基于参数在线辨识和SVD-UKF的锂电池SOC联合估计

锂电池的荷电状态(SOC)是电池管理系统的核心参数,准确的SOC估计对电动汽车的安全运行至关重要。针对因电池模型参数固定导致锂电池SOC估计精度不高和误差协方差非正定导致传统无迹卡尔曼滤波算法估计SOC失败的问题,提出基于参数在线辨识和SVD-UKF的锂电池SOC联合估计算法。该算法使用变遗忘因子递推最小二乘法实现电池模型参数的在线辨识,通过基于奇异值分解的无迹卡尔曼滤波算法(SVD-UKF)实现电池SOC的估计。在联邦城市运行工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在1.53%以内,能够有效提高SOC估计的准确性和稳定性。     

一种基于状态观测器的Buck电路控制方法

为了改善DC/DC变换器的控制性能,提升控制器与电路的抗干扰能力,在电流模式控制的基础上,设计了一个基于线性扩张状态观测器的变换器控制器,提升了应对非最小相位系统输入电压或负载变化时稳定输出电压的能力。使用线性扩张状态观测器来估计输出电压与扰动并及时在反馈中给予补偿,保证系统在外部条件变化时的输出稳定性。对某DC/DC降压变换器进行实验,结果表明所设计的控制器可行且具有良好的电压稳定性能。     

基于布谷鸟算法的光伏MPPT改进

为减小光伏阵列在存在局部阴影时光伏系统输出功率的损失,提高最大功率点追踪（MPPT）的速度和准确性,提出基于布谷鸟（CS）算法和扰动观察法（P&O）相结合的MPPT控制方法（ICS-P&O）。对CS算法中的种群进行分组,在随机游走阶段为2个种群设置不同的更新策略,在偏好游走阶段加入信息共享策略来辅助更新,从而加快算法的收敛,提升收敛精度,而后利用小步长P&O算法进一步提高后期的收敛精度。仿真结果表明,所提算法在不同的外界环境下追踪速度和追踪精度均得到有效提升。     

基于RF-GRU风速预测的风电MPPT控制

针对风能最大功率点跟踪(MPPT)的问题,提出了一种基于风速预测的改进粒子群优化(IPSO)算法的MPPT控制策略.该策略包含两部分:基于门控循环单元(GRU)神经网络的风速预测和IPSO算法的MPPT控制.首先,建立GRU风速预测模型,并通过随机森林(RF)算法进行特征提取,作为模型的输入,实现风速预测;然后,以预测...     

基于改进差分进化算法的光伏最大功率点跟踪

在光伏最大功率点跟踪算法中,传统算法收敛会产生陷入局部极值的问题,而智能算法收敛较慢,且在收敛过程中可能产生大幅度电压振荡。针对上述问题,文中提出了相应的改进策略。在粒子群算法迭代过程中,通过增加粒子种群的个体排序来抑制大幅度电压振荡,消除较差适应值粒子对速度更新的影响,同时结合差分进化算法中种群更新时的竞争关系来提高收敛速度。采用单峰值及多峰值算例对所提策略进行仿真实验,得到的光伏最大功率分别为60 W和122 W。仿真结果表明,相较于粒子群算法和差分进化算法,文中所提算法的收敛速度分别提升了52.22%和61.60%,追踪过程的中期电压波动幅度分别减少了15%和30%。     

基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用.针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF...