基于UD分解自适应KEF的锂电池 SOC估算

电池荷电状态(SOC)是电池重要的性能指标之一,为电池管理系统实现管理控制提供了重要依据。针对卡尔曼滤波算法不能预估和修正噪声的问题,引入改进的Sage-Husa噪声估计器,构成自适应扩展卡尔曼滤波算法AEKF)估算动力锂电池SOC,同时针对计算机在进行浮点运算时存在单位舍入误差问题,采用UD分解算法,保证任意时刻状态估计协方差矩阵的对称正定性,限制由于计算误差引起的滤波发散,提高算法的精度和稳定性,通过MATLAB仿真对本文算法进行了验证,并与标准EKF算法进行比较,结果表明该算法具有较高的估算精度和稳定性,可以满足应用要求。     

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....     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于间接EKF的MEMS惯性系统最优姿态估计

针对MEMS惯性系统姿态估计中的扩展卡尔曼滤波EKF(Extended Kalman Filter)是非线性状态方程的次优估计且性能受量测噪声协方差矩阵影响的问题,提出一种间接EKF最优姿态估计方法。推导与状态向量扰动相关的线运动特性并设计扰动状态方程,采用标准线性卡尔曼滤波完成扰动状态及其协方差最优更新,最后利用加速度计输出作观测量并采取链式法则完成量测矩阵的求取。对比实验结果表明,间接EKF算法可有效降低陀螺随机漂移对姿态估计的影响,姿态收敛速度与精度均优于传统EKF方法。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

基于自适应卡尔曼滤波的异步电机转速和负载转矩估计

针对常规EKF估计结果受给定的噪声协方差阵影响较大的问题,提出了一种基于自适应卡尔曼滤波(Adaptive Kalman filtering,AEKF)来同时估计电机转速和负载转矩的方法。在用AEKF估计转速和负载转矩时,根据AEKF的要求,将电机增广随机数学模型的输入噪声与建模误差引入的噪声直接合并,等效为状态噪声;基于变换后的模型,利用状态预测残差估计状态噪声协方差阵,利用观测残差估计观测噪声协方差阵,实现了噪声协方差阵自适应变化。实验结果表明:所提方法的估计结果基本不受给定的噪声协方差阵初值影响,且能以较高的精度估计出电机的转速和负载转矩。     

基于改进EKF算法的锂电池SOC预估研究

电池荷电状态(SOC)是描述电池性能的重要指标之一。针对磷酸铁锂电池(LiFePQ_4)的特性,选用了能够较真实地反应电池内部状态的PNGV电路模型,提出了改进模型的方法。采用扩展卡尔曼滤波算法(EKF),说明了扩展卡尔曼滤波估算荷电状态的原理并将内阻R_0看作状态变量进行同时预估更新,改进形成新的卡尔曼滤波算法。在仿真时对充电电流加入了噪声模拟实测数据。结果表明,该方法能够适应电池特性的动态变化,保证较高的SOC估算精度,减小误差,提高实用性。     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

基于RAEKF的GPS/INS紧组合导航方法研究

针对GPS/INSS组合导航系统对高精度和高可靠性需求不断提升的现状,考虑载体运动复杂性导致运动过程中噪声数学统计特性无法精确确定,且滤波结果易受观测粗差影响的问题,提出一种抗差自适应扩展卡尔曼滤波(Robust Adaptive Extended Kalman Filter,RAEKF)方法。基于惯性导航、卫星导航原理与误差模型确定紧组合工作模式下的卡尔曼滤波数学模型;推导常用EKF模型并构造抗差自适应卡尔曼滤波,通过自适应调整观测值的使用权重提高滤波精度,结果表明抗差自适应滤波能有效抑制粗差对导航结果的影响。     

基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计

电池荷电状态(state of charge,SOC)的精确估计是判断电池是否过充或过放的重要依据,是电动汽车安全、可靠运行的重要保障.传统基于扩展卡尔曼滤波(extended Kalman filter,EKF)的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布.为解决上述问题,基于模糊神经网络(fuzzy neural network,FNN)建立模型误差预测模型,并藉此修正扩展卡尔曼滤波测量噪声协方差,以实现当模型误差较小时对状态估计进行测量更新,而当模型误差较大时只进行过程更新.仿真和实验结果表明,该算法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差,误差在1.2%以内,并且具有较好的收敛性和鲁棒性,适用于电动汽车的各种复杂工况,应用价值较高.     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

基于CDKF的飞机姿态角估计

针对扩展卡尔曼滤波(Extend Kalman Filter ,EKF)在飞机姿态估计中存在着计算复杂、线性化误差大等缺点,将一种基于Stirling内插公式的非线性滤波算法—中心差分卡尔曼滤波算法(Central Difference Kalman Filter, CDKF)应用于由低精度高噪声传感器组成的低成本飞机姿态估计系统中。首先建立基于四元数的飞机姿态数学模型,然后用CDKF方法进行姿态估计,并通过实测数据进行验证。实验结果表明, CDKF方法不仅有效地提高了飞机姿态估计的精度和稳定性;而且不需要模型的具体解析形式,避免了复杂的Jacobian矩阵的计算,算法更简单,也更容易实现,优于常用的EKF方法。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

车用锂离子电池SOC估算算法的研究

针对纯电动汽车的锂离子电池容量损失而导致估算电池电荷状态(SOC)精度降低的问题,本文分析了影响电池容量损失的因素,提出容量修正算法。通过改进电池模型,把电池容量作为状态变量,将电池容量修正算法运用于Kalman滤波算法估计SOC,解决了锂离子电池容量损耗使得误差累积的问题。实验证明,本文提出的基于容量修正的Kalman最优滤波算法提高了SOC估算的精度,并且对初始误差有很强的修正作用,可以保证纯电动汽车锂离子电池的稳定工作。     

基于无源传感器协同的机载雷达自适应辐射控制算法

随着现代战场中电子对抗的日益激烈,雷达的生存环境受到了严重威胁。射频隐身技术是一种提高雷达及其搭载平台战场生存能力的重要途径。文中采用一种基于交互式多模型（Interacting multiple model, IMM）和扩展卡尔曼滤波（Extended Kalman filter, EKF）的序贯滤波方法。该算法优先使用无源传感器进行目标跟踪,将滤波过程中的状态估计预测协方差与预先设定的协方差门限进行比较,当目标跟踪精度不满足要求时,开启雷达工作。同时根据目标运动状态自适应地调整雷达工作时的辐射能量,从而进一步减小目标跟踪过程中机载雷达的辐射总能量。仿真结果表明,本文算法可以有效地配置机载雷达工作参数,提升系统的射频隐身性能。     

基于EKF的航天器姿态确算法定及精度分析

采用陀螺和星敏感器组合的方式来进行航天器姿态确定。首先建立了陀螺和星敏感器的测量模型,选择以四元数作为描述航天器姿态的参数,详细推导了在小偏差下以误差姿态角和陀螺常值漂移误差为状态量的滤波状态方程,并且以星敏感器的测量残差作为量测量,采用扩展卡尔曼滤波（Extended Kalman Filter, EKF）算法进行姿态确定;然后进行了仿真分析,仿真结果表明：该算法可以达到较高的姿态确定精度;最后对影响姿态确定精度的硬件因素和软件因素进行了定量的数据分析,得出了有一定意义的结论,从而为工程实践提供理论支持。     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。