基于偏差补偿最小二乘的谐波发射水平估计方法

为了克服电压和电流信号中的有色噪声的影响,提出了一种基于偏差补偿最小二乘的系统谐波阻抗及用户谐波发射水平的估计方法。利用公共连接点测量得到的谐波电压和谐波电流信号,通过偏差补偿最小二乘算法求解回归系数;提取对因变量解释性最强的综合变量,辨识系统中的信息和噪声,更好地克服变量相关性在系统建模中的影响。由回归系数映射出系统谐波阻抗,进而计算出用户的谐波发射水平。通过实验电路仿真分析验证了该方法的有效性。

基于偏差补偿递推最小二乘的Hammerstein-Wiener模型辨识

许多实际系统可以表示成一种中间为线性动态环节、输入输出端为非线性静态环节的Hammerstein-Wiener模型.针对含过程噪声的Hammerstein-Wiener模型,提出一种改进在线两阶段辨识方法.第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量.通过在递推最小二乘算法中引入一个修正项,补偿过程噪声引起的估计偏差.第二步采用基于张量积逼近的奇异值分解法分离出原系统各参数的值.通过引入两个矩阵的张量积逼近加权最小二乘的权系数,提高参数分离精度.理论分析和计算机仿真验证了本文方法的有效性.

多变量偏差补偿递推最小二乘法及其收敛性

对于带白色观测噪声的多变量自回归(AR)信号,提出了未知模型参数和噪声方差估计的偏差补偿递推最小二乘算法,用动态误差系统分析方法严格证明了所得到的模型参数和噪声方差估值是强一致的,即它们以概率1收敛于相应真实值。一个仿真例子说明了其有效性。

基于偏差补偿递推最小二乘法的荧光补偿方法

针对荧光检测技术中荧光光谱重叠引起荧光值偏差的问题,提出了一种基于偏差递推最小二乘算法辨识补偿矩阵的方法。首先,在多输入多输出系统(MIMO)下,利用单染色荧光光谱和多染色荧光光谱实际测量的荧光值,通过递推最小二乘法进行迭代运算,推导出参数估计值。然后,在其中引入一个修正项,补偿在采集荧光中过程噪声引起的误差。最后,计算出偏差补偿递推最小二乘法迭代的估计值。理论分析与仿真表明,该算法在参数误差估计中误差率小于1%,相对于递推最小二乘算法性能提高了50%。所用算法能够有效提高估计值精度,同时也能减小噪声产生的影响。

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。

锂离子电池建模及其参数辨识方法研究

建立精确的锂电池动态模型是保证锂电池储能系统安全、可靠运行的前提,针对建模过程中检测量伴有不确定性噪声信号以及最小二乘法出现数据饱和、辨识参数有偏差等问题,基于锂电池RC等效电路,提出采用偏差补偿最小二乘法在线辨识模型参数,与常规最小二乘法进行对比研究;依据3种常用锂电池开路电压测试方法,设计6个典型OCV测试实验,研究基于分段三次Hermite插值法的开路电压曲线辨识问题。实验结果表明:基于偏差补偿的最小二乘法具有较好的算法收敛性,所建模型精度更高、性能较好,验证了此方法的可行性和有效性;对比分析不同开路电压测试方法及其曲线建模性能,建模性能相当、耗时较少、可实现性较好的恒流充放电间歇法是最优之选。

含未知参数的自校正融合Kalman滤波器及其收敛性

对于带未知模型参数和噪声方差的多传感器系统,基于分量按标量加权最优融合准则,提出了自校正解耦融合Kalman滤波器,并应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了它的收敛性.作为在信号处理中的应用,对带有色和白色观测噪声的多传感器多维自回归(Autoregressive,AR)信号,分别提出了AR信号模型参数估计的多维和多重偏差补偿递推最小二乘(Bias compensated recursive least-squares,BCRLS)算法,证明了两种算法的等价性,并且用DESA方法证明了它们的收敛性.在此基础上提出了AR信号的自校正融合Kalman滤波器,它具有渐近最优性.仿真例子说明了其有效性.

基于双自适应卡尔曼滤波的锂电池状态估算

精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BCRLS)对电池模型进行参数辨识。然后,利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰,因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中,电池内部特性会发生变化,而电池欧姆内阻会对SOC估计结果产生直接影响。基于此,本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较,实验结果表明,所提算法估计SOC的误差控制在2%以内,验证了算法的有效性。

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.

含过程噪声的Hammerstein-Wiener神经模糊模型多信号源辨识

提出一种在过程噪声干扰下基于偏差补偿递推最小二乘法的Hammerstein-Wiener神经模糊模型多信号源辨识方法.通过三阶段组合式多源信号,实现了过程噪声干扰下HammersteinWiener模型中输入静态非线性环节、动态线性环节以及输出静态非线性环节的分离,提高了各串联环节模型参数的分离精度,避免了传统迭代分离方法中模型参数的收敛问题.在此基础上,利用补偿原理,提出基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型参数辨识方法,通过在递推最小二乘算法中引入修正项来补偿过程噪声引起的估计偏差,实现了模型参数的无偏估计.理论分析与仿真实验的结果表明,所提出的方法具有较好的有效性.

基于BCRLS-ACKF的锂离子电池荷电状态估计

精确的锂离子电池荷电状态(state of charge,SOC)估计对于电池管理系统至关重要。模型参数辨识是SOC估计的前提,也是影响其估计精度的关键因素。为了有效避免噪声对参数辨识的影响,采用偏差补偿递推最小二乘法(BCRLS)进行在线参数辨识。在此基础上,采用自适应容积卡尔曼滤波(ACKF)算法估计电池SOC,对系统噪声进行实时更新以提高估计精度。此外,对于计算过程中由于协方差矩阵失去正定性而出现平方根无法分解的问题,利用奇异值分解的方法代替Cholesky分解,以提高数值计算的稳定性。最后将BCRLS与ACKF相结合以实现模型参数和SOC的联合估计,并在不同工况和初始值不精确的情况下进行算法验证,结果表明本文所提算法具有较高的精度,平均绝对误差在2%以内。

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态(SOC)估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.

基于混合AUKF和HIFF的锂离子电池SOC估计

提出基于模型的自适应无迹卡尔曼滤波(AUKF)和H无穷滤波(HIFF)的联合算法。选取Thevenin模型,针对有色噪声条件下的输入数据,改进常用的带遗忘因子的递推最小二乘(RLS)法,提出偏差补偿型递推最小二乘(BCRLS)法,来抑制数据的有色噪声。设计的AUKF/HIFF混合算法具有较好的精度和更强的鲁棒性,可实现参数和状态的联合估计,提高实车应用的可能。在不同输入数据条件下,混合算法的荷电状态(SOC)估计误差均小于2%,可靠性较好。