交叉运行的电池荷电状态估算策略及其微控制器在环验证

为了提高电池管理系统(BMS)的性能,研究了电池荷电状态(SOC)的估算方法,并根据SOC估算算法精度和系统实时性要求,提出了安时(AH)积分算法-卡尔曼(Kalman)算法(AH-Kalman)交叉运行的SOC估算策略。该策略用开路电压(OCV)法确定SOC初值,以实时性较强的AH积分法为主,采用间歇运行的Kalman滤波法修正安时计量法积分误差。建立了系统仿真模型,验证了卡尔曼滤波算法对安时积分法积累误差的修正作用。将控制算法生成C代码下载到目标控制器,搭建微控制器在环测试验证(PILS)平台,进行了与传统卡尔曼滤波算法的复杂度对比分析。结果表明,所提出AHKalman交叉运行的SOC估算策略在保证了SOC估算精度的同时也具有较好的实时性,便于实际应用。     

基于卡尔曼滤波和粒子滤波融合的UWB室内定位算法

基于超宽带(ultra-wideband, UWB)室内定位技术得到了广泛的发展,然而,在LOS(line-of-sight)和NLOS(non-line-of-sight)环境下的UWB的测距信息均存在不同程度的误差,因此,提出了一种改进的卡尔曼滤波算法对UWB原始数据进行平滑处理;之后提出卡尔曼滤波(Kalman filters and particle filters, KPF)和粒子滤波融合的算法。通过卡尔曼滤波得到的状态量和误差协方差进行粒子采样,克服了传统粒子滤波进行粒子采样时的运动学模型与实际运动不相符的缺点,大幅减少了粒子退化的现象。经过实验,该算法在LOS和NLOS环境中的定位精度分别提升了20.6%和15.6%。     

基于IALO算法的蓄电池参数辨识

合理的等效电路模型及准确的模型参数对蓄电池荷电状态(SOC)的准确估计具有重要影响。针对蓄电池三阶Thevenin等效电路模型,基于改进蚁狮优化算法,提出了一种模型参数辨识方法。引入混沌Logistic映射初始化,使初始化群体遍及解空间,有利于寻找全局最优解;引入自适应惯性权重加随机柯西变异策略,有效提高了算法收敛速度;引入精英反向学习策略,有效提高了群体的多样性,避免算法陷入局部最优解。5个测试函数的测试结果表明:相比于蚁狮优化算法、粒子群算法与樽海鞘优化算法,改进蚁狮优化算法收敛速度更快,精度更高。对蓄电池三阶Thevenin等效电路模型进行参数辨识,结果表明:改进蚁狮优化算法相比蚁狮优化算法具有更高的辨识精度。     

基于自适应滤波的锂电池隔膜卷绕系统张力估计

锂电池隔膜卷绕系统的电机转速、放卷辊的卷材卷径和放卷张力等实时信号都带有高斯白噪声,易形成较大的滞后,从而导致控制系统的稳定性和精度降低。现以协方差匹配技术为滤波发散判据,再结合对于指数加权系数的表达式限定记忆滤波的次数,提高噪声初始值的分配权重,来保持滤波的自适应程度,提出一种基于改进型SageHusa自适应滤波估计张力的方法,实现对系统噪声协方差阵与测量噪声协方差阵的自适应变化。实验结果表明,所提出的方法不仅能更准确、稳定地估计出锂电池隔膜卷绕系统放卷张力,还能在一定范围内使其不受给定的噪声协方差阵初值影响,而且有较高的精度和较强的实时性,优于一般的扩展卡尔曼滤波算法。     

NTLBO算法优化ELM的SOC预测方法

为提高锂电池荷电状态(SOC)预测的精度,提出了新型教与学优化(NTLBO)算法优化极限学习机的SOC预测方法.首先,采用Logistics混沌对种群中精英个体进行优化以改善算法的全局优化性能;其次,采用改进的TLBO算法优化调整ELM模型的输入权值和隐含层阈值,构建NTLBO-ELM预测模型以提升模型的泛化能力.以某...     

Estimation Performance for the Cubature Particle Filter under Nonlinear/Non-Gaussian Environments

This paper evaluates the state estimation performance for processing nonlinear/non-Gaussian systems using the cubature particle filter (CPF), which is an estimation algorithm that combines the cubature Kalman filter (CKF) and the particle filter (PF). The CPF is essentially a realization of PF where the third-degree cubature rule based on numerical integration method is adopted to approximate the proposal distribution. It is beneficial where the CKF is used to generate the importance density function in the PF framework for effectively resolving the nonlinear/non-Gaussian problems. Based on the spherical-radial transformation to generate an even number of equally weighted cubature points, the CKF uses cubature points with the same weights through the spherical-radial integration rule and employs an analytical probability density function (pdf) to capture the mean and covariance of the posterior distribution using the total probability theorem and subsequently uses the measurement to update with Bayes’ rule. It is capable of acquiring a maximum a posteriori probability estimate of the nonlinear system, and thus the importance density function can be used to approximate the true posterior density distribution. In Bayesian filtering, the nonlinear filter performs well when all conditional densities are assumed Gaussian. When applied to the nonlinear/non-Gaussian distribution systems, the CPF algorithm can remarkably improve the estimation accuracy as compared to the other particle filter-based approaches, such as the extended particle filter (EPF), and unscented particle filter (UPF), and also the Kalman filter (KF)-type approaches, such as the extended Kalman filter (EKF), unscented Kalman filter (UKF) and CKF. Two illustrative examples are presented showing that the CPF achieves better performance as compared to the other approaches.     

包装过程称量信号处理方法研究

目的 为提高包装过程定量称量精度,结合卡尔曼滤波算法和模糊控制原理设计一种称量信号处理方法。方法 定量称量控制系统一般由触摸屏、控制器、称量传感器、变频器等电气设备组成。以传感器信号处理为主要研究对象,提出一种改进卡尔曼滤波算法。采用卡尔曼滤波器实现称量信号中随机噪声的处理。利用模糊控制器来实时监测卡尔曼滤波每次更新后实际方差和理论方差的差值。最后,进行实验研究。结果 实验结果表明,改进卡尔曼滤波的实际性能比较理想,滤波处理前,称量误差最大可以达到2.5%;经滤波处理后,最大称量误差只有0.26%。结论 所述信号处理方法可以有效地降低称量信号噪声,提高称量精度。