基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法

电力系统中的信号往往含有各种噪声、谐波、间谐波的干扰,严重影响了相量测量的精度。对此,在复数扩展卡尔曼滤波(ECKF)的基础上,运用改进的量子粒子群优化(IQPSO)算法改进滤波迭代过程中的量测噪声协方差矩阵和模型噪声协方差矩阵,并测量电力信号的幅值、频率和相角。对各种非平稳正弦信号的仿真结果表明,相较修正的复数扩展卡尔曼滤波(RECKF)算法,IQPSO-ECKF算法提高了复数扩展卡尔曼滤波的相量测量精度和收敛速度。研究成果丰富了电力系统信号测量的内容。

粒子群优化噪声参数的行人导航零速修正算法

针对使用零速修正算法进行行人惯性导航时,固定噪声参数不适用所造成的导航精度较低的问题,提出了一种基于粒子群算法优化噪声参数的零速修正算法。通过最小化零速阶段的滤波器新息序列可以在线调整滤波参数,以适应当前行人运动状态,最后通过对多组惯性数据进行解算来验证算法有效性。分别使用了标准零速修正算法和粒子群优化的零速修正算法对惯性数据进行解算,并计算两种算法解算结果的位置误差,结果表明,提出的算法能够得到更小的定位误差和更平滑的解算轨迹。

一种粒子群优化扩展卡尔曼粒子滤波算法

本文提出一种采用粒子群(PSO)优化扩展卡尔曼粒子滤波(EPF)的新算法.由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解.采用粒子群优化扩展卡尔曼粒子滤波(EPF)的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数.仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法.

基于粒子群优化的感应电机模糊扩展卡尔曼滤波器转速估计方法

为了减弱固定的先验噪声模型对扩展卡尔曼滤波器(EKF)状态估计的影响,提出一种基于粒子群优化的感应电机模糊EKF(PFEKF)转速估计方法。通过将粒子群优化(PSO)算法引入模糊控制器,监视实际残差与理论残差的偏离程度,自适应选择模糊调整因子,在线递推修正测量噪声协方差矩阵的加权值,使其逐渐逼近真实噪声水平,从而使滤波器进行优化估计,并减小外部干扰和时变测量噪声对系统性能的影响。仿真和实验结果验证了基于PSO的感应电机模糊EKF转速估计方法的正确性与有效性。

基于粒子群优化扩展卡尔曼滤波的无人船锂电池SOC估算

驾驶工况下的无人船锂电池荷电状态(SOC)估算失准,影响船载电池管理系统运行和无人船航程控制。在分析无人船动力学模型和锂电池SOC之间关联的基础上,选取2阶RC电路等效动力锂电池内部结构,通过对单体电池实施混合脉冲功率特性(HPPC)实验辨识等效电路模型参数,建立了基于扩展卡尔曼滤波(EKF)的锂电池SOC估算系统状态方程。针对EKF模型中测量噪声协方差和系统噪声协方差带来的SOC估值偏差影响,利用粒子群优化(PSO)找寻适应度函数最优值以调整EKF模型参数,达到抑制输出值波动和减小估算误差的目的。在锂电池处于恒流放电和变流放电状态下,分别观测EKF和PSO+EKF,估算SOC数据及其误差。结果表明:PSO+EKF估算方法在稳定性和准确度方面优于EKF方法,稳定后估算误差小于0.02,对提高无人船锂电池SOC实时估算性能有实际意义。

改进扩展卡尔曼滤波器的PMSM参数辨识

针对传统扩展卡尔曼(EKF)辨识永磁同步电机(PMSM)参数时难以确定合适的系统与测量噪声矩阵和精度较差问题,文章提出一种粒子群算法(PSO)优化EKF的PMSM参数辨识方法。首先剖析EKF原理,建立EKF辨识模型,然后利用PSO自适应优化EKF的系统噪声矩阵和测量噪声矩阵,并根据EKF辨识模型设计出合适的适应度函数,从而使EKF获取更优的参数辨识效果。仿真结果表明,该方法能较好辨识PMSM的电感与磁链参数,比传统方法具有更好的辨识精度和速度。

混沌粒子群优化扩展卡尔曼滤波北斗伪距定位

基于粒子群优化(PSO)扩展卡尔曼滤波,添加了混沌扰动因子扩大粒子群的应用范围,改善了传统粒子群局部最优求解过程。

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

基于粒子群优化的PMSM自抗扰前馈控制

为提高自抗扰控制器的抗干扰能力,提出基于粒子群优化的PMSM自抗扰前馈控制策略。在传统自抗扰控制器基础上,设计新型级联观测器将观测出的部分扰动项前馈补偿到控制器中,采用粒子群优化算法对控制器中的重点可调参数进行迭代优化,引入扩展卡尔曼滤波器滤除电流测量中的干扰和噪声,提高系统控制性能。仿真结果表明:设计出的控制策略能有效提高系统的抗负载扰动能力,具有更平稳的稳态调速特性。

基于粒子群优化的卡尔曼滤波去耦算法

针对相控阵雷达导引头由于前向通道增益和波束控制增益刻度尺度不同引起的扩展卡尔曼滤波(extended Kalman filter,EKF)去耦中误差量过大的问题,提出了基于粒子群优化的EKF去耦算法。采用了最小均方差为适应度函数,对两个增益参数进行组合优化,然后通过建立EKF的系统模型,推导了提取的视线角速率与增益参数之间的关系,使得滤波后的估计值为最优的后验估计。最后,通过仿真表明该算法可以很好地解决误差量过大的问题,并验证了所提算法在相控阵雷达导引头去耦和视线角速率提取中的有效性。

基于冯诺依曼拓扑结构的骨干粒子群优化算法

为了改善骨干粒子群优化BBPSO算法的易早熟、易陷入局部最优解等缺点,提出了一种基于冯诺依曼拓扑结构的改进骨干粒子群优化VBBPSO算法。新算法提出"兼顾落后粒子"概念,通过应用冯诺依曼拓扑结构构造邻域,用邻域最优解取代全局最优解,引入中心项调节系数,在邻域范围内调整BBPSO算法的进化中心项与离散控制项,提高了算法全局探索能力与局部开发能力。实验结果表明,较几种经典的BBPSO算法,VBBPSO算法的综合性能有明显提升。

基于粒子群优化算法的级联喇曼光纤放大器

为了在较高的净增益条件下实现最小化喇曼增益平坦度,采用粒子群优化算法对As-S光纤与碲基光纤级联的光纤放大器各抽运光参量优化配置的方法,进行了理论分析和实验验证。结果表明,应用上述方法对得到的3组优化结果进行对比,在带宽为40nm的级联喇曼光纤放大器上,达到了平均增益为53.25dB、增益平坦度为0.30dB的较高性能。与传统光纤放大器和现有的级联光纤放大器相比,使用粒子群优化算法对各抽运光的功率和波长优化后,会使级联光纤放大器性能明显提高,这在未来的光纤通信中具有一定实用价值。

基于冯诺依曼结构的粒子群算法在项目资源均衡中的应用

针对项目管理中工期固定——资源均衡问题,设计了基于冯诺依曼拓扑结构的粒子群算法局部模型,应用于资源均衡评价函数。通过对文献[5]中算例的计算分析,该模型比全局模型的粒子群算法在寻优率上提高了13.5%,对文献[6]中的资源均衡问题进行优化计算,比较了冯诺依曼结构与标准全局结构的性能,验证了该模型应用在资源均衡中的更好的性能。

基于粒子群算法的永磁同步电机无传感器控制优化

针对确定噪声矩阵参数的困难性,将粒子群优化算法用于噪声矩阵参数的寻找。以电机转速的实际值和估计值的偏差绝对值对时间的积分为适应度函数,通过不断调整粒子在空间中的位置,最终寻找到使得适应度函数最小的粒子位置,从而得到使偏差最小的协方差矩阵。测试结果显示,经粒子群算法优化噪声矩阵参数后的系统,速度估计精度明显提高。优化后的电机实际速度波形脉动减小,调速更加平稳。

引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。

基于粒子群优化算法的无传感器调速系统研究

针对扩展卡尔曼滤波器(EKF)中噪声协方差阵对估计准确性影响较大,且选取较困难的问题,提出基于粒子群优化(PSO)算法优化协方差矩阵的方法。使用EKF估计永磁同步电机(PMSM)的转速,实现PMSM无速度传感器控制,并利用PSO优化噪声协方差阵。采用STM32F407ZET6作为核心控制器构建控制系统,实验结果表明:使用PSO的EKF观测器能以较高的精度估计转速,实现精确控制。

基于粒子群优化算法的目标运动参数估计

粒子群优化算法具有易于实现、可并行计算、收敛速度快且全局收敛等优点,文中结合水下目标被动跟踪定位系统对目标运动参数估计的实时性和精确性需求,提出了一种利用目标方位信息和多普勒频移信息估计目标运动参数的方法。该方法通过测量目标的方位角变化和多普勒频移,基于最小均方误差(MMSE)准则建立参数估计方程,并依靠粒子群优化(PSO)算法确定一组可使均方误差函数最小的运动参数,实现对目标实时位置、航速、正横距离的精确估计。仿真结果表明,与扩展卡尔曼滤波(EKF)算法对比,在相同参数估计精度条件下,粒子群优化算法能更快收敛;对于小正横、高航速目标,该算法能够在目标过正横前准确给出目标正横通过距离的预报,并在目标过正横后提供较高的跟踪精度。文中工作可为水下目标被动跟踪和运动参数精确估计提供参考。

基于粒子群优化算法的MGEKF在舰载无源定位中的应用

针对舰载无源定位中对高速运动目标定位精度不高的问题,引入多普勒频率变化率为测量量,同时提出把粒子群优化算法与MGEKF算法相结合,将PSO算法用于MGEKF的初始阶段,既避免了PSO算法运算量大的缺点,又避免了MGEKF受初值和修正函数影响不收敛的问题,缩短定位时间的同时提高了定位精度.仿真结果验证了该方法的有效性和稳定性.