基于扩展卡尔曼神经网络算法估计电池SOC

针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。     

硬件在环系统中电机参数辨识及状态估计研究

矢量控制电机中的敏感参数转子时间常数的实时辨识和电机状态实时估计是电机高性能运行的保证,首先讨论了转子时间常数参数辨识,其次讨论了滑模观测器并给出了观测器稳定性分析,通过观测器得到感应电机磁链状态估计值;将得到的转子磁链值用于MRAS状态估计,得到实时的电机转速.设计了硬件在环仿真系统验证电机状态估计方法及参数辨识方法;硬件在环试验系统包含感应电机,电气测功器以及实时仿真器等硬件,通过硬件在环实时试验得到了实时的电机状态估计及参数辨识结果,试验结果验证了参数辨识及状态估计方法的有效性和实时性.     

锂电池SOC与SOP的联合估计

锂离子电池精确的荷电状态(SOC)和功率状态(SOP)对于电动汽车的稳定运行尤为重要,对此提出了一种锂电池SOC与多约束条件下SOP的联合估计方法。首先,建立了二阶RC等效电路模型,并运用迭代无迹卡尔曼滤波算法来估计荷电状态;然后,结合荷电状态的估计结果,在多约束条件下对SOP进行联合估计;最后,在动态应力工况和快速脉冲工况下对联合估计算法进行了MATLAB仿真测试验证。结果验证了所提联合估计算法对于SOC和SOP联合估计的有效性,并且具有较高的估计精度和较好的鲁棒性。     

基于ATML的舰艇装备多状态测试系统设计

针对当前舰艇装备多状态测试系统的参数存在间断性,导致对舰艇装备测试的误差较大的问题,基于ATML设计了一种新的舰艇装备多状态测试系统;系统硬件由处理器、驱动器、传感器、监测器组成,选择麒麟990系列的处理器组成,能够有效降低内部负载,采用HDJ-8交流驱动器,内部引入2.7kV、5.7 kW、10 kV三个级别电压,保证系统的电源电量,传感器是HDU传感器,功能齐全,监测器选用骁龙芯片,在无线通信功能的基础上实现状态监测;系统软件设计过程中,采用ATML技术实现舰艇装备多状态测试系统参数自检,保证参数的准确性及全面性;建立状态分量建模,通过分析文字文件、装备数据提取、状态检测实现舰艇装备多状态测试系统软件流程;实验结果表明,设计的基于ATML的舰艇装备多状态测试系统能够有效改善参数的间歇性,降低系统内部误差.     

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model, AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter, SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.     

等效建模与SR-UKF算法的SOC估算研究

荷电状态(SOC)用于表征动力锂电池剩余电量。选用Thevenin等效模型作为模拟电池工作状态的等效电路模型,结合试验测量相关参数,运用电路以及多种数理知识,对构建的锂电池等效电路模型进行参数辨识,并通过曲线拟合等方法对辨识结果进行优化处理。在脉冲特性能力测试(HPPC)中对模型精度进行验证,模型表征误差稳定在1.1%以内。采用平方根无迹卡尔曼算法用状态变量的误差协方差的平方根代替状态变量的误差协方差,直接将协方差的平方根值进行传递。利用平方根无迹卡尔曼算法对荷电状态进行估计,对比无迹卡尔曼算法与平方根无迹卡尔曼算法的SOC估计效果。在25℃的条件下对三元锂电池进行动态应力测试工况(DST)试验,平方根无迹卡尔曼算法和无迹卡尔曼算法锂电池SOC估计的最大误差分别为0.55%与1.5%。试验结果表明,平方根无迹卡尔曼算法的跟踪效果较优,具有更高的SOC估计精度和稳定性。     

基于ZigBee的智慧温室蓄电池监测节点设计

针对传统温室监测节点蓄电池剩余电量问题,提出一种改进的基于ZigBee无线通信技术的温室节点无线监测方案,设计一个经济实用的低功耗ZigBee无线监测节点;以CC2530为主控芯片,通过控制不同的传感器和电池智能管理芯片DS2438及其外围电路,实现温室环境参数和各节点蓄电池电压、电流以及剩余电量的精确测量并实时显示;测试结果表明,系统运行稳定,数据检测精度达到0.001。     

基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

基于扩展卡尔曼滤波算法的锂电池剩余电量估计方法研究

针对非线性系统锂电池剩余电量(State of Charge, SOC)估计常用算法——安时积分法初值精度要求高、累计误差大的问题,提出了基于扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法的SOC估计方法。通过建立合理的电池模型,利用MATLAB仿真在恒流工况下证明：安时积分法的平均误差为2.7%,EKF算法在无初始误差和存在初始误差两种工况下降低平均误差分别为0.97%和1.3%。最后通过ADVISOR 2002软件仿真验证了锂电池工作在两种动态电流工况下,基于EKF的SOC估计平均误差分别为1.06%、1.13%,符合SOC估计精度要求。     

矿用储能电池荷电状态精确估计方法

针对基于安时积分法的矿用储能电池荷电状态估计易产生累计误差的问题,提出一种基于改进安时积分法的矿用储能电池荷电状态精确估计方法。该方法引入温度校正系数、老化程度校正系数和充放电倍率校正系数,通过校正电池容量实现电池荷电状态精确估计;在电池荷电状态为0~15%,90%~100%时,用电池端电压代替开路电压,对改进安时积分法所得结果进行实时校正。实验结果表明,该方法可提高矿用储能电池荷电状态估计精度,估计误差基本控制在±3%以内。     

Nuclear power plant cascaded state Feedback control

This paper shows how the known principle of cascaded control may be combined with modern state feedback control. The advantages of both methods are combined and most of their disadvantages are avoided. The effectiveness of the new method is demonstrated by an application example on a model of the primary loop of a nuclear power plant working with a pressurized water reactor.     

Estimating state and operation of power supply systems

For the problems of regional control of the power supply systems, indices of their state and operation were suggested, and their estimation models as applied to the heat supply systems were discussed. It was proposed to form these indices with regard for the topology of the power distribution system beginning from the sources and ending at the ultimate consumers.     

电力系统状态估计多算法融合

为解决复杂电网大数据背景下单一算法难以满足状态估计要求的问题,提出一种电力系统状态估计多算法融合系统。基于数据融合思想,将加权最小二乘法、快速分解法、量测状态变换法与Sigmoid函数法相互融合实现电网状态估计,支持串行融合模式和并行融合模式。实验结果表明,融合算法使得估计结果保留了各自算法的优点,避免了单一算法的缺点,提高了状态估计的精度和效率。     

基于功率谱密度的人体运动状态检测

提出了一种视频图像序列中人体运动状态检测的新方法。针对传统人体状态检测方法利用数据信息的复杂性,对图像中人体外接矩形区域提取位置和尺度稳定的非结构化数据信息——关键点,计算关键点的功率谱密度,在序列视频图像中可获得关键点功率谱密度的分布,利用其分布特点判断人体运动状态。实验证明方法的有效、可行和简易。     

Dynamic sensor transmission power scheduling for remote state estimation

In this paper, we consider the problem of sensor transmission power scheduling for remote state estimation. We assume that the sensor has two transmission energy levels, where the high level corresponds to a high packet reception ratio. By exploiting the feedback information from the remote estimator, we aim to find an optimal transmission power schedule. We formulate the problem as a Markov decision process, and analytically develop a simple and optimal dynamic schedule which minimizes the average estimation error under the energy constraint. Furthermore, we derive the necessary and sufficient condition under which the remote state estimator is stable. It is shown that the estimation stability only depends on the high-energy packet reception ratio and the spectral radius of the system dynamic matrix.     

人工智能技术在电力系统状态估计的应用研究

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法。针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比。结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性。     

采用有限时间平均一致性协议的电力系统分布式状态估计

随着基于相量量测单元的广域量测系统在技术上的成熟与推广应用,利用WAMS量测可实现电力系统线性状态估计.本文基于广域量测系统提出一种全分布式状态估计算法.首先根据拉格朗日乘子法推导了多区域约束加权最小二乘估计模型,然后引入有限时间平均一致性协议,得到系统量测正常情况下的分布式状态估计算法.考虑了系统量测存在异常数据情况,根据最小二乘估计的几何意义扩展推导出修正算法,使其在各区域剔除异常量测后,无需改变信息矩阵,只需执行若干次有限时间平均一致性协议能收敛至信息矩阵修正后的集中式估计值.最后,理论分析和实验结果证明了算法的有效性.     

电力计量装置电压异常状态检测系统设计

针对电力计量装置电压异常的问题,设计出了检测电力计量装置异常电压状态的检测系统。该系统首先对检测装置的电压、电流信息进行采样,然后将采集到的电压、电流信息输入至放大单元进行信息放大。放大单元将放大后的信息输出至A/D转换单元进行模数转换,A/D转换单元将输出信号输出至STM32F407VGT6计算单元进行计算、分析。与STM32F407VGT6计算单元还连接有模拟开关,实现多路复用采集的方式,有效地节约了物质资源,缩小了硬件使用面积。本文设计的系统还能够实现数据的远距离传输,使得更高一层管理系统实时获取底层检测数据,有助于用户及时把握电力计量装置的整体运行情况。通过试验,结果表明,该系统的检测数据准确性达100%,符合设计及使用要求,具备较强的实用性。     

A dynamic state estimator for power system dynamic security assessment

A global modularized dynamic state estimator is formulated to provide the data which will be required for future dynamic security assessment and dynamic security enhancement applications. The dynamic state estimator is global because it is capable of estimating small and large dynamic fluctuations in voltage angle and frequency for an entire area. The dynamic state estimator is composed of the sum of the static state estimate, obtained by using present hardware and algorithms and a modularized dynamic state estimate based on a linearized classical transient stability model with a stochastic load model. This dynamic state estimate component is modularized to (1) eliminate the need to measure or model external system generation and (2) to permit a reduction in computation requirements for (a) updating the linearized power system dynamic model and (b) for computing the state estimate. The modularization, which is accomplished by decoupling the linearized dynamic model for each subregion by measuring the power injections on lines connecting the subregion to the rest of the power system, causes the dynamic state estimate to be locally referenced. A global referencing procedure is proposed and discussed. A linearized stochastic model for the Michigan Electric Coordinated System is developed to illustrate the procedures proposed for developing the stochastic load model and determining the constant gain approximation for the governor turbine energy system dynamics. A summary of results on the performance of the Kalman state estimator is presented.     

Ultra fast state estimation for the large electric power system

A reorganized solution of the state estimation problem is proposed which takes advantage of dedicated microprocessors at the local buses to circumvent interacting solutions of the power flow equations. The latter makes conventional state estimation much too time consuming for on-line use in emergencies.