5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

基于无迹卡尔曼航空锂电池的SOC估算系统

针对放电条件下,航空锂电池的放电情况,考虑了电流及温度对极化参数的影响的电池模型。电池电荷状态(State of Charge,SOC)对于电池是十分重要的性能,为了精准估计航空锂电池的电池电荷状态(State of Charge,SOC),尝试使用无迹卡尔曼滤波(UKF)对航空锂电池的SOC进行估算,无迹卡尔曼滤波是一种新型的滤波估计算法。UKF以无损变换变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无迹(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高。在simulink上建立航空锂电池的等效电路模型,进行仿真实验。仿真实验表明该算法SOC估算精度误差稳定在百分之五左右。     

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于改进EKF算法的锂电池SOC估算

采用传统EKF算法对电池SOC估算时,系统噪声先验特性未知及电池模型误差会影响电池SOC估算的精度。论文提出一种基于改进EKF算法的锂电池SOC估算方法:通过建立电池等效电路模型,联合安时积分法原理,得到系统的状态空间方程;接着引入数据校正的思想,运用Cauchy鲁棒函数,以EKF观测方程的真实值与估计值之间的残差为依据,实时矫正了滤波状态噪声协方差阵Q,且在SOC区间内通过观测噪声协方差阵R进行了动态调整,使算法具有更强的鲁棒性。仿真结果表明,与传统的EKF算法相比,改进后的EKF算法估算误差降低了3.5%,且算法的平均误差保持在0.68%左右,验证了该方法的有效性及精确性。     

基于不同模型下EKF算法的锂离子电池SOC估计

动力电池的准确建模及荷电状态(SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义。本文对锂离子电池进行等效电路模型的建立并通过HPPC测试对模型进行参数辨识。利用Matlab软件,基于两种模型开展扩展卡尔曼滤波算法下的电池SOC估计精度对比实验研究。结果表明,在同一实验条件下,EKF-Ah SOC估计方法能够有效提高电池SOC的估计精度;与Rint模型相比,基于Thevenin模型的EKF-Ah SOC估计精度得到显著提高,SOC估计最大绝对误差为1.91%。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF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和累积误差的问题.     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

结合特征定位噪声表征的单应矩阵精确鲁棒估计

针对基于特征匹配的单应矩阵估计方法的特征定位噪声的各向异性非同分布对其精度和鲁棒性的影响,提出了一种结合特征定位噪声表征的单应矩阵估计方法。该方法采用协方差矩阵来表征特征点定位噪声;基于协方差矩阵加权采样一致性(CWSAC)的内点检验方法来提高单应矩阵估计的鲁棒性。最后,提出一种单应矩阵高精度估计算法——协方差加权Levenberg-Marquardt(CW L-M)法。该方法结合协方差矩阵重新定义优化目标函数,提高了单应矩阵的估计精度。基于仿真数据和真实图像的实验表明,在相同定位噪声和内点比例条件下,本文算法的估计精度显著优于RANSAC(RANdom SAmple Consensus)、LMedS(Least Median of Squares),PROSAC(PROgressive SAmple Consensus)、M-SAC(M-estimator SAmple Consensus)和MLESAC(Maximum Likelihood SAmple Consensus)等传统算法,投影均方误差比次优方法降低了3%~21%。另外,本文方法对定位噪声和内点比例变化均具有较好的鲁棒性。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

基于容积卡尔曼滤波融合的锂离子电池SOC估计

锂离子电池荷电状态(SOC)的准确估计对新能源汽车的能量管理和续驶里程计算尤为重要。就一段估计区间而言,尽管自适应5阶容积卡尔曼滤波(AHCKF)的总体精度通常比自适应容积卡尔曼滤波(ACKF)的更高,但在估计过程中二者的精度优劣是不断变化的。为了进一步提高SOC估计的精度,提出了一种基于不同阶次容积卡尔曼滤波融合的SOC估计算法。为评估融合算法的表现,本文采用该算法与NASA提供的电池随机充放电使用工况数据进行SOC估计。结果显示,所提出算法能够较大程度地减小SOC估计的误差。相对ACKF与AHCKF,平均绝对误差分别减少了26.39%和11.67%,均方根误差分别减少了20.21%和6.25%。     

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。     

电流信号采样偏差下动力电池荷电状态估计研究

电动汽车电池管理系统实际运行的过程中,电流信号易受到有色噪声的干扰而产生信号采样偏差,这会造成荷电状态(Stateofcharge,SOC)估计精度的急剧下降。针对该问题,分析电流信号分别在两种不同类型的有色噪声干扰下的SOC估计问题,提出一种三层组合估计结构用于同时实现电流采样信号的校正、电池模型参数的在线更新以及SOC的高精度估计。该组合结构首先基于状态扩维后二阶RC等效电路模型,并利用自适应重组遗传算法(Adaptive recombination genetic algorithm,ARGA)辨识出模型参数,由自适应平方根容积卡尔曼滤波(Adaptive square root cubature Kalman filter,ASRCKF)算法在线校正产生偏差的电流信号;然后基于校正后的电流信号和二阶RC模型,通过偏差补偿遗忘因子递推最小二乘(Bias compensation recursive forgetting-factor least squares,BCFRLS)算法与ASRCKF算法相结合进行协同估计,实现模型参数和SOC值的在线更新。最后在DST工况下进行验证,试...     

基于粒子滤波的非线性设备状态估计

为解决非线性非平稳设备状态估计难的问题,提出一种基于粒子滤波的非线性设备状态估计方法。该方法通过蒙特卡洛方法仿真状态动态模型和观测模型,并对系统状态的后验概率密度函数进行估计。该方法避免了典型卡尔曼滤波状态估计过程中要求线性和高斯噪声的假定。最后,将该方法用于齿轮箱状态估计实验,实验结果显示,该方法与卡尔曼滤波法相比较,结果更加准确,验证了该方法的有效性。     

基于组合模型的锂电池参数辨识和电池荷电状态在线联合估计

针对电池荷电状态(SOC)估算过程中开路电压与SOC之间的迟滞效应以及充放电电流和端电压中噪声的影响,提出了基于组合模型的Frisch方案双滤波(FSDF)法。先通过一阶RC等效电路模型结合Preisach离散模型建立新的模型,随后采用Frisch方案对模型的输入输出进行噪声方差估计,滤除部分输入输出噪声,最后使用扩展卡尔曼滤波结合无迹卡尔曼滤波进行参数实时更新和电池单体SOC估算。实验证明,FSDF方法对锂电池SOC估算结果与Frisch方案递推最小二乘-无迹卡尔曼滤波法等其他方法相比,具有精度高、鲁棒性好等特点。     

基于多时间尺度的锂离子电池状态联合估计

荷电状态(SOC)和健康状态(SOH)估计是锂离子电池管理系统的关键技术。针对SOH退化情况下电池模型参数和容量参数发生改变影响SOC长期估计性能的问题,提出了基于多时间尺度的锂离子电池SOC-SOH联合估计方法。建立多时间尺度状态空间方程,构建SOC-SOH与电池模型参数间多维度空间插值曲面,基于无迹粒子滤波算法实现锂离子电池状态联合估计。根据SOH估计结果更新用于SOC估计的电池模型参数和容量参数,在SOH估计中以在线健康因子作为系统观测量实现在线联合估计。实验结果表明,在锂离子电池全寿命周期中,相较于未考虑SOH退化情况,方法在SOC估计的最大误差、平均误差和均方根误差方面有明显降低,较好地提升了SOC的长期估计性能。     

基于扩展卡尔曼滤波法的锂离子电池SOC估算

SOC(State of Charge)的准确估算可以为整车控制提供良好的判断依据,本文采用扩展卡尔曼滤波法,基于戴维南(Thevenin)模型对锂离子电池SOC的估算进行了研究。并通过工况实验,在MATLAB环境下对该算法进行了仿真验证,结果证明扩展卡尔曼滤波法可以有效跟踪锂离子电池SOC的变化,并且抗干扰能力强,具有较高的控制精度。     

鲁棒渐消CKF及其在SINS初始对准中的应用

惯性导航系统正常工作前需进行初始对准,容积卡尔曼滤波(CKF)是常用的非线性初始对准算法。针对在滤波模型失准和非高斯观测噪声干扰情况下常规CKF出现精度下降甚至发散的问题,提出了鲁棒渐消CKF算法。引入多重渐消因子对观测噪声协方差阵或状态预测协方差阵进行调整。设计了基于滤波残差序列统计特性的滤波状态卡方检验方法,检测滤波器状态并自主确定渐消因子的引入方式,使渐消因子的引入更加合理。试验结果表明,算法在系统建模失准及异常量测噪声的干扰下能够保持较强的鲁棒性和自适应性,其姿态失准角误差约为0.01°,航向失准角误差小于0.1°。