最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法(LS)用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘(AFFRLS)改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘(VFFRLS)进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。

基于IPOA的太阳电池模型参数辨识

太阳电池模型参数的准确辨识对光伏组件功率预测和最大功率点追踪有较大影响,必须保证较高的辨识精度。传统的智能算法能做到一定程度上的参数辨识,但均存在精度不足、收敛速度慢、易陷入局部最优等问题。针对此类问题,提出基于改进鹈鹕优化算法(IPOA)的太阳电池模型参数辨识方法。该算法中种群个体联系紧密,通过随机性的互相学习进行位置更新,在工程应用领域有着较传统算法更好的效果。同时,针对该算法特点,引入基于Jaya算法的位置更新策略,使种群的候选解更趋向最优解;改进了递减因子,使模型在迭代中后期寻优效果更好。增加了莱维飞行策略,有效提高了算法精度。在不同的太阳辐照度条件下,IPOA都有较好效果,辨识结果与实际曲线拟合度高,表明IPOA能在不同环境中对太阳电池模型参数进行准确有效辨识。

基于自适应动态滑动窗口的锂电池参数辨识与SOC协同估计

锂电池的安全高效运行依赖于准确的荷电状态(SOC)估计,但是传统的电池模型和SOC协同估计在噪声干扰下的鲁棒性和可靠性较差。针对噪声干扰下SOC协同估计问题,首先对电池的最大可用容量和电池开路电压(OCV)特性进行分析,研究了锂电池SOC—OCV的曲线特性。然后研究了噪声干扰下的在线模型参数辨识和SOC估计问题,提出了基于自适应动态滑动窗口的双粒子群协同优化参数辨识(TCPSO)方法,通过实验验证了所提方法的SOC估计最大误差小于1%,表明所提方法可实现在线参数辨识,并且在抗噪性能和SOC估计精度等方面均优于现有协同估计方法。

基于改进初值带遗忘因子的递推最小二乘法的锂电池参数辨识

锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。

磁流变阻尼器Bingham力学模型改进及参数辨识

磁流变阻尼器不仅具有阻尼快速响应、良好的温度稳定性、内部结构简单等优势,而且可以通过调节控制电流使阻尼器的出力值连续变化,实现阻尼力可控。由于磁流变阻尼器阻尼特性与内部磁流变液的磁流变效应有关,具体表现非常复杂,现有力学模型目精度不足,无法精确描述磁流变阻尼器的阻尼特性。在磁流变阻尼器力学性能测试基础上,应用分段拟合函数方法同时结合反正切函数模型改进模型,并辨识改进后力学模型中各参数。将改进后的Bingham模型与实际测试出力值进行对比,结果表明改进后的Bingham模型能够很好地解决Bingham力学模型在非线性滞回阶段出力值曲线与实际测试数据不符的问题,改进后模型总体出力值曲线与阻尼器实际出力值基本相同,模型精度大幅提升。此种改进方法为磁流变阻尼器建立高精度力学模型提供参考。

变温条件下解析Preisach磁滞模型误差修正和特征参数辨识方法

温度升高会影响磁性材料的磁滞特性,从而改变电气设备的性能。目前解析Preisach模型无法对温度进行有效表征,导致损耗计算结果误差较大。为此,本文首先分析了基于Lorentzian函数的解析Preisach模型特征参数对磁滞回线形状参数的影响程度,如饱和磁通密度、矫顽力、剩磁等,研究了不同温度下模型参数和材料磁特性的变化。根据模型特征参数具有的磁滞回线形状相关性和温度相关性,引进温度系数来修正模型特征参数,构建变温条件下的解析Preisach模型,并给出了计及温度影响的模型参数辨识方法。最终实验测量纳米晶合金在变温条件下的极限磁滞回线,对多组实测值和修正后的解析Preisach模型计算值进行对比后,得出在饱和磁通密度、矫顽力和剩磁处修正模型结果的平均相对误差分别为0.15%、2.21%、5.76%,证明了该修正模型的准确性。

基于神经网络的力矩补偿动力学参数辨识

针对机械臂刚柔耦合动力学模型拟合精度不高的问题,在分析动力学参数对各关节力矩影响的基础上,提出了一种基于神经网络力矩补偿的动力学参数辨识方法.首先,对动力学模型进行线性化分析,得到最小惯性参数集,设计机械臂激励轨迹,并采集各关节数据集.其次,搭建神经网络架构,对不同隐藏层数的神经网络模型的训练效果比较,证明了本文模型的准确性.将关节位置、速度、加速度数据集作为网络架构输入,经过神经网络学习后提取出各关节力矩.最后,对算法辨识出来的模型进行验证,以模型预测力矩的均方根误差为评判标准,关节拟合力矩结果表明,本文所用方法相较刚体逆动力学有更好的拟合精度,减少了关节摩擦等非线性因素对辨识实验的影响,得到更精准的动力学模型,对机械臂系统有更好的控制效果.

改进海马优化算法的永磁同步电机多参数辨识

为解决永磁同步电机参数辨识速度慢、精度不足等问题,提出一种融合云模型和混沌变异的海马优化算法。该算法以海马优化算法为基础,引入混沌映射和随机反向学习策略,改善种群初始空间分布;采用自适应云模型,解决算法收敛精度低和减少陷入局部最优情况;加入混沌映射和高斯变异调节种群分布,以提高算法全局和局部开发能力。通过采集电机电压、角速度等信息,在永磁同步电机辨识模型中,使用改进后的算法对电机参数进行辨识。由仿真和实验对比,验证改进后算法在永磁同步电机电气和机械参数辨识上,具有更快速、稳定和准确的辨识效果,且辨识误差均在1.4%以内。

引入参数辨识的并网变换器事件触发预测控制

经典的三电平并网变换器模型预测算法具有计算资源占用度高、开关损耗大、控制精度受模型参数影响较大等缺点。为提高预测控制精度并降低系统损耗,此处提出一种引入参数辨识的三电平并网变换器的事件触发型有限控制集模型预测算法,该算法通过构建系统状态和动态事件触发条件之间的解析表达方程,利用系统状态实时反馈设置跟踪电流误差阈值的事件触发条件以减少系统计算损耗,同时,引入参数在线辨识,有效提高了系统参数鲁棒性,并实现了在尽量保持较小计算量的情况下还具有改善并网电流质量的优点。最后,构建了一台三电平T型并网变换器平台,实验结果表明,此处所提算法较之经典的模型预测方法有较大改善,具有较大的应用价值。

基于白鲨算法的七自由度机械臂动力学参数辨识

本文提出了基于白鲨算法(WSO)的关节机器人动力学参数辨识方法。首先,利用SYMORO+软件建立了七自由度机械臂的动力学模型并将其转换为可辨识模型。其次,利用关节机器人的性质提取摩擦力矩进行摩擦模型辨识。然后,设计激励轨迹并让机器人跟踪该轨迹,用辨识摩擦模型计算关节力矩信号中的摩擦项并补偿。进而,采用最小二乘法(LS)估计器确定白鲨算法的搜索空间,并由白鲨算法迭代获得最优动力学参数。最后,在Franka协作臂进行了实验验证,结果表明所提方法相较于传统算法在规避局部最优解方面具有更好的表现,且得到的参数更准确。

激光视觉引导下的工业机器人步态运动学参数辨识

工业机器人在多个领域都有广泛应用,而离线编程则成为其重要的发展方向。由于离线编程对机器人自身的绝对定位精度有较高要求,为提升绝对定位精度,设计一种激光视觉引导下的工业机器人步态运动学参数辨识方法。基于线结构激光测量技术,设计由工业智能相机、感光元件、滤光片、线激光器构成的激光视觉传感器,使用该传感器测量工业机器人,以获取其三维信息。通过粗引导与精引导两个步骤对激光视觉传感器实施激光视觉引导,以提高效率,降低瞄准误差。工业机器人步态运动学参数误差的辨识模型,通过最小二乘法对模型实施迭代求解,以获取精确的方程组解,从而完成步态运动学参数辨识。测试结果表明,该方法的步态运动学参数辨识误差低于0.02 mm,在30次迭代次数以内即可完成求解。

基于参数辨识的低速永磁同步电机MTPA控制策略

在永磁同步电机运行过程中,由于铁芯材料磁导率呈非线性变化而导致电感变化,继而在最大转矩电流控制比(MTPA)控制下出现固有的计算参数与实际参数不匹配现象,严重影响了电机的动态性能和运行工况下的稳定性。针对这一现象,该文采用高频注入原理,通过对高频注入产生的响应信号解调辨识得到实时的电感参数,然后令辨识得到的电感参数参与到MTPA计算中,保证了参数辨识的准确性和电机运行的稳定性,避免了最大转矩电流控制参数与电机不匹配导致的失控问题。最后,采用DSP LAUNCHXL-F28379D为控制核心的实验平台对所提方法进行了验证,实验结果表明该方法能够有效辨识电感参数并实现最大转矩电流控制。

基于BRB-PSO的船舶舵机模型参数辨识方法研究

文中提出一种基于BRB-PSO的船舶舵机模型参数辨识方法.构造关于船舶舵机模型参数的BRB-PSO辨识模型,以描述模型输入(指令舵角和实际舵角信号)与模型输出(舵机模型参数)之间的非线性关系;建立置信规则库(BRB),通过置信规则推理得到惯性权重变化量的估计值并更新惯性权重;基于该惯性权重调整粒子群算法(PSO)中粒子的速度、位置等参数,依次迭代,直到达到停止要求,实现舵机模型参数的辨识.通过与其他典型参数辨识方法的实验结果对比,进一步说明BRB-PSO辨识方法在舵机模型参数辨识方面的优越性.

基于改进蜘蛛猴算法的永磁同步电机多参数辨识

为解决一类智能算法对永磁同步电机(PMSM)参数辨识存在不稳定和精度不高的问题,现提出一种基于改进Tent混沌映射的反向学习蜘蛛猴优化(CSMO)算法。首先,采用改进的Tent混沌映射产生多样性强的初始种群,保证搜索空间的遍历性;其次,在局部领导阶段使用自适应步长取代随机步长,使其适应不同阶段的搜索,有效平衡了全局探索能力与局部开发能力;然后,在局部领导者决策阶段采用柯西变异策略使个体跳出局部最优,从而进一步加强了群体搜索能力,有助于在当前解的局部区域中发现较优解,使得算法的探索速度和寻优精度得到平衡;最后,使用标准测试函数来检测CSMO算法的性能,建立用于PMSM参数辨识的数学模型,再将该模型应用在改进的算法中来辨识电机参数。仿真与实验分析表明,CSMO算法对永磁同步电机参数的辨识有着较好的精度和收敛速度。

基于RCJAYA算法的太阳电池参数辨识

为提升智能优化算法辨识太阳电池参数的精度和准确度,提出一种基于排序概率量化机制和混沌扰动JAYA算法(RCJAYA)的辨识方法。RCJAYA算法根据排序概率选择不同方式对个体进行更新,以平衡局部和全局搜索能力,保持种群多样性;对最优个体进行混沌扰动,发掘更优解替代最差解,提升种群质量;采用替换策略更新陷入停滞的个体,提升算法性能。通过RCJAYA算法辨识参数得到的太阳电池单、双二极管的电流均方根误差最优值分别为9.8602×10^(-4)A、9.8258×10^(-4)A,与JAYA等5种算法对比,结果表明,RCJAYA算法更具优势。根据辨识结果计算出模拟电流,与实测电流进行比对,在单、双二极管上的平均误差分别为0.00084 A、0.00082 A,表明RCJAYA算法辨识的参数值准确可靠。

基于L-SHADE算法的AUV载体磁干扰参数辨识的数值模拟

采用自主水下航行器(Autonomous Underwater Vehicle,AUV)磁测平台可开展海洋地磁场测量、水下磁性目标探测和识别等工作,AUV磁测平台具有广阔的应用前景,但目前AUV载体磁干扰补偿技术研究尚不成熟,制约着水下航行器测磁精度。基于磁测平台抗磁干扰基本原理,提出一种基于线性种群规模缩减和成功历史的参数自适应差分进化(Success History-based Adaptive Differential Evolution with Linear Population Size Reduction,L-SHADE)算法的AUV载体磁干扰参数辨识的数值模拟方法。用磁偶极子和旋转椭球壳混合模型来等效模拟AUV载体磁干扰,通过模拟航行获得多组磁测数据,据此建立磁干扰参数辨识模型,并采用L-SHADE算法求解。通过数值模拟实验定量分析研究磁测平台测磁精度随磁传感器、平台姿态及航向等误差的传播规律。研究结果表明:当磁传感器测量精度为10 nT、姿态测量精度为0.01°、航向测量精度为0.1°时,测磁误差可小于100 nT。设计的AUV磁测平台抗干扰试验表明,地磁场总量最大相对误差为1.07%。

六自由度并联平台惯性参数辨识方法

惯性参数辨识对多自由度并联机构动力学控制至关重要,而传统的辨识方法存在操作复杂、精度差等问题。现提出一种基于动力学分析的六自由度并联平台惯性参数辨识方法。该方法以伺服电机的驱动电流为基础,采用Kane法对并联机构进行动力学分析,建立电流、转矩和推力之间的传递函数,在此基础上构建激励力与平台位姿的辨识方程,即可求解并联平台的惯性参数。基于MATLAB与ADAMS的六自由度并联平台参数辨识仿真分析结果表明,质量与转动惯量辨识误差分别小于2%与7%。与解体测量法和CAD法相比,本方法具有更快的辨识速度与更高的辨识精度,为并联平台动力学控制打下基础。

基于参数辨识的永磁辅助同步磁阻电机电流无差拍控制

针对永磁辅助同步磁阻电机电感参数失配引起传统无差拍预测电流控制器受扰动的问题,该文提出一种电感参数自适应的无差拍预测电流控制方案。所提算法利用模型参考自适应系统对电感参数进行在线辨识,并将辨识结果代替控制器中的原始电感模型参数,以确保控制器的模型参数和电机实际参数相匹配,进而增强无差拍预测电流控制系统的鲁棒性。根据永磁辅助同步磁阻的数学模型,对电机本体进行了建模,以实现对所提算法的仿真验证。最后在以TMS320F28335控制器为核心的实验平台上进行了实验验证。仿真和实验结果均表明,当电机参数与模型参数不匹配时,所提算法相较于传统的无差拍预测电流控制算法在电流波动峰峰值、电流跟踪静差及系统鲁棒性方面都有明显的改善。

基于LuGre摩擦模型参数辨识与误差补偿方法的综述

文章对机械系统中LuGre摩擦模型的参数辨识与误差补偿方法进行了文献综述,并从参数辨识和误差补偿两个方面对该模型的应用进行了探讨。首先,介绍了LuGre摩擦模型的基本原理和数学表达式。其次,概述了常见的LuGre摩擦模型参数辨识方法。然后,讨论了LuGre模型的误差补偿方法。最后,指出了未来研究的发展方向。通过对LuGre模型参数辨识与误差补偿方法的综述,可为相关领域的研究者提供参考和启示,有助于进一步推进摩擦补偿技术的发展和应用。

基于物理信息神经网络的牵引变流器直流支撑电容参数辨识方法

为了解决车载牵引变流系统直流支撑电容器故障预测问题,该文提出一种基于物理信息神经网络的直流支撑电容器参数辨识方法。该方法只需要利用直流环节预充电过程的直流支撑电容器两端电压及采样频率,无需拟合曲线,无需严格对齐时间轴就可以获得较为准确的电容参数辨识结果。与此同时,为了克服在采集数据时因条件所限造成的数据量稀疏与分布不均问题,该文利用循环一致性生成对抗网络算法增强数据,使该方法可以适用于同一拓扑下宽范围电容区间的电容容值预测,降低了模型训练要求。实验结果表明:在正常条件下,该方法的辨识相对误差约在1%以下,并且降低采样频率能够缓解信噪比对该方法的影响。该方法为解决直流支撑电容参数辨识问题提供了新思路。