基于递推最小二乘的超级电容建模及测试

为了在实际生活中更好地应用超级电容,本文对超级电容的充电特性进行深入研究与分析,搭建了基于研华PCI-1711数据采集卡和组态王6.55软件开发的超级电容充放电测试平台。该平台显示和记录了充电过程中超级电容端电压数值,建立了超级电容的一阶等效电路模型;基于递推最小二乘法,在Matlab平台对超级电容一阶数学模型进行了参数辨识,并通过测试数据对该模型的可行性和准确性进行验证。验证结果表明,由递推最小二乘算法得到的模型参数较为精确,可以解决超级电容等效电路模型的参数辨识问题;模型的仿真准确度较高,可以较好地描述超级电容的电气特性。因此,递推最小二乘算法可以作为模型参数在线辨识的一种有效手段。该研究对实际中应用超级电容具有一定的借鉴意义。     

木材干燥窑的建模与参数辨识

针对木材窑干燥过程，给出了干燥窑的热传递关系式，建立了干燥窑传递函数模型．用最小二乘法对模型参数进行了离线辨识．为准确描述系统的时变特性，用递推最小二乘法对干燥窑的模型参数进行了在线辨识．运用上述方法对所设计的实验窑控制系统进行了辨识．实验结果证明，在线辨识得到的参数准确，模型阶跃响应误差值保持在４％以内．     

用于系统能效动态评估的异步电机参数辨识

为了能够有效地利用等效电路法对电机系统能效进行实时的动态评估,提出一种将递推最小二乘法与模型参考自适应法相结合的异步电机参数在线辨识方法,实时获取异步电机参数,并利用等效电路完成电机能效动态评估。以一台5.5 kW异步电机为例进行了仿真与实验研究,结果表明,提出的电机参数辨识方法能够准确辨识电机参数,且具有计算量少、准确度高以及较好的动态跟踪辨识性能;利用参数辨识方法获取电机参数,运用等效电路法评估出电机的能效水平,并与实测效率进行对比,进一步验证了文中提出的异步电机参数在线辨识方法的正确性与可行性。     

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...     

基于dq(0)坐标系的异步电机等效电路参数在线辨识方法研究

为了实现异步电机等效电路参数的在线辨识,利用基于dq(0)坐标系的异步电机动态方程,推导出异步电机标准最小二乘数学模型,在充分考虑影响辨识结果因素的基础上,采用一种带遗忘因子递推最小二乘法的参数辨识方法,实现了异步电机等效电路参数的精确辨识.以Y2-280S-8,37 kW; Y160M1-2,11 kW;Y132S-4,5.5 kW3台电机为仿真实例,并对Y132S-4,5.5 kW电机进行了参数辨识的试验研究,实现了电机定子自感、转子电阻和激磁电感的在线辨识.仿真和试验结果表明,提出的辨识方法能有效的在线辨识电机的等效电路参数.     

导弹自适应自动驾驶仪的设计

本文对基于辨识和波波夫超稳定性理论的自适应自动驾驶仪设计进行了研究。这里研究的对象是导弹横滚回路,可用二阶时变微分方程近似描述。由于弹体参数在大范围内激烈时变,我们选择了具有遗忘因子的递推最小二乘法,实现实时地辨识对象参数,并且采用了比例加积分型模型参考自适应规律,使对象输出较好地跟踪参考模型输出。计算机仿真的研究给出了两种不同输入信号时的参数辨识的结果,仿真还表明了采用估计的参数进行自适应调参与采用真值实现自适应调参,其响应是一致的。     

基于动态折息因子递推最小二乘法的 永磁同步电机参数辨识

针对传统递推最小二乘法（RLS）辨识永磁同步电机（PMSM）参数精度较差问题,提出了一种动态折息RLS的PMSM参数辨识方法。在PMSM数学模型基础上建立了多参数辨识模型,实现了多参数实时辨识;对RLS引入动态折息因子,通过估计误差对其实时调整,克服了传统RLS数据饱和与估计精度较差问题。仿真分析和实验结果表明,在不同工况下,所提方法在辨识电机定子电阻、定子电感和永磁磁链参数的误差均控制在1%以内,比传统参数辨识方法具有更好的辨识精度与快速性。     

非线性系统的模糊建模方法研究

给出一种基于T-S模型进行非线性模糊建模的方法,该方法首先通过模糊聚类的方法进行模糊结构辨识,再利用带遗忘因子的递推最小二乘法对后件参数的辨识,从而得到模糊模型,通过利用Box和Jenkins煤气炉数据进行仿真,验证了所提方法的有效性.     

递推最小二乘法在警戒控制器上的应用

为了改善动态系统性能指标,提出警戒控制器控制算法.通过递推最小二乘法对动态系统进行参数辨识,在控制算法中考虑参数估计误差的不精确性,得到警戒控制器的控制律;对自校正系统与警戒控制器的控制律所决定的性能指标进行比较,结果表明,警戒控制器的控制律可使其动态性能指标达到最小.应用 Mat-lab 软件对系统的仿真结果表明.警戒控制器的控制算法对建立适合过程控制特点的控制方法十分有效.     

移动充电系统的锂电池SOC的估算及检测设计

为了能够实时在线检测移动充电系统的锂电池SOC,防止移动充电系统过度充放电,结合移动充电系统实际工作情况,提出在移动充电系统充放电两种状态下采用新的一种简单、易实现的分阶段算法分别对锂电池进行SOC估算.文中搭建一种新型改进二阶RC等效电路模型,利用最小二乘法理论进行锂电池参数辨识,考虑温度、充电电流和电池寿命SOH等因素对SOC估算的影响,对算法进行参数修正,并设计一种基于Android平台电池荷电状态检测系统,以容量2 750 mAh的比克三元锂电池为对象,进行HPPC实验,将实验值与仿真数据进行对比验证.结果表明:分阶段修正算法能较好地估算锂电池SOC,同时该检测系统能实时在线对锂电池进行SOC估算,验证了新修正SOC估算算法的可行性和检测系统的正确性,对实际工程应用具有一定的参考价值.     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

混合动力汽车铅酸电池模型和试验研究

根据车载动力电池充放电流的变化,选取了电池的等效电路模型.设计了一种脉冲试验测试方法以获取模型中的参数,数据分析结果表明,电池内部参数随着荷电状态变化具有一定的规律.这一变化规律的确定有助于将电池工作范围控制在能量转化效率较高的区域,还可对在线利用卡尔曼滤波方法识别电池的状态提供验证和对照信息.     

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。     

磁浮直线电机的等效控制模型改进

为准确测量电机参数,提出一种新的改进的SLIM等效电路参数辨识方法,利用不同频率时的电机推力、变频器输出电压和电流等静态堵转特性,结合算法推算出适合控制用的SLIM等效电路中的初级电阻、漏感、次级等效电阻和漏感参数.通过MATLAB仿真实验,结果表明各动态参数幅值的修正对提高电机速度辨识精度是有利的,并在中低速磁悬浮模拟实验平台上进行实验,验证了在改进后的T-模型下,对结果分析可以得知电机的状态辨识效果和精度得到了提高,并对以后的电机参数设计具有指导意义.     

互联电力系统动态等值模型的可辨识性分析

对互联大型电力系统分析采用动态等值可以显著降低计算量,并能较好反映系统动态特性.动态等值的同调等值法和模式等值法大都用于离线分析,在线动态安全分析常需要对外部系统作在线的动态等值,这时需要采用辨识等值方法:先确定系统等值模型,模型参数通过辨识获得.给出了计及励磁系统、考虑发电机凸极特性和负荷静特性的电力系统区域动态等值模型;分析了模型的可辨识性.从理论上证明:充分利用稳态条件,等值模型中所有参数均是可以辨识的.     

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。     

A comparative study of different online model parameters identification methods for lithium-ion battery

Precise states estimation for the lithium-ion battery is one of the fundamental tasks in the battery management system (BMS), where building an accurate battery model is the first step in model-based estimation algorithms. To date, although the comparative studies on different battery models have been performed intensively, little attention is paid to the comparison among different online parameters identification methods regarding model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost. In this paper, based on the Thevenin model, the three most widely used online parameters identification methods, including extended Kalman filter (EKF), particle swarm optimization (PSO), and recursive least square (RLS), are evaluated comprehensively under static and dynamic tests. It is worth noting that, although the built model’s terminal voltage may well follow a measured curve, these identified model parameters may significantly out of reasonable range, which means that the error between measured and predicted terminal voltage cannot be seen as a gist to determine which model is the most accurate. To evaluate model accuracy more rigorously, battery state-of-charge (SOC) is further estimated based on identified model parameters under static and dynamic tests. The SOC prediction results show that EKF and RLS algorithms are more suitable to be used for online model parameters identification under static and dynamic tests, respectively. Moreover, the random offset is added into originally measured data to verify the robustness ability of different methods, whose results indicate EKF and RLS have more satisfactory ability against imprecisely sampled data under static and dynamic tests, respectively. Considering model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost simultaneously, EKF is recommended to be adopted to establish battery model in real application among these three most widely used methods.