电动汽车用动力电池组建模和参数辨识方法

提出了电动汽车用的锂离子动力电池组电化学极化模型,并利用扩展卡尔曼滤波和最小二乘算法分别建立了在线和离线的参数辨识方法。混合脉冲功率特性试验的验证结果表明:基于提出的电化学极化模型所建立的参数辨识方法能够保证模型最大相对误差在1%以内,可精确模拟动力电池组的动态电压特性。建立的参数辨识方法能有效地避免动力电池初次使用前耗时、复杂且易错的参数辨识及定期的参数标定等试验,提高电池管理系统的工作效率。     

考虑老化的修正EKF算法估计锂电池SOC

锂电池的荷电状态(State of Charge, SOC)作为电池管理系统(BMS)的基本参数之一,对其进行准确的估计是BMS可靠性和准确性的基础。为了提升SOC的估算精度,提出了一种考虑老化的锂电池SOC估算方法。选择戴维南二阶模型作为锂电池的等效模型,依据实际数据进行参数辨识并验证。然后,考虑到电池老化对模型参数和实际容量的影响,加入总容量校准和遗忘因子改进扩展卡尔曼滤波(Extended Kalman Filter, EKF)算法,使用改进后的EKF算法精确估计电池的SOC。实验结果表明,在EKF算法基础上加入容量校准和模型老化的遗传因子后SOC的估算精度大大提升。     

改进SADE-EKF的永磁同步电机参数辨识

针对永磁同步电机（PMSM）参数辨识中扩展卡尔曼滤波（EKF）难以确定合适的系统噪声矩阵Q和量测噪声矩阵R的问题,提出了一种改进自适应差分进化算法（SADE）-EKF的PMSM参数辨识方法。首先分析了扩展卡尔曼滤波器的工作原理,建立了双线程辨识模型;然后通过改进差分进化算法（DE）的变异策略跳出局部最优,并设计了合适的适应度函数;最后,通过SADE算法对EKF的Q和R进行优化。实验结果表明,改进的SADE-EKF在辨识电机参数时比传统的EKF具有更好的收敛速度和辨识精度。     

混合卡尔曼滤波的非均匀校正算法

提出了一种基于混合卡尔曼滤波的非均匀校正算法,可以用于解决参数漂移为非线性的问题．该方法首先根据给定状态空间模型的特点,使用无迹卡尔曼滤波技术和传统卡尔曼滤波技术分别处理非线性的状态转移模型和线性的观测模型,然后把估计结果用于非均匀校正．使用仿真的一维和二维数据验证算法性能,实验结果表明,所提算法扩展了传统卡尔曼滤波算法的使用范围,并且与扩展卡尔曼滤波算法相比,具有较高的稳定性和估计精度．     

基于辨识技术的感应电机能效在线监测模型

将标准能效测试方法与电动机参数辨识方法相结合,分析了最小二乘递推(RLS)算法与扩展卡尔曼滤波(EKF)两种参数在线辨识方法计算过程及特点,以最小二乘递推算法为基础实现对电动机定转子漏电感等参数的在线辨识,考虑到最小二乘递推算法对转子电阻动态辨识性能较差,利用扩展卡尔曼滤波算法对电动机转子电阻进行在线辨识。基于在线辨识所得参数搭建电机能效监测模型,获得电机各项损耗及能效,通过仿真验证参数辨识方案可行性,并将能效测试B法所得损耗与该模型监测损耗及能效对比以验证该模型。     

基于改进最小二乘算法的船舶操纵性参数辨识

为了解决船舶操纵性参数辨识问题,考虑了船舶运动时域的非线性和非平稳的特点,提出了一种快速收敛迭代学习最小二乘算法,提高了参数辨识速度和精度。首先建立了船舶操纵一阶和二阶非线性运动响应模型,并将其离散化;然后采用迭代学习思想,并引入P型学习率改进了递推最小二乘算法进行参数辨识;同时分析了该算法的收敛性;最后进行了相关实验。实验结果证明了该算法的可行性和有效性。     

锂离子动力电池参数辨识及其SOC估计

基于三阶RC等效电路模型,提出断点分层的参数辨识方法,通过增加脉冲放电个数提高参数辨识准确度;同时模型参数受温度、电流等诸多因素的影响,且系统噪声的不确定性,可能导致估算算法不收敛,自适应扩展卡尔曼滤波在每次迭代更新的时候,测量数据对状态变量进行动态修正,不断估算并修改干扰噪声的统计特性因而得出的SOC估算值较为准确。最后把估算结果和安时积分法与开路电压法的结合算法得到的曲线作比较,结果表明:该算法估算误差维持在2%左右,表现出优良的估算效果。     

修正扩展卡尔曼滤波应用于同步发电机参数辨识

本文提出了一种运用连续系统的修正扩展卡尔曼滤波(CEKF)技术在线辨识同步发电机参数的方法。为了保证参数估计的收敛性和加快收敛速度,我们对CEKF算法进行了改进,引入了步长自修正技术。计算机仿真试验结果表明该方法是有效可行的。     

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.     

基于改进遗传算法的ROV推进器伺服系统辨识

针对ROV变量液压推进器伺服控制系统的控制模型,提出了采用改进遗传算法进行控制模型参数辨识。为解决遗传算法易早熟,难以找到精确解等问题,采用一种基于均匀设计的种群初始化方法和一种改进变异方式的深度捕食策略,有效提高了ROV变量液压推进器伺服控制模型辨识算法的全局收敛性和搜索效率。同时,利用液压试验平台搭建液压回路模拟液压推进器伺服控制系统,采集试验数据辨识得到了ROV变量液压推进器的精确控制模型,仿真和实验结果证明了辨识算法的可行性和模型的正确性。     

基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

基于扩展卡尔曼滤波的信号转导网络参数估计

针对细胞信号转导网络的数学模型结构复杂、强非线性以及实验测量数据存在极大不确定性的特点,采用扩展卡尔曼滤波技术,将模型参数作为随机过程的状态估计量,构造相应的卡尔曼滤波方程进行参数估计.以肿瘤坏死因子诱导的核转录因子κB信号转导网络为例,对系统模型的未知参数进行辨识.结果表明该方法能够从噪声数据中提取有效信号,从而有效地识别参数,为解决复杂信号转导通路参数辨识中的不确定性问题提供了可靠的理论方法.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

基于TS模型的非线性系统模糊辨识算法

对一类采样数据较均匀的非线性系统,提出一种基于TS模型的系统辨识算法.首先利用等分区间法对输入空间进行前提结构的划分,并根据所选定的隶属度函数确定每个输入变量在各个模糊子空间中的隶属度,然后利用卡尔曼滤波算法来辨识模型的后件参数.与模糊聚类等辨识算法相比,该算法计算量较小,适用于系统的在线辨识,仿真研究表明该算法具有较高的辨识精度.     

基于微粒群优化的船舶柴油机T-S模糊模型

提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法,并用于船舶柴油机的动态建模.该辨识方法采用GK模糊聚类算法确定模糊模型的前件结构及参数,利用PSO算法来辨识模糊模型的结论参数.利用6160-All船舶柴油机模型,获得柴油机各主要参数在油门尺度和负载发生小偏差扰动时的试验数据,再利用该组数据辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力、进气管压力、排气管压力等参数的T-S模糊动态模型.仿真结果表明了该方法的有效性.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

自适应扩展卡尔曼滤波电池荷电状态估算方法

为更精确预估电动汽车动力源的荷电状态,优化戴维南等效电路模型,用自适应扩展卡尔曼滤波进行荷电状态估算.对实验电池进行外特性数据获取实验,分别得到在充放电状态下的开路电压曲线,在开路电压-荷电状态对应曲线中考虑充放电状态变化的因素.对离线参数辨识进行优化处理,在固定参数离线辨识的基础上考虑充放电状态和荷电状态,并与在线辨...     

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。     

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.     

基于径向基神经网络的质子交换膜燃料电池智能参数辨识

在质子交换膜燃料电池(Proton Exchange Membrane Fuel Cell, PEMFC)中,准确地辨识未知参数对于建立可靠而精确的模型至关重要.然而,PEMFC参数辨识难以被常规的数值分析方法解决,这是一个涉及多个变量且有强耦合的非线性问题.此外,噪声对数据的影响、收集数据的不足以及电池记录数据的丢失都会增加获取精确参数的难度.针对以上问题,本文提出一种基于径向基函数(Radial Basis Function, RBF)神经网络联合启发式算法的参数识别策略.先对RBF进行训练,并利用RBF对数据进行降噪与预测处理,以解决噪声对数据的影响、收集数据的不足以及电池数据丢失的情况;再利用启发式算法对PEMFC模型参数进行辨识.结果表明,经过RBF处理后可以显著降低异常情况对参数辨识的影响,极大程度提高启发式算法参数辨识的准确性,其中V-I拟合精度达到99.56%.