基于二阶滑模技术的内燃机气缸压力的估计

气缸压力是内燃机燃烧分析或故障诊断的重要参数。提出了一种新的内燃机气缸压力的估计方法，应用二阶滑模控制理论对测量的曲轴转速进行实时微分，在线估计指示转矩；以估计的指示转矩作注射信号，对气缸压力估计器不断进行修正，通过合理选择增益，确保气缸压力误差动力学稳定性，最终得到气缸压力估计值。仿真结果表明，基于二阶滑模方法的气缸压力估计方法是可行的，具有较高的精度；而且该算法只需要测量发动机转速信号，方法简单可靠，成本低。     

基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法

电力系统中的信号往往含有各种噪声、谐波、间谐波的干扰,严重影响了相量测量的精度。对此,在复数扩展卡尔曼滤波(ECKF)的基础上,运用改进的量子粒子群优化(IQPSO)算法改进滤波迭代过程中的量测噪声协方差矩阵和模型噪声协方差矩阵,并测量电力信号的幅值、频率和相角。对各种非平稳正弦信号的仿真结果表明,相较修正的复数扩展卡尔曼滤波（RECKF）算法,IQPSO-ECKF算法提高了复数扩展卡尔曼滤波的相量测量精度和收敛速度。研究成果丰富了电力系统信号测量的内容。     

基于果蝇优化算法的配电网状态估计

配电网状态估计的目的是根据获取的配电网的各种量测信息,估计配电网系统的运行状态,是配电管理系统（DMS）的重要核心功能之一。根据配电网特点,以电压幅值和相角为状态变量,以量测值和估计值误差最小为目标函数,以潮流方程和估计值的上、下限为约束条件,构建配电网状态估计的优化模型,采用果蝇优化算法对该模型进行求解。算例表明,基于视觉和嗅觉的觅食行为启发的果蝇优化算法可有效求解该优化模型,具有易于实现、控制参数少和计算精度高的特点,为配电网状态估计提供了新的途径。     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

基于电热耦合效应的锂电池荷电状态与温度状态联合估计

准确估计电池的荷电状态(SOC)和内部温度可以提高电池的性能和安全性。其中,电池模型的准确性和估计算法的适用性是关键。为了解决这两个问题,本文建立了圆柱形锂离子电池的多参数电热耦合模型。模型考虑电池SOC与温度变化之间的耦合关系,并且利用改进的熵热系数实验获得电池运行中产生的可逆热与不可逆热,通过可变遗忘因子最小二乘算法(VFFRLS)进行参数辨识,并对比独立的电模型与热模型的SOC与内部温度估计结果,验证了多参数电热耦合模型的准确性,结果证明所提模型相比较于单独的电热模型,估计精度提高了70%以上。最后,设计了一种基于奇异值分解的卡尔曼滤波(SVD-AUKF)算法来同时在线估计SOC和内部温度,并在改进的动态测试(DST)工况下对所提方法进行实验验证。结果表明：所提方法相较于扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)算法,能实现更高精度的SOC和温度估计,SOC与内部温度的平均误差分别是5%和0.2℃。     

基于移相角前馈的LLC无传感器同步整流控制策略

针对现有文献中的LLC无传感器同步整流方案解耦精度不高,未考虑负载变化和输出电压滞后的问题,该文提出一种基于移相角前馈的LLC无传感器同步整流控制策略。通过分析建立同步整流驱动高电平时间和混合控制下开关频率与移相角之间的关系,利用寻优算法来实现精确的同步整流,引入移相角前馈控制来解决寻优算法控制滞后的问题。最后通过实验对所提出的方案进行验证。     

锂电池分数阶建模及SOC估计策略北大核心CSCD

为了提高锂电池模型的精度,实现锂电池状态的精确估计,本工作在二阶RC等效电路的基础上建立了锂电池的二阶分数阶电气模型,并采用自适应遗传算法实现分数阶模型的参数辨识,加快了算法收敛速度,缩短了辨识时间,避免陷入局部最优解,提高了模型参数精度;在分数阶电气模型的基础上,采用了一种基于施密特正交变换思想的无迹粒子滤波的状态估计方法,与传统的无迹粒子滤波算法相比,在采样点选取过程中,采用一种标准采样与施密特正交变换相结合的办法,对对称采样的粒子进行筛选,减少了采样点的数量,提高了计算效率,并能有效避免由于系统的非线性引起的估算结果发散或单一使用粒子滤波而引起的粒子数短缺。仿真结果表明所建立的锂电池分数阶电气模型能更精确描述锂电池的充放电动态特性,所提出的状态估计策略精度相比于常规控制策略具有更高的精度,系统鲁棒性提高,可以在误差仅为1%的范围内估计锂电池的SOC,并提高了计算效率,易于算法的实时实现。     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

基于变频空调的负荷虚拟惯量控制策略

可再生能源并网导致电网转动惯量降低,影响电网稳定性。为了提高电网系统转动惯量,增强电网对可再生能源的消纳能力,文章提出一种基于变频空调的负荷虚拟惯量控制策略,利用需求侧变频空调负荷响应电网的频率波动。该策略根据额定运行点和下垂特性下的压缩机转速参考值,构建了二阶虚拟同步电机(VSG)模型。根据电网实时电压与VSG虚拟电动势的相角差,求得VSG虚拟功率和压缩机转速变化量参考值。最后,建立VSG环节的小信号模型,给出了参数设定的方法,并分析其稳定性。仿真结果表明,所提算法能使变频空调模拟同步电机的惯性特性,提高电网的转动惯量。     

基于一缸缸压和瞬时转速的内燃机分缸燃烧状态估计

提出了一种基于曲轴瞬时转速分析和一个缸压传感器结合进行发动机的分缸燃烧状态估计的方法。试验研究表明:基于刚性模型和曲轴瞬时转速分析估计得到的各缸指示转矩误差有相似性,装有缸压传感器的参考缸可以得到误差信号并用于修正其他缸指示转矩估计结果,修正后指示转矩估计误差大幅降低。根据估计的指示转矩可以分析各缸的燃烧状态参数,平均指示有效压力估计值误差小于0.05MPa,最大燃烧转矩位置误差小于3°。与只采用曲轴转速信号相比,模型不依赖复杂算法并具有较高精度,鲁棒性更好。     

基于极值优先过零检测法的相量测量算法

针对在测量同步电机变频启动过程暂态电压和电流时,被测信号频率测量不准确的问题,提出了基于极值优先过零检测法的相量测量算法,并利用理想信号模型对比分析了所提算法与传统DFT算法的性能。该算法利用输入数据的极值寻找信号的真实过零点,得到信号的实际频率,再通过真有效值的定义求取信号的有效值,具有易于实现、运算量较小、精度较高的优点;仿真结果表明所提方法在频率线性变化、幅值波动等条件下,具有良好的测量精度。研究结果为测量频率范围较大的信号相量提供借鉴。     

Fractional‐order modeling and SOC estimation of lithium‐ion battery considering capacity loss

For state‐of‐charge (SOC) estimation, the resistance deterioration and continuous capacity loss can lead to erroneous estimation results. In this paper, an SOC estimator of lithium‐ion battery based on the fractional‐order model and adaptive dual Kalman filtering algorithm is proposed first. Then, to improve the accuracy of SOC estimation considering capacity loss, the particle filter algorithm is applied to update capacity online in real time. Then, an SOC estimation method is proposed considering battery capacity loss. The simulation results show that the accuracy of battery capacity prediction based on particle filter is high under the condition of capacity loss.     

基于改进LHS的半不变量法概率潮流计算

为提高概率潮流算法的精度和效率,提出一种将半不变量法和改进的拉丁超立方采样技术相结合的方法。首先,提出改进的非参数核密度估计算法,并用其建立光伏输出功率概率模型。其次,为改善各阶半不变量的计算精度和效率,根据输入随机变量的分布情况的不同,分别采用不同方法计算随机变量的各阶半不变量,并结合Gram-Charlier级数展开法求得状态变量和支路潮流的概率分布。最后,将所提概率潮流算法与蒙特卡罗模拟法比较,并通过IEEE-34节点系统验证所提方法的准确性、快速性和有效性。     

SOC estimation of lithium battery based online parameter identification and AEKF

SOC的准确估计对提高电池的动态性能和能量利用效率至关重要,估计过程中,模型参数不准确以及系统噪声的不确定性都会对结果产生较大影响。为减小模型参数辨识和系统噪声对SOC估计精度的影响,本文采用二阶RC等效电路模型,结合自适应扩展卡尔曼滤波算法（AEKF）进行锂电池的SOC估计。用带有遗忘因子的最小二乘法对模型参数进行在线辨识,以减小由参数辨识引起的估计误差,AEKF可以对系统和过程噪声进行修正,从而减小噪声对SOC估计的影响。最后分别用EKF和AEKF进行SOC估计并比较其误差,结果表明,AEKF联合最小二乘法参数在线辨识具有更高的精度和更好的适应性。     

基于分布估计算法的水库综合调度模型及应用

针对水库综合调度涉及的发电、供水、防洪、航运等目标不可公度性问题,在综合指标评价体系基础上,以价值函数和损失价值为评价目标优劣尺度,根据接近理想点法建立了水库综合调度模型,并采用自适应控制策略及混沌局部搜索策略对分布估计算法进行改进,有效提高了全局搜索能力和精度。实例应用表明,该模型行之有效,为水库长期综合调度提供了一种可行的方法。     

Research on parameter identification and state of charge estimation of improved equivalent circuit model of Li-ion battery based on temperature effects for battery thermal management

The performance and parameters of Li-ion battery are greatly affected by temperature. As a significant battery parameter, state of charge (SOC) is affected by temperature during the estimation process. In this paper, an improved equivalent circuit model (IECM) considering the influence of ambient temperatures and battery surface temperature (BST) on battery parameters based on second-order RC model have been proposed. The exponential function fitting (EFF) method was used to identify battery model parameters at 5 ambient temperatures including −10°C, 0°C, 10°C, 25°C and 40°C, fitting the relationship between internal resistance and BST. Then, the SOC of the IECM was estimated based on the extended Kalman filter (EKF) algorithm. Using the result calculated by the Ampere-hour integration method as the standard, the data of battery under open circuit voltage (OCV) test profile and dynamic stress test (DST) profile at different ambient temperatures has been compared with the ordinary second-order RC model, and the advantages of the SOC estimation accuracy with IECM was verified. The numerical results showed that the IECM can improve the estimation accuracy of battery SOC under different operating conditions.     

基于瞬时频率估计的谐振分析及应用

针对装载机工作过程中振动强烈的问题,从振动信号的分析入手,提出了基于瞬时频率估计的旋转机械谐振分析方法。结合快速傅里叶变换,采用瞬时频率估计方法直接从振动信号中提取出转速信息,建立了整机谐振分析方法,并进行了转速对比和实测故障数据分析。结果表明转速提取方法准确有效,通过谐振分析实现了旋转不平衡部件诊断以及车架、驾驶室等零部件的固有频率的识别。与传统方法相比,本研究方法简化了测试的硬件要求,提高了整机振动检测的精度和效率。     

Improvement in artificial neural network-based estimation of grid connected photovoltaic power output

This paper presents a method to improve the accuracy of artificial neural network (ANN)–based estimation of photovoltaic (PV) power output by introducing two more inputs, solar zenith angle and solar azimuth angle, in addition to the most widely used environmental information, plane-of-array irradiance and module temperature. Solar zenith angle and solar azimuth angle define the solar position in the sky; hence, the loss of modeling accuracy due to impacts of solar angle-of-incidence and solar spectrum is reduced or eliminated. The observed data from two sites where local climates are significantly different is used to train and test the proposed network. The good performance of the proposed network is verified by comparing with existing ANN model, algebraic model, and polynomial regression model which use environmental information only of plane-of-array irradiance and module temperature. Our results show that the proposed ANN model greatly improves the accuracy of estimation in the long term under various weather conditions. It is also demonstrated that the improvement in estimating outdoor PV power output by adding solar zenith angle and azimuth angle as inputs is useful for other data-driven methods like support vector machine regression and Gaussian process regression.