基于修正协方差近似二阶扩展卡尔曼滤波算法的电池荷电状态估算

为解决扩展卡尔曼滤波(EKF)算法中由非线性变换忽略高阶泰勒项引起的荷电状态(SOC)估算误差和在迭代过程中协方差容易出现病态的问题,采用修正协方差近似二阶扩展卡尔曼滤波(MVASOEKF)算法,通过混合脉冲功率特性试验对等效模型内部参数进行离线辨识并建立了二阶RC等效电池模型,在MATLAB/Simulink平台上进行SOC估算,结果表明,EKF算法估算平均绝对误差约为2.0%,MVASOEKF算法估算平均绝对误差约为0.5%,与EKF算法相比,MVASOEKF算法虽增加了一定的计算量,但是SOC估计精度明显改善,且收敛性更好。

扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

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。

分数阶扩展卡尔曼滤波算法的锂电池SOC估算

由于锂离子电池的SOC(state of charge)不能直接被测得,目前只能通过电池外部输出特性对其进行估算。以磷酸铁锂电池为研究对象,考虑到电池各种复杂的非线性特征,分析了电池的电化学阻抗特性,采用恒相位元件(CPE)对传统的等效电路模型进行改进,建立了分数阶(fractional order)等效电路模型;联合遗传算法和混合脉冲动力试验对分数阶等效电路模型的参数进行离线识别;基于扩展卡尔曼滤波算法,建立了分数阶扩展卡尔曼滤波算法(fractional order extended Kalman Filter)的锂电池SOC估算模型;根据动态应力试验DST(dynamic stress test)工况设计制定了锂电池充放电方案,在环境温度25℃条件下,实时采集电池电流及电压数据,将采集所得数据输入到Matlab建立的模型中,对目标电池进行SOC估算。仿真结果表明:与二阶戴维南电路模型SOC仿真结果相比,基于FEKF算法的SOC估算结果具有更高的精度且波动性更小,误差均小于0.72%,均方根误差仅为0.24%。

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。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

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。

基于二阶扩展卡尔曼滤波理论的毫米波波束跟踪算法

毫米波(mm wave)通信中波束覆盖方向性给高速移动的终端设备(如高速车辆,火车和无人机)带来了巨大挑战。现有基于扩展卡尔曼滤波理论(extended Kalman filter theory,EKF)的波束跟踪算法存在估计精度较低的问题,为此,采用二阶扩展卡尔曼滤波理论(second-order extended Kalman filter theory,SOEKF)作为波束跟踪算法,并辅以一种低复杂度的波束切换方案,随后基于时变信道演化模型构建状态向量和量测方程,在数值仿真中给出了信噪比,阵列大小,AoA/AoD(angles of arrival/angles of departure)的变化速度对算法性能的影响。仿真结果表明,所采用的SOEKF算法相较于同类算法具有更高的估计精度,同时保持了较低的复杂度,更适合快速变化的信道环境。

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败。因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法。所研究的算法能有效地克服目标背景干扰,存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。实验结果表明,所研究的方法能够对移动目标持续稳定地跟踪。

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。

扩展卡尔曼滤波和配准算法的工业机器人误差补偿

针对现有工业机器人误差,特别是工业机器人末端轨迹精度低、实时监测计算复杂等问题,提出利用扩展卡尔曼滤波器和配准算法组合提高机器人末端轨迹精度的算法,解决了机器人末端精度低、控制补偿不准确等问题。建立SCARA机器人数学模型,同时建立基于扩展卡尔曼滤波和配准算法的机器人误差补偿模型,通过扩展卡尔曼滤波、配准算法进行误差补偿,实现了末端精度的提高。通过仿真验证,分析对比机械手末端轨迹补偿前后的误差,证明了算法的可靠性与准确性。

永磁同步电机的改进扩展卡尔曼滤波测速算法

针对使用增量式编码器的永磁同步电机(PMSM)伺服系统中的传统测速算法(M算法结合低通滤波)存在的时延与不准确的问题,提出了一种改进的扩展卡尔曼滤波(EKF)测速算法.该方法在不修改原有电路的前提下,利用EKF算法抑制噪声且不产生时延的特点,针对性地设计了观测模型,并通过矩阵变换与利用定点数字信号处理器累加溢出的周期性,极大地简化了原有的EKF算法.实验结果证明:该算法能够在电机的整个运行过程中给出相对实时的、准确的速度估计值,在一定程度上改善了电机的调速性能,并且算法具有很强的实用性.

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。

基于扩展卡尔曼滤波的人体行为识别算法

针对人体行为事件,研究了多传感器数据采集模型和扩展卡尔曼滤波优化算法的应用。系统将加速度传感器分量数据映射为三维加速度空间,并与压力传感器数据结合建立四维实时数据采集空间。基于系统的模型特征,提出了非线性系统下的扩展卡尔曼滤波算法。系统利用优化算法对数据实现最优估计,并依据传感器信噪比对优化数据进一步修正,之后在系统设定的传感器信任级别和融合权重的基础上完成人体行为识别。实验结果表明,本文算法可以提高数据空间的精度和平滑度,可对人体行为进行有效识别。

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。

基于扩展卡尔曼滤波神经网络算法的公路货运周转量预测

介绍了扩展卡尔曼滤波的原理,针对人工神经网络神经元之间权值的调整过程,建立了权值调整的状态空间模型,并采用扩展卡尔曼滤波对该模型的状态变量进行递推估计。文中仿真以全国历年公路货运周转量为例,分别采用BP算法和扩展卡尔曼滤波算法对神经网络进行训练,2种训练方法预测的结果对比表明扩展卡尔曼滤波训练算法具有更好的准确性和更高的运算效率。