基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

基于无迹卡尔曼滤波的电池SOC估算与仿真

基于一阶Thevenin模型的扩展卡尔曼滤波在实际工程应用中,因为要对系数求其雅各比矩阵,略去了高阶项所表示的部分电池特征,在电池电流变化剧烈情况下极易失真,不能真实地反映电池状态.论文提出了基于二阶Thevenin模型的无迹卡尔曼滤波算法,二阶模型本身就能更加真实地反映电池状态,同时该算法不是对数据进行切割处理,而是...     

锌镍单液流电池二维瞬态等温模型

综合考虑动质量传递、电荷守恒以及电极反应动力学,本文建立了锌镍单液流电池二维瞬态等温模型。在与实验数据对比验证了模型准确性基础上,研究了放电过程中电池内部流场、浓度场的分布及变化规律,并进一步考察了流速和离子浓度对放电性能的影响。研究结果表明：主流区流速较高,由对流控制传质过程,离子浓度分布均匀,多孔介质域和近壁面流速趋于0,由扩散控制传质过程,离子浓度梯度较大。需要更多地关注负极表面锌离子的浓度极化,浓度最大值在出口处的负极表面。 流量每增大一倍放电电压有微小的提升,流量超过5.7 ml/s,这种作用几乎失效。提高锌离子浓度不利于提升电池放电性能,但是提高氢氧根离子浓度对于提升放电电压效果明显。此外,提高电解液流速或者改变离子初始浓度都不会影响总的放电时间。     

基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波（FOMIUKF）算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。     

基于双卡尔曼滤波的电池SOC估算

为有效解决储能电池中剩余电量的管理问题,提出基于双卡尔曼滤波的电池荷电状态(state of charge,SOC)估算研究方法.分析二阶戴维南电池等效模型,获得其状态空间方程和输出方程,利用泰勒公式对其进行线性化处理,对比分析锂离子电池的离线参数辨识和在线参数辨识结果,结合协同滤波算法进一步提升卡尔曼滤波算法的辨识精度.在M at-lab环境下编写基于双卡尔曼滤波算法的SOC估算以及验证程序,在算法初值准确和有误差两种情况下进行验证,并与其它算法进行比较,验证了双卡尔曼滤波算法精度高,收敛性好.     

考虑内阻时变特性的电池状态估计方法

针对锂离子电池欧姆内阻随温度变化情况,提出了一种考虑内阻时变特性的两步无迹H∞滤波锂电池状态估计方法。首先,对锂电池和内阻抗进行分开建模,在电池Thevenin模型的基础上构建内阻抗预测模型,实时修正模型参量;接着,将无迹变换嵌入到扩展H∞滤波中,降低测量噪声对估计精度的扰动,从而提高电池荷电状态的估计精度。最后,在实验室环境下对电池进行充放电实验,分别针对降温和升温情况下的内阻值及电池端电压的估计进行了详细的实验分析,同传统方法相比,本文方法具有较高的估计精度。     

不同温度下基于FFRLS-AEKF的锂电池SOC估计

荷电状态(SOC)是电池管理系统的重要指标。针对不同环境温度对于SOC估计的影响,分别建立基于温度影响的二阶RC等效电路模型与电池可用容量模型。在此基础上,采用带有遗忘因子的递归最小二乘法(FFRLS)对模型参数进行在线识别,同时结合改进的自适应扩展卡尔曼滤波算法(AEKF)实现SOC在线联合估计,以其闭环反馈系统通过迭代来保障估计的准确性。实验结果表明,该方法在不同的环境温度下都具有较高的精度,且最大误差小于1.2%,平均绝对误差小于0.6%,均方根误差小于0.5%。     

基于无迹卡尔曼滤波的旋转倒立摆LQR控制

LQR控制器在含有系统噪声与量测噪声的旋转倒立摆系统应用中,难以获得精确的状态向量实现对系统的最优控制.为了提高LQR的控制精度,引入了无迹卡尔曼滤波(UKF)状态观测器,以获得系统的最优状态估计量,实现基于动态规划的自抗扰二次型最优反馈控策略.与卡尔曼滤波(KF)相比,UKF用于非线性系统的状态估计的主要优势是不需要线性化去计算状态转移矩阵,避免了系统线性化带来的模型误差.在含有系统噪声与量测噪声的旋转倒立摆仿真模型下,对基于KF和UKF的LQR控制器进行了仿真对比分析.仿真结果表明,UKF对系统响应时间、控制精度、鲁棒性的优化效果更好.     

双层无迹卡尔曼滤波

针对无迹卡尔曼滤波（Unscented Kalman fllter,UKF）在强非线性系统中估计效果差的问题,提出了双层无迹卡尔曼滤波（Double layer unscented Kalman filter,DLUKF）算法,该算法用带权值的采样点表征先验分布,而后用内层UKF算法对每个采样点进行更新,最后引入外层UKF算法的更新机制得到估计值和估计协方差.仿真结果表明,相比于传统算法,所提的DLUKF算法可以在较低计算负载下获得较高滤波估计精度.     

基于小波变换的卡尔曼滤波动力电池SOC估算

混合动力电动汽车的动力电池和电池管理系统的工程实际应用环境是非常恶劣的,导致信号采样过程中包含大量的系统噪声和测量噪声.因此,提出一种基于小波变换的卡尔曼滤波动力电池SOC估算方法,通过在一系列充放电实验所建立的动力电池系统模型上,利用小波变换自相似过程的去相关作用和多尺度多分辨的特性对噪声进行抑制,实时对测量信号多尺度滤波分解,再采用卡尔曼滤波的迭代递推的线性无偏最小方差估计特性对电池SOC进行估算.实验结果表明,提出的基于小波变换的卡尔曼滤波SOC估算方法效果优于标准的卡尔曼滤波算法,在实际工况中,具有较强的适应性.     

基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究

为弥补动力电池组中安时积分法、开路电压法估算锂电池荷电状态(SOC,StateOfCharge)的缺点,在Matlab环境下介绍了一种使用扩展的卡尔曼滤波器估算SOC的仿真方法,并对整个过程的模型建立、电路搭建、参数辨识以及软件使用进行了详细的阐述。通过仿真实验表明其估算误差不超过3%,验证了方法的准确性以及对初值的不敏感性,是一种稳定的、可靠性高的SOC估算方法。     

基于无迹卡尔曼滤波的迎角/侧滑角估计方法

迎角和侧滑角是飞控系统的重要参数。针对迎角和侧滑角不能够精确测量(尤其在大机动情况下)的问题,研究了一种综合惯导系统数据和飞机的非线性动力学方程,利用无迹卡尔曼滤波来估计飞机的迎角和侧滑角的方法,实现了依靠算法代替传感器获得飞行参数,克服了对硬件(迎角、侧滑角传感器)的依赖性。该方法对系统数学模型的准确性有着较高的要求。仿真验证表明,该方法结构简单。且具有估计精度高、实时性好、抗干扰能力强的特点。     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于渐进无迹卡尔曼滤波网络的人体肢体运动估计

针对基于表面肌电信号 (Surface electromyography, sEMG) 的人体肢体运动估计建模困难的问题, 提出一种渐进无迹卡尔曼滤波网络 (Progressive unscented Kalman filter network, PUKF-net), 来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的. 首先, 设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性. 其次, 采用渐进量测更新方法对先验状态估计进行修正, 减小运动估计的线性化误差, 提高PUKF-net模型的稳定性. 通过结合深度神经网络和渐进卡尔曼滤波的优势, 使得PUKF-net具有良好的模型适应性和抗噪能力. 最后, 设计基于sEMG的人体肢体运动估计实验, 验证了PUKF-net模型的有效性. 相较于长短期记忆网络 (Long short-term memory, LSTM) 和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差 (Root mean square error, RMSE) 下降了14.9%, 相关系数R2提高了5.1%.     

有限时间一致无迹Kalman滤波器

本文研究多个传感器测量非线性系统时的分布式无迹Kalman滤波器(Unscented Kalman filter, UKF)的设计问题.借助离散多智能体系统有限时间平均一致算法的思想, 针对无向通信和有向通信网络分别设计了两种不同的滤波算法.对于无向连通的通信拓扑, 利用节点存储的一致性算法的迭代值构造差向量, 由该差向量构成的Hankel矩阵的核来得到分布式无迹Kalman滤波器, 并通过利用误差协方差矩阵的逆来构造Lyapunov函数, 基于随机稳定性引理证明了该有限时间一致无迹Kalman滤波器的稳定性.对于有向强连通的通信拓扑, 结合比率一致和Hankal矩阵的核来设计分布式无迹Kalman滤波器, 该滤波器的稳定性与无向通信拓扑的滤波器相同.最后, 通过仿真例子来验证所提滤波器的跟踪效果.     

单球无味卡尔曼滤波在飞船姿态估计中的应用

提出了一种用矢量观测来估计飞船姿态的单球无味卡尔曼滤波算法.该算法将单球无味变换与无味卡尔曼滤波结合起来,与采用尺度无味变换的无味卡尔曼滤波相比,具有更低的计算量.飞船的姿态运动学描述采用了四元数,而用广义罗德里格斯参数来克服卡尔曼滤波过程中的四元数归一化误差.仿真结果表明,该算法比标准扩展卡尔曼滤波具有更低的姿态估计误差及更快的收敛率.与无味卡尔曼滤波相比,较低的计算量及相同的估计精度使该算法更适合在实时姿态估计中应用.     

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器(Unscented Kalman filter,UKF)的误差进行分析,提出了迭代UKF(IUKF)算法.该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测,然后再次应用LMMSE估计子估计状态量的均值和协方差阵,如此多次迭代后的滤波估计输出具有更高的精度和更小的方差,故滤波器表现出更好的一致性.Monte Carlo仿真表明,IUKF主要应用于观测噪声较小的场合,其中的迭代只需进行2～3次即可.     

Time Delay Estimation in Radar System using Fuzzy Based Iterative Unscented Kalman Filter

RSs (Radar Systems) identify and trace targets and are commonly employed in applications like air traffic control and remote sensing. They are necessary for monitoring precise target trajectories. Estimations of RSs are non-linear as the parameters TDEs (time delay Estimations) and Doppler shifts are computed on receipt of echoes where EKFs (Extended Kalman Filters) and UKFs (Unscented Kalman Filters) have not been examined for computations. RSs, certain times result in poor accuracies and SNRs (low signal to noise ratios) especially, while encountering complicated environments. This work proposes IUKFs (Iterated UKFs) to track online filter performances while using optimization techniques to enhance outcomes. The use of cost functions can assist state corrections while lowering costs. A new parameter is optimized using MCEHOs (Mutation Chaotic Elephant Herding Optimizations) by linearly approximating system non-linearity where OIUKFs (Optimized Iterative UKFs) predict a target's unknown parameters. To obtain optimal solutions theoretically, OIUKFs take less iteration, resulting in shorter execution times. The proposed OIUKFs provide numerical approximations which are derivative-free implementations. Simulation evaluation results with estimators show better performances in terms of reduced NMSEs (Normalized Mean Square Errors), RMSEs (Root Mean Squared Errors), SNRs, variances, and better accuracies than current approaches.