基于多新息辨识算法的锂离子电池等效电路模型参数辨识

实时、准确地获得电池模型的参数可提高电池状态估计的精度。常用的系统辨识算法和智能优化算法不仅实时性差,而且辨识精度低。为了解决等效电路模型的参数辨识及提高等效电路模型参数的辨识精度,本文通过直接离散的方法建立了能够同时辨识二阶RC(resistance-capacitance)等效电路模型和PNGV(partnership for a new generation of vehicles)模型参数的差分方程。基于多新息算法辨识理论,提出了带遗忘因子的多新息辅助模型扩展递推最小二乘(FMIAELS)算法。FMIAELS算法只需利用电池的电流及端电压即可实现等效电路模型参数的实时、精确辨识。实验验证结果表明,在不同温度、工况和老化程度下,FMIAELS算法可精确地辨识电池的模型参数,误差约为常用的系统辨识算法和智能优化算法的1/3。FMIAELS算法也能实现开路电压(OCV)的精确辨识,在不同脉冲下辨识的OCV的精度也明显优于常用的系统辨识算法和智能优化算法,其平均误差仅有0.22%。

类多变量输出误差系统的耦合多新息辨识方法

辅助模型辨识思想、多新息辨识理论、耦合辨识概念是研究复杂多变量系统辨识的新理念和原理.将它们结合起来研究类多变量输出误差系统的辨识问题,提出了多元辅助模型辨识方法、多元辅助模型多新息辨识方法、变递推间隔多元辅助模型多新息辨识方法.为减小算法的计算量和提高参数估计精度,将系统模型分解为一些子辨识模型,应用辅助模型辨识思想、多新息辨识理论、耦合辨识概念,研究和推导了部分耦合辅助模型辨识方法、部分耦合辅助模型多新息辨识方法.讨论了几个典型辨识算法的计算量,给出了参数估计的计算步骤和计算流程图.

类多变量方程误差类系统的递阶多新息辨识方法

根据递阶辨识原理,研究了类多变量方程误差系统和类多变量方程误差ARMA系统递阶随机梯度方法和递阶梯度迭代方法、递阶最小二乘方法和递阶最小二乘迭代方法.进一步利用多新息辨识理论,推导了递阶多新息梯度辨识方法和递阶多新息最小二乘辨识方法.为减小计算量,推导了基于滤波的类多变量方程误差ARMA系统递阶辨识方法和递阶多新息辨识方法.讨论了几个典型辨识算法的计算量,并给出了计算参数估计的步骤.

输入非线性方程误差自回归系统的多新息辨识方法

典型块结构非线性系统包括基本的输入非线性系统、输出非线性系统、输入输出非线性系统、反馈非线性系统等.输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.以输入非线性方程误差自回归系统,即输入非线性受控自回归自回归(IN-CARAR)系统为例,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术以及基于辨识模型分解技术,研究和提出了IN-CARAR系统的随机梯度辨识方法、多新息随机梯度辨识方法、递推最小二乘辨识方法、多新息最小二乘辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算步骤、流程图和计算量.

线性参数系统的多新息辨识方法

系统有线性和非线性之分.线性系统有统一的描述形式,非线性系统因类别无数,不可能有统一描述.线性参数系统是一类特殊的非线性系统,它在参数空间上呈现线性特征,介于线性系统与非线性系统之间.针对伪线性参数系统,讨论了基于辅助模型的多新息辨识方法、基于滤波的辅助模型多新息辨识方法、基于模型分解的辅助模型多新息辨识方法、基于滤波的分解多新息辨识方法,并给出了几个典型辨识算法的计算量、计算步骤和流程图.

输入非线性方程误差系统的多新息辨识方法

针对输入非线性方程误差系统,即输入非线性受控自回归系统,研究了基于过参数化模型的多新息辨识方法和基于过参数化模型的递阶多新息辨识方法;研究了基于关键项分离原理的多新息辨识方法;使用辨识模型分解技术,研究了基于关键项分离原理的两阶段多新息辨识方法和三阶段多新息辨识方法.这些方法可以推广到其他输入非线性方程误差系统、输入非线性输出误差类系统、输出非线性方程误差类系统、输出非线性输出类系统、反馈非线性系统等.同时,给出了几个典型辨识算法的计算量、计算步骤和流程图.

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.

输出误差系统的多新息辨识方法

研究了输出误差(OE)系统和输出误差自回归滑动平均(OEARMA)系统(即Box-Jenkins系统)的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法、辅助模型多新息最小二乘算法,输出误差系统的修正辅助模型随机梯度算法、遗忘因子辅助模型随机梯度算法、变递推间隔辅助模型随机梯度算法、变递推间隔辅助模型多新息随机梯度算法、变递推间隔辅助模型递推最小二乘算法等,以及输出误差自回归(OEAR)系统的基于滤波的辅助模型多新息广义随机梯度算法和基于滤波的辅助模型多新息广义最小二乘算法.

方程误差系统的多新息辨识方法

多新息方法可以用于线性系统和非线性系统的自适应滤波、参数估计、自校正控制、自适应故障检测与诊断等.线性系统包括两种基本类型:方程误差类系统和输出误差类系统.本文将多新息辨识应用到方程误差滑动平均(EEMA)系统(即CARMA系统),研究多新息增广随机梯度算法和多新息增广最小二乘算法,应用到方程误差自回归滑动平均(EEARMA)系统(即CARARMA系统),提出基于分解的多新息广义增广随机梯度算法和基于分解的多新息广义增广最小二乘算法,以及基于滤波的多新息广义增广随机梯度算法和基于滤波的多新息广义增广最小二乘算法.

一类有色噪声干扰系统的辅助模型多新息辨识方法

针对一种有色噪声干扰系统,把标量新息扩展为向量新息(即多新息),将最小二乘算法、随机梯度算法分别和辅助模型方法结合,提出了基于辅助模型的多新息最小二乘算法和基于辅助模型的多新息随机梯度算法。与传统最小二乘算法和随机梯度算法相比,所提出的算法可有效提高收敛速度和辨识精度,其中基于辅助模型的多新息随机梯度算法比基于辅助模型的多新息最小二乘算法计算量少、收敛速度快。仿真例子验证了算法的有效性。

基于多新息辨识的电力系统节点惯量估计方法

随着高比例新能源并网、大容量直流密集接入和常规电源持续关停,电力系统原本相对均衡的惯量资源分布格局被打破,转动惯量在空间分布上发生了新的变化。为使系统运行人员及时感知惯量空间分布情况、精准定位惯量薄弱节点,提出一种基于多新息辨识的电力系统节点惯量估计方法。首先在分析系统惯量资源对节点惯量支撑作用的基础上,基于输出误差滑动平均模型构建惯量空间分布估计模型。进而采用多新息辨识方法求解模型中的待辨识参数,得出系统内所有节点的等效惯量,评判整个系统的惯量空间分布情况。最后在IEEE 39节点系统上进行仿真分析,验证了所提方法的有效性,以及对不同规模、不同位置故障的适应性。

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

多元伪线性回归系统部分耦合多新息随机梯度类辨识方法

针对多元伪线性滑动平均系统,讨论了多元增广随机梯度算法,为减小算法的计算量,将系统分解为一些子系统,给出了子系统增广随机梯度算法,利用耦合辨识概念和多新息辨识理论,推导了部分耦合(子系统)增广随机梯度算法、部分耦合(子系统)多新息增广随机梯度算法.进一步将提出的方法推广到多元伪线性自回归滑动平均系统,给出了部分耦合(子系统)广义增广随机梯度算法、部分耦合(子系统)多新息广义增广随机梯度算法.文中分析了多元增广随机梯度算法、部分耦合增广随机梯度算法、部分耦合多新息增广随机梯度算法的计算量.

随机系统多新息辨识在衰减激励下的性能

多新息辨识算法是估计系统参数的一种有效方法 ,其特点是可以克服坏数据对参数估计的影响 ,具有很强的鲁棒性。该文给出了衰减激励信号的定义 ,并在衰减激励条件下 ,利用随机过程理论 ,研究了随机系统多新息辨识算法的性能 ,给出了参数估计误差收敛时 ,衰减指数应满足的条件 ,以及算法中设计参变量的选择方法。分析表明 :若设计参变量选择为 r(t) =O(t2ε(lnt) c) ,(c>0 ) ,衰减指数满足 0≤ ε<1/ 4,则参数估计均方误差以 O 1(lnt) c

多元系统耦合多新息随机梯度类辨识方法

针对多元线性回归系统,利用耦合辨识概念和多新息辨识理论,讨论了多元随机梯度算法、多元多新息随机梯度算法,以及变递推间隔多元多新息梯度算法,进一步分解多元系统为一些子系统,给出了耦合子系统随机梯度算法、耦合随机梯度算法、耦合子系统多新息随机梯度算法、耦合多新息随机梯度算法,并将这些方法推广到多元伪线性滑动平均系统和多元伪线性自回归滑动平均系统.文中给出了几个典型耦合随机梯度算法、耦合多新息随机梯度算法的计算步骤和示意图.

多新息随机梯度辨识方法的收敛性研究

从理论上给出了多新息辨识方法的推导过程,提出了多新息随机梯度辨识方法,并运用随机过程理论分析了多新息随机梯度辨识方法的均方收敛性,给出参数估计误差上界的计算公式。分析表明数据的平稳性可以提高参数估计精度。最后给出了多新息辨识方法的各种典型变形。

自回归模型的多新息随机梯度和多新息最小二乘辨识方法

将多新息辨识理论用于研究自回归模型的参数辨识问题,通过把标量新息扩展为向量新息(即多新息),扩展信息向量到信息矩阵和构成堆积系统输出,从而提出了自回归模型的多新息随机梯度辨识算法和多新息最小二乘辨识算法。仿真结果验证了提出算法的有效性。

滤波辨识(5):输出误差自回归滑动平均系统的滤波辅助模型递推广义增广参数估计

针对输出误差自回归滑动平均系统,即Box-Jenkis系统,利用滤波辨识理念,研究和提出了滤波辅助模型广义增广随机梯度辨识方法、滤波辅助模型多新息广义增广随机梯度辨识方法、滤波辅助模型多新息广义增广投影辨识方法、滤波辅助模型递推广义增广梯度辨识方法、滤波辅助模型多新息递推广义增广梯度辨识方法、滤波辅助模型递推广义增广最小二乘辨识方法、滤波辅助模型多新息递推广义增广最小二乘辨识方法。这些滤波辅助模型广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。

CARMA模型的多新息增广随机梯度辨识算法

将多新息辨识理论用于研究CARMA模型参数辨识问题,通过把标量新息扩展为向量新息,即多新息,得出相应的多新息增广随机梯度辨识算法。仿真结果验证了提出算法的有效性。