基于动态噪声自适应无迹卡尔曼滤波的锂离子电池SOC估计

锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池系统的高效能量管理和优化控制至关重要。因此本文提出了一种基于动态噪声自适应无迹卡尔曼滤波的SOC估计方法。首先,通过间歇放电实验获取电池不同SOC下的开路电压,并进一步拟合得到电池的OCV-SOC曲线,接着采用二阶RC等效电路模型对锂离子电池建模,然后通过混合功率脉冲特性工况测试对电池模型参数进行辨识。由于实际应用中锂离子电池为非线性系统且SOC估计精度容易受到噪声的影响,本文在卡尔曼滤波算法的基础上采用无迹变换处理,加入噪声自适应过程,以实现噪声特性自适应估计,动态调整测量噪声与过程噪声,提高算法鲁棒性以及估计精度。最后选取DST与FUDS工况进行验证,结果表明在不同工况下动态噪声自适应无迹卡尔曼滤波算法的估计平均绝对误差、最大绝对误差以及均方根误差相较于自适应无迹卡尔曼滤波、无迹卡尔曼滤波算法均有降低,其平均绝对误差小于0.59%。本文提出的动态噪声自适应无迹卡尔曼滤波算法能够更准确地估计锂离子电池SOC。

基于压痕试验的岩石力学参数的卡尔曼滤波反演

压痕试验是间接评估岩体力学特性的重要方法,为了更好地利用压痕试验评估岩体力学参数,本研究采用一种基于扩展卡尔曼滤波算法的参数反演方法。基于室内压痕试验获得的荷载-压入深度曲线数据,通过弹塑性数值仿真模型构建岩体弹塑性参数与压痕曲线的响应关系,进而利用卡尔曼滤波算法实现对岩石弹塑性参数的反演和优化分析。结果表明,本研究方法具有较好的收敛性和较高的识别精度,反演得到的岩石弹性参数均值的相对误差在10%左右,塑性参数的反演结果相对误差小于20%。较传统单一经验公式方法,本研究方法具有更高的预测精度,对多种不同岩性岩体都有较好的适用性。

基于卡尔曼滤波的综合脉冲星时驾驭原子时算法研究

利用综合脉冲星时(PT)具有较好长期频率稳定度的优点,将原子时驾驭到综合脉冲星时,可以改进其长期频率稳定度水平。文章描述了综合脉冲星时驾驭原子时的卡尔曼滤波方法。以美国海军天文台地方原子时TA(USNO)为例,采用卡尔曼滤波方法将地方原子时驾驭到国际原子时TAI,进而利用综合脉冲星时PT数据将其再驾驭到综合脉冲星时系统,最后得到经过2次频率驾驭后的PT-TA(USNO)钟差序列。考虑到综合脉冲星时PT包含有较大白频噪声,利用滤除其高频噪声后的PT驾驭原子时,能够获得更佳频率驾驭效果,驾驭后的钟差序列长期频率稳定度有明显提高。采用同样算法,将美国国家标准和技术研究院地方原子时TA(NIST)驾驭到TAI,再驾驭到PT,也得到相似结果。

基于非线性卡尔曼滤波的城市轨道交通客流密度短时预测方法

[目的]为应对大客流事件,需准确识别城市轨道交通对大客流时空分布状态及演化规律,有必要基于EKF(扩展卡尔曼滤波)和UKF(无迹卡尔曼滤波),对城市轨道交通客流密度进行短时预测。[方法]从车站和断面两个层面,介绍了自动售检票设备数据的处理方法,并划分了城市轨道交通车站及断面的舒适度等级。通过定义客流密度状态方程和量测方程,分别介绍了EKF模型和UKF模型的城市轨道交通客流密度短时预测计算方法。以国内某城市轨道交通网络化运营城市某条线路为案例,比较了EKF模型及UKF模型的预测精度。[结果及结论]算例结果表明,EKF模型及UKF模型均能通过实时采集当前时段车站自动售检票设备数据来预测下一时段的车站客流密度和断面客流密度,适用于城市轨道交通客流密度短时预测场景。相比于EKF模型,UKF模型全天分时段预测值更接近真实变化趋势,UKF模型预测值与真实值的散点分布更趋集中收敛;UKF模型的均方根误差、平均绝对误差及平均绝对百分比误差均相对更低,说明UKF模型预测精度相对更高。

BPNN改进卡尔曼滤波算法对课程思政效果评价的验证研究

教学效果评价及其验证是高校课程思政实施过程中的重要环节,也是目前教学评价改革中亟待解决的难点之一。为了验证、反馈和优化教学效果评价,在课程思政教学实践的基础上,通过预测实施课程思政的教学效果,构建了结合反向传播神经网络(back propagation neural network,BPNN)的卡尔曼滤波算法(Kalman filter,KF)模型。利用BP神经网络优化KF模型中的状态参数,通过KF滤波信息来反向验证和优化课程思政效果经验评价模型。Matlab运算结果表明,与传统KF算法相比,基于BP改进的KF算法的预测获得了较理想的结果。

采用改进最大相关熵自适应迭代容积卡尔曼滤波算法的锂离子电池荷电状态估计

针对非高斯噪声干扰下传统滤波算法在估计锂离子电池荷电状态(SOC)时存在不稳定以及精度低的问题,提出一种改进的最大相关熵自适应迭代容积卡尔曼滤波(IMCC-AICKF)算法,用于估计锂离子电池荷电状态。所提算法将加权最小二乘方法与最大相关熵准则(MCC)相结合,定义了一种新的代价权函数作为优化准则,通过优化噪声最小协方差矩阵来减小滤波误差,保证长时间滤波的收敛性和稳定性;再与自适应迭代容积卡尔曼滤波(AICKF)算法相结合,对过程噪声协方差和测量噪声协方差进行更新来提高估计的准确性和鲁棒性。基于两种电池数据,在非高斯噪声干扰下,运用所提算法对电池SOC进行估计,仿真结果表明:与容积卡尔曼滤波(CKF)算法和最大相关熵容积卡尔曼滤波(IMCC-CKF)算法相比,IMCC-AICKF算法对荷电状态估计的最大绝对误差、平均绝对误差和均方根误差都是最小的,且平均绝对误差和均方根误差均小于1%;在给定初始值错误的情况下,IMCC-AICKF算法可以准确收敛到真实值,具有较好的鲁棒性。所提算法在非高斯噪声下能实现更准确的估计,是一种估计精度高且鲁棒性好的SOC估计方法。

压电陶瓷作动器的卡尔曼滤波输出反馈预测控制

为了抑制压电陶瓷的迟滞、非线性特性对压电微定位平台精度的影响,建立反映压电陶瓷作动器频率依赖迟滞非线性特性的Hammerstein模型:利用非对称Bouc-Wen模型来表示静态迟滞非线性和利用动态线性模型表征信号频率的影响。针对迟滞补偿器不能完全的进行补偿,并且存在噪音干扰实验设备,采用基于卡尔曼滤波的预测控制,提高压电微定位平台的控制精度。预测控制用来减小逆补偿误差以及建模误差等模型不确定性的影响,卡尔曼滤波用来获得系统的状态估计值。实验结果显示,该控制器在正弦波信号下的相对跟踪误差小于0.68%,三角波信号下相对跟踪误差小于0.70%。在迟滞补偿的基础上,采用卡尔曼滤波的预测控制,该方法可以有效地完成对微定位平台的高精度跟踪。

基于集合卡尔曼滤波的水文模型状态变量反馈校正方法

集合卡尔曼滤波已应用于水文模型初始状态误差校正。如何选择校正变量、是否同步校正模型参数、如何优选滤波超参数是其应用难点。为此,以綦江流域GR5J模型为原型,同化实测流量反馈校正模型状态,通过合成实验和滚动预报实验,分析状态变量选择、模型参数扰动、滤波超参数对预报精度的影响。结果表明:准确识别有偏初始状态,集合卡尔曼滤波能提高预报精度;若难以识别,建议同步校正产流汇流状态变量,减少过校正。模型参数有偏时,应先识别模型参数,再校正模型状态。增加集合数和预热时长能提高校正精度,模型和观测噪声的影响具有非单调性;滤波校正效果随预见期延长而衰减,但要优于模型预热技术。该发现可作为作业预报应用状态校正法的参考。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

基于平方根容积卡尔曼滤波的核反应堆功率H_(∞)控制

核反应堆的负荷跟踪控制是核电站灵活调峰、具有应用价值的基础之一.根据反应堆中子动力学、热工水力、反应性方程等数学模型构建了反应堆的平方根容积卡尔曼滤波器(Square-root Cubature Kalman Filter,SCKF),对反应堆状态反馈问题中部分状态量无法量测或估计精度不足的问题加以解决,结合离散H_(∞)性能指标设计了基于SCKF的反应堆功率H_(∞)控制器,并与基于经典卡尔曼滤波器(Kalman Filter,KF)的反应堆功率H_(∞)控制器进行了同工况数值仿真对比.仿真结果表明,基于SCKF的功率控制器具有较好的负荷跟踪性能,能够根据期望跟踪目标调节反应堆功率水平;由于SCKF对非线性系统模型相比于KF具有更高的状态估计精度,基于SCKF的功率控制器相比基于KF的功率控制器具有更优的控制效果.

基于卡尔曼滤波的小波去噪和IWOA-ELM的颈肩肌肉疲劳分类方法

针对采集的表面肌电信号噪声干扰多,以及缺少颈肩肌肉疲劳状态划分标准和分类模型的问题,本文提出了一种基于联合去噪和优化极限学习机的颈肩肌肉疲劳分类方法。首先,使用AnyBody建立颈肩骨骼肌肉生物力学模型,根据肌肉pH值和RPE劳累感知量表划分肌肉疲劳状态。采集6名健康青年人斜方肌上束疲劳状态下的表面肌电信号。然后,结合卡尔曼滤波和改进的小波阈值函数进行联合去噪,提取均方根、积分肌电值、平均功率频率、中值频率、瞬时平均频率、瞬时中值频率6个特征参数。最后,使用改进鲸鱼优化算法优化极限学习机的权值和阈值,建立IWOA-ELM颈肩肌肉疲劳分类模型。实验结果表明,联合去噪算法效果更佳,IWOA-ELM模型训练集准确率为96.3%,测试集准确率为97.5%,均方根误差为1.108,对于不同受试者分类模型准确率均高于95%,因此本文提出的联合去噪算法和IWOA-ELM模型在颈肩肌肉疲劳分类方面具有优势。

基于卡尔曼滤波的改进ADRC风电制动器控制策略研究

为了提高风电制动器的抗干扰能力和控制精度,在传统三闭环系统的基础上,提出改进自抗扰控制并融合卡尔曼滤波算法.在扩张状态观测器中引入速度跟踪情况,将传统的“大带宽、小误差”改进为“小带宽、小误差”,提高观测器的观测效率.在误差反馈控制率中引入新型指数趋近律的滑模控制,增强控制效果.在电流环中引入卡尔曼滤波算法,降低电流噪声.通过MATLAB/Simulink建立风电制动系统的数学模型,与传统自抗扰控制策略和PID控制策略进行对比分析.结果表明:改进后的控制策略提高了响应速度,降低了启动转矩和电流噪声;制动器在不同工况下均展现出来良好的控制效果和抗干扰能力,提升了系统的鲁棒性和动态性能.

基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法

鉴于低信噪比高动态环境下的载波跟踪过程中,接收信号存在显著的各阶频偏变化率,故提出了一种基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法。载波跟踪通过基于卡尔曼滤波的锁频环辅助基于扩展卡尔曼滤波的锁相环来实现,对频率斜升信号和频率加速信号分别进行了载波跟踪环路结构的分析,得到系统方程,并进行了载波跟踪系统性能仿真。经仿真验证,在信噪比为-20 dB条件下,该方法跟踪频率斜升信号收敛时间小于60 ms,跟踪频率加速信号收敛时间小于90 ms,对两种信号的频率跟踪残差均小于5 Hz,相位跟踪残差均小于0.25rad,跟踪性能显著优于传统环路。

面向三维目标跟踪的状态转换卡尔曼滤波方法

雷达及声呐系统采集的三维球坐标量测与运动目标的笛卡尔坐标状态呈非线性,导致跟踪精度受限,而具有强非线性的多普勒量测更难以高效利用。针对上述问题,构造由距离、俯仰角、方位角及其微分组成的状态向量,使测量方程线性化;在距离、俯仰角构成二维时变极坐标系中对常微分动力学方程离散化,再基于投影关系引入方位角,建立球坐标系中的典型三维常速度和常加速度运动模型;结合标准卡尔曼滤波在线性高斯框架下,实现跟踪以避免非线性误差。通过仿真验证了在包括多普勒雷达等若干三维跟踪场景下提出方法的有效性与性能优势。

基于无迹卡尔曼滤波的液体火箭发动机故障诊断

针对火箭发动机故障数据难以获取的问题,设计了一种基于无迹卡尔曼滤波(UKF)的液体火箭发动机故障诊断算法。采用MATLAB/Simulink平台搭建了液体火箭发动机故障仿真模型,实现发动机正常运行仿真和预燃室氧阀门故障、氧主泵汽蚀、氢主涡轮叶片脱落3种故障仿真。将正常运行仿真值与设计值、试车值进行了对比。结果表明:模型参数与设计值最大误差不超过5%,仿真精度较高;仿真参数变化趋势与试车值基本一致,且稳态值误差较小。使用UKF算法求取发动机正常运行阈值范围,并对故障序列进行滤波处理,若故障数据连续3次超出阈值区间,且在0.1 s内有至少2个涡轮泵发出报警,则判定故障发生,故障发生时间为第2个涡轮泵报警时间。使用设计算法对3种故障序列进行诊断,判定故障发生时间分别为20.08 s、20.05 s、20.18 s。相比于传统红线阈值算法,文中所设计算法响应更为及时,且误报率较低。

基于卡尔曼滤波算法的电池状态估计

为更好地获得锂离子电池荷电状态SOC(state-of-charge)估计值,选用二阶等效电路模型作为研究对象,针对带有遗忘因子的递推最小二乘法在参数辨识中易受到噪声等环境因素干扰的缺点,提出偏差补偿最小二乘法来实现模型参数的准确辨识,并结合无迹卡尔曼滤波算法对SOC进行估计。针对无迹卡尔曼滤波算法稳定性差等缺点,提出利用权重向量更新滤波算法中的卡尔曼滤波增益。实验结果表明,所提算法估计SOC的总误差可控制在2.7%以内,验证了算法的鲁棒性和有效性。

奇异值分解五阶容积卡尔曼滤波汽车状态估计

针对三阶滤波对高维汽车非线性模型估计精度有限的问题,以电动汽车为研究对象,提出了一种基于奇异值分解的五阶容积卡尔曼滤波(SVD-FCKF)车辆状态估计器。首先基于Dugoff轮胎模型,构建高维非线性7自由度车辆动力学模型。然后根据三阶球面-径向容积规则将CKF拓展到五阶,使其具有五阶泰勒级数展开精度,同时利用奇异值分解代替传统Cholesky分解,提高估计器的鲁棒性。最后利用Carsim和Matlab/Simulink联合仿真平台对SVD-FCKF进行验证,结果表明:改进的SVD-FCKF估计器能够有效提高电动汽车纵向速度、侧向速度、质心侧偏角和四轮转速的估计精度和稳定性,多工况适应能力强,整体估计效果优于CKF估计器。研究结果为电动汽车主动安全研究提供了理论支撑,具有实际应用价值。

自适应双层无迹卡尔曼滤波的车辆状态估计

针对在车辆行驶状态估计中存在估计不准确、鲁棒性较差以及系统噪声不确定等问题,提出一种将双层无迹卡尔曼滤波(DLUKF)与改进的Sage-Husa算法相结合的自适应双层无迹卡尔曼滤波算法(ADLUKF)作为车辆行驶状态的估计器,再结合三自由度汽车模型对车辆行驶的横摆角速度和质心侧偏角进行估计。通过改进的Sage-Husa滤波器对系统过程噪声和测量噪声进行动态调整,进而减少车辆行驶状态估计的误差。应用Carsim与Matlab/Simulink进行联合仿真以及实车试验数据来验证该估计器的有效性,并与无迹卡尔曼滤波(UKF)算法进行对比。结果表明:与UKF算法相比,该算法有效提高了车辆行驶的横摆角速度和质心侧偏角的估计精度和稳定性。

基于连通性分析局域化的集合卡尔曼滤波的油藏自动历史拟合方法

集合卡尔曼滤波(ensemble Kalman filter,EnKF)是自动历史拟合中应用最为广泛的方法之一,但该算法在应用过程中会产生伪相关、滤波发散等问题。建立了一种新的基于连通性分析的单井敏感性局域化集合卡尔曼滤波自动历史拟合方法,解决了传统距离截断方法处理伪相关时与实际油藏不匹配问题。该方法将油藏网格视为连通的有向图,利用连通性分析和Floyd算法计算任意两个网格点间的最短路径,从而确定单井敏感性区域和井点到各网格的相关系数矩阵,再结合集合卡尔曼滤波方法有效削弱了伪相关问题。将改进的算法编程实现并运用实例进行验证,结果表明,基于连通性分析局域化的EnKF方法在生产动态拟合和模型参数场反演等方面均优于标准EnKF方法。

基于改进的无迹卡尔曼滤波长基线定位算法研究

在复杂的水环境中,自主水下机器人(Autonomous Underwater Vehicle, AUV)运用声学导航系统实现自主导航并确保精确定位。针对水声环境中由于外部噪声带来的定位精度损失问题,提出一种改进的无迹卡尔曼滤波(Adapt Unscented Kalman Filter, AUKF)长基线定位算法。该算法在无迹卡尔曼算法(UKF)的基础上引入遗忘因子,充分利用新的测量数据动态调整测量协方差矩阵和过程协方差矩阵,有效避免因长期运行带来的累计误差。实验结果显示,当AUV沿两种不同轨迹运行时,AUKF算法的均方根误差最低,分别为2.901 1、19.221 5。该算法定位精度高,适用于长时间工作的高精度水下定位。