基于扩展卡尔曼滤波算法的磷酸铁锂电池荷电状态估计

电池的荷电状态(SoC,state of charge)是锂离子电池最基本的参数之一,不能直接测量得到。本文基于二阶Thevenin模型对磷酸铁锂电池进行建模分析,通过混合脉冲功率特性(HPPC,hybrid pulse power characteristic)实验对不同SoC处的模型参数进行识别。基于MATLAB/Simulink平台,搭建了变参数二阶Thevenin模型与扩展卡尔曼滤波(EKF,extended Kalman filter)算法相结合的估算系统。仿真结果表明,估算系统在不同工况下的仿真误差不超过2.5%,为锂离子电池管理系统的搭建提供了支持。

基于扩展卡尔曼滤波算法的港口智能无人内集卡状态估计研究

为了保证港口智能无人内集卡行驶安全和作业效率,使用Trucksim软件模拟货车的运行条件,同时采用Simulink软件建立魔术轮胎模型并设计扩展卡尔曼滤波算法,对智能无人内集卡的纵向车速、横摆角速度和质心侧偏角进行估计。在典型工况下对比实际输出参数与估计参数,结果验证了算法的准确性与实时性,可为智能无人内集卡行驶状态参数估计研究提供技术指导。

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。

基于多种模型的扩展卡尔曼滤波算法的SOC估算

为了提高电池荷电状态(SOC)估算的准确性,比较了一阶简化模型与二阶RC模型在SOC估算过程中的影响程度。使用扩展卡尔曼滤波的估算方法,分别通过两个模型进行估算。通过Matlab对实验工况进行仿真,实验结果表明,一阶简化模型相对较差,误差超过了10%,而二阶RC模型估算精确度较高,误差仅在5%左右,且其估算矩阵可以在硬件上实现,为电池管理系统提供了一种更加精确的估算方案。

扩展卡尔曼滤波算法在UWB定位中的应用

随着无线通信技术的发展，新兴的无线网络技术得到了广泛的应用，基于无线网络的定位技术尤其是UWB（Ultra Wide Band）无线定位技术具有广阔的发展前景。考虑到UWB定位系统中存在的非线性问题，在RSSI（Received Signal Strength Indication）算法的基础上将扩展卡尔曼滤波算法应用于UWB定位技术中，并对RSSI算法和扩展卡尔曼滤波算法进行了性能仿真分析，通过仿真证实了扩展卡尔曼滤波算法能够有效减少定位误差，提高定位精度。

基于中心差分扩展卡尔曼滤波算法的三相感应电机转速和转矩的估计

针对三相感应电机在转速和转矩测试过程中,存在采集数据易受外界干扰而导致转速和转矩等估计值出现较大偏差的问题,提出采用中心差心扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的估计.首先,以三相感应电机的定子和转子电流作为状态变量,推导出了三相感应电机在α-β坐标系下的状态方程和输出方程.然后,采用中心差分扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的解算.仿真结果表明,与扩展卡尔曼滤波算法相比,中心差分扩展卡尔曼滤波算法对电机运行状态的变化具有更好的跟随性能及更快的收敛速度,能够准确的估计三相感应电机的转速和转矩.

一种基于圆阵测量的扩展卡尔曼滤波算法

为提高被动声定位系统的定位精度 ,本文提出了一种基于圆阵测量的扩展卡尔曼滤波算法。该算法首先对时延测量值进行预处理 ,以预处理量直接作为卡尔曼滤波器测量方程的输入量 ,并利用台劳级数对非线性测量方程进行线性化。数值计算和仿真结果表明 ,该算法有较好的滤波。

扩展卡尔曼滤波算法初值选取方法

以浮标为发射接收平台,研究了观测量为距离的多基地浮标目标运动分析问题,采用了扩展卡尔曼滤波算法对该问题进行求解。首先采用几何定位方法求取目标的位置,并将其作为扩展卡尔曼滤波算法中目标的初始位置进行迭代计算。从试验数据处理结果可知,此种方法可以加快算法的收敛速度,具有很好的工程应用价值。

基于扩展卡尔曼滤波算法的SLAM问题分析

SLAM(simultaneous localization andmapping,即时定位与地图构建)是当前机器人未知领域中的研究热点。SLAM核心问题是求出最优估计,即实现最优滤波,得到高精度的位置信息。为解决SLAM核心问题,本文运用扩展卡尔曼滤波算法进行试验,并对其结果进行分析。结果表明,扩展卡尔曼滤波算法可减少即时定位的误差,有效提高机器人同步定位的准确度。

基于多时间尺度双扩展卡尔曼滤波的电池峰值功率估计方法

动力电池是电动汽车的技术瓶颈,其状态的高精度估计一直是行业的技术难点,不准确的状态估计值易造成安全隐患,并加速动力电池系统老化。然而,动力电池每用必衰、时变非线性、环境敏感性等特点导致对其状态的实时精准估计极具挑战性。该文针对锂离子动力电池峰值功率估计的问题,提出基于多时间尺度滑动窗口的双扩展卡尔曼滤波(DEKF)算法,基于峰值功率测试结果更新模型参数库,实现了参数的缓时变估计。评价指标显示,动力电池全寿命、全电量区间内,变温度等条件下的验证结果表明所提算法能够准确估计电池参数和功率状态,电压误差小于40 mV。

基于扩展卡尔曼滤波的电动汽车锂离子电池SOC估算

新能源汽车的高速发展主要依赖于动力电池技术水平的突破,动力电池管理系统(BMS)是其关键技术所在。动力电池荷电状态(SOC)是动力电池的重要参数,该参数可表示电池所剩容量的多少,是动力电池管理系统(BMS)对动力电池进行能量管理和控制的关键参数,同时对新能源整车动力系统控制提供主要依据。本文根据锂离子动力电池的基本工作原理,建立二阶RC的等效电路模型,应用由卡尔曼滤波算法(KF)更新后的扩展卡尔曼滤波算法(EKF)对锂离子动力电池SOC进行估计计算,发现该算法具有较高精度,且预估能力较强。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。

基于改进扩展卡尔曼滤波的单站无源定位算法

为了提高单站无源定位精度,降低定位误差,针对扩展卡尔曼滤波算法存在的不足,提出一种基于改进扩展卡尔曼滤波算法的单站无源定位方法。首先通过采集目标的相关信息,构建单站无源定位数学模型,然后利用改进扩展卡尔曼滤波算法目标位置进行估计,最后采用数据进行仿真对比实验。结果表明,相对于扩展卡尔曼滤波算法,改进扩展卡尔曼滤波提高了目标定位的精度,削弱异常误差对位置估值的影响。

基于扩展卡尔曼滤波的时差定位算法

在传统的无源定位中,时差定位因其复杂度低,定位精度高等优点,广泛应用于电子对抗战中。常用的时差定位算法有Taylor算法和Chan算法等,实际应用中考虑到Chan算法的计算速度快,定位精度较精确和Taylor算法收敛速度快等优势,往往结合Taylor-Chan算法进行联合定位。但当测量误差较大时,Chan算法并不能有效地为Taylor算法提供初值,最终导致最后定位结果发散,使得定位结果出错。针对上述问题,以当前统计模型为基础,文中提出基于扩展卡尔曼滤波的时差定位算法。该算法在Taylor算法需要一个良好的初值估计的基础上,引入了卡尔曼滤波算法,通过最优估计的线性滤波为Taylor算法提供一个稳定的初值。

基于乘性扩展卡尔曼滤波的微小卫星姿态测量算法

在微小卫星姿态控制研究中,微机电系统的敏感器件存在固有精度不足的问题。针对这一问题,在微小卫星姿态测量算法的基础上,文中引入了四元数乘性扩展卡尔曼滤波算法,从而解决了误差协方差阵的奇异问题,减小了不确定误差对滤波的影响,并提高了姿态测量算法的精度。同时,文中还对改进算法进行了仿真,其结果表明与原算法相比,改进算法的计算精度更高。

基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法

该文针对传统扩展卡尔曼滤波(EKF)算法对电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题,提出一种完全数据驱动的基于改进EKF算法的动力电池全生命周期荷电状态(SOC)估计方法。该方法为数据驱动的SOC估计方法和基于模型的SOC估计方法的良好结合,其优点在于:一方面抑制数据驱动方法存在累积误差的问题,并保留其良好的动态特性;另一方面改善基于模型的算法过度依赖电池模型的缺点,并保留其很好的鲁棒特性。该方法的创新之处在于将等效电路中难以获知的一部分视为以电池电流为输入,以内部电压为输出,以电池内部阻抗为时变参数的黑箱系统,并加以动态在线辨识,获得实时的动力电池真实状态,从而保证电池模型的准确性和动态性,真正实现动力电池全生命周期的SOC估算。仿真结果表明,该方法具有较好的鲁棒性和实用性。

基于中心差分扩展卡尔曼滤波的电源频率估计

针对扩展卡尔曼滤波算法(EKF)和无迹卡尔曼滤波算法(UKF)在处理飞机供电系统的交流电压频率估计方面所表现出的估计精度和实时性问题,提出了一种采用中心差分计算EKF中非线性函数一阶导数的基于中心差分扩展卡尔曼滤波(CDEKF)算法。理论分析和仿真表明:CDEKF虽然计算时间比EKF稍有增加,但比UKF的计算时间少,而计算精度比EKF有显著提高,与UKF的计算精度相当。

基于改进扩展卡尔曼滤波的锂电池SOC估计

为了减小模型参数发生变化带来的影响,提高锂电池荷电状态(SOC)的估计精度,提出了一种改进的扩展卡尔曼滤波算法(I-EKF).建立Thevenin等效电路模型,采用遗忘因子最小二乘法进行参数辨识,将辨识的参数用局部加权回归(Lowess)算法与电池电压、电流进行拟合,利用拟合函数求出每一时刻对应的模型参数,再采用I-EKF算法进行SOC估计.实验分析表明,与传统的扩展卡尔曼滤波算法(EKF)相比,当模型参数发生变化时,I-EKF算法的估计精度更高,收敛后的估计误差基本在0.5%以内.

基于自适应插值扩展卡尔曼滤波的永磁同步电机状态估计

PMSM无传感控制的转速与转子位置估计对系统至关重要,扩展EKF算法作为无传感控制技术被广泛应用在工业领域。但是EKF算法在系统线性化过程中产生截断误差,对于高度非线性模型无法得到精确估计值。为减小EKF算法因非线性问题而造成的误差,文中提出了一种基于AIEKF状态估计法。该方法以量化状态方程的非线性程度为依据,通过添加伪状态值减小EKF算法线性化中产生的误差对估值精度的影响,从而降低系统在线性化过程引起的误差。仿真计算结果表明,AIEKF较EKF的截断误差平均降低了55.6%。

基于扩展卡尔曼滤波器的永磁同步电动机无传感器矢量控制

永磁同步电动机无传感器矢量控制中,鉴于直接计算法需要精确的数学模型、滑模观测器由于开关切换动作的不连续造成的抖振问题以及智能算法特别复杂的缺点,基于两相静止α-β坐标系下的数学模型,提出了采用扩展卡尔曼滤波算法实现转速和转子位置估计的方法,并运用Matlab/Simulink仿真实现。仿真结果表明,在转子初始位置未知的情况下,永磁同步电动机空载运行时扩展卡尔曼滤波算法估计的转子转速和转子位置值能够快速、无误差的收敛到实测值,额定负载运行时,该算法观测值与实测值存在误差但在允许范围内。该仿真实验验证了扩展卡尔曼滤波算法的有效性。