锂离子电池模型参数辨识与荷电状态估算

锂离子动力电池是巡检机器人常用动力源,机器人控制系统需根据电池的荷电状态(SOC)决策工作状态.建立了锂离子电池的二阶Thevenin等效电路模型,用遗忘因子递推最小二乘算法(FFRLS)完成模型在线参数辨识,并用扩展卡尔曼滤波算法(EKF)实现SOC值的估算仿真.在此基础上,设计开发了一套基于STM32微控制器的SOC估算系统,实现了机器人应用中的电池参数采集及SOC估算.     

建立冷水机组能耗模型几种方法的比较与分析

通过对中央空调系统中冷水机组的运行分析,采用最小二乘法、递推最小二乘法、广义最小二乘法及广义递推最小二乘法建立冷水机组的能耗模型。以西安建筑科技大学智能建筑研究所的变风量中央空调系统的运行数据为样本,比较并分析了不同辨识方法对辨识精度的影响,确定了适用于冷水机组历史运行数据辨识的方法。结果表明,采用广义最小二乘法辨识冷水机组模型参数,提高了冷水机组能耗模型的辨识精度,为系统进一步优化提供了可靠依据。     

永磁同步电动机参数静止辨识方法的研究及应用

提出了针对永磁同步电动机参数的静止辨识方案。采用最小二乘拟合法,实现了参数静止辨识;讨论了采用最小二乘拟合法时系统采样周期及采样点数对参数辨识结果的影响;给出了减小辨识误差的方法。实验结果证明了该方案的有效性和可行性,可作为新的功能模块嵌入原有调速控制器系统中得到应用。     

锂离子电池建模及其荷电状态鲁棒估计

锂离子电池动态建模和荷电状态估计是锂电池管理系统的关键技术。针对锂电池工作状态受外部环境因素和负载变化的影响,以二阶RC等效电路模型为基础,采用变遗忘因子最小二乘法辨识模型参数。针对锂电池系统存在不确定性噪声问题,提出基于离散H∞滤波的SOC鲁棒估计方法,并与常用的扩展卡尔曼滤波法进行对比实验研究。实验结果表明,变遗忘因子最小二乘法可提高二阶RC模型的性能,鲁棒估计法可将锂电池SOC的估计误差控制在3%左右,具有较好的鲁棒性。     

基于电动汽车锂电池的SOC动态估算策略

针对实际运行中电池参数的变化,建立了基于Thevenin模型的锂离子动力电池状态空间模型,采用递推最小二乘法进行模型参数在线辨识,对参数做出实时修正,同时克服广义卡尔曼滤波(EKF)估算的不足,提出了基于无色卡尔曼滤波(UKF)估算锂电池SOC估算的新方法。实验结果验证了在同等条件下,UKF比EKF具有更好的滤波估算精度,提高了系统的适应性。     

基于辅助变量的永磁同步直线电机系统辨识研究

针对永磁同步直线电机系统在有色噪声干扰下的辨识问题,提出了一种基于辅助变量的模型参数辨识方法。分析并建立了永磁同步直线电机的数学模型和系统的开环传递函数,引入辅助变量对标准的递推最小二乘法进行改进,对夹杂有色噪声数据的系统模型进行参数辨识。同时,基于固定模型的变回归估计方法（FMVRE）辨识了系统中可能存在的纯延时环节因子。仿真结果表明:在有色噪声影响下,辅助变量递推最小二乘法的辨识精度要高于标准的递推最小二乘法,各参数估计值的误差均在4%以下,并且额外增加的计算量较少。辨识实验的结果也证明了辅助变量递推最小二乘法能够在有色噪声干扰下辨识出较为精确的系统模型。     

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。     

混合动力挖掘机用超级电容的建模与参数辨识

超级电容模型的准确性直接影响混合动力挖掘机动力系统的仿真与控制。结合混合动力挖掘机的工况特点,选用了超级电容的等效电路模型进行参数辨识。根据实验所测数据,比较了普通递推最小二乘法、限定记忆最小二乘法和带遗忘因子的递推最小二乘法,分别进行了参数辨识和模型仿真,结果证明采用限定记忆最小二乘法辨识的模型参数更准确。     

分裂电池模型的在线参数辨识

分裂电池模型(SBM)是一种可消除状态变量间相互干扰的新型模型,但该模型的参数辨识一般采用传统的最小二乘法(RLS),无法实时跟踪模型参数,且RLS会出现数据饱和,导致辨识精度低,影响电池荷电状态(SOC)估算精度。针对这一问题,提出基于分裂电池模型的带遗忘因子的递推最小二乘法在线参数识别方法,该方法能够实现模型参数的在线识别并提高辨识精度,基于辨识的模型参数利用无迹卡尔曼滤波(UKF)算法估算SOC,从而提高电池SOC估算精度。实验结果表明,采用带遗忘因子的递推最小二乘法可提高模型参数的估算精度,并有效改善SOC的估算效果。     

改进卡尔曼滤波在北斗伪距定位中的研究

针对最小二乘迭代法定位精度不高和卡尔曼滤波迭代收敛次数较多并对初始位置过于敏感的缺点,采用最小二乘迭代法和改进的卡尔曼滤波相结合的模型方法,该算法先用最小二乘迭代法对初始位置进行定位,再用改进的卡尔曼法进行滤波,仿真结果表明,该算法与最小二乘迭代法、卡尔曼滤波法、最小二乘和卡尔曼滤波结合等现有算法相比,其迭代5次达到收敛,迭代次数最少,且定位精度提高了60%。该算法可在北斗伪距定位上进行应用,可用于导航定位、也可用于网络RTK初始位置的定位。     

卡尔曼滤波回归统计模型及工程应用分析

将统计模型的回归系数看做状态向量，统计模型视为观测方程，利用卡尔曼滤波算法实现了统计模型的建模。该建模方法不仅便于实时处理、计算机实现、节省机时，而且由于卡尔曼滤波属于线性最小方差估计，所以相比最小二乘建模方法可望获得更高的建模精度。工程实践也验证了卡尔曼滤波回归统计模型的上述特性。     

基于卡尔曼滤波的短期负荷预测

介绍了基于极大后验噪声估值器的自适应卡尔曼滤波算法,并将此算法用于次日整点的电力系统负荷预测。自适应卡尔曼滤波模型的阶用Hankel矩阵法辨识,模型参数采用最小二乘法辨识。针对建模过程中噪声估值器失去半正定性和正定性的情况,对噪声估值器作了平方根处理,经Matlab仿真验证,该处理方法是可行的。     

带次优无偏噪声估值器的KF短期负荷预测

卡尔曼滤波厦理用于电力系统短期负荷预测通常是针对线性定常系统,其噪声协方差是定常的,由于噪声协方差直接影响模型的增益矩阵,进而直接影响到模型的追踪能力和预测的精确度。考虑了电力系统负荷变化具有范围性、波动性的特点,根据9天的历史负荷数据建立预测模型。利用最小二乘法辨识模型转移矩阵,采用Hankel矩阵法辨识模型的阶,运用改进的时变次优无偏噪声估值器对噪声协方差进行自适应估计,用预测方程预测次日负荷。     

燃料电池极化曲线分段辨识算法

基于区间分段思想,将极化曲线非线性参数辨识转化为两个线性最小二乘辨识子问题.MATLAB仿真表明,拟合曲线与模型数据及实验数据的平均二次误差,分别为开路电压的0.31%和0.75%,精度与牛顿法相当.     

基于Leap motion的钢琴弹奏手指运动曲线的测量与分析

针对建立手指触键运动自适应曲线的完整描述,提出了一种基于Leap motion空间3D体感传感器的新型测量方法。首先引入手指运动偏角的概念,建立手指触键运动模型并分布对齐坐标系;然后,根据新型测量方法,进行手指触键动作捕捉与运动特征点选取;最后运用不同的拟合模式在置信区间为95%的条件下处理手指触键动作数据,建立手指触键运动特征描述自适应函数。该函数针对不同长度的人手可为其提供准确的钢琴弹奏触键运动曲线。该研究为钢琴弹奏教育服务型机器人教学平台中的手指触键运动曲线自适应判别系统的建立提供理论支持。     

基于SR-HPPC和EKF的强适应性电池参数辨识

准确的建模与荷电状态(SOC)估计能确保电池管理系统安全启动及稳定运转.以三元正极材料锂离子电池为研究对象,建立离散模型.在传统参数拟合的基础上,结合模型在阶跃响应下的性质,提出一种辨识方法.该方法结合不同工况实验,对电池工作特性进行分析.将参数辨识方法阶跃响应(SR)-混合功率脉冲特性(HPPC)构建的模型与扩展卡尔...     

基于卡尔曼滤波提升快速反射镜的噪声水平

为了降低快速反射镜位置传感器的噪声水平同时又尽可能的减小滤波器所带来的不必要的相位滞后,在同样的硬件基础上提升位置信号的测量精度。将卡尔曼滤波方法引入到快速反射镜控制系统中,同时鉴于卡尔曼滤波器对建模精度的要求,对快速反射镜进行扫频结合手动拟合建模,并结合模型设计卡尔曼滤波器。在此基础之上,对卡尔曼滤波器和巴特沃斯滤波器的输出信号以及原始信号进行频谱分析,比较两种滤波方式的滤波效果和频谱覆盖范围。实验结果表明,卡尔曼滤波器的滤波效果为巴特沃斯滤波器的2.55倍,相位滞后量比巴特沃斯滤波器小36.0°,同时频域结果显示卡尔曼滤波器可以对更大频率范围的噪声有效。经过卡尔曼滤波以后,位置传感器测量精度明显提升。     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

微机保护中卡尔曼滤波模型参数的选择

卡尔曼滤波,是线性、无偏、最小方差的实时递推滤波,是一种高效、优化的数据处理方法。以输电系统的二状态电压模型和三状态电流模型的滤波模型参数的确定,进行了分析研究,以具体线路(山东邹县——潍坊500kV数学仿真线路)为例作了短路过程基频电压和电流分量的最优估计,获得了一套适合于各种故障情况的模型参数。此模型参数之滤波精度和收敛速度俱称满意。本法实时计算简单,特别适合于在高压输电线路的微机保护上应用。