基于扩展卡尔曼滤波的直线感应电机速度观测

为解决在直线感应电机(linear induction motor,LIM)高性能闭环控制系统取消速度传感器后,速度闭环中缺少速度反馈信息问题,在考虑LIM边端效应前提下,实现了一种基于扩展卡尔曼滤波算法的速度观测器。首先,基于考虑边端效应的三相LIM数学模型,推导出具有合适增益和协方差更新矩阵的扩展卡尔曼滤波观测器,并基于LIM的矢量控制系统,将观测器辨识的速度参数反馈到速度闭环系统中。然后,在Simulink中搭建带有速度观测器的LIM矢量控制系统模型,对观测器的辨识速度和电机实际速度进行对比。结果表明,利用辨识速度进行闭环控制可以保证系统稳定运行。在3种负载情况下,观测器的预测速度和实际速度之间的误差在0.51%~2.34%之间。对系统多种动态性能进行分析可知,基于扩展卡尔曼滤波观测器的LIM矢量控制系统,随着负载增大,预测速度的误差增大,推力误差减小,磁链幅值误差略微增大。因此,在考虑边端效应情况下,基于扩展卡尔曼滤波的观测器可以代替速度传感器实现空载和带载时的三相LIM控制。

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。

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%。

降阶扩展卡尔曼滤波在INS/GPS导航系统中的应用

INS/GPS组合可以实现长期稳定、高精度的导航系统,从而替代单一高精度高成本的INS.组合中等精度的INS和MS860系统,应用降阶EKF方法,开发实现“真航向测量系统”(TNDS)的高精度航姿测量。TNDS以PC/104架构的嵌入式计算机采集处理来自INS和MS860的信息;重点推导了TNDS降阶误差模型,并在其中采用降阶的EKF滤波,TNDS系统最后进行了海上试验。试验数据表明:采用降阶EKF滤波后,INS的位置误差σ由100 m减小到40 m;系统航向的误差由原来的0.105°减小到0.034°;纵横摇的误差也相应地减小。整个海上试验验证了TNDS的性能和降阶EKF滤波算法的有效性。

降阶扩展卡尔曼滤波算法在船用INS/GPS组合导航系统中的应用(英文)

TNNS(真航向导航系统)由MS860接收机、INS及处理数据的PC/104架构的嵌入式工控机构成。针对TNNS推导了INS(惯性导航系统)的误差模型,提出了适合于TNNS的降阶扩展卡尔曼滤波算法组合GPS和INS。系统在东海作了三次海试,软件及滤波算法平台由C/C++编制。海上试验表明,组合滤波后,INS的位置误差由100m降低到40m以下;进行最优化滤波后的航向误差σ由原来的0.105°减小为0.034°,纵横摇的误差也大幅减小。整个海试结果表明,在TNNS中组合GPS/INS采用的降阶扩展卡尔曼滤波算法,大幅提高了系统精度和可靠性。

含有关联噪声的非线性分数阶系统的扩展卡尔曼滤波器设计

针对含有过程和测量噪声的连续时间非线性分数阶系统的状态估计问题,提出了扩展卡尔曼滤波器算法.采用Grünwald-Letnikov差分定义对非线性分数阶系统离散化.利用输出方程设定待定系数矩阵,得到离散化的差分方程,实现非线性分数阶系统的有效的状态估计,提高状态估计的精度.最后,给出一个实例来说明所提出非线性分数阶系统的扩展卡尔曼滤波器的有效性.

基于低阶串行双扩展卡尔曼滤波的永磁直线同步电机无速度传感器控制策略

首先,基于三相永磁直线同步电机在同步旋转坐标系下的数学模型,推导出系统的三阶状态方程,实现基于扩展卡尔曼滤波算法的动子速度估计;然后,分析传统扩展卡尔曼滤波算法的计算过程,针对其实时线性泰勒近似是在上一周期的最优估计处完成,因而具有一定滞后性的缺陷,提出一种低阶串行双扩展卡尔曼滤波算法,通过两个低阶扩展卡尔曼滤波算法串行执行,在当前周期的最优估计处完成泰勒近似,提高状态估计精度;最后,仿真和实验结果表明,提出的基于低阶串行双扩展卡尔曼滤波器的无速度传感器控制策略,相比于常规扩展卡尔曼滤波器无速度传感器控制方法具有更高的速度估计精度。

基于反向扩展卡尔曼滤波的弹道外推算法

针对炮位侦察雷达现有的弹道外推算法中远点外推导致的炮位估计误差问题,提出了一种基于反向扩展卡尔曼滤波的弹道外推算法。该算法在传统弹道外推算法的基础上,建立包含弹道系数在内的七维状态向量滤波模型,将正向滤波的终点作为反向滤波的起点,实现反向扩展卡尔曼滤波,并从反向滤波的终点开始,利用四阶龙格-库塔方程向弹道起点进行外推。仿真实验结果表明,所提基于反向扩展卡尔曼滤波的弹道外推算法的外推精度相比原算法提高约50%。

一种永磁电机无速度扩展卡尔曼算法

在实际生产应用中永磁同步电机的控制精度非常关键,在去除噪声的过程中,我们通常采用卡尔曼滤波,一般的卡尔曼无法满足要求,我们提出一种新型扩展卡尔曼滤波器。在电机的参数的实时运算中,并将参数不断更新进算法使得精确度大幅度提高,同时在传统扩展卡尔曼(EKF)的线性化过程中,泰勒近似只是在上一个周期的最优处完成,因此无法做到完美更新数据,降低了精确度。在此提出一种低阶串行双扩展卡尔曼滤波算法,通过仿真和实验比较了EKF和LSDEKFs对电机转速估计的误差,结果表明新型扩展卡尔曼滤波器具有更优的估计精度。

基于多尺度并行卡尔曼滤波算法的电池状态参数估算

准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。

含有有色噪声的非线性分数阶系统自适应扩展卡尔曼滤波器

研究了含有未知参数的情况下,分别含有分数阶有色过程噪声和有色测量噪声的连续时间非线性分数阶系统状态估计问题.采用Grünwald-Letnikov (G-L)差分方法和1阶泰勒展开公式,对描述连续时间非线性分数阶系统的状态方程进行离散化和线性化.构造由状态量、未知参数和分数阶有色噪声的增广向量,设计自适应分数阶扩展卡尔曼滤波算法实现对有色噪声情况下的连续时间非线性分数阶系统的状态和参数的估计.最后,通过分析两个仿真实例,验证了提出算法的有效性.

基于强跟踪延迟滤波算法的互馈双电机联合状态估计

通过分析交流传动互馈实验系统的工作特点,采用联合控制策略实现互馈双电机的高性能控制。为避免传感器安装带来的问题,提出一种新型的联合状态估计方法实现双电机转速、转矩和磁链的同时估计。在感应电机降阶模型的基础上引入运动和转矩方程,得到输出方程为一阶状态延迟的四阶模型。在强跟踪滤波算法和延迟扩展卡尔曼滤波算法的基础上,提出适用于上述模型的强跟踪延迟滤波算法,从而建立互馈双电机联合状态估计算法。通过各种工况下的交流传动实验对其进行验证,实验结果表明,该方法能有效估计互馈系统在各种工况下运行时的电机状态,同时在极低速和零速时具有理想的估计精度和跟踪速度,且计算复杂度适中,适用于互馈系统电机状态的在线联合估计。

单目视觉中基于IEKF,DD1及DD2滤波器的位姿和运动估计(英文)

用单摄像机所获取的二维(2D)图像来估计两坐标之间的相对位姿和运动在实际应用中是可取的,其难点是从物体的三维(3D)特征投影到2D图像特征的过程是一个非线性变换,把基于单目视觉的位姿和运动估计系统定义为一个非线性随机模型,分别以迭代扩展卡尔曼滤波器(IEKF)、一阶斯梯林插值滤波器(DD1)和二阶斯梯林插值滤波器(DD2)作非线性状态估计器来估计位姿和运动.为了验证每种估计器的相对优点,用文中所提方法对每种估计器都作了仿真实验,实验结果表明DD1和DD2滤波器的特性要比IEKF好.

基于非线性滤波的风廓线雷达数据处理

针对实际工程中风廓线雷达风向、风速随高度分布取值的非线性特性以及非气象干扰因素,基于非线性化方法———扩展卡尔曼滤波法,对风廓线雷达探测数据进行滤波处理.先利用泰勒展开式的一次项对非线性方程作线性化处理,再结合经典的卡尔曼滤波进行滤波估计,将非线性滤波问题转化为一个近似的线性滤波问题.仿真实验结果表明,该方法可以有效去除风场数据中掺杂的噪声干扰,很好地发挥了其非线性特性,滤波效果优于传统的卡尔曼滤波,具有一定的工程应用前景.

IAGA辨识分数阶模型与FOAEKF算法的锂电池SOC估计

锂电池荷电状态(SOC)的精确估计可以有效提高锂电池的使用寿命和电动汽车工作时的安全系数。为了降低模型误差与工况噪声对SOC估计精度的影响,依据分数阶理论建立锂电池分数阶等效电路模型,采用改进自适应遗传算法(IAGA)对分数阶模型进行参数辨识,结合基于噪声残差新息的分数阶自适应扩展卡尔曼滤波算法(FOAEKF)实现对锂电池SOC的精确估计。在城市道路循环工况(UDDS)下,分别采用FOAEKF、分数阶扩展卡尔曼滤波算法(FOEKF)和整数阶扩展卡尔曼滤波算法(IOEKF)对锂电池SOC进行估计,三者估计的平均绝对误差分别为0.00749、0.01117、0.01574,均方根误差分别为0.00916、0.0138、0.0186。结果表明IAGA-FOAEKF算法提高了复杂工况下电池模型和SOC估计的准确性。

插值滤波器在单站外辐射源无源定位中的应用

把一种基于stirling内插公式的插值滤波器(DDF),应用于单站外辐射源无源定位中的非线性滤波问题。与传统扩展kalman滤波(EKF)相比,插值滤波器避免了非线性方程泰勒展开求解的过程,同时实现复杂性和计算量都很小。计算机仿真表明,一阶插值滤波(DD1)滤波精度相当EKF,而二阶插值滤波(DD2)滤波精度接近甚至略优于无轨迹kalman滤波(UKF)。

简化分数阶AEPF的锂电池SOC估计算法

电池极化效应、随机干扰以及电池在整个寿命周期内高度非线性和动态特性,给电池荷电状态(SOC)在线精确估计带来了许多挑战。等效模型的精确表达与估计算法的优化设计是提高SOC估计精度的两大重要技术路线。对此,提出了基于分数阶模型自适应扩展卡尔曼粒子滤波(FOAEPF)的SOC估计方法。对分数阶模型(FOM)的二项式系数的求和项进行了适当的截断,从而得到了能够有效降低计算量的简化分数阶模型。然后运用AEPF算法估计电池的SOC。自适应扩展卡尔曼滤波被用作粒子滤波算法的建议分布函数,不但解决了粒子滤波算法的粒子退化问题,而且能够充分结合两类算法的优势实现二次滤波。多组实验的测试结果表明所提出的方法在削减计算负担的基础上,能够进一步提高电池SOC估计精度与鲁棒性。

一种基于分数阶的电池荷电状态估计方法

本文首先简单介绍了分数阶微分的相关知识,以及分数阶系统的优点,然后在整数阶模型的基础上,将整数阶中的元件用分数阶的相关元件替代,建立出分数阶模型,最后使用改进的双扩展卡尔曼滤波和双卡尔曼滤波这两种算法来对电池SOC进行估算,利用仿真软件对两种算法的结果做对比,得到一种估算精确度比较高的算法。

基于分数阶模型的锂离子电池SOC估计方法及优化

针对粒子滤波算法估计电池荷电状态精度较低的问题,提出一种基于分数阶模型的多新息扩展卡尔曼粒子滤波修正估计算法。建立分数型二阶电池模型,通过自适应遗传算法辨识参数,采用扩展卡尔曼滤波算法估计电池健康状态,迭代更新内阻实现电池荷电状态修正估计,在室温下对18650锂电池进行脉冲放电测试,对比分析整数型和分数型算法参数的辨识结果。结果表明,分数型二阶电池模型能够更全面地表征电池特性,所提优化算法估计SOC平均误差与均方根误差为0.48%与0.55%,估计精度均优于其他算法,具有较高应用前景。

新能源汽车动力电池荷电状态估计

准确估计新能源汽车动力电池的荷电状态可以为驾驶者提供准确的剩余续航里程信息。因此,动力电池的荷电状态估计是新能源汽车关键技术之一。目前,常用的估计算法都有一定的局限性,文章提出建立动力电池的分数阶模型,先进行参数识别,然后采用扩展卡尔曼滤波进行动力电池的荷电状态估计,以满足不同的应用场景需要。为了验证该算法的实际效果,本研究模拟出不同工况下的荷电状态估计结果和开路电路的估计结果,与传统安时法结果对照表明,扩展卡尔曼算法具有更好的准确性和可靠性。