基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

一种参数自适应变化的强机动目标跟踪算法

针对强机动目标跟踪模型难以准确匹配以及跟踪滤波器容易发散的问题,提出一种基于参数自适应变化的强机动目标跟踪算法。对"当前"统计Jerk(improved Jerk model based on current statistics,CS-Jerk)跟踪模型中的机动频率及加速度变化率的极大值进行自适应处理,同时将强跟踪滤波器(strong tracking filter, STF)中的单重时变渐消因子调整为自适应变化的多重时变渐消因子,从而实现对强机动目标更高精度的跟踪。仿真实验结果表明,该算法提高了对强机动目标的跟踪精度。     

基于UKF方法的锂离子电池荷电状态估计研究

选用二阶RC回路的电池模型,以单体的磷酸铁锂动力电池为研究对象,通过充电/放电电流脉冲实验获得电池模型中的各个参数变化范围,研究其荷电状态(SOC)的估算方法.根据电池模型的状态方程和输出方程,运用MATLAB软件,利用无迹卡尔曼滤波(UKF)方法来估算锂离子电池的SOC,并将其估算结果与扩展卡尔曼滤波(EKF)方法的估算结果进行比较.实验结果表明UKF方法能够更精确地估计出动力电池的SOC.     

基于强跟踪卡尔曼滤波的陀螺信号处理

针对陀螺传感器测量精度低,严重影响航空光电稳定平台视轴稳定精度的问题,设计了强跟踪卡尔曼滤波器。根据时间序列分析法的基本原理,对经过预处理的陀螺原始量测数据进行AR模型建模,根据该AR模型采用状态空间法设计卡尔曼滤波器,同时为了增强系统的鲁棒性,引入强跟踪算法对卡尔曼滤波中的状态预测方差进行实时调整,构造了强跟踪卡尔曼滤波器。阐述了该算法的理论、原理,并且在某型航空光电稳定平台上进行试验验证。试验结果表明:强跟踪卡尔曼滤波器输出信号的方差减少了44.1%,分散程度降低,同时,相较于巴特沃斯滤波器,最大超调量减少13%,上升时间缩短了3ms,调整时间缩短了37.5ms,使平台具有良好的动态性能。研究表明,强跟踪卡尔曼滤波器可以提高航空光电稳定平台的精度,有较高的实用价值。     

基于卡尔曼滤波的电动汽车剩余电量估计

电动汽车的电池管理系统需要一个精确和可靠的电池剩余电量预测。由于电池组真实的剩余电量受许多因素如电池温度、充放电次数、电池老化等因素的影响,传统的剩余电量预测技术很难得到精确的结果。该文以聚合物锂离子电池组为研究对象,采用卡尔曼滤波递推算法对电池组剩余电量进行估算,经试验这种方法能够获得蓄电池精确和可靠的剩余电量预测值。     

蓄电池模型参数辨识及在SOC估计中的应用

蓄电池在直流微网中广泛应用,在使用过程中,需要对蓄电池的荷电量进行在线预测,即进行SOC估计,对蓄电池的模型以及参数辨识有较高的要求.由于蓄电池同时具有电特性与化学特性,建立精确的模型比较复杂,本文对蓄电池常用的5种模型进行了对比,并基于混合动力脉冲能力特性HPPC实验结果分别对Thevenin模型和GNL模型进行参数辨识,通过MATLAB仿真对2种模型的准确性进行了对比,在应用扩展卡尔曼滤波法进行SOC估计时,分别对2种模型参数得到的估计结果进行了比较验证.     

基于自适应四元数卡尔曼滤波的姿态估计方法

使用四元数卡尔曼滤波器进行姿态估计的性能与加速度噪声协方差R有很大的相关性。以四元数卡尔曼滤波器递推计算的新息协方差与测量的新息协方差的差值尽可能小为条件,采用基于新息的自适应算法,在线估计加速度计噪声的协方差R,得到符合实际加速度噪声水平的卡尔曼滤波器增益K,对微小型飞行器进行姿态估计。为了减少由新息引入自适应计算的测量噪声,使用渐消记忆的方法对测量的新息协方差进行处理。仿真结果表明,基于新息的自适应四元数卡尔曼滤波器在加速度计噪声协方差R难以测量时或R变化时,相对于四元数卡尔曼滤波器能更准确地获得姿态的估计,减小了滤波器对模型参数的依赖,增加了滤波器的鲁棒性。     

多功能锂离子电池SOC的估算管理与均衡管理研究

本文论述了多功能锂离子电池系统中对于电池的SOC的估算管理与均衡管理,其目的是为了更好地保护电池和提高电池的使用效率.     

基于温度和SOC的锂离子电池特征提取及SOH估计

为了解决电池日常使用过程中数据量获取不足和健康因子提取难的问题,通过分析不同温度下锂离子电池的荷电状态(SOC)与充电电压的变化曲线,提出基于温度和SOC的锂离子电池健康因子提取及健康状态(SOH)在线估计的方法.在电池的实际充电过程中,根据环境温度差异选取电压和电流作为健康因子.利用遗传-爬山算法优化极限学习机的网络参数,建立健康因子和SOH的映射关系,实现SOH在线估计.使用9组NASA电池老化数据进行验证,结果表明,本文方法具有估计精度高、环境温度适应性强的优点.     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

基于V-R模型与卡尔曼滤波器的蓄电池SOC估计

蓄电池组广泛应用于UPS系统中,荷电状态(SOC)是表征蓄电池状态的重要参数之一.在线准确估算蓄电池SOC,有利于开展对蓄电池的状态诊断、维护,保证电池组安全供电.通过对阀控铅酸电池作了大量的充放电试验,根据试验数据应用最小二乘法进行辨识,获得蓄电池SOC的端电压-电阻的计算模型,运用卡尔曼滤波器算法,对SOC做最优估计.经实验验证和仿真,得到了蓄电池SOC最优估计结果,具有很好的精确度,表明该方法能够在工程上用来估算蓄电池的SOC.     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

电动汽车锂电池SOC预测方法研究

为有效地对电动汽车锂电池荷电分布状态(SOC)进行预测,在分析与电池剩余电量相关因数,对动力电池组进行不同工况充放电试验的基础上,建立电池组的神经网络仿真模型。提出基于BP神经网络的电池剩余电量预测模型,利用模型可逼近任何多输入输出参数函数的性能,系统通过样本训练达到较好的仿真结果。与实验结果对比,仿真结果与实验基本吻合,验证了该方法的正确性.     

改进 BP 神经网络的磷酸铁锂电池 SOC 估算

以磷酸铁锂电池为研究对象,根据电池的充放电特性,在Matlab上建立合适的神经网络模型,提出组合训练法,通过大量试验,在比较了10多种训练函数的基础上,得出效果比较好的4种训练函数,兼顾估算精度和训练时间,找出了网络隐含层较优节点数为20,隐含层和输出层的传递函数分别为trainsig和pure-lin。训练结果表明,所建立的BP神经网络模型估算精度高,普适性好。     

基于扩展Kalman滤波的汽车行驶状态估计

介绍了一种应用扩展Kalman滤波技术估计车辆行驶状态的控制算法。该算法以非线性三自由度车辆模型为基础,对汽车在行驶过程中的横摆角速度、纵向车速和质心侧偏角分别进行了估计。为验证该算法的准确度,将估计获得的状态值与实车场地实验测得的数据进行了比较。比较结果说明,应用扩展Kalman滤波算法能够较为准确地估计出车辆的横摆角速度、纵向车速和质心侧偏角。     

基于卡尔曼滤波的多传感器测量数据融合

为解决最小二乘数据融合方法不能显式考虑测量的不确定性等问题,提出基于Kalman滤波的多传感器测量数据融合方法,此方法不仅显式考虑各测量设备的不确定性,而且还能实现单点和批量融合数据,有助于用户根据测量数据的多少选择有效的融合方法;且能有效地过滤基于Mahalanobis统计距离的异常噪声点.实例证明,此方法能获得高质量的融合曲面.     

An estimation model of time-varying origin -destination flows in expressway corridors based on unscented Kalman filter

On the basis of measurable time series of mainline and ramp flows from traffic counts and the assumption of travel time distributions, this research presents a dynamic system model and its on-line estimation algorithm for recursive estimation of time-varying origin-destination (OD) matrices in expressway corridors. The proposed model employs a macro-traffic flow model to estimate travel times of OD flows and uses parameters of the traffic model as state variables, which are added to the constrained function of the system. To improve the model efficiency, we revise the travel time distribution based on the feature of normal distribution. The research employs a newly developed filtering technique, called unscented Kalman filter. The proposed model is evaluated with simulation experiments. Numerical analyses with respect to the sensitivity of the selection of initial parameters on the estimation results indicate that the proposed model is sufficiently reasonable and stable for real-world applications. Supported by the National Natural Science Foundation (Grant No. 60674011)     

Remaining Useful Life Estimation of Lithium-Ion Battery Based on Gaussian Mixture Ensemble Kalman Filter

The remaining useful life (RUL) prediction is a crucial indicator for the lithium-ion battery health prognostic. The particle filter (PF), used together with an empirical model, has become one of the most well-accepted techniques for RUL prediction. In this work, a novel filtering algorithm, named the Gaussian mixture model (GMM) - ensemble Kalman filter (EnKF) is proposed. It embeds the Gaussian mixture model in the EnKF framework to cope with the non-Gaussian feature of the system state space, and meanwhile address some of the major shortcomings of the PF. The GMM-EnKF and the PF are both applied on public data sets for RUL prediction and the simulation results show superiority of our proposed approach to the PF.