一种改进的Levenberg Marquardt辨识算法

提出一种新的辨识算法对输出误差系统的参数进行辨识。运用Levenberg-Marquardt算法解决高斯牛顿法无法求逆的问题。一般算法中采用系统输出代替未知变量,但是系统输出中带有测量噪声会影响系统辨识算法的精度。为了解决这一问题,引入辅助模型思想,建立辅助模型,用辅助模型输出代替系统中的未知变量。带有固定遗忘因子的辨识算法,收敛速度较慢,预测精度较低。为了解决这一问题,引入基于预测误差的可变遗忘因子,加快算法的收敛速度,提高算法的预测精度。最后,通过仿真证明了本文算法的有效性。     

基于参数辨识的医用梯度电源模型的预测电流控制策略

为提高医用梯度电源输出电流动态响应速度,减小稳态误差,提出一种基于变遗忘因子参数辨识的模型预测电流控制策略。根据输出电流与参考值误差大小在线调节变遗忘因子,结合变遗忘因子最小二乘法参数辨识实现医用梯度电源负载的精准在线辨识,提高了辨识的跟踪速度和稳态精度。利用辨识的负载参数结合模型预测控制,建立输出电流的精确预测模型,实现输出电流的超前预测。实验验证了对比传统的PI控制,提出的控制策略具有更快的输出电流动态响应速度,更小的静态误差。     

一种全局收敛的时滞连续系统零极点辨识算法

针对一类时滞连续系统的模型参考自适应递推辨识算法, 运用微分中值定理,在参数不确定性的情况下进行了辨识算法的收敛性分析。通过对包括增益、时滞和实零极点在内的参数不确定性所进行的收敛性讨论, 提出了一种对模型误差进行低通滤波的改进算法, 以改善辨识算法的收敛效果     

最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法（LS）用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘（AFFRLS）改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘（VFFRLS）进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。     

基于遗忘因子随机梯度永磁同步电动机参数辨识

永磁同步电动机具有响应快、精度高、转矩比高等诸多优点。在永磁同步电动机系统数学模型基础上,构建系统回归模型,并采用遗忘因子随机梯度算法(FSG)辨识回归模型参数。仿真实验结果表明FSG算法对永磁同步电动机系统的参数辨识一致收敛,和随机梯度算法(SG)相比,FSG算法对输出非敏感参数值辨识收敛速度和精度方面均有较大优势。     

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题，分析并建立了二阶RC网络等效电路模型，进行了离线参数辨识，并验证了辨识结果的准确性。以该模型为基础，运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计，以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识，两者互为输入输出，实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明：相比原有单一滤波算法，UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%，均方根误差(RMSE)低至0.009 9，提高了SOC的预测估计结果精度，从而提升了能源消耗预判能力和电池使用效率。     

充电模态下电动汽车动力电池模型辨识

电池模型及参数辨识是电动汽车动力电池进行充、放电优化控制的基础,同时模型参数受充、放电工况的影响。为对充电模态下的电动汽车动力电池进行建模与参数辨识,对动力电池建模方法、模型参数辨识算法展开研究,建立基于电极阻抗谱理论的可变阶次电池等效电路模型,提出基于遗忘因子扩展递推最小二乘算法(FFRELS)的模型参数辨识算法,构建基于贝叶斯信息准则(BIC)的电池模型最优阶次选择算法,创建基于晶格气体模型(LGM)的电池开路电压模型,对电池模型参数辨识算法进行修正,实现了充电模态下的电池模型参数辨识与最优阶次选择。仿真结果证明了该方法的有效性。     

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。     

基于遗忘因子多新息随机梯度算法PMSM参数辨识

针对传统辨识算法结果不精确以及电机参数变化问题,提出了基于遗忘因子多新息随机梯度辨识算法。结合永磁同步电机系统电压方程,构建离散辨识模型。采用矢量控制方法控制电机,获得辨识模型输入输出数据,对转子电阻和电感参数进行在线辨识。仿真结果表明,该算法能够实现对永磁同步电机参数的辨识。     

基于DSLPSO算法的超级电容参数辨识

针对超级电容模型多参数辨识问题以及传统辨识算法收敛精度差,收敛速度慢问题,提出基于动态自学习粒子群算法的超级电容参数辨识方法.根据超级电容等效电路模型,采用双线性变换进行离散化获得辨识模型,使用动态自学习粒子群算法辨识各分支的参数.仿真结果分析表明,与基本粒子群、自适应惯性权重粒子群对比分析,基于动态自学习粒子群算法的...