基于奇异值分解无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的荷电状态(state of charge,SOC)是电池管理系统(battery management system,BMS)对锂电池进行管理的重要指标。针对传统SOC估计方法存在的精度低、计算复杂和鲁棒性差等问题,提出一种基于奇异值分解无迹卡尔曼滤波(singular value decomposition unscented Kalman filter,SVD-UKF)的SOC估计方法。利用无迹变换(unscented transformation,UT)提高了计算精度的同时降低了计算量,并且克服了UKF在状态协方差矩阵P非半正定时会出现滤波发散的缺点,提高了算法的鲁棒性。实验结果表明,该算法能够快速收敛于真值,并且将估算误差降低至1%。

可对角化矩阵特征值扰动的一个估计式

把Hermite矩阵的特征值扰动的估计式推广到可对角化类,从而得到一个新的特征值扰动的估计式.

基于SVD分解的UKF算法在动力定位状态估计中的应用

针对UKF算法应用于动力定位状态估计时,因观测噪声异常、系统噪声等不确定性导致系统状态协方差矩阵P失去正定性,从而引起状态估计性能下降的问题,文章设计了一种融合奇异值分解(SVD)和无迹卡尔曼滤波(UKF)的非线性动力定位状态估计算法。采取奇异值分解无迹卡尔曼滤波(SVDUKF)算法和UKF算法对动力定位船舶纵荡、横荡、艏摇三自由度状态估计性能进行对比。仿真结果表明:对于船舶动力定位状态估计,SVDUKF算法提高了UKF算法状态估计的准确性,改善了算法的鲁棒性,最终设计算法的有效性得以验证。